Le module de raisonnement et de prise de d´ ecision

La capacit´e de l’agent `a raisonner est essentielle dans un SMA, car les actions entreprises par l’agent lui permettent d’atteindre des objectifs qui sont parfois en contradiction avec les objectifs d’autres agents. La prise de d´ecision devient une ´etape complexe qui n´ecessite de la part de l’agent de prendre en compte ses propres contraintes ainsi que celles de l’environne- ment. Les techniques de raisonnement les plus courantes sont :

Raisonnement d´eductif :

Le raisonnement d´eductif utilise une repr´esentation symbolique/logique des connaissances de l’agent afin de d´eduire un comportement coh´erent. Le principal d´efi consiste en la traduc- tion des objectifs de l’agent ainsi que l’environnement dans lequel il ´evolue en un formalisme symbolique/logique robuste. Cette connaissance formalis´ee est par la suite utilis´ee par l’agent afin de r´ealiser des raisonnements de d´eduction en un temps limit´e. Le raisonnement d´eductif est une approche puissante, car elle est bˆatie sur de la logique math´ematique. L’exemple sui- vant est une repr´esentation logique d´eductive qui d´ecrit la sortie d’un agent d’une chambre ferm´ee :

RobotInRoomX DoorLocked X HaveKeys Ñ T akeKeys. RobotInRoomX T akeKeys Ñ HaveKeys.

RobotInRoomX HaveKeys X DoorLocked Ñ DoorOpen. RobotInRoomX DoorOpen Ñ RobotOutRoom.

Parmi les techniques de raisonnement logique, il existe l’architecture BDI (Believe, Desire, Intention) qui offre une architecture structur´ee. Elle informe sur le pourquoi d’une action et sur les raisons de celle-ci. L’approche BDI introduit des ´etats mentaux et l’agent dispose d’un ensemble d’objectifs `a r´ealiser (les d´esirs), d’un ensemble d’actions `a entreprendre (les inten- tions) et d’un ensemble de connaissances sur l’environnement (les croyances). Le Framework JADEX est un exemple d’environnement de d´eveloppement d’architecture BDI.

La logique temporelle/modale introduite par le langage MetateM (voir Fisher, 2005) est une autre technique de raisonnement d´eductif. Elle utilise la temporalit´e pour repr´esenter les connaissances de l’agent. Ce dernier dispose d’un ensemble de r`egles qui lui permettent de d´eduire des faits/actions futurs en fonction de fait/actions pass´es. Ainsi, la temporalit´e des ´ev´enements joue un rˆole important, car elle r´ef`ere `a un historique pour ´etablir un plan d’action de l’agent. L’action devient temporelle. `A titre d’information, le langage MetateM introduit les concepts temporels ”tant que, jusqu’`a, depuis, toujours, futur et pass´e”.

Toutefois, les limites de l’approche d´eductive r´esident dans sa complexit´e. Elle n´ecessite des connaissances pouss´ees en logique, raisonnement et repr´esentation des connaissances. Le d´eveloppement d’un agent d´eductif n´ecessite l’intervention d’un expert, car la complexit´e de la base de connaissances croˆıt avec le volume des connaissances et r`egles logiques. De plus, en logique, il est compliqu´e de repr´esenter des concepts d’incertitude, de dynamisme, de tempo- ralit´e ou d’exception. La complexit´e des langages et formalisment associ´es au raisonnement d´eductif est en opposition avec l’objectif premier du projet LEOPAR : offrir un syst`eme ac- cessible `a des non experts. Il existe toutefois, une alternative au raisonnement d´eductif : le raisonnement r´eactif.

Raisonnement r´eactif :

La limite principale de l’approche symbolique/logique est imputable `a la complexit´e du raisonnement n´ecessaire et cons´equemment `a la lenteur du temps de r´eaction des agents. Le raisonnement r´eactif vient en r´eponse `a ces limites. Il stipule que certaines formes d’intelli- gence sont la r´esultante de r´eactions r´eflexes simples. Ce constat s’appuie sur l’observation du comportement de certains organismes vivants, `a l’image des insectes ou racines de plantes. D’apr`es les d´efenseurs du raisonnement r´eactif, l’intelligence peut-ˆetre le r´esultat de l’inter- action d’actions simples ou r´eflexes.

Parmi les agents r´eactifs, nous citons l’architecture de subsomption (voir Brooks, 1990). Les agents disposent d’un r´eseau d’automates d’´etats finis qui associent des stimuli externes `

a des actions (voir figure 2.3). Les automates ne disposant pas de m´ecanisme de raisonnement symbolique/logique, il en r´esulte la n´ecessit´e d’un m´ecanisme pour prioriser une action par rapport `a une autre. Comme les automates peuvent mener `a l’ex´ecution d’une ou plusieurs actions, la priorisation devient indispensable pour ´eviter un comportement incoh´erent de l’agent.

En r´esum´e, le raisonnement r´eactif permet de d´evelopper des agents robustes. Le plus grand avantage d’un tel m´ecanisme est la rapidit´e de r´eaction des agents ainsi que la facilit´e d’impl´ementer rapidement des agents simples. Cette technique de raisonnement est particu- li`erement appr´eci´ee dans le domaine de la robotique ou toute action doit se faire en un temps limit´e. Simplicit´e, robustesse et rapidit´e sont les principaux avantages de cette technique.

Toutefois, le mod`ele r´eactif pr´esente de nombreuses limites. Utiliser le raisonnement r´eactif dans le cadre du projet LEOPAR rendrait impossible la sp´ecification de processus de colla- boration entre les agents, car les actions des agents se basent uniquement sur un processus r´eflexe. Le raisonnement r´eactif ne permet pas de repr´esenter des comportements complexes.

Figure 2.3 Exemple d’automates `a ´etats finis

Raisonnement hybride :

Cette approche vient en r´eponse `a la fois aux limites du raisonnement d´eductif, qui est complexe et on´ereux en temps de calcul, et `a celles du raisonnement r´eactif, qui est trop simple pour ´elaborer des comportements complexes. Un agent hybride est un m´elange de processus de raisonnement r´eactif et d´eductif. Tout le d´efi consiste `a ´equilibrer ces deux types de raisonnement et de les transposer en un seul environnement multiagents.

Ainsi sont n´es les agents hybrides dot´es d’une hi´erarchisation des niveaux d’interaction. Les niveaux conceptuels les plus bas contiennent des actions r´eactives en r´eponse `a un stimulus particulier de l’environnement. Ce sont des actions r´eflexes. Les niveaux conceptuels les plus hauts sont des niveaux d´ecisionnels plus complexes n´ecessitant un v´eritable processus de d´eduction qui implique la coop´eration, la coordination ou la planification.

Il est important de comprendre les avantages et les limites de ces architectures pour d´eterminer, selon les besoins de l’application, le meilleur type de raisonnement `a adopter, car le meilleur langage orient´e agent d´epend de l’application `a d´evelopper (voir Wooldridge, 2009).

`

A titre indicatif, le raisonnement hybride repr´esente l’approche la plus commune. Parmi ces langages : 3APL, Jason, IMPACT, GO !, AF-APL (AGENT0 + BDI concepts).