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

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

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

10 Abstract: This thesis presents a Multi-Agent System (MAS) approach for designing an air pollution simulator. The aim is to simulate the concentration of air pollutants emitted from sources (e.g. factories) and to investigate the emergence of cooperation between the emission sources managers and its impact on air quality. The emission sources are controlled by agents. The agents try to achieve their goals (i.e. increase production which has the side effect of raising air pollution) and also cooperate with others agents by altering their emission rate according to the air quality. The agents play an adapted version of the evolutionary N-Person Prisoners’ Dilemma game in a non deterministic environment; they have two decisions: decrease, or increase the emission. The rewards/penalties are influenced by the pollutant concentration which is, in turn, determined using climatic parameters. In order to give predictions about the concentration of pollutants: Particulates Matter (PM10), Sulphur Oxide and Dioxide (SO x ), Nitrogen oxides (NO x ) and Ozone: (O 3 ), a two stage prediction method is used, a GPD (Gaussian Plume Dispersion) model and an ANN (Artificial Neural Network) prediction model. The prediction is calculated using the dispersion information and real data about climatic parameters (wind speed, humidity, temperature and rainfall). Every agent cooperates with its neighbours that emit the same pollutant, and it learns how to adapt its strategy to gain more reward. When the pollution level exceeds the maximum allowed level, agents are penalised according to their participation. The system has been tested using real data from the region of Annaba (North-East Algeria). It helped to investigate how the regulations enhance the cooperation and may help controlling the air quality. The designed system helps the environmental agencies to assess their air pollution controlling policies.
En savoir plus

174 En savoir plus

La ville sous électrodes : de la mesure à l'évaluation de la pollution atmosphérique automobile. : vers une simulation multi-agents du trafic routier en milieu urbain

La ville sous électrodes : de la mesure à l'évaluation de la pollution atmosphérique automobile. : vers une simulation multi-agents du trafic routier en milieu urbain

(Source : d’après Krajzewicz et al., 2002, p. 1) Typiquement, l’approche par AC permet de formaliser l’infrastructure routière sous la forme d’un ensemble de cellules ; dans ce sens, les objets mobiles ne peuvent y être explicitement intégrés. En effet, au sein des AC, les véhicules se déplacent discrètement cellule après cellule, c’est pourquoi on parlera plutôt d’espace discontinu. Inversement, les SMA offrent l’avantage de se construire sous la forme d’un espace continu où le déplacement des véhicules et leur position évoluent tout au long de la route. Il faut noter que les deux formalismes présentent leurs avantages et inconvénients selon l’échelle de travail choisie. Ainsi, dans une perspective macroscopique ou mésoscopique, on privilégiera une représentation des véhicules dans un espace discontinu ; alors que dans une perspective microscopique, la représentation d’un espace continu apparait plus adéquate. Dans cette acception, la mise en place d’une approche par les SMA constitue, à notre sens, une bonne réponse pour reproduire la circulation routière en milieu urbain sous une forme continue. Les SMA présentent l’avantage de représenter le trafic routier sous sa forme la plus élémentaire : le véhicule en déplacement sur une infrastructure de transport. C’est pourquoi les SMA contribuent à combler les lacunes des AC pour la simulation du trafic routier à une échelle microscopique (cf. figure 2.12). Les modèles multi-agents ou simulations multi-agents (SMA) constituent le dernier développement des approches de simulation identifiées en sciences humaines (cf. figure 2.2, p. 131), et connaissent un véritable succès dans notre discipline (Amblard et Phan, 2006). Certains auteurs voient dans les SMA une véritable alternative à la modélisation (Benenson et Torrens, 2004 ; Ferber, 2006 ; Marilleau, 2006 ; Torrens, 2010 ; Bouquet et al., 2015 ; Torrens, 2015). Pour justifier ces propos, Jacques Ferber (2006) voit dans les SMA plus qu’une technique de modélisation (p. 27) : « l’utilisateur d’un SMA
En savoir plus

413 En savoir plus

Développement d’une approche d’aide à la maitrise des risques dans les activités de maintenance d'une chaine logistique : Approche par modélisation et simulation basée sur les systèmes multi-agents

