Examen UED 212
03/02/2018
Université de Bejaia
Faculté de Technologie
Département ATE
Master 2 : Automatique et Systèmes & Automatique et Informatique Industrielle
Année : 2017/2018
Examen : Méta-heuristiques
(Intelligence Artificielle Computationnelle)
Systèmes auto-organisés * (5pts)
1. Quelle est la différence entre un système fermé et un système ouvert ? 1pt
- Un système fermé n’échange pas de l’énergie avec son milieu extérieur. Son entropie
augmente. Il se désorganise et tend progressivement vers l’équilibre
thermodynamique. Un système fermé se dégrade.
- Un système ouvert échange de l’énergie avec son milieu extérieur. Il laisse apparaitre
des structures dissipatives pour dissiper l’énergie reçue. Il s’auto-organise et tends vers
un équilibre critique (auto-organisée). Un système ouvert évolue.
2. Les systèmes ouverts sont capables de s’auto-organiser. Donner 3 exemples de systèmes auto-
organisés. 1pt
- Atmosphère, galaxies, étoiles, sociétés animales et humaines, cerveaux…
3. Quel est le rôle d’une structure dissipative ? 1pt
- Les structures dissipatives dissipent l’énergie reçue par un système ou son énergie
interne. Leur évolution (dynamique) permet l’auto-organisation.
4. D’après Per Back, « Les structures dissipatives s’auto-organisent à la manière des transitions de
phases continues ». Quelles sont les propriétés des transitions de phases continues? 1pt
- Les propriétés des transitions de phases continues :
- 1- Amplification des fluctuations
- 2- Rupture de symétrie
- 3- Apparition et mémorisation de l’information
- 4- Invariance par changement d’échelle.
5. En intelligence artificielle, on s’inspire des systèmes auto-organisés. Citer deux exemples
d’intelligence artificielle inspirée de la nature (des systèmes auto-organisés). 1pt
Algorithmes génétique, TLBO, colonie d’abeilles, colonies de Fourmies.
Algorithmes et pseudocodes ** (10 pts)
1. Donner l’organigramme le plus simple possible (ou le pseudocode) d’un algorithme génétique.
2pts
A. Définition du problème
B. Initialisation des paramètres de l’algorithme (N, Pm, Pcr Rdump, R..)
C. Initialisation de la population
D. Évaluation de la population
E. Croisement
F. Mutation
G. Évaluation des enfants
H. Sélection
Bonne chance
L. TIGHZERT
Examen UED 212
I. Adaptation des paramètres (comme R=R*Rdump.. )
J. Vérification du critère d’arrêt
- Si oui : retourner la bonne solution
- Sinon : aller (revenir) à l’étape E
2. Comparer le croisement et la mutation en expliquant leur rôle 2pts
- Le croisement permet un échange du patrimoine génétique (des génomes). Il permet un
héritage. L’enfant hérite de ses parents (effet mémoire pour l’algorithme). Cet operateur
permet une variation de la population et mène à une intensification de la recherche.
- La mutation permet à l’algorithme de découvrir de nouvelles solutions (l’information
étant changée aléatoirement). Cet opérateur assure une diversification de la population.
Sans mutation, rares sont les algorithmes qui peuvent converger. Comme son nom
l’indique, elle assure une ouverture.
3. Expliquer le principe de la « swarm intelligence » 2pts
- L'intelligence de l'essaim, ou Swarm Intelligence (SI) fait référence à l'intelligence qui
émerge du comportement collectif des systèmes auto-organisés. Les algorithmes de la SI
sont des méta-heuristiques basées sur des métaphores, souvent inspirées des systèmes
biologiques. En principe, on fait appel, ou on utilise, un ensemble d'agents (l'essaim ou
swarm en anglais ) qui, avec un certain degré de de hasard et en suivant des règles
simples pour interagir entre eux et leur environnement, conduisent à l'émergence d'un
comportement intelligent de l'essaim. On dit que l'essaim s'auto-organise.
4. Quelle est la différence entre la Swarm Intelligence et les Algorithmes évolutionnaires ? 2pts
- Les algorithmes évolutionnaires sont inspirés de l’évolution darwinienne. Ils sont basés
sur des phénotypes (ou génotypes si l’on considère les algorithmes génétiques aussi). Ils
utilisent des opérateurs inspirés de la nature tels que : mutation et croisement. Ils
opèrent sur une population qui peut enfanter des enfants et, par la sélection naturelle,
assure une évolution (tendance à converger).
- Les algorithmes de la Swarm intelligence font appel, ou utilisent, un ensemble d'agents
(l'essaim ou swarm en anglais) qui, avec un certain degré de de hasard et en suivant des
règles simples pour interagir entre eux et leur environnement, conduisent à l'émergence
d'un comportement intelligent de l'essaim. On dit que l'essaim s'auto-organise.
5. Expliquer les différentes étapes de l’algorithme TLBO ? Quel est son point de force ? 2pts
- Le TLBO a 2 phases :
1- phase d’enseignement dans laquelle un enseignant, Xg, essaye d’améliorer la moyenne
globale de la calasse par le modèle suivant
2- phase d’apprentissage ou des apprenants : dans laquelle les élèves interagissent pour
échanger les informations reçues. Et ceci par le modèle suivant
- Le TLBO n’utilise aucun paramètre d’autre que N (taille de la population )
Code et Implémentation des Algorithmes *** (5 pts)
1- La mutation en algorithmes génétiques est donnée par le code1 en bas de la page : 2.5 pts
- Expliquer le rôle de chaque variable : i, j, N, D, R, Pm, enf et rand
- i : ième individu
- j= jième gène
- N : taille de la population
- D : dimension du problème
- R : Rayon de mutation
- Pm : probabilité de mutation
- end : population d’enfants
Bonne chance
L. TIGHZERT
Examen UED 212
- rand : nombre aléatoire uniforme
- Quel est le rôle de 0.5 ?
- 0.5-rand permet à la mutation d’avoir des valeurs négatives et positives.
2- La mutation dans l’algorithme DE/rand/1 est donnée par Code 2 en bas de la page. 2.5 pts
- Donner le code de la mutation DE/best/1 en s’inspirant du code2
Pop_m=[];
for i=1:N
F=0.65+0.1*rand(1,D);
j=randi(N);
Pop_m(i,:)= Pop(i,:) +
F.*(best - Pop(j,:));
end
- Expliquer le rôle de chaque variable utilisée
- Pop_m : population des vecteurs mutants
- i : ième individu
- F : facteur de mutation
- j : jème individu sélectionné au hasard
- randi : génère un nombre aléatoire entier
- Pop : population
- N : taille de la population
Code1 : Mutation en GA Code 2 : Mutation DE/rand/1
for i=1:N Pop_m=[];
for j=1:D for i=1:N
if rand<Pm F=0.65+0.1*rand(1,D);
enf(i,j)=enf(i,j)+ R*(0.5-rand); j=randi(N);
end k=randi(N);
end Pop_m(i,:)= Pop(i,:) +
end F.*(Pop(j,:) - Pop(k,:));
end
Bonne chance
L. TIGHZERT
