Table des matières - Gilles Daniel
Table des matières - Gilles Daniel 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.
Apprentissage dans les modèles multi-agents 289 Liste de message Base de règles Apprentissage Entrée Assignation Sortie Payoffs ENVIRONNEMENT Figure 13.2. Un système de classificateurs et sa relation avec l’environnement. 13.4. Algorithmes génétiques Les algorithmes génétiques ou GAs, dus à [HOL 75], sont des procédures de recherche numérique sur des paysages de grandes dimensions et/ou compliqués. Ils se sont en particulier révélés efficaces pour traiter des situations, souvent rencontrées en modélisation multi-agents, où la structure même du problème d’intérêt change à travers le temps. Une de leurs caractéristiques les plus importantes, qui explique leur efficacité et qui sera discutée par la suite, est le fait qu’ils sont massivement parallèles. Nous ne présentons ici que les idées de bases sous-tendant un algorithme génétique simple, faisant abstraction des nombreuses variantes et raffinements que l’on peut trouver dans la littérature. Voir [MIT 96] pour une introduction avancée, et aussi [VAL 04] pour une introduction en français, où diverses applications économiques sont mentionnées. Les GAs constituent la forme la plus populaire d’algorithmes évolutionnaires, lesquels comprennent aussi la programmation génétique [KOZ 92], [KOZ 99], [BAN 97], les stratégies évolutionnistes, et la programmation évolutionnaire [BIE 95], qui ne seront pas discutées ici. Dans tous les cas, il s’agit de procédures qui imitent l’évolution biologique où une population d’individus est soumise à diverses transformations au cours desquelles des individus ou leurs « gènes » se battent pour leur survie.
- 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 and 274: Modélisation, implémentation et e
- Page 275 and 276: 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: 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
- Page 325 and 326: Modélisation multi-agents des syst
- Page 327 and 328: Chapitre 15 Approche conceptuelle d
- Page 329 and 330: Approche conceptuelle de l’espace
- Page 331 and 332: Approche conceptuelle de l’espace
- Page 333 and 334: Approche conceptuelle de l’espace
Apprentissage dans les modèles multi-agents 289<br />
Liste de<br />
message<br />
Base de<br />
règles<br />
Apprentissage<br />
Entrée<br />
Assignation<br />
Sortie<br />
Payoffs<br />
ENVIRONNEMENT<br />
Figure 13.2. Un système de classificateurs et sa relation avec l’environnement.<br />
13.4. Algorithmes génétiques<br />
Les algorithmes génétiques ou GAs, dus à [HOL 75], sont <strong>des</strong> procédures de<br />
recherche numérique sur <strong>des</strong> paysages de gran<strong>des</strong> dimensions et/ou compliqués. Ils<br />
se sont en particulier révélés efficaces pour traiter <strong>des</strong> situations, souvent<br />
rencontrées en modélisation multi-agents, où la structure même du problème<br />
d’intérêt change à travers le temps. Une de leurs caractéristiques les plus<br />
importantes, qui explique leur efficacité et qui sera discutée par la suite, est le fait<br />
qu’ils sont massivement parallèles. Nous ne présentons ici que les idées de bases<br />
sous-tendant un algorithme génétique simple, faisant abstraction <strong>des</strong> nombreuses<br />
variantes et raffinements que l’on peut trouver dans la littérature. Voir [MIT 96]<br />
pour une introduction avancée, et aussi [VAL 04] pour une introduction en français,<br />
où diverses applications économiques sont mentionnées. Les GAs constituent la<br />
forme la plus populaire d’algorithmes évolutionnaires, lesquels comprennent aussi<br />
la programmation génétique [KOZ 92], [KOZ 99], [BAN 97], les stratégies<br />
évolutionnistes, et la programmation évolutionnaire [BIE 95], qui ne seront pas<br />
discutées ici. Dans tous les cas, il s’agit de procédures qui imitent l’évolution<br />
biologique où une population d’individus est soumise à diverses transformations au<br />
cours <strong>des</strong>quelles <strong>des</strong> individus ou leurs « gènes » se battent pour leur survie.