Apprentissage évolutionniste des réseaux neuromimétiques
par Edmund Ronald
Thèse de doctorat en Informatique
Sous la direction de Marc Schoenauer.
Soutenue en 1997
Le président du jury était Jean-Marc Alliot.
Le jury était composé de Moshe Sipper.
Les rapporteurs étaient John R. Koza, Jean-Arcady Meyer, Zbigniew Michalewicz.
mots clés-
Résumé
La ou la retropropagation classique des reseaux neuromimetiques requiert des echantillons d'entrees-sortie, l'apprentissage evolutionniste etudie dans cette these peut s'effectuer des lors qu'est disponible une mesure de la qualite du comportement d'un reseau. La faisabilite de l'apprentissage evolutionniste dans le domaine du controle non-lineaire est demontree dans le context de la mise a quai en marche arriere d'un camion avec remorque. Une etude quantitative plus detaillee examine l'alunissage controle d'un module lunaire ne disposant que d'un combustible limite. Une grande amelioration de la precision du controle est obtenue au moyen d'un changement de topologie de reseau, par ajout d'entrees supplementaires renormalisees. Les poids synaptiques et les pentes des fonctions de transfert des neurones composant le reseau controleur peuvent etre ajustees en meme temps que les coefficients de renormalisation des entrees, aboutissant ainsi a une methodologie de type boite noire, ou le controle nkeuro-genetique peut etre obtenu sans tatonnements de l'operateur. Dans cette etude l'effort de calcul (nombre de generations) requis pour obtenir une precision souhaitee avec une probabilite donnee (par exemple 99%) est presente comme nouvelle metrique, et celle-ci est confrontee avec la metrique plus usuelle portant sur la motenne des meilleurs elements. Ces etudes applicatives sont accompagnees de deux contributions plus theoriques, l'une dans le domaine evolutioniste, l'autre dans le domaine des reseaux : un algorithme inspire de la selection sexuelle de darwin etend l'algorithme genetique usuel par la notion de choix de partenaire reproductif. Cet algorithme dit de selection-seduction permet de realiser une optimisation bi-objectif. Dans le cas du module lunaire ce sera la prise en compte simultanee de la vitesse d'alunissage et de la reserve de combustible. Dans le domaine des reseaux de neurones, l'algorithme du gradient applique dans l'espace des entrees permettra de caracteriser les prototypes de chaque classe reconnue par un reseau classificateur.
-
Titre traduit
Evolutionary neural net training for control
-
Pas de résumé disponible.
