En robotique mobile, les techniques d'apprentissage qui utilisent la vision artificielle représentent le plus souvent l'image par un ensemble de descripteurs visuels. Ces descripteurs sont extraits en utilisant une méthode fixée à l'avance ce qui compromet les capacités d'adaptation du système à un environnement visuel changeant. Nous proposons une méthode permettant de décrire et d'apprendre des algorithmes de vision de manière globale, depuis l'image perçue jusqu'à la décision finale. L'application visée est la fonction d'évitement d'obstacles, indispensable à tout robot mobile. Nous décrivons de manière formelle la structure des algorithmes d'évitement d'obstacles basés sur la vision en utilisant une grammaire. Notre système utilise ensuite cette grammaire et des techniques de programmation génétique pour apprendre automatiquement des contrôleurs adaptés à un contexte visuel donné. Nous utilisons un environnement de simulation pour tester notre approche et mesurer les performances des algorithmes évolués. Nous proposons plusieurs techniques permettant d'accélérer l'évolution et d'améliorer les performances et les capacités de généralisation des contrôleurs évolués. Nous comparons notamment plusieurs méthodes d'évolution guidée et nous en présentons une nouvelle basée sur l'imitation d'un comportement enregistré. Par la suite nous validons ces méthodes sur un robot réel se déplaçant dans un environnement intérieur. Nous indiquons finalement comment ce système peut être adapté à d'autres applications utilisant la vision et nous proposons des pistes pour l'adaptation d'un comportement en temps réel sur le robot.

La programmation génétique (GP) est une hyperheuristique d’optimisation ayant été appliquée avec succès à un large éventail de problèmes. Cependant, son intérêt est souvent considérablement diminué du fait de son utilisation élevée en ressources de calcul et de sa convergence laborieuse. Ces problèmes sont causés par une croissance immodérée de la taille des solutions et par l’apparition de structures inutiles dans celles-ci. Dans ce mémoire, nous présentons HARM-GP, une nouvelle approche résolvant en grande partie ces problèmes en permettant une adaptation dynamique de la distribution des tailles des solutions, tout en minimisant l’effort de calcul requis. Les performances de HARM-GP ont été testées sur un ensemble de douze problèmes et comparées avec celles de neuf techniques issues de la littérature. Les résultats montrent que HARM-GP excelle au contrôle de la croissance des arbres et du surapprentissage, tout en maintenant de bonnes performances sur les autres aspects. / Genetic programming is a hyperheuristic optimization approach that has been applied to a wide range of problems involving symbolic representations or complex data structures. However, the method can be severely hindered by the increased computational resources required and premature convergence caused by uncontrolled code growth. We introduce HARM-GP, a novel operator equalization approach that adaptively shapes the genotype size distribution of individuals in order to effectively control code growth. Its probabilistic nature minimizes the overhead on the evolutionary process while its generic formulation allows this approach to remain independent of the problem and genetic operators used. Comparative results are provided over twelve problems with different dynamics, and over nine other algorithms taken from the literature. They show that HARM-GP is excellent at controlling code growth while maintaining good overall performances. Results also demonstrate the effectiveness of HARM-GP at limiting overtraining and overfitting in real-world supervised learning problems.

Dans le cadre de cette thèse, nous nous intéresseons à l'amélioration des techniques de programmation génétique (PG), en particulier nous avons essayer d'améliorer la performance de la PG en cas d'utilisation de grammaire riche, où l'ensemble de terminaux contient plus que nécessaire pour représenter des solutions optimales. Pour cela, nous avons présenté le problème de la sélection d'attributs en rappelant les principales approches, et nous avons utilisé la technique de mesure de poids des terminaux pour affiner la sélection d'attributs. En second lieu, nous présentons des travaux sur un autre algorithme qui s'inspire de la boucle évolutionnaire : l'évolution différentielle (ED), et nous étudions la performance de cette technique sur la branche de la programmation génétique linéaire. Nous présentons et comparons les performances de cette dernière technique sur un ensemble de "benchmarks" classique de la PG. / This thesis mainly deals with genetic programming. In this work, we are interested in improving the overall performance of genetic programming (GP) when dealing with rich grammar when the terminal set is very large. We introduce the problem of attributes selection and in our work we introduce a scheme based on the weight (based on the frequency) to refine the attribute selection. In the second part of this work, we try to improve the evolution engine with the help of the differential evolution (DE) algorithm. This new engine is applied to linear genetic programming. We then present some experiments and make some comparisons on a set of classical benchmarks.

