En optimisation continue, un problème donné consiste à trouver l'optimum d'une fonction objectif f définie dans R^n à valeur dans R. Dans ce contexte, le scénario boîte noire fait l'hypothèse que seule l'évaluation de f nous fournit de l'information. Dans une première partie, nous étudions l'algorithme CMA-ES, stratégie d'évolution avec adaptation de la matrice de covariance ; une approche reconnue pour résoudre les problèmes d'optimisation boîte noire. Nous démontrons les limites de cet algorithme en terme de complexités spatiale et temporelle pour faire face à des problèmes à grande dimensionalité. Pour dépasser ces limites, nous proposons des variantes de CMA-ES qui ne mettent à jour que les éléments diagonaux par bloc de la matrice de covariance, qui exploitent donc la séparabilité. Nous montrons que ces variantes peuvent avoir de meilleures performances que CMA-ES sur des fonctions non-séparables à condition que le problème considéré ait une dimension assez grande. Dans une seconde partie, nous définissons et exploitons un cadre expérimental pour la comparaison systématique de résultats en optimisation boîte noire, où les pratiquants du domaine peuvent ainsi tester et comparer des algorithmes sur des fonctions artificielles. Nos résultats montrent la dépendance des performances des algorithmes en fonction du budget alloué à l'optimisation. Des méthodes classiques telles que NEWUOA ou BFGS sont ainsi appropriées à des petits budgets. L'approche CMA-ES avec redémarrage et contrôle de la taille de population obtient de bons résultats pour des budgets plus larges. Le logiciel COCO pour COmparing Continuous Optimisers, utilisé pour faire ces comparaisons systématiques est décrit techniquement dans une troisième partie. COCO sert d'implémentation de notre cadre expérimental et permet en plus de fournir des résultats tels que ceux que nous exploitons dans ce document.

La coopération est un comportement présent en abondance dans le vivant et central à la plupart des transitions majeures en évolution. Pourtant, son évolution est difficile à expliquer. En particulier, l'origine des comportements de coopération mutualiste, qui sont bénéfiques à tous les participants, à été peu étudiés. Dans cette thèse, nous nous intéressons au rôle de la coordination dans l'évolution de la coopération mutualiste à l'aide d'outils en robotique évolutionniste. Dans un premier temps, nous modélisons en robotique évolutionniste l'évolution de la coopération dans une tâche de chasse collective afin d'étudier l'influence des mécanismes sous-jacent aux comportements de coordination sur l'évolution de la coopération. Nous montrons notamment la nécessité d'utiliser des modèles qui considèrent les aspects plus pratiques du comportement. Dans un second temps, nous nous intéressons à la conception de robots coopératifs à l'aide de la robotique évolutionniste. Nous étudions notamment l'influence de la composition génétique des groupes de robots sur l'efficacité des comportements de coordination. Cette thèse contribue donc de deux manières différentes au sujet général de l'évolution de la coopération : par de la modélisation de problèmes biologiques et la conception de robots collectifs. / Cooperation is a behaviour that is prevalent in living beings and is central to most of the major transitions in evolution. Yet explaining its origin is a challenge. In particular, the evolution of mutualistic behaviours, where every individual benefits from this behaviour, has been relatively ignored. In this thesis, we are interested in the role of coordination in the evolution of mutualistic cooperation. To that end, we use tools from evolutionary robotics. First, we model the evolution of cooperation in a collective hunting task with evolutionary robotics. We want to study the influence of the underlying mechanisms of coordination behaviours on the evolution of cooperation. We reveal that it is necessary to consider modeling techniques that account for the more practical aspects of behaviours. Then, we are interested in the design of cooperative robots with evolutionary robotics. We study the influence of genetic team composition on the efficiency of coordination behaviours. Therefore, this thesis contributes to the general subject of the evolution of cooperation in two different manners: modeling biological problems and designing collective robots.

A long terme, le succès évolutif d'une lignée ne dépend pas seulement de la valeur adaptative de ses fondateurs. Il dépend également de la capacité des descendants à transmettre le génotype ancestral sans mutation délétère, tout en découvrant parfois des mutations favorables. Un niveau intermédiaire de variabilité mutationnelle peut donc être, de fait, indirectement sélectionné. En simulant, à l'aide d'un modèle individu-centré, l'évolution de génomes soumis à la fois à des mutations locales et à des réarrangements chromosomiques, nous montrons que la structure du génome est un levier d'ajustement du degré de variabilité : le nombre de gènes et, de façon plus surprenante, la quantité de non codant s'ajustent en fonction du taux de mutation et de l'impact moyen des mutations géniques, maintenant ainsi un niveau constant de variabilité mutationnelle. L'émergence de ces couplages surprenants suggère que les génomes ne sont pas seulement façonnés par les biais mutationnels et les coûts sélectifs directs, mais aussi, à plus long terme, par des pressions plus indirectes.

Le but de ce doctorat est de déterminer dans quelle mesure les algorithmes issus de l’intelligence artificielle, principalement les Algorithmes Evolutionnaires et la Programmation Génétique, pourraient aider les algorithmes de l’automatique classique afin de permettre aux engins autonomes de disposer de capacités bien supérieures, et ce dans les domaines de l’identification, de la planification de trajectoire, du pilotage et de la navigation.De nouveaux algorithmes ont été développés, dans les domaines de l’identification, de la planification de trajectoire, de la navigation et du contrôle, et ont été testés sur des systèmes de simulation et des aéronefs du monde réel (Oktokopter du ST2I, Bebop.Drone de la société Parrot, Twin Otter et F-16 de la NASA) de manière à évaluer les apports de ces nouvelles approches par rapport à l’état de l’art.La plupart de ces nouvelles approches ont permis d’obtenir de très bons résultats comparés à l’état de l’art, notamment dans le domaine de l’identification et de la commande, et un approfondissement des travaux devraient être engagé afin de développer le potentiel applicatifs de certains algorithmes. / The object of this PhD has consisted in elaborating evolutionary computing algorithms to find interesting solutions to important problems in several domains of automation science, applied to aircrafts mission conduction and to understand what could be the advantages of using such approaches, compared to the state-of-the-art, in terms of efficiency, robustness, and effort of implementation.New algorithms have been developed, in Identification, Path planning, Navigation and Control and have been tested on simulation and on real world platforms (AR.Drone 3.0 UAV (Parrot), Oktokopter UAV, Twin Otter and military fighter F-16 (NASA LaRC)), to assess the performances improvements, given by the new proposed approaches.Most of these new approaches provide very interesting results; and research work (on control by evolutionary algorithms, identification by genetic programming and relative navigation) should be engaged to plan potential applications in different real world technologies.