Groupe Simulation multi-agents Responsable : Erwan Tranvouez (LSIS,Marseille)

La recherche en simulation orienté agent remonte aux premiers travaux autour de l’Intelligence Artificielle Distribuée et en constitua l’un des premiers terrains de jeux. L’approche multi-agents apporte en effet une alternative à des méthodes analytiques (lorsque c’est possible en pratique) ou de simulation classique (à événements ou à temps discret). Elle se justifie lorsque l’étude porte aussi bien sur la reproduction d’un phénomène ou du com-portement d’un système que des actions et interactions internes de ses composantes. Elle peut également apporter des explications sur les liens entre les niveaux macroscopiques et microscopiques notamment lorsque des phénomènes d’émergence sont impliqués.
Pour toutes ces raisons, la recherche en simulation par systèmes multi-agents se révèle prolifique et donne lieu à de multiples dénominations. On pourra la retrouver en effet sous les termes de simulation orientée agents, à base d’agents, contrôlée par des agents, holoni-que, individu centrée ... L’usage de chaque terme s’explique par le domaine scientifique ou d’application dont il est issu, mais bien souvent le terme agent apparaît comme un concept unificateur.

Enjeux de la simulation multi-agents

La simulation multi-agents reprend les objectifs généraux de la simulation : la validation de modèles, la compréhension de phénomènes naturels ou de systèmes réels, de support de communication pour l’aide à la décision ou encore la prévision de l’état d’un système....
Le paradigme multi-agents intervient à deux niveaux : la modélisation et la simulation. Au premier niveau, il s’agit de construire des modèles multi-agents reproduisant la structure naturellement distribuée des systèmes étudiés ou apportant une solution (alternative) de mo-délisation de problèmes complexes. La distribution est alors dans ce cas définie artificielle-ment. Les modélisations produites mettent en oeuvre des modèles d’agents réactifs (compor-tement de type stimuli-réponse) ou cognitifs (type micro système experts), ou toute combinaison des deux types. Ces modèles sont parfois appelés conceptuels.
Le deuxième niveau implique l’expérimentation de ces modèles au sein d’un environne-ment de simulation qui pourra ou non s’appuyer sur une architecture logicielle distribuée. En d’autres termes, le modèle opérationnel ne sera pas systématiquement multi-agents mais pourra être orienté objet ou traduit dans d’autres langages de simulation (DEVS par exem-ple). La dimension agent présente l’avantage de pouvoir traduire facilement le modèle en langage informatique. De plus elle rend compte au niveau microscopique des phénomènes (éventuellement émergents) au niveaumacroscopique.
Enfin, l’intégration de l’utilisateur peut être facilitée voire souhaitée aussi bien en phase de conception de modèle qu’en cours de simulation (qualifiés alors de participatif ), tant pour gagner son adhésion aux conclusions de l’analyse de la simulation que pour améliorer la vraisemblance des modèles.

