• Date : Mercredi 8 Avril 1998, de 9h00 à ?h.
• Lieu : Ecole Polytechnique, Palaiseau (91) - Amphi Carnot
• Accès : RER Ligne B, Arrêt Lozere + 15mn à pied (montée raide!) ou
                 RER Ligne B, Arrêt Massy-Palaiseau + bus 91-06 toutes les 15mn
                A cheval ou en voiture: http://www.polytechnique.fr/inf/plan/plan.html

• Possibilité de dormir la veille sur place (125F la nuit).
• Participation aux Frais : 0.00F (Pauses café comprises).
• Remboursement des frais de transport (raisonnables:-) pour les participants universitaires actifs,
  renseignements pratiques: Nathalie Limonta - limonta@cmapx.polytechnique.fr

PROGRAMME

9h00 Accueil (et café).

9h15 Présentation

9h30 Evolution, le debut (le premier pas est le plus long). Michèle Sebag - EEAA-X

11h00 Pause café

11h15 Evolution, la représentation Marc Schoenauer - EEAA-X

12h30 DEJEUNER (Ecole Polytechnique Gastronomique, 50F, desole ...)

14h00 4 exposés de 30mn suivis de 15mn de questions/discussion (avec une petite pause-café vers 15h30).

Ph. Trompette (U. Lyon1) Optimisation hybride de la position de raidisseurs sur une plaque : AG et recherche unidirectionnelle classique.

J.-L. Paris (IFMA) Simulation-optimisation évolutionniste des systèmes de production.

A. Spalanzani (IMAG) Application des algorithmes génétiques pour la robustesse des systèmes de reconnaissance de la parole basés sur les reseaux connexionistes.

Th. Vallee (LEN-C3E) Algorithmes génétiques et la théorie des jeux de Stackelberg. Apprentissage du rôle de leader et applications économiques.

17h00 Discussion (en finissant les restes des pauses-cafeé) :

• Les prochaines JET: contraintes et multi-critères, optimisation combinatoires, méthodes hybrides ...?
• JET theorie à Marseille fin juin.
• Des volontaires pour les organiser ?
• Organisation d'un groupe d'évaluation des logiciels existants.
• Questions diverses.

19h11 Dernier bus pour Massy

0h10 Dernier RER pour Paris (descente a pied à la gare).

RESUME DES EXPOSES.

Ph. Trompette (U. Lyon1)
Optimisation hybride de la position de raidisseurs sur une plaque : AG et recherche unidirectionnelle classique.

On présente les résultats de l'optimisation de la raideur d'une plaque en flexion par recherche de la position optimale de p raidisseurs ; cette optimisation est menée par l'utilisation mixée d'un AG classique et de minimisations unidirectionnelles résultant de l'interpolation quadratique "physique" de 3 positions intéressantes de raidisseurs. Les effets de ce mixage sont analysés par rapport a un AG classique (meilleure stabilité). On examine aussi l'influence de zones d'exclusions dans la repartition des raidisseurs.
Compte tenu de l'experience acquise dans l'utilisation des AG en mécanique des structures on donne quelques réflexions générales sur les problèmes abordables par les techniques heuristiques.

J.-L. Paris (IFMA)
Simulation-optimisation évolutionniste des systèmes de production.

L'évaluation des performances des systèmes de production est un point crucial et complexe. Elle fait intervenir toutes sorte de facteurs étroitement liés qui ne peuvent être étudiés séparément. Pour cela, nous disposons d'un outil efficace : la simulation. Toutefois, les scénarios à évaluer sont beaucoup trop nombreux, c'est pourquoi nous avons couplé à la simulation un module d'optimisation évolutionniste.
La configuration d'un système de production réclame de déterminer des paramètres de différente nature, tels un nombre de postes de travail (type entier), une taille de zone de stockage (type entier), un seuil de sécurité (type réel), des règles de priorité(type qualitatif). De plus, il est également nécessaire de résoudre des problèmes où intervient l'architecture même du système et où il faut par conséquent choisir entre différentes options de conception qui impliquent elles-mêmes la détermination d'autres paramètres ou options. Ce qui génère des problèmes où le nombre de variables de chacune des solutions peut-être différent (le choix d'une option de transport par un convoyeur implique de déterminer la longueur et la vitesse du convoyeur alors que le choix de transport par chariots mobiles implique de déterminer le nombre de chariots, leur capacité, leur vitesse et leur chemin, par exemple). Nous avons donc mis en place une structure de données arborescente où chaque noeud est un choix puis conçu les opérateurs de mutation et de recombinaison adaptés à ces arbres.
Bien qu'efficace, cette approche simulation-optimisation évolutionniste reste relativement lente, surtout si la simulation nécessite des runs longs. C'est pourquoi nous nous sommes orienté vers une approche distribuée sur plusieurs processeurs (huit stations SUN en réseau). Chaque processeur gère sa propre population qu'il évalue avec son propre module de simulation; un opérateur de migration assurant le transfert de "bons" individus d'une population à l'autre a été mis en place.

A. Spalanzani (IMAG)
Application des algorithmes génétiques pour la robustesse des systèmes de reconnaissance de la parole basés en environement changeant.

Les systèmes de reconnaissance ont montré de grandes faiblesses lorsqu'ils sont plongés dans un environnement réel hors laboratoire. Les variations acoustiques de l'environnement (type de bruits, rapport signal à bruit, taux de réverbération, etc.) sont des problèmes difficiles à traiter par un système de reconnaissance. Différentes méthodes ont été utilisées pour diminuer l'influence du bruit : soustraction spectrale, annulation de bruit adaptative, débruitage à l'aide des chaînes de Markov, extraction de caractéristiques robustes, normalisation de l'environnement, apprentissage automatique de nouveaux patterns, etc. En nous inspirant de cette dernière méthode, nous proposons une nouvelle approche basée sur les algorithmes génétiques pour l'adaptation des systèmes de reconnaissance en milieu changeant.

Th. Vallee (LEN-C3E)
Algorithmes génétiques et la théorie des jeux de Stackelberg. Apprentissage du rôle de leader et applications économiques.

Les algorithmes génétiques sont depuis longtemps associés en théorie des jeux aux solutions d'équilibre Nash. Il existe un autre concept d'équilibre, l'équilibre de Stackelberg, où par définition un joueur, le leader du jeu, joue en premier et peut ainsi influencer le jeu vers une solution optimale qui lui est favorable. Toutefois cela présuppose que ce leader connaisse la fonction de réaction du suiveur (i.e. les meilleurs actions du suiveur en réponse à chacune des actions possibles du leader). Dans le cas contraire, une recherche aléatoire est nécessaire. L'exposé va mettre en avant l'utilisation des algorithmes génétiques comme outil de recherche de la solution optimale du leader. De même, dans un cadre de moindre ignorance, les algorithmes génétiques peuvent servir dans une optique de "fine tuning". Des applications économiques seront proposées telles que le problème de taxation optimale d'un monopole pollueur dans un cadre où le gouvernement (leader) ignore les fonctions de coûts du pollueur.