Université de Strasbourg
FUN MOOC
date_range Inicia em 4 de maio de 2015
event_note Termina em 28 de junho de 2015
list 8 sequencias
assignment Nível: Introdutório
chat_bubble_outline Idioma: Francês
card_giftcard 256 pontos
Avaliações
-
starstarstarstarstar

Informações principais

credit_card Free accesso
verified_user Certificado gratuito
timer 32 total de horas

Sobre o conteúdo

Les algorithmes évolutionnaires (algorithmes génétiques, stratégies d’évolution, programmation génétique) sont parmi les meilleurs algorithmes actuels d’optimisation approchée. Ils sont de plus en plus utilisés dans l’industrie pour leur performance et leur capacité à trouver rapidement de bonnes solutions à des problèmes difficiles, mal posés, multi-critères et pour leur capacité à exploiter des ordinateurs parallèles, massivement parallèles et des écosystèmes de calcul potentiellement hétérogènes.

De nombreux problèmes sont “difficiles”, au sens où l’on ne leur connaît pas de solution simple et malheureusement, cela concerne de nombreux problèmes industriels (optimisation de tournées pour livrer des colis, comment tailler des diamants pour minimiser les pertes, comment trouver le modèle mathématique d’un aéronef, comment trouver des lois de commandes prédictives, comment trouver des solutions à des problèmes inverses, ...). En mécanique des fluides, par exemple Navier, Stokes (et Barré de Saint-Venant) ont réussi à trouver des équations permettant de décrire le comportement de particules dans un gaz peu dense. Ces équations (gourmandes en temps de calcul) peuvent être utilisées pour déterminer la portance et la traînée d’un profil d’aile d’avion mais ce qu’on souhaiterait typiquement obtenir, c’est l’inverse : quel profil d’aile d’avion permettrait de faire décoller un nouvel avion de ligne à, disons 250km/h ?

Et bien on ne peut malheureusement pas utiliser ces équations à l’envers. Le seul moyen de trouver un profil permettant de faire décoller l’avion de ligne à 250km/h consiste à dessiner un profil, puis utiliser les équations de Navier-Stokes dans le sens “direct” pour déterminer la portance (et la traînée) du profil que l’on essaie. Si les résultats ne sont pas ceux que l’on attend, il faut recommencer l’opération (essayer un autre profil) et évaluer à nouveau, dans un processus essai-erreur où l’expérience du concepteur est alors prépondérante.

Essayer tous les profils d’aile d’avion réalisables est impossible : il y en a trop. C’est pareil dans le cas d’un problème d’optimisation de tournées : c’est un problème connu sous le nom du “Voyageur de Commerce” et qui fait partie de la classe des problèmes NP-Complets sujets à des explosions combinatoires, pour lesquels on arrive vite à des limites faisant qu’il est impossible de trouver la tournée optimale de manière déterministe.

Que faire alors ? Une recherche aléatoire (appelée pudiquement “Monte-Carlo”) est souvent utilisée par les industriels mais c’est une approche frileuse car n’écartant volontairement aucune des solutions possibles avec des résultats mathématiquement liés au nombre d’essais effectués. On est sûrs de trouver la solution optimale si l’on fait un nombre infini d’essais.

L’approche présentée dans ce MOOC est celle de l’évolution artificielle. C’est une approche inspirée de la nature qui a l’avantage de bien équilibrer l’exploitation de bonnes solutions trouvées tout en garantissant qu’on continuera à explorer de nouvelles solutions pour le meilleur compromis EvE : Exploitation versus Exploration.

Dans cette approche, on décide délibérément de s’éloigner d’une recherche aléatoire dans l’espoir de trouver de bonnes solutions plus vite qu’avec une méthode de Monte Carlo, au prix du risque de passer à côté de la meilleure solution possible.