Dans le cadre de cette thèse, nous nous intéresseons à l'amélioration des techniques de programmation génétique (PG), en particulier nous avons essayer d'améliorer la performance de la PG en cas d'utilisation de grammaire riche, où l'ensemble de terminaux contient plus que nécessaire pour représenter des solutions optimales. Pour cela, nous avons présenté le problème de la sélection d'attributs en rappelant les principales approches, et nous avons utilisé la technique de mesure de poids des terminaux pour affiner la sélection d'attributs. En second lieu, nous présentons des travaux sur un autre algorithme qui s'inspire de la boucle évolutionnaire : l'évolution différentielle (ED), et nous étudions la performance de cette technique sur la branche de la programmation génétique linéaire. Nous présentons et comparons les performances de cette dernière technique sur un ensemble de "benchmarks" classique de la PG.

Le but de la thèse est de développer des stratégies de contrôle efficaces pour la réduction de la trainée aérodynamique des véhicules terrestres. Nous examinons expérimentalement les effets d’un forçage fluidique sur le sillage d’un modèle de véhicule simplifié à culot droit. Le forçage est effectué par des jets pulsés aux arêtes et16 capteurs de pression répartis à la surface arrière permettent d’estimer la traînée instantanée. Nous abordons le problème difficile du contrôle de l’écoulement turbulent non linéaire---qui est souvent au-delà des capacités de la modélisation réduite---par le développement d'une stratégie de contrôle sans modèle: le contrôle via la programmation génétique linéaire (LGPC) dirigé par les données. Cette méthode explore et exploite la dynamique fortement non linéaire d'une manière non supervisée avec pas ou peu de connaissances antérieures sur le système.Le problème est de trouver une logique de contrôle qui optimise une fonction de coût donnée. Cette optimisation est réalisée par la programmation génétique linéaire comme un solveur de régression simple dans un espace de recherche de grande dimension. En particulier, cette recherche fait progresser et généralise les études antérieures sur le contrôle via la programmation génétique en incluant le forçage multi-fréquences, le signal des capteurs,l’historique des informations temporelles et leurs combinaisons dans l'espace de recherche de contrôle. La performance de LGPC est démontrée avec succès sur les expériences de contrôle de traînée du modèle de véhicule simplifié où le sillage turbulent présente une symétrie latérale et une asymétrie normale à la paroi. Environ 33% de récupération de pression au culot associée à 22% de réduction de trainée est obtenue dans toutes les classes de loisde contrôle considérées. L'énergie consommée du forçage ne représente que 30% de l'énergie aérodynamique récupérée. Dans ce travail, nous étudions également les sillages turbulents ayant une asymétrie latérale: un sillage intermittent et bi-modal à dérapage nul et un sillage asymétrique avec un angle de dérapage modéré de 5 degrés.Pour le sillage intermittent, un contrôle de rétroaction en opposition basé sur la physique est déduit à partir des essais précédents de contrôle en boucle ouverte. Le contrôleur supprime avec succès la bi-modalité du sillage et rend le sillage symétrique avec une réduction de traînée concomitante. Pour le sillage asymétrique en dérapage,nous construisons un contrôle bi-fréquence à l’arête au vent à partir des résultats de forçage à fréquence unique. Ce forçage bi-fréquentiel comprend deux fréquences ayant une différence d'un ordre de grandeur. Il combine les effets favorables de la vectorisation du sillage et le contrôle de l'équilibre des couches de cisaillement. Il est important de noter que la stratégie LGPC est également appliqué à cette situation en dérapage et converge vers le même forçage bi-fréquentiel. Les stratégies de contrôle proposées dans cette étude ouvrent de nouveaux chemins prometteurs pour le contrôle de la réduction de la traînée dans des conditions plus complexes de vitesse amont variable ou de rafale. / The thesis aims to develop effective active flow control strategies for aerodynamic drag reduction of road vehicles.We experimentally examine the effects of fluidic actuation on the wake past a simplified square-back car model.The actuation is performed with pulsed jets at trailing edges and the flow is monitored with 16 pressure sensors distributed at the rear side. We address the challenging nonlinear turbulence control---which is often beyond the capabilities of model-oriented approach---by developing a simple yet powerful model-free control strategy: the data-driven linear genetic programming control (LGPC). This method explores and exploits strongly nonlinear dynamics in an unsupervised manner with no or little prior knowledge about the system. The control problem is to find a control logic which optimizes a given cost function by employing linear genetic programming as an easy and simple regression solver in a high-dimensional control search space. In particular, the present work advances and generalizes the previous studies of genetic programming control by comprising multi-frequency forcing, sensor-based feedback including also time-history information feedback and combinations thereof in the control search space. The performance of LGPC is successfully demonstrated on the drag control experiments of the car model where the investigated turbulent wake exhibits a spanwise symmetry and a wall-normal asymmetry. Approximately 33% base pressure recovery associated with 22% drag reduction is achieved in all considered classes of control laws. The consumed actuation energy accounts for only 30% of the aerodynamic power saving. In this research, we also study the turbulent wakes having a lateral asymmetry: an intermittent bi-modal wake at zero yaw and an asymmetric wake at a moderate yaw angle of 5 degree. For the bimodal wake exhibiting are flectional symmetry-breaking, a physics-based opposition feedback control is inferred from the previous open loop control tests. The controller successfully suppresses the bi-modality of the wake and renders a symmetrized wake with a concomitant drag reduction. For the asymmetric wake at yaw, we infer from the single-frequency forcing results a bi-frequency control at the windward edge comprising two frequencies having one order of magnitude difference. This bi-frequency actuation combines the favorable effects of fluidic boat-tailing and balance control of the shear layers. Importantly, LGPC is also applied to this yawed situation and converges to the same bi-frequency actuation. The control strategies proposed in the present study open promising new paths for the control of drag reduction in more complex conditions such as the varying oncoming velocity and wind gust.

