Table des matières - Gilles Daniel
Table des matières - Gilles Daniel Table des matières - Gilles Daniel
80 Modélisation et simulation multi-agents pour Sciences de l'Homme et de la Société. N A ω = 1 ∑ f k cos(wu k ) [3.14] 2π k=1 N B ω = 1 ∑ f k sin(wu k ) [3.15] 2π k=1 N représentant le nombre de simulations de la série et u k =−π + 2π k N [3.16] représentant la coordonnée de l'échantillon k dans l'intervalle [-π, +π]. Il suffit ensuite de sommer D ω (ou sa valeur relative en la divisant par la somme de toutes les valeurs de D à toutes les fréquences) sur toutes les harmoniques d'une fréquence ω pour obtenir un indice de sensibilité du paramètre associé à ω. Telle que définie originellement, la méthode ne donne qu'une estimation de l'effet principal des paramètres. Une extension proposée par [SAL 99], appelée méthode FAST étendue, permet de calculer l'effet total des paramètres toutes interactions confondues. Elle est plus coûteuse en simulations, nécessitant de faire autant d'échantillonnages FAST qu'il y a de paramètres. Si le modèle est stochastique, on peut facilement répliquer le plan d'échantillonnage : la série à analyser sera simplement n fois plus longue, n étant le nombre de réplicats. 3.4.3.4. Comparaison des trois méthodes La figure 3.8 illustre les résultats de ces trois méthodes sur le modèle de croissance du blé d’hiver. Ne sont figurés que les résultats communs aux trois méthodes, c'est à dire l'effet principal et l'effet total de chaque paramètre. Les gammes de variation des paramètres recouvrent l'incertitude associée aux paramètres, évaluée par des collègues de l’INRA-Grignon à une échelle régionale. La figure 3.8a concerne l'ANOVA. Ce modèle est déterministe et les signatures individuelles des 7 paramètres (non figurées) sont sensiblement linéaires, ce qui est assez courant lorsque la gamme de variation n'est pas trop grande comme ici. Deux niveaux sont donc suffisants pour les caractériser. Le 8ème paramètre est un paramètre qualitatif qui donne le numéro de la série climatique utilisée. Il y a 14 séries climatiques, ce paramètre a donc 14 niveaux. Avec ce nombre de niveaux et de paramètres, le plan complet ne nécessite que 2 7 *14 = 1792 simulations et il n'est pas utile de rechercher des plans fractionnaires. La figure 3.8b illustre la méthode dite de Sobol. Avec 8 paramètres (dont l’année climatique traitée comme une variable continue variant entre 0 et 1 par paliers de longueur 1/14) il faut 8N simulations. Ici la valeur de N est égale à 1000 pour rester
Explorer les modèles par simulation : application aux analyses de sensibilité. 81 comparable avec la méthode FAST qui nécessite ce nombre minimum pour 8 paramètres. Les tirages ont été réalisés par un échantillonnage combinant les principes de l’hypercube latin et du winding stairs. La procédure étant aléatoire, elle a été répétée 20 fois afin d’en montrer la variabilité, soit 20*8*1000=160 000 simulations au total. Le graphe donne la valeur moyenne et les moustaches les valeurs extrêmes. La figure 3.8c donne les résultats pour la méthode FAST étendue qui nécessite donc 8*1000 simulations. La procédure est également répétée 20 fois, en tirant aléatoirement les fréquences des paramètres et les paramètres de déphasage afin que chaque paramètre soit échantillonné avec la même intensité. La procédure a donc nécessité 160 000 simulations. Figure 3.8. Comparaison des méthodes ANOVA, Sobol et FAST. La partie sombre des histogrammes donne l'effet principal du paramètre, la partie sombre + claire l'effet total. Pour Sobol et FAST, les barres donnent les valeurs extrêmes obtenues sur les 20 répétitions. Les résultats des trois méthodes sont extrêmement proches. Les 8 paramètres sont classés de la même manière, sauf par la méthode SOBOL qui inverse en toute queue de classement les deux derniers paramètres. Mais compte tenu de l'incertitude de cette méthode pour les paramètres peu actifs, le classement inverse serait tout autant possible. Les 3 méthodes donnent sensiblement les mêmes valeurs relatives, et pratiquement les mêmes proportions entre effet principal et effet total. Cette concordance est attendue et rassurante : elle indique que si les conditions d'utilisation sont respectées, ces trois méthodes sont équivalentes pour ces critères d'effets principaux et totaux. Des trois méthodes l'ANOVA semble de loin la plus parcimonieuse, nécessitant 100 fois moins de simulations que les autres méthodes sur cet exemple. Et cet écart serait plus grand si on avait utilisé un plan fractionnaire. C'est aussi la méthode qui donne le plus d'information : en plus des effets principaux et totaux elle permet de quantifier précisément les interactions (non figuré ici), et ici toutes les interactions
- Page 25 and 26: Concepts et méthodologies multi-ag
- Page 27 and 28: Concepts et méthodologies multi-ag
- Page 29 and 30: Concepts et méthodologies multi-ag
- Page 31 and 32: Concepts et méthodologies multi-ag
- Page 33 and 34: Chapitre 2 Introduction à la modé
- Page 35 and 36: Introduction à la modélisation et
- Page 37 and 38: Introduction à la modélisation et
