Table des matières - Gilles Daniel
Table des matières - Gilles Daniel Table des matières - Gilles Daniel
336 Modélisation et simulation multi-agents pour Sciences de l'Homme et de la Société. maille, et éventuellement un angle d’inclinaison). De plus, l’identification d’une cellule ou le voisinage d’une cellule sont calculables rapidement. L’effet de taille n’influence plus le comportement des objets du fait que les mailles sont de formes et de dimensions égales. Inconvénient : elles ne s’adaptent pas forcément aux données descriptives disponibles (découpages administratifs). 15.3.2. Maillages irréguliers Ils s’adaptent mieux à la complexité spatiale de l’espace géographique, mais le maillage perd les propriétés géométriques liées à la régularité. En particulier, l’identification d’une cellule à partir d’un point (x,y) donné, n’est plus calculable par une simple formule arithmétique, mais nécessite un algorithme de recherche plus complexe. De même il faut définir une structure topologique permettant de retrouver directement les voisins d’une maille donnée. Maillages réguliers triangles carrés hexagones Maillages semi-régulier triangles rectangles (facettes de MNT) triangulations de Delaunay Maillage irrégulier mailles polygonales Figure 15.2. Différentes sortes de maillages.
Approche conceptuelle de l’espace. 337 15.3.3. Structure de voisinage associée à un maillage Que le maillage soit régulier ou non, sa structure de voisinage est définie comme l’ensemble des informations nécessaires à une maille quelconque pour trouver ses voisins. Dans un maillage régulier, la structure est très simple et sera décrite par un ensemble de vecteurs de décalage qui, appliqués aux coordonnées d’une maille, donneront par translation les coordonnées des mailles voisines. Comme nous le verrons plus loin, cette structure et l’algorithme très simple qui permet de les calculer constituent l’opérateur de voisinage. Il est très utilisé dans les automates cellulaires. Dans le cas d’un maillage irrégulier, nous décrirons une structure de données plus complexe, dite topologique, qui est associée à la géométrie des mailles pour permettre de retrouver les voisins. 15.3.3.1. Métrique et structure de voisinage Dans un automate cellulaire à cellules régulières (carrées ou même hexagonales), on peut utiliser plusieurs topologies de voisinages. A chaque type de voisinage, correspond une métrique associée qui induit cette topologie. Ainsi, dans SpaCelle, l’utilisateur a le choix entre trois distances, les plus courantes, qui induisent trois types de voisinages distincts. Ces trois distances dérivent d’ailleurs d’une même famille dépendant d’un paramètre p, dite distances de Minkowski : ⎛ n d p( A, B) = ⎜ ∑ bi − ai ⎝ i= 1 1/ p p ⎞ ⎟ ⎠ [15.1] où A et B sont des points dans un espace de dimension n, avec A = (a 1 , a 2 ,…, a n ) et B = (b 1 , b 2 ,…, b n ). Cette famille de distances permet d’exprimer ces trois distances, en dimension 2, dans un même formalisme : a) Avec le paramètre p = 1, on obtient la distance d 1 , appelée souvent en géographie, distance de Manhattan car elle induit un espace où l’on ne peut se déplacer que dans les deux directions : horizontale et verticale. Elle est donc bien adaptée à un maillage cellulaire carré. Elle s’exprime en dimension 2, par : d ( = b − a + b − a [15.2] 1 A, B) 1 1 2 2 Elle correspond, dans un maillage carré, à un voisinage élémentaire (de rayon 1) possédant quatre voisins (Figure 15.3). Ce type est appelé voisinage de von Neumann ou V 4 . b) Avec le paramètre p =2, on obtient la distance euclidienne classique d 2 , qui est celle d’un espace isotrope. Elle correspond mieux à la distance physique usuelle :
- 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 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: 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
- Page 345 and 346: Approche conceptuelle de l’espace
- Page 347 and 348: Approche conceptuelle de l’espace
- Page 349 and 350: Chapitre 16 « A Monte Carlo approa
- Page 351 and 352: « A Monte Carlo approach to diffus
- Page 353 and 354: « A Monte Carlo approach to diffus
- Page 355 and 356: « A Monte Carlo approach to diffus
- Page 357 and 358: « A Monte Carlo approach to diffus
- Page 359 and 360: « A Monte Carlo approach to diffus
- Page 361 and 362: « A Monte Carlo approach to diffus
- Page 363 and 364: « A Monte Carlo approach to diffus
- Page 365 and 366: « A Monte Carlo approach to diffus
- Page 367 and 368: « A Monte Carlo approach to diffus
- Page 369 and 370: « A Monte Carlo approach to diffus
- Page 371 and 372: « A Monte Carlo approach to diffus
- Page 373: « A Monte Carlo approach to diffus
- Page 376 and 377: 380 Modélisation et simulation mul
- Page 378 and 379: 382 Modélisation et simulation mul
- Page 380 and 381: 384 Modélisation et simulation mul
336 Modélisation et simulation multi-agents pour Sciences de l'Homme et de la Société.<br />
maille, et éventuellement un angle d’inclinaison). De plus, l’identification d’une<br />
cellule ou le voisinage d’une cellule sont calculables rapidement. L’effet de taille<br />
n’influence plus le comportement <strong>des</strong> objets du fait que les mailles sont de formes et<br />
de dimensions égales. Inconvénient : elles ne s’adaptent pas forcément aux données<br />
<strong>des</strong>criptives disponibles (découpages administratifs).<br />
15.3.2. Maillages irréguliers<br />
Ils s’adaptent mieux à la complexité spatiale de l’espace géographique, mais le<br />
maillage perd les propriétés géométriques liées à la régularité. En particulier,<br />
l’identification d’une cellule à partir d’un point (x,y) donné, n’est plus calculable par<br />
une simple formule arithmétique, mais nécessite un algorithme de recherche plus<br />
complexe. De même il faut définir une structure topologique permettant de retrouver<br />
directement les voisins d’une maille donnée.<br />
Maillages réguliers<br />
triangles carrés hexagones<br />
Maillages semi-régulier<br />
triangles rectangles (facettes de MNT) triangulations de Delaunay<br />
Maillage irrégulier<br />
mailles polygonales<br />
Figure 15.2. Différentes sortes de maillages.