Voyons quels sont les comportement des meilleurs individus à différentes générations La génération 1 fut la 1re génération crée aléatoirement Le meilleur score moyen fut de - 81, voyons pourquoi. Voici le comportement de cette stratégie pour cet environnement particulier L'individu bouge vers le bas et se cogne contre le mur Et se recogne contre le mur et encore. Vous devinez qu'il va passer le reste de sa vie à se cogner contre le mur noté -15 chaque fois qu'il se cogne au mur. Bien sur il aura différents scores en fonction de l'environnement mais obtiendra un score moyen très faible A la génération 10 le meilleur score moyen sera monté a 0 C'est meilleur que -81. Alors que fait l'individu ? Voila sa stratégie dans cet environnement particulier En fait il ne fait rien, il reste sur place et ne se cogne donc contre aucun mur, ni autres maladresses et obtient ainsi un score de 0 Bon ce n'était pas très malin mais il a obtenu un score meilleur que d'autres individus de cette population et donc pourra répandre sa méthode plus que d'autres individus de sa génération A la génération 200, la pertinence a grimpé a 240 pour les meilleurs individus. Voyons celui ci. Il bouge vers le bas, ne ramasse pas la boite, bouge encore vers le bas et la, ramasse la boite puis remonte vers le haut, ramasse la boite puis va bouger tout en bas, jusqu'à la dernière boite et va toutes les ramasser. Celui agit bien mieux que le précédent Ou que celui de la génération 0 bien sur, puisque nous sommes à la génération 200 Mais cet individu ramasse des boite d'une manière encore inefficace puisque son score n'est que de 60. A la génération 1000, qui est la derniere programmée, la pertinence est de 492 en moyenne. Voici comment a agi cet individu Il descend vers le bas en ramassant systématiquement les boites. Rappelez vous ma stratégie qui disait : "Si vous avez une boite, ramassez la. Sinon allez vers la boite sur le carré adjacent, ramassez la, et ainsi de suite" Celui la va systématiquement tout en bas puis tout en haut, de façon plus sytématique que ma stratégie C'est une des améliorations par rapport à ma stratégie, mais il y a une autre amélioration, qui m'a bien surprise, une innovation due à l'algorythme génétique. Pour expliquer pourquoi l'algorythme génétique a surpasser ma stratégie j'ai comparé les comportement des deux stratégies dans de nombreux environnements différents. Voici un environnement particulier dans lequel il s'est tenu. Voici Robby au milieu d'un groupe de boites, et ma stratégie dit ramasse la boite et bouge vers une case adjacente ayant une boite, ramasse la et ainsi de suite. Mais ici il y a une boite dans 2 cases adjacentes donc prends en une au hasard. Il décide de bouger a l'ouest. OK, il prend la boite, mais maintenant, puisqu'il ne peut pas voir au dela d'un carré Il ne peut pas voir cette boite la bas. et comme il n'a pas de mémoire il a perdu toute information à propos de cette boite et est coincé, perdu.. Mais l'algorythme génétique a envisager une manière de se sortir de ce problème Et voici comment. L'algorythme génétique dit ne ramasse pas la boite, il l'enjambe et va vers l'ouest, maintenant il ramasse cette boite et maintenant puisqu'il n'a pas ramassé cette boite il a devant lui un chemin de boites pour revenir vers le groupe de boites. Robby n'a pas de mémoire en lui même mais l'algorythme génétique a inventé cette sorte de mémoire externe en laissant les boites ici et en faisant revenir le robot pour les ramasser. C'est assez ingénieux et un bon exemple de comment l'algorythme génétique a créer une tactique à laquelle je n'avais pas pensé et qui est meilleure que la mienne. Robby le robot est un exemple simple que j'ai mis au point juste pour enseigner aux gens comment fonctionne un algorythme génétique. mais il montre bien quelques intéressants principes généraux de l'évolution qui sont souvent rencontrés avec les algorythmes génétiques. Nous allons donc les énumérer : D'abord que la sélection naturelle fonctionne. Nous sommes parti d'un ensemble de stratégies qui fonctionnaient assez mal et juste en utilisant cette sorte de sélection naturelle inspirée de la sélection naturelle darwinenne l'algorythme génétique a évolué vers une presque parfaite stratégie Puis, l'évolution de notre stratégie a semblé passer par des périodes de stagnation, avec des pertinences de meme niveau, ponctuées par des périodes d'innovations rapides. C'est quelque chose que l'on voit aussi dans l'évolution biologique, l'évolution cellulaire, des virus ou des bactéries, jusqu'aux évolutions à grande échelle que l'on voit dans les fossiles même si cela est un peu controversé. En général nous pouvons montrer que dans les algorythmes génétique ce genre d'évolution est assez commune même sans causes extérieurs impliquées dans ces évolutions rapides. Et je rajouterais qu'en évolution biologique cette sorte de phénomene est appelé "équilibre ponctuel". Un autre principe est que le phénomene d'exaptation est commun. Exaptation veut dire : mutation dans la fonction d'une caractéristique durant l'évolution. Nous l'avons vu se dérouler dans la caractéristique qui faisait que le robot ne ramasse pas la boite mais l'enjambe. Vous l'avez donc vu arriver a la génération 240 et après la version inefficace de la stratégie quand le robot n'avait pas le temps de ramasser toutes les boites. Cela a été permis par l'évolution crée par l'algorythme génétique qui en a fait une caractéristique efficiente comme nous l'avons vu lorsque nous avons comparé ma stratégie et celle de l'algorythme génétique Cette caractéristique a donc été façonnée par l'évolution qui l'a fait évoluer d'une caractéristique non adaptée à une caractéristique très adaptée comme nous le voyons aussi dans l'évolution biologique. Finalement la dynamique et les résultats de l'évolution sont assez inprévisibles et difficiles à analyser, même dans ces modèles très simples d'évolution Cela demande beaucoup de travail pour comprendre quels sont les résultats de l'évolution et pourquoi ils sont adaptés, comment ils évoluent, car les algorythmes génétiques sont imprévisibles et très difficiles, quelquefois impossibles, à analyser