Table des matières - Gilles Daniel
Table des matières - Gilles Daniel Table des matières - Gilles Daniel
278 Modélisation et simulation multi-agents pour Sciences de l'Homme et de la Société. varier le comportement de chaque agent du moins informé au plus informé, de manière systématique. Il est également possible, très simplement, de changer le cœur même du modèle, en modifiant par exemple le mécanisme de fixation du prix. Au lieu de prendre comme prix du marché l'estimation médiane des participants, permettant ainsi d'équilibrer offre et demande, on pourrait voir ce que donne le modèle lorsqu'on s'écarte de cet équilibre, et utilise l'estimation moyenne des participants comme prix du marché. Cette simple modification, dénuée ici de sens économique, a un impact immédiat sur les profils de profits, comme le montre la Figure 12.8. Figure 12.8. Le prix est à présent défini comme l'estimation moyenne des participants, et non plus l'estimation médiane. Avec cette nouvelle définition du prix, il apparaît que les traders ont tout intérêt à utiliser les pièces connues, quel que soit leur niveau d'information. En effet, le profil des profits moyens devient une fonction strictement croissante du niveau d'information lorsque seul I 0 est aléatoire, et par exemple I 3 ne peut que réduire son profit en passant à une stratégie non informée ou aléatoire.
Modélisation, implémentation et exploration d'un Système Multi-Agents. 279 12.6. Conclusion Ce chapitre peut être vu comme une brève introduction à la conception et à la simulation de systèmes multi-agents. En particulier, nous avons présenté, à travers un simple exemple d'application, les différentes étapes que sera amené à suivre le modélisateur : une fois le cadre théorique établi et les questions de recherche posées, un modèle conceptuel doit être proposé comme outil tentant de répondre à ces questions. Il s'agit alors d'élaborer, à partir de ce modèle conceptuel, un modèle informatique qui, une fois implémenté, pourra être simulé (pour répondre aux questions initiales, avec robustesse) et exploré (pour éventuellement poser de nouvelles questions). Avant même toute simulation, le passage du cadre théorique au modèle conceptuel, puis au modèle informatique et à son implémentation, forcent le modélisateur à expliciter de nombreux détails et à se poser de nouvelles questions. Loin de constituer un problème, le fait d'avoir ainsi à coucher noir sur blanc l'ensemble des hypothèses du modèle nous apparaît comme un travail des plus salutaires. Enfin, le modélisateur n'est pas seul, et se trouve accompagné dans sa démarche par toute une panoplie de plateformes logicielles dédiées aux simulations multiagents, et mettant à sa disposition des outils puissants de conception et de modélisation, quel que soit son niveau initial de programmation. L'avenir des simulations en Sciences Sociales se situe sans doute à la croisée des chemins entre d'une part des plateformes de plus en plus accessibles, complètes et inter-opérables, et d'autre part un minimum de formation des futurs modélisateurs aux concepts de base de la programmation. 12.7. Bibliographie [FRI 53] FRIEDMAN M., “The Case for Flexible Exchange Rates”, in Essays in Positive Economics, Chicago, University of Chicago Press, p.157-203, 1953. [GIL 02] GILBERT N., BANKES S., “Platforms and Methods for Agent-based Modeling”, Proceedings of the National Academy of Sciences, USA, vol. 99, n°3, p.7199-7200, 2002. [GRO 76] GROSSMAN S.J., “On the Efficiency of Competitive Stock Markets Where Trades Have Diverse Information”, Journal of Finance, vol.31, n°2, p.573-585, 1976. [HUB 04] HUBER J., “A contribution to solving an old puzzle: why different trading strategies persist in competitive markets“, Journal of Academy of Business and Economics, vol.3, p.171-180, 2004. [HUB 06] HUBER J., KIRCHLER M., SUTTER M., “Vom Nutzen zusätzlicher Information auf Märkten mit unterschiedlich informierten Händlern - Eine experimentelle Studie”, Zeitschrift für Betriebswirtschaftliche Forschung, vol.58, p.38-61, 2006.
