{"id":930,"date":"2024-03-22T11:42:04","date_gmt":"2024-03-22T10:42:04","guid":{"rendered":"https:\/\/ai.reboot-conseil.com\/?p=930"},"modified":"2024-04-03T14:58:49","modified_gmt":"2024-04-03T13:58:49","slug":"systemes-multi-agents-la-methode-eco-problem-solving","status":"publish","type":"post","link":"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/","title":{"rendered":"Syst\u00e8mes multi-agents, la m\u00e9thode \u00ab\u00a0Eco Problem Solving\u00a0\u00bb"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\">Les <a href=\"https:\/\/fr.wikipedia.org\/wiki\/Syst%C3%A8me_multi-agents\">Syst\u00e8mes Multi Agents<\/a> (SMA) ont \u00e9t\u00e9 inspir\u00e9s par l&rsquo;observation des comportements sociaux des colonies d&rsquo;insectes. Les colonies de fourmis et d&rsquo;abeilles exhibent de <a href=\"https:\/\/fr.wikipedia.org\/wiki\/Intelligence_collective\">l&rsquo;intelligence collective<\/a> et <a href=\"https:\/\/fr.wikipedia.org\/wiki\/Intelligence_distribu%C3%A9e\">intelligence distribu\u00e9e<\/a>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Reproduire ou \u00e9tendre ces comportements observ\u00e9s est possible en les simulant avec un ordinateur, on se retrouve alors \u00e0 cr\u00e9er un Syst\u00e8me Multi Agent, d\u00e9fini par l&rsquo;environnement et les agents qui \u00e9voluent dedans.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">On trouve plein d&rsquo;applications qui b\u00e9n\u00e9ficient de ces syst\u00e8mes, l&rsquo;agent prend une forme diff\u00e9rente selon le domaine d&rsquo;application : une cellule en biologie, un robot en robotique, un humain en sociologie, une node en r\u00e9seau, un personnage dans un jeu vid\u00e9o, un v\u00e9hicule dans un r\u00e9seau de transport\u2026<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Les SMA excellent en simulation de ph\u00e9nom\u00e8nes r\u00e9els et r\u00e9solution de probl\u00e8mes dans des <a href=\"https:\/\/fr.wikipedia.org\/wiki\/Syst%C3%A8me_complexe\">syst\u00e8mes complexes<\/a><\/p>\n\n\n\n<p class=\"wp-block-paragraph\" style=\"padding-top:0;padding-bottom:0\">Par exemple la simulation de foule est faite dans un syst\u00e8me multi agent:<\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter size-full is-resized\"><img fetchpriority=\"high\" decoding=\"async\" width=\"1024\" height=\"554\" src=\"https:\/\/ai.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/Bottleneck01-1024x554-1.png\" alt=\"Image montrant le rendu 3d d'une simulation informatique de foule.\" class=\"wp-image-931\" style=\"width:596px;height:auto\" srcset=\"https:\/\/beta.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/Bottleneck01-1024x554-1.png 1024w, https:\/\/beta.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/Bottleneck01-1024x554-1-300x162.png 300w, https:\/\/beta.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/Bottleneck01-1024x554-1-768x416.png 768w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><figcaption class=\"wp-element-caption\"><em><a href=\"https:\/\/www.vadere.org\/\">Vadere Crowd Simulation<\/a><\/em><\/figcaption><\/figure>\n\n\n\n<h3 class=\"wp-block-heading\">Un agent<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Qu&rsquo;est-ce qui d\u00e9fini un agent ? Il doit \u00eatre :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Autonome<\/strong> : Capable d&rsquo;agir sans intervention humaine<\/li>\n\n\n\n<li><strong>R\u00e9actif <\/strong>: Capable de r\u00e9agir \u00e0 son environnement<\/li>\n\n\n\n<li><strong>Proactif<\/strong> : Poursuit activement un but<\/li>\n\n\n\n<li><strong>Sociable <\/strong>: Capable de communiquer, coop\u00e9rer avec d&rsquo;autres agents<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Pour \u00e7a, on d\u00e9finit :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Sa perception de son environnement<\/li>\n\n\n\n<li>Son syst\u00e8me de d\u00e9cision (machine \u00e9tat transition, algorithme, r\u00e9seau de neurone\u2026)<\/li>\n\n\n\n<li>Les actions qu&rsquo;il peut appliquer \u00e0 son environnement<\/li>\n\n\n\n<li>Son but<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\">Un exemple d&rsquo;agent : un rover martien<\/h3>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Son environnement est physique, c&rsquo;est Mars<\/li>\n\n\n\n<li>Sa perception est l&rsquo;ensemble des informations enregistr\u00e9es par ses capteurs (cam\u00e9ra, temp\u00e9rature, humidit\u00e9\u2026)<\/li>\n\n\n\n<li>Ses actions sont de se d\u00e9placer, r\u00e9colter des \u00e9chantillons, transmettre un message \u00e0 la Terre<\/li>\n\n\n\n<li>Son but est de r\u00e9colter le plus d&rsquo;\u00e9chantillons, les plus divers possibles et maintenir son int\u00e9grit\u00e9<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\">Quels avantages \u00e0 cette mod\u00e9lisation ?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Pourquoi s&#8217;emb\u00eater \u00e0 rajouter cette couche d&rsquo;abstraction lorsque l&rsquo;on veut r\u00e9soudre un probl\u00e8me ?<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La mod\u00e9lisation d&rsquo;agents prend tout son sens lorsque l&rsquo;on consid\u00e8re des environnements comportant plusieurs agents, on a alors un Syst\u00e8me Multi Agent, capable de:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Distribution<\/strong> : partager des responsabilit\u00e9s, charges de calculs, d\u00e9cisions entre plusieurs agents<\/li>\n\n\n\n<li><strong>D\u00e9centralisation<\/strong> : la responsabilit\u00e9 et le contr\u00f4le n&rsquo;appartiennent plus \u00e0 un unique syst\u00e8me<\/li>\n\n\n\n<li><strong>R\u00e9silience<\/strong> : Si un agent rencontre une erreur, tous les autres s&rsquo;adaptent et le syst\u00e8me est toujours fonctionnel<\/li>\n\n\n\n<li><strong>\u00c9mergence<\/strong> : Les r\u00e8gles d&rsquo;interaction entre les agents fait \u00e9merger des comportements plus complexe que ce qui a \u00e9t\u00e9 initialement d\u00e9fini.<\/li>\n\n\n\n<li><strong>Comportement sociaux<\/strong> : Un comportement difficile \u00e0 r\u00e9pliquer par une intelligence monolithique (par d\u00e9finition)<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">C&rsquo;est un champ en plein d\u00e9veloppement dans la communaut\u00e9 scientifique, et peu d\u00e9mocratis\u00e9 dans l&rsquo;industrie. Il reste encore pleins d&rsquo;avantages \u00e0 d\u00e9couvrir.