[+] J'offre mon cerveau à la communauté...

[+] ./Goldorak -v

• [^]Re: ./Goldorak -v

  Posté par imr () le 16/06/2002 à 10:11. (lien). Évalué à 9.

  Aprés des décennies d'interrogations stériles de la part de millions de spectateurs n'ayant rien de mieux à faire que de discuter de ca, l'auteur de goldorak a répondu à la fameuse question, "mais pourquoi le siége d'actarus fait deux demi tour sur lui meme pendant le transfert vers le robot?" (l'auteur a eu l'air un peu surpris qu'on lui pose la question. Apparemment les japonais ne trouvent pas ce genre de choses stupéfiantes dans un dessin animé). Sa réponse a été (de mémoire): "Je suppose que c'est sa nature méfiante d'extra terrestre qui le pousse à se retourner pour voir ce qu'il y a derriére lui". Il ne reste plus qu'à savoir comment Indiana Jones reste en vie sur un sous marin en plongée.

Un joli jouet

Interessant...

• [+] [^]Re: Interessant...

  Posté par Moby-Dik () le 16/06/2002 à 12:56. (lien). Évalué à -1.

  si on est vicieux une GiPi, mais c un peu salaud quand même Pourquoi, c'est pourri la Gipi ? J'ai cru comprendre qu'une coopérative commercialle s'est créée pour la distribuer alors même qu'il n'y a rien de prêt. Mouais.... Un peu étrange cette façon de mettre la charrue avant les boeufs (ce n'est pas une insulte pour les geeks) ;)) Quelqu'un peut m'expliquer le bidule ?

Pas si nouveau...

Open-R et Cog

algo génétique... ça sent le roussi...

• [^]Re: algo génétique... ça sent le roussi...

  Posté par Laurent FRANCOISE (page perso, ) le 16/06/2002 à 12:14. (lien). Évalué à 7.

  mais non c'est pas pipeau ! (essaie de taper 'genetic algorithm' dans google par exemple) Ca fonctionne comme dans la nature : si tu veux obtenir un super cheval de course, tu va croiser des chevaux "champions" pendant plusieurs générations, le patrimoine génétique des individus s'améliorant de génération en génération. En informatique c'est pareil. Il te faut une fonction a optimiser (ici que le robot ne se casse pas la g... en faisant un pas) et des individus (par exemple une façon de faire un pas = un individu) avec un patrimoine génétique (par exemple chaque étape de la décomposition du mouvement = un gène ). Le robot essaie chaque façon de marcher, et mélange les gènes de celles qui donnent le meilleur résultat (c'est ce qui permet d'obtenir une nouvelle génération d'individus), et ainsi de suite. Au début, surtout si les premiers individus ont été déterminés de façon aléatoire, le robot doit marcher un peu n'importe comment et même tomber à peu près à chaque fois, puis ca doit s'améliorer au fil des croisements. Enfin, au bout d'un certain nombre de générations, ca doit "marcher" ! ( En France aussi d'ailleurs on s'interresse aux algos génétiques, cf http://www.li.univ-tours.fr/Equipes/Themes_Frames.asp?Equipe=2&Url=http://www.li.univ-tours.fr/Fichiers/Fichiers_HTML/Themes/T1c.htm&Theme=19 )

  • [^]Re: algo génétique... ça sent le roussi...

    Posté par Moby-Dik () le 16/06/2002 à 13:06. (lien). Évalué à 17.

    mais non c'est pas pipeau ! (essaie de taper 'genetic algorithm' dans google par exemple) Ca fonctionne comme dans la nature : si tu veux obtenir un super cheval de course, tu va croiser des chevaux "champions" pendant plusieurs générations, le patrimoine génétique des individus s'améliorant de génération en génération. Ce qui est pipeau en soi ce n'est pas l'existences des algos gé, mais plutôt l'idée que certains se font de leur efficacité. Il n'y a aucune raison qu'un algo G soit forcément capable de trouver une solution à un problème ; les algo G, c'est fondamentalement du random amélioré. Aucun théorème ou même axiome ne permet de prédire la réussite d'un algo g de façon généralisée. Et question performances, c'est en général loin d'être génial (explosion combinatoire). Je comprends assez le scepticisme de la personne précédente, car déjà traduire les possibilités de mouvement (analogiques, continues) d'un robot en critères ou décisions discrets (ce qui est a priori nécessaire pour utiliser un algo g) est loin d'être évident.... Du reste, le mécanisme de "test and trial" inhérent à l'AG n'est certainement pas appliqué aux mouvements du robot lui-même, sinon 1) ça prendrait un temps fou 2) le robot serait complètement bousillé (à force de tomber :-)) avant même que l'algo puisse tomber sur une solution raisonnable. Donc il y a autre chose que l'algo gé. Mais c'est vrai que l'algo g en soi est quelque chose d'assez fascinant à première vue, donc un très bon argument marketing. Amen :))

    • [^]Re: algo génétique... ça sent le roussi...

      Posté par Laurent FRANCOISE (page perso, ) le 16/06/2002 à 14:15. (lien). Évalué à 10.

      Google, au secours ! 'genetic algorithm walking' --> ouf, y'a plein de réponses ... Plus sérieusement, c'est tout à fait possible qu'il y ait autre chose. L'algo génétique n'est peut être que la partie "optimisation" d'un autre algorithme ... Et puis il n'est surement pas parti de mouvements aléatoires, mais plutôt de modèles de marche déjà "réalistes" Enfin le meilleur moyen de savoir, si c'est vraiment du GPL, c'est d'étudier le code source !

