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.

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.

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.

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.

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.