En robotique mobile, les techniques d'apprentissage qui utilisent la vision artificielle représentent le plus souvent l'image par un ensemble de descripteurs visuels. Ces descripteurs sont extraits en utilisant une méthode fixée à l'avance ce qui compromet les capacités d'adaptation du système à un environnement visuel changeant. Nous proposons une méthode permettant de décrire et d'apprendre des algorithmes de vision de manière globale, depuis l'image perçue jusqu'à la décision finale. L'application visée est la fonction d'évitement d'obstacles, indispensable à tout robot mobile. Nous décrivons de manière formelle la structure des algorithmes d'évitement d'obstacles basés sur la vision en utilisant une grammaire. Notre système utilise ensuite cette grammaire et des techniques de programmation génétique pour apprendre automatiquement des contrôleurs adaptés à un contexte visuel donné. Nous utilisons un environnement de simulation pour tester notre approche et mesurer les performances des algorithmes évolués. Nous proposons plusieurs techniques permettant d'accélérer l'évolution et d'améliorer les performances et les capacités de généralisation des contrôleurs évolués. Nous comparons notamment plusieurs méthodes d'évolution guidée et nous en présentons une nouvelle basée sur l'imitation d'un comportement enregistré. Par la suite nous validons ces méthodes sur un robot réel se déplaçant dans un environnement intérieur. Nous indiquons finalement comment ce système peut être adapté à d'autres applications utilisant la vision et nous proposons des pistes pour l'adaptation d'un comportement en temps réel sur le robot

L'émotion est indissociable des processus cognitifs et joue par conséquent un rôle majeur dans la prise de décision. De ce fait, elle occupe une place de plus en plus importante dans la recherche scientifique actuelle. L'objectif de cette thèse est de révéler l'intérêt que peut présenter une approche émotionnelle, et de prouver que des modèles informatiques dotés d'émotions artificielles peuvent dans certains cas s'avérer plus performants que leurs équivalents purement cognitifs. Partant de ce constat, deux modèles de l'émotion ont été réalisés sous différentes perspectives d'étude. Ils soulignent l'impact de l'ajout d'une dimension émotionnelle dans l'élaboration d'une décision rapide, efficace et adaptée. Le premier modèle développé utilise un graphe de représentation de stratégies afin de résoudre un exercice de mathématiques proposé à des élèves de CM2, intitulé "problème des Cascades". L'émotion y est représentée en tant que valuation des arêtes au sein du graphe, la dynamique de ce dernier étant assurée par un algorithme fourmi. Les tests effectués sur deux versions, l'une émotionnelle et l'autre purement cognitive, montrent que l'utilisation d'un modèle émotionnel permet une résolution plus efficace et adaptative. Par ailleurs, un second modèle, nommé GAEA vise à simuler un robot équipé de capteurs et effecteurs, et plongé dans un environnement proie-prédateurs au sein duquel il doit survivre. Son comportement est déterminé par son programme interne, évoluant grâce à un algorithme de programmation génétique linéaire manipulant une population d'individus-programmes. Les résultats sont prometteurs et indiquent une évolution de la population vers des individus au comportement de plus en plus adapté, et dont l'activité interne est analogue à l'émergence de réactions émotionnelles pertinentes.

