D

1
Découverte de Classes dans des Données Numériques
par Hybridation dune Colonie de Fourmis avec les
Centres Mobiles

• D. Steinberg, N. Monmarché, M. Slimane, G.
  Venturini

Laboratoire dInformatique de lUniversité de
Tours E3i, 64 Av. J. Portalis, 37 200
Tours monmarche,slimane,venturini_at_univ-tours.fr
C. Guinot
CERIES, 20 rue Victor Noir, 92000 Neuilly sur
Seine Cédex
2
Découverte de Classes dans des Données Numériques
par Hybridation dune Colonie de Fourmis avec les
Centres Mobiles

• ? Classification et Fourmis
• ? Hybridation avec les centres mobiles
• ? Résultats

3
Fourmis Artificielles

• Origines biologiques
• Atouts
• Parallélisme, Gestion locale des agents
• Communication indirecte par lenvironnement
  (stigmergie)
• Méthodes auto-catalytiques
• Emergence de comportements

4
Fourmis Artificielles

• Optimisation combinatoire (PVC, QAP...) et
  numérique.
• Robotique distribuée
• Simulation, SMA

5
Classification non supervisée

• Ensemble D de n individus de dimension k
• ? trouver le nombre et la composition des classes

6
Classification par colonie de fourmis

• Individus objets manipulés par des fourmis
• Objets et fourmis disséminés sur un échiquier 2D
• Les fourmis se déplacent et manipulent les objets
• prise dobjets
• dépôt dobjets
• Rassemblement dau moins deux objets tas

7
Algorithme de classification par colonie de
fourmis

• Pour chaque itération
• Faire Pour chaque fourmi F
• Faire déplacer F
• Si ( F ne porte pas dobjet )
• Alors Scruter les cases adjacentes et faire, si
  possible, UNE des actions suivantes 
• ? Prendre un objet seul
• ? Prendre un des objets dun tas de 2
  
• ? Prendre lobjet le plus
  dissimilaire dun tas de plus de 2 objets
• Sinon / F porte un objet O /
• Scruter les cases adjacentes et
  faire, si possible, UNE des actions suivantes 
• ? Poser O sur une
  case vide
• ? Poser O sur un
  objet seul
• ? Poser O sur un tas

8
? Création de tas

• d1gt0.1Dmax
• d2lt0.1Dmax

9
? Ajout dobjets à un tas
10
Améliorations

• Populations hétérogènes
• Mémoires
• Distances
• Prise en compte des valeurs manquantes

11
Centres mobiles

• Entrée partition de départ
• Algorithme convergent vers un optimum local
• Problème du choix de la partition de départ
• ? complémentaire de la colonie de fourmis

12
Algorithme des centres mobiles

• Pour toute itération
• Affecter tout objet à la classe la plus proche
• Recalculer les centres de gravité

3
2
1
13
Classification sur les tas

• Les fourmis se déplacent et peuvent
• prendre un tas
• poser un tas sur une case vide
• poser un tas sur un autre tas

?convergence vers un nombre de classes stable
14
Forme finale

• Classification initiale
• réduction de la dimension du problème
• Homogénéisation des résultats
• Convergence du nombre de classes
• Homogénéisation des résultats

• Fourmis sur les objets
• Centres mobiles
• Fourmis sur les tas
• Centres mobiles

15
Approche hiérarchique
Données
Objets rassemblés en tas
Tas "corrigés"
Tas rassemblés
Partition
16
Paramètres dune fourmi

• Seuil de création de tas (0.05-0.20)
• Rassemblement de tas (0.05-0.20)
• Vitesse (3-7)
• Maintien de direction (0.5-0.9)
• Avidité objet (0.4-0.8)
• Destruction de tas (0.1-0.4)

17
Paramètres généraux

• Nombre de fourmis (20)
• Itérations Objets (2000)
• Itérations centres mobiles 1 (10)
• Itération tas (50000)
• Itérations centres mobiles 2 (10)
• Distance (Euclidienne/Minkowski)
• Mémoires (Oui/Non)
• Valeur manquantes (Remplaçées/Ignorées)

18
Résultats 1
19
Résultats 2
20
Perspectives

• Comparaisons avec dautres méthodes
• Gestion dynamique des paramètres
• Nouvelles hybridations
• Phéromones