Table des matières - Gilles Daniel

Apprentissage dans les modèles multi-agents 283
- Dans ce cadre d’analyse, le monde peut converger vers une situation stable et
facile à prédire. Plus probablement cependant, il restera fondamentalement
fluctuant et imprédictible, reflétant la co-évolution des comportements et
situations individuels et de l’environnement dans lesquels ceux-ci se développent.
Il y aura sans doute des périodes où des régularités seront reconnaissables, où la
prédiction sera possible. Mais ces régularités seront en général locales, destinées à
être remplacées à une date imprévisible par des développements futurs tout autant
imprévisibles.
Dans un modèle multi-agents, l’apprentissage apparaît ainsi comme une
recherche locale pour des opportunités locales, qui aboutit à des découvertes ou
solutions perpétuellement remises en question. Ce qui est approprié ici aujourd’hui
ne le sera pas demain, ou là bas. Même si un comportement globalement optimal
devait exister, il ne pourrait être reconnu dans un laps de temps raisonnable.
«Learning is then basically a way to locally cope with a changing world.
However, the cause of the change in the world is partly the learning process
itself. There is a change in the perception of the underlying circumstances
(learning), but this causes a change in these underlying circumstances as well.
Thus, agents can believe they learn. But this learning will largely be
spurious. In any case, it is undistinguishable from some sort of reinforcement,
including rule selection through GA, neural net, etc.» [EPS 96].
Le site Web de référence sur la modélisation multi-agents en économie, créé et
maintenu par Leigh Tesfatsion, est : http://www.econ.iastate.edu/tesfatsi/ace.htm.
Les « Notes on learning » de Leigh Tesfatsion [TES 04], qui peuvent être trouvées
sur ce site, constituent tant une source d’inspiration qu’un complément au présent
chapitre. Une excellente et ludique introduction à la modélisation multi-agents et
aux points effleurés ci-dessus est [EPS 96].
Ce chapitre est organisé comme suit. Dans la section [13.2.], nous présentons
brièvement une typologie de différents types d’apprentissage et évoquons quelques
approches de modélisation standard. Les sections suivantes présentent en plus de
détail l’un des plus puissants outils disponibles pour modéliser les phénomènes
d’apprentissage dans un contexte multi-agents – les algorithmes génétiques [Section 13.4]
en association avec les systèmes de classificateurs section [13.3]. La section [13.5.]
offre une liste de ressources pour l’utilisation d’algorithmes génétiques.
13.2. Typologie des apprentissages
Comme on peut le constater aisément en consultant un ouvrage de référence tel
que [BRE 99], le concept d’apprentissage n’a pas de définition univoque en
économie. Différents auteurs, différentes écoles, d’autres disciplines telles que la