Développement d’une approche d’aide à la maitrise des risques dans les activités de maintenance d'une chaine logistique : Approche par modélisation et simulation basée sur les systèmes multi-agents

Dans Fallet-Fidry (2012), l’auteur développe une approche d'analyse de risques multidisciplinaire nommée l'Analyse intégrée des Risques (AiDR). Cette approche a pour but d'analyser les risques des installations de type unités de production d'énergie, qui peuvent être considérées comme des systèmes sociotechniques complexes. L'AiDR permet l'intégration des risques techniques, humains, organisationnels, et environnementaux au sein d'un même modèle de risques fondé sur une approche par réseaux Bayésiens. Elle s'appuie à la fois sur des approches similaires comme l'approche SAM (Paté-Cornell and Murphy, 1996), l'approche ARAMIS (Andersen et al., 2004) et l'approche MIRIAM-ATHOS (Plot, 2004). Cette approche traite des problèmes théoriques et pratiques tels que la représentation de la complexité des systèmes, la quantification des paramètres du modèle de risques, la modélisation, la propagation, l'analyse de certains risques et les incertitudes associées. Toutefois, elle a mis en évidence certaines limites : la quantification du modèle de risques n'est pas triviale pour une personne non experte dans le domaine, les quantifications sont sous forme de nombre flous sur les variables d'intérêt.
En savoir plus

222 En savoir plus

Approche multi-agents pour la conception et la construction d'un environnement de simulation en vue de l'évaluation des performances des ateliers multi-sites

Approche multi-agents pour la conception et la construction d'un environnement de simulation en vue de l'évaluation des performances des ateliers multi-sites

L'introduction d'agents facilitateurs et d'agents pour la simulation, nous permet de regrouper les agents en fonction de la partie du modèle abstrait dans laquelle[r]

307 En savoir plus

Simulation de l'utilisation des matières premières végétales dans les filières avicoles : une approche par modélisation multi-agents

Simulation de l'utilisation des matières premières végétales dans les filières avicoles : une approche par modélisation multi-agents

2.2. Rôles et comportements des agents Pour simuler les activités d’un niveau fonctionnel, chaque agent peut jouer un rôle en fonction du scénario. Celui-ci définit un processus collectif entre agents pour résoudre un problème. Par exemple, comment décider si l’utilisation d’une nouvelle matière première est intéressante ? Comment modifier les aliments suite à un incident d’élevage ? Le rôle d’un agent est défini en utilisant un ensemble d’activités, de décisions et de connaissances spécifiques lui permettant de coopérer avec les autres. Ainsi, pour décider si une opportunité d’achat de matière première est intéressante, le formulateur, le fabricant et l’acheteur coopèrent dans un processus de décision collective. Chaque agent utilise ses propres connaissances et intervient pour élaborer la décision finale en fonction de ses règles de fonctionnement et de ses contraintes (Tableau 2).
En savoir plus

5 En savoir plus

Le modèle SCAUP : Simulation multi-agents à partir de données de CApteurs Urbains pour la Pollution atmosphérique automobile

Le modèle SCAUP : Simulation multi-agents à partir de données de CApteurs Urbains pour la Pollution atmosphérique automobile

« Déplacement » et « disparition » des véhicules 26 Selon Hubert et Delisle (2010), il est rare de se déplacer plus d’une heure en ville. Afin d’éviter une accumulation trop importante des véhicules lors de la simulation SCAUP, il apparait primordial de tenir compte de ce temps de déplacement en détruisant les agents « véhicules » qui ne répondent plus à cette temporalité. Deux hypothèses de sortie du réseau sont possibles (figure 2-b) : soit les véhicules disparaissent aux bordures du réseau routier (lorsque qu’ils quittent l’espace d’étude-disparition) ; soit ils se déplacent pendant un temps suffisant à l’intérieur du réseau urbain (temps de déplacement). Nous avons d’abord introduit un paramètre qualifiant la durée moyenne de déplacement des véhicules sur l’espace d’étude. Cette durée moyenne est identifiée par exploration (cf. section suivante). À sa création, chaque agent « véhicule » définit une durée de circulation par l’intermédiaire d’une loi normale centrée sur la valeur du paramètre associé à ce temps de déplacement. Ensuite, il circule sur l’environnement du système multi-agents pendant cette durée. Notons que : (i) la fin du temps de déplacement peut être assimilée à un stationnement ne tenant toutefois pas compte du nombre de places disponibles dans l’espace d’étude ; (ii) l’utilisation d’une loi normale par la définition d’un écart-type (tableau 1) ajoute de la variabilité nécessaire à une meilleure représentation des temps de déplacement des véhicules en ville (les véhicules n’ayant pas une durée de déplacement identique et ne disparaissant pas au même instant). Ce temps de « déplacement » correspond (au sens de l’implémentation) à une destruction du véhicule, alors que le premier cas (« disparition ») se rattache plutôt au trafic de transit qui traverse un espace urbain et disparaît.
En savoir plus