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Les syst\u00e8mes multi-agents r\u00e9actifs<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La capacit\u00e9 r\u00e9flexive d&rsquo;un agent peut se placer sur un spectre dont la premi\u00e8re extr\u00e9mit\u00e9 est constitu\u00e9e des <strong>agents cognitifs<\/strong>, capable de raisonnements complexes, anticipation, apprentissage et pr\u00e9diction (on les aborderas dans un article futur). L&rsquo;autre extr\u00e9mit\u00e9 est constitu\u00e9e des <strong>agents r\u00e9actifs<\/strong>, qui d\u00e9cident de leurs actions en suivant des r\u00e8gles simples de type stimulus-r\u00e9ponse.<\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter size-full is-resized has-custom-border\"><img decoding=\"async\" width=\"320\" height=\"240\" src=\"https:\/\/ai.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/3d_boids_obstacle_avoidance.gif\" alt=\"gif montrant le montrant l'algorithme des boids am\u00e9lior\u00e9 avec de la suivi de chemin et esquive d'obstacle\" class=\"wp-image-932\" style=\"border-width:9px;border-radius:11px;width:441px;height:auto\"\/><figcaption class=\"wp-element-caption\"><mark style=\"background-color:rgba(0, 0, 0, 0)\" class=\"has-inline-color has-ti-bg-color\"><em>Craig Reynolds :<\/em> <em><a href=\"https:\/\/www.red3d.com\/cwr\/boids\/\">Boids (Simulated flocking)<\/a><\/em><\/mark><\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Par exemples, dans la simulation du comportement de nu\u00e9e (les fameux <a href=\"https:\/\/fr.wikipedia.org\/wiki\/Boids\" data-type=\"link\" data-id=\"https:\/\/fr.wikipedia.org\/wiki\/Boids\">boids<\/a>), chaque agent suit 3 r\u00e8gles pr\u00e9d\u00e9finies : s\u00e9paration, alignement et coh\u00e9sion. Ces 3 r\u00e8gles font \u00e9merger un comportement social complexe, la nu\u00e9e.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Dans un SMA r\u00e9actif, les agents ont une repr\u00e9sentation limit\u00e9e de leur environnement et des autres agents. Ils r\u00e9agissent simplement aux changements qu&rsquo;ils per\u00e7oivent. C&rsquo;est de leurs interactions qu&rsquo;\u00e9merge un comportement collectif intelligent permettant la r\u00e9solution du probl\u00e8me.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">L&rsquo;avantage des agents r\u00e9actifs est leur simplicit\u00e9 et leur robustesse. Ils sont peu co\u00fbteux en ressources et s&rsquo;adaptent facilement aux changements de l&rsquo;environnement. Leur inconv\u00e9nient est le manque de capacit\u00e9s cognitives \u00e9volu\u00e9es comme l&rsquo;apprentissage ou l&rsquo;anticipation.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">La m\u00e9thode \u00ab\u00a0eco problem solving\u00a0\u00bb<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Pour appliquer la m\u00e9thode <strong>eco solving<\/strong>, il faut red\u00e9finir un probl\u00e8me pour que sa solution soit l&rsquo;\u00e9tat de stabilit\u00e9 d&rsquo;un syst\u00e8me multi agent. Les agents du syst\u00e8me sont r\u00e9actifs et d\u00e9finis avec les 4 \u00e9tats suivants :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Satisfait<\/strong> : Un agent est satisfait lorsqu&rsquo;il a atteint son but personnel, il ne fait alors rien<\/li>\n\n\n\n<li><strong>Recherche de satisfaction<\/strong> : Lorsqu&rsquo;il est insatisfait, effectue une action qui l&rsquo;approche de son but. Si un autre agent bloque cette action, alors on l&rsquo;attaque<\/li>\n\n\n\n<li><strong>Fuite<\/strong> : L&rsquo;agent s&rsquo;est fait r\u00e9cemment attaqu\u00e9, il ne poursuit plus son but. Il sortira de l&rsquo;\u00e9tat de fuite apr\u00e8s un temps d&rsquo;attente<\/li>\n\n\n\n<li><strong>Recherche de fuite<\/strong> : L&rsquo;agent se fait activement attaquer, il effectue l&rsquo;action qui l&rsquo;\u00e9loigne de son attaquant<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">\u00c0 l&rsquo;\u00e9tat initiale, les agents sont insatisfait et vont tous se diriger vers leur satisfaction. Les agents interagissent en s&rsquo;attaquant et se fuyant. Le syst\u00e8me va converger vers un \u00e9tat de stabilit\u00e9 o\u00f9 tous ses agents sont satisfaits. Si le probl\u00e8me a \u00e9t\u00e9 correctement formul\u00e9, cet \u00e9tat de stabilit\u00e9 sera la solution recherch\u00e9e.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Cette approche permet de trouver des solutions originales et efficaces \u00e0 des probl\u00e8mes complexes. Elle n\u00e9cessite cependant de bien d\u00e9finir les r\u00e8gles de d\u00e9cision des agents pour les faire converger vers une bonne solution, et \u00e9viter les boucles.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Illustration<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Dans cette illustration, l&rsquo;environnement est une s\u00e9rie de cellules, un agent occupe une cellule de l&rsquo;environnement, et il est satisfait lorsqu&rsquo;il est dans la cellule qui lui est attribu\u00e9e. Lorsqu&rsquo;un agent est insatisfait, il se d\u00e9placent sur une cellule adjacente \u00e0 celle qu&rsquo;il occupe. Lorsqu&rsquo;un agent est en fuite, il se d\u00e9place pour s&rsquo;\u00e9loigner de l&rsquo;agent qui l&rsquo;attaque.<\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter size-full\"><img decoding=\"async\" width=\"352\" height=\"224\" src=\"https:\/\/ai.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/EcoSolving_0.png\" alt=\"\" class=\"wp-image-934\" srcset=\"https:\/\/beta.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/EcoSolving_0.png 352w, https:\/\/beta.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/EcoSolving_0-300x191.png 300w\" sizes=\"(max-width: 352px) 100vw, 352px\" \/><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\"><br>Dans cet situation initiale, l&rsquo;agent bleu est satisfait car il occupe la cellule qui lui est attribu\u00e9e. L&rsquo;agent rouge est insatisfait car il n&rsquo;occupe pas la cellule qui lui est attribu\u00e9e.<\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter size-full\"><img loading=\"lazy\" decoding=\"async\" width=\"352\" height=\"224\" src=\"https:\/\/ai.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/EcoSolving_1.png\" alt=\"\" class=\"wp-image-935\" srcset=\"https:\/\/beta.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/EcoSolving_1.png 352w, https:\/\/beta.