AI 용어집
인공지능 완전 사전
Évolution Différentielle
Algorithme d'optimisation métaheuristique basé sur la population qui utilise des opérations de mutation et croisement basées sur les différences entre individus pour explorer l'espace de recherche.
Vecteur Cible
Individu de la population actuelle qui subit une mutation et croisement pour générer un nouveau vecteur trial dans l'algorithme d'évolution différentielle.
Vecteur Donateur
Vecteur mutant généré par combinaison linéaire de vecteurs aléatoires de la population, utilisé comme base pour créer le vecteur trial par croisement.
Vecteur Trial
Nouvel individu résultant du croisement entre le vecteur cible et le vecteur donateur, évalué pour potentiellement remplacer le vecteur cible.
Facteur d'Échelle (F)
Paramètre de contrôle dans l'évolution différentielle qui détermine l'amplitude de la mutation en contrôlant la contribution des différences vectorielles.
Taux de Croisement (CR)
Probabilité qu'un composant du vecteur donateur soit hérité par le vecteur trial lors de l'opération de croisement binaire.
Stratégie DE/Rand/1/Bin
Variante d'évolution différentielle utilisant un vecteur aléatoire comme base, un vecteur de différence unique, et un croisement binomial pour générer la descendance.
Stratégie DE/Best/1/Exp
Approche d'évolution différentielle sélectionnant le meilleur individu comme base, avec croisement exponentiel favorisant l'exploration locale autour des solutions optimales.
Population Initiale
Ensemble de vecteurs générés aléatoirement dans l'espace de recherche qui constitue le point de départ de l'algorithme d'évolution différentielle.
Sélection Élitiste
Mécanisme de sélection où le vecteur trial remplace le vecteur cible uniquement si sa fitness est supérieure, garantissant une non-dégradation de la qualité moyenne.
Convergence
Processus par lequel la population de vecteurs se rapproche progressivement d'un optimum global ou local, caractérisé par la diminution de la diversité génétique.
Opérateur Mutation DE
Opérateur spécifique à l'évolution différentielle qui génère de nouveaux vecteurs en ajoutant des différences pondérées entre paires de vecteurs à un vecteur de base.
Contraintes de Bornes
Limites supérieures et inférieures définies pour chaque dimension de l'espace de recherche, que tous les vecteurs de la population doivent respecter.
Auto-adaptation des Paramètres
Technique avancée où les paramètres F et CR sont dynamiquement ajustés pendant l'exécution en fonction du succès des générations précédentes.
Multi-objectif DE
Extension de l'évolution différentielle pour l'optimisation simultanée de plusieurs objectifs contradictoires, générant un front de Pareto de solutions non-dominées.
Hybridation DE-PSO
Combination de l'évolution différentielle avec l'optimisation par essaims particulaires pour bénéficier des forces exploratoires des deux métaheuristiques.
Redémarrage Adaptatif
Stratégie qui détecte la stagnation de la convergence et réinitialise partiellement ou totalement la population pour éviter les optima locaux prématurés.