Scribd
Importer
60 vues2 pages

Algorithme génétique pour optimiser f(x,y)

L'algorithme génétique implémenté cherche à maximiser la fonction f(x,y) = x^2 + y^2 en utilisant une population aléatoire, une sélection par tournoi, un croisement et une mutation. Les paramètres incluent la taille de la population, les limites pour x et y, le nombre de générations et le taux de mutation. Le résultat final est la meilleure combinaison de x et y trouvée après les itérations.

Transféré par

MOHAMMED BOUKANTAR
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats DOCX, PDF, TXT ou lisez en ligne sur Scribd
60 vues2 pages

Algorithme génétique pour optimiser f(x,y)

L'algorithme génétique implémenté cherche à maximiser la fonction f(x,y) = x^2 + y^2 en utilisant une population aléatoire, une sélection par tournoi, un croisement et une mutation. Les paramètres incluent la taille de la population, les limites pour x et y, le nombre de générations et le taux de mutation. Le résultat final est la meilleure combinaison de x et y trouvée après les itérations.

Transféré par

MOHAMMED BOUKANTAR
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats DOCX, PDF, TXT ou lisez en ligne sur Scribd

Python 2 :

2. Algorithme génétique pour l'optimisation d'une fonction

Énoncé :

Implémenter un algorithme génétique pour trouver les valeurs de xxx et yyy maximisant la
fonction f(x,y)=x2+y2f(x, y) = x^2 + y^2f(x,y)=x2+y2 dans une plage donnée.

Solution :

python
Copier
import numpy as np

# Fonction à optimiser
def fitness(x, y):
return x**2 + y**2

# Initialisation de la population
def create_population(pop_size, x_bounds, y_bounds):
population = []
for _ in range(pop_size):
x = np.random.uniform(*x_bounds)
y = np.random.uniform(*y_bounds)
population.append((x, y))
return population

# Sélection par tournoi


def select(population):
tournament = np.random.choice(population, size=5)
best = max(tournament, key=lambda ind: fitness(ind[0], ind[1]))
return best

# Croisement (crossover)
def crossover(parent1, parent2):
child1 = (parent1[0], parent2[1])
child2 = (parent2[0], parent1[1])
return child1, child2

# Mutation
def mutate(individual, mutation_rate, x_bounds, y_bounds):
if np.random.rand() < mutation_rate:
x = np.random.uniform(*x_bounds)
y = np.random.uniform(*y_bounds)
return (x, y)
return individual

# Algorithme génétique
def genetic_algorithm(pop_size, x_bounds, y_bounds, generations,
mutation_rate):
population = create_population(pop_size, x_bounds, y_bounds)

for gen in range(generations):


new_population = []
for _ in range(pop_size // 2):
parent1 = select(population)
parent2 = select(population)
child1, child2 = crossover(parent1, parent2)
new_population.append(mutate(child1, mutation_rate, x_bounds,
y_bounds))
new_population.append(mutate(child2, mutation_rate, x_bounds,
y_bounds))
population = new_population

best_individual = max(population, key=lambda ind: fitness(ind[0],


ind[1]))
return best_individual

# Paramètres de l'algorithme
pop_size = 100
x_bounds = (-10, 10)
y_bounds = (-10, 10)
generations = 1000
mutation_rate = 0.1

best = genetic_algorithm(pop_size, x_bounds, y_bounds, generations,


mutation_rate)
print(f"Meilleure solution trouvée : x = {best[0]}, y = {best[1]}, f(x, y)
= {fitness(best[0], best[1])}")

Explication :

 L'algorithme génétique est utilisé pour maximiser une fonction.


 Il comprend la création d'une population aléatoire, la sélection par tournoi, le
croisement (crossover) et la mutation.
 L'objectif est de trouver la combinaison de xxx et yyy qui maximise f(x,y)f(x, y)f(x,y).

Vous aimerez peut-être aussi