Algorithmes génétiques : un croisement adapté aux fonctions partiellement séparables

Résumé : Dans cet article, nous proposons une méthode de croisement pour résoudre des problèmes d'optimisation globale comportant un grand nombre de variables et dont la fonction d'évaluation peut se décomposer en une somme de fonctions ne faisant pas intervenir toutes les variables. Cette méthode de croisement nécessite l'introduction d'une ''fitness locale'' associée à chaque variable et d'un paramètre d'incertitude Delta qui permet de moduler le déterminisme de l'opérateur. Cet opérateur de croisement, utilisé avec une méthode de sharing et de recuit simulé rend les algorithmes génétiques très efficaces pour minimiser des problèmes comportant beaucoup de variables ou fortement combinatoires, tels que la minimisation d'un polynome de grande taille ou la résolution du problème du voyageur de commerce.