Table des matières - Gilles Daniel

288 Modélisation et simulation multi-agents pour Sciences de l'Homme et de la Société.
« achète des glaces » (action). Des extensions immédiates de ce schéma de base
peuvent être utilisées pour traiter des raffinements telles que l’introduction de délais
entre la réception d’un message et la réaction à ce message (délais de
compréhension, d’implémentation, etc).
Plus spécifiquement, un CS :
– compare l’information reçue avec les conditions de sa base, ligne par ligne.
Comme déjà indiqué, une condition est satisfaite si le message est identique à la
condition, modulo #. Dans le graphique ci-dessus, les conditions des 1ère, 3ème et
4ème lignes sont satisfaites ;
– les règles dont toutes les conditions sont satisfaites sont candidates pour une
action ;
– s’il y a plus d’un candidat, le CS en choisit un aléatoirement, utilisant comme
poids la force et la spécificité de la règle.
La force d’une règle est définie comme le gain relatif obtenu en utilisant la règle.
Si l’environnement est complexe, il peut être difficile de déterminer ce succès
relatif. Entre autres, l’application d’une règle peut n’influencer les gains
qu’indirectement, après un délai, ou encore dépendre de l’ensemble des règles
utilisées pendant un certain intervalle de temps. Le CS doit apprendre à reconnaître
les règles qui contribuent au succès du système et à leur assigner correctement les
gains obtenus. Un algorithme standard pour ce faire est le bucket brigade algorithm,
[HOL 75].
La spécificité d’une règle est l’inverse du nombre de # dans la règle. Une règle
peu spécifique recommande l’action qui lui est associée pour une très grande variété
de messages et est généralement moins performante qu’une règle plus spécifique,
qui discrimine plus entre les différents messages possibles. Il apparaît ainsi
raisonnable de la défavoriser par rapport à une règle plus spécifique.
Comme nous l’avions déjà remarqué, les CSs se prêtent bien à la modélisation
des nombreuses situations en socio-économie où des agents prennent des décisions
sur la base d’informations qu’ils reçoivent de leur environnement, et influencent cet
environnement par leurs décisions. Ils ne peuvent cependant capturer les
phénomènes d’apprentissage. Un des moyens d’introduire de l’apprentissage dans le
modèle est d’utiliser des algorithmes génétiques pour rechercher de meilleures
règles ou pour recombiner de bon CSs pour en produire d’encore meilleurs. Ces
algorithmes sont présentés dans la section suivante.
La Figure 13.2 qui suit [BRE 99], illustre la relation entre un CS et son
environnement et le processus d’apprentissage.