En informatique, un algorithme anytime ("à tout moment") est un algorithme capable de donner une solution valide à un problème même s'il est interrompu avant d'avoir terminé. L'algorithme trouve de meilleures solutions au fur et à mesure de son exécution.
La plupart des algorithmes s'exécutent complètement : ils donnent une seule réponse, après une certaine quantité de calculs. Toutefois, dans certains cas il est souhaitable d'interrompre le traitement avant sa fin normale, par exemple pour réallouer des ressources critiques. Les algorithmes traditionnels ne fournissent alors aucune réponse utilisable. Les algorithmes anytime en revanche donnent une réponse partielle, dont la qualité dépend de la quantité de calculs déjà effectués, et qui est une approximation de la réponse correcte.
Utilité
[modifier | modifier le code]Le but des algorithmes anytime est d'être capable de
- produire un résultat à tout moment, sur demande
- produire des résultats de meilleure qualité, en échange de temps de calcul supplémentaire.
Ils sont flexibles en temps et en ressources. Ils sont importants dans le domaine de l'intelligence artificielle pour des problèmes difficiles et longs à calculer, car ils apportent une réponse acceptable en un temps raisonnable. Par exemple, il est crucial pour un système de tir sur cible mouvante d'effectuer ses calculs très rapidement, et même une réponse approchée peut être un progrès significatif à condition qu'elle arrive suffisamment tôt.
Les parcours d'arbres de décision sont friands de la propriété "anytime" : en effet il est souvent trop long, voire impossible, de parcourir l'arbre en entier.
Une particularité des algorithmes anytime est leur faculté de donner plusieurs réponses successives, pour une même donnée d'entrée. On peut mesurer de façon bien définie les progrès réalisés sur les réponses successives, et décider d'allouer ou pas plus de temps pour affiner la solution.
Bibliographie
[modifier | modifier le code]- Boddy, M, Dean, T. 1989. Solving Time-Dependent Planning Problems. Technical Report: CS-89-03, Brown University
- Grass, J., and Zilberstein, S. 1996. Anytime Algorithm Development Tools. SIGART Bulletin (Special Issue on Anytime Algorithms and Deliberation Scheduling) 7(2)
- Michael C. Horsch and David Poole, An Anytime Algorithm for Decision Making under Uncertainty, In Proc. 14th Conference on Uncertainty in Artificial Intelligence (UAI-98), Madison, Wisconsin, USA, July 1998, pages 246-255.
- E.J. Horvitz. Reasoning about inference tradeoffs in a world of bounded resources. Technical Report KSL-86-55, Medical Computer Science Group, Section on Medical Informatics, Stanford University, Stanford, CA, March 1986
- Wallace, R., and Freuder, E. 1995. Anytime Algorithms for Constraint Satisfaction and SAT Problems. Paper presented at the IJCAI-95 Workshop on Anytime Algorithms and Deliberation Scheduling, 20 August, Montreal, Canada.
- Zilberstein, S. 1993. Operational Rationality through Compilation of Anytime Algorithms. Ph.D. diss., Computer Science Division, University of California at Berkeley.
- Shlomo Zilberstein, Using Anytime Algorithms in Intelligent Systems, AI Magazine, 17(3):73-83, 1996
