Évaluation et mesure des propriétés des SMA

2.4 Évaluation et mesure des propriétés des SMA

2.4.1 Évaluation des propriétés des SMA

La notion d’émergence a été employée à l’origine par les physiciens et les biologistes pour exprimer l’apparition d’un phénomène au sein d’un système. Dans le cadre des SMA, selon M.R.Jean [1997], si le système dispose d’une dynamique, i.e. ”une itération entre interprétation de leur environnement local par les agents, action des agents sur cet environ-nement, nouvelle interprétation de l’environnement modifié, nouvelles actions, etc. Quand une telle dynamique (ou certaines de ses composantes) se stabilise on peut parler d’émer-gence d’une structure ou de fonctionnalité globale.”

Ce phénomène est une manifestation qui ne peut être simplement expliquée par la connaissance des constituants du système. Plus généralement, on peut formuler l’émer-gence comme l’idée qu’il existe dans un système des propriétés présentes à un niveau global d’organisation qui ne peuvent être déduite des propriétés du niveau local. L’émergence est vue par conséquent comme une apparition (phénomène physique comme l’émergence de la vie). Par définition même, il est très difficile de caractériser l’émergence dans les SMA. Pourtant, pour de nombreux SMA, il est intéressant de mesurer des propriétés globales afin d’évaluer la performance ou les propriétés des solutions obtenues.

2.4.2 Mesure de propriétés globales d’un SMA

La mesure de propriétés globales d’un SMA repose sur l’évaluation de l’efficacité du système par rapport à la tâche à accomplir. Les mesures sont faites en prenant en compte les propriétés locales et globales telles que l’objectif de l’agent ou du système et la dynamique de l’environnement. Afin de réaliser cette mesure, plusieurs approches ont été développées en s’inspirant de la biologie (valeur de fitness, ...), de la sociologie (fonction d’utilité, sa-tisfaction, altruisme, ...) ou de la physique (entropie, énergie, ...). Celles-ci (cf. figure 2.7) peuvent être classées en trois catégories :

Catégorie 1 Catégorie 2 _{Catégorie 3}

1. Evaluation par rapports aux objectifs globaux du système.

2. Evaluation globale basée sur la mesure des phénomènes globaux.

3. Evaluation des phénomènes émergents globaux en prenant en compte les mécanismes locaux

– Evaluation par rapports aux objectifs : la première catégorie est la plus simple. Cet indicateur s’appuie seulement sur la définition du meilleur résultat que l’on peut obtenir et mesure la différence entre ce résultat optimal, et la solution trouvée [Mei-gnan et al., 2007, Moujahed et al., 2007]. par rapport au domaine d’application et l’évaluation des indicateurs communs. Par exemple, si un système vise à trouver le chemin le plus court dans un graphe, il est facile d’évaluer ses résultats par rapport aux chemins trouvés par d’autres méthodes.

– Evaluation globale basée sur la topologie (ou la dynamique) : la deuxième caté-gorie est la plus répandue dans la littérature. Dans les cas où l’inspiration est phy-sique, l’entropie peut être utilisée pour estimer l’ordre ou l’organisation du système. Il existe plusieurs méthodes pour calculer l’entropie comme l’entropie sociale hié-rarchique [Balch, 2000], ou l’entropie dynamique ou statistique [Parunak and Brue-ckner, 2001]. Toutefois, ce type de mesure a deux inconvénients majeurs. Première-ment, elle dépend de l’historique, en particulier des transformations du système. Elle ne peut pas être considérée comme une fonction d’état. En d’autres termes, deux sys-tèmes peuvent être dans un même état, mais avec deux valeurs différentes d’entropie en fonction de leurs états antérieurs. Deuxièmement, l’entropie est une mesure qui ne prend pas en compte les phénomènes locaux du système.

– Indicateurs globaux basés sur des phénomènes locaux : La troisième catégorie d’indicateurs tend à pallier ces inconvénients. Une solution générique est le calcul de l’énergie comme une fonction d’état à la fois sur l’agent et sur les niveaux du système [Gaud et al., 2007]. Cependant, l’énergie n’est pas toujours facilement calculable et doit donc être limitée à des modèles à base de forces ou de champs de potentiel. Enfin, d’autres méthodes intéressantes, sur la base de la physique statistique et la thermody-namique, semblent être de plus en plus utilisées [Contet et al., 2008]. Ces méthodes sont basées sur la fonction de partition Z dont découlent toutes les fonctions de l’État (fonction de Gibbs, énergie libre, enthalpie, enthalpie libre, etc) des systèmes ther-modynamiques. Les méthodes basées sur la fonction Z sont en mesure de prendre en compte, statistiquement, tous les composants du système afin d’en calculer une va-leur représentative. Un potentiel intéressant est l’énergie libre A qui mesure le travail accessible à partir d’une transformation réversible. L’étude de l’énergie libre permet de déduire certaines propriétés sur l’évolution du système en fonctions de paramètres locaux. La principale difficulté dans l’utilisation des ces méthodes est la restriction des cas d’utilisation. Par exemple, la question : "Est-ce que le nombre d’agents est

2.5 Conclusion 41

suffisamment important pour être statistiquement significatif ?" peut se poser. En fait, d’après Balian [2007] la validité de l’approche statistique ne repose pas sur le nombre d’agent, mais sur le nombre d’états possibles dans le système. Ainsi, si l’environne-ment est continu, le nombre d’états accessibles est infini, ce qui permet d’utilisation de l’approche statistique.

2.5 Conclusion

Les systèmes multi-agents offrent une solution particulièrement intéressante pour la ré-solution de problèmes complexes. Ils sont applicables à un large panel d’applications. Parmi les modèles classiques, l’approche réactive est l’une des plus pertinentes du point de vue des ses propriétés (simple, flexible, fiable, adaptable, ...). Ces systèmes sont composés d’agents réactifs, des entités simples dont le comportement est basé sur leurs propres perceptions. La différence entre l’utilisation d’un système multi-agents (SMA) et une méthode classique de résolution de problèmes, réside dans le rôle et l’importance des interactions. De même, l’environnement joue un rôle prépondérant, puisqu’il est l’endroit où le système peut cal-culer ses nouvelles variables, construire de nouvelles structures et enfin communiquer. En effet, dans le paradigme agent, un seul agent ne peut ni connaître la représentation globale du problème ni calculer la solution globale. En revanche, la solution est obtenue grâce aux mesures des interactions agent-agent et/ou agent-environnement.

Cependant, les systèmes multi-agents souffrent de l’imprédictibilité de l’émergence, de la difficulté de réaliser une mesure des propriétés du système et du manque de méthodes de vérification de son bon fonctionnement.

CHAPITRE 3