Les Algorithmes Évolutionnaires (AE) sont des méthodes de recherche par itération de sélections et de variations aléatoires sur une population de solutions potentielles. <br />La Programmation Génétique (PG) est un AE qui permet la recherche automatique de programmes et qui manipule des représentations complexes : arbres (PGA) ou listes de longueur variables (PGL). <br />Les variations aléatoires permettant de créer de nouveaux programmes peuvent être des modifications locales (mutations) ou des recombinaisons de programmes (croisements). <br />L'opérateur de croisement recombine aléatoirement des sous-parties de programmes sans tenir compte du contexte : c'est une opération «brutale» qui est une des causes supposées de la croissance incontrôlée de la taille des programmes. <br />Inspirés par la recombinaison homologue de l'ADN, nous définissons, le Croisement par Maximum d'Homologie (CMH) pour la PGL. <br />A partir d'une mesure de similarité entre les expressions à recombiner, le CMH favorise les échanges qui respectent les structures communes préexistantes. <br />La capacité du CMH à effectuer une recherche moins brutale et à permettre un contrôle précis de la taille des programmes est mise en évidence sur des problèmes classiques de PG comme l'approximation de fonctions par régression symbolique. <br />En partant des différents résultats obtenus, nous appliquons notre méthode à la résolution d'un problème réel : l'inversion des composantes atmosphériques. De plus, nous montrons comment, à coût constant, il est possible de rechercher des combinaisons de modèles inverses dont les performances sont supérieures aux modèles standards.

Pour rester performants et compétitifs, les systèmes de production doivent être capables de s’adapter pour faire face aux changements tels que l’évolution de la demande des clients. Il leur est essentiel de pouvoir déterminer quand et comment s’adapter (capacités, etc.). Malheureusement, de tels problèmes sont connus pour être difficiles. Les systèmes de production étant complexes, dynamiques et spécifiques, leurs gestionnaires n’ont pas toujours l’expertise nécessaire ni les prévisions suffisantes concernant l’évolution de leur système. Cette thèse vise à étudier la contribution que peut apporter l’apprentissage automatique à l’auto-adaptation des systèmes de production. Dans un premier temps, nous étudions la façon dont la littérature aborde ce domaine et en proposons un cadre conceptuel dans le but de faciliter l’analyse et la formalisation des problèmes associés. Ensuite, nous étudions une stratégie d’apprentissage à partir de modèles qui ne nécessite pas d’ensemble d’apprentissage. Nous nous intéressons plus précisément à une nouvelle approche basée sur la programmation génétique linéaire visant à extraire des connaissances itérativement à partir d’un modèle de simulation pour déterminer quand et quoi faire évoluer. Notre approche est implémentée à l’aide d’Arena et μGP. Nous l’appliquons à différents exemples qui concernent l’ajout/retrait de cartes dans un système à flux tiré, le déménagement de machines ou encore le changement de politique de réapprovisionnement. Les connaissances qui en sont extraites s’avèrent pertinentes et permettent de déterminer en continu comment chaque système peut s’adapter à des évolutions. De ce fait, elles peuvent contribuer à doter un système d’une forme d’intelligence. Exprimées sous forme d’un arbre de décision, elles sont par ailleurs facilement communicables à un gestionnaire de production. Les résultats obtenus montrent ainsi l’intérêt de notre approche tout en ouvrant de nombreuses voies de recherche. / Manufacturing systems must be able to continuously adapt their characteristics to cope with the different changes that occur along their life, in order to remain efficient and competitive. These changes can take the form of the evolution of customers demand for instance. It is essential for these systems to determine when and how to adapt (e.g., through changes in capacities). Unfortunately, such issues are known to be difficult. As manufacturing systems are complex, dynamic and specific in nature, their managers do not always have all the necessary expertise nor accurate enough forecasts on the evolution of their system. This thesis aims at studying the possible contributions of machine learning to the self-adaptation of manufacturing systems. We first study how the literature deals with self-adaptation and we propose a conceptual framework to facilitate the analysis and the formalization of the associated problems. Then, we study a learning strategy relying on models, which presents the advantage of not requiring any training set. We focus more precisely on a new approach based on linear genetic programming that iteratively extracts knowledge from a simulation model. Our approach is implemented using Arena and μGP. We show its benefits by applying it to increase/decrease the number of cards in a pull control system, to move machines or to change the inventory replenishment policy. The extracted knowledge is found to be relevant for continuously determining how each system can adapt to evolutions. It can therefore contribute to provide these systems with some intelligent capabilities. Moreover, this knowledge is expressed in the simple and understandable form of a decision tree, so that it can also be easily communicated to production managers in view of their everyday use. Our results thus show the interest of our approach while opening many research directions.

