Haut PDF Une approche pour la planification dans les systèmes multi-agent

Une approche pour la planification dans les systèmes multi-agent

Une approche pour la planification dans les systèmes multi-agent

Les principaux problèmes: quels agents sont nécessaires, dans le sens que l'objectif ne tient pas si elles sont conformes? Existe-il une loi sociale qui est robuste possible dans le sens que le respect d'un groupe donné (ou plusieurs) des agents est suffisante pour assurer l'objectif? Considérons la tâche d'un responsable des transports de la ville qui souhaite optimiser les flux de trafic dans la ville. Alors qu'il ne peut pas redessiner voitures ou de créer de nouvelles routes, il peut imposer des règles de la circulation. Une règle de trafic est une forme de loi sociale: loi sociale une restriction sur les stratégies données des agents. Une règle de trafic typique interdit les gens de conduire sur le côté gauche de la route ou les feux rouges. Pour un agent donné, une loi sociale présente un compromis; il souffre de la perte de la liberté, mais peut bénéficier du fait que d'autres en perdent la liberté. Une bonne loi sociale est conçue pour bénéficier à tous les agents [35].
En savoir plus

106 En savoir plus

Planification des activités de transport d’une entreprise 3PL par une approche multi-agent

Planification des activités de transport d’une entreprise 3PL par une approche multi-agent

En début de planification, l'agent superviseur crée les agents (agents TO et agents véhicule), initialise l'environnement et génère les tâches. Ensuite, l'agent superviseur déclenche le processus de coopération en activant les agents TO et faisant attendre les agents véhicule. Les agents TO commencent par demander les EP et PP des tâches associées à l'environnement. L'environnement renvoie les résultats (bien sûr, le résultat est nul dans le premier cycle). Les agents TO planifient les opérations qui n'ont pas été validées, et influencent les tâches associées en soumettant des WP. Si la WP d'une tâche est équivalente aux EP et PP, les agents TO confirme le placement. Enfin, les agents TO envoient les CP et WP des tâches associées à l'environnement. Chaque agent effectue ses actions simultanément, mais reste indépendamment des autres. Il informe l’agent superviseur une fois que ses actions seront terminées.
En savoir plus

8 En savoir plus

Raisonner sur l'autonomie d'un agent au sein de systèmes multi-agents ouverts : une approche basée sur les relations de pouvoir

Raisonner sur l'autonomie d'un agent au sein de systèmes multi-agents ouverts : une approche basée sur les relations de pouvoir

Le rôle RComm correspond aux agents commerciaux d'ADOMO. Ce rôle est associé à un but de négocier (negotiate) et à la permission d'exécuter l'action neg 2 . Le rôle RBroker correspond à un agent broker d'ADOMO et il a la permission d'exécuter l'action neg 1 , tout comme le rôle R1. Ce dernier correspond aux agents utilisateurs d'ADOMO qui négocient directement avec les agents commerciaux. Quant aux agents utilisateurs qui négocient via un broker, le rôle correspondant est R2, rôle qui n'a pas la permission d'exécuter une action de négociation. Par contre, ce rôle a une relation d'autorité sur le rôle RBroker, autorité concernant la satisfaction d'un but de type negotiate – autrement dit, un agent jouant le rôle RBroker doit négocier pour un agent jouant le rôle R2 si ce dernier le lui demande. A part cette relation d'autorité, une autre différence entre les rôles R1 et RBroker, qui ont droit tous les deux d'exécuter neg 1 , est l'obligation du rôle R1 envers l'organisation (représentée par l'agent ma). Nous utilisons cette obligation de payer un pourcentage de tout contrat négocié pour modéliser le risque couru dans ADOMO de négocier directement un contrat, sans passer par un broker. Vu que statistiquement une partie des négociations vont échouer due à la mobilité de l'utilisateur, nous représentons ceci comme une "taxe" payée pour chaque contrat formé. Enfin, les rôles R1 et R2 sont les seuls à avoir la permission d'exécuter l'action display, donc les seuls à pouvoir être joués par un ua. L'organisation décrite ci-dessus et les caractéristiques envisagées pour les agents y appartenant nous permettent de représenter un aspect du scénario ADOMO du point de vue du modèle d'autonomie que nous avons proposé. Analysons ainsi les pouvoirs des agents jouant chacun des rôles proposés.
En savoir plus

