Apprentissage Automatique et Optimisation pour la Résolution de Problèmes.

Abstract

De nos jours, nous constatons une prolifération des approches hybrides qui puisent, des métaphores capables d’apporter des solutions innovantes aux problèmes complexes. Notre objectif est l’élaboration d’une méthode de résolution qui sera à la fois efficace, plus, flexible et aussi robuste face aux imprévus. L’hybridation consiste à exploiter les avantages respectifs de plusieurs méthodes en combinant leurs algorithmes suivant une approche synergétique, ce qui permet d’avoir un équilibre entre l’exploration et l’exploitation de l’espace de recherche et surmonter ainsi le problème de la convergence prématurée. Nous avons utilisé l’hybridation de méthodes à différents niveaux. Dans cette thèse, nous proposons une hybridation entre deux familles d’algorithmes : les algorithmes génétique (optimisation) et machine à vecteur de support (apprentissage automatique) pour la résolution d’un problème lié à la bioinformatique à savoir : la découverte de motifs dans des séquences biologiques. Notre objectif principal est de montrer l’utilité de l’hybridation en parvenant à améliorer les performances : fiabilité, robustesse et accélération de la convergence.