  • Les participants qui ne savent pas programmer auront compris le fonctionnement des algorithmes évolutionnaires et sauront quand et comment les utiliser pour résoudre des problèmes industriels.
  • Les participants qui savent déjà programmer en C ou C++ sauront mettre en œuvre des algorithmes évolutionnaires capables d'optimiser des problèmes continus, discrets et combinatoires ainsi que des expressions de fonctions approximant des données. Pour les problèmes multi-objectifs, ils sauront comment les résoudre.

more_horiz Ler mais
more_horiz Ler menos
report_problem

Pré-requisito

Bac scientifique et pour ceux qui désireraient mettre en oeuvre un algorithme évolutionnaire : programmation en C/C++ dans le cadre de la plateforme EASEA (ce qui implique un ordinateur sous linux et l’installation de la plateforme EASEA sur cet ordinateur).

dns

Programa de estudos

Chapitre 0 : Introduction au MOOC

Chapitre 1 : Introduction aux problèmes d'optimisation

Chapitre 2 : Algorithmes évolutionnaires

Chapitre 3 : Plateforme EASEA

Chapitre 4 : Algorithmes génétiques, stratégies d'évolution, programmation génétique

Chapitre 5 : Proposition de projet

Chapitre 6 : Optimisation multi-critères

Chapitre 7 : Parallélisation

Chapitre 8 : Conclusion

record_voice_over

Instrutores

Pierre Collet
Pierre Collet est Professeur à l’Université de Strasbourg dont il dirige le département d’informatique depuis 2011. Il a été trésorier de l’association Evolution Artificielle de 2001 à 2003 puis président de cette association de 2003 à 2008. Il a présidé les conférences internationales EA’01, EuroGP’06 et a co-organisé de nombreuses autres conférences internationales sur le sujet. Il a co-organisé la première école d’été sur l’évolution artificielle en 2006 et vient de publier un livre avec Shigeyoshi Tsutsui sur l’implémentation d’algorithmes évolutionnaires sur cartes GPGPU, ordinateurs massivement parallèles et écosystèmes de calcul.

store

Criador do conteúdo

L'Université de Strasbourg, c'est près de cinq siècles d'histoire, des noms illustres, un patrimoine riche, une situation européenne. L'université c'est aussi plus de 43 000 étudiants accueillis chaque année dont 20% d'étudiants étrangers, 4600 enseignants chercheurs et personnels, 38 unités de formations et recherches, 79 unités de recherche. Des chiffres imposants qui font de l'Université un espace riche et multiple que ce soit dans l'offre de formation pluridisciplinaire et la recherche comme dans l'offre culturelle et patrimoniale. Une université comme cadre de vie.

S'appuyant sur tous les domaines du savoir, elle entend mener une politique innovante en termes de formation initiale et continue, de recherche, d'insertion professionnelle de ses étudiants tout en jouant un rôle majeur au cœur de la cité et sur la scène internationale
Première université de France à s’être dotée d’un schéma Directeur Numérique, l’Université de Strasbourg a placé le numérique au cœur de son développement stratégique, et ce depuis la création de l’université fusionnée en 2009.

Le développement des dispositifs et des usages du numérique qui en a résulté est la marque de cette politique ambitieuse et volontariste en soutien à la formation, à la recherche et plus globalement au bon fonctionnement de l’établissement.
La diversité des services qui sont proposés est le fruit du travail soutenu des équipes de la Direction informatique et de la Direction des usages du numérique au service des enseignants-chercheurs, des personnels et des étudiants de l’Université de Strasbourg.

assistant

Plataforma

France Université Numérique est le diffuseur des cours en ligne des établissements d’enseignement supérieur français et de leurs partenaires.

Il opère plusieurs plateformes de diffusion, dont la plus connue, FUN MOOC, est la première plateforme académique francophone mondiale. Grâce à de nombreux établissements partenaires, cette plateforme propose un vaste catalogue de cours s’enrichissant de jour en jour avec des thématiques variées et d’actualité.
 

Você é o criador deste MOOC?
Qual a sua apinião sobre esse recurso?
Conteúdo
0/5
Platforma
0/5
Didática
0/5