multi-agents

Top PDF multi-agents:

Une architecture multi-agents pour des sessions d'apprentissage Collaboratif

Une architecture multi-agents pour des sessions d'apprentissage Collaboratif

La collaboration entre étudiants est reconnue pour avoir une grande importance dans une session d’apprentissage. Les discussions qu’elle permet, les échanges de bons procédés entre apprenants apparaissent comme autant de moyens efficaces pour faciliter l’apprentissage d’un sujet chez un étudiant. L’un des principaux problèmes de l’apprentissage collaboratif demeure l’établissement de groupes cohérents à partir du pool d’étudiants. Dans cet article, nous présentons une architecture multi-agents permettant un enseignement collaboratif. Nous utiliserons un algorithme de réseau de neurones pour générer des groupes homogènes. Nous proposerons des agents pour déterminer le groupe correspondant le mieux aux critères de notre leçon puis dispenser le cours tout en recherchant de nouvelles données s’y rapportant sur Internet .
En savoir plus

6 En savoir plus

Multi-Agents Corporate Memory Management System

Multi-Agents Corporate Memory Management System

and vice versa. CORESE combines the advantages of using the standard language RDF for expressing and exchanging metadata, and the querying and inference mechanisms available in CG formalism. MAS Configuration and Deployment A configuration is an instantiation of an architecture with a chosen arrangement and an appropriate number of agents of each type. One given architecture can lead to several configurations. In the case of a multi-agents corporate memory system, the configuration depends on the topography and context of the place where the system is rolled out, thus it must adapt to this information landscape and change with it. The architecture must be designed so that the set of possible configurations covers the different corporate organisational layouts foreseeable. The configuration description can be studied and documented at deployment time using adapted UML deployment diagrams to represent hosts (servers, front-end...), MAS platforms, agent instances and their acquaintance graph. The deployment of the CoMMA MAS is constrained by the organisational structure of the company where it is installed. Moreover, the deployment is also driven by the network topology technical environment and its constraints (such as the topologies characteristics, the network maps and data rates, data servers location, gateways, firewalls, etc) and by interests area, where are the stakeholders (users, system managers, content providers…).
En savoir plus

25 En savoir plus

Un cadre conceptuel et opérationnel pour la simulation multi-agents

Un cadre conceptuel et opérationnel pour la simulation multi-agents

que le paradigme multi-agents permet d’exhiber. Par exemple, il supporte la modélisation en préservant les structures de la réalité simulée, les comporte- ments pro-actifs d’entités autonomes, les calculs parallèles, et les scénarios de simulation dynamiques (Davidsson, 2000). Le choix d’une politique d’or- donnancement est une partie essentielle dans la phase de conception d’un sys- tème car il en découle une gestion du temps et des activations que les agents devront respecter. Le cycle de temps d’une simulation impacte sur la gran- ularité de l’action que l’agent peut effectuer, et l’activation sur le moment où cette action peut être réalisée. La plupart des plates-formes de simulation multi-agents ont une gestion du temps discrète où le temps et les actions sont discrétisés. Dans ce cadre, un des problèmes récurrents est la synchronisation des agents (Schuldt et al., 2008). Bien que le processus d’activation impacte sur la conception des agents, il reste peu étudié actuellement et il est pris en compte lors de phase d’implémentation de la simulation rendant la distinction entre le modèle et sa mise en oeuvre difficile.
En savoir plus

15 En savoir plus

La simulation multi-agents, un outil de prévention des risques

La simulation multi-agents, un outil de prévention des risques

La méthode par la simulation multi-agents permet, sur un territoire donné, de créer diffé- rents scénarios d’événements. Par l’intégration de données SIG et de modèles numé- riques de terrain, en envisageant l’aléa à partir des informations sur les événements passés, et en tenant compte de l’apport de données sur la population à partir de relevés et de questionnaires de terrain, plusieurs types d’évacuation (de jour, de nuit, liée à l’am- pleur de l’événement…) peuvent être recréés afin de mettre en avant l’impact de l’évé- nement sur le territoire étudié et ainsi, à partir de ce constat, les dysfonctionnements territoriaux et agir sur la vulnérabilité.
En savoir plus

6 En savoir plus

Gestion des exceptions dans un système multi-agents avec réplication.

