Partie I État de l'art 1
2.3 Critères de performance pour la patrouille en environnement discret
An d'étudier l'interêt d'une approche particulière pour la résolution du problème de la
patrouille, nous avons besoin de pouvoir mesurer ses performances. Nous présentons ici les
deux critères utilisés dans la littérature.
2.3.1 Critères basés sur l'oisiveté
Le premier critère à considérer, de par sa large utilisation dans de nombreux travaux
[Al-meida et al., 2004], est l'oisiveté. Aussi connue sous son appellation anglaise d'idleness,
l'oisi-veté correspond au temps écoulé depuis la dernière visite d'un n÷ud par un agent. Il s'agit, à
l'origine, d'un critère dénit au niveau du n÷ud mais l'agrégation de cette donnée au niveau
du graphe permet de représenter la qualité du système à un niveau global.
Plusieurs critères basés sur l'oisiveté des n÷uds permettent d'évaluer la qualité d'une
pa-trouille comme dénis dans [Machado et al., 2002] :
INI Instantaneous Node Idleness l'INI correspond à l'oisiveté d'un n÷ud du graphe à
un instant donné, c'est-à-dire au temps écoulé depuis sa dernière visite ;
IGI Instantaneous Graph Idleness l'IGI correspond à la moyenne des INI de
l'en-semble des n÷uds du graphe à un instant donné ;
WGI Worst Graph Idleness la WGI correspond à l'INI la plus importante de l'ensemble
des n÷uds du graphe à un instant donné et représente donc l'oisiveté de la cellule la
plus anciennement visitée ;
AGI Average Graph Idleness l'AGI correspond à la moyenne des IGI sur une fenêtre
temporelle donnée ; typiquement, sur la durée de la patrouille.
2.3.2 Critères basés sur la fréquence de visite
Un second critère de performances, moins répandu que l'oisiveté, repose sur la maximisation
de la fréquence de visite des n÷uds du graphe [Elmaliach et al., 2007]. Nous pouvons distinguer
plusieurs critères relatifs à la fréquence de visite des n÷uds :
Fréquence uniforme Ce critère consiste à observer la variance entre les fréquences de
vi-site des n÷uds de l'environnement. Une patrouille optimale est atteinte lorsque tous
les n÷uds sont visités à une fréquence f telle que f =
nk, avec k le nombre d'agents
patrouilleurs etnle nombre de n÷uds de l'environnement.
Fréquence moyenne Ce critère repose simplement sur la moyenne des fréquences de visite
des n÷uds du graphe. Il est donc équivalent à l'IGI pour l'oisiveté. Il reste toutefois
intéressant lorsque le critère d'uniformité ne peut être atteint c'est-à-dire lorsque
l'environnement n'admet pas de cycle hamiltonien.
2.3.3 Calcul de l'oisiveté optimale
An de juger de l'ecacité d'une politique de patrouille, il est intéressant de pouvoir la
comparer à une borne d'optimalité. Il est cependant impossible de dénir cette borne par
des moyens calculatoires, la topologie même des graphes patrouillés ayant une inuence sur
la forme de la solution optimale. Il serait donc nécessaire de réaliser une analyse de chaque
graphe pour recherche un plan de patrouille optimal. Nous calculons un minorant
a.t=t
0b.t=t
0+ 1
Figure 2.6 En visitant toujours, à un instantt, le n÷ud le plus anciennement visité, l'agent
se trouvera toujours au tempst+ 1sur un n÷ud voisin du n÷ud le plus anciennement visité.
Le système suit alors un comportement cyclique optimal.
Une patrouille optimale
Une politique de patrouille optimale consiste simplement à toujours visiter le n÷ud (dans
le cadre mono-agent) ou les n÷uds (dans le cadre multi-agent) dont le délai depuis la dernière
visite est le plus important. Pour cela, il faut que les n÷uds les plus anciennement visités soient
voisins des n÷uds sur lesquels se trouvent les agents. Lorsque cette condition est remplie, le
système visite les n÷uds toujours dans le même ordre et entre alors dans un cycle hamiltonien
(voir gure 2.6). La particularité des cycles hamiltoniens est de visiter chaque n÷ud du graphe
exactement une fois au cours du cycle. Il s'agit donc d'une solution optimale à la patrouille.
Dans le cadre multi-agent, une solution communément utilisée est de déployer les agents à
intervalles réguliers le long d'un tel cycle [Almeida et al., 2004]. Si l'oisiveté moyenne d'une
patrouille optimale sur un environnement admettant un cycle hamiltonien est facile à calculer,
prouver qu'un environnement admet un cycle hamiltonien est un problème en soi (il s'agit
d'un des 21 problèmes NP complets de Karp [Karp, 1972]).
Tous les environnements n'admettent toutefois pas de cycle hamiltonien (voir gure 2.7).
Dans ce cas, la recherche d'un cycle optimal est alors encore plus ardue.
a. un environnement hamiltonien
(6x6 cellules) b. un environnement non hamiltonien(5x5 cellules)
Figure 2.7 Deux environnements grille carrés, admettant ou non un cycle hamiltonien, l'un
de coté de taille paire et l'autre de coté de taille impaire.
Calcul d'une borne d'oisiveté optimale
Nous nous contentons donc, à défaut de mieux, de poser un minorant sur la borne d'oisiveté
moyenne optimale (à partir de laquelle nous déduisons la borne de pire oisiveté).
Ce minorant à la borne optimale est calculé en faisant l'hypothèse de l'existence d'un cycle
hamiltonien dans l'environnement qui correspond donc à une patrouille optimale (il s'agit là de
considérer l'hypothèse la plus optimiste et cette borne ne sera pas nécessairement atteignable).
Les valeurs théoriques d'optimalité d'oisiveté sont calculées comme suit : Soit v le nombre
de n÷uds accessibles de l'environnement. Nous considérons que chaque agent visite un n÷ud
à chaque itération.
Un agent seul visitera donc l'ensemble de l'environnement en v itérations. Lorsque l'agent
nit son parcours, le n÷ud le plus anciennement visité aura donc une oisiveté dev−1(puisque
l'oisiveté du n÷ud courant est égale a 0). Pournagents, l'oisiveté maximale vaudra donc
vn
−1.
Les valeurs d'oisiveté peuvent être décrites par une suite arithmétique de raison 1 et de
premier termeu
0= 0 et dont la moyenne au n
iemeterme vaut donc
un2
.
L'oisiveté moyenne instantanée optimale (IGIo) vaut donc :
IGIo=
v n
−1
L'oisiveté maximale instantanée optimale (WGIo) vaut donc :
W GIo= v
n −1. (2.2)
Dans le document
Etude de l'auto-organisation dans les algorithmes de patrouille multi-agent fondés sur les phéromones digitales
(Page 38-41)