24 En savoir plus

Une approche multi-agents pour la simulation de la mobilité urbaine et de la communication V2X

Une approche multi-agents pour la simulation de la mobilité urbaine et de la communication V2X

3 I. Modélisation et simulation de la mobilité urbaine I.1. Introduction Ce chapitre présente un état de l’art sur la modélisation et la simulation de la mobilité urbaine. Cette modélisation peut se faire à trois approches différents : Commençant tout d'abord par le modèle macroscopique qui décrit le comportement des véhicules de manière globale en tenant compte de certains paramètres moyennés du trafic tels que la densité, le flux et la vitesse que l’on suppose continues dans le temps. A l’autre extrême, il existe les modèles microscopiques dans lesquels on s’intéresse au comportement individuel des véhicules, ici le mouvement de chaque véhicule est déterminé au moins en fonction de l’état du véhicule qui le précède. Entre ces deux approches de modélisation nous présentons les modèles mésoscopique. Nous concluons à la fin par un exemple de certains simulateurs usuels tels que SUMO et NS2.
En savoir plus

62 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

[Khalil 2012b] a une importance particuli` ere pour ces travaux. En effet, nos travaux s’inscrivent dans le mˆ eme projet europ´ een InTraDE, et dans le mˆ eme domaine : le transport portuaire cˆ ot´ e terre par une flotte d’IAVs. Nous reprenons une d´ efinition tr` es similaire des SdS bas´ ee sur la caract´ erisation de [Maier 1998] et nous souhaitons ´ egalement contrˆ oler un SdS lors de sa mise en place et de son fonctionnement en mode normal ou face ` a des incidents impliquant sa r´ eorganisation. Ce contrˆ ole et sa validation prennent place dans des simulations port´ ees par la plate-forme de simulation routi` ere SCANeRstudio. [Khalil 2012b] propose une mod´ elisation des aspects statiques et dynamiques des SdS en respectant en permanence les caract´ eristiques dict´ ees par [Maier 1998]. Cependant, l’ajout, le retrait ou la d´ efaillance de CS donne lieu ` a des reconfigurations pour rendre l’accomplissement du but global possible. Ce m´ ecanisme de reconfiguration qui est essentiel pour mod´ eliser les aspects dynamiques du SdS est ´ evoqu´ e ` a travers un exemple tr` es simple (retrait d’un CS d´ efaillant du SdS), mais il n’est pas formalis´ e, avec un algorithme par exemple. Pour ˆ etre plus pr´ ecis seule la partie ascendante de la reconfiguration est formalis´ ee, c-a-d, la d´ etection d’une d´ efaillance et son isolation. Dans ce manuscrit nous proposons des algorithmes g´ en´ eriques pour exposer de mani` ere formelle cette reconfiguration, en particulier, la partie descendante lorsqu’un CS restructure et redistribue les tˆ aches entre ces sous CS.
En savoir plus

