Deuxième Volet de Recherche

Après s'être longtemps intéressée à la dynamique des populations en proposant des modèles mathématiques pour prédire leurs évolutions, la modélisation - et la simulation - d'agroécosystèmes s'est proposé d'étudier les interactions entre individus et/ou entre individus et leur environnement. Se sont alors développés les modèles individus-centrés qui reproduisent le comportement d'une population à partir de la description du comportement des individus qui la composent. Ces modèles s'avèrent adaptés à l'étude des agroécosystèmes notamment en permettant la prise en compte de processus décisionnels impliquant des acteurs socio-économiques (processus décisionnels nécessaires par exemple à la gestion de ces agroécosystèmes) et les processus comportementaux des entités composant ces agroécosystèmes. Les comportements, les stratégies de réalisation de buts de ces entités peuvent ainsi être modélisés.

Par leur capacité à modéliser le comportement d'un ensemble d'entités autonomes (les agents) plus ou moins expertes et plus ou moins organisées, capables d'agir et de se coordonner dans un environnement au prix d'éventuels conflits, les SMA, issus de l'intelligence artificielle distribuée, permettent de formaliser fidèlement des modèles individu-centrés. Par ailleurs, les thèmes majeurs de recherche pour les SMA (modélisation de mécanismes de décisions, de coordination et de négociation) les rendent encore plus pertinents pour aborder la modélisation de ces agroécosystèmes. Enfin, par l'homogénéité des concepts mis en œuvre, de la formalisation de ces modèles à leur exécution par émulation- simulation, les SMA permettent une véritable opérationnalisation des modèles individu-centrés. Les m odèles ainsi simulés s'apparenten t à un laboratoire virtuel' où ce rtains intervenants du monde réel et différentes abstractions liées à l'étude de ce monde sont modélisées par des agents permettant alors d'étudier la dynamique du SM A et de la comparer avec celle du système étudié.

Nos contributions dans l’organisation du jeu présenté par l’environnement de formation d’une part et la mise en œuvre des SMA en tant qu'outil de modélisation et de simulation d'agroécosystèmes d’autre part, s’é tendent sur deux pistes. La

170

première piste concerne l’organisation de l’environnement de formation sous forme de micros jeux adaptés aux rôles joués par les apprenants dans le scénario simulé d’une campagne de lutte où les agents sont contrôlés par les joueurs dans leur environnement. La seconde est centrée sur la comparaison des résultats d’un modèle mathématique de développement de population (basé sur la matrice de Leslie) avec un modèle multi-agents issue de la translation de ce même modèle mathématique. Cette formalisation du modèle mathématique en modèle multi- agents est entamée pour surpasser les contraintes liées aux niveaux de description des comportements individuels des individus de la population. Notamment, le modèle mathématique adopté dans cette étude permet seulement de calculer le nombre d’individus de la population pour chaque stade du cycle de vie d’un rongeur, alors que le modèle multi-agents, issu du modèle mathématique, est un modèle individu-centré. Il permet ainsi de suivre la dispersion spatiale des rongeurs, les nouveaux terriers confectionnés, le suivi des hectares infestés, etc.

9.3.1 _{Contribution par la proposition des micros jeux}

Dans les simulations multi-agents participatives, les joueurs se comportent comme s’ils prenaient le contrôle d’agents. Les interactions entre les joueurs se font dans le strict cadre des interactions entre agents. Cependant, cette propriété n’est pas une conséquence du jeu par ordinateur.

Nous avons conçu la partie apprentissage de notre environnement de formation sous forme de micro-jeux. Chaque micro-jeu représente une mise en situation particulière et correspond à une des phases du scénario global de la campagne de lutte. Il s’agit dans un micro-jeu d’immerger le joueur dans un environnement propre à son rôle et d’évaluer son comportement. Comme le stipule la simulation participative, il s’agit de faire participer des joueurs par l’intermédiaire d’ordinateurs à une simulation où chaque joueur tient un rôle. L’avantage des micro-jeux est qu’ils se comportent comme une boite noire par rapport à la globalité de la simulation et constituent des composants micro-simulation qui s’enchainent pour former à la fin du jeu une entité synchronisée. Chaque micro-jeu reçoit en entrée un flux d’information composé de données et de messages envoyés par les autres joueurs, après interaction du joueur avec l’interface (réalisation des actions, prise de décisions et envoi de messages) le micro-jeu enregistre les données nécessaires à l’enchainement de la simulation et envoi par l’intermédiaire d’agent les messages résultats attendus.

