Mode d'emploi PALISADE EVOLVER 5.5

[. . . ] Guide d'utilisation Evolver Solveur par algorithmes génétiques pour Microsoft Excel Version 5. 5 janvier, 2010 Palisade Corporation 798 Cascadilla St. Ithaca, NY 14850 États-Unis +1-607-277-8000 +1-607-277-8001 (fax) http://www. palisade. com (site Web) sales@palisade. com (courriel) Avis de copyright Copyright © 2010, Palisade Corporation. Marques déposées Microsoft, Excel et Windows sont des marques déposées de Microsoft Corporation. IBM est une marque déposée d'International Business Machines, Inc. Palisade, Evolver, TopRank, BestFit et RISKview sont des marques déposées de Palisade Corporation. [. . . ] Les cellules de la plage de contrainte doivent contenir les données de contrainte applicables avant le lancement de l'optimisation. Cette tâche 5 12 2 7 6 9 Contrainte 4 2 3 1 2 3 Cette tâche 2 8 1 5 4 1 Chapitre 5 : Guide de référence Evolver 111 Les exemples ci-dessous illustrent un ensemble de valeurs de variables telles qu'elles pourraient figurer dans une feuille de calcul avant l'invocation d'Evolver, puis selon deux nouveaux scénarios résultant de la méthode de résolution programme. Ensemble initial de valeurs de variables 1 2 3 1 2 3 Ensemble de valeurs de programme possibles 1 1 3 1 2 3 Autre ensemble de valeurs de programme possibles 1 3 1 2 2 2 REMARQUE : La méthode de résolution « programme » utilise toujours des nombres entiers, à partir de 1 (1, 2, 3, etc. ), indépendamment des valeurs originales des cellules ajustables. Taux de croisement et de mutation L'une des plus grandes difficultés de la recherche de solutions optimales, quand le problème semble présenter des possibilités infinies, consiste à déterminer le point de concentration. Autrement dit, combien de temps de calcul faut-il consacrer à la recherche dans de nouvelles zones de « l'espace de résolution » et combien au raffinement des solutions, dans la population testée, qui se sont déjà révélées plutôt bonnes ?Une bonne partie du succès de l'algorithme génétique a été attribuée à sa capacité de préserver cet équilibre inhérent. La structure de l'AG permet aux bonnes solutions de « se reproduire », tout en gardant toutefois des organismes « moins aptes » pour entretenir la diversité dans l'espoir que, peut-être, un « gène » latent se révèle important dans la solution finale. Le croisement et la mutation sont deux paramètres qui affectent l'envergure de la recherche. Evolver permet à l'utilisateur de les changer avant, mais aussi pendant le processus évolutif. Ainsi, un utilisateur informé peut aider l'AG en décidant de l'endroit où il doit concentrer son énergie. Il est inutile, dans la plupart des cas, d'ajuster les paramètres de croisement et de mutation par défaut (0, 5 et 0, 1, respectivement). Au cas où vous désireriez affiner l'algorithme de résolution d'un problème, comparer ou, simplement, faire 112 Commande Définition du modèle d'expérience de différents réglages, les paragraphes qui suivent présentent une brève introduction à ces deux paramètres. Le taux de croisement peut être réglé entre 0, 01 et 1, 0. Il reflète la probabilité que de futurs scénarios ou « organismes » contiennent un mélange d'information de la génération précédente d'organismes parents. Les utilisateurs expérimentés peuvent changer ce taux pour raffiner la performance d'Evolver face à un problème complexe. Ainsi, un taux de 0, 5 veut dire qu'un organisme descendant tirera environ 50 % de ses valeurs variables d'un parent et les valeurs restantes de l'autre parent. Un taux de 0, 9 veut dire qu'environ 90 % des valeurs de l'organisme descendant viendront du premier parent et les 10 % restants de l'autre parent. Au taux de croisement 1, aucun croisement n'intervient et seuls des clones des parents sont évalués. Evolver utilise par défaut un taux de croisement de 0, 5. Il est possible de changer le taux de croisement après le lancement d'une optimisation, à travers l'utilitaire Suivi Evolver (voir plus loin dans ce chapitre). Le taux de mutation peut être réglé entre 0, 0 et 1, 0. Il reflète la probabilité que les scénarios futurs contiennent des valeurs aléatoires. Un taux de mutation supérieur veut simplement dire qu'un plus grand nombre de mutations ou valeurs de « gène » aléatoires sera introduit dans la population. Comme la mutation intervient après le croisement, un taux de mutation réglé sur 1 (100 % de valeurs aléatoires) empêche effectivement le croisement de produire le moindre effet et Evolver ne produira dans ce cas que des scénarios totalement aléatoires. Si toutes les données de la solution optimale se trouvaient quelque part dans la population, l'opérateur de croisement seul suffirait à composer, en fin de compte, la solution. [. . . ] Grandeur par laquelle on mesure la vraisemblance de réalisation d'une valeur ou d'un événement. Elle peut être mesurée à partir de données de simulation, sous forme de fréquence, par le calcul du nombre de réalisations de la valeur ou de l'événement divisé par le nombre total de réalisations. Ce calcul renvoie une valeur comprise entre 0 et 1 qui, multipliée par 100, est alors convertie en pourcentage. Voir Distribution de fréquence, Distribution de probabilités Probabilité Glossaire 213 Racine / Générateur de nombres aléatoires Algorithme régissant le choix des nombres aléatoires, généralement compris entre 0 et 1. [. . . ]