La disponibilité limitée de vaisseaux sanguins autologues pour les chirurgies vasculaires telles que le pontage coronarien ou périphérique et les performances cliniques insuffisantes des prothèses vasculaires pour le remplacement de vaisseaux sanguins de petit diamètre (Ø &lt; 6 mm) justifie la recherche dans le domaine du génie tissulaire vasculaire. L’une des stratégies explorées – le génie tissulaire fonctionnel – vise à régénérer un vaisseau sanguin in vitro dans un environnement contrôlé appelé bioréacteur. L’objectif de cette thèse est de concevoir un bioréacteur à perfusion et de développer un système de contrôle pour ce bioréacteur afin d’interagir de manière dynamique avec une construction artérielle dans le but de guider et de stimuler la maturation de constructions artérielles. La principale question étudiée dans ce projet est de déterminer comment choisir les conditions de culture à l’intérieur d’un bioréacteur le plus efficacement possible. Deux grands enjeux ont été identifiés : d’abord, le besoin de comprendre les différents phénomènes physiques et biologiques qui se déroulent à l’intérieur du bioréacteur. Ensuite, la nécessité de diriger la régénération du tissu vasculaire. Une commande utilisant le concept de programmation génétique fut développé afin de modéliser en temps réel la régénération du tissu vasculaire. En utilisant les modèles générés, la commande recherche une stratégie optimale de culture (déformation circonférentielle, cisaillement longitudinal et fréquence du débit pulsé) en considérant un processus de décision Markovien résolu par programmation dynamique. Par simulation numérique, on montre que cette méthode a le potentiel de favoriser une croissance plus rapide et plus sécuritaire des tissus en culture et permet d’identifier plus efficacement les paramètres importants pour la croissance et le remodelage des constructions artérielles. La commande est capable de gérer des modèles de croissance non linéaires. Expérimentalement, le système développé permet de mieux comprendre l’évolution des propriétés mécaniques d’une construction artérielle dans un bioréacteur. / The limited availability of autologous blood vessels for bypass surgeries (coronary or peripheral) and the poor patency rate of vascular prosthesis for the replacement of small diameter vessels (Ø &lt; 6 mm) motivate researches in the domain of vascular tissue engineering. One of the possible strategies named functional tissue engineering aims to regenerate a blood vessel in vitro in a controlled environment. The objective of this thesis is to design a perfusion bioreactor and develop a control system able to dynamically interact with a growing blood vessel in order to guide and stimulate the maturation of the vascular construct. The principal question addressed in this work is: How to choose culture conditions in a bioreactor in the most efficient way? Two main challenges have been identified: first, the need to develop a better comprehension of the physical and biological phenomenon occurring in bioreactors; second, the need to influence and optimize vascular tissue maturation. A controller based on the concept of genetic programming was developed for real-time modeling of vascular tissue regeneration. Using the produced models, the controller searches an optimal culture strategy (circumferential strain, longitudinal shear stress and frequency of the pulsed pressure signal) by the mean of a Markov decision process solved by dynamic programming. Numerical simulations showed that the method has the potential to improve growth, safety of the process, and information gathering. The controller is able to work with common nonlinearities in tissue growth. Experimental results show that the controller is able to identify important culture parameters for the growth and remodelling of tissue engineered blood vessels. Furthermore, this bioreactor represents an interesting tool to study the evolution of the mechanical properties of a vascular construct during maturation.