Ce module est une introduction aux algorithmes de recherche stochastique dans les cas discrets et continus. Il abordera les algorithmes de type recherche locale, descente de gradient, optimisation par colonies de fourmis ainsi que les stratégies d’évolution et autres types d’algorithme évolutionnaires. Il mettra l’accent sur l’algorithmique de ces approches, les liens qui existent entre elles ainsi qu’à l’évaluation de leurs performance sur différents problèmes d’intelligence artificielle avec des outils statistiques. Au cours du module, ces algorithmes seront mis en œuvre et implémentés sur des problèmes classiques (comme le voyageur de commerce ou le Knapsack problem).
Prérequis
- Notions de base en probabilités et statistiques.
- Bonne maîtrise d’un langage de programmation et des connaissances de base en algorithmique.
Acquis d’apprentissage
- Notion d’espace de recherche.
- Modélisation sous la forme de problèmes d’optimisation.
- Compréhension de différents algorithmes de recherche stochastique.
- Comparaison des performances d’algorithmes stochastiques avec des outils statistiques.
Compétences visées
- Modéliser correctement les problèmes d’optimisation.
- Choisir et mettre en œuvre un algorithme adapté pour sa résolution.
- Évaluer les performances et la robustesse de ces algorithmes.