Sujets d'examen 2014
Présentation orale le jeudi 26 juin 2014, 8:30 – 11:45
Règle du jeu :
L'évaluation peut se faire par l'intermédiaire d'un projet ou d'une recherche bibliographique. Il vous est demandé de faire une présentation orale, donnant votre analyse du sujet, ainsi que toutes les références et pointeurs dont vous vous êtes inspirés (à la façon d'une partie « état de l'art » d'un papier de recherche).
La notation tiendra compte de la qualité du travail de recherche bibliographique et d'analyse, ainsi que de la présentation et de la participation aux discussions sur les autres présentations.
En cas de problème, vous pouvez contacter Alberto.Tonda@grignon.inra.fr ou Evelyne.Lutton@grignon.inra.fr
Sujets
Un article ou pointeur de départ est donné par sujet, il faut effectuer une recherche bibliographique en utilisant des outils de recherche standards (google, google scholar, ou Citeseer, par exemple).
1. Evolution du second degré
The RBF-Gene model, Virginie LEFORT, Carole KNIBBE, Guillaume BESLON, Joel FAVREL
2. Applications de la PG en robotique
Automatic Programming of Robots using Genetic Programming (1992), John R. Koza, Proceedings of Tenth National Conference on Artificial Intelligence
Genetic Programming & Dancing Robots
3. Auto-adaptation
Self-Adaptation in Genetic Algorithms (1992) Thomas Bäck
4. Coévolution et coopération
The Artificial Evolution of Cooperation (1995), Nicolas Meuleau, Claude Lattaud, Artificial Evolution
Coevolution tutorial, CEC 2005, Elena Popovici, R. Paul Wiegand
5. Analyse des approches bio inspirées pour résoudre le TSP (problème du voyageur de commerce).
A Comparison of Nature Inspired Heuristics on the Traveling Salesman Problem (2000)
by Thomas Stützle , Andreas Grün , Sebastian Linke , Marco Rüttger, Proceedings of PPSN-VI, Sixth International Conference on Parallel Problem Solving from Nature, volume 1917 of LNCS
6. Analyse théorique des fitness landscapes.
Genetic Algorithms, their Operators and the NK Model (2001) Seamus Hill, Colm O'Riordan
Difficulty of Unimodal and Multimodal Landscapes in Genetic Programming . L. Vanneschi, M. Tomassini, M. Clergue, P. Collard. GECCO 2003.
7. "The no free lunch theorem" : article initial de Wolpert & Mac Ready, plus les successeurs.
WOLPERT, David H. and William G. MACREADY, No Free Lunch Theorems for Optimization, IEEE Transactions on Evolutionary Computation, 1 (1997), 67-82.
8. Régression symbolique : quelles sont les différentes techniques, contraintes, performances, applications réelles.
Simple Symbolic Regression Using Genetic Programming à la John Koza
http://alphard.ethz.ch/gerber/approx/default.html
http://www.genetic-programming.org/
Distilling free-form natural laws from experimental data (Eureqa)
9. Grammatical evolution : ce que c'est, et à quoi ca sert.
Ryan C., Collins J.J., O'Neill M. Grammatical Evolution : Evolving Programs for an Arbitrary Language. Lecture Notes in Computer Science 1391. First European
Workshop on Genetic Programming 1998.
10. Optimisation de structures mécaniques par évolution artificielle.
A comparison of evolutionary algorithms for mechnaical design components.
Laurence GIRAUD-MOREAU and Pascal LAFON
11. Techniques d'optimisation par colonies de fourmis pour la classification.
Web Page Classification with an Ant Colony Algorithm, Nicholas Holden and Alex A. Freitas, Computing Laboratory, University of Kent Canterbury.
12. Techniques évolutionnaires multiobjectif (approximation de fronts de Pareto).
List of References on Evolutionary Multiobjective Optimization
13. Applications artistiques des techniques évolutionnaires.
Artificial Evolution for Computer Graphics Karl Sims, Computer Graphics, 25(4), July 1991, pp. 319-328
14. Lutte contre le bloat en PG
J. Stevens, R. Heckendorn, T. Soule, Exploiting Disruption Aversion to Control Code Bloat , Gecco05
15. PG sur GPU
Genetic programming on graphics processing units, Denis Robilliard, Virginie Marion-Poty, Cyril Fonlupt
Evolutionary computation with GPUs
16. Initialisation de la population en PG
Two Fast Tree-Creation Algorithms for Genetic Programming Sean Luke
17. Diploïdie
On the design of diploid genetic algorithms for problem optimization in dynamic environments.
18. Importance des générateurs aléatoires
Random generator quality and GP performance.
Erick Cantu-Paz, On Random Numbers and the performance of Genetic Algorithms, Proceedings of the Genetic and Evolutionary Computation Conference, Pages 311 - 318, 2002.
19. Design interactif
Interactive evolutionary computation: Fusion of the capabilities of EC optimization and human evaluation
Integrated Qualitativeness in Design by Multi-Objective Optimization and Interactive Evolutionary Computation
20. Visualisation d'algorithmes génétiques
Genetic Algorithm Viewer 1.0
"EAVis: A Visualization Tool for Evolutionary Algorithms"