Gestion des exceptions dans un système multi-agents avec réplication.

Introduction générale Avec les progrès de la technologie de l'information, on note une constante évolution dans plusieurs domaines tels que le commerce électronique, les jeux vidéos, les eets spéciaux dans les oeuvres de ction, etc. Des entités intel- ligentes, réactives et autonomes ont pris une place prépondérante dans ces systèmes ; ces entités sont appelées des agents. Ces derniers interagissent dans leur environnement constituant ainsi un système multi-agents [9] (SMA). Au sein de ces systèmes, chaque agent possède un rôle bien déterminé et doit être capable de prendre des décisions pour atteindre ses objectifs. Toutefois, le dysfonctionnement d'un agent en raison de l'interruption de la connexion ou de la panne de la machine sur laquelle il était en train de s'exécuter peut engendrer la défaillance du système. Les systèmes multi-agents doivent alors être tolérants aux fautes. De ce fait, plusieurs approches ont été appliquées à ces systèmes tels que l'approche préventive (Réplication) et l'approche cu- rative (Gestion des exceptions). L'approche préventive consiste à gérer un dysfonctionnement possible du système en se basant sur la redondance et l'approche curative permet au programmeur de gérer dynamiquement les si- tuations qui engendrent un dysfonctionnement d'un processus donné.
En savoir plus

71 En savoir plus

Modèle multi-agents pour la prédiction des risques en chirurgie

Modèle multi-agents pour la prédiction des risques en chirurgie

de cas construit pour un problème spécifique montre cependant ses limites sur des cas non similaires. De plus, le couplage RàPC/SMA ap- porte un caractère dynamique au RàPC (statique) alors que nous aimerions une modélisation dy- namique enrichie par des expériences. En effet, la simulation multi-agents reste au cœur de notre travail dont l’enjeu consiste à "prédire dans un contexte non déterministe". Le RàPC s’intègre dès lors comme une source d’acquisition active des connaissances. La seconde approche pro- pose plutôt un système d’aide à la décision dans un environnement multi-agents. L’un des prin- cipaux objectifs est de suggérer des réponses possibles à différents contextes contraints par de nombreux paramètres. Encore une fois, l’intérêt d’un raisonnement cas par cas réside dans sa ca- pacité à trouver des solutions par analogie. Ceux- ci peuvent être ordonnés selon une hiérarchie (agent négociateur (AN), agent expert (AE)) [ 12 ] ou organisés en comités de collaboration. Le sys- tème peut explorer sa propre base de cas [ 13 ] , plusieurs bases fusionnées [ 14 ], ou des bases de données indépendantes. La recherche de cas si- milaires intègre différents principes d’initiation et d’apprentissage tels que les réseaux de neu- rones artificiels [ 15 ]. Ces outils pour l’aide à la décision qui intègrent une plus grande adapta- bilité dans l’acquisition de connaissances sont l’une des possibilités que nous avons explorées. Ce type de couplage est toutefois limité aux bases de cas, tandis que d’autres types de données telles que les traces sont des sources d’informa- tion intéressantes. Indépendamment de l’interac- tion dynamique avec toutes les entités de son en- vironnement (humain et matériel), notre modèle doit aussi intégrer l’anticipation de situations non déterministes à travers une approche mul- tidimensionnelle des phénomènes. Nous propo- sons donc une nouvelle architecture qui aborde cette question dans la section suivante.
En savoir plus