193 En savoir plus

Une approche multi-agent pour la conception de systèmes d'intelligence ambiante : un modèle formel intégrant planification et apprentissage

Une approche multi-agent pour la conception de systèmes d'intelligence ambiante : un modèle formel intégrant planification et apprentissage

Le paradigme Belief-Desire-Intention (BDI) est l’une des approches majeures dédiées à la conception et à la construction des agents rationnels ainsi que des systèmes multi-agents [Cohen et Levesque, 1990; Rao et Georgeff, 1995]. Des travaux, comme [Shendarkar et al., 2008], ont montré l’intérêt d’utiliser un tel paradigme dans le contexte de la simulation. Les premiers fondements théoriques ont été décrits par les travaux de Georgeff et Ingrand [1989] : PRS1. Parmi les applications qui exploitent ces concepts, citons le système du contrôle du trafic aérien OASIS à l’aéroport de Sydney en Australie [Ljungberg et Lucas, 1992] et le système du management de business SPOC [Georgeff et Rao, 1996]. À notre connaissance, l’approche BDI est encore peu utilisée dans des applications concrètes, en raison de la complexité apparente des architectures proposées, par exemple JAM [Huber, 1999], au regard de la programmation intuitive (purement algorithmique) généralement admise pour spécifier le comportement des agents. Récemment, l’importance de l’approche BDI est réaffirmée au travers de plusieurs langages spécialisés, tels que Jadex [Pokahr et al., 2005], Jason [Bordini et al., 2007], 2APL [Dastani, 2008].
En savoir plus

118 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

BIBLIOGRAPHIE 101 Résumé Un système multi-agents est composé d’un ensemble d’agents interagissant entre eux et avec leur environnement, un agent étant vu comme un système dynamique autonome. La force des SMA re- pose sur la capacité des agents à coopérer entre eux pour atteindre un objectif qu’un agent seul ne pourrait atteindre. Chaque agent partage ses informations avec ses voisins, ce qui permet à l’ensemble des agents de s’accorder sur un objectif commun sans qu’il y ait pour autant une centralisation de l’information et de l’objectif. En ce sens, un système multi-agents peut être vu comme un réseau dans lequel l’information est distribuée. L’intérêt croissant pour le contrôle distribué et la coordination des réseaux constitués d’agents autonomes est motivé par l’absence de centralisation de l’information et la possibilité d’avoir une topologie du réseau variable. Les algorithmes de contrôle déployés sur ces réseaux sont de nature distribuée puisqu’ils s’appuient sur des informations locales, et sont robustes vis-à-vis des variations de topologie et de taille du réseau. Le problème le plus étudié dans le cadre de ces systèmes multi-agents est celui du consensus, qui peut être résumé ainsi : étant donné des conditions initiales pour chaque agent, quelles sont les conditions pour que les agents s’accordent asymptotique- ment sur une valeur commune en n’échangeant que des informations entre agents voisins. Cette thèse traite du développement de commandes permettant d’atteindre ce consensus pour des topologies fixes et variables, en présence ou non d’un leader (suivi de consensus), et sur la qualité des informations transitant dans le réseau. En suivi de consensus, la notion de leader perceptif est développée et une commande est proposée pour une topologie fixe et variable.
En savoir plus

112 En savoir plus

Approche Décisionnelle basée Cloud et Négociation Multi-Acteurs pour la Planification Territoriale Urbaine

Approche Décisionnelle basée Cloud et Négociation Multi-Acteurs pour la Planification Territoriale Urbaine

2.2. Aide à la décision La décision consiste { choisir une alternative basée sur la mise en œuvre d’un ensemble de ressources ou bien à déterminer un ensemble de buts en prenant en considération un ou plusieurs facteurs afin d’évaluer des solutions. La prise de décision ainsi que son application dans toute structure représentent des objectifs importants pour celle-ci ; alors chaque structure dépend forcément du type de la décision prise en son sein par les différents décideurs (collectifs ou individuels). L’ensemble de décisions prises sont généralement fortuites ou basées sur des essais passés alors qu’en réalité ce genre de démarches s’applique uniquement pour les situations familières. Lorsqu’on est face { des nouveaux cas, la procédure de décision sera plus délicate ainsi que le cadre du décideur devient plus compliqué et se développe d’une manière plus rapide. La détermination des données adéquates pour la prise de décision est une tâche difficile dans le domaine d’aide { la décision, alors il est indispensable d’employer des systèmes d’aide { la décision (DSS) pour l’évaluation d’un problème décisionnel, des différentes alternatives ainsi que leurs influences.
En savoir plus