Un deuxième avantage de cette approche par rapport à une simulation classique ou un jeu global est que chaque micro jeu peut être diagnostiqué individuellement pour éventuellement identifier les micros jeux où les joueurs rencontrent des difficultés. Ceci

171

permet notamment de cibler les parties de la simulation qui posent problème afin de procéder rapidement à la calibration et la correction des paramètres mis en cause.

9.3.2 _{Contribution par la proposition d’agentification d’un modèle}

mathématique d’évolution de population

Nous avons adopté un modèle individu-centré mettant en évidence le développement de la population de rongeurs et leur impact sur le rendement des céréales afin de surmonter la modélisation macroscopique (taux de recrutement global des rongeurs, nombre d'hectares de céréales ravagés et la distribution spatial des rongeurs). Chaque individu (rongeur) est localisé dans son environnement ; et possède une sensibilité différente à la maturation (et donc à la reproduction) et à la zone de confection des terriers. Ce sont les contraintes environnementales qui façonneront les dynamiques spatiotemporelles de la population de rongeurs lors de la simulation. Notre modèle individu-centré est adapté à partir d’un modèle mathématique décrivant la dynamique des populations de rongeurs en fournissant les taux mensuels de survie, de maturation et de reproduction.

Le modèle écologique que nous avons adopté est basé sur le modèle présenté dans (Leirs et al., 1997) par Leirs et utilisé ultérieurement par Skonhoft dans une étude de bioéconomie. Ce modèle illustre la dynamique d'une population de rongeurs dans un contexte environnemental. Cependant, les objectifs de notre simulation ne pourraient pas être atteints par l’application directe de ce modèle, notamment en ce qui concerne le taux d’infestation des hectares par les rongeurs, leur dispersion spatiale, ainsi que la réalisation de leurs comportements.

Dans le modèle multi-agents de la population des rongeurs que nous proposons chaque agent représente un rongeur (mâle ou femelle). A part la population initiale, chaque nouvel agent est créé avec un statut de « juvénile » et devient après un certain temps « subadulte » s’il survit, enfin il acquiert le statut « adulte ». Chaque agent adopte les comportements appropriés à son statut dans le temps. Pour élaborer ce modèle nous avons adopté un certain nombre d’hypothèses. Ainsi le déplacement des rongeurs sur la grille est soumis à certaines conditions, les liens de parenté entre rongeurs sont mémorisés afin de garder l’intégrité de la population lors des déplacements, de même que le nombre des nouveaux nés soit équitablement partagé entre mâles et femelles.

Le prototype développé de la simulation reprend fidèlement la dynamique des rongeurs en intégrant les dynamiques biologiques et écologiques des rongeurs. Il permet ainsi de tester l’impact des rongeurs sur l’agroécosystème compte tenu de conditions climatiques données et du génotype et permet aussi de mesurer la capacité d’infestation des terrains agricoles par les rongeurs.

172

L’avantage de la modélisation individu-centrée réside dans le fait que la simulation se concentre plus sur les comportements des individus d’une organisation dans le but d’obtenir une émergence collective permettant d’analyser le comportement global de cette organisation.

La phase de validation du prototype développé étudie la cohérence des résultats obtenus par ce prototype avec des valeurs mesurées sur le modèle mathématique (expériences réalisées sous Matlab). Nous avons montré lors de cette phase que le modèle multi-agents représentait bien le modèle mathématique, mais qu’il devait être affiné de façon à représenter plus fidèlement le comportement du système étudié, notamment lors de la mise bas des nouveaux nés où les proportions entre mâles et femelles doivent être égales.