Définition de simulateur complexe

Définition de simulateur complexe

Selon [TDZ08] cité dans l’étude de [Ngu13] : le simulateur est un «programme (ou plate-forme) informatique capable d’interpréter des modèles dynamiques, et utilisé(e) pour produire les perturbations désirées sur ces modèles » Pour la représentation et la modélisation des systèmes complexes, il repose sur un ensemble d’outils conceptuels (méta-modèles) et/ou logiciels (des simulateurs) [Mar06]. Le méta modèle garde le fait que le simulateur respecte le modèle dynamique. Le méta modèle est conçu indépendamment de l’implémentation d’un simulateur. Ça veut dire qu’il y a plusieurs simulateurs implémentés pour un même modèle par suite du méta-modèle [Ngu13].

Caractéristiques des simulateurs complexes 

Les principales particularités des simulateurs complexes résident dans leur stochasticité, leurs dynamiques internes complexes, leur temps d’exécution souvent long (dans la soussection 1.1.2) mais surtout leur lien direct avec la problématique et la question scientifique posée.

Les simulateurs complexes sont qualifiés par leur :
— forte non-linéarité : les comportements et les réponses des modèles de systèmes dynamiques ne sont pas déterministes et sont influencés par la présence de relations non linéaires et de boucles de rétroaction.
— nombre d’états atteignables indéfini voire infini : la dynamique interne complexe de ces modèles, jumelée aux paradigmes et outils de simulation induit une stochasticité dans les résultats. Par exemple dans la modélisation-simulation multi agents, l’utilisation de l’aléatoire est un artefact permettant réorganiser l’ordonnancement des agents et ainsi simuler une exécution parallèle de ces derniers. En cas expérimental, pour obtenir le comportement appréciable, il faut exécuter un très grand nombre de fois le même code.
— grand nombre de paramètres à étudier : ce nombre important de paramètres jumelé à des temps de simulation et à la dimension du phénomène complexe étudié rend coûteux voire impossible une exploration exhaustive de l’espace des paramètres. Cela signifie que les méthodes déterministes, qui garantissent un optimum global, ne parviennent pas à fournir la solution en un temps de calcul raisonnable.
— une sensibilité de la réponse vis à vis des entrées : une importante variation des sorties de simulation est constatée face à des changements mineurs de la valeur des paramètres. Cela signifie qu’un grand nombre d’optimum locaux existe si bien que les méthodes de recherche par itération successive sur le voisinage proche peuvent s’avérer inefficace.
— la connaissance sur les données expérimentales disponibles est souvent rare : ce manque de données pourrait être un obstacle dans la calibration du modèle quand l’on veut comparer les résultats simulés avec les résultats collectés en réalité. Comme indiqué ci–dessus, un simulateur complexe comporte plusieurs éléments : un modèle de simulation ; l’entrée qui comporte les variables mesurées et les paramètres d’entrée ; et la sortie qui contient des variables observables. Cette section analyse le rôle de ces types de variables.

L’espace de décision des simulateurs complexes

Les paramètres d’un modèle et donc d’un simulateur (ou variables de commande) traduisent, sous la forme de variables qualitatives et quantitatives, des hypothèses étudiées par l’utilisateur, des données de calibration assurant le lien entre la simulation et le système réel, et des éléments liés au fonctionnement interne du modèle comme la graine du générateur de nombre aléatoire [Sto11]. On peut distinguer les paramètres qui sont manipulés par les utilisateurs pour expérimenter des scénarios, des paramètres fixes au système étudié, pour le fonctionnement et le calibrage d’un modèle. Mais la communauté préférera discerner les paramètres endogènes des paramètres exogènes. Les paramètres endogènes sont « des variables explicables et expliquées par le modèle » tandis que les paramètres exogènes sont « des variables tirées de l’observation ou d’hypothèses » [Gou84]. Plus simplement, les paramètres manipulables sont endogènes. Les données de terrain, par exemple, un SIG, des données de calibration sont des paramètres exogènes. Un facteur est vu pour l’utilisateur comme une variable ayant une influence sur la simulation et ses résultats. Il est qualifié par sa nature qualitative ou quantitative intrinsèque à un format de données (booléen, réel, entier, chaîne de caractères) et un domaine caractérisant l’ensemble des valeurs possibles. Ainsi explorer exhaustivement un modèle revient à réaliser des simulations en testant toutes les valeurs et combinaisons possibles de facteurs. Ceci est coûteux en temps de calcul et souvent impossible, d’où la nécessité d’utiliser des algorithmes permettant de trouver rapidement les valeurs intéressantes de ces facteurs. Le contexte de l’étude et le point de vue sur la question scientifique posée sont déterminants dans le choix des paramètres endogènes et des paramètres exogènes dans la mesure où ces derniers vont contraindre l’usage du modèle et du simulateur. Ainsi, des paramètres endogènes d’un simulateur peuvent devenir des paramètres exogènes dans un autre contexte. Prenons l’exemple d’un modèle de simulation des sols en vue d’optimiser les productions agricoles. Dans ce cadre, on considère que la répartition de la lumière, la quantité d’eau dans le sol, les éléments nutritifs, la température et le vent comme des paramètres endogènes parce que ils sont manipulables et contrôlent le comportement que l’on veut observer (i.e productions agricoles). Mais dans un contexte de gestion des maladies, ces mêmes paramètres deviennent exogènes quand ils sont les données permettant de définir les scénarios du modèle. Les paramètres endogènes peuvent être par exemple le taux d’hormones, la concurrence trophique entre les organes, etc. On remarque ici que l’un des rôles du modélisateur est de trouver un juste milieux entre la multiplication des paramètres endogènes afin d’augmenter l’explication et la réduction de ces même paramètres afin de faciliter l’utilisation et minimiser le temps consacrer à l’exploration.