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/EcoSolving_1-300x191.png 300w\" sizes=\"(max-width: 352px) 100vw, 352px\" \/><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\"><br>L&rsquo;agent rouge attaque l&rsquo;agent bleu, car il bloque l&rsquo;action qui le rapproche de la satisfaction. L&rsquo;agent bleu est maintenant en \u00e9tat de fuite, il effectue l&rsquo;action qui l&rsquo;\u00e9loigne de son attaquant. L&rsquo;agent bleu ne sortira de son \u00e9tat de fuite qu&rsquo;apr\u00e8s un certain temps.<\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter size-full\"><img loading=\"lazy\" decoding=\"async\" width=\"352\" height=\"224\" src=\"https:\/\/ai.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/EcoSolving_2.png\" alt=\"\" class=\"wp-image-936\" srcset=\"https:\/\/beta.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/EcoSolving_2.png 352w, https:\/\/beta.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/EcoSolving_2-300x191.png 300w\" sizes=\"(max-width: 352px) 100vw, 352px\" \/><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\"><br>L&rsquo;agent bleu a continu\u00e9 \u00e0 fuir. Ici il a fuit vers le bas, mais il aurait pu fuir vers la droite, dans quel cas, il aurait \u00e9t\u00e9 bloqu\u00e9 sur la cellule de satisfaction de l&rsquo;agent rouge. Lorsqu&rsquo;il serait sorti de son \u00e9tat de fuite, il aurait attaqu\u00e9 l&rsquo;agent rouge, qui serait devenu \u00e0 son tour l&rsquo;agent fuyant.<\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter size-full\"><img loading=\"lazy\" decoding=\"async\" width=\"352\" height=\"224\" src=\"https:\/\/ai.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/EcoSolving_3.png\" alt=\"\" class=\"wp-image-937\" srcset=\"https:\/\/beta.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/EcoSolving_3.png 352w, https:\/\/beta.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/EcoSolving_3-300x191.png 300w\" sizes=\"(max-width: 352px) 100vw, 352px\" \/><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\"><br>L&rsquo;agent rouge, n&rsquo;a plus besoin d&rsquo;attaquer l&rsquo;agent bleu et peut atteindre son \u00e9tat de satisfaction. Lorsque l&rsquo;agent bleu sortira de son \u00e9tat de fuite, il aura le champ libre pour rejoindre son \u00e9tat de satisfaction. Dans quel cas, tous les agents seront satisfait, le syst\u00e8me stabilis\u00e9.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Exemple d&rsquo;application : Agencement 3D<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Dans cet exemple, l&rsquo;objectif est d&rsquo;organiser des boites dans le plus petit espace possible :<\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter size-full is-resized has-custom-border is-style-default\"><img loading=\"lazy\" decoding=\"async\" width=\"640\" height=\"480\" src=\"https:\/\/ai.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/bin_packing_eco_solving.gif\" alt=\"\" class=\"wp-image-933\" style=\"border-radius:11px;aspect-ratio:1;object-fit:cover;width:371px;height:auto\"\/><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Dans la r\u00e9solution de ce probl\u00e8me, l&rsquo;algorithmie se limite \u00e0 la simulation du comportement des agents. Ceux-ci doivent \u00eatre d\u00e9fini correctement pour obtenir un syst\u00e8me qui converge vers sa stabilit\u00e9.<\/p>\n\n\n\n<h4 class=\"wp-block-heading\">Boite<\/h4>\n\n\n\n<p class=\"wp-block-paragraph\">Les boites sont dispos\u00e9es en ligne \u00e0 l&rsquo;initialisation du probl\u00e8me<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Une boite est tout le temps satisfaite<\/li>\n\n\n\n<li>Une boite fuie quand elle est attaqu\u00e9e\n<ul class=\"wp-block-list\">\n<li>Fuite dans la direction o\u00f9 il y a le plus de place<\/li>\n\n\n\n<li>A une liste d&rsquo;action taboue qui l&#8217;emp\u00eache de r\u00e9p\u00e9ter plusieurs fois la m\u00eame action<\/li>\n\n\n\n<li>Quand n&rsquo;a nulle part o\u00f9 fuir, attaque les autres boites autours d&rsquo;elle<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n\n\n\n<h4 class=\"wp-block-heading\">Contenant<\/h4>\n\n\n\n<p class=\"wp-block-paragraph\">Le contenant est cr\u00e9\u00e9 suffisamment grand pour contenir toutes les boites dispos\u00e9es en ligne.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Il est satisfait lorsqu&rsquo;il atteint sa taille objectif<\/li>\n\n\n\n<li>Il r\u00e9duit sa taille lorsqu&rsquo;il est insatisfait<\/li>\n\n\n\n<li>Il attaque les boites lorsqu&rsquo;elles l&#8217;emp\u00eache de r\u00e9duire sa taille<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Dans cet exemple, on observe le comportement du contenant, qui cherche sa satisfaction (atteindre la plus petite taille possible). Les boites se font attaquer lorsqu&rsquo;elles bloquent la satisfaction du contenant, et se d\u00e9placent pour lui laisser place. Finalement, le comportement \u00e9mergeant de ce syst\u00e8me multi agent, est l&rsquo;auto organisation des paquets dans le plus petit espace possible.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Conclusion<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Dans cet article, on a explor\u00e9 les syst\u00e8mes multi agents r\u00e9actifs, qui sont une petite partie du domaine. Dans des articles futurs, nous pourrons explorer l&rsquo;impl\u00e9mentation des <strong>simulations de syst\u00e8mes multi agents<\/strong> et les <strong>agents cognitifs<\/strong>.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Les Syst\u00e8mes Multi Agents (SMA) ont \u00e9t\u00e9 inspir\u00e9s par l&rsquo;observation des comportements sociaux des colonies d&rsquo;insectes. Les colonies de fourmis et d&rsquo;abeilles exhibent de l&rsquo;intelligence collective et intelligence distribu\u00e9e. Reproduire ou \u00e9tendre ces comportements observ\u00e9s est possible en les simulant avec un ordinateur, on se retrouve alors \u00e0 cr\u00e9er un Syst\u00e8me Multi Agent, d\u00e9fini par l&rsquo;environnement et les agents qui \u00e9voluent dedans. On trouve plein d&rsquo;applications qui b\u00e9n\u00e9ficient de ces syst\u00e8mes, l&rsquo;agent prend une forme diff\u00e9rente selon le domaine d&rsquo;application : une cellule en biologie, un robot en robotique, un humain en sociologie, une node en r\u00e9seau, un personnage dans un jeu vid\u00e9o, un v\u00e9hicule dans un r\u00e9seau de transport\u2026 Les SMA excellent en simulation de ph\u00e9nom\u00e8nes r\u00e9els et r\u00e9solution de probl\u00e8mes dans des syst\u00e8mes complexes Par exemple la simulation de foule est faite dans un syst\u00e8me multi agent: Un agent Qu&rsquo;est-ce qui