Abstract (FR)

La programmation génétique (GP) est affectée par un temps de calcul excessif qui est plus exacerbé par des problèmes de données intensives. Cette question a été abordée avec différentes approches telles que les techniques d'échantillonnage ou les implémentations distribuées.Dans cet article, nous nous concentrons sur les algorithmes d'échantillonnage dynamique qui donnent principalement à l'apprenant GP un nouvel échantillon à chaque génération. En faisant cela, les individus n'ont pas assez de temps pour extraire les connaissances cachées. Nous proposons l'échantillonnage adaptatif, qui est à mi-chemin entre les méthodes statiques et dynamiques. Il s'agit d'une approche flexible applicable à tout échantillonnage dynamique. Nous avons mis en œuvre certaines variantes basées sur le contrôle de la fréquence de ré-échantillonnage, que nous avons expérimenté pour résoudre le problème de détection d'intrusion KDD avec GP. L'étude expérimentale démontre comment elle préserve la puissance de l'échantillonnage dynamique avec des améliorations possibles du temps d'apprentissage et de la qualité de certains algorithmes d'échantillonnage. Ce travail ouvre de nombreuses nouvelles voies d'extension pertinentes.