158 En savoir plus

Systèmes multi-robots aériens : architecture pour la planification, la supervision et la coordination

Systèmes multi-robots aériens : architecture pour la planification, la supervision et la coordination

II.3. Proposition d’une couche d´ elib´ erative orient´ ee interactions multi-robots 45 Nous avons souhait´e introduire, dans notre approche, la possibilit´e de coordonner les tˆaches `a ex´ecuter `a travers de multiples modalit´es de n´egociations, dans le cadre de rˆoles attach´es `a la r´ealisation de tˆaches jointes. La formulation de rˆole pour expliciter le cadre d’interactions entre agents est une approche popularis´ee par Tambe [Tambe 97], dans laquelle STEAM, un cadre au- tomatis´e d’organisation en ´equipe, est appliqu´e `a chaque “intervenant” (agent, robot, humain...) mod´elis´e dans le syst`eme. Des “op´erateurs d’´equipe”, bas´es sur la notion “d’intentions jointes” [Levesque 90], d´efinissent des activit´es `a r´ealiser en ´equipe. Dans l’approche de Tambe, l’appren- tissage est introduit pour adapter le cadre de coordination d´efini dans STEAM `a une application donn´ee. Impl´ement´ee avec succ`es dans des syst`emes multi-agents, l’approche de Tambe n’a pas encore ´et´e d´emontr´ee sur un syst`eme de robots r´eels. Notre approche peut ˆetre mise en parall`ele avec celle de Tambe dans la mesure ou le Gestionnaire d’Interaction que nous introduisons dans la couche d´elib´erative peut s’identifier au cadre de STEAM, lui aussi `a base de rˆoles. Les mod`eles d’interaction que nous introduisons peuvent ˆetre rapproch´es des op´erateurs d’´equipe de Tambe. Cependant, nous ajoutons `a notre couche d´elib´erative des moyens de raisonnement (planificateur symbolique) dont ne dispose pas l’architecture de Tambe. Par ailleurs, nous ne nous int´eressons pas, dans ce travail, aux capacit´es d’apprentissage. Dans notre d´emarche, nous consid´erons expli- citement les probl´ematiques et domaines multi-UAV, avec les particularit´es applicatives que nous avons introduites dans le chapitre I. Nous consid´erons en particulier des mod`eles de contraintes spatiales explicites : les tˆaches que les UAV doivent accomplir reposent en effet en grande partie sur leur positions et d´eplacements, et ce plus encore que pour les robots mobiles terrestres (une erreur de d´eplacement est susceptible d’ˆetre fatale pour un UAV, beaucoup moins pour un rover, par exemple). De plus, la criticit´e de d´eploiement et d’op´erations de plusieurs a´eronefs non- habit´es requiert, `a notre sens, de pouvoir d´efinir explicitement le cadre spatial des op´erations jointes. Comme il en est question dans le chapitre V, le GI propose la d´efinition explicite d’un cadre spatial de ce type, dans la d´efinition des interactions.
En savoir plus

170 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

Une approche agent mobile pour les réseaux de capteurs

Une approche agent mobile pour les réseaux de capteurs

34 III.3 Systèmes multi agents Des disciplines ont été produites, dans le but de rendre le fonctionnement de n‘importe quelle machine naturelle et intelligent comme l‘être humain. L‘intelligence artificielle (I.A) est l‘une de ces disciplines qui vise à comprendre la nature de l‘intelligence en construisant des programmes imitant l‘intelligence humaine. L‘approche classique de l‘intelligence artificielle, qui est relative à la conception de système à base de connaissances, ne convenait pas aux applications progressives qui exigent une taille importante des connaissances et diversité des connaissances. De même dans la réalité, les individus travaillent généralement en groupe. Cela a conduit à l‘apparition d‘une nouvelle approche d‘intelligence artificielle appelée intelligence artificielle distribuée (I.A.D). Cette intelligence artificielle distribuée repose sur le principe de la distribution de l‘intelligence entre un ensemble d‘entités qui coopèrent pour atteindre un objectif global où chacune entre elles ne peut le réaliser individuellement. Une extension des systèmes I.A.D est proposée, dans lequel les composants qui possèdent une certaine autonomie doivent être dotés des capacités de perception et d‘action sur leur environnement. On parle alors d‘agent et par conséquent les systèmes multi agents [45].
En savoir plus

