Algorithmes évolutionaires, apprentissage incrémental et reconnaissance des formes

点击翻译按钮获取中文摘要

Les algorithmes évolutionnaires («Evolutionary Computations») sont des techniques émergentes dans le domaine de l'intelligence à base de calcul («computational intelligence»). Dans le contexte d'un problème déterminé, elles consistent essentiellement à faire évoluer un ensemble de structures de données représentant des solutions pour ce problème, on parle de population d'individus, grâce à un processus de sélection naturelle inspiré de la théorie de Darwin et d'une série d'opérateurs, tels les croisements et les mutations, inspirés de la génétique cellulaire. Le processus de sélection engendre une nouvelle génération d'individus alors que les opérateurs génétiques transforment ou combinent ceux-ci pour créer de nouveaux individus que l'on espère meilleurs que leurs prédécesseurs. En apprentissage incrémental, on suppose explicitement que l'ensemble des données devant servir à l'apprentissage n'est pas totalement disponible a priori. Le système doit donc apprendre de façon incrémentale, c'est-à-dire au fur et à mesure que de nouvelles données deviennent disponibles. Il doit améliorer ses performances au fil du temps, mais sans recommencer systématiquement son apprentissage à partir de zéro. Il doit donc être en mesure de: 1) acquérir de nouvelles connaissances sans requérir la mémorisation de toutes les données d'apprentissage; 2) retenir ce qu'il a appris précédemment, dans la mesure du possible, tant que les nouvelles connaissances n'entrent pas en conflit direct avec les anciennes; et 3) accepter de nouvelles catégories de connaissances (classes de formes), qu'il n'a jamais observées auparavant. Pour cette recherche, nous proposons de développer de nouvelles approches méthodologiques basées sur les algorithmes évolutionnaires pour résoudre des problèmes de reconnaissance des formes dans un contexte d'apprentissage incrémental.