CANCER DU SEIN

Systèmes Multi-Agents

Longtemps, l‟intelligence artificielle (IA) en particulier a considéré les programmes comme des entités individualisées capables de rivaliser avec l‟être humain dans des domaines précis.
Ainsi, l‟informatique devient de plus en plus diffuse et distribuée dans de multiples objets et fonctionnalités qui sont amenés à coopérer. La décentralisation est donc la règle et une organisation coopérative entre modules logiciels est un besoin. De plus, la taille, la complexité et l‟évolutivité croissantes de ces nouvelles applications informatiques font qu‟une vision centralisée, rigide et passive (contrôlée explicitement par le programmeur) atteint ses limites.
Cette complexité croissante des problèmes qui sont posés oblige à concevoir, non pas un programme, mais plusieurs entités couplées en interaction, chacune définie localement sans vision d’ensemble d’un système qui la dépasse.
Le thème des systèmes multi agents (SMA), s‟il n‟est pas récent, est actuellement un champ de recherche très actif. Cette discipline est à la connexion de plusieurs domaines en particulier de l‟intelligence artificielle, des systèmes informatiques distribués et du génie logiciel. C‟est une discipline qui s‟intéresse aux comportements collectifs produits par les interactions de plusieurs entités autonomes et flexibles appelées agents, que ces interactions tournent autour de la coopération, de la concurrence ou de la coexistence entre ces agents.

Intelligence Artificielle Distribuée (IAD)

Définitions
Généralement le domaine de recherche de l’IAD est définit comme l’étude et de la conception d’organisations d’agents artificiels pour obtenir des systèmes intelligents » [https://www.chatpfe.com/]

Historique de l’intelligence artificielle distribuée

Le terme de l‟IA apparaît dans les années 50. L’IAD apparaît quant à elle, dans les années 70 avec la distribution des unités de calcul et la parallélisassions des algorithmes et, au même moment, avec la notion de modularité. C’est pendant les années 80  Approche multi-agents pour la reconnaissance du cancer du sein que la métaphore d’experts coopérants devient populaire et donne naissance à des approches telles que le modèle acteur [20] et l’architecture du tableau noir de Hearsay [15].
La démarche première de l’IAD est de mettre à profit le parallélisme et les avantages de la modularité au service des problèmes issus de l’IA classique.
Au cours des années 80, la réutilisabilité devient un axe majeur en informatique en général et en IAD en particulier. Ceci, associé à l’apparition des systèmes ouverts -dans lesquels les entités sont la possibilité d’entrer et de sortir du système à n’importe quel moment-, amène la mise en place de mécanismes décentralisés de coordination des activités. Cette nouvelle voie diverge des approches traditionnelles de la résolution distribuée de problèmes, pour lesquels les agents doivent principalement faire ce qu’on leur dit .
Au vu de la complexité de ces nouveaux systèmes, un nouveau domaine de l‟IAD se constitue afin de les étudier : l‟étude des SMA est née.

Notion d’agents

 Définition
Plusieurs définitions ont été proposées par différents acteurs pour clarifier le concept .nous citerons deux :
– un agent est définit comme étant une entité physique ou virtuelle évoluant dans un environnement dont il n‟a qu‟une représentation partielle et sur lequel il peut agir Il est capable de communiquer avec d‟autres agents et est doté d‟un comportement autonome.
– un agent fait référence à tout artefact, logiciel aussi bien que matériel, capable d’exhiber une certaine autonomie donc opérationnellement et informationnellement clos par rapport à l’environnement dans lequel il est plongé [16]

Caractéristiques d’un agent

Autonomie : Un agent autonome est un agent dont l‟existence ne se justifie pas par l‟existence des autres agents et de l‟opérateur humain. Pour être autonome, un agent doit avoir ses propres buts et être capable de prendre des décisions, et ainsi résoudre des conflits internes.
Approche multi-agents pour la reconnaissance du cancer du sein

La réactivité :
Des agents sont dits réactifs s‟ils peuvent réagir à un changement qui s‟est effectué dans leur environnement.
La Proactivité :
Des agents sont dits proactifs s‟ils peuvent agir sans même que leur environnement ait changé.
Planification :
C‟est le processus qui permet la construction d‟un plan d‟actions à réaliser pour atteindre un certain but

Intelligence :
Un agent intelligent est celui qui possède des capacités de raisonnement et d‟apprentissage. L‟agent doit non seulement planifier ses propres actions, mais aussi tenir compte de celles des autres agents.
Sociabilité :
Des agents sont dits sociables s‟ils peuvent communiquer les uns avec les autres, et possiblement avec des humains, grâce un langage de communication pour réaliser les taches pour lesquelles ils ont été conçus.
Apprentissage :
Les agents doivent évoluer et améliorer leurs connaissances, ainsi, adapter ou changer leurs comportements face à des situations similaires et cela en fonction de leurs expériences passées. Cette caractéristique est principalement réservée aux agents qualifiés d‟intelligents
Prise de décision :
C‟est le choix auquel est confronté l‟agent pour sélectionner le but à satisfaire en premier, et pour chaque but, l‟action qui permet de l‟atteindre.

