dsfqdfqdfqdfsdf sdf ds f ds f sdf sd fs df sqdqfsdfqsdfqdf sqdf qsd f qsd f On peut en conclure qu’il n’existe pas de taux de mutation optimal pour rendre plus efficace et plus rapide l’algorithme génétique. Le taux de mutation devrait constamment changer en fonction de l’état du programme. En effet, après quelques études, on s’est aperçu que les taux de mutations élevés étaient bien plus efficaces aux débuts des simulations. Et au contraire, comme démontré par les graphiques déjà présentés, le taux de mutation doit diminuer lorsque les performances deviennent plus importantes. Quant aux autres paramètres, on peut en déduire qu’une grande population est bien plus avantagée qu’une population moins nombreuse. En effet, une population importante donne une grande stabilité génétique à la génération, ce qui la rend moins vulnérable aux accidents aléatoires causés par les mutations, tout en gardant une grande diversité, nécessaire pour trouver de nouveaux résultats plus innovants.
Il serait très intéressant de pouvoir créer une sorte « d’algorithme génétique dans l’algorithme génétique », une mise en abime pour pouvoir retrouver les paramètres (taux de mutation, tournoi...) les plus adaptés par rapport à la situation du programme.
Ces résultats prouvent que l’utilisation des algorithmes génétiques pourrait être très utile pour des projets encore plus ambitieux. Ils pourraient en effet jouer un rôle primordial dans le cadre d’un robot babyfoot complet (avec 11 joueurs). On pourrait également adapter les algorithmes pour que le robot puisse évoluer en temps réel, en affrontant des adversaires humains, ce qui rendrait les résultats encore plus proches de la réalité pratique.
On peut en conclure qu’il n’existe pas de taux de mutation optimal pour rendre plus efficace et plus rapide l’algorithme génétique. Le taux de mutation devrait constamment changer en fonction de l’état du programme. En effet, après quelques études, on s’est aperçu que les taux de