La fourmi nous permet aussi de constater qu’un système d’agents hétérogènes tel que la four- milière peut être éventuellement composé de plusieurs systèmes multi-agents homogènes et/ou auto- nomes (entités). On s’aperçoit que la notion d’hétérogénéité / homogénéité / autonomie dans la nature, dépend directement de l’observateur qui définit la problématique qui l’intéresse.
Regardons maintenant au niveau de la simulation comment sont modélisés les systèmes multi- agents. Nous nous attacherons à établir un parallèle avec la présente conclusion.
2.3. MODÈLES SIMULÉS 33
2.3
Modèles Simulés
Avant de parler de modèle de communication, nous allons définir le cadre dans lequel un modèle peut s’exprimer à l’aide de l’outil informatique. Il s’agit d’environnement simulé où les agents et leur environnement vont être “concrétisés” de différentes façons en fonction du modèle abordé. Les mo- dèles simulés nous obligent à étudier avec soin les résultats des expérimentations avant d’en déduire leur intérêt par rapport aux systèmes multi-agents.
Nous profiterons de ce parallèle entre nature et modèles simulés afin, dans un premier temps, de nous demander de quel degré de liberté la simulation doit disposer par rapport à la réalité. Si la simulation a pour but de créer de toutes pièces des êtres simulés qui n’auront de liens avec la réalité que par les règles d’évolution qui leurs sont imposées, on parlera alors d’éthologie synthétique.
Si la simulation a pour but de simuler le comportement d’un être réel simplifié pour l’occasion, on parlera alors d’animal artificiel ou animat. Les animats nous donnerons l’occasion de mieux ap- préhender les limites de la simulation par rapport au modèle réel.
Enfin, nous regarderons comment la simulation peut être appliquée à des modèles réels que sont les robots.
Chacune de ces catégories nous permettra de décrire des exemples où la communication est em- ployée de diverses façons avec différents systèmes multi-agents. Enfin nous pourrons conclure sur l’intérêt des modèles simulés par rapport aux modèles naturels vu précédemment et définir une ligne de conduite de nos expérimentations sur la communication.
2.3.1 Éthologie synthétique
L’éthologie synthétique, comme son nom l’indique, a pour but d’étudier un comportement parti- culier propre à un animal, dans un milieu synthétique. Le but n’est toutefois pas de reproduire, par simulation, un système naturel existant. Par contre, l’étude d’un comportement implique la création d’un monde artificiel adapté à cette étude. Ce monde est composé d’organismes synthétiques éga- lement adaptés à l’étude. Les règles qui régissent ce monde sont simples. L’éthologie synthétique permet :
– une évolution plus rapide que dans la nature.
– d’avoir un environnement simulé beaucoup plus simple que le modèle naturel. – d’avoir un contrôle total sur les variables qui régissent le monde artificiel.
– de mieux contrôler les expérimentations en permettant à deux populations initiales éventuelle- ment identiques d’avoir une évolution différente.
Grâce à l’éthologie synthétique, on peut trouver les propriétés d’un système naturel par induction. Cette approche a l’avantage en outre d’éviter d’effectuer des observations sur des animaux qui ne sont plus dans leur cadre naturel et dont l’observation ne peut alors démontrer un comportement réel.
[MacLennan, 1991, MacLennan et Burghardt, 1994] s’est attaché à étudier la communication à l’aide de monde synthétique. Les organismes simulés (simorgs) dans ces expérimentations sont des
34CHAPITRE 2. S’INSPIRER DE LA NATURE POUR COMMUNIQUER : POURQUOI ?, COMMENT ? automates à états finis. Ils sont composés de règles :
∑γλ
∑
R
où∑représente le numéro d’état,γreprésente la variable globale,λreprésente l’état interne,∑ est le nouveau numéro d’état et R la réponse. En résumé la règle fonctionne comme suit :
“Si je suis dans l’état∑et que la variable d’environnement globale vautγet que mon état interne vautλalors je passe dans l’état∑et je fais la réponse R”.
Les simorgs se servent d’un tableau noir comme environnement global i.e. d’une variable accessible à tous, pour prendre des décisions. Cette variable globaleγsimule un médium de communication qui permet donc aux simorgs de communiquer. Durant un cycle, un simorg peut soit agir en essayant de trouver l’environnement local de celui qui a émis, soit émettre la nouvelle valeur de γ. Tous les 5 cycles, l’environnement local des simorgs est changé. Une génération représente 10 changements de leurs environnements locaux. Si l’actionλdu simorg testé correspond à l’environnement localλde l’émetteur, il y a succès : les tests mesurent la coopération effective entre les agents. Les simorgs sont des automates complets qui disposent de toutes les configurations possibles ∑γλ
dans leur capital de règles.
[MacLennan et Burghardt, 1994] proposent de tester leurs simorgs sans communication en chan- geant aléatoirement l’environnement global après chaque décision de l’un d’entre eux. Afin de mesu- rer les succès de communication, ils proposent d’utiliser une matrice dénotationnelle M dont le but est de représenter tous les couples γλ
qui ont mené au succès. En effet, à chaque fois qu’un simorg
SRtrouve l’environnement localλdu simorg SE émetteur du messageγ, une récompense est attribuée à SR et SE. De plus, on ajoute une unité à la matrice dénotationnelle aux coordonnées γλ
pour marquer le succès. Cette matrice permet de remarquer si les simorgs utilisent des symboles distincts, i.e. un lexique, pour représenter leurs environnements locaux. La mesure d’entropie permet de vérifier si un lexique existe au sein de la population de simorgs [Shannon et Weaver, 1949]. Elle permet de distinguer le bruit dans un signal et de savoir si celui-ci est fiable. L’adaptation faite ici permet de voir s’il y a beaucoup d’erreurs, de bruit, dans les échanges entre simorgs. [Atlan, 1992] nous donne les bases de ce calcul de l’entropie H :
H ∑i
jpi j log2 pi j
où pi jest ainsi définie par [MacLennan et Burghardt, 1994] :
pi j M ij
∑i jMij
Soit M la matrice dénotationnelle, M ij
est l’élément de la ligne i et de la colonne j. Si∑ i jM ij
vaut 0 alors on ajoute 0 à H. Cette mesure est divisée par le logarithme népérien de 2 afin de faciliter son interprétation.
Une matrice est dite “idéale” lorsqu’elle est constituée d’un seul poids supérieur à 0 par ligne et par colonne ce qui représente alors un lexique parfait dans lequel chaque mot a un sens unique et inversement. Ce nombre est “idéalement” identique dans toute la matrice. La mesure entropique d’une matrice idéale 8 8 (cf. table 2.2) est :
2.3. MODÈLES SIMULÉS 35