La programmation génétique (GP) est une variante des algorithmes
génétique qui manipule des programmes. Elle a notamment été utilisée
pour apprendre des expressions décrivant des structures en réseau
(circuits analogiques, réseaux de neurones artificiels).
Pour restreindre intelligemment l'immense espace de recherche, on peut
représenter les connaissances du domaine par des grammaires génératives
fournies a priori.
Par ailleurs, de récents développements des algorithmes génétiques (les
algorithmes à Estimations de
Distribution) consistent à rechercher non plus une solution au
problème d'optimisation initial, mais une distribution sur l'espace de
recherche qui se concentrerait dans les zones intéressantes - contenant
les solutions.
Transposés à la programmation génétique, ces algorithmes consistent à apprendre un modèle grammatical génératif stochastique. L'un des objectifs est alors de favoriser l'émergence de modules réutilisables pour rendre plus efficace la recherche d'une bonne solution. Un tel algorithme se décompose dès lors comme suit :
Les grammaires généralement utilisées dans ce contexte sont des grammaires non-contextuelles paramétrées, où les paramètres ont un lien avec le contexte d'application des règles de production (par exemple, la profondeur dans l'arbre de dérivation). En partant des derniers développements sur ce sujet, l'idée principale de ce stage est d'appliquer des méthodes d'apprentissage pour généraliser sur les paramètres, et pouvoir ainsi maintenir un nombre raisonnable de règles.
Le sujet de ce stage est :
Responsables : | Samuel Landau, Stéphane Doncieux et Marc Schoenauer |
Laboratoire : | Laboratoire de Recherche en Informatique (L.R.I.), CNRS UMR 8623 |
Adresse : | Université de Paris-Sud, 91405 Orsay Cedex |
Mails : | samuel.landau at lri.fr stephane.doncieux at lip6.fr marc.schoenauer at lri.fr |
URLs : | la proposition de stage, SFERES |