Table des matières - Gilles Daniel
Table des matières - Gilles Daniel Table des matières - Gilles Daniel
400 Modélisation et simulation multi-agents pour Sciences de l'Homme et de la Société. comportement de simulation peut amener à des résultats différents entre SpaCelle et StarLogo. C’est le cas lorsque la densité de population est égale à 98% et le seuil de tolérance de 20%. Une forte agrégation apparaît rapidement dans SpaCelle. Ceci s’explique par le fait que le nombre de cellules insatisfaites est très grand devant le nombre de cellules libres. Ainsi, dès la première itération, il y a beaucoup plus de départs que d’arrivées, il se produit momentanément une décroissance de la population qui donne aux individus plus de libertés pour s’agréger. Ce phénomène ne se produit pas sous StarLogo car la densité de cases libres reste par construction égale à 2%. Une autre grande différence entre ces implémentations concerne le langage de description du modèle. Sous StarLogo comme sous Excel, c’est un langage algorithmique (Logo et Visual Basic) alors que SpaCelle utilise un langage très simple dans lequel l’ordre d’écriture des règles n’a pas d’importance. Cette différence est fondamentale sur plusieurs points : - un langage algorithmique nécessite l’acquisition d’une compétence en programmation longue à acquérir, contrairement au langage de SpaCelle ; - par contre la classe des modèles susceptibles d’être implémentés avec un langage de programmation est beaucoup plus vaste qu’avec ce langage de règles ; - on a vu que quatre lignes suffisaient pour décrire le modèle de Schelling sous SpaCelle, alors qu’une quarantaine de lignes sont nécessaires sous StarLogo ou Excel. Enfin, dernière différence importante, pour une simulation de 10000 cellules, le nombre d’itérations traitées en 5 minutes d’exécution varie considérablement selon l’implémentation : StarLogo traite 6 itérations, Excel 1730 et SpaCelle 16000. 17.6. Analyse du modèle Analyser un modèle, ou plutôt une famille de modèles, consiste à étudier les propriétés des résultats de simulations de certains modèles de cette famille, selon les valeurs qu’on donne aux paramètres. Il semble intéressant ici d’étudier deux propriétés résultant des simulations du modèle de Schelling, qui sont concrétisées par ce qu’on appelle des variables d’observation ou de sortie du modèle. Nous étudierons ici la convergence et la dynamique d’agrégation à travers deux variables d’observation, « nombre d’insatisfaits » et « taille moyenne d’agrégat » que nous préciserons. Nous verrons que le modèle peut produire une forte agrégation des populations sans converger, il peut aussi converger sans produire d’agrégation. Nous constatons en effet, que pour certaines valeurs des paramètres, le comportement des sorties est stable, c’est-à-dire qu’il donne des séries reproductibles sur plusieurs simulations avec une faible fluctuation. Par contre, pour d’autres valeurs des
Comparaison de trois implémentations du modèle de Schelling. 401 paramètres, le comportement devient chaotique, le temps de convergence est imprévisible, alors le comportement en moyenne n’a plus de signification. En particulier, nous ne savons pas expliquer pourquoi, dans la zone d’instabilité, qui correspond à une densité de population très élevée (autour de 98%), on passe brutalement d’une absence totale d’agrégat pour une tolérance de 2 étrangers, à une agrégation maximale pour 3 étrangers. 17.6.1. Famille de modèles et modèle élémentaire Nous avons vu que le modèle de Schelling pouvait se « concrétiser » de plusieurs manières, selon les valeurs données à certains paramètres ou selon le mécanisme de transition choisi. Ce que nous appelons « modèle de Schelling » est donc en fait une famille de modèles. Un élément de cette famille correspond à un modèle concret, exécutable, obtenu après avoir fixé tous les paramètres. Nous utilisons ici la notation M(N, d, n, S) pour désigner un modèle de Schelling, où les parenthèses contiennent les paramètres. Si les paramètres sont fixés à des valeurs concrètes, c’est un modèle concret, si les paramètres sont considérés comme des variables, la notation désigne la famille de modèles (ou modèle général). N désigne le nombre total de cellules (disposées en général dans un domaine carré), d représente la densité globale de population, à raison de 1 individu par cellule au plus, n désigne le nombre de cellule de tout voisinage (n = 8 en général), S est le seuil de tolérance, c’est la proportion maximale d’étrangers (c’est-à-dire d’individus appartenant à des groupes sociaux différents de la cellule centrale) que peut supporter un individu pour être dans l’état « satisfait », dans le cas contraire il est dans l’état « insatisfait » et devra se déplacer vers une cellule libre. La valeur de S permet ainsi de donner le nombre maximum k d’étrangers dans le voisinage d’une cellule : k valeurs de S 0 0
