Algorithme génétique

Limites et conclusion

Limites

Les algorithmes génétiques ont, cependant, des limites...

La première limite est le temps de calcul long. Les algorithmes génétiques requiert de nombreuses itérations, ainsi que l’utilisation excessive de la fonction d’évaluation : d’autres métaheuristiques peuvent être plus intéressante.

Ils sont complexes à utiliser, des paramètres comme la taille de la population ou le taux de mutation sont parfois difficiles à déterminer.

Il est également nécessaire de savoir modéliser l’architecture génétique du problème car le succès de l'évolution en dépend et plusieurs essais sont nécessaires : ce qui limite encore l'efficacité de l'algorithme.

La fonction d’évaluation est critique, il est primordial de la définir avec soin pour prendre en compte tous les paramètres du problème. Sa complexité doit être optimale car elle est au cœur de l’algorithme.

Les résultats sont incertains: malgré un nombre important de génération, il est impossible d’être assuré que la solution obtenue est la meilleure. On est sûr de s’être approché de la solution optimale, sans la certitude de l'avoir atteinte.
Il y a le risque des optimaux locaux qui est résultat d’une convergence prématurée qui écarte les autres solutions potentielles.

Enfin, ces algorithmes nécessitent une grande allocation mémoire par l’utilisation d’une grande population et de nombreuses variables lors du processus de génération. L’utilisation du Design Pattern Flyweight.

Conclusion

Les algorithmes génétiques appartiennent à la famille des algorithmes évolutionnistes. Ils sont utilisés pour effectuer des optimisations sur des problèmes complexes afin d’obtenir une solution proche de l’optimal.

Enfin, ce sont des algorithmes complexes car leur modélisation est critique et leur implémentation nécessite une excellente optimisation.