Les Algorithmes Gntiques pour lOptimisation Multiobjective' Application: Slection de Caractristiques

1
Les Algorithmes Génétiques pour lOptimisation
Multi-objective.Application Sélection de
Caractéristiques pour la Reconnaissance de
lÉcriture Manuscrite.
MGC800 Analyse de Faisabilité et Optimisation

• Marisa Morita et Luiz S. Oliveira
• Montréal, 27/07/2002

2
Plan

• Introduction.
• Les algorithmes génétiques.
• Loptimisation multi-objective.
• Definition.
• Les apprôches classique et Pareto.
• La reconnaissance de lécriture manuscrite.
• Expériences.
• Conclusion.

3
Introduction

• Le problème
• Identifier le meilleur sous-ensemble de
  caractéristiques pour représenter une forme
  donnée.
• Interdépendance deux ou plusieurs
  caractéristiques jumelées comportent une
  information importante.
• Porquoi les algorithmes génétiques?
• Permet une optimisation multi-objective.
• Efficacité dans la recherche de grands espaces
  (2N ou N est le nombre de caractéristiques).

4
Les Algorithmes Génétiques

• Algorithme de recherche direct basé sur des
  mécanismes d'évolution biologique.
• Développé par J. Holland (University of Michigan,
  70s).
• Technique efficace pour loptimisation.
• Utilisé couramment dans le milieu des affaires et
  les cercles scientifiques.

5
Le Cycle dun Algorithme Génétique
6
Operations Basiques

• Codage.
• Binaire ou réel.
• Basé sur des operations de copie et
  concatenation de chaînes.
• Selection.
• Crossover.
• Mutation.
• Évaluation de Fitness (Fonction objective).

7
LOptimisation Multi-objective

• Définition
• Des objective associés avec un nombre de
  contraintes d'inégalité et d'égalité.
• Les solutions peuvent être exprimées en terme de
  points non-dominé ou supérieures.

Le problème de Minimisation.
8
LOptimisation Multi-objective

• Lapprôche classique
• Des fonctions objectives multiples sont combinées
  dans une fonction objective globale F(x).
• Le AG simple.

Sensibilité vers les poids
9
LOptimisation Multi-objective

• Lapprôche Pareto.
• Utilise la dominance de Pareto pour déterminer la
  reproduction.
• Ranking by fronts.

10
Non-dominated Sorting GA (NSGA)

• Semblable à un GA simple.
• La selection est basée sur le concept de
  non-domination
• Il assigne le rank 1 aux individus non-dominés.
  
• Enlève les individus dèja classés.
• Trouvez un nouvel ensemble de solutions
  non-dominées (rank 2).
• Et ainsi de suite.

11
La Reconnaissance de lÉcriture Manuscrite

• Il a été essayé dans plusieurs domaines
• Chèques bancaire, codes postaux, fiches de
  recensement
• Il doit traiter la diversité des modèles
  d'écriture

12
La Sélection de Caractéristiques

• Très important pour établir un bon système de
  reconnaissansse.
• Le problème de loptimisation multi-objective
• Minimiser
• Nombre de caractéristiques.
• Taux derreur du système.
• Problème complexe
• Lespace de recherche 2132.
• Interdépendance entre les caractéristiques.

13
Expériences

• Lapprôche classique
• Présente une convergence prématurée dans une
  région spécifique au lieu de maintenir une
  population variée.

14
Expériences

• Lapprôche Pareto
• Converge près du Pareto-optimal.

15
Résultats
Le solutions non-dominées (Pareto-optimal)
Nombre de caractéristiques et Taux de
Reconnaissance
16
Conclusion

• Les algorithmes génétiques multi-objective pour
  la sélection de caractéristiques.
• Lensemble de caractéristiques a été réduit
  denviron 40.
• Ce genre de stratégies a été appliqué dans
  plusieurs secteurs.
• www.lania.mx/ccoello/EMMO.

17
Merci!
18
Sélection

• Roulette Russe

19
Crossover

• One-point crossover

20
Mutation

• Mutation de Bit (Bit-flip Mutation)