Paramètre endogène vs paramètre exogène 

En statistique et économétrie [Pea09], on distingue deux sortes de paramètres. Un paramètre peut être considéré comme endogène ou exogène par rapport à une spécification d’un modèle représentant les relations causales produisant les résultats de sortie. Un paramètre est dit endogène si sa valeur est déterminée ou influencée par un ou plusieurs des paramètres indépendants. Un facteur purement endogène est un facteur qui est entièrement déterminés par l’état des autres facteurs dans le système. Si un paramètre est purement endogène, on peut remplacer ce paramètre par la composition d’autres. Dans les systèmes réels, cependant, il peut y avoir une gamme d’endogénéité. Certains facteurs sont influencés par des facteurs causals dans le système, mais aussi par des facteurs non inclus dans le modèle. Ainsi, un facteur donné peut être partiellement endogène et exogène qui n’est pas entièrement déterminé par les valeurs des autres facteurs du modèle. À l’inverse, un facteur est exogène quand sa valeur est totalement indépendante de l’état des autres facteurs dans le système. C’est un facteur dont la valeur est déterminée par des facteurs en dehors du système étudié. Donc, la catégorie des facteurs exogènes est en contraste avec ceux des facteurs purement endogènes et partiellement endogènes.

On considère un système agricole de causalité simple comme l’exemple. Le résultat que nous sommes intéressés à expliquer est la production végétale. De nombreux facteurs influencent la production végétale : la compétence agricole, des travailleurs, la variété des semences, le climat, la météo, la qualité et le type du sol, l’irrigation, les nuisibles, la température, les pesticides et les engrais, les animaux, et la disponibilité de traction. Si nous modifions les niveaux de ces paramètres, le niveau de récolte varie. Nous pouvons également remarquer, cependant, qu’il y a des relations causales entre certains mais pas tous ces facteurs. Par exemple, le niveau d’invasion de nuisible est influencé par les précipitations et engrais (positivement) et les pesticides, les travailleurs et la compétence (négativement). Donc l’invasion  de nuisible est partiellement endogène dans le système et partiellement exogène. Il est également influencé par des facteurs qui sont externes à ce système (la température moyenne, la présence de vecteurs parasites, le déclin des prédateurs, etc.). Inversement, par exemple, le facteur de précipitations est exogène au système. Il existe des facteurs qui déterminent le niveau des précipitations dans un modèle de météo si le facteur de précipitations devient endogène, mais ces facteurs ne font pas partie du modèle de causalité que nous utilisons pour expliquer le niveau de la production végétale.

Un paramètre peut être endogène en intégrant des facteurs supplémentaires et les relations causales dans le modèle causal. Il y a des interprétations causales et statistiques de l’exogénéité. L’interprétation causale est primaire, et définit exogénéité en matière de l’indépendance par rapport aux autres paramètres inclus dans le modèle. L’état du paramètre est relatif à la spécification d’un modèle et notamment les relations entre les paramètres indépendants.

L’espace des objectifs des simulateurs complexes

L’exécution d’un modèle au travers d’un simulateur produit des résultats qui répondent aux paramètres. A l’image des paramètres, les résultats, leur nature sont à la discrétion du modélisateur et de la question scientifique posée.

Les résultats (ou les observables, les variables d’objectif) sont premièrement utilisés comme les indicateurs pour la visualisation et la compréhension via le point de vue des explorateurs. Les sorties s’organisent en 2 groupes : les sorties d’aide à la décision – qui permettent la génération de nouvelles connaissances et les sorties fonctionnelles – les sorties pour tester le modèle, le simulateur etc. Premièrement, cette partie s’intéresse à étudier la façon de traduire les observables en des comportements afin d’évaluer automatiquement les configurations de variables de contrôle en appliquant des approches algorithmiques. C’est parce que pour pouvoir explorer, il faut aussi disposer d’une représentation des comportements pour exprimer de quelle façon un changement de valeur d’une ou plusieurs variables de commande influence les comportements du système, celles que l’on cherche à étudier. Deuxièmement, c’est similaire, pour l’expérience sur un système réel, cette mesure de performance est déterminée dès le début de l’expérience. Le comportement identifié par les variables d’objectif ou la mesure de performance peut-être soit des capteurs ou des moyens de collecte de données sur le terrain dans les systèmes réels, soit des données accessibles dans les systèmes simulés. Cependant, il est difficile pour un explorateur de choisir une mesure convenable pour évaluer : par exemple ce n’est pas des résultats en valeur absolue mais des mesures relatives entre un ensemble de facteurs par rapport à un autre.

