Algorithmes génétiques

Une population de solutions, une fonction qui les classe, et assez de générations pour que le hasard cesse d’en être un. La méthode est ancienne et bien documentée ; l’intérêt du projet est ailleurs.

Le problème n’en est pas un seul. Le moteur, population, sélection, croisement, mutation, est séparé des environnements, et huit jeux viennent s’y brancher, du serpent au morpion, du Flappy Bird au labyrinthe, jusqu’à l’Othello et aux échecs. Ils se répartissent en deux familles qui ne posent pas la même question au réseau : ceux où il choisit une action à partir de ce qu’il perçoit, et ceux où il note une position et laisse le jeu choisir le meilleur coup. Le second cas est celui des échecs, et c’est aussi celui où le réseau devient assez gros pour que le processeur commence à peiner.

D’où le chemin CUDA, seul endroit de tous ces projets où le code qui tourne sur la carte est écrit à la main plutôt qu’appelé via une bibliothèque. Un algorithme génétique évalue la même fonction sur des milliers d’individus indépendants, ce qui est le cas d’école du calcul parallèle. Le programme n’y bascule pas systématiquement : il regarde d’abord si la carte est là, puis si le travail vaut le voyage, c’est-à-dire si l’on est en mode notation ou si le génome dépasse quelques milliers de poids. En dessous, le transfert coûte plus cher que le calcul.

Cette page ne donne pas de facteur d’accélération. Il n’a pas été mesuré sous un protocole publiable, et un chiffre de gain annoncé sans son protocole ne vaut rien, surtout celui-là, qui dépend entièrement de la taille du réseau et de la carte disponible.