114 En savoir plus

Systèmes multi-robots aériens : architecture pour la planification, la supervision et la coopération

Systèmes multi-robots aériens : architecture pour la planification, la supervision et la coopération

Nous avons souhait´e introduire, dans notre approche, la possibilit´e de coordonner les tˆaches `a ex´ecuter `a travers de multiples modalit´es de n´egociations, dans le cadre de rˆoles attach´es `a la r´ealisation de tˆaches jointes. La formulation de rˆole pour expliciter le cadre d’interactions entre agents est une approche popularis´ee par Tambe [Tambe 97], dans laquelle STEAM, un cadre au- tomatis´e d’organisation en ´equipe, est appliqu´e `a chaque “intervenant” (agent, robot, humain...) mod´elis´e dans le syst`eme. Des “op´erateurs d’´equipe”, bas´es sur la notion “d’intentions jointes” [Levesque 90], d´efinissent des activit´es `a r´ealiser en ´equipe. Dans l’approche de Tambe, l’appren- tissage est introduit pour adapter le cadre de coordination d´efini dans STEAM `a une application donn´ee. Impl´ement´ee avec succ`es dans des syst`emes multi-agents, l’approche de Tambe n’a pas encore ´et´e d´emontr´ee sur un syst`eme de robots r´eels. Notre approche peut ˆetre mise en parall`ele avec celle de Tambe dans la mesure ou le Gestionnaire d’Interaction que nous introduisons dans la couche d´elib´erative peut s’identifier au cadre de STEAM, lui aussi `a base de rˆoles. Les mod`eles d’interaction que nous introduisons peuvent ˆetre rapproch´es des op´erateurs d’´equipe de Tambe. Cependant, nous ajoutons `a notre couche d´elib´erative des moyens de raisonnement (planificateur symbolique) dont ne dispose pas l’architecture de Tambe. Par ailleurs, nous ne nous int´eressons pas, dans ce travail, aux capacit´es d’apprentissage. Dans notre d´emarche, nous consid´erons expli- citement les probl´ematiques et domaines multi-UAV, avec les particularit´es applicatives que nous avons introduites dans le chapitre I. Nous consid´erons en particulier des mod`eles de contraintes spatiales explicites : les tˆaches que les UAV doivent accomplir reposent en effet en grande partie sur leur positions et d´eplacements, et ce plus encore que pour les robots mobiles terrestres (une erreur de d´eplacement est susceptible d’ˆetre fatale pour un UAV, beaucoup moins pour un rover, par exemple). De plus, la criticit´e de d´eploiement et d’op´erations de plusieurs a´eronefs non- habit´es requiert, `a notre sens, de pouvoir d´efinir explicitement le cadre spatial des op´erations jointes. Comme il en est question dans le chapitre V, le GI propose la d´efinition explicite d’un cadre spatial de ce type, dans la d´efinition des interactions.
En savoir plus

170 En savoir plus

Approche modulaire pour la planification continue : application à la conduite des systèmes de culture

Approche modulaire pour la planification continue : application à la conduite des systèmes de culture

Schattenberg et Uhrmacher , 2001 ) qui est un environnement de modélisation et de simulation d’un agent et de son environnement basé sur les évènements discrets. Dans JAMES plus particulièrement, les auteurs utilisent la spécification DEVS pour formaliser la modularité et le couplage de modèles hétérogènes, selon une représentation systémique. JAMES est à ce jour la plateforme de simulation d’a- gent en DEVS la plus connue. Cette plateforme propose un cadre expérimental pour la simulation des systèmes multi-agents. JAMES représente un agent par un mod- èle atomique DEVS. Le cycle de fonctionnement des agents est fortement inspiré de la boucle Perception/Planification/Action (SPA cf. section 2.1.4.a ). Les entrées et les sorties modélisent les capteurs et les effecteurs de l’agent. La fonction de transi- tion externe permet de traduire les informations issues d’environnement en modèle d’environnement disponible pour l’agent. La fonction de transition interne mod- élise l’autonomie de l’agent. Dans JAMES, la fonction de transition interne intègre un algorithme de planification capable d’exploiter les informations contenue dans le modèle de l’environnement. Enfin, les actions de l’agent sur son environnement sont modélisées par la fonction de sortie. Par ailleurs, Quesnel ( 2006 ), affine la modélisation d’agent en DEVS en intégrant les capteurs et les effecteurs de l’agent sous la forme de modèles atomiques.
En savoir plus