11 En savoir plus

Approche Multi-agents pour la simulation de la pollution de l’air

Approche Multi-agents pour la simulation de la pollution de l’air

9 Résumé : Ce mémoire présente une approche multi-agents pour la simulation de la pollution de l’air. L’approche décrite, vise à simuler le phénomène de pollution de l’air comme étant un système socio-environnemental. Elle inclut l’aspect physique de la dispersion et la concentration des polluants ainsi que le facteur de décision humaine concernant les activités polluantes. Deux modèles sont intégrés ensemble pour prédire la concentration des polluants, le premier est un modèle de dispersion Gaussien, il permet de calculer la dispersion par rapport aux sources de pollution, le deuxième modèle est un réseau de neurones artificiels de type RBF qui utilise les valeurs de dispersion et les paramètres climatiques pour prédire la concentration de la pollution. Ces deux modèles sont utilisés au sein d’un système multi-agents. Ce dernier, modélise sous forme d’agent, l’ensemble des acteurs impliqués dans la gestion des sources de pollution et la qualité de l’air. L’interaction et la coopération entre les agents permettent de simuler les activités anthropiques qui sont les principales causes de la dégradation de la qualité de l’air. Un système de simulation est conçu afin de montrer la faisabilité de notre approche, il vise à prédire la concentration du SO X , PM10, CO X , NO X et l’O 3 , ainsi que la qualité de l’air. Le système a été testé avec trois scénarios en utilisant les données concernant la ville d’Annaba (nord-est de l’Algérie). L’approche a permis d’étudier les différentes stratégies qui assurent la coopération, et permettent d’aider dans la prise de décision concernant la gestion de la qualité de l’air.
En savoir plus

174 En savoir plus

Utilisation des systèmes multi-agents pour la gestion de chaînes logistiques (multi niveau)

Utilisation des systèmes multi-agents pour la gestion de chaînes logistiques (multi niveau)

Conclusion Ce chapitre nous a permis d'entrer en profondeur dans l'une des notions clés de notre projet "Système multi-agents". D'une part, nous avons essayé d'énoncer les origines du système multi- agent et définir quelques termes de cet concept et d'autre part, voir comment les agents sont-ils organisés dans le système et par quel moyen communiquent-ils, enfin énumérer quelques outils utilisé dans la réalisation d'un SMA. Le chapitre suivant traite la conception et l’implémentation de notre outil de gestion de chaînes logistiques en utilisant les SMA.
En savoir plus

62 En savoir plus

MAGéo, une plateforme de simulation multi-agents pour tous

MAGéo, une plateforme de simulation multi-agents pour tous

Mots-clés : Système complexe, système multi-agents, méta-modèle, diagramme conceptuel, dynamique spatiale, plateforme de modélisation. 1 Introduction Les sciences humaines et sociales s’intéressent depuis plus d’une décennie à la modélisation et la simulation de systèmes complexes [1] spatialisés [2] et multi- niveaux [3]. De nombreuses plateformes multi-agents, c’est-à-dire de logiciels de description et de simulation de systèmes complexes, sont à la disposition des chercheurs. Elles proposent une grande variété dans les approches de modélisation, leur utilisation demande donc plus ou moins de compétences en informatique.
En savoir plus

9 En savoir plus

Pépite | De la simulation multi-agents à la simulation multi-niveaux : Pour une réification des interactions.

Pépite | De la simulation multi-agents à la simulation multi-niveaux : Pour une réification des interactions.

Les compétences couvertes vont ainsi de la dynamique non linéaire à la simulation multi-agents, en passant par le calcul formel pour la réduction des modèles équation- nels. La plupart des êtres vivants voient leur activité régulée par divers rythmes, certains appelés circadiens étant caractérisés par une période proche de 24h. Ces rythmes, ca- pables de se synchroniser avec des variations environnementales (alternance jour/nuit principalement), sont endogènes, c’est-à-dire produits par des processus biologiques internes : en l’occurrence, ils résultent souvent de mécanismes de régulation de l’ex- pression de certains gènes [126]. Rappelons que les gènes (codés par l’ADN) font l’objet d’une transcription en une séquence d’ARNm (ARN messager) qui à son tour passe par une phase de traduction en protéines, effectuée par des structures cellu- laires appelées ribosomes. La régulation de l’expression d’un gène peut intervenir à une ou plusieurs de ces étapes en activant ou en réprimant la transcription du gène, la traduction de l’ARNm, ou même l’activité de la protéine (voir par exemple les schémas ci-après, fig. 3.2 ou 3.3).
En savoir plus

