Table des matières - Gilles Daniel
Table des matières - Gilles Daniel Table des matières - Gilles Daniel
298 Modélisation et simulation multi-agents pour Sciences de l'Homme et de la Société. mutation). La sélection se contenterait d’entraîner une plus forte concentration de chromosomes dans les parties de l’espace de recherche qui auraient été reconnues prometteuses dans le passé. Grâce au croisement, par contre, les chromosomes sélectionnés peuvent bénéficier de leurs expériences mutuelles. Le transfert d’information qui prend ainsi place donne potentiellement naissance à de nouveaux chromosomes qui combinent efficacement les expériences de chacun. 13.4.2 Quelques mots sur l’utilisation de GAs en sciences sociales Les GAs ont été extensivement étudiés en mathématiques, informatique, ingénierie, etc. Une pléthore d’applications, de résultats théoriques et concrets, de logiciels, et autres ressources existe, sur lesquels les chercheurs en sciences sociales et économiques peuvent s’appuyer dans leurs propres recherches. L’existence de ces ressources, cependant, n’est pas seulement un bienfait. En effet, la perspective dans laquelle les GAs ont été développés et utilisés en sciences dures diffère souvent fondamentalement du contexte approprié en sciences sociales. Ceci entraîne des risques sérieux d’usage malencontreux et d’interprétations erronées. En sciences dures, un GA est avant tout un outil servant à résoudre un problème bien posé. Dans ce cadre, la validation d’un GA et le choix de ses paramètres (taille des chromosomes, taux de mutation, de croisement, etc.) sont basés avant tout sur des considérations techniques : quelle est la constellation qui permet de résoudre le plus efficacement, en utilisant le moins de ressources informatiques et de façon la plus robuste, un problème donné ou une classe de problèmes La littérature offre un grand nombre de recommandations et de recettes à ce sujet. En sciences économiques, au contraire, le GA fait le plus souvent partie de la description même du problème. Il va par exemple être utilisé pour modéliser un processus d’apprentissage, alors que le modélisateur ne connaît ni la façon dont des agents humains apprennent, ni le résultat final de l’apprentissage. Le choix des paramètres et celui des constituants de l’algorithme, tels que la fonction d’aptitude ou encore la définition substantive des chromosomes, doivent alors être basés sur des considérations théoriques ou empiriques. Un des grands intérêts des GAs en sciences sociales et en économie, en plus de leur capacité à trouver la solution de problèmes extrêmement compliqués, est le fait qu’ils nécessitent et utilisent très peu d’information a priori sur la structure possible de la solution. Ceci présente un double avantage. Les GAs sont applicables dans beaucoup de situations où le manque de connaissances préalables ne permettrait pas l’utilisation d’une autre méthode plus standard. N’étant pas contraints a priori sur le résultat que l’on doit obtenir ou sur les mécanismes par lesquels cette solution doit être obtenue, ils découvrent souvent des solutions qui seraient autrement restées
Apprentissage dans les modèles multi-agents 299 méconnues. [KOZ 03] mentionne par exemple la redécouverte par programmation génétique de la méthode de rétroaction négative en électronique. Maintenant largement employée, cette méthode, trop éloignée des canons techniques et scientifiques dominants à l’époque de sa découverte, a longtemps été considérée fantaisiste et s’est vue refusée tout brevet pendant neuf ans. En économie, où la recherche est suffisamment codifiée pour être considérée par certains comme relevant de la scholastique plus que de la science, le potentiel pour des découvertes non-orthodoxes mais fructueuses pourrait se révéler particulièrement grand. 13.5. Logiciels et autres ressources sur les GAs Un très grand nombre de ressources se rapportant aux algorithmes génétiques, dont de nombreux logiciels gratuits de haute qualité, sont accessibles sur le Web. Rechercher ces programmes peut cependant être frustrant – les liens se révèlent souvent périmés, tel programme qui était gratuit est maintenant commercialisé, etc.. Les liens indiqués ci-dessous sont ceux de sites pour lesquels on peut espérer une certaine rémanence. - La meilleure façon sans doute de visualiser et de comprendre le fonctionnement d’un algorithme génétique, et la plus ludique certainement, est de résoudre de petits problèmes simples à l’aide de logiciels transparents. Divers logiciels de démonstration du domaine public permettent d’obtenir facilement une telle première expérience pratique. - Parmi ceux-ci, on trouve des aplets java tels que, par exemple : http://www.oursland.net/projects/PopulationExperiment - Le GA Playground : http://www.aridolan.com/ga/gaa/gaa.html est une boite à outils en Java, pour expérimenter