291 En savoir plus

Contribution des systèmes multi-agent à l'analyse de la performance organisationnelle d'une cellule de crise communale

Contribution des systèmes multi-agent à l'analyse de la performance organisationnelle d'une cellule de crise communale

Ces indicateurs peuvent être utilisés à travers des outils de contrôle de gestion. En effet la mesure de la performance est un outil de management et de responsabilité (Brown et al., 1988; Poister et al., 1999 ; Wholey et al., 1992). Aux Etats-Unis, les gouvernements locaux sont encouragés à utiliser des outils de pilotage de la performance. Selon l’étude de Togodo Azon et Van Caillie (2009) cinq périodes marquent fondamentalement l’évolution du système de contrôle de gestion des collectivités locales. Depuis les années 70, l’évolution du contrôle de gestion des collectivités locale se caractérise par la gestion budgétaire. L’objectif était d’améliorer les programmes budgétaires pour une meilleure prise de décisions à caractère financier (Williams, 2003). Dans les années 80, les autorités locales se focalisent sur l’évolution de l’impact de leur action sur les citoyens pour améliorer la responsabilité publique (Poister et al., 1999). Puis dans les années 90 apparaissent des outils technologiques qui intègrent les indicateurs pour la planification et la gestion stratégique. L’étude de Togodo Azon et Van Caillie constate aussi que de nouveaux outils sont apparus comme le benchmarking. L’objectif de cet outil est d’améliorer la qualité des services en comparant des gouvernements locaux entre eux et les fournisseurs de services entre eux, afin de choisir les meilleurs (Ammons et. al, 2008; Folz, 2004). Enfin ces dernières années, le tableau de bord et le Balanced Scored sont de plus en plus utilisé dans les collectives. Ces outils permettent d’évaluer les divers aspects (financier, orientation citoyens usagers clients, processus interne, innovation et apprentissage) de la performance pour améliorer l’efficacité et l’efficience des services locaux. L’objectifs de ces outils pour les municipalités est de pouvoir prendre en compte l’impact de l’environnement politique et social de la collectivité locale (Kloot et al., 2000 ; Edward et al.,2005; Yang et al., 2007; Charpenter et al., 2001).
En savoir plus

273 En savoir plus

Approche pour la modélisation des réseaux de capteurs sans-fil à travers les systèmes multi-agents

Approche pour la modélisation des réseaux de capteurs sans-fil à travers les systèmes multi-agents

Mots clés : réseaux de capteurs sans fil, Systèmes multi-agent, SMA, modélisation des systèmes. ABSTRACT "In this thesis we describe how and why the technologies of multi-agent systems have been used in wireless sensor networks with emphasis on the benefits of such use. In reality, sensor networks are often faced with resource management problems because of the compromise: (size of the node / autonomy) which is a real dilemma for the designers. The challenge is to optimize the operation of the network with nodes whose size does not exceed that of one coin. Multi-agent technology helps designers to make decisions in this direction. We review the main characteristics of the two above- mentioned technologies and protocols specific to wireless sensor networks (WSN). Finally, we propose an approach for designing a wireless sensor network system based on the agent model."
En savoir plus

90 En savoir plus

Planification SAT et planification temporellement expressive : les systèmes TSP et TLP-GP

Planification SAT et planification temporellement expressive : les systèmes TSP et TLP-GP

