Retour au programme

Résumés des interventions

Du modèle à l'image : un voyage périlleux
Jean-François Colonna, École Polytechnique

Dans les domaines scientifique et industriel, l'ordinateur est de plus en plus utilisé pour réaliser des expériences virtuelles. Le chemin menant alors des modèles mathématiques aux résultats numériques est semé d'embûches liées en particulier au caractère "artisanal" de la programmation, à l'inexistence des nombres réels dans l'univers numérique ou encore à l'absence d'unicité et donc à l'arbitraire des représentations visuelles.

Passage de l'ordinateur personnel au super-calculateur
Emmanuel Quemener, ENS de Cachan

Sans sombrer dans une banale comparaison introduisant la différence de "puissance" de calcul entre ces deux univers, nous commencerons par exprimer tout d'abord l'historique de ce poste utilisateur, de sa position de simple console à celle d'unité de calcul à part entière. Puis, nous nous attarderons sur les éléments techniques visant à penser que ces différences ne sont pas si marquantes mais que le plus gros changement vient de son exploitation. Ensuite, décrivant quelques approches permettant d'accéder à ces ressources, nous exprimerons comment, de son ordinateur personnel, il est possible d'aborder ces techniques à moindre coût, de les affiner sur un méso-calculateur avant de les confier à un super-calculateur. Ainsi, nous poserons quelques "jalons", lequels pourraient offrir à l'utilisateur une transition facilitée. Enfin, avant de conclure, nous aborderons ces unités de calcul cachées, enfouies dans nos équipements et dont l'exploitation à des fins scientifiques pourrait quelque peu changer notre manière de voir la frontière entre le fonctionnel et le technique dans le calcul scientifique.

Scilab : la plate-forme "open source" pour le calcul numérique
Claude Gomez, Directeur technique du consortium Scilab INRIAINRIA

Pour résoudre des problèmes de calcul scientifique, une méthode naturelle est de réaliser des programmes dans un langage comme fortran ou C. Malheureusement cela n'est pas possible pour des calculs symboliques où l'utilisation de systèmes de calcul formel est impérative. Et même dans le domaine du calcul numérique, il existe aujourd'hui une alternative avec des logiciels qui permettent d'utiliser de grandes bibliothèques de calcul et de programmer efficacement dans un langage interprété et facile à utiliser. On dispose ainsi d'une plate forme dans laquelle il est possible de bâtir des programmes et des boîtes à outils pour résoudre des problèmes dans un grand nombre de domaines. Dans ce cadre, nous présentons le logiciel à large spectre « open source » Scilab pour le calcul numérique.

Evolution artificielle : l'usage du hasard
Evelyne Lutton, INRIA - Rocquencourt - Equipe COMPLEX
http://complex.inria.fr

Les approches informatiques fondées sur des inspirations biologiques sont d'une manière générale actuellement très atttayantes pour les chercheurs et permettent d'aborder certains types de "complexité", qui restent hors de portée des techniques classiques.

Nous présenterons dans cet exposé l'une de ces approches, bien connue pour son potentiel en optimisation stochastique, dont la base est la transposition informatique de la théorie de l'évolution selon Darwin. L'évolution artificielle correspond à un ensemble des techniques fondées sur ce modèle biologique, dont les plus connues sont les algorithmes génétiques, mais on parle aussi dans ce cadre de programmation génétique, de stratégies d'évolution, de programmation évolutionnaire, selon la façon dont on traduit les principes Darwiniens dans le modèle artificiel.

Le principe de base est de copier le comportement de populations d'êtres vivants, qui s'adaptent à leur environnement à l'aide de mécanismes comme la sélection naturelle, et l'héritage génétique. La version informatique de ce modèle naturel est bien évidemment extrêmement simplifiée, c'est ce que l'on appelle aussi le darwinisme artificiel.

