Résumé: Les algorithmes génétiques sont une classe d'algorithmes d'optimisation inspirés de la théorie de l'évolution des espèces. Un ensemble de solutions de départ appelé population est généré de façon aléatoire. Cette population est évoluée pendant un certain nombre de générations. Pour chaque génération, l'algorithme applique un ensemble d'opérateurs évolutionnaires : sélection, croisement et mutation. L'opérateur de sélection permet de déterminer, pour chaque génération, les meilleurs individus, sur lesquels seront appliquées les opérations de croisement et de mutation. ? l'issue de ces étapes, les meilleurs individus des deux générations parents et enfants sont sélectionnés pour former la nouvelle génération. Ce processus d'évolution de population se répète pour un certain nombre de générations dans l'objectif de converger vers une bonne solution. Les opérations impliquées par cet algorithme s'appliquent à chaque paire d'individus sélectionnés indépendamment des autres paires. Ce qui confère à cet algorithme la possibilité de parallélisation. Plusieurs schémas de parallélisation sont déjà proposés dans la littérature et testés sur divers problèmes et sur plusieurs types d'architectures parallèles (clusters, grilles, GPU). Dans ce travail, nous nous intéressons à l'implémentation des stratégies de parallélisation habituelles sur un cluster Hadoop, en utilisant le modèle de programmation MapReduce. Ce dernier a été conçu par Google dans le but de simplifier la parallélisation d'applications de traitement de grandes masses de données distribuées dans leur réseau. Ce modèle a ensuite été implémenté dans plusieurs Framework dont Hadoop qui est actuellement très utilisé chez les fournisseurs de Cloud. L'objectif de ce projet est d'adapter les schémas de parallélisation habituels des algorithmes évolutionnaires afin de les exécuter efficacement sur Hadoop MapReduce. En effet, la structure d'un algorithme évolutionnaire diffère des applications orientées données généralement parallélisées avec MapReduce. Alors, nous avons dû faire un effort d'adaptation afin d'implémenter les stratégies de parallélisation classiques des Algorithmes Génétiques sur Hadoop MapReduce. Pour le déploiement des modèles à implémenter et les tests correspondant, nous avons exploité le cluster IBNBADIS du CERIST.

Edition: Alger: Université des Sciences et de la Technologie Houari Boumediene
Langue: Français
Collation: 75 p. ill. ;30 cm.
Diplôme: Master
Etablissement de soutenance: Alger, Université des Sciences et de la Technologies Houari Boumediene. Faculté d'Electronique et d'Informatique
Spécialité: Informatique
Index décimal 621 .Physique appliquée (électrotechnique, génie civil, génie mécanique, ingénierie appliquée, principes physiques en ingénierie)
Thème Informatique

Mots clés:
Hadoop
Algorithmes génétiques
MapReduce

Note: Bibliogr. pp71-72; Annexe pp.73-75