Intelligence en essaim

Les insectes sociaux sont capables de résoudre un large éventail de problèmes statiques, comme : le problème du voyageur de commerce, l’affectation de tâches et la coloration de graphe. Aussi, ils sont capables de résoudre des problèmes dynamiques, comme : le routage

Figure.2.9-Cycle d’exécution d’un agent : le

comportement d’un agent peut être assimilé à une mécanique à trois phases de fonctionnements : - une perception de soi, flèche rouge, ou de l’environnement où il se trouve (ceci comprend aussi les autres agents), - une décision réactive ou cognitive qui prend en considération les perceptions précitées, et - la traduction de la décision prise en une action qui peut s’appliquer aussi bien sur soi, flèche rouge, que sur son environnement.

56

orienté connexion¹⁰ et le routage sans connexion¹¹. Les techniques employées, dans ces conditions, offrent un haut degré de flexibilité et de robustesse dans des environnements qui peuvent être très dynamiques. Elles permettent, en particulier, de résoudre de façon efficace des problèmes d'optimisation, comme le problème de l'adaptation du flux de communications circulant sur un réseau informatique. Les sociétés d'insectes ont une capacité à résoudre ce genre de problèmes d'une manière très flexible (en s'adaptant aux brusques changements de l'environnement) et robuste (en continuant à fonctionner lorsque certains individus échouent dans l’accomplissement de leur tâche). Les problèmes quotidiens résolus par une colonie sont nombreux et de nature très variée. Exemples :la recherche de nourriture, la construction du nid et la division du travail. La plupart de ces problèmes se retrouvent, aussi, dans le domaine des sciences de l'ingénieur et vie artificielle.

Les études réalisées par les éthologues ont montré que certains comportements collectifs des insectes sociaux étaient auto-organisés. L'auto-organisation caractérise des processus au cours desquels des structures émergent au niveau collectif, à partir d'une multitude d'interactions simples entre insectes, sans être codées explicitement au niveau individuel. Certaines interactions, comme celles d’une fourmi qui suit la piste de phéromone laissée par une autre, aident à résoudre collectivement des problèmes difficiles. Exemple : trouver le chemin le plus court parmi d'innombrables voies conduisant à une source de nourriture. L’intelligence en essaim est le nouveau domaine de recherche qui a permis de transformer des modèles du comportement collectif des insectes sociaux en des méthodes utiles pour l'optimisation et le contrôle. Ce domaine a permis de transformer la connaissance que les éthologues ont des capacités collectives de résolution de problèmes chez les insectes sociaux en des techniques artificielles de résolution de problèmes. Parmi les méthodes de contrôle et d'optimisation inspirés de modèles de recherche collective de nourriture chez les fourmis on peut citer l’optimisation par colonie de fourmis et le routage par colonie de fourmis.

2.4.7.1 Optimisation par colonie de fourmis

Les éthologues ont pu expliquer que les fourmis étaient capables de sélectionner le plus court chemin pour aller du nid à une source de nourriture grâce au dépôt et au suivi de pistes de phéromone. Ils ont démontré expérimentalement que lorsqu'une colonie de fourmis doit emprunter un pont à deux branches de longueurs différentes pour exploiter une source de nourriture, elle sélectionne la branche courte si la différence entre les longueurs des branches est suffisamment importante. Les fourmis déposent de la phéromone à l'aller vers la source de nourriture et au retour vers le nid (voir Figure.2.7). Au départ, le choix est aléatoire mais la branche courte devient vite la plus marquée car les fourmis qui l'empruntent arrivent plus vite au nid et auront statistiquement plus de chance de l'emprunter lorsqu'elles retourneront vers la source de nourriture [Bon¹00][Bon² 00][Bon 99]. Il a été démontré expérimentalement que même lorsque les branches ont la même longueur, les fourmis finissent par choisir une seul branche.