Domaines d’application

La simulation orientée agent est utilisée dans de nombreux domaines d’application [54].Un panorama rapide est présenté ci-après.
L’étude des ecosystèmes, anthropisés ou non, allant de la société d’insectes à la gestion de ressources naturelles, a fortement inspiré la recherche en simulation multi-agents dés ses débuts. L’écologie met de fait en avant la forte dépendance entre les différents systèmes biologiques (végétaux, insectes, animaux voire humains) et leur milieu naturel. La concep-tion de sociétés d’agents permet de reproduire le comportement de chaque sous-système en interaction tout en intégrant les dynamiques internes à l’origine de ces comportements. Ces sous-systèmes sont généralement mis en oeuvre via des architectures réactives. L’ajout du facteur humain peut conduire à recourir à des modèles cognitifs pour montrer les conséquen-ces de différents modes de rationalité sur l’évolution de l’écosystème. Il peut également assurer la stabilité de ce système (ex. gestion d’un parc naturel) [49].
Les sciences économiques et sociales expérimentent également le paradigme agent dans l’étude de théories économiques (en particulier micro-économiques), de phénomènes socio-logiques, en théorie des jeux ou encore en simulation financière [43]. Le terme artificial economics a d’ailleurs consacré l’existence à part entière de ce champ de recherche. Les applications ont porté aussi bien sur des comportements de marchés, formation de coalition ou de réseaux, diffusion d’opinion politique, formation des normes ... [44].
Les systèmes socio-techniques par leur nature distribuée, du fait que les performances globales dépendent des performances locales et qu’ils font face à des environnements changeants, présentent toutes les caractéristiques d’un problème multi-agents. La simulation multi-agents s’est donc rapidement intéressée à l’étude des systèmes de production ou encore aux chaînes logistiques [9] [23]. Les travaux étudient leur comportement en vue d’améliorer leur productivité ou leur robustesse face aux perturbations. La validation de stratégie de contrôle de ces systèmes peut requérir des simulations complexes hétérogènes dans lesquelles des SMA cognitifs réagissent aux stimuli de SMA réactifs reproduisant les réactions du système de production aux décisions du système dit " décisionnel " [32].
Dans le domaine de la Physique, l’approche agent a été utilisée dans l’étude du compor-tement de matériaux granulaires i.e. la formation ou la rupture d’états d’équilibre (modèle GranuLab), la modélisation de l’écoulement d’eau sur des reliefs variés (modèle Rivage par ex.), la reproduction de phénomènes astrophysique, ou de la structure moléculaire.
On peut retrouver des approches similaires en Biologie. Une société d’agents peut modé-liser des processus biologiques (évolution de populations d’animaux) ou biochimiques (pro-cessus métaboliques comme la glycolyse par ex. ou la dynamique de sociétés bactériennes) [39].
A la croisée des problèmes de physique, sociotechniques et écologique, la simulation orienté agent s’est également intéressée à la sécurité et la gestion des risques naturels et/ou industriels. Le risque d’inondation ou d’accident industriels fait intervenir aussi bien des capacités de modélisation de propriétés physiques (écoulement de l’eau, propagation d’une vague ou de gaz ...), biologique (impact sur l’écosystème), que du comportement humain. La modélisation et la simulation du trafic routier est également un champ d’application perti-nent.
Ces domaines d’applications sont sources d’études de systèmes complexes. Cette com-plexité s’explique aussi bien par les niveaux de description possible (du niveau d’une molé-cule à celui d’un organisme vivant), des lois régissant chaque niveau de description (physi-ques, biologique, financière, mécanique ...), des interactions complexes à chaque niveau et entre les niveaux (organisation hiérarchique ou fortement couplée). A ces difficultés s’ajoutent les contraintes d’échelles (temporelle, géographique ...) reliant ces différents ni-veaux que les différentes modélisations doivent vérifier tout en contournant les difficultés pratiques de calculs numériques (notamment en terme de durée de traitement). Ces simula-tions peuvent mobiliser un grand nombre d’agents (de la dizaine au million) en général de type réactif dès lors que l’on dépasse la centaine. A noter que l’implémentation informatique peut abandonner en cours de route la notion d’agent en le réduisant à son état et aux change-ments d’états auquel il a droit.

Environnements informatique de simulation

La maturité naissante de la simulation multi-agents à permis de capitaliser certaines expé-rimentations logicielles pour aboutir à de véritable environnement de conception et d’exécution de simulation. La réduction du travail de traduction informatique des modèles multiagents est un objectif à part entière. Cela n’exclut évidemment pas le développement d’applications ad hoc en fonction du problème étudié (besoin d’une visualisation 3D, interfa-çages avec des logiciels ou modèles propriétaires ...).
Parmi ces environnements citons par exemple Cormas [4], MadKit [27], Swarm, RePast 3, Mimosa [41] et VLE [42]. Ces environnements tiennent compte des contraintes spécifiques de la simulation et bénéficient directement des avancées en Génie Logiciel Orienté Agent. Ils proposent notamment des outils de conception graphique de modèles, d’outils de pilotage de simulation facilitant l’intervention du ou des utilisateurs (conception et/ou simulation participative).
L’aide à la conception de modèles de simulation peut se limiter à la mise à disposition de modèles standards personnalisables nécessitant une intervention à un niveau logiciel. Des efforts ont cependant été réalisés pour réduire ces interventions en intégrant la manipulation de langages de modélisation de haut niveau. Cela est d’autant plus nécessaire lorsqu’une simulation requiert le couplage de modèles de simulation exprimés selon des paradigmes différents (agent, objet, événements discrets, ...). VLE etMimosa ont fait par ailleurs le choix de se baser sur DEVS pour assurer que ce couplage se fasse le plus rigoureusement possible (la traduction en DEVS assure ainsi une homogénéité du contexte d’exécution des simulations). Ceci implique notamment la question de la gestion temps rela-tivement épargnée jusqu’ici dans le monde multi-agents.