- 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
- Page 382 and 383: 386 Modélisation et simulation mul
- Page 384 and 385: 388 Modélisation et simulation mul
- Page 386 and 387: 390 Modélisation et simulation mul
- Page 388 and 389: 392 Modélisation et simulation mul
- Page 390 and 391: 394 Modélisation et simulation mul
- Page 392 and 393: 396 Modélisation et simulation mul
- Page 394 and 395: 398 Modélisation et simulation mul
- Page 398 and 399: 402 Modélisation et simulation mul
- Page 400 and 401: 404 Modélisation et simulation mul
- Page 402 and 403: 406 Modélisation et simulation mul
- Page 404 and 405: 408 Modélisation et simulation mul
- Page 406 and 407: 410 Modélisation et simulation mul
- Page 408 and 409: 412 Modélisation et simulation mul
- Page 410: 414 Modélisation et simulation mul
400 Modélisation et simulation multi-agents pour Sciences de l'Homme et de la Société.<br />
comportement de simulation peut amener à <strong>des</strong> résultats différents entre SpaCelle et<br />
StarLogo. C’est le cas lorsque la densité de population est égale à 98% et le seuil de<br />
tolérance de 20%. Une forte agrégation apparaît rapidement dans SpaCelle. Ceci<br />
s’explique par le fait que le nombre de cellules insatisfaites est très grand devant le<br />
nombre de cellules libres. Ainsi, dès la première itération, il y a beaucoup plus de<br />
départs que d’arrivées, il se produit momentanément une décroissance de la<br />
population qui donne aux individus plus de libertés pour s’agréger. Ce phénomène<br />
ne se produit pas sous StarLogo car la densité de cases libres reste par construction<br />
égale à 2%.<br />
Une autre grande différence entre ces implémentations concerne le langage de<br />
<strong>des</strong>cription du modèle. Sous StarLogo comme sous Excel, c’est un langage<br />
algorithmique (Logo et Visual Basic) alors que SpaCelle utilise un langage très<br />
simple dans lequel l’ordre d’écriture <strong>des</strong> règles n’a pas d’importance. Cette<br />
différence est fondamentale sur plusieurs points :<br />
- un langage algorithmique nécessite l’acquisition d’une compétence en<br />
programmation longue à acquérir, contrairement au langage de SpaCelle ;<br />
- par contre la classe <strong>des</strong> modèles susceptibles d’être implémentés avec un<br />
langage de programmation est beaucoup plus vaste qu’avec ce langage de règles ;<br />
- on a vu que quatre lignes suffisaient pour décrire le modèle de Schelling sous<br />
SpaCelle, alors qu’une quarantaine de lignes sont nécessaires sous StarLogo ou<br />
Excel.<br />
Enfin, dernière différence importante, pour une simulation de 10000 cellules, le<br />
nombre d’itérations traitées en 5 minutes d’exécution varie considérablement selon<br />
l’implémentation : StarLogo traite 6 itérations, Excel 1730 et SpaCelle 16000.<br />
17.6. Analyse du modèle<br />
Analyser un modèle, ou plutôt une famille de modèles, consiste à étudier les<br />
propriétés <strong>des</strong> résultats de simulations de certains modèles de cette famille, selon les<br />
valeurs qu’on donne aux paramètres. Il semble intéressant ici d’étudier deux<br />
propriétés résultant <strong>des</strong> simulations du modèle de Schelling, qui sont concrétisées<br />
par ce qu’on appelle <strong>des</strong> variables d’observation ou de sortie du modèle. Nous<br />
étudierons ici la convergence et la dynamique d’agrégation à travers deux variables<br />
d’observation, « nombre d’insatisfaits » et « taille moyenne d’agrégat » que nous<br />
préciserons. Nous verrons que le modèle peut produire une forte agrégation <strong>des</strong><br />
populations sans converger, il peut aussi converger sans produire d’agrégation. Nous<br />
constatons en effet, que pour certaines valeurs <strong>des</strong> paramètres, le comportement <strong>des</strong><br />
sorties est stable, c’est-à-dire qu’il donne <strong>des</strong> séries reproductibles sur plusieurs<br />
simulations avec une faible fluctuation. Par contre, pour d’autres valeurs <strong>des</strong>