Table des matières

Introduction
1 Simulateurs complexes
1.1 Notions conceptuelles
1.1.1 Systèmes complexes
1.1.2 Modélisation et simulation de systèmes complexes
1.1.3 Explorer des modèles par simulation
1.1.4 Champs d’application de l’exploration des systèmes complexes
1.2 Simulateurs complexes
1.2.1 Définition de simulateur complexe
1.2.2 Caractéristiques des simulateurs complexes
1.2.3 L’espace de décision des simulateurs complexes
1.2.4 Paramètre endogène vs paramètre exogène
1.2.5 L’espace des objectifs des simulateurs complexes
1.3 Cas d’étude
1.3.1 Élaboration d’une politique de vaccination
1.3.2 Gestion et gouvernance des ressources en eau
1.3.3 Aménagement de la ville
Discussion
2 Méthodes d’exploration des simulateurs complexes
2.1 L’exploration de simulateurs complexes
2.2 Concept et enjeux
2.2.1 Plan d’expériences
2.2.2 Le cycle d’exploration de simulateur complexe
2.3 Outils de l’exploration des simulateurs complexes
2.3.1 Exploration interactive visuelle vs exploration automatique
2.3.2 Boîte blanche vs boîte noire
2.3.3 Exploration directe vs exploration inverse
2.3.4 L’exploration inverse dans l’élaboration de politiques et de décisions robustes
2.4 Algorithmes fondamentaux d’exploration
2.4.1 Algorithme d’exploration systématique
2.4.2 Algorithme d’exploration stochastique et heuristique
2.4.3 Qualification des méthodes l’exploration
Discussion
3 Techniques et outils pour l’exploration large échelle de simulations complexes
3.1 Passage à l’échelle de l’exploration de paramètres
3.1.1 La parallélisation des algorithmes d’exploration
3.1.2 Hybridation des algorithmes
3.1.3 Stratégies coopératives
3.2 Stratégies coopératives pour l’exploration
3.2.1 Définition des stratégies coopératives
3.2.2 Taxinomie de stratégies coopératives
3.2.3 Etat de l’art de la structuration de l’exploration coopérative
3.3 Exploration large échelle par le calcul intensif
3.3.1 Etude de l’environnement de calcul intensif
3.3.2 Plate-forme pour la simulation large échelle de modèles complexes
3.3.3 Exigences de passage à l’échelle de l’exploration collaborative
4 La solution conceptuelle de la coordination des méthodes d’optimisation pour l’exploration coopérative
4.1 Une synthèse des études de l’exploration de simulateurs complexes
4.1.1 Réduire le temps de calcul avec les plate-formes intermédiaires pour le calcul intensif
4.1.2 Accélérer l’exploration par l’association des algorithmes d’exploration
4.2 Les verrous scientifiques de la thèse
4.3 GRADEA – une plate-forme pour l’exploration coopérative
4.3.1 Infrastructure logicielle de GRADEA
4.3.2 Modulation les calculs
4.3.3 Modularisation des algorithmes d’exploration
4.3.4 Coordination des algorithmes d’exploration
5 Méta-Modèle de GRADEA
5.1 Méta-modèle de GRADEA
5.1.1 Concept clés de GRADEA
5.1.2 Principe de fonctionnement de GRADEA
5.2 Agents
5.2.1 Agent d’Explorateur («ExploratorAgent »)
5.2.2 Agent de Coordinateur («CoordinatorAgent »)
5.3 Environnements
5.3.1 Espace de paramètres
5.3.2 Environnement de calcul
5.3.3 L’espace d’algorithmes
5.4 Organisations
5.4.1 Rôles
5.4.2 Groupes
5.4.3 Interactions
5.5 Exemples d’organisations
5.5.1 Coopération centralisée
5.5.2 Coopération décentralisée
Discussion
6 Plate-forme GRADEA
6.1 Une plate-forme modulaire
6.1.1 Une architecture distribuée à base de composants
6.1.2 Ajouter de nouveaux simulateurs
6.1.3 Ajouter de nouvelles ressources de calcul
6.2 Implémentation d’un module d’Exploration
6.2.1 Architecture des agents
6.2.2 Architecture logicielle modulaire
6.2.3 Algorithme de découverte des services
6.3 Implémentation d’un algorithme exploration coopératif sur GRADEA
6.3.1 Implémentation d’un algorithme d’exploration
6.3.2 Déploiement d’un algorithme d’exploration dans GRADEA
6.3.3 Echange des connaissances via messages
6.3.4 Exemple d’implémentation d’un algorithme évolutionnaire dans GRADEA
Conclusion

Télécharger le rapport complet