150 En savoir plus

Exécution efficace de systèmes Multi-Agents sur GPU

Exécution efficace de systèmes Multi-Agents sur GPU

Cette démarche de parallélisation de l’exécution peut être rapprochée du parallélisme concep- tuel mis en œuvre dans les modèles multi-agents pour faciliter la description de systèmes com- plexes. Dans ce type de modèle, l’approche choisie est de décomposer un problème difficile ou im- possible à appréhender de manière globale en sous-problèmes dont la résolution est plus simple, de manière à obtenir une solution globale. Ces sous-problèmes sont associés à des entités, ou agents, accomplissant chacun leurs tâches de manière simultanée et faisant évoluer le système dans son en- semble. Si l’adéquation entre un parallélisme d’exécution logiciel et conceptuel semble naturelle, la parallélisation reste une démarche difficile, du fait du déroulement séquentiel des opérations et des dépendances présents dans de très nombreux modèles agents. Les plates-formes d’exécution évoquées dans le paragraphe précédent sont généralistes, et ne sont pas spécifiquement adaptées aux problématiques multi-agents. Cette absence de support spécialisé impose au concepteur de nombreux développements de structures de données ou de traitements propres à son modèle, ou l’utilisation d’une plate-forme multi-agents parallélisée fournissant déjà ces outils.
En savoir plus

159 En savoir plus

Une architecture multi-agents pour des sessions d'apprentissage collaboratif

Une architecture multi-agents pour des sessions d'apprentissage collaboratif

Conclusion Nous avons présenté une architecture multi-agents, basée sur la segmentation d’un groupe d’apprenants permettant de créer des groupes homogènes pour pouvoir mettre en place des sessions d’apprentissage collaboratifs. Nous avons également joint à notre architecture, un agent web de recherche, ceci permettant que notre base de connaissance évolue dynamiquement, devenant plus riche au fur et à mesure que les leçons se suivent. L’apprentissage collaboratif est un domaine très intéressant mais encore peu exploité en apprentissage assisté par ordinateur. Nous pensons que notre architecture pourrait s’avérer très utile principalement du fait qu’elle met en relation des personnes aux profils semblables. Cela permettrait d’améliorer la communication et l’émulation au sein d’un groupe.
En savoir plus

6 En savoir plus

Une approche du suivi de consensus pour les systèmes multi-agents

Une approche du suivi de consensus pour les systèmes multi-agents

Historiquement, l’approche multi-agents a été utilisée pour décomposer un système complexe en sous-systèmes plus simples, les agents. Chaque sous-système est commandé dans une approche cen- tralisée, pour laquelle il existe un agent particulier qui centralise les informations et contrôle tous les agents. Cette approche supporte mal le changement d’échelle, c’est à dire l’ajout ou le retrait d’agent dans le système et suppose également un lien de communication entre le superviseur et chaque agent. De ce constat est né le concept de commande décentralisée, pour lequel il n’y a pas de superviseur mais chaque agent dispose des informations de tous les autres agents. C’est une approche plus robuste vis à vis des défaillances de communication que l’approche centralisée mais elle nécessite un réseau maillé. Pour diminuer globalement la connectivité du réseau, l’idée est de ne faire communiquer entre eux que les voisins proches : c’est l’approche distribuée, qui est par nature évolutive. Du fait de l’absence de centralisation de l’information et donc de superviseur, ces SMA sont flexibles et évolutifs : l’ajout ou le retrait d’agents au SMA ne modifient pas les commandes appliquées aux agents.
En savoir plus

112 En savoir plus

Approche Multi agents pour la reconnaissance du cancer du sein

Approche Multi agents pour la reconnaissance du cancer du sein

Le cancer du sein est le cancer qui touche de nos jours de plus en plus de femmes dans le monde. Ainsi, la lutte contre le cancer est loin d‟être achevée La médecine avance sur tous les fronts afin d‟améliorer les soins des patients et vaincre cette maladie du siècle. De ce fait, il est indispensable que plusieurs disciplines continuent à apporter leur contribution et particulièrement l‟Intelligence Artificielle. Pour permettre d‟établir une aide au diagnostic médical, robuste et fiable, les systèmes multi agents (SMA) peuvent être un outil puissant de diagnostic distribué.
En savoir plus

