Abstract FR:

Dans le cadre de cette these, nous avons consacre notre recherche a l'exploitation de l'apprentissage a base d'algorithmes genetiques (abag). Au depart, nous nous sommes interesses au systeme de classificateurs (sc) boole de wilson, et nous sommes apercus que ce systeme destine a l'origine a l'apprentissage de fonctions booleennes, pouvait etre modifie et etendu dans la perspective de la resolution de problemes plus complexes. Nous nous sommes tout d'abord interesses a l'amelioration de la vitesse de convergence du systeme dans le cadre de l'apprentissage de fonctions booleennes: nous avons montre que cette vitesse de convergence pouvait etre radicalement augmentee. Cette modification de l'algorithme de renforcement a transforme le systeme en un systeme capable d'apprendre des fonctions de classification generales en mode supervise. Prenant quelques distances par rapport au cadre hollandien des algorithmes genetiques nous avons adopte une representation naturelle des instances et des regles, et nous avons developpe des operateurs genetiques specialement adaptes a cette nouvelle representation d'ordre o+. Les experiences effectuees ont demontre qu'un sc etait capable de rivaliser avec les meilleurs systemes d'apprentissage dans le contexte de l'apprentissage a partir d'exemples pre-classifies (diagnostic medical). En dernier lieu, nous avons explore la capacite de notre sc a apprendre des fonctions de r#nr#p. Nous sommes parvenus a resoudre ce probleme en transformant les classificateurs en regles flous au sens de la logique floue de zadeh. Cette approche se distingue par sa simplicite ainsi que par ses bons resultats, prouvant ainsi la puissance des ag a resoudre ce probleme plus complexe