L’environnement de l’agent

L‟environnement dans lequel agit un agent est crucial dans le choix de son architecture. Les propriétés de l‟environnement affectent bien entendu la conception de l‟agent en le rendant plus ou moins complexe selon la situation. ` Un environnement peut être  :
– Accessible si un agent peut, à l‟aide des primitives de perception, déterminer l‟état de
l‟environnement et ainsi procéder, par exemple, à une action.
– Déterministe, ou non, selon que l‟état futur de l‟environnement ne soit, ou non, fixé que par son état courant et les actions de l‟agent.

Table des matières

INTRODUCTION GENERALE
I. PRESENTATION DU CANCER DU SEIN
I.1 Introduction
I.2 Notion de base sur le Cancer
I.2.1 Définition
I.2.2 Les causes du cancer
I.2.3 développement du cancer
I.2.3.1 Développement anarchique de certaines cellules
I.2.3.2 Phase de Métastase
I.2.4 Les Types de cancer
I.3 Description du cancer du sein
I.4 Principaux éléments de risque
I.5 Symptômes
I.6 Traitements
I.7 Conclusion
II SYSTEMES MULTI AGENTS
II.1 Introduction
II.2 Intelligence Artificielle Distribuée
II.2.1 Définitions
II.2.2 Historique de l‟intelligence artificielle distribuée
II.3 Notion d‟agents
II.3.1 Définition
II.3.2 Caractéristiques d‟un agent
II.3.3 L‟environnement de l‟agent
II.3.4 Type des agents
II.3.4.1 les agents réactifs
II.3.4.2 les agents cognitifs
II.4 Système multi agents
II.4.1 Définition
II.4.2 Intérêts des SMA
II.4.3 Propriétés des systèmes multi agents
II.4.4 Principe des systèmes multi agents
II.4.5 Interaction entre agents
II.4.5.1 La coordination
II.4.5.2 La coopération
II.4.5.3 La négociation
II.5 Langage de communication dans un SMA
II.5.1Protocole KQML
II.5-2 Protocole FIPA-ACL
II.6 Domaines d‟application des systèmes multi agents
II.7 Les plateformes de développement
II.7.1 plateforme JADE
II.7.2 La plate forme Jack
II.8 Conclusion
III. TECHNIQUES DE CLASSIFICATION
III.1 Les réseaux de neurones
III.1.1 Introduction
III.1.2 Principe des réseaux de neurones
III.1.3 Apprentissage des réseaux de neurones
III.1.3.1 : principe de l‟apprentissage
III.1.3 .2 : types d‟apprentissage
III.1.4 Différents types des réseaux de neurones
III.1.4 .1 Les réseaux multicouches de type rétro propagation
III.1.5 La mise en œuvre des réseaux de neurones multicouches
III.1.5.1 : Les entrées pertinentes
III.1.5.2 : La normalisation des données
III.1.5.3 : nombre de couche cachée
III.1.5.4: nombre de neurones cachés
III.1.5.5 : L‟apprentissage des perceptrons multicouches
III.1.5.6 : l‟algorithme de rétro propagation
III.1.6 : Avantages et Inconvénients des réseaux de neurones
III.2 Algorithmes génétiques
III.2.1 Introduction
III.2.2 objectif des algorithmes génétiques
III.2.3 Fonctionnement des algorithmes génétiques
III.2.4 Codage et opérateurs d‟un algorithme génétique
III.2.4.1 : le codage
III.2.4.2 : Initialisation de la population
III.2.4.3 :principe de sélection
III.2.4.4 :principe de croisement (crossover)
III.2.4.5 : principe de l‟opérateur de mutation
III.2.5 Avantages et inconvénients des algorithmes génétiques
III.3 Hybridation algorithme génétique et réseaux de neurones
III.3.1 Introduction
III.3.2 Utilisation des AGS pour une optimisation des poids
III.3.3 Conclusion
IV RESULTATS & INTERPRETATIONS
IV .1 Introduction
IV.1.1 Etat de l‟art
IV.1.2 Description de la base de la maladie du cancer du sein
IV.1.3 Les outils de programmation
IV.1.4 principe de la classification
IV.1.5 Phase de test (d‟évaluation)
IV.2 Travail effectué
IV.2.1 Classification mono-agents
IV.2.1.1Classification neuronale
IV.2.1.2 : Classifieur neuro-génétique(NGC…)
IV.2.1.3 : Résultats
IV.2.2 Approche multi agents
IV.2.3 Conclusion et interprétation
IV.2.4 Menu d‟utilisation de notre application
CONCLUSION GENERALE
REFERENCES BIBLIOGRAPHIQUES

Télécharger le rapport complet