Ce projet développe un algorithme génétique pour approximer une lettre ou une forme géométrique à partir d'une population d'individus. Il permet d'optimiser des solutions en simulant des processus évolutifs, avec des réglages personnalisables pour la mutation, la reproduction et la sélection. Les résultats peuvent être visualisés graphiquement et exportés en fichiers CSV pour analyse.

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 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 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 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 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.

Outil interactif dédié à l'optimisation du placement des sirènes d'alerte pour maximiser leur couverture sonore. Basé sur des modèles acoustiques et des algorithmes génétiques, il permet d'évaluer et d'améliorer l'efficacité des réseaux de sirènes dans les zones urbaines et périurbaines. Destiné aux collectivités et services de sécurité civile.

PLIBS_9_LEARNING est une bibliothèque logicielle dédiée à l'analyse et à la modélisation de données issues de simulations ou d'expériences scientifiques. Elle permet de configurer, exécuter et visualiser des algorithmes d'optimisation avancés, notamment basés sur des méthodes génétiques. Utilisée principalement en physique expérimentale, elle facilite l'interprétation des résultats et l'ajustement de modèles théoriques aux données observées.

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.