• Optimisation

La simulation comportementale a besoin d'outils adaptatifs, d'apprentissage, d"évolution et d'optimisation. Ces outils reposent sur les algorithmes génétiques.
Les problèmes d'optimisation abordés sont complexes et nécecissitent donc d'être traités par des métaheuristiques qui, contrairement aux algorithmes déterministes, apportent de plus souvent des solutions. Parmi ces outils d'optimisation, notre choix s'est porté sur les algorithmes évolutionnistes et en particulier les algoritmes génétiques.

• L'optimisation par algorithmes génétiques

Les algorithmes génétiques permettent un bon compromis entre l'exploration et l'exploitation d'un grand espace de recherche. Ils n'ont de contraintes de continuité ni sur la fonction objectif, ni sur leur dérivée et leur robustesse est une des caractéristiques principales ce qui leur permet de s'appliquer dans beaucoup de domaines.
Les méthodes d'optimisation utilisant des algorithmes génétiques permettent d'apporter des réponses satisfaisantes là où les méthodes classiques d'optimisation échouent face à la dimension de l'espace de recherche des solutions.
Les algorithmes génétiques, basés sur le principe de sélection de Darwin et introduits par Holland font évoluer une population d'individus.
Un individu est doté d'un génome. Ce génome représente les critèes d'un problème à optimiser. Cette évolution se fait à travers plusieurs générations constituées de différentes étapes. Les individus sont d'abord évalués à l'aide d'une fonction d'évaluation appelée fitness qui mesure le dégré d'elitisme d'un individu. Ensuite certains de ces indvidus sont sélectionnés et on leur applique des opérateurs. Il y a deux types d'opérateurs: un opérateur de croisement et un opérateur de mutation. Ils permettent l'émergence d'individus adaptés à leur environnement. Les individus les plus adaptés (the fittest) tendent à survivre plus longtemps et à se reproduire plus aisément.