d\u00e9fini un agent ? Il doit \u00eatre : Pour \u00e7a, on d\u00e9finit : Un exemple d&rsquo;agent : un rover martien Quels avantages \u00e0 cette mod\u00e9lisation ? Pourquoi s&#8217;emb\u00eater \u00e0 rajouter cette couche d&rsquo;abstraction lorsque l&rsquo;on veut r\u00e9soudre un probl\u00e8me ? La mod\u00e9lisation d&rsquo;agents prend tout son sens lorsque l&rsquo;on consid\u00e8re des environnements comportant plusieurs agents, on a alors un Syst\u00e8me Multi Agent, capable de: C&rsquo;est un champ en plein d\u00e9veloppement dans la communaut\u00e9 scientifique, et peu d\u00e9mocratis\u00e9 dans l&rsquo;industrie. Il reste encore pleins d&rsquo;avantages \u00e0 d\u00e9couvrir. Les syst\u00e8mes multi-agents r\u00e9actifs La capacit\u00e9 r\u00e9flexive d&rsquo;un agent peut se placer sur un spectre dont la premi\u00e8re extr\u00e9mit\u00e9 est constitu\u00e9e des agents cognitifs, capable de raisonnements complexes, anticipation, apprentissage et pr\u00e9diction (on les aborderas dans un article futur). L&rsquo;autre extr\u00e9mit\u00e9 est constitu\u00e9e des agents r\u00e9actifs, qui d\u00e9cident de leurs actions en suivant des r\u00e8gles simples de type stimulus-r\u00e9ponse. Par exemples, dans la simulation du comportement de nu\u00e9e (les fameux boids), chaque agent suit 3 r\u00e8gles pr\u00e9d\u00e9finies : s\u00e9paration, alignement et coh\u00e9sion. Ces 3 r\u00e8gles font \u00e9merger un comportement social complexe, la nu\u00e9e. Dans un SMA r\u00e9actif, les agents ont une repr\u00e9sentation limit\u00e9e de leur environnement et des autres agents. Ils r\u00e9agissent simplement aux changements qu&rsquo;ils per\u00e7oivent. C&rsquo;est de leurs interactions qu&rsquo;\u00e9merge un comportement collectif intelligent permettant la r\u00e9solution du probl\u00e8me. L&rsquo;avantage des agents r\u00e9actifs est leur simplicit\u00e9 et leur robustesse. Ils sont peu co\u00fbteux en ressources et s&rsquo;adaptent facilement aux changements de l&rsquo;environnement. Leur inconv\u00e9nient est le manque de capacit\u00e9s cognitives \u00e9volu\u00e9es comme l&rsquo;apprentissage ou l&rsquo;anticipation. La m\u00e9thode \u00ab\u00a0eco problem solving\u00a0\u00bb Pour appliquer la m\u00e9thode eco solving, il faut red\u00e9finir un probl\u00e8me pour que sa solution soit l&rsquo;\u00e9tat de stabilit\u00e9 d&rsquo;un syst\u00e8me multi agent. Les agents du syst\u00e8me sont r\u00e9actifs et d\u00e9finis avec les 4 \u00e9tats suivants : \u00c0 l&rsquo;\u00e9tat initiale, les agents sont insatisfait et vont tous se diriger vers leur satisfaction. Les agents interagissent en s&rsquo;attaquant et se fuyant. Le syst\u00e8me va converger vers un \u00e9tat de stabilit\u00e9 o\u00f9 tous ses agents sont satisfaits. Si le probl\u00e8me a \u00e9t\u00e9 correctement formul\u00e9, cet \u00e9tat de stabilit\u00e9 sera la solution recherch\u00e9e. Cette approche permet de trouver des solutions originales et efficaces \u00e0 des probl\u00e8mes complexes. Elle n\u00e9cessite cependant de bien d\u00e9finir les r\u00e8gles de d\u00e9cision des agents pour les faire converger vers une bonne solution, et \u00e9viter les boucles. Illustration Dans cette illustration, l&rsquo;environnement est une s\u00e9rie de cellules, un agent occupe une cellule de l&rsquo;environnement, et il est satisfait lorsqu&rsquo;il est dans la cellule qui lui est attribu\u00e9e. Lorsqu&rsquo;un agent est insatisfait, il se d\u00e9placent sur une cellule adjacente \u00e0 celle qu&rsquo;il occupe. Lorsqu&rsquo;un agent est en fuite, il se d\u00e9place pour s&rsquo;\u00e9loigner de l&rsquo;agent qui l&rsquo;attaque. Dans cet situation initiale, l&rsquo;agent bleu est satisfait car il occupe la cellule qui lui est attribu\u00e9e. L&rsquo;agent rouge est insatisfait car il n&rsquo;occupe pas la cellule qui lui est attribu\u00e9e. L&rsquo;agent rouge attaque l&rsquo;agent bleu, car il bloque l&rsquo;action qui le rapproche de la satisfaction. L&rsquo;agent bleu est maintenant en \u00e9tat de fuite, il effectue l&rsquo;action qui l&rsquo;\u00e9loigne de son attaquant. L&rsquo;agent bleu ne sortira de son \u00e9tat de fuite qu&rsquo;apr\u00e8s un certain temps. L&rsquo;agent bleu a continu\u00e9 \u00e0 fuir. Ici il a fuit vers le bas, mais il aurait pu fuir vers la droite, dans quel cas, il aurait \u00e9t\u00e9 bloqu\u00e9 sur la cellule de satisfaction de l&rsquo;agent rouge. Lorsqu&rsquo;il serait sorti de son \u00e9tat de fuite, il aurait attaqu\u00e9 l&rsquo;agent rouge, qui serait devenu \u00e0 son tour l&rsquo;agent fuyant. L&rsquo;agent rouge, n&rsquo;a plus besoin d&rsquo;attaquer l&rsquo;agent bleu et peut atteindre son \u00e9tat de satisfaction. Lorsque l&rsquo;agent bleu sortira de son \u00e9tat de fuite, il aura le champ libre pour rejoindre son \u00e9tat de satisfaction. Dans quel cas, tous les agents seront satisfait, le syst\u00e8me stabilis\u00e9. Exemple d&rsquo;application : Agencement 3D Dans cet exemple, l&rsquo;objectif est d&rsquo;organiser des boites dans le plus petit espace possible : Dans la r\u00e9solution de ce probl\u00e8me, l&rsquo;algorithmie se limite \u00e0 la simulation du comportement des agents. Ceux-ci doivent \u00eatre d\u00e9fini correctement pour obtenir un syst\u00e8me qui converge vers sa stabilit\u00e9. Boite Les boites sont dispos\u00e9es en ligne \u00e0 l&rsquo;initialisation du probl\u00e8me Contenant Le contenant est cr\u00e9\u00e9 suffisamment grand pour contenir toutes les boites dispos\u00e9es en ligne. Dans cet exemple, on observe le comportement du contenant, qui cherche sa satisfaction (atteindre la plus petite taille possible). Les boites se font attaquer lorsqu&rsquo;elles bloquent la satisfaction du contenant, et se d\u00e9placent pour lui laisser place. Finalement, le comportement \u00e9mergeant de ce syst\u00e8me multi agent, est l&rsquo;auto organisation des paquets dans le plus petit espace possible. Conclusion Dans cet article, on a explor\u00e9 les syst\u00e8mes multi agents r\u00e9actifs, qui sont une petite partie du domaine. Dans des articles futurs, nous pourrons explorer l&rsquo;impl\u00e9mentation des simulations de syst\u00e8mes multi agents et les agents cognitifs.