Orientations de recherche

Le caractère pluridisciplinaire de la simulation orienté agent ouvrira sans nul doute de nouveaux champs d’expérimentation. Les axes de développement futurs peuvent également porter sur :
  • l’amélioration de la manipulation des différents langages de modélisation et les ren-dre compatibles (poursuite des travaux autour de DEVS ou recours à une réification ontolo-gique).
  • une meilleure intégration du ou des utilisateurs dans tout le processus de simulation (aide à la conception, exécution, analyse) et bénéficier des recherches sur les Environne-ments Informatiques pour l’Apprentissage Humain (EIAH) afin d’analyser et restituer le comportement des utilisateurs des simulations participatives.
  • un rapprochement des environnements de simulation multi-agents des standards de la simulation (outils de validation/vérification de modèles, gestion des plans d’expériences, interopérabilité avec d’autres environnements de simulation).

  • [9] S. Bussmann, N. Jennings, and M. R., Wooldridge, Multiagent Systems for Manufactur-ing Control : A Design Methodology ; Springer Series on Agent Technology ; 2004, XIV, 288 p. ISBN : 978-3-540-20924-9
  • [4] F. Bousquet, I. Bakam, H. Proton, and C. Le Page. Cormas : common-pool resources and multi-agent Systems. Lecture Notes in Artificial Intelligence 1416 : 826-838, 1998.
  • [23] Giambiasi,N. and B. Escudé : GDEVS : A generalized discrete event specification for accurate modeling of dynamic systems, Transactions of the Society for Computer Simulation International, v.17 n.3, pp.120-134, 2000.
  • [27] O. Gutknecht, F. Michel, J. Ferber. Integrating Tools and Infrastructure for Generic Multi-Agent Systems. Autonomous Agents 2001 (AGENTS 2001), Boston, ACM Press, 2001. Pp 441-448.
  • [32] O. Labarthe, B. Espinasse, A. Ferrarini, BenoitMontreuil, "Toward a Methodologi-cal Framework for Agent- BasedModelling and Simulation of Supply Chains in aMass Customization Context", in : SimulationModelling Practice and Theory International Journal (SIMPAT), vol. 15, n° 2, pp. 113-136, February 2007
  • [39] S. Montagna, A. Ricci, A. Omicini, A&A for modelling and engineering simula-tions in Systems Biology, International Journal of Agent-Oriented Software Engineering- Vol. 2, No.2 pp. 222 - 245, 2008
  • [41] J.-P Müller, The mimosa generic modeling and simulation platform : the case of multiagent systems. In Herder Coelho and Bernard Espinasse, editors, 5th Workshop on Agent-Based Simulation, pages 77-86, Lisbon, Portugal, May 2004. SCS.
  • [42] Quesnel G., Duboz R., Ramat E., and Traoré M.K.. VLE : A Multimodeling and Simulation Environment. Proc. of the Summer SimulationMulticonference (Summer- Sim’07), San Diego, California, USA, July 15-18, 2007, pp. 367-374.
  • [43] D. Phan and F. Amblard (eds). Agent-Based Modelling and Simulation in the Social and Human Sciences. The Bardwell Press : Oxford, UK, 2007.
  • [44] D. Phan. From Agent-Based Computational Economics towards Cognitive Econom-ics. in Bourgine P., Nadal J.P. eds. Cognitive Economics ; Springer Verlag, pp. 371-398, 2004.
  • [49] J. Serment, B. Espinasse, E. Tranvouez. Systèmes d’Aide à la Décision Environne-mentale. Journal of Decision Systems, vol. 17, n°2, pp. 269 - 300, April - June 2008.
  • [54] J-P Treuil, A. Drogoul, J-D Zucker, Modélisation et Simulation à base d’agents, Dunod 2008.

Accueil  | Actualités  | Groupes  | Equipes  | Livres  | Cours  | HDRs / Thèses  | JFSMA  | Liens  | 


GDRI3 CNRS


Modifié en par Cédric Herpson