Problème direct : des chercheurs du domaine qui observent le phénomène de fourragement,

concrètement, dans une fourmilière s’interrogent sur la réaction collective des fourmis, lorsqu’on supprime la source de nourriture, après qu’une fourmi l’ait eu détectée et eu commencé à informer les autres ? Une fois l’expérience mise en place et répétée plusieurs fois sur la même fourmi, le résultat obtenu est inattendu ! Les fourmis informées, ont fini par tuer

10

Routage orienté connexion : les protocoles utilisés dans ce genre de réseau livrent un flux de données dans le même ordre qu'avec lequel il a été envoyé, après avoir d'abord établi une session de communication. Cela peut être une connexion de type commutation de circuits, ou de type circuit virtuel dans le cas d'un réseau de commutation de paquets. Dans ce dernier cas, il identifie les flux de trafic par un certain identifiant de connexion plutôt que par l'utilisation explicite des adresses source et destination. 11

Routage sans connexion : le protocole CLNP pour « Connectionless Network Protocol » est un protocole d'adressage normé par l'Union internationale des télécommunications, utilisé dans ce genre de routage. À l'instar d'IP, il n'impose pas l'établissement d'un circuit virtuel avant l'envoi de données.

cette dernière. Ceci nous donne une idée sur la prise de conscience collective chez les fourmis du danger que représente une fourmi dont les comportements sont incohérents.

Problème inverse: On cherche à comprendre les règles qui régissent les comportements des

fourmis pour sélectionner le plus court chemin entre le nid et la source de nourriture (voir Figure.2.9). A l’aide de la simulation sur ordinateur ils reproduisent un modèle de ce système complexe en émettant des hypothèses sur les comportements élémentaires observés chez les fourmis, dans le cas du fourragement, dans leur milieu naturel. La recherche continue dans un espace de règles simulé jusqu'à ce que le chemin le plus court émerge au macro-niveau. Les résultats obtenus ont été repris par des mathématiciens pour résoudre des problèmes classés NP-difficiles. Le problème du voyageur de commerce (voir Section 2.4.2.2) en est un exemple. Son principe général est : des fourmis artificielles sont utilisées pour construire des pistes de phéromone dont la concentration varie en fonction de la distance totale qu'elles ont parcourue, on peut obtenir des chemins quasi optimaux. Cette optimisation est une conséquence de l'interaction subtile entre renforcement et évaporation de la phéromone, qui fait que seules les meilleures liaisons subsistent [Zan 2007].

2.4.7.2 Routage par colonie de fourmis

Un réseau de communication représente un système-complexe dynamique et imprévisible : un transfert entre deux entités communicantes passe par des nœuds intermédiaires. Pour planifier le trajet du message efficacement, l’algorithme qui le route doit éviter les voies chargées afin de minimiser les délais et détourner la congestion. En plus, il doit trouver des voies de secours, lorsque les conditions de transmission deviennent difficiles.

Des chercheurs ont proposé une solution à ce problème en s’inspirant du comportement des fourmis ; des agents-fourmi déposent une information numérique, sorte de phéromone virtuelle, au niveau des nœuds du réseau afin de favoriser les passages à travers les voies non congestionnées, tandis qu’un mécanisme d’évaporation fait remonter, progressivement, ces voies désavantagées au premier plan de la sélection des routes. Pour se faire, chaque nœud dispose d’une table décrivant l’état du trafic, indiquant aux messages le chemin à suivre selon leur destination. Des agents-fourmi ajustent continuellement les valeurs des tables qui reflètent, alors, les conditions de circulation sur le réseau. Notons que, la quantité de phéromone ajoutée est inversement proportionnelle au temps de déplacement : pour un agent-fourmi qui a subit un retard important sur une route encombrée, la quantité de phéromone ajoutée dans la table (dont la valeur permet de router des messages vers cette voie surchargée) est faible. En revanche, un agent passant rapidement d’un nœud à un autre, renforce l’utilisation de la voie empruntée, en déposant une grande quantité de phéromone.