<\/p>\n","protected":false},"author":10,"featured_media":931,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[72,1],"tags":[69,70,7,67,68,71,35,58],"class_list":["post-930","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-systemes-multi-agents","category-uncategorized","tag-eco-problem-solving","tag-eco-solving","tag-ia","tag-mas","tag-multi-agent-system","tag-reactive-multi-agent-system","tag-reboot-conseil","tag-vocabulaire"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v22.7 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Syst\u00e8mes multi-agents, la m\u00e9thode &quot;Eco Problem Solving&quot; -<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Syst\u00e8mes multi-agents, la m\u00e9thode &quot;Eco Problem Solving&quot; -\" \/>\n<meta property=\"og:description\" content=\"Les Syst\u00e8mes Multi Agents (SMA) ont \u00e9t\u00e9 inspir\u00e9s par l&rsquo;observation des comportements sociaux des colonies d&rsquo;insectes. Les colonies de fourmis et d&rsquo;abeilles exhibent de l&rsquo;intelligence collective et intelligence distribu\u00e9e. Reproduire ou \u00e9tendre ces comportements observ\u00e9s est possible en les simulant avec un ordinateur, on se retrouve alors \u00e0 cr\u00e9er un Syst\u00e8me Multi Agent, d\u00e9fini par l&rsquo;environnement et les agents qui \u00e9voluent dedans. On trouve plein d&rsquo;applications qui b\u00e9n\u00e9ficient de ces syst\u00e8mes, l&rsquo;agent prend une forme diff\u00e9rente selon le domaine d&rsquo;application : une cellule en biologie, un robot en robotique, un humain en sociologie, une node en r\u00e9seau, un personnage dans un jeu vid\u00e9o, un v\u00e9hicule dans un r\u00e9seau de transport\u2026 Les SMA excellent en simulation de ph\u00e9nom\u00e8nes r\u00e9els et r\u00e9solution de probl\u00e8mes dans des syst\u00e8mes complexes Par exemple la simulation de foule est faite dans un syst\u00e8me multi agent: Un agent Qu&rsquo;est-ce qui d\u00e9fini un agent ? Il doit \u00eatre : Pour \u00e7a, on d\u00e9finit : Un exemple d&rsquo;agent : un rover martien Quels avantages \u00e0 cette mod\u00e9lisation ? Pourquoi s&#8217;emb\u00eater \u00e0 rajouter cette couche d&rsquo;abstraction lorsque l&rsquo;on veut r\u00e9soudre un probl\u00e8me ? La mod\u00e9lisation d&rsquo;agents prend tout son sens lorsque l&rsquo;on consid\u00e8re des environnements comportant plusieurs agents, on a alors un Syst\u00e8me Multi Agent, capable de: C&rsquo;est un champ en plein d\u00e9veloppement dans la communaut\u00e9 scientifique, et peu d\u00e9mocratis\u00e9 dans l&rsquo;industrie. Il reste encore pleins d&rsquo;avantages \u00e0 d\u00e9couvrir. Les syst\u00e8mes multi-agents r\u00e9actifs La capacit\u00e9 r\u00e9flexive d&rsquo;un agent peut se placer sur un spectre dont la premi\u00e8re extr\u00e9mit\u00e9 est constitu\u00e9e des agents cognitifs, capable de raisonnements complexes, anticipation, apprentissage et pr\u00e9diction (on les aborderas dans un article futur). L&rsquo;autre extr\u00e9mit\u00e9 est constitu\u00e9e des agents r\u00e9actifs, qui d\u00e9cident de leurs actions en suivant des r\u00e8gles simples de type stimulus-r\u00e9ponse. Par exemples, dans la simulation du comportement de nu\u00e9e (les fameux boids), chaque agent suit 3 r\u00e8gles pr\u00e9d\u00e9finies : s\u00e9paration, alignement et coh\u00e9sion. Ces 3 r\u00e8gles font \u00e9merger un comportement social complexe, la nu\u00e9e. Dans un SMA r\u00e9actif, les agents ont une repr\u00e9sentation limit\u00e9e de leur environnement et des autres agents. Ils r\u00e9agissent simplement aux changements qu&rsquo;ils per\u00e7oivent. C&rsquo;est de leurs interactions qu&rsquo;\u00e9merge un comportement collectif intelligent permettant la r\u00e9solution du probl\u00e8me. L&rsquo;avantage des agents r\u00e9actifs est leur simplicit\u00e9 et leur robustesse. Ils sont peu co\u00fbteux en ressources et s&rsquo;adaptent facilement aux changements de l&rsquo;environnement. Leur inconv\u00e9nient est le manque de capacit\u00e9s cognitives \u00e9volu\u00e9es comme l&rsquo;apprentissage ou l&rsquo;anticipation. La m\u00e9thode \u00ab\u00a0eco problem solving\u00a0\u00bb Pour appliquer la m\u00e9thode eco solving, il faut red\u00e9finir un probl\u00e8me pour que sa solution soit l&rsquo;\u00e9tat de stabilit\u00e9 d&rsquo;un syst\u00e8me multi agent. Les agents du syst\u00e8me sont r\u00e9actifs et d\u00e9finis avec les 4 \u00e9tats suivants : \u00c0 l&rsquo;\u00e9tat initiale, les agents sont insatisfait et vont tous se diriger vers leur satisfaction. Les agents interagissent en s&rsquo;attaquant et se fuyant. Le syst\u00e8me va converger vers un \u00e9tat de stabilit\u00e9 o\u00f9 tous ses agents sont satisfaits. Si le probl\u00e8me a \u00e9t\u00e9 correctement formul\u00e9, cet \u00e9tat de stabilit\u00e9 sera la solution recherch\u00e9e. Cette approche permet de trouver des solutions originales et efficaces \u00e0 des probl\u00e8mes complexes. Elle n\u00e9cessite cependant de bien d\u00e9finir les r\u00e8gles de d\u00e9cision des agents pour les faire converger vers une bonne solution, et \u00e9viter les boucles. Illustration Dans cette illustration, l&rsquo;environnement est une s\u00e9rie de cellules, un agent occupe une cellule de l&rsquo;environnement, et il est satisfait lorsqu&rsquo;il est dans la cellule qui lui est attribu\u00e9e. Lorsqu&rsquo;un agent est insatisfait, il se d\u00e9placent sur une cellule adjacente \u00e0 celle qu&rsquo;il occupe. Lorsqu&rsquo;un agent est en fuite, il se d\u00e9place pour s&rsquo;\u00e9loigner de l&rsquo;agent qui l&rsquo;attaque. Dans cet situation initiale, l&rsquo;agent bleu est satisfait car il occupe la cellule qui lui est attribu\u00e9e. L&rsquo;agent rouge est insatisfait car il n&rsquo;occupe pas la cellule qui lui est attribu\u00e9e. L&rsquo;agent rouge attaque l&rsquo;agent bleu, car il bloque l&rsquo;action qui le rapproche de la satisfaction. L&rsquo;agent bleu est maintenant en \u00e9tat de fuite, il effectue l&rsquo;action qui l&rsquo;\u00e9loigne de son attaquant. L&rsquo;agent bleu ne sortira de son \u00e9tat de fuite qu&rsquo;apr\u00e8s un certain temps. L&rsquo;agent bleu a continu\u00e9 \u00e0 fuir. Ici il a fuit vers le bas, mais il aurait pu fuir vers la droite, dans quel cas, il aurait \u00e9t\u00e9 bloqu\u00e9 sur la cellule de satisfaction de l&rsquo;agent rouge. Lorsqu&rsquo;il serait sorti de son \u00e9tat de fuite, il aurait attaqu\u00e9 l&rsquo;agent rouge, qui serait devenu \u00e0 son tour l&rsquo;agent fuyant. L&rsquo;agent rouge, n&rsquo;a plus besoin d&rsquo;attaquer l&rsquo;agent bleu et peut atteindre son \u00e9tat de satisfaction. Lorsque l&rsquo;agent bleu sortira de son \u00e9tat de fuite, il aura le champ libre pour rejoindre son \u00e9tat de satisfaction. Dans quel cas, tous les agents seront satisfait, le syst\u00e8me stabilis\u00e9. Exemple d&rsquo;application : Agencement 3D Dans cet exemple, l&rsquo;objectif est d&rsquo;organiser des boites dans le plus petit espace possible : Dans la r\u00e9solution de ce probl\u00e8me, l&rsquo;algorithmie se limite \u00e0 la simulation du comportement des agents. Ceux-ci doivent \u00eatre d\u00e9fini correctement pour obtenir un syst\u00e8me qui converge vers sa stabilit\u00e9. Boite Les boites sont dispos\u00e9es en ligne \u00e0 l&rsquo;initialisation du probl\u00e8me Contenant Le contenant est cr\u00e9\u00e9 suffisamment grand pour contenir toutes les boites dispos\u00e9es en ligne. Dans cet exemple, on observe le comportement du contenant, qui cherche sa satisfaction (atteindre la plus petite taille possible). Les boites se font attaquer lorsqu&rsquo;elles bloquent la satisfaction du contenant, et se d\u00e9placent pour lui laisser place. Finalement, le comportement \u00e9mergeant de ce syst\u00e8me multi agent, est l&rsquo;auto organisation des paquets dans le plus petit espace possible. Conclusion Dans cet article, on a explor\u00e9 les syst\u00e8mes multi agents r\u00e9actifs, qui sont une petite partie du domaine. Dans des articles futurs, nous pourrons explorer l&rsquo;impl\u00e9mentation des simulations de syst\u00e8mes multi agents et les agents cognitifs.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/\" \/>\n<meta property=\"article:published_time\" content=\"2024-03-22T10:42:04+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2024-04-03T13:58:49+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/beta.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/Bottleneck01-1024x554-1.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1024\" \/>\n\t<meta property=\"og:image:height\" content=\"554\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Oscar DEWASMES\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"Oscar DEWASMES\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"7 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/\"},\"author\":{\"name\":\"Oscar DEWASMES\",\"@id\":\"https:\/\/beta.reboot-conseil.com\/#\/schema\/person\/7e9a247d91c32bab30436624bdf6e9c1\"},\"headline\":\"Syst\u00e8mes multi-agents, la m\u00e9thode \u00ab\u00a0Eco Problem Solving\u00a0\u00bb\",\"datePublished\":\"2024-03-22T10:42:04+00:00\",\"dateModified\":\"2024-04-03T13:58:49+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/\"},\"wordCount\":1489,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/beta.reboot-conseil.com\/#organization\"},\"image\":{\"@id\":\"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/beta.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/Bottleneck01-1024x554-1.png\",\"keywords\":[\"eco problem solving\",\"eco solving\",\"IA\",\"MAS\",\"Multi agent system\",\"reactive multi agent system\",\"Reboot Conseil\",\"Vocabulaire\"],\"articleSection\":[\"Syst\u00e8mes Multi Agents\",\"Uncategorized\"],\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/\",\"url\":\"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/\",\"name\":\"Syst\u00e8mes multi-agents, la m\u00e9thode \\\"Eco Problem Solving\\\" -\",\"isPartOf\":{\"@id\":\"https:\/\/beta.reboot-conseil.com\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/beta.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/Bottleneck01-1024x554-1.png\",\"datePublished\":\"2024-03-22T10:42:04+00:00\",\"dateModified\":\"2024-04-03T13:58:49+00:00\",\"breadcrumb\":{\"@id\":\"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/#primaryimage\",\"url\":\"https:\/\/beta.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/Bottleneck01-1024x554-1.png\",\"contentUrl\":\"https:\/\/beta.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/Bottleneck01-1024x554-1.png\",\"width\":1024,\"height\":554,\"caption\":\"Image montrant le rendu 3d d'une simulation informatique de foule.\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Accueil\",\"item\":\"https:\/\/beta.reboot-conseil.com\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Syst\u00e8mes multi-agents, la m\u00e9thode \u00ab\u00a0Eco Problem Solving\u00a0\u00bb\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/beta.reboot-conseil.com\/#website\",\"url\":\"https:\/\/beta.reboot-conseil.com\/\",\"name\":\"AI Squad\",\"description\":\"Dans le doute, Reboot\",\"publisher\":{\"@id\":\"https:\/\/beta.reboot-conseil.com\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/beta.reboot-conseil.com\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/beta.reboot-conseil.com\/#organization\",\"name\":\"AI Squad By Reboot Conseil\",\"url\":\"https:\/\/beta.reboot-conseil.com\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/beta.reboot-conseil.com\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/beta.reboot-conseil.com\/wp-content\/uploads\/2023\/09\/cropped-cropped-Logo-IA-Squad-by-Reboot-Conseil-3.png\",\"contentUrl\":\"https:\/\/beta.reboot-conseil.com\/wp-content\/uploads\/2023\/09\/cropped-cropped-Logo-IA-Squad-by-Reboot-Conseil-3.png\",\"width\":500,\"height\":218,\"caption\":\"AI Squad By Reboot Conseil\"},\"image\":{\"@id\":\"https:\/\/beta.reboot-conseil.com\/#\/schema\/logo\/image\/\"}},{\"@type\":\"Person\",\"@id\":\"https:\/\/beta.reboot-conseil.com\/#\/schema\/person\/7e9a247d91c32bab30436624bdf6e9c1\",\"name\":\"Oscar DEWASMES\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/beta.reboot-conseil.com\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/b4afa3c07c044276516af3bd95976af4494381e71c8bfcda0415d22b6fde168d?