    • [^]Re: algo génétique... ça sent le roussi...

      Posté par Migeot Olivier () le 16/06/2002 à 15:55. (lien). Évalué à 4.

      L'algo G est un "random amélioré", soit. Mais ce qui fait la différence entre un algo G et un vrai random, c'est la fonction qui détermine qu'une génération est meilleure qu'une autre (la séléction naturelle, en somme). Et il n'est pas toujours possible d'écrire une telle fonction. En gros, si la séléction est simple et performante, l'algo G convergera assez rapidement vers quelque chose de performant. Sinon, il risque de tourner en rond pendant des siècles. Me trompe-je?

      • [^]Re: algo génétique... ça sent le roussi...

        Posté par Moby-Dik () le 16/06/2002 à 16:30. (lien). Évalué à 8.

        Oui, entre autres. Plus exactement, il y a deux grandes catégories d'écueils : quantitatifs et qualitatifs.

        • Qualitatifs : Il y a plusieurs choix à faire. - Le mode de représentation des variables du problème. Il s'agit en général d'un compromis entre facilité d'obtention et de traduction vis-à-vis du problème réel d'une part, et possibilité d'utiliser des fonctions performantes d'autre part (voir ci-dessous). - La fonction de sélection de la population d'une génération à l'autre (fonction de fitness). Le plus souvent il s'agit d'un choix empirique, le problème ne permettant pas de formuler une fonction de manière exacte. - Les fonctions de mutation et de croisement permettant de créer aléatoirement de nouveaux individus dans chaque génération. A priori, la façon dont ces nouveaux individus sont créés à partir des anciens doit n'être pas totalement arbitraire, mais respecter la sémantique du problème (par exemple si je mute à partir d'un individu proche d'une solution optimale, il serait de bon ton que l'individu obtenu par mutation ait des chances de lui aussi être proche d'une solution optimale ;-)).
        • Quantitatifs : - L'espace décrivible par les variables du problème est en général immense (probablement infini, et peu adapté à une quantification trop grossière). Il faut néanmoins arriver à des résultats avec une population restreinte (quelques dizaines de milliers d'individus par génération par exemple). - La convergence n'est pas immédiate. En multipliant le nombre d'individus par le nombre de générations, ça fait un sacré nombre de tests. - Corollaire 1 : les algos g ne sont intéressants que lorsqu'il est hors de question de trouver un cheminement déterministe raisonnable pour arriver à la solution. - Corollaire 2 : même dans ce cadre, les fonctions de sélection, de croisement et de mutation ont intérêt à être rapides (d'où le problème d'une bonne représentation des données, ce qui est loin d'être évident sachant que le croisement "de base" est le remplacement d'un bout de chaîne (de bits ou d'octets) par un autre bout de chaîne et que cela doit pouvoir conserver au moins empiriquement certaines propriétés de l'individu).

        Voilà voilà. Tout ceci est assez livresque, mais les propriétés citées plus haut sont logiques en soi - et confirmées par l'expérience de ceux qui y ont mis les pattes. NB : dommage que ça s'appelle "algos génétiques", ça amène à la confusion des tas de gens. Au moins on peut dire "réseaux neuro-mimétiques", ce qui souligne qu'il y a une analogie métaphorique au départ, mais pas de lien scientifique fort. Algos généticomorphes ?

    • [+] [^]Re: algo génétique... non au sceptissisme !

      Posté par Ramette Jerome () le 17/06/2002 à 09:27. (lien). Évalué à -2.

      Depuis que les algos adaptatifs non déterministes existent, beaucoup de débats de ce type ont eu lieu.
      Mais le fait est (faute de démonstration ;) que les approches basées sur ces types d'algos permettent de résoudre efficacement des problèmes là où des approches plus conventionnelles sont difficiles à mettre en oeuvre, voir mises en échec (eg. TSP + ant : http://www.santafe.edu/sfi/publications/wpabstract/199901009(...)).
      A propos des robots, les GAs peuvent être calculés dans un univers virtuel, le plus bel exemple est certainement celui de Karl Sims http://www.biota.org/ksims(...) .
      Mais dans le cas de Pino, cela ne présente pas bcp d'intéret. Ou le GA est directement calculé dans le robot. Dans ce cas, un "cerveau primitif" est cablé pour garantir l'intégrité de la machine. Et, ceci constitue la fonction d'évaluation.

  • [^]Re: algo génétique... ça sent le roussi: arguments

    Posté par E V () le 16/06/2002 à 16:56. (lien). Évalué à 2.

    Bon je ne suis pas du tout spécialiste de ce domaine. Mais Voilà comment je poserais le problème: supposons que l'on veuille optimiser une fonction de coût qui dépend d'un certain nb de paramètres... mon problème vis-à-vis de ces algorithmes, c'est que bien souvent il y a plus de paramètres à régler dans l'algorithme qu'il n'y en a dans la fonction de coût initiale... Deuxième problème: l'effet de mode. En général, il faut ce méfier comme de la peste des techniques soit-disant nouvelles, d'autant plus si elles prétendent être "universelles"... et encore plus si elles prétendent tout résoudre parce-que-c'est-comme-ça-que-fait-la-nature.