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

1. Découverte de Classes dans des Données Numériques par Hybridation d’une Colonie de Fourmis avec les Centres Mobiles D. Steinberg, N. Monmarché, M. Slimane, G. Venturini Laboratoire d’Informatique de l’Université de Tours E3i, 64 Av. J. Portalis, 37 200 Tours monmarche,slimane,venturini@univ-tours.fr C. Guinot CERIES, 20 rue Victor Noir, 92000 Neuilly sur Seine Cédex SFC 98

2. Découverte de Classes dans des Données Numériques par Hybridation d’une Colonie de Fourmis avec les Centres Mobiles  Classification et Fourmis  Hybridation avec les centres mobiles  Résultats SFC 98

3. Fourmis Artificielles • Origines biologiques • Atouts : • Parallélisme, Gestion locale des agents • Communication indirecte par l’environnement (stigmergie) • Méthodes auto-catalytiques • Emergence de comportements SFC 98

4. Fourmis Artificielles • Optimisation combinatoire (PVC, QAP...) et numérique. • Robotique distribuée • Simulation, SMA SFC 98

5. Classification non supervisée Ensemble D de n individus de dimension k  trouver le nombre et la composition des classes SFC 98

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 d’objets • dépôt d’objets • Rassemblement d’au moins deux objets : tas SFC 98

7. Algorithme de classification par colonie de fourmis Pour chaque itération FairePour chaque fourmi F Faire déplacer F Si ( F ne porte pas d’objet ) Alors Scruter les cases adjacentes et faire, si possible, UNE des actions suivantes :  Prendre un objet seul  Prendre un des objets d’un tas de 2  Prendre l’objet le plus dissimilaire d’un 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 SFC 98

8. d1>0.1Dmax • d2<0.1Dmax  Création de tas SFC 98

9.  Ajout d’objets à un tas SFC 98

10. Améliorations • Populations hétérogènes • Mémoires • Distances • Prise en compte des valeurs manquantes SFC 98

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 SFC 98

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 SFC 98

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 SFC 98

14. Fourmis sur les objets Centres mobiles Fourmis sur les tas Centres mobiles Classification initiale réduction de la dimension du problème Homogénéisation des résultats Convergence du nombre de classes Homogénéisation des résultats Forme finale SFC 98

15. Centres Mobiles Centres Mobiles Fourmis Objets Fourmis Tas Approche hiérarchique Données Objets rassemblés en tas Tas "corrigés" Tas rassemblés Partition SFC 98

16. Paramètres d’une 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) SFC 98

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) SFC 98

18. Résultats 1 SFC 98

19. Résultats 2 SFC 98

20. Perspectives • Comparaisons avec d’autres méthodes • Gestion dynamique des paramètres • Nouvelles hybridations • Phéromones SFC 98