Nous constatons qu’il y a des écarts significatifs dans les résultats. Nous remarquons également que le succès de communication est en progrès dans les deux cas. [Noble et Cliff, 1996] le soulignent parfaitement, les simorgs ont un comportement parfois aléatoire qui est dû principalement à la façon dont les simorgs communiquent : c’est à dire dans l’ordre où ils ont été créés et avec le simorg qui se trouve après eux. Cette remarque souligne que l’on ne peut pas exploiter pleinement l’éthologie synthétique dans de telles circonstances. L’idée reste valide mais simplement mal appliquée, ce qui empêche toute généralisation des observations effectuées dans le monde réel. La mesure que nous proposons, montre bien que la communication n’est pas parfaitement établie entre les simorgs. Le constat fait par [Noble,1998]12 est la principale raison de cet échec. Les résultats obtenus avec la fausse matrice idéale indiquent que l’ancien calcul ne permet pas de mesurer le stade d’évolution de la formation d’un lexique. La nouvelle mesure indique qu’il y a bien communication puisque le système identifie clairement 8 sens avec le premier mot toutefois on ne peut parler de lexique puisque chacun des sens n’est pas clairement distingué par un mot unique, i.e. le lexique n’est pas encore formé.
6.2.3 Conclusion
Nous venons de définir un modèle minimal de communication qui se compose de deux systèmes de classeurs qui représentent chacun des agents et qui communiquent en jouant au language games et plus particulièrement au naming games puisque le but du jeu n’est pas d’apprendre à parler mais d’apprendre à nommer des “environnements locaux” contenus dans les classeurs des agents commu- nicants. Nous avons défini la structure que doit avoir chaque classeur pour communiquer de manière minimale. Les agents hétérogènes communiqueront à tour de rôle et nous mesureront leur perfor- mance à l’aide de la nouvelle mesure Succes_Communication qui reflète le taux de formation du lexique des agents à l’aide de la nouvelle mesure d’entropie. Nous allons voir maintenant quelques exemples d’application du modèle minimal, aussi bien au niveau de l’éthologie synthétique que de robots simulés.
6.3. APPLICATION 129
6.3
Application
Cette partie présente trois implémentations du modèle minimal de communication : une première expérimentation basée sur des systèmes de classeurs de type Pittsburgh simplifié (cf. § 4.3.3), une seconde basée sur le XCS (cf. § 3.2.4) afin de vérifier que notre approche peut s’applique à d’autres systèmes de classeurs et enfin nous avons effectué une expérimentation en utilisant des robots simulés afin d’étudier la possibilité d’ancrage du modèle dans la réalité.
6.3.1 Systèmes de classeurs de type Pittsburgh simplifié
A partir du modèle minimal défini précédemment, nous avons fait une première expérimentation pour laquelle chaque agent est composé d’un système de classeurs dont les caractéristiques se trouvent dans les tables 6.4 et 6.6.
Paramètre Réglage
Nombre d’agents 2
Nombre d’individus (NombreIndividus) 14 Nombre de règles par individu (NombreRegles) 4
Nombre d’essais entre générations 10
TAB. 6.4 – Paramètres du système multi-agents.
Paramètre Réglage
P# 0%
PCroisement 60%
PMutation 005%
Elitisme 142 100 1429%
Mécanisme de Sélection Roulette Wheel Sélection des règles (cf. § 4.3.3) Spécifique
Croisement Monopoint
Nombre de Générations 1000
TAB. 6.6 – Paramètres de l’algorithme génétique.
Chaque agent doit “deviner” l’environnement local de l’autre agent à partir du mot que cet autre agent aura posté. Dans la définition du modèle minimal, nous avons deux bits qui expriment un mot et deux bits pour l’environnement local. Il y a donc quatre mots possibles pour deviner quatre environne- ments locaux. La mesure d’entropie sera calculée à partir d’une matrice de taille 4 4. Cette matrice
130 CHAPITRE 6. COMMUNIQUER AVEC DES SMA HÉTÉROGÈNES sera remplie à chaque fois qu’une communication est réussie entre les deux agents en ajoutant 1 à la paire motenvironnement local
correspondante. La fitness de l’agent correspond aux nombres de succès de communication qu’il a obtenu durant les essais de communication qui ont lieu entre deux générations. Les agents communiquent à tour de rôle et le classeur qui déclenche la communication est choisi au hasard parmi les quatre dont dispose l’individu en cours d’évaluation. Pour ces expé- rimentations, nous avons laissé la mutation créer des caractères génériques #uniquement dans le premier champ de la partie condition. Nous avons moyenné les résultats sur 100 expérimentations en utilisant différentes racines aléatoires.
0 10 20 30 40 50 60 70 80 90 100 0 200 400 600 800 1000 10 20 30 40 50 60 70 80 90 100 Pourcentage Generations Fitness Succes Communication
FIG. 6.3 – Résultats Modèle Minimal.
La figure 6.3 montre l’évolution de la valeur de fitness moyenne des agents ainsi que l’évolution du succès de communication au cours des générations. En 20 générations, le taux de succès de com- munication dépasse 95% puis se stabilise à 9377% en fin d’évolution. La fitness quant à elle, atteint au final 99% mais demande plus de 300 générations pour dépasser 90%. La progression rapide du succès de communication s’explique par le fait que le remplissage de la matrice dénotationnelle ne se fait que lorsqu’il y a un succès de communication et ne prend pas en compte les échecs qui se reflètent dans la valeur de fitness. Le lexique final se forme dès le début de l’évolution. Par contre, la diffusion de ce lexique au sein des classeurs, et éventuellement l’élargissement de celui-ci, demande plus de temps. Nous avons choisi de regarder deux des individus des deux populations de classeurs à la dernière génération de l’une des expérimentations choisie au hasard. Ces individus sont représen- tatifs de l’ensemble des 14 individus de chacun des systèmes de classeurs puisque la population s’est uniformisée (cf. chapitre 4). Du fait de l’uniformisation, on peut généraliser ces résultats aux agents eux-mêmes. Chacun de ces “agents” est représenté dans la table 6.7 avec leurs 4 classeurs respectifs.
De ces deux agents, nous avons déduit la table 6.8 qui reflète l’ensemble des communications possibles entre les agents en fonction du classeur choisi pour commencer la communication. Pour
6.3. APPLICATION 131 Agent 1 Agent 2 C1 01 01 : 01 00 C1 10 00 : 01 11 C2 0* 11 : 00 10 C2 *0 10 : 10 11 C3 *0 01 : 01 10 C3 01 10 : 10 01 C4 0* 11 : 10 11 C4 1* 00 : 01 01