Mécanismes d’auto-organisation

Étant composés d’entités autonomes interagissant localement, les systèmes multi-agents sont particulièrement appropriés à l’utilisation de mécanismes d’auto-organisation. Ceux-ci sont le plus souvent directement inspirés de la biologie ou de la sociologie.

3.2.4.1 Stigmergie

La stigmergie est un processus d’auto-organisation par modification de l’environnement que l’on trouve par exemple chez les insectes sociaux tels que les fourmis, les termites ou les abeilles (Abraham, Grosan et Ramos 2006). Ce mécanisme permet la coordination

décentralisée d’agents, grâce à des règles simples, et sans que ceux-ci ne possèdent de connaissances globales (Bourjot, Desor et Chevrier 2011). Sa forme la plus courante est le dépôt de phéromones, une substance volatile dont la concentration locale guide les agents. C’est le principe de base de l’optimisation par colonie de fourmis (ant colony optimization, ACO) dans laquelle une population d’un nombre donné d’agents-fourmis cherche le plus court chemin en se déplaçant sur les arcs d’un graphe, procédant à des allers-retours entre un point de départ et un point d’arrivé communs prédéfinis. Chaque agent-fourmi dépose sur son passage des phéromones qui s’évaporent avec le temps (Dorigo, Di Caro et Gambardella 1999). Aux intersections, la probabilité d’emprunter un arc est d’autant plus grande que la concentration en phéromones y est forte. Ainsi, plus un arc est emprunté, plus il a de chances de l’être encore. Du fait de l’évaporation des phéromones, les arcs des chemins les plus courts sont privilégiés et le système converge vers un optimum. L’usage de probabilités laisse place à l’exploration de divers chemins et à une mise à jour éventuelle si le graphe évolue ou si le point d’arrivée change.

La stigmergie est parfois désignée sous le nom d’essaim intelligent, par analogie avec les insectes et parce que les agents sont homogènes. Elle est particulièrement adaptée aux problèmes d’optimisation discrète. Elle a également été appliquée à des problèmes de contrôle comme la régulation de la charge dans un réseau peer-to-peer (Montresor, Meling et Babao ˘glu 2003) ou l’optimisation de chaînes de production (Valckenaers et al. 2007). Outre l’expression du problème sous forme d’un environnement situé dans lequel les agents peuvent se déplacer, la taille de la population, le taux d’évaporation des phéromones et le calcul des probabilités sont les principaux paramètres à définir pour chaque application.

3.2.4.2 Holons

Le terme holon a été introduit par Koestler dans un essai philosophique (Koestler 1967) comme une tentative de compromis entre holisme et réductionnisme. Un holon est une structure pouvant être vue à la fois comme une partie de holon d’un plus haut niveau (un super-holon) et comme un tout composé d’autres holons. Par exemple, un organe peut être vu comme une partie du corps humain, mais aussi comme un tout composé de cellules. Cette idée fut plus tard appliquée aux systèmes multi-agents : les agents abandonnent une partie de leur autonomie pour "fusionner" leur activité et ne plus être vus depuis l’extérieur que comme un seul agent, un holon (Gerber, Siekmann et Vierke 1999). Une modélisation en niveaux successifs de holons est appelée une holarchie (figure 3.3). Le système de Heragu et al. 2002, présenté dans la section 3.1.3.1 en est un exemple appliqué au contrôle de chaînes de production.

Une holarchie n’est pas nécessairement auto-organisatrice, mais certains mécanismes peuvent lui donner cette propriété. Par exemple, ADACOR (pour ADAptive holonic COntrol aRchitecture) utilise un principe de diffusion de l’information similaire à celui des phéro-mones, et s’applique au contrôle de chaînes de production (Leitão et Restivo 2006). Une autre possibilité d’auto-organisation et de permettre la division et la formation de holons pendant l’exécution. Par exemple, Rodriguez et al. 2011 proposent un modèle dans lequel

Figure 3.3 – Une holarchie à trois niveaux.

chaque holon d’un super-holon tient un rôle lié à l’auto-organisation. Chaque holon est soit une partie, soit la tête du super-holon. Il n’y a qu’une tête par super-holon, et celle-ci est responsable d’accepter ou de refuser de nouveaux holons dans le super-holon en cours de formation. Les règles d’acceptation doivent être définies en regard des objectifs du système, et certains holons peuvent éventuellement faire partie de plusieurs super-holons.

Dans de tels systèmes, chaque holon cherche à maximiser sa satisfaction, et doit pour cela se regrouper en super-holon avec d’autres agents. La satisfaction d’un holon comprend la satisfaction issue de ses propres efforts, celle découlant des autres holons avec qui il interagit, et celle relative au rôle qu’il tient. Les holons doivent également disposer d’une autre mesure, celle d’affinité, afin de choisir avec qui se regrouper. Cette mesure d’affinité indique le degré de compatibilité avec un autre holon, c’est-à-dire la possibilité ou non de coopérer avec lui pour accomplir un but commun. Elle est nécessairement liée au domaine.

L’auto-organisation permet ainsi à un système multi-agent holonique de s’adapter aux changements de son environnement, mais nécessite d’intégrer un comportement spécifique aux agents qui le composent afin qu’ils puissent coopérer.

3.2.4.3 Autres mécanismes

D’autres modèles d’auto-organisation dans les SMA existent, certains se basent sur la confiance et la réputation (Dondio et al. 2006), d’autres sont inspirés des capacités d’adapta-tion du système immunitaire humain (Ishida 2004), et d’autres encore imitent la diffusion d’information (sous forme de rumeurs, ou de maladies) au sein d’une population (Jelasity et al. 2007). Tous mettent à profit la distribution et la décentralisation des SMA pour aborder des problèmes dynamiques auxquels l’auto-organisation permet de s’adapter.