Algorithmes génétiques séquentiels et parallèles pour une représentation affine des proximités
Abstract
Nous présentons une nouvelle approche de la représentation affine des matrices de proximité utilisant les algorithmes génétiques (AG). Les AG représentent des techniques d'optimisation stochastiques inspirées directement de la théorie darwinienne, sur les mécanismes de l'évolution naturelle des êtres vivants et de la génétique. Ainsi, nous montrons comment les opérations fondamentales des AG, "croisement" et "mutation" peuvent être interprètées de façon synthétique et adéquate dans la problématique de la représentation euclidienne. De tels algorithmes possèdent un coût d'exécution assez important pour les matrices de grande taille. En prenant en considération certaines propriétés inhérentes aux AG, nous proposons d'une part une stratégie d'hybridation et d'autre part, un algorithme parallèle orienté architecture multi-processeur à mémoire distribuée. Une implémentation sur la machine Paragon donne un speed-up presque linéaire. Nous présentons des résultats numériques attestant de la validité de la méthode.