🦈Hammer time - Optimisation par l'évolution

Après la randonnée, passons à la plongée pour voir si l'évolution ne serait pas le meilleur des processus d'optimisation. On essayera néanmoins de ne pas généraliser tout à "la nature, c'est mieux" car ma maison n'est pas naturelle, mais j'aime bien y vivre, et les moustiques le sont et je les préfère loin de moi ... les formules "dame nature", "à voulu" et autre joyeuseté ne seront donc que des tournures poétiques. #DarwinWin

Point de clou, mais un requin marteau.

Les sphyrnidae (ou requins marteaux) sont une famille poisson qui, vous le savez peut-être déjà, a l'originalité de ne pas être profilé comme les autres. Une tête plate, comme d'autre requin, mais large formant un T caractéristique.

Les biologistes nous affirment que cette forme permet un meilleur odorat et les yeux aux extrémités du T une meilleure vue. Je traduis :

+ de place pour les capteurs optiques, nociceptifs et électromagnétiques (grâce aux ampoules de Lorenzini).

Hors le nombre de capteurs, les emplacements plus éloignés permettent d'affiner les mesures (ou palier à des capteurs peu précis) par le truchement de la parallaxe.

Le plus évolué

Plein de questions, avant de chercher des réponses :

1. Quel processus est à l'œuvre pour permettre à ce prédateur d'exister, en plus des autres ?
2. Si avec l'évolution, l'optimum gagne, pourquoi tous les requins ne sont pas tous les mêmes ?
3. Le requin marteau est-il optimum ? Et si oui, pourquoi ?

L'évolution, en gros

[𝑀𝒾𝓁𝓁𝑒 𝑒𝓍𝒸𝓊𝓈𝑒𝓈 𝓅𝑜𝓊𝓇 𝓁𝑒𝓈 𝒶𝓅𝓅𝓇𝑜𝓍𝒾𝓂𝒶𝓉𝒾𝑜𝓃𝓈 𝒷𝒾𝑜𝓁𝑜𝑔𝒾𝓆𝓊𝑒𝓈] | Critique admise

Génération aléatoire sur base existante

Chez les animaux la reproduction passe par la méiose, un brassage génétique qui concluent à la formation d'organismes unique combinant de façon plus ou moins avantageuse les caractéristiques des parents. Tous les enfants, même issus de même parents naissent différents (léger bémol sur les vrais jumeaux).

La vie, ce grand filtre

L'environnement dans lequel va vivre chaque enfant et les contraintes de ce milieu déterminera s'il meurt ou survie jusqu'à pourvoir se reproduire. Et ainsi de suite, génération après générations ... perpétuant les caractéristiques les plus adaptés et supprimant celle les moins adaptés. Exemple ci-dessous de générations de bactéries colonisant des milieux de plus en plus hostile.

On arrive donc à de multiples solutions adaptées (avec énormément de branches éteintes au passage), favorisé par la diversité des environnements possibles sur Terre, mais aussi rythmé par la survenue d'événements surprise modifiant radicalement et rapidement le milieu pendant de nombreuse année.

Moi et mon ordinateur, je veux faire mieux !

Réponses

Extraire des caractéristiques, je sais faire :

• Dimension crane en X, Y et Z
• Topologie générale du crâne
• Rugosité de la peau
• Position des capteurs
• Caractéristique des capteurs
• ...

Génération aléatoire

S'il faut générer des "enfants" avec des combinaisons aléatoires de ces caractéristiques, une fonction tableur pourrait suffire.

MaValeur1=Rand(Minimum;Maximum)

Mesure des effets et filtrage

Si on connait les lois, on sait les appliquer. Simulons donc des contraintes d'environnement, résultat vie/mort ? On peut avoir des résultats continus plutôt que discret, par exemple en mesurant le nombre d'enfants plutôt que la survie jusqu'à 1er enfant. Ci-dessous un exemple de simulation d'écoulement de fluide le long de la tête.

Itérations

Et puisque c'est de l'informatique, pas la peine d'attendre une majorité sexuelle et 9 à 10 mois de gestation (c'est le chiffre chez les requins marteaux), on itère ! Encore ? Aller encore ? ... [et quelques centaines d'itérations plus tard] ... On constate ...

Avec 2 parents de base, à moyenne de 100 enfants par paire de parent, avec un taux de survie de 4%, au bout de seulement 50 de cycles, on a eu :

• 5,6∙10¹⁶ individus créés au total
• dont 1,1∙10¹⁵ possibilités viables en génération finale
• Parmi cette multitude, il est aisé de sélectionner une dizaine de champions pour trouver l'élu comme dans ce tableau de résultat de conception générative réalisée dans Fusion 360

Conclusion : Darwin rules ?

Les algorithmes évolutionnaires ou génétiques sont de puissants outils pour l'optimisation. Dans la nature, la variété des résultats permet la résilience de la vie dans tous les environnements malgré parfois des changements soudain des écosystèmes.

Sur une conception de pièce, on arrive plusieurs solutions optimums (contrairement à la descente de gradient qui conclue à des optimums locaux). Le choix final peut se faire sur des critères plus nombreux.

Avis personnel : En mécanique, les optimisations sur base de génération évolutives usent de temps de calcul pour conclure à des résultats viables bien supérieur à la descente de gradient et le choix du concept finit reste assez subjectif. D'ordre général, je réserverais ce type d'optimisation à des pièces dont certains critères sont difficilement implémentable (Physique complexe, Esthétisme, ...)

Aller plus loin

• Tweet de BigBangSciCom
• Balance ta Science avec Marie DORME - La complexité de la méiose
• Les algorithmes évolutionnaires expliqués à mon chat
• Étude portant sur la simulation fluide sur le corps d'un requin marteau : A hydrodynamics assessment of the hammerhead shark cephalofoil