Table des matières - Gilles Daniel

300 Modélisation et simulation multi-agents pour Sciences de l'Homme et de la Société.
de logiciels avancés, commerciaux ou gratuits, est le Genetic Algorithms
Archive, http://www.aic.nrl.navy.mil/galist/ – une importante base
d’information sur la recherche reliée aux algorithmes génétiques et autres
formes de calcul évolutionnaire.
- Une revue d’algorithmes génétiques comme instruments pour résoudre des
problèmes d’optimisation peut être trouvée sous :
http://www.economicsnetwork.ac.uk/cheer/ch13_1/ch13_1p16.htm
- Une liste importante de programmes se trouve sous :
http://www.GeneticProgramming.org
- La Genetic Algorithm Utility Library (GAUL, http://gaul.sourceforge.net/) est
une librairie destinée à aider au développement d’applications qui utilisent des
algorithmes génétiques ou évolutionnaires. Elle offre des structures de données
et des fonctions pour la manipulation des données nécessaires pour les
algorithmes évolutionnaires en série ou parallèle. MatLab offre d’excellentes
toolboxes d’optimisation génétique. Celle de A. Chipperfield et al. de
l’Université de Sheffield est accompagnée d’une superbe documentation.
13.6. Conclusions
L’apprentissage dans un monde multi-agents diffère fondamentalement des
mécanismes bien définis d’utilisation optimale des informations de la théorie
économique néoclassique. Il consiste principalement en une recherche plus ou moins
structurée d’améliorations possibles dans une situation donnée. Le contexte dans
lequel s’effectue cette recherche évolue en permanence, en particulier suite aux
changements de comportement résultants du processus d’apprentissage lui-même.
Cette co-évolution de l’apprentissage et de l’espace de recherche implique
typiquement qu’en pratique on ne peut définir ni des mécanismes de recherche ni
des résultats qui puissent prétendre être globalement optimaux.
Nombreuses sont les approches employées pour modéliser l’apprentissage dans
les modèles multi-agents. Dans ce chapitre, nous avons mis l’emphase sur les
algorithmes génétiques. Certes ces algorithmes, aussi robustes et flexibles qu’ils
soient, ne tirent pas leurs racines d’une observation du comportement humain. Il
serait malhonnête de prétendre qu’ils permettent d’explorer de façon pleinement
satisfaisante le comportement d’agents humains isolés ou en interaction. Dans l’état
actuel de la recherche, ils n’en apparaissent pas moins une des approches les plus
prometteuses pour essayer de comprendre et de capturer la complexité de
l’apprentissage socio-économique.