20 En savoir plus

Un modèle macroéconomique multi-agents avec monnaie endogène

Un modèle macroéconomique multi-agents avec monnaie endogène

La pensée keynésienne apparaît alors comme un point d’appui essentiel pour le modélisateur multi-agents (Bruun [4]). En effet, la pensée keynésienne refuse d’isoler la théorie monétaire du reste de l’analyse macroéconomique. Les auteurs de l’école du ‘circuit monétaire post keynésien’ prennent explicitement en compte le fait que la monnaie est créée par les banques dans leur activité de crédit aux entreprises, et que cette monnaie disparaît dans le remboursement du crédit. L’analyse du circuit rejette la relation micro-macro fondée sur l’agrégation de fonctions microéconomiques individuelles (Graziani [10]). La théorie du circuit, théorie de la monnaie endogène, développe une analyse séquentielle du système économique (Bougrine et Seccareccia [2]) et insiste sur les rapports hiérarchiques que les flux monétaires établissent entre les agents (Rochon [21], Graziani [11], Lavoie [12]). Cette analyse semble être un point de départ pertinent pour appliquer l’approche multi-agents à la modélisation d’une économie dans laquelle monnaie et production sont étroitement liées.
En savoir plus

27 En savoir plus

Systèmes de Classeurs et Communication dans les Systèmes Multi-Agents

Systèmes de Classeurs et Communication dans les Systèmes Multi-Agents

120 CHAPITRE 6. COMMUNIQUER AVEC DES SMA HÉTÉROGÈNES Bien qu’extrêmement protectionniste, ce comportement de la fourmi ouvrière donne une chance à ses congénères de se défendre. En résumé, la fourmi ouvrière va émettre un signal dans une “langue” que les fourmis com- prennent, à savoir un signal chimique qui peut permettre en plus d’indiquer la distance à laquelle se trouve le danger. Ce signal va concerner toutes les fourmis de la colonie, il y a donc une appartenance à un système multi-agents qui justifie ce signal. Pourtant les réactions seront diverses au sein de la colonie. Les fourmis ouvrières membres de la colonie et proches du signal vont soigneusement éviter l’endroit et vont éventuellement amplifier le signal si elles rencontrent elles-même l’intruse. Si ces fourmis se trouvent trop près de la source du signal, elles se prépareront également à attaquer. Les fourmis soldats vont, quant à elles, aller directement vers la source du signal pour prêter main forte aux ouvrières en détresse. Dans les deux cas, le signal émis est une transposition simplifiée de ce qu’ont pu lire les capteurs de la fourmi émettrice. Cette transposition est simplifiée puisque les cap- teurs sensoriels de cette fourmi peuvent rencontrer une large gamme de valeurs qui correspondent à un signal émis. Ce signal simplifie donc l’information première reçue au risque de méprendre les autres fourmis. C’est pour cette raison qu’il y a des fourmis soldats qui sont spécialisées dans la lecture de cette catégorie de signaux et qui vont aller sur les lieux du signal pour avoir leur propre interprétation de l’information. Sans entrer dans les détails de la chaîne des réactions qui vont amener à l’éradication de l’intruse, on comprend qu’il existe différentes catégories de fourmis. Chaque catégorie forme un système multi-agents homogènes communicant ou non et l’ensemble des catégories forme une colonie de fourmis, à savoir un système multi-agents hétérogènes communicant selon ses besoins.
En savoir plus

187 En savoir plus

La modélisation multi-agents, Un outil de prévention des risques

La modélisation multi-agents, Un outil de prévention des risques

Comment la modélisation d’une situation de catastrophe peut-elle permettre de réduire la vulnérabilité d’un territoire et de sa population ? La mise en place d’une simulation multi-agents. Ici sur un exemple de St Laurent du Var. O.Plattard