121 En savoir plus

Approches environnement-centrées pour la simulation de systèmes multi-agents

Approches environnement-centrées pour la simulation de systèmes multi-agents

Résumé Les travaux de recherche synthétisés dans ce mémoire s’inscrivent principalement dans le domaine de la modélisation et de la simulation de systèmes multi-agents (SMA). La simulation multi-agents met en œuvre des modèles où les individus, leur environnement et leurs interactions sont directement représentés. Dans ces modèles, chaque individu – agent autonome– possède son propre comportement et produit ses actions en fonction d’une perception locale de son environnement. Ainsi, la simulation multi-agents est utilisée pour étudier des systèmes naturels comme les colonies de fourmis, les dynamiques de foules ou le trafic urbain, mais aussi pour concevoir des systèmes artificiels, par exemple dans le cadre de la robotique collective ou le développement de logiciels basés sur de l’intelligence artificielle distribuée. Dans ce cadre, nos recherches ont porté sur des problématiques liées à la modélisation de simulations multi-agents, avec la proposition de modèles formels et conceptuels (e.g. le modèle IRM4S) et d’outils logiciels génériques (plates-formes MaDKit et TurtleKit), et sur leur utilisation dans divers domaines tels que le jeu vidéo, le traitement numérique de l’image ou la robotique collective. Contrairement aux approches centrées sur la conception des comportements individuels, dans ces travaux l’environnement des agents est considéré comme une abstraction de premier ordre. Dans ce mémoire, nous dressons tout d’abord un bilan de nos recherches en argumentant l’intérêt d’une telle démarche pour les modèles multi-agents. Nous montrons ensuite comment celle-ci nous a récemment permis de proposer une approche originale dans le cadre de l’utilisation du calcul haute performance sur carte graphique (GPGPU) pour la simulation de SMA, avant de présenter les perspectives de recherche associées à notre positionnement.
En savoir plus

141 En savoir plus

Modélisation et simulation multi-agents de la dynamique urbaine : application à la mobilité résidentielle

Modélisation et simulation multi-agents de la dynamique urbaine : application à la mobilité résidentielle

mobilité quotidienne d’une part, celle de la mobilité liée au cycle de vie et donc aux trajectoires résidentielles d’autre part. Dans le cadre de ce travail de thèse, nous avons étudié, modélisé puis simulé, dans un objectif d’aide à la décision en aménagement du territoire, les dynamiques urbaines sous l’angle thématique de la mobilité résidentielle, c’est-à-dire sur le changement de lieu d’habitation. Les questionnements sociaux, politiques et environnementaux relatifs à la mobilité résidentielle sont à l’origine de travaux de recherche appliquée ou fondamentale, travaux qui s’effectuent le plus souvent sous un angle disciplinaire. Dans notre travail de recherche, nous avons souhaité nous affranchir des frontières disciplinaires pour replacer la mobilité résidentielle dans une approche transdisciplinaire. Nous nous sommes ainsi appuyés sur les travaux de nos prédécesseurs en sciences humaines et sociales (la géographie, la sociologie, l’économie, la démographie et la psychologie) afin de cerner les différentes facettes de la mobilité résidentielle, de comprendre les causes et les processus de migration résidentielle, et aussi de décrypter les logiques comportementales des ménages face aux choix résidentiels. Tout acte humain ayant une dimension spatiale, on peut appréhender la complexité liée à la prise en compte du facteur spatial dans les comportements humains : l’espace est support des choix lorsque nous réalisons une activité quelle qu’elle soit, par exemple, il est l’objet de nos choix lorsque nous décidons d’habiter ou de travailler dans un endroit précis. Ainsi, la dimension spatiale présente de multiples facettes et amène les chercheurs en géographie et en aménagement du territoire, qui s’intéressent à la modélisation des problématiques urbaines dans une perspective d’aide à la décision, à combiner plusieurs savoirs et compétences issus d’autres disciplines. Trois pistes de réflexion ont été abordées afin de modéliser et simuler la mobilité résidentielle.
En savoir plus

271 En savoir plus

Multi-exposition en milieu urbain : approche multi-echelle de l'exposition humaine au bruit et à la pollution atmosphérique

Multi-exposition en milieu urbain : approche multi-echelle de l'exposition humaine au bruit et à la pollution atmosphérique