- Page 39 and 40: Introduction à la modélisation et
- Page 41 and 42: Introduction à la modélisation et
- Page 43 and 44: Introduction à la modélisation et
- Page 45 and 46: Introduction à la modélisation et
- Page 47 and 48: Introduction à la modélisation et
- Page 49 and 50: Introduction à la modélisation et
- Page 51 and 52: Introduction à la modélisation et
- Page 53 and 54: Introduction à la modélisation et
- Page 55 and 56: Introduction à la modélisation et
- Page 57 and 58: Chapitre 3 Explorer les modèles pa
- Page 59 and 60: Explorer les modèles par simulatio
- Page 61 and 62: Explorer les modèles par simulatio
- Page 63 and 64: Explorer les modèles par simulatio
- Page 65 and 66: Explorer les modèles par simulatio
- Page 67 and 68: Explorer les modèles par simulatio
- Page 69 and 70: Explorer les modèles par simulatio
- Page 71 and 72: Explorer les modèles par simulatio
- Page 73 and 74: Explorer les modèles par simulatio
- Page 75: Explorer les modèles par simulatio
- Page 79 and 80: Explorer les modèles par simulatio
- Page 81 and 82: Explorer les modèles par simulatio
- Page 83 and 84: Chapitre 4 Evaluation et validation
- Page 85 and 86: Evaluation et validation de modèle
- Page 87 and 88: Evaluation et validation de modèle
- Page 89 and 90: Evaluation et validation de modèle
- Page 91 and 92: Evaluation et validation de modèle
- Page 93 and 94: Evaluation et validation de modèle
- Page 95 and 96: Evaluation et validation de modèle
- Page 97 and 98: Evaluation et validation de modèle
- Page 99 and 100: Evaluation et validation de modèle
- Page 101 and 102: Annexe - épistémologie dans une c
- Page 103 and 104: Annexe - épistémologie dans une c
- Page 105 and 106: Annexe - épistémologie dans une c
- Page 107 and 108: Annexe - épistémologie dans une c
- Page 109 and 110: Annexe - épistémologie dans une c
- Page 111 and 112: Annexe - épistémologie dans une c
- Page 113 and 114: Annexe - épistémologie dans une c
- Page 115 and 116: Annexe - épistémologie dans une c
- Page 117 and 118: Evaluation et validation de modèle
- Page 119 and 120: Chapitre 5 Sciences sociales comput
- Page 121 and 122: Sciences sociales computationnelles
- Page 123 and 124: Sciences sociales computationnelles
- Page 125 and 126: Sciences sociales computationnelles
80 Modélisation et simulation multi-agents pour Sciences de l'Homme et de la Société.<br />
N<br />
A ω = 1 ∑ f k cos(wu k ) [3.14]<br />
2π<br />
k=1<br />
N<br />
B ω = 1 ∑ f k sin(wu k ) [3.15]<br />
2π<br />
k=1<br />
N représentant le nombre de simulations de la série et<br />
u k =−π + 2π k<br />
N<br />
[3.16]<br />
représentant la coordonnée de l'échantillon k dans l'intervalle [-π, +π]. Il suffit<br />
ensuite de sommer D ω (ou sa valeur relative en la divisant par la somme de toutes les<br />
valeurs de D à toutes les fréquences) sur toutes les harmoniques d'une fréquence ω<br />
pour obtenir un indice de sensibilité du paramètre associé à ω. Telle que définie<br />
originellement, la méthode ne donne qu'une estimation de l'effet principal <strong>des</strong><br />
paramètres. Une extension proposée par [SAL 99], appelée méthode FAST étendue,<br />
permet de calculer l'effet total <strong>des</strong> paramètres toutes interactions confondues. Elle<br />
est plus coûteuse en simulations, nécessitant de faire autant d'échantillonnages<br />
FAST qu'il y a de paramètres. Si le modèle est stochastique, on peut facilement<br />
répliquer le plan d'échantillonnage : la série à analyser sera simplement n fois plus<br />
longue, n étant le nombre de réplicats.<br />
3.4.3.4. Comparaison <strong>des</strong> trois métho<strong>des</strong><br />
La figure 3.8 illustre les résultats de ces trois métho<strong>des</strong> sur le modèle de<br />
croissance du blé d’hiver. Ne sont figurés que les résultats communs aux trois<br />
métho<strong>des</strong>, c'est à dire l'effet principal et l'effet total de chaque paramètre. Les<br />
gammes de variation <strong>des</strong> paramètres recouvrent l'incertitude associée aux<br />
paramètres, évaluée par <strong>des</strong> collègues de l’INRA-Grignon à une échelle régionale.<br />
La figure 3.8a concerne l'ANOVA. Ce modèle est déterministe et les signatures<br />
individuelles <strong>des</strong> 7 paramètres (non figurées) sont sensiblement linéaires, ce qui est<br />
assez courant lorsque la gamme de variation n'est pas trop grande comme ici. Deux<br />
niveaux sont donc suffisants pour les caractériser. Le 8ème paramètre est un<br />
paramètre qualitatif qui donne le numéro de la série climatique utilisée. Il y a 14<br />
séries climatiques, ce paramètre a donc 14 niveaux. Avec ce nombre de niveaux et<br />
de paramètres, le plan complet ne nécessite que 2 7 *14 = 1792 simulations et il n'est<br />
pas utile de rechercher <strong>des</strong> plans fractionnaires.<br />
La figure 3.8b illustre la méthode dite de Sobol. Avec 8 paramètres (dont l’année<br />
climatique traitée comme une variable continue variant entre 0 et 1 par paliers de<br />
longueur 1/14) il faut 8N simulations. Ici la valeur de N est égale à 1000 pour rester