La caractéristique commune à ces toutes ces méthodes est qu'elles sont fondées sur la manipulation d'une population artificielle, par exemple dans le cas de l'optimisation, des points d'un espace de recherche (les solutions potentielles au problème). L'évolution de cette population est simulée grâce à des opérations aléatoires de deux types :

• une sélection, fondée sur la "performance" des individus, c'est-à-dire sur leur plus ou moins bonne correspondance avec ce que l'on recherche (dans le cas de la maximisation d'une fonction cette performance sera la fonction elle-même), pour désigner les "bons" individus, autorisés à générer des descendants ;

• des opérateurs génétiques, usuellement, croisement et mutation, qui produisent de nouveaux individus dans la population.

Ces opérations sont répétées en boucle, souvent sous forme de "générations", jusqu'à ce que la population converge. Si cette boucle est correctement calibrée, le processus stochastique associé converge vers la solution désirée (l'optimum global d'une fonction par exemple).

Un bonne part des recherches théoriques sur le Darwinisme artificiel est consacrée à savoir quand, pourquoi et comment converge un tel processus : on sait actuellement sous quelles conditions des modèles simples de ce processus convergent.

Le succès pratique de ces méthodes provient du fait que ces méthodes d'optimisation sont adaptées à des fonctions, des problèmes difficiles, complexes et irréguliers. La mécanique évolutionnaire a cependant un coût calculatoire (c'est une méthode itérative, une recherche par "tatonnement" aléatoire dirigé) qui peut devenir important. Ces méthodes sont en fait complémentaires des méthodes d'optimisation plus "standard" comme les méthodes d'optimisation déterministes qui font le plus souvent des hypothèses de régularité sur les fonctions à optimiser.

Malgré l'apparente simplicité d'un processus évolutionnaire (ce qui a conduit de nombreux programmeurs à écrire très vite "leur" algorithme génétique, parfois bien décevant), fabriquer un algorithme évolutionnaire efficace n'est pas si facile, car les processus évolutionnaires sont très sensibles aux choix algorithmiques et paramétriques, aux représentations du problème notamment.

L'expérience prouve que les grandes réussites sont fondées sur une très bonne connaissance du problème a traiter, sur beaucoup de créativité, et sur une bonne compréhension des mécanismes évolutionnaires. Il est tout bonnement hasardeux de considérer ces techniques en "boite noire", comme un "optimiseur universel". Cela dit, les "success-stories" sont nombreuses, et les techniques évolutionnaires ne sont pas très loin de faire partie de notre quotidien, il suffit par exemple d'aller visiter le site du reseau Europeen EvoNet ( http://evonet.lri.fr/ ) pour s'en convaincre ...

SWAPP : environnement partagé pour les applications de prévision numérique à Météo France
Eric Sevault, Météo France

Les applications météorologiques d'assimilation de données et de prévision numérique sont des systèmes à l'ordonnancement complexe nécessitant des ressources informatiques de grande taille et potentiellement distribuées. La capacité de mise en oeuvre de tels systèmes par une communauté de plus en plus large d'utilisateurs, eux-mêmes travaillant en réseau, requiert un cadre logiciel commun adapté.

Le Centre National de la Recherche Météorologique (CNRM) a donc initié en 2001 un projet approprié afin de disposer d'un Outil de Lancement Interactif et de Visualisation d'Expériences (OLIVE). Le caractère très générique de certaines spécifications – accès uniforme, partage des informations, persistance des données – a conduit à développer depuis 2002 un environnement logiciel commun capable de servir de receptacle à tout un ensemble d'applications de type OLIVE. Ce sytème, SWAPP (Shared, World-Wide, APPlications), est conçu fondamentalement comme un VFS (virtual filesystem) dont les composants sont des objets PERL sérialisés stockés dans des bases de données rapides. L'espace SWAPP apparaît donc à l'utilisateur comme structuré de façon analogue à l'arbre des répertoires ou des fichiers du monde UNIX/LINUX, à la différence que chaque entrée se comporte en fonction de sa généalogie de Classe. Les méthodes d'accès ou de manipulation sont multiples :

Retour au programme