La question de l’efficacité de ces changements sur la réduction de l’exposition des populations, et plus largement sur l’amélioration de la qualité de vie préoccupe aussi bien les milieux scientifiques que politiques. A l’heure actuelle, les études d’impact restent cependant rares, et ne concernent principalement que les modifications relatives aux transports en commun. Depuis l’an 2000, 19 villes françaises se sont dotées d'un réseau de tramway et 5 autres sont en projet. Ces moyens de transport viennent s'ajouter aux réseaux de métro préexistants dans 8 villes, ainsi qu'aux nombreux réseaux de bus, dont une part de plus en plus importante du parc présente une motorisation électrique, GPL, ou au gaz naturel. La plupart des études d’impact relatives aux transports en commun font suite à la mise en place de réseaux de tramway. Celles-ci concluent généralement à une amélioration globale de la qualité de l’air, mais à un effet mitigé sur le niveau sonore environnemental (Chadanson et al., 2008) (Air Pays de la Loire, 2013). Cet impact positif sur la qualité global de l’air urbain est toutefois à mettre en relations avec d’autres études récentes portant sur la qualité de l’air sur les quais de métro qui montrent une augmentation sensible (x2,5) des concentrations de PM par rapport aux concentrations extérieures (AirParif and Régie autonome des transports parisiens, 2009) (AtmoPACA, 2010). Cette augmentation semblant avoir pour origine le frottement des voitures sur les rails , il est possible d’envisager un impact similaire sur l’ensemble du parcours des tramways, eux aussi sur rails. De même, la réservation de certaines rues et voies po ur les seuls transports en communs soulève la question d’un éventuel report du trafic routier sur les autres axes, ce qui concentrerait les sources de pollution tout en favorisant la formation de ralentissements et d’un trafic pulsé. Cette augmentation ponctuelle des émissions, et la formation de discordances spatiale des niveaux de polluants qui en résulte, est susceptible de passer inaperçue dans le constat de l’amélioration « globale » de la qualité de l’air.
En savoir plus

186 En savoir plus

Un environnement actif pour la simulation multi-agents. Application à la gestion de crise dans les transports

Un environnement actif pour la simulation multi-agents. Application à la gestion de crise dans les transports

4.2. Crise et simulation : Notions du domaine sion, et (2) l’approche orient´ ee processus d’interaction entre les organisations. Ainsi, il est difficile de donner une d´ efinition g´ en´ erique de crise pour un domaine car la d´ efinition est d´ ependante de l’approche recherch´ ee. Pour chaque approche, un certain nombre de d´ efi- nitions ont ´ et´ e ´ elabor´ ees. ` A partir de ces d´ efinitions, plusieurs propri´ et´ es de situations de crise ´ emergent. Les caract´ eristiques qui ont ´ et´ e extraites ` a partir des d´ efinitions donn´ ees par C Hermann [Hermann, 1972] et U. Rosenthal [Rosenthal, 1986] sont qu’une crise est une situation aigu¨ e, difficile ` a g´ erer, et ayant des cons´ equences importantes et durables. Par ailleurs, les responsables qui doivent faire face ` a de telles situations sont soumis ` a un d´ eferlement soudain d’´ ev´ enements qui marque une rupture ou un d´ er` eglement de la marche normale du syst` eme. Le d´ eferlement est une somme de difficult´ es qui tend ` a d´ eborder les capacit´ es de r´ eponse. Le d´ er` eglement correspond ` a une menace du fonction- nement des syst` emes, distension dans l’organisation mˆ eme du syst` eme. L’ensemble de ces propri´ et´ es n’est pas exhaustif mais regroupe celles qui vont nous permettre de construire une d´ efinition pour le domaine des transports. Pour ce faire, nous prenons comme base le fonctionnement d’un syst` eme. Lorsqu’on s’int´ eresse au fonctionnement d’un syst` eme, on peut identifier trois modes de fonctionnement possibles : le mode de fonctionnement dit normal, le mode d´ egrad´ e avec des difficult´ es ponctuelles et la dynamique de crise. En s’inspirant de ce cycle de fonctionnement, nous proposons la d´ efinition suivante pour le terme crise dans le domaine des transports :
En savoir plus

248 En savoir plus

Formalisme, outils et éléments méthodologiques pour la modélisation et la simulation multi-agents

Formalisme, outils et éléments méthodologiques pour la modélisation et la simulation multi-agents

