Ce projet vise à adapter un modèle de conformation 3D des séquences d'ADN pour représenter des plasmides circulaires, comme ceux présents dans les bactéries. En utilisant un algorithme génétique développé en Python, il permet de simuler et d'optimiser la trajectoire tri-dimensionnelle de longues séquences génétiques. L'objectif est de mieux comprendre les interactions moléculaires et d'améliorer la modélisation des structures génétiques complexes, notamment pour des applications en biologie synthétique ou en génomique.

PyParadiseo est une bibliothèque Python dédiée à l'optimisation évolutionnaire, une méthode d'optimisation basée sur les principes de la sélection naturelle et de la reproduction. Elle fournit une variété d'algorithmes évolutionnaires, tels que des algorithmes génétiques, des algorithmes memétiques et des algorithmes de recherche locale, qui peuvent être utilisés pour résoudre des problèmes d'optimisation complexes.

Ce projet simule un problème d'optimisation inspiré du jeu Agar.io, où l'objectif est d'augmenter la taille d'une cellule en la déplaçant pour consommer d'autres cellules tout en respectant une distance maximale. Plusieurs méthodes sont expérimentées pour résoudre ce problème, comme des algorithmes génétiques, des algorithmes de colonie de fourmis, du Q-learning et du clustering. L'accent est mis sur la maximisation de la taille totale collectée sous contrainte de distance.

Ce projet propose des outils pour résoudre des problèmes d'optimisation complexes en utilisant des algorithmes génétiques et des méthodes de Monte Carlo. Il permet d'analyser des séquences de données, d'évaluer des solutions et de visualiser les performances des algorithmes pour aider à la prise de décision dans des contextes variés comme la logistique ou la planification.

Ce projet propose des outils pour optimiser l'ordonnancement des flux de production dans les industries. Il permet de résoudre des problèmes complexes de planification en utilisant des heuristiques et des algorithmes d'optimisation comme le recuit simulé ou les algorithmes génétiques. Les solutions générées aident à minimiser les retards et à améliorer l'efficacité des chaînes de production.

Ce projet développe des algorithmes pour optimiser le placement d'utilités et de résidences sur une carte urbaine. Il utilise des réseaux de neurones et des algorithmes génétiques pour générer des configurations réduisant les distances de déplacement. Deux approches sont proposées : une méthode avancée basée sur l'IA et une solution plus simple pour des résultats rapides. L'objectif est d'améliorer l'efficacité des aménagements urbains en analysant les données spatiales.

Le projet channel_code fournit des algorithmes de codage et de décodage de séquences d'ADN, ainsi que des outils d'analyse de données génomiques. Il permet de protéger et de transmettre des informations génétiques de manière fiable et efficace.

Ce projet propose une méthode d'optimisation des couleurs pour les visualisations catégorielles en maximisant le contraste entre les catégories. Il utilise des algorithmes génétiques pour attribuer les couleurs de manière intelligente, en tenant compte de la géométrie des graphiques (streamgraphs, diagrammes en barres, camemberts, etc.). L'objectif est d'améliorer la lisibilité et l'interprétation des données visuelles en réduisant les ambiguïtés liées aux couleurs similaires.

Le projet kissplice2refgenome est un outil d'analyse génomique permettant l'analyse de génomes de référence, la détection de variantes génétiques et la cartographie d'assemblages génomiques. Il s'appuie sur des algorithmes avancés pour fournir des résultats précis et fiables.

Ce projet utilise des algorithmes génétiques pour simuler l'évolution de populations de véhicules. L'objectif est de faire évoluer ces véhicules vers un optimum, c'est-à-dire une solution rapide et efficace pour atteindre une cible sur un terrain donné. Le programme permet d'observer comment les caractéristiques des véhicules s'améliorent au fil des générations grâce à des mécanismes de sélection naturelle et de mutation.