2 En savoir plus

Exécution efficace de systèmes multi-agents sur GPU

Exécution efficace de systèmes multi-agents sur GPU

Cette démarche de parallélisation de l’exécution peut être rapprochée du parallélisme concep- tuel mis en œuvre dans les modèles multi-agents pour faciliter la description de systèmes com- plexes. Dans ce type de modèle, l’approche choisie est de décomposer un problème difficile ou im- possible à appréhender de manière globale en sous-problèmes dont la résolution est plus simple, de manière à obtenir une solution globale. Ces sous-problèmes sont associés à des entités, ou agents, accomplissant chacun leurs tâches de manière simultanée et faisant évoluer le système dans son en- semble. Si l’adéquation entre un parallélisme d’exécution logiciel et conceptuel semble naturelle, la parallélisation reste une démarche di fficile, du fait du déroulement séquentiel des opérations et des dépendances présents dans de très nombreux modèles agents. Les plates-formes d’exécution évoquées dans le paragraphe précédent sont généralistes, et ne sont pas spécifiquement adaptées aux problématiques multi-agents. Cette absence de support spécialisé impose au concepteur de nombreux développements de structures de données ou de traitements propres à son modèle, ou l’utilisation d’une plate-forme multi-agents parallélisée fournissant déjà ces outils.
En savoir plus

159 En savoir plus

Les communications multi-parties et leur régulation dans les systèmes multi-agents : modèle et support

Les communications multi-parties et leur régulation dans les systèmes multi-agents : modèle et support

3.1.1 Les diff´ erents types de communication Comme nous l’avons vu pr´ec´edemment, la communication est un acte mettant en relation un ´emetteur, un message et plusieurs r´ecepteurs dans un contexte donn´e. Nous approfondissons ici les caract´eristiques des communications prises en compte par le mod`ele que nous proposons. Les communications peuvent ˆetre de plusieurs types. Lors d’une communication directe, o`u le message ne fait que transiter sur le r´eseau, la communication est dite ´eph´em`ere. Au contraire, pour les communications indirectes (tuples, ph´eromones...), l’information est stock´ee pendant un certaine dur´ee dans l’espace partag´e. La communication est alors dite temporelle. Enfin, une communication dont le message reste disponible pour un temps ind´etermin´e est dite intemporelle. Du point de vue du vocabulaire, le terme de “message” a une forte connotation dans les syst`emes multi-agents. Il est g´en´eralement utilis´e pour d´esigner des communications ´eph´em`eres entre agents. Les communications poss´edant une dur´ee de vie ont de multiples d´enominations : traces, ph´eromones, signaux, objets d’interaction, etc. De plus, ces communications sont dites “per¸cues” par les agents, alors que les messages sont “re¸cus”. Nous rappelons que cela correspond `a diff´erents besoins concernant les communications. Pour l’´emetteur, il s’agit d’une recherche d’interlocuteurs. Ces interlocuteurs sont soit des destinataires, soit des auditeurs, soit des groupes de r´eception. Pour le r´ecepteur, il s’agit d’une recherche d’information, auquel cas il est ´ecouteur de la communication.
En savoir plus

240 En savoir plus

Conception et modélisation de systèmes de systèmes : une approche multi-agents multi-niveaux

Conception et modélisation de systèmes de systèmes : une approche multi-agents multi-niveaux

Les outils propos´ es dans cette th` ese ont ´ et´ e exploit´ es pour produire une co-simulation d’un SdS sous forme de Syst` eme de Transport Intelligent (ITS) compos´ e d’IAVs affect´ es au transport de conteneurs dans des terminaux portuaires. Les donn´ ees r´ ealistes issues des interactions entre les IAVs g´ erant le fret et leur environnement (cin´ ematique des v´ ehicules, adh´ erence au sol. . .) sont g´ en´ er´ ees en temps r´ eel par la plate-forme de simulation routi` ere SCANeRstudio [sca ], tandis que toute la partie qui ne concerne pas les ´ el´ ements physiques (hi´ erarchie des organisations, ordonnancement des tˆ aches. . .) est g´ er´ ee par la plateforme multi-agents MadKit. MadKit est dot´ e des concepts organisationnels d’agent, de groupe et de rˆ ole qui permettent de repr´ esenter les aspects organisationnels intrins` eques aux SdS. Ainsi toutes les interactions et ´ ev´ enements qui se d´ eroulent lors de la co-simulation forment une repr´ esentation fid` ele de l’´ evolution du syst` eme physique qui est simul´ e. De cette mani` ere, cette co-simulation assure la conduite, l’´ evaluation ou la pr´ evision de l’´ evolution de l’´ etat du syst` eme physique.
En savoir plus

121 En savoir plus

Show all 6028 documents...