Pour la cohérence de la solution proposée, on ajoute des contraintes empêchant qu’un chemin encombré par de nombreux agents, ait une quantité de phéromone supérieure à celle déposée sur une voie non congestionnée ; fréquentée par moins d’agents. Cet algorithme de routage bio-inspiré supprime les alternatives non signifiantes grâce à une évaporation de la phéromone : toutes les valeurs des tables sont régulièrement diminuées. Les opérations d’évaporation et d’accumulation des phéromones par les agents-fourmi fonctionnent de pair; sur

Figure.2.10-Plus court chemin découvert par des fourmis : grâce à un système de

marquage par phéromone, les fourmis sont capables de découvrir le plus court chemin allant du Nid jusqu'à la nourriture. Notons que ce chemin subsiste tant que la source de nourriture n’est pas épuisée.

58 les voies encombrées, l’évaporation est supérieure au renforcement; en revanche, les chemins dégagés se renforcent. Lorsqu’un chemin qui était satisfaisant se congestionne, les agents qui l’empruntent sont retardés, et l’évaporation devient supérieure au renforcement. Le chemin est alors rapidement abandonné, et les agents découvrent d’autres voies qu’ils exploitent. L’avantage est double : - lorsque des messages sont redirigés vers des zones du réseau moins surchargées celles-ci se décongestionnent, et - les connexions sont rapides [Bon 12].

Problème inverse : La relation de dualité liant les opérations d’évaporation et d’accumulation

impose une normalisation entre les quantités de phéromone utilisées, aussi bien dans l’une de ces opérations que dans l’autre. Et ceci, afin d’éviter la congestion : - dans le cas où l’écart entre la quantité ajoutée de phéromone et celle retirée est grand, la détection de l’encombrement sera retardée et la congestion peut, alors, survenir à tout moment, - dans le cas où ces quantités sont rapprochées, des voies libérées restent inexploitées pendant une durée suffisante, ce qui a favorisé l’émergence de la congestion. Le problème d’ajustement de cet écart devient alors un problème inverse d’ajustement de paramètre à résoudre (voir Section 2.3) où l’objectif à atteindre exprime la nécessité de maximaliser l’exploitation équilibrée de toutes les possibilités de routage pour un transfert de message donné, ce qui permet d’éviter au mieux le phénomène de congestion.

Problème directe : proposer des valeurs pour les quantités d’ajout et de retrait précitées et noter

les résultats obtenus pour un algorithme de routage par colonie de fourmi implémenté dans un vrai système ou simulé. Ces observations peuvent faciliter considérablement la résolution du problème inverse.

2.4.8. Apprentissage

L’apprentissage peut être vu comme un cas particulier de résolution du problème inverse. Dans le cas d'un problème direct, on se donne des effets ou des propriétés et on en cherche les conséquences. Exemple : un avion avec des caractéristiques spécifiques est capable de supporter telle charge dans telles conditions. Dans le cas d'un problème inverse, on exprime nos besoins sous forme de spécifications souhaitées et on cherche à concevoir un système qui les vérifie. C'est en évidence le problème typique auquel sont confrontés les ingénieurs. Prenons deux exemples :

- On peut dire que la théorie des probabilités est une théorie s'attachant à un problème direct ; Si on considère un modèle paramétré désigné : La question à poser serait alors formulée ainsi : «quelles sont les probabilités associées à un tel événement ? ». Quant à la théorie des statistiques qui, elle, s’attache à un problème inverse ; la question qu’elle suscitera en présence d’un échantillon de données serait de la sorte suivante : « quel est le modèle qui permettra de l’expliquer, c’est-à-dire qui pourrait l’avoir produit ?)

- Soient deux nombres donnés, il est facile d'en trouver le produit, c’est le problème direct. Mais, il n’est pas évident de trouver à partir d'un nombre ceux dont il est le produit, c’est le

problème inverse ; plusieurs solutions existent.

Comme mentionné précédemment, les problèmes inverses sont souvent des problèmes mal posés, ne possédant pas de solution unique. Selon cette perspective, l'étude de l'apprentissage peut être vue comme la recherche des conditions permettant de résoudre un problème mal posé, c'est-à-dire des contraintes qu'il faudra ajouter pour que la procédure de résolution trouve une solution particulière [Cor 03].