Abstract:
Les réseaux de neurones artificiels constituent l’un des outils les plus performants de l’Intelligence Artificielle. Ces réseaux possèdent des caractéristiques intéressantes telles que la modélisation de fonctions non linéaires, le traitement parallèle, l’apprentissage,…. Ces caractéristiques font qu’ils sont des candidats idéaux pour l’identification des systèmes non
linéaires. Cependant, l’utilisation des réseaux de neurones entraîne des inconvénients tels que : difficultés lors de l’apprentissage de systèmes hautement complexes et la lenteur de l’algorithme de rétro- propagation. Face à ces inconvénients, on s’est tourné vers l’application des algorithmes génétiques pour entraîner les réseaux de neurones et optimiser leurs structures. Dans ce travail, on a surmonté la difficulté d’entraînement en utilisant les algorithmes
génétiques, appliqués à trois types de réseaux de neurones, à savoir : réseaux multi-couches (MLP), réseaux à mémoire et réseaux récurrents à temps discret (DTRNN). Les résultats théoriques sont validés sur un exemple académique puis sur le modèle onduleur-MLI-machine asynchrone.