- Page 223 and 224: Modélisation d’accompagnement. 2
- Page 225 and 226: Deuxième partie Modélisation et s
- Page 227 and 228: Modélisation multi-agents comme co
- Page 229 and 230: Modélisation multi-agents comme co
- Page 231 and 232: Modélisation multi-agents comme co
- Page 233 and 234: Chapitre 11 Des réseaux d’automa
- Page 235 and 236: Des réseaux d’automates aux mod
- Page 237 and 238: Des réseaux d’automates aux mod
- Page 239 and 240: Des réseaux d’automates aux mod
- Page 241 and 242: Des réseaux d’automates aux mod
- Page 243 and 244: Des réseaux d’automates aux mod
- Page 245 and 246: Des réseaux d’automates aux mod
- Page 247 and 248: Des réseaux d’automates aux mod
- Page 249 and 250: Des réseaux d’automates aux mod
- Page 251 and 252: Des réseaux d’automates aux mod
- Page 253 and 254: Des réseaux d’automates aux mod
- Page 255 and 256: Des réseaux d’automates aux mod
- Page 257 and 258: Des réseaux d’automates aux mod
- Page 259 and 260: Des réseaux d’automates aux mod
- Page 261 and 262: Chapitre 12 Modélisation, impléme
- Page 263 and 264: Modélisation, implémentation et e
- Page 265 and 266: Modélisation, implémentation et e
- Page 267 and 268: Modélisation, implémentation et e
- Page 269 and 270: Modélisation, implémentation et e
- Page 271 and 272: Modélisation, implémentation et e
- Page 273: Modélisation, implémentation et e
- Page 277 and 278: Chapitre 13 Apprentissage dans les
- Page 279 and 280: Apprentissage dans les modèles mul
- Page 281 and 282: Apprentissage dans les modèles mul
- Page 283 and 284: Apprentissage dans les modèles mul
- Page 285 and 286: Apprentissage dans les modèles mul
- Page 287 and 288: Apprentissage dans les modèles mul
- Page 289 and 290: Apprentissage dans les modèles mul
- Page 291 and 292: Apprentissage dans les modèles mul
- Page 293 and 294: Apprentissage dans les modèles mul
- Page 295 and 296: Apprentissage dans les modèles mul
- Page 297 and 298: Apprentissage dans les modèles mul
- Page 299 and 300: Chapitre 14 Influence sociale, jeux
- Page 301 and 302: Influence sociale, jeux de populati
- Page 303 and 304: Influence sociale, jeux de populati
- Page 305 and 306: Influence sociale, jeux de populati
- Page 307 and 308: Influence sociale, jeux de populati
- Page 309 and 310: Influence sociale, jeux de populati
- Page 311 and 312: Influence sociale, jeux de populati
- Page 313 and 314: Influence sociale, jeux de populati
- Page 315 and 316: Influence sociale, jeux de populati
- Page 317 and 318: Influence sociale, jeux de populati
- Page 319 and 320: Influence sociale, jeux de populati
- Page 321 and 322: Influence sociale, jeux de populati
- Page 323 and 324: Troisième Partie Introduction à l
278 Modélisation et simulation multi-agents pour Sciences de l'Homme et de la Société.<br />
varier le comportement de chaque agent du moins informé au plus informé, de<br />
manière systématique.<br />
Il est également possible, très simplement, de changer le cœur même du modèle,<br />
en modifiant par exemple le mécanisme de fixation du prix. Au lieu de prendre<br />
comme prix du marché l'estimation médiane <strong>des</strong> participants, permettant ainsi<br />
d'équilibrer offre et demande, on pourrait voir ce que donne le modèle lorsqu'on<br />
s'écarte de cet équilibre, et utilise l'estimation moyenne <strong>des</strong> participants comme prix<br />
du marché. Cette simple modification, dénuée ici de sens économique, a un impact<br />
immédiat sur les profils de profits, comme le montre la Figure 12.8.<br />
Figure 12.8. Le prix est à présent défini comme l'estimation moyenne <strong>des</strong> participants, et non<br />
plus l'estimation médiane.<br />
Avec cette nouvelle définition du prix, il apparaît que les traders ont tout intérêt à<br />
utiliser les pièces connues, quel que soit leur niveau d'information. En effet, le profil<br />
<strong>des</strong> profits moyens devient une fonction strictement croissante du niveau<br />
d'information lorsque seul I 0 est aléatoire, et par exemple I 3 ne peut que réduire son<br />
profit en passant à une stratégie non informée ou aléatoire.