Plusieurs études cherchent maintenant à étendre l’utilisation des techniques SAT pour sortir du cadre « classique » de la planification (environnement statique, observabilité totale, agent omniscient, actions atomiques et déterministes). [Wolfman, Weld, 1999, 2000] proposent ainsi, dans leur planificateur LPSAT, une extension de la planification SAT pour la résolution de problèmes de planification avec prise en compte de ressources. Le principe consiste à résoudre un problème constitué par une base de clauses et un ensemble de contraintes sous forme d’équations linéaires et d’inégalités, ces contraintes étant déclenchées par l’assignation de la valeur de vérité vrai à certaines variables de la base. On peut par exemple associer à une variable propositionnelle une contrainte précisant que la quantité de carburant disponible pour un véhicule doit être supérieure à une certaine valeur. Lorsque la valeur de cette variable passe à vrai, il faut s’assurer que cette contrainte est vérifiée, ainsi que les autres contraintes qui dépendent de cette variable. Dans le cas contraire, un retour arrière dans la procédure de Davis et Putnam est effectué, même si la base de clauses reste satisfiable. Le planificateur LPSAT utilise à cet effet une version modifiée de RELSAT [Bayardo, Schrag, 1997] et le solveur de contraintes arithmétiques linéaires CASSOWARY [Borning et al., 1997]. [Hoffmann, Kautz, Gomes, Selamn, 2007] développent une méthode permettant d’encoder des problèmes de planification numérique sous forme de problèmes SAT. Cette approche utilise une approximation de l’atteignabilité des variables du domaine. Ils la comparent à une autre traduction plus directe et qui utilise la « SAT Modulo Theory », extension de SAT avec des variables numériques et des contraintes arithmétiques. Dans les exemples qu’ils ont pu pratiquement tester, leur approche, optimale en nombre de niveaux, est plus efficace que la traduction avec SMT et rivalise même avec des planificateurs non-optimaux. [Mattmüller, Rintanen, 2007] étendent la planification SAT aux buts temporellement étendus (TEG : Temporally Extended Goals) qui permettent d’exprimer des contraintes qui imposent le passage par certains états pendant l’exécution du plan solution.
En savoir plus

182 En savoir plus

Planification de missions multi-satellites par système multi-agent coopératif

Planification de missions multi-satellites par système multi-agent coopératif

Résumé La planification de mission de constellations de satellites est un problème complexe soulevant d’importants défis technologiques pour les sys- tèmes spatiaux de demain. L’augmentation de la taille des constellations, les performances évo- luées et l’hétérogénéité des satellites sont tous des critères impliquant une combinatoire très élevée. Les techniques actuelles présentent des limites, car elles planifient un satellite à la fois et non la constellation dans son ensemble. Dans cet article, nous proposons de résoudre ce problème difficile par les systèmes multi- agents coopératifs. Une amélioration du mo- dèle AMAS4Opt est présentée, permettant de maximiser la coopération entre les agents du système. De par leurs interactions locales, ces agents, permettent d’obtenir une solution de bonne qualité en un temps raisonnable, en assu- rant un partage équitable des tâches au sein de la constellation. Enfin, une comparaison avec l’algorithme Glouton Chronologique, couram- ment utilisé dans le domaine spatial, souligne les avantages de l’approche proposée.
En savoir plus

11 En savoir plus

Langage de Coordination Multi-Agent Sécurisé

Langage de Coordination Multi-Agent Sécurisé

Nous désirons équiper les langages de coordination orientés données avec un mé- canisme de sécurité à grain fin, permettant la protection différenciée de chaque donnée échangée, afin de permettre la mise en oeuvre de ces langages dans la conception des SMA. La sécurité à grain fin permet d’associer des règles de sécurité, non pas à un espace de données partagé, ni à un ensemble de champs, mais à chaque donnée élé- mentaire échangée. Notre proposition peut être classée comme une approche orientée entités, mais au lieu de lister les agents qui peuvent accéder à une donnée, nous pro- posons un langage dans lequel ces agents sont décrits « symboliquement », c’est à dire que leurs propriétés sont définies sans les désigner nommément. En effet, en raison de cette exigence de liste nominative, les auteurs dans (Focardi et al., 2006) avancent que l’approche orientée connaissances est plus adaptée pour les systèmes ouverts. En ce sens, nous proposons une approche orientée entités adaptée pour les systèmes ouverts. Nous donnons aux agents la possibilité de spécifier, quand ils ajoutent une donnée à l’espace partagé, les conditions dans lesquelles elle peut être lue ou récupérée par d’autres. De plus, le concepteur spécifie les conditions générales dans lesquelles les agents peuvent ou ne peuvent pas ajouter une certaine donnée à l’espace, suivant la logique de l’application. A cette fin, nous apportons plusieurs modifications au mo- dèle originel Linda, et proposons un nouveau langage appelé L ACIOS (Language for Agent Contextual Interaction in Open Systems), qui est la matérialisation linguistique du modèle modifié.
En savoir plus