D ans ce chapitre nous allons pr´ esenter une exp´ erience de simulation multi-agents com- pl` ete en d´ etaillant les principales ´ etapes de sa conception. Dans cette exp´ erimentation, nous ´ etudierons un syst` eme de type SugarScape ([ Epstein & Axtell, 1996 ]) repr´ esentant une soci´ et´ e artificielle d’agents et son ´ evolution. A l’instar du travail expos´ e par Lawson et Park dans [ Lawson & Park, 2000 ] (que nous allons maintenant abr´ eger par L-P), notre objectif n’est pas d’´ elaborer un mod` ele de soci´ et´ e artificielle complexe et original. Au contraire, notre but est ici d’´ etudier la mod´ elisation et la simulation d’un syst` eme simple au regard des diff´ erents principes, contraintes et r´ eflexions que nous avons pr´ ec´ edemment expos´ es. De plus, pour pou- voir comparer notre approche avec ce qui a d´ ej` a ´ et´ e fait, nous allons reprendre en grande partie l’adaptation de SugarScape propos´ ee par L-P de mani` ere ` a poss´ eder un point de r´ ef´ erence. L’id´ ee est de coller au plus pr` es ` a ce mod` ele tout en int´ egrant nos principes de mod´ elisation. Ainsi, la diff´ erence majeure entre ce pr´ ec´ edent mod` ele et celui que nous allons donner tient dans la mani` ere dont nous allons mod´ eliser la dynamique du syst` eme, notamment en ce qui concerne la fa¸con dont les interactions seront repr´ esent´ ees. Il ne s’agit donc pas exactement d’une r´ eplication dans le sens o` u nous allons volontairement modifier la dynamique du mod` ele. C’est pourquoi les r´ esultats que nous obtiendrons seront quantitativement incomparables avec ceux qui ont ´ et´ e obtenus pr´ ec´ edemment. Nous ferons cependant une comparaison qualitative entre les r´ esultats obtenus par les deux approches. L’id´ ee est ici que, issus d’un unique syst` eme source, il sera int´ eressant de comparer les comportements globaux d´ eriv´ es par ces diff´ erentes mod´ elisations. Autrement dit, ` a l’image de la comparaison effectu´ ee par L-P entre leur adap- tation et le mod` ele original, nous essaierons de d´ eterminer dans quelle mesure le r´ esultat de notre mod´ elisation se rapproche, ou s’´ eloigne, de leur mod` ele.
En savoir plus

274 En savoir plus

Un cadre conceptuel et opérationnel pour la simulation multi-agents

Un cadre conceptuel et opérationnel pour la simulation multi-agents

Pour pallier ces limites, nous proposons un nouveau cadre conceptuel et opérationnel pour la simulation multi-agents, appelé E ASS , qui est fondé sur un principe de coordination, Property-Based Coordination (PBC) (Zargay- ouna et al., 2006). Ce principe définit un modèle de description des entités du système à partir de propriétés qui sont ensuite utilisées pour gérer le processus d’interaction et d’activation. L’avantage de PBC est d’améliorer la flexibilité et la réutilisabilité du modèle de simulation en permettant d’externaliser l’é- valuation des contextes d’interaction et d’activation des agents au sein d’une entité commune, l’environnement, qui gère également la maintenance des de- scriptions des entités du système. Contrairement aux approches centrées indi- vidus, notre approche est centrée environnement car nous déléguons à l’envi- ronnement la politique d’ordonnancement avec le processus d’activation des agents. Ainsi, un agent est activé directement par l’environnement en fonction de son contexte qu’il aura défini au préalable, pour effectuer l’action associée à ce contexte. Ce processus d’activation est ce que nous appelons l’activation contextuelle.
En savoir plus

15 En savoir plus

Vers une modélisation plus réaliste de la diffusion d'innovations à l'aide de la simulation multi-agents

Vers une modélisation plus réaliste de la diffusion d'innovations à l'aide de la simulation multi-agents