avec des algorithmes génétiques et résoudre des problèmes d’optimisation. - Toujours en Java, JAGA, http://www.jaga.org/, est une plateforme flexible pour implémenter des algorithmes génétiques. Divers exemples sont disponibles. - En Mathematica, le notebook de Mats Bengsston : http://library.wolfram.com/infocenter/MathSource/569/, offre un tutorial simple sur l’utilisation d’algorithmes génétiques en optimisation fonctionnelle. Le code de ce notebook est particulièrement facile à lire et permet de suivre pas à pas le fonctionnement des éléments de base de l’algorithme : représentation, sélection, croisement, mutation. - Toujours sous Mathematica, mais moins pédagogiques, mentionnons aussi http://library.wolfram.com/infocenter/MathSource/4270/ - et : http://library.wolfram.com/infocenter/MathSource/4629/. - Un travail numérique sérieux demandera normalement des recours à des routines sous MatLab, C ++ , etc.. Une valeur sûre pour commencer une recherche
- 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 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: 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
- Page 335 and 336: Approche conceptuelle de l’espace
- Page 337 and 338: Approche conceptuelle de l’espace
- Page 339 and 340: Approche conceptuelle de l’espace
- Page 341 and 342: Approche conceptuelle de l’espace
- Page 343 and 344: Approche conceptuelle de l’espace
298 Modélisation et simulation multi-agents pour Sciences de l'Homme et de la Société.<br />
mutation). La sélection se contenterait d’entraîner une plus forte concentration de<br />
chromosomes dans les parties de l’espace de recherche qui auraient été reconnues<br />
prometteuses dans le passé. Grâce au croisement, par contre, les chromosomes<br />
sélectionnés peuvent bénéficier de leurs expériences mutuelles. Le transfert<br />
d’information qui prend ainsi place donne potentiellement naissance à de nouveaux<br />
chromosomes qui combinent efficacement les expériences de chacun.<br />
13.4.2 Quelques mots sur l’utilisation de GAs en sciences sociales<br />
Les GAs ont été extensivement étudiés en mathématiques, informatique,<br />
ingénierie, etc. Une pléthore d’applications, de résultats théoriques et concrets, de<br />
logiciels, et autres ressources existe, sur lesquels les chercheurs en sciences sociales<br />
et économiques peuvent s’appuyer dans leurs propres recherches. L’existence de ces<br />
ressources, cependant, n’est pas seulement un bienfait. En effet, la perspective dans<br />
laquelle les GAs ont été développés et utilisés en sciences dures diffère souvent<br />
fondamentalement du contexte approprié en sciences sociales. Ceci entraîne <strong>des</strong><br />
risques sérieux d’usage malencontreux et d’interprétations erronées.<br />
En sciences dures, un GA est avant tout un outil servant à résoudre un problème<br />
bien posé. Dans ce cadre, la validation d’un GA et le choix de ses paramètres (taille<br />
<strong>des</strong> chromosomes, taux de mutation, de croisement, etc.) sont basés avant tout sur<br />
<strong>des</strong> considérations techniques : quelle est la constellation qui permet de résoudre le<br />
plus efficacement, en utilisant le moins de ressources informatiques et de façon la<br />
plus robuste, un problème donné ou une classe de problèmes La littérature offre un<br />
grand nombre de recommandations et de recettes à ce sujet.<br />
En sciences économiques, au contraire, le GA fait le plus souvent partie de la<br />
<strong>des</strong>cription même du problème. Il va par exemple être utilisé pour modéliser un<br />
processus d’apprentissage, alors que le modélisateur ne connaît ni la façon dont <strong>des</strong><br />
agents humains apprennent, ni le résultat final de l’apprentissage. Le choix <strong>des</strong><br />
paramètres et celui <strong>des</strong> constituants de l’algorithme, tels que la fonction d’aptitude<br />
ou encore la définition substantive <strong>des</strong> chromosomes, doivent alors être basés sur<br />
<strong>des</strong> considérations théoriques ou empiriques.<br />
Un <strong>des</strong> grands intérêts <strong>des</strong> GAs en sciences sociales et en économie, en plus de<br />
leur capacité à trouver la solution de problèmes extrêmement compliqués, est le fait<br />
qu’ils nécessitent et utilisent très peu d’information a priori sur la structure possible<br />
de la solution. Ceci présente un double avantage. Les GAs sont applicables dans<br />
beaucoup de situations où le manque de connaissances préalables ne permettrait pas<br />
l’utilisation d’une autre méthode plus standard. N’étant pas contraints a priori sur le<br />
résultat que l’on doit obtenir ou sur les mécanismes par lesquels cette solution doit<br />
être obtenue, ils découvrent souvent <strong>des</strong> solutions qui seraient autrement restées