Algorithmes évolutionaires, apprentissage incrémental et reconnaissance des formes

《进化计算》（《Evolutionary Computations》）是《计算智能》（《Computational Intelligence》）领域的新兴技术。在一个确定性问题的背景下，这些问题在个体人口的话语中，在一个受达尔文理论启发的自然选择过程和一个操作系统中，具有一致的基本要素，即细胞遗传学的交叉和突变。选择过程产生了一种新的个人生成方式，这种方式是通过操作生成的，或者是通过结合创造新的个人来实现的，这种方式使人们对最优秀的人有了更高的期望。在逐步增加的情况下，假设明确地说，所有的données都要为l 'prostissage n' est pas totalement disponible a priori服务。该系统不包括增加的因素，这是Au fur和mesure que de nouvelles données deviennent disponibles。他在Au fil du temps的时候表演得很好，但迈斯没有重新开始系统的零距离训练。其方法是：1）不需要对所有的知识进行记忆就可以获得新的知识; 2）在可能的方法中，保持对新的知识的估计，使其不直接与旧的知识相冲突; 3）接受新的知识类别（形式类别），使其不被观察到。为此，我们提出了基于进化算法的新方法论，以解决在不断增长的空间结构背景下的形式识别问题。

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.