Visual analytics and experimental analysis of evolutionary algorithms

Experimental analysis of evolutionary algorithms usually aims at tuning the parameter setting or at improving knowledge about internal mechanisms (operators efficiency, genetic material distribution, or diversity management for instance). This crucial step relies on the analysis of a huge amount of multidimensional data, including numeric and symbolic data. Usual features of existing EA visualisation systems consist in visualising time- or generation-dependent curves (fitness, diversity, or other statistics). But when dealing with detailed genomic information, the task becomes more difficult, as a convenient visualisation strongly depends on the considered fitness landscape. In this latter case the raw data are usually sets of successive populations of points of a complex multidimensional space. The purpose of this paper is to evaluate the potential interest of some recent visual analytics tools for navigating in complex sets of EA data, and to sketch future developements of visual analytics tools adapted to the needs of EA experimental analysis.L'analyse expérimentale des algorithmes évolutionnaires nécessite d'appréhender une grande quantité de données multidimensionelles, incluant le plus souvent des données numériques et symboliques. Il est extrêmement difficile de naviguer dans un tel ensemble de données, et plus encore d'en tirer des conclusions permettant par exemple de mesurer l'efficacité des différents opérateurs ou de régler les paramètres de l'algorithme. Les outils de visualisation qui accompagnent les différentes boîtes à outils d'algorithmes évolutionnaires donnent accès la plupart du temps à des courbes d'évolution en fonction du temps ou de la génération (fonction de fitness, indicateurs de diversité, ou autres statistiques). En ce qui concerne les informations génomiques, la tâche devient beaucoup plus ardue, car la visualisation dépend fortement du paysage de recherche considéré. Dans ce dernier cas les informations brutes se présentent sous forme d'une succession de populations de points définis dans un espace complexe et multidimensionel. Le but du travail présenté ici est d'évaluer le potentiel des outils génériques de visualisation dans le cadre de l'analyse d'algorithmes évolutionnaires, et de proposer différentes pistes de développement pour mieux adapter ces outils aux besoins de la communauté évolutionnaire