a la transmission d’information, l’approche est inverse : on cherche plutˆot `a maximiser la population touch´ee par une information. En consid´erant la transmission d’information comme un processus ´epid´emique, on b´en´eficie des analyses existantes, qu’elles soient analytiques ([Bailey, 1957][Bailey, 1975] ou par simulation [Hethcote, 2000] [Boccaletti et al., 2006]). Le mod`ele d’´epidemie le plus simple, nomm´e SIR, fut propos´e dans les ann´ees 1920 par Lowell Reed and Wade Hampton (non publi´e). Le mod`ele SIR suppose que chaque individu peut ˆetre dans l’un des ´etats Susceptible (S), Infected and Infectious (contamin´e et contagieux) (I) ou Removed (R) (ou Recovered, ou encore refractory). L’´etat Removed, dans le cas d’une ´epid´emie, signifie que l’individu est soit gu´eri et immunis´e, soit d´ec´ed´e ; dans les deux cas, il devient inactif dans le syst`eme, ´etant incapable de contaminer `a nouveau ou d’ˆetre contamin´e. Les seules transitions possibles entre ´etats sont S → I et I → R. Assimil´es ` a l’information, S correspond ` a l’´etat unaware, I `a un individu aware et transmettant de l’information, et R un individu qui poss`ede toujours l’information, mais ne la transmet plus. A chaque pas de temps, les individus infectieux ont en moyenne β contacts choisis al´eatoirement dans toute la population. Les individus contagieux (I) se r´etablissent et acqui`erent l’immunit´e (ou p´erissent) ` a un taux γ par pas de temps. On peut d´ecomposer la population en trois “compartiments” (cat´egories) : S(t) repr´esente le nombre d’individus en ´etat S au temps t, I(t) le nombre d’individus contagieux et R(t) le nombre d’individus en ´etat R. L’ensemble de la population de taille N est couvert par ces compartiments : S(t) + I(t) + R(t) = N . Si un individu susceptible rencontre al´eatoirement un individu contagieux, il devient lui-mˆeme contamin´e. Le nombre de rencontres d’un individu susceptible avec un individu infectieux par pas de temps est βI(t)/N . Par cons´equent, le nombre d’individus susceptibles qui seront contamin´es `a chaque pas de temps est βS(t)I(t)/N .
En savoir plus

281 En savoir plus

Simulation multi-agents de marchés financiers

Simulation multi-agents de marchés financiers

3.2. Exploration d’un modèle multi-agents de marché asynchrone : variété de comportements, variété de faits elle est basée sur la prise en compte de dizaines de paramètres, tels que le temps d’attente pour un agent entre l’émission de deux ordres, le temps qu’il faut à l’ordre pour atteindre effectivement le carnet, etc. Ceci complique inutilement le fonctionnement du système tout en augmentant le nombre de ses degrés de liberté, ce que nous voulons éviter puisqu’il est difficile d’estimer dans quelle mesure ces ajouts au modèle influent sur les résultats expé- rimentaux obtenus [Fagiolo et al., 2006]. De plus, dans cette approche, les comportements des agents sont nécessairement complexes : ils doivent inclure un système de gestion du temps sophistiqué prenant en compte l’ensemble de ces paramètres pour, par exemple, pro- grammer leur réveil à une certaine date ou lors de l’arrivée d’un événement particulier sur le marché. Comme notre objectif est d’étudier l’influence des trois composantes du mar- ché (micro-structure, agents, informations exogènes) dans un environnement engendrant le moins de perturbations possibles, utiliser ce type de gestion du temps ne paraît pas envi- sageable : elle amène une complexité supplémentaire aux simulations dont il est difficile d’évaluer l’impact sur les résultats expérimentaux.
En savoir plus

146 En savoir plus

Modélisation de l'impact des croyances et de la communication sur la formation et la dynamique des attitudes : une approche multi-agents

Modélisation de l'impact des croyances et de la communication sur la formation et la dynamique des attitudes : une approche multi-agents

Suivant le modèle de Fazio, l’attitude est cal- culée à partir d’un ensemble fini des croyances les plus accessibles, en fonction de leur éva- luation et de leur accessibilité (cf. figure 3). Chaque agent sera muni d’une liste aList(i) de taille fixe maxM emory définie comme para- mètre de la simulation (et identique pour tous les agents). Les éléments de aList(i) sont les a(i) les plus accessibles. Lors de la réception d’un nouvelle information, l’agent révise l’en- semble des valeurs d’accessibilité acc(a, i) des éléments de aList(i) (cette valeur diminue avec le temps, suivant le critère end) et calcule l’ac- cessibilité de la nouvelle action. Elle garde alors dans la mémoire les maxM emory informations les plus accessibles parmis les précédentes et la nouvelle action considérée.
En savoir plus

