Apprentissage Adaptatif et Apprentisage Supervis? par Algorithme G?n?tique

Dans cette these, nous nous sommes interesses d'une part a un probleme de controle en robotique et en automatique caracterise par des variations imprevues dans les modeles du robot et de son environnement, et d'autre part a un probleme d'apprentissage de regles a partir d'une base d'exemples comportant de nombreuses valeurs inconnues. Pour ces deux problemes, nous avons utilise les algorithmes generiques, qui sont des procedures d'optimisation inspirees de la selection naturelle, en essayant de les rendre plus controlables de maniere a traiter des connaissances du domaine. Le premier algorithme elabore (agil) est une extension des systemes de regles genetiques qui apprend des regles de controle et adapte ces regles aux variations du systeme a controler. Il a ete teste sur des problemes simules. Le deuxieme algorithme (sia) s'inspire des principes de l'algorithme aq mais en utilisant un algorithme genetique comme mecanisme de recherche. Il traite les valeurs inconnues sans essayer de les remplacer. Il a ete teste sur plusieurs bases de donnees et a ete applique a l'analyse d'un domaine judiciaire. Ces deux algorithmes utilisent des heuristiques explicites et peuvent traiter differents types de connaissances du domaine