Nouveautés du 10 décembre 2019

Les algorithmes génétiques, ou algorithme « évolutionnistes », s’inspirent de l’évolution des espèces et de la sélection naturelle pour apporter des solutions à des problèmes d’optimisation (comme dans le cas de la sectorisation d’un territoire : « comment créer N secteurs équilibrés à la fois en nombre de clients et en nombre de prospects et cohérents géographiquement). Ils s’apparentent au Machine Learning, puisqu’il s’agit d’algorithmes « apprenants », qui optimisent leurs résultats au fil de leurs exécutions successives.

Pour mieux comprendre et illustrer les algorithmes génétiques, regardons de manière succincte ce que nous dit Darwin :

• L’évolution des espèces est issue de mutations génétiques aléatoires (exemple : une couleur de pelage différente par rapport à l’ensemble de l’espèce).
• Parfois, ces mutations génétiques aléatoires donnent un avantage compétitif aux individus (exemples : une couleur de pelage différente, qui leur permet de mieux se cacher dans leur environnement) par rapport à leurs semblables
• Ces avantages compétitifs leur permettent de mieux survivre (exemple : en se cachant mieux, ils évitent plus leurs prédateurs, deviennent de meilleurs chasseurs, etc.) et de se reproduire plus : c’est la sélection naturelle.
• Ainsi, ces mutations génétiques inhabituelles mais « plus compétitives » tendent à se généraliser à l’ensemble de l’espèce au fil des générations.

En s’inspirant de cette idée, les algorithmes génétiques :

• Génèrent une « population » de solutions de départ (par exemple : 1000 versions différentes d’une sectorisation d’un territoire), plus ou moins aléatoires ou soumises à des contraintes déjà identifiées.
• Soumettent ces solutions de départ à des tests (par exemple des objectifs à atteindre sur l’équilibre en nombre de clients, de prospects, sur la distance maximale à parcourir, sur la compacité, la cohésion géographique, etc.)
• Conservent uniquement les meilleures solutions (celles qui sont les plus proches des objectifs et contraintes fixés)
• Génèrent une nouvelle « génération » de solutions à partir de croisements/mutations entre les meilleures solutions de la génération précédente (de nouvelles versions de la sectorisation d’un territoires, mais plus proches de l’objectif que la génération précédente)
• Répètent ce processus de sélection/mutation sur plusieurs génération jusqu’à aboutir à un ensemble de solutions « optimum »

Les algorithmes génétiques sont une des méthodes utilisées dans le domaine de l’Intelligence Artificielle (IA). Appliqués à la sectorisation d’un territoire, ils permettent d’obtenir des solutions optimisées même lorsque les contraintes sont complexes.