Abstract:
Les avancées technologiques ont facilité l’acquisition et le recueil de nombreuses données. Ces données peuvent être utilisées comme support de décision, conduisant aux développements d’outils capables de les analyser et de les traiter. Les systèmes d’aide au diagnostic sont considérés comme étant essentiels dans beaucoup de disciplines. La bioinformatique est un domaine en perpétuel changement. A chaque amélioration de technologie ou apparition de nouvelles machineries, la quantité et le type de données évoluent. Par conséquent, les méthodes de traitement associées se doivent de suivre ce mouvement. Même si au départ, il s’agissait juste de pouvoir accumuler des données afin de les exploiter directement, aujourd’hui il est nécessaire de mettre en place des méthodes complexes pour extraire l’information recherchée. Ces méthodes sont très coûteuses et il est généralement impossible de fournir des réponses en des temps raisonnables par des méthodes exhaustives. Par conséquent, plusieurs techniques peuvent être utilisées pour permettre d’obtenir des réponses à la plupart des problèmes qui se posent en bioinformatique
Dans ce travail, nous mettons en évidence, à travers des problèmes d’applications, l’intérêt de l’utilisation des approches développées en optimisation combinatoire. En effet, grâce à l’analyse d’un problème bien formalisé, il est possible de choisir les composants adéquats pour mettre en place des méthodes de résolution rapides et efficaces. Nous montrons que les algorithmes méta-heuristiques sont un des meilleurs représentants de cette famille d’algorithmes. Ainsi nous détaillons, à travers les deux problèmes étudiés, le processus d’analyse qui nous permet d’arriver à cette conclusion. Cela va du choix de la représentation des solutions, de la mise en place du ou des critères d’évaluation et de l’analyse de ces critères afin de pouvoir choisir de manière la plus objective possible la ou les méthodes d’optimisation à utiliser. Une fois la méthode choisie, il reste encore le travail de paramétrage des modèles et de son comportement afin d’obtenir une résolution du problème qui soit efficace et si possible la plus rapide possible. C’est dans ces objectifs que l’utilisation de l’hybridation de ces algorithmes avec les techniques de l’intelligence artificielles comme outil de modélisation et d’identification des séries temporelles, notamment avec les algorithmes méta-heuristiques, prennent tout leur sens, et permettant de développer de robustes modèles non-linéaires complexes qui se révèle efficace pour les problèmes d’optimisation non linéaires et semble très performant en termes de la précision des solutions trouvées. On s’est intéressé aux méthodes issues de l’apprentissage artificiel comme les réseaux de neurones et les algorithmes méta-algorithmes pour améliorer les performances des modèles. Nous présentons une hybridation dans l’algorithme d’apprentissage des réseaux de neurones afin de les adapter à cette approche. L'identification est réalisée par un algorithme d'optimisation méta-heuristique innovant, tel que l'optimisation basée sur la biogéographie (BBO). L'efficacité de la méthode est évaluée en testant le modèle proposé avec les modèles de série chronologique de référence. En outre, une étude comparative détaillée avec plusieurs méthodes de référence sera présentée. Les résultats des expériences réalisées confirment que la méthode proposée peut considérablement améliorer la convergence, la résolution et le temps de calcul.