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.

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 < 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 < 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.

In this work, we present a way to extend Ant Colony Optimization (ACO), so that it can be applied to both continuous and mixed-variable optimization problems. We demonstrate, first, how ACO may be extended to continuous domains. We describe the algorithm proposed, discuss the different design decisions made, and we position it among other metaheuristics.<p>Following this, we present the results of numerous simulations and testing. We compare the results obtained by the proposed algorithm on typical benchmark problems with those obtained by other methods used for tackling continuous optimization problems in the literature. Finally, we investigate how our algorithm performs on a real-world problem coming from the medical field—we use our algorithm for training neural network used for pattern classification in disease recognition.<p>Following an extensive analysis of the performance of ACO extended to continuous domains, we present how it may be further adapted to handle both continuous and discrete variables simultaneously. We thus introduce the first native mixed-variable version of an ACO algorithm. Then, we analyze and compare the performance of both continuous and mixed-variable<p>ACO algorithms on different benchmark problems from the literature. Through the research performed, we gain some insight into the relationship between the formulation of mixed-variable problems, and the best methods to tackle them. Furthermore, we demonstrate that the performance of ACO on various real-world mixed-variable optimization problems coming from the mechanical engineering field is comparable to the state of the art. / Doctorat en Sciences de l'ingénieur / info:eu-repo/semantics/nonPublished