3.2.5 Approches basées sur les graphes
Plutôt que d'utiliser des structures arborescentes ou
linéaires, ces approches utilisent une structure de graphes. Il est
clair que la structure de graphe est plus générale, dans la
mesure où toutes les structures précédentes peuvent
être modélisées sous forme de graphes. En outre, la
représentation matricielle que permettent les graphes peut
s'avérer quelques fois très avantageuse. L'utilisation des
graphes prend tout son intérêt lorsqu'il s'agit d'optimisation. En
effet, la plupart des problèmes d'optimisation ont été
modélisés sous forme de graphes. L'avantage de cette approche est
que tous les opérateurs de reproduction en programmation
génétique sont toujours valables. Il reste seulement à
considérer ou pas les arcs perdus lors des transformations.
3.2.6 Mise en oeuvre dans les systèmes de parole
Pour appliquer la programmation génétique aux
modèles markoviens, deux solutions sont envisageables. La
première consiste à transformer le graphe de décodage en
un arbre de décodage. Par conséquent, le modèle ne
contiendra plus de cycle, et les sommets aux bouts des arcs supprimés
seront dupliqueés pour préserver les liens. Une fois l'arbre
conçu, ont construit à partir de lui, et de façon
aléatoire, un ensemble initial de sous-arbres représentant chacun
un chemin. Cet ensemble initial sera soumis aux opérateurs de variation
et de sélection jusqu'à aboutir à un chemin satisfaisant
au sens de l'optimalité.
La deuxième solution est d'utiliser le modèle
linéaire de la programmation génétique. Comme a
été le cas dans les stratégies d'évolution, on
considère la représentation matricielle du graphe de
décodage, et chaque vecteur va donc représenter un chemin.
Cependant, les opérateurs de variation de la programmation
génétique classique ne conviennent pas tous au modèle
linéaire et leur efficacité ne peut être garantie. Il est
donc préférable de conserver la première solution.
Il en sera de même pour les modèles de
classification et les modèles à comparaison dynamique, puisqu'une
représentation arborescente n'aura aucun intérêt.
Toutefois, la programmation génétique peut servir à
améliorer la qualité des classifiers, notamment si l'on utilise
des arbres de décision. La programmation génétique peut
contribuer à améliorer la classification. On commence par un
ensemble aléatoire d'arbre de décision, qu'on fait évoluer
au fur et à mesure des générations. L'évaluation
peut considérer soit la qualité de représentation des
unités phonétique par les règles de décision, soit
le degré de correspondance des unités à leur classes.
Cette idée peut être généralisée de la
même façon aux traitement liguistiques basés sur des arbres
de décision.
| 