11 En savoir plus

Approche Multi agents pour la reconnaissance du cancer du sein

Approche Multi agents pour la reconnaissance du cancer du sein

A.-J. Fougères a illustré Une architecture cognitive d’agents communicants dans des systèmes d’information complexes le système se compose des agents suivants : Un agent nommé « Agent infectieux » est introduit localement (par un agent appelé « Agent de simulation » qui active les maladies (grippe, méningite). Il peut, en raison de sa proximité, infecter un agent nommé « agent individu sain ». Ce dernier devient porteur de la maladie et peut la véhiculer dans son environnement évolutif (déplacements), il informe ses symptômes (sous forme de messages) à un agent nommé « AgentMedecin » dans le cas d’une épidémie, l’AgentMedecin informe un agent nommé « Agent INVS » pour assurer le control [ 11 ]
En savoir plus

20 En savoir plus

Micro jeux et simulation multi-agents participative:apprentissage des procédures de lutte contre les rongeurs 

Micro jeux et simulation multi-agents participative:apprentissage des procédures de lutte contre les rongeurs 

96 connaissance. Répondre correctement à une question est une preuve que l'on connaît un fait certain, cela dit une question - un fait. En analysant les réponses des apprenants à toutes les questions, chacune d’elles fournie une preuve sur l’assimilation d'un fait ou un concept par les apprenants, par conséquent les environnements pédagogiques peuvent obtenir une image globale de ce que les apprenants sont susceptibles de savoir et ne pas savoir. Parce que nous voulons généralement évaluer toute une constellation de compétences à partir d'interactions des joueurs dans un jeu ou une simulation, les méthodes d'analyse d’une séquence de comportements pour déduire ces compétences ne sont pas aussi évidentes. L’évaluation distribuée est une méthode qui peut résoudre ces problèmes en combinant des méthodes hétérogènes d'évaluation de compétences et permettre ainsi le développement de systèmes d'apprentissage à base de jeu ou de simulation qui soient robustes et valides. Le sujet que nous traitons dans cette partie de la contribution concerne l'analyse du comportement. Pour améliorer l'approche traditionnelle largement utilisée dans la plupart des environnements d'apprentissage, nous proposons de décomposer le comportement de résolution de problèmes de l'apprenant en plusieurs catégories de connaissances, et de considérer les connaissances de l'apprenant comme des compétences dont l'association représente la performance de cet apprenant. Nous insistons particulièrement sur l'importance du comportement cognitif dans le processus d'évaluation. Par conséquent, la méthode d'évaluation que nous proposons consiste à évaluer différemment ces différentes compétences.
En savoir plus

212 En savoir plus

Web Sémantique et Approche Multi-Agents pour la Gestion d'une Mémoire Organisationnelle Distribuée

Web Sémantique et Approche Multi-Agents pour la Gestion d'une Mémoire Organisationnelle Distribuée

2.3.2 Description de l'entreprise : "annoter l'or- ganisation" Un modèle d'entreprise est une représentation explicite et focalisée de l'organisation. Jusque très récemment, la modélisation d'entreprises était principalement destinée à la simulation et l'optimisation des systèmes de produc- tion. Elle fournissait des bancs d'essai pour les proces- sus d'affaires et était utilisée pour leur rétro-ingénierie. Mais le changement des règles du jeu des marchés a amené les organisations à se rendre compte de la valeur de leur mémoire et du fait que les modèles d'organisa- tion ont aussi un rôle à jouer dans cette application [24]. Dans CoMMA, le modèle vise à supporter les activités de la mémoire d'entreprise survenant dans nos scénarios d'application. Ce modèle donne au système une vue de son contexte de fonctionnement et de l'environnement organisationnel. Ainsi, il peut exploiter les aspects dé- crits dans ce modèle pour l'interaction entre les agents et surtout entre les agents et les utilisateurs. Il est néces- saire, pour le système, d'avoir une compréhension de l'environnement qu'est l'organisation, de ses buts et de sa politique, de sorte que le système résultant fonctionne effectivement en collaboration avec les agents humains afin d'atteindre un objectif commun [23].
En savoir plus

13 En savoir plus

Show all 10000 documents...