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/b4afa3c07c044276516af3bd95976af4494381e71c8bfcda0415d22b6fde168d?s=96&d=mm&r=g\",\"caption\":\"Oscar DEWASMES\"}}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Syst\u00e8mes multi-agents, la m\u00e9thode \"Eco Problem Solving\" -","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/","og_locale":"fr_FR","og_type":"article","og_title":"Syst\u00e8mes multi-agents, la m\u00e9thode \"Eco Problem Solving\" -","og_description":"Les Syst\u00e8mes Multi Agents (SMA) ont \u00e9t\u00e9 inspir\u00e9s par l&rsquo;observation des comportements sociaux des colonies d&rsquo;insectes. Les colonies de fourmis et d&rsquo;abeilles exhibent de l&rsquo;intelligence collective et intelligence distribu\u00e9e. Reproduire ou \u00e9tendre ces comportements observ\u00e9s est possible en les simulant avec un ordinateur, on se retrouve alors \u00e0 cr\u00e9er un Syst\u00e8me Multi Agent, d\u00e9fini par l&rsquo;environnement et les agents qui \u00e9voluent dedans. On trouve plein d&rsquo;applications qui b\u00e9n\u00e9ficient de ces syst\u00e8mes, l&rsquo;agent prend une forme diff\u00e9rente selon le domaine d&rsquo;application : une cellule en biologie, un robot en robotique, un humain en sociologie, une node en r\u00e9seau, un personnage dans un jeu vid\u00e9o, un v\u00e9hicule dans un r\u00e9seau de transport\u2026 Les SMA excellent en simulation de ph\u00e9nom\u00e8nes r\u00e9els et r\u00e9solution de probl\u00e8mes dans des syst\u00e8mes complexes Par exemple la simulation de foule est faite dans un syst\u00e8me multi agent: Un agent Qu&rsquo;est-ce qui d\u00e9fini un agent ? Il doit \u00eatre : Pour \u00e7a, on d\u00e9finit : Un exemple d&rsquo;agent : un rover martien Quels avantages \u00e0 cette mod\u00e9lisation ? Pourquoi s&#8217;emb\u00eater \u00e0 rajouter cette couche d&rsquo;abstraction lorsque l&rsquo;on veut r\u00e9soudre un probl\u00e8me ? La mod\u00e9lisation d&rsquo;agents prend tout son sens lorsque l&rsquo;on consid\u00e8re des environnements comportant plusieurs agents, on a alors un Syst\u00e8me Multi Agent, capable de: C&rsquo;est un champ en plein d\u00e9veloppement dans la communaut\u00e9 scientifique, et peu d\u00e9mocratis\u00e9 dans l&rsquo;industrie. Il reste encore pleins d&rsquo;avantages \u00e0 d\u00e9couvrir. Les syst\u00e8mes multi-agents r\u00e9actifs La capacit\u00e9 r\u00e9flexive d&rsquo;un agent peut se placer sur un spectre dont la premi\u00e8re extr\u00e9mit\u00e9 est constitu\u00e9e des agents cognitifs, capable de raisonnements complexes, anticipation, apprentissage et pr\u00e9diction (on les aborderas dans un article futur). L&rsquo;autre extr\u00e9mit\u00e9 est constitu\u00e9e des agents r\u00e9actifs, qui d\u00e9cident de leurs actions en suivant des r\u00e8gles simples de type stimulus-r\u00e9ponse. Par exemples, dans la simulation du comportement de nu\u00e9e (les fameux boids), chaque agent suit 3 r\u00e8gles pr\u00e9d\u00e9finies : s\u00e9paration, alignement et coh\u00e9sion. Ces 3 r\u00e8gles font \u00e9merger un comportement social complexe, la nu\u00e9e. Dans un SMA r\u00e9actif, les agents ont une repr\u00e9sentation limit\u00e9e de leur environnement et des autres agents. Ils r\u00e9agissent simplement aux changements qu&rsquo;ils per\u00e7oivent. C&rsquo;est de leurs interactions qu&rsquo;\u00e9merge un comportement collectif intelligent permettant la r\u00e9solution du probl\u00e8me. L&rsquo;avantage des agents r\u00e9actifs est leur simplicit\u00e9 et leur robustesse. Ils sont peu co\u00fbteux en ressources et s&rsquo;adaptent facilement aux changements de l&rsquo;environnement. Leur inconv\u00e9nient est le manque de capacit\u00e9s cognitives \u00e9volu\u00e9es comme l&rsquo;apprentissage ou l&rsquo;anticipation. La m\u00e9thode \u00ab\u00a0eco problem solving\u00a0\u00bb Pour appliquer la m\u00e9thode eco solving, il faut red\u00e9finir un probl\u00e8me pour que sa solution soit l&rsquo;\u00e9tat de stabilit\u00e9 d&rsquo;un syst\u00e8me multi agent. Les agents du syst\u00e8me sont r\u00e9actifs et d\u00e9finis avec les 4 \u00e9tats suivants : \u00c0 l&rsquo;\u00e9tat initiale, les agents sont insatisfait et vont tous se diriger vers leur satisfaction. Les agents interagissent en s&rsquo;attaquant et se fuyant. Le syst\u00e8me va converger vers un \u00e9tat de stabilit\u00e9 o\u00f9 tous ses agents sont satisfaits. Si le probl\u00e8me a \u00e9t\u00e9 correctement formul\u00e9, cet \u00e9tat de stabilit\u00e9 sera la solution recherch\u00e9e. Cette approche permet de trouver des solutions originales et efficaces \u00e0 des probl\u00e8mes complexes. Elle n\u00e9cessite cependant de bien d\u00e9finir les r\u00e8gles de d\u00e9cision des agents pour les faire converger vers une bonne solution, et \u00e9viter les boucles. Illustration Dans cette illustration, l&rsquo;environnement est une s\u00e9rie de cellules, un agent occupe une cellule de l&rsquo;environnement, et il est satisfait lorsqu&rsquo;il est dans la cellule qui lui est attribu\u00e9e. Lorsqu&rsquo;un agent est insatisfait, il se d\u00e9placent sur une cellule adjacente \u00e0 celle qu&rsquo;il occupe. Lorsqu&rsquo;un agent est en fuite, il se d\u00e9place pour s&rsquo;\u00e9loigner de l&rsquo;agent qui l&rsquo;attaque. Dans cet situation initiale, l&rsquo;agent bleu est satisfait car il occupe la cellule qui lui est attribu\u00e9e. L&rsquo;agent rouge est insatisfait car il n&rsquo;occupe pas la cellule qui lui est attribu\u00e9e. L&rsquo;agent rouge attaque l&rsquo;agent bleu, car il bloque l&rsquo;action qui le rapproche de la satisfaction. L&rsquo;agent bleu est maintenant en \u00e9tat de fuite, il effectue l&rsquo;action qui l&rsquo;\u00e9loigne de son attaquant. L&rsquo;agent bleu ne sortira de son \u00e9tat de fuite qu&rsquo;apr\u00e8s un certain temps. L&rsquo;agent bleu a continu\u00e9 \u00e0 fuir. Ici il a fuit vers le bas, mais il aurait pu fuir vers la droite, dans quel cas, il aurait \u00e9t\u00e9 bloqu\u00e9 sur la cellule de satisfaction de l&rsquo;agent rouge. Lorsqu&rsquo;il serait sorti de son \u00e9tat de fuite, il aurait attaqu\u00e9 l&rsquo;agent rouge, qui serait devenu \u00e0 son tour l&rsquo;agent fuyant. L&rsquo;agent rouge, n&rsquo;a plus besoin d&rsquo;attaquer l&rsquo;agent bleu et peut atteindre son \u00e9tat de satisfaction. Lorsque l&rsquo;agent bleu sortira de son \u00e9tat de fuite, il aura le champ libre pour rejoindre son \u00e9tat de satisfaction. Dans quel cas, tous les agents seront satisfait, le syst\u00e8me stabilis\u00e9. Exemple d&rsquo;application : Agencement 3D Dans cet exemple, l&rsquo;objectif est d&rsquo;organiser des boites dans le plus petit espace possible : Dans la r\u00e9solution de ce probl\u00e8me, l&rsquo;algorithmie se limite \u00e0 la simulation du comportement des agents. Ceux-ci doivent \u00eatre d\u00e9fini correctement pour obtenir un syst\u00e8me qui converge vers sa stabilit\u00e9. Boite Les boites sont dispos\u00e9es en ligne \u00e0 l&rsquo;initialisation du probl\u00e8me Contenant Le contenant est cr\u00e9\u00e9 suffisamment grand pour contenir toutes les boites dispos\u00e9es en ligne. Dans cet exemple, on observe le comportement du contenant, qui cherche sa satisfaction (atteindre la plus petite taille possible). Les boites se font attaquer lorsqu&rsquo;elles bloquent la satisfaction du contenant, et se d\u00e9placent pour lui laisser place. Finalement, le comportement \u00e9mergeant de ce syst\u00e8me multi agent, est l&rsquo;auto organisation des paquets dans le plus petit espace possible. Conclusion Dans cet article, on a explor\u00e9 les syst\u00e8mes multi agents r\u00e9actifs, qui sont une petite partie du domaine. Dans des articles futurs, nous pourrons explorer l&rsquo;impl\u00e9mentation des simulations de syst\u00e8mes multi agents et les agents cognitifs.","og_url":"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/","article_published_time":"2024-03-22T10:42:04+00:00","article_modified_time":"2024-04-03T13:58:49+00:00","og_image":[{"width":1024,"height":554,"url":"https:\/\/beta.