26 En savoir plus

Simulation multi-agent d'un système complexe : combiner des domaines d'expertise par une approche multi-niveau. Le cas de la consommation électrique résidentielle

Simulation multi-agent d'un système complexe : combiner des domaines d'expertise par une approche multi-niveau. Le cas de la consommation électrique résidentielle

R É S U M É Nous abordons dans cette thèse un problème important en simulation multi- agent pour l’étude des systèmes complexes : celui d’assembler de multiples expertises par une approche multi-niveau. Alors que les approches existantes considèrent habituellement la vue d’un seul expert principal sur le système, nous proposons d’utiliser une approche multi-niveau pour intégrer plusieurs expertises sous la forme d’agents de différents niveaux d’abstraction. Nous montrons qu’il est ainsi possible de rester proche des concepts manipulés par les différents experts (ce qui permet de faciliter le processus de validation dans leurs domaines respectifs) et de combiner les différents niveaux d’abstrac- tion de ces concepts, de manière à ce que chaque expert puisse comprendre les dynamiques des éléments liés à son domaine. Les recherches actuelles dans la communauté des systèmes multi-agents utilisent souvent la modéli- sation multi-niveau pour répondre à la problématique du passage à l’échelle en construisant des représentations macroscopiques des agents. Nous voulons, au contraire, conserver le niveau microscopique pour permettre des études inter-disciplinaires sur les liens micro-macro. Nous proposons le modèle SIM- LAB basé sur une représentation unifiée des concepts par des agents pouvant s’influencer les uns les autres dans différents axes et différents niveaux d’abs- traction. Ce travail de recherche est concrétisé dans le cadre de l’étude de l’activité humaine en relation avec la consommation électrique résidentielle. Il s’agit là d’un exemple typique de système complexe nécessitant de multiples expertises issues de différents domaines tels que l’ergonomie, l’énergétique, la sociologie, la thermique, etc. Dans ce contexte, nous présentons ensuite la mise en œuvre de notre approche dans la plate-forme SMACH de simulation des comportements humains dans l’habitat et nous décrivons un ensemble d’expé- rimentations illustrant les différentes caractéristiques de notre approche. Nous montrons enfin la capacité de SIMLAB à reproduire et étendre en simulation une étude réalisée sur le terrain de gestion de la demande énergétique résiden- tielle.
En savoir plus

169 En savoir plus

Une approche basée agent 
pour Le E-recrutement

Une approche basée agent pour Le E-recrutement

5- Procédure de sélection L'agent Suivi dés qu'il reçoit le message "Fin d'entretien" du l'agent interface entretien, il lance la procédure sélection et à la fin envoyé le meilleur profi[r]

94 En savoir plus

Une approche basée agent pour le web sémantique

Une approche basée agent pour le web sémantique

En vue d’obtention du diplôme de Magister en informatique Option: Systèmes d’Informations Avancés et Intelligence Artificielle. Membres de jury:[r]

1 En savoir plus

Approche intégrée en planification et ordonnancement de la production

Approche intégrée en planification et ordonnancement de la production

séquence des opérations sur les machines, ce qui permet de déterminer le graphe conjonctif associé. Les contraintes de capacité sont alors modélisées par les chemins du graphe conjonctif. Nous avons émis dans un premier temps, l'hypothèse que la séquence des opé- rations sur les ressources est xée et nous avons appliquée une heuristique Lagran- gienne pour déterminer un plan de production. Une borne inférieure est obtenue en relaxant les contraintes de capacité et une nouvelle procédure de lissage de la pro- duction est appliquée pour déterminer une borne supérieure. Nous avons montré que les heuristiques classiques de lissage pour construire une solution réalisable ne sont pas applicables, puisque les périodes sont liées entre elles dans notre modélisation. Nous avons donc développé des heuristiques basées sur diérents critères pour la recherche du produit critique et diérentes sélections des périodes initiales et cibles. Un ensemble de jeux de données a été généré et ces instances ont permis de tester la performance de la procédure pour diérents paramètres (capacité, coûts de lan- cement . . . ) du problème. La comparaison des solutions obtenues par l'heuristique Lagrangienne à celles obtenues par un logiciel standard d'optimisation a montré que la qualité des résultats de notre approche est très satisfaisante.
En savoir plus

221 En savoir plus

Show all 10000 documents...