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/Bottleneck01-1024x554-1.png","type":"image\/png"}],"author":"Oscar DEWASMES","twitter_card":"summary_large_image","twitter_misc":{"\u00c9crit par":"Oscar DEWASMES","Dur\u00e9e de lecture estim\u00e9e":"7 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/#article","isPartOf":{"@id":"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/"},"author":{"name":"Oscar DEWASMES","@id":"https:\/\/beta.reboot-conseil.com\/#\/schema\/person\/7e9a247d91c32bab30436624bdf6e9c1"},"headline":"Syst\u00e8mes multi-agents, la m\u00e9thode \u00ab\u00a0Eco Problem Solving\u00a0\u00bb","datePublished":"2024-03-22T10:42:04+00:00","dateModified":"2024-04-03T13:58:49+00:00","mainEntityOfPage":{"@id":"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/"},"wordCount":1489,"commentCount":0,"publisher":{"@id":"https:\/\/beta.reboot-conseil.com\/#organization"},"image":{"@id":"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/#primaryimage"},"thumbnailUrl":"https:\/\/beta.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/Bottleneck01-1024x554-1.png","keywords":["eco problem solving","eco solving","IA","MAS","Multi agent system","reactive multi agent system","Reboot Conseil","Vocabulaire"],"articleSection":["Syst\u00e8mes Multi Agents","Uncategorized"],"inLanguage":"fr-FR","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/","url":"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/","name":"Syst\u00e8mes multi-agents, la m\u00e9thode \"Eco Problem Solving\" -","isPartOf":{"@id":"https:\/\/beta.reboot-conseil.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/#primaryimage"},"image":{"@id":"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/#primaryimage"},"thumbnailUrl":"https:\/\/beta.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/Bottleneck01-1024x554-1.png","datePublished":"2024-03-22T10:42:04+00:00","dateModified":"2024-04-03T13:58:49+00:00","breadcrumb":{"@id":"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/"]}]},{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/#primaryimage","url":"https:\/\/beta.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/Bottleneck01-1024x554-1.png","contentUrl":"https:\/\/beta.reboot-conseil.com\/wp-content\/uploads\/2024\/03\/Bottleneck01-1024x554-1.png","width":1024,"height":554,"caption":"Image montrant le rendu 3d d'une simulation informatique de foule."},{"@type":"BreadcrumbList","@id":"https:\/\/beta.reboot-conseil.com\/index.php\/2024\/03\/22\/systemes-multi-agents-la-methode-eco-problem-solving\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Accueil","item":"https:\/\/beta.reboot-conseil.com\/"},{"@type":"ListItem","position":2,"name":"Syst\u00e8mes multi-agents, la m\u00e9thode \u00ab\u00a0Eco Problem Solving\u00a0\u00bb"}]},{"@type":"WebSite","@id":"https:\/\/beta.reboot-conseil.com\/#website","url":"https:\/\/beta.reboot-conseil.com\/","name":"AI Squad","description":"Dans le doute, Reboot","publisher":{"@id":"https:\/\/beta.reboot-conseil.com\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/beta.reboot-conseil.com\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"fr-FR"},{"@type":"Organization","@id":"https:\/\/beta.reboot-conseil.com\/#organization","name":"AI Squad By Reboot Conseil","url":"https:\/\/beta.reboot-conseil.com\/","logo":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/beta.reboot-conseil.com\/#\/schema\/logo\/image\/","url":"https:\/\/beta.reboot-conseil.com\/wp-content\/uploads\/2023\/09\/cropped-cropped-Logo-IA-Squad-by-Reboot-Conseil-3.png","contentUrl":"https:\/\/beta.reboot-conseil.com\/wp-content\/uploads\/2023\/09\/cropped-cropped-Logo-IA-Squad-by-Reboot-Conseil-3.png","width":500,"height":218,"caption":"AI Squad By Reboot Conseil"},"image":{"@id":"https:\/\/beta.reboot-conseil.com\/#\/schema\/logo\/image\/"}},{"@type":"Person","@id":"https:\/\/beta.reboot-conseil.com\/#\/schema\/person\/7e9a247d91c32bab30436624bdf6e9c1","name":"Oscar DEWASMES","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/beta.reboot-conseil.com\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/b4afa3c07c044276516af3bd95976af4494381e71c8bfcda0415d22b6fde168d?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/b4afa3c07c044276516af3bd95976af4494381e71c8bfcda0415d22b6fde168d?s=96&d=mm&r=g","caption":"Oscar DEWASMES"}}]}},"_links":{"self":[{"href":"https:\/\/beta.reboot-conseil.com\/index.php\/wp-json\/wp\/v2\/posts\/930","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/beta.reboot-conseil.com\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/beta.reboot-conseil.com\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/beta.reboot-conseil.com\/index.php\/wp-json\/wp\/v2\/users\/10"}],"replies":[{"embeddable":true,"href":"https:\/\/beta.reboot-conseil.com\/index.php\/wp-json\/wp\/v2\/comments?post=930"}],"version-history":[{"count":4,"href":"https:\/\/beta.reboot-conseil.com\/index.php\/wp-json\/wp\/v2\/posts\/930\/revisions"}],"predecessor-version":[{"id":945,"href":"https:\/\/beta.reboot-conseil.com\/index.php\/wp-json\/wp\/v2\/posts\/930\/revisions\/945"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/beta.reboot-conseil.com\/index.php\/wp-json\/wp\/v2\/media\/931"}],"wp:attachment":[{"href":"https:\/\/beta.reboot-conseil.com\/index.php\/wp-json\/wp\/v2\/media?parent=930"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/beta.reboot-conseil.com\/index.php\/wp-json\/wp\/v2\/categories?post=930"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/beta.reboot-conseil.com\/index.php\/wp-json\/wp\/v2\/tags?post=930"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}