Les systèmes multi-agents

Réseau de radio cognitive

Le domaine de télécommunication a connu une évolution technologique très rapide, ce qui a obligé les chercheurs à trouver des techniques qui permettent une meilleure exploitation des équipements matériels et logiciels. Parmi les technologies proposées, la radio cognitive, un concept qui était conçu après plusieurs technologies comme la radio logicielle. L’idée d’utiliser la radio cognitive était l’accès au spectre d’une manière opportuniste. Dans ce chapitre, nous allons présenter les réseaux de radio cognitive avec leur principe, leur architecture, leur cycle de cognition, leur fonctionnement et leurs domaines d’applications.

L’idée de la radio cognitive a été présentée officiellement par Joseph Mitola III à un séminaire à KTH, l’Institut royal de technologie, en 1998, publié plus tard dans un article de Mitola et Gerald Q. Maguire, Jr en 1999 [1]. Mitola combine son expérience de la radio logicielle ainsi que sa passion pour l’apprentissage automatique et l’intelligence artificielle pour mettre en place la technologie de la radio cognitive. Son travail consiste à décrire les radios intelligentes qui peuvent prendre des décisions de manière autonome.

Le terme radio cognitive est utilisé pour décrire un système ayant la capacité de détecter et de reconnaître son cadre d’utilisation, ceci afin de lui permettre d’ajuster ses paramètres de fonctionnement radio de façon dynamique et autonome et d’apprendre des résultats de ses actions et de son cadre environnemental d’exploitation [2]. La radio cognitive est un paradigme pour la communication sans fil. Pour une communication efficace, la radio cognitive permet de modifier ses paramètres de transmission ou de réception de manière automatique. Cette auto-configuration et auto-adaptation des paramètres sont basées sur une surveillance active de plusieurs facteurs dans l’environnement interne ou externe à la radio tels que les besoins de l’utilisateur, l’environnement radio et l’état du réseau.

Implémentation de l’application et évaluation des résultats

Un traitement séquentiel consiste à exécuter un code étape par étape, où chaque opération se déclenche que lorsque l’opération précédente est terminée, ce qui donne un temps d’exécution élevé. Pour améliorer ce temps d’exécution, un mode de traitement parallèle est conseillé où plusieurs opérations peuvent être réalisées simultanément en utilisant les threads. Dans ce chapitre, nous proposons une version parallèle de l’algorithme des k-plus proches voisins (k-ppv). L’objectif est de faire une affectation rapide des noeuds dans un réseau de radio cognitive qui est déjà organisé sous forme de clusters. Une comparaison est faite avec la version de base (séquentielle) à la fin de ce chapitre afin de montrer l’intérêt de paralléliser cette méthode.

Présentation de la méthode utilisée (K-ppv)

L’algorithme des k-plus proches voisins (k-ppv) ou k-nearest neighbors en anglais (K-NN) est une méthode d’apprentissage supervisé dédiée à la classification, elle a été considérée parmi les plus simples algorithmes d’apprentissage artificiel. Cette méthode est paramétrée par « k », le nombre de voisins à prendre en considération lors du classement d’un nouveau point. Le choix de ce paramètre est très important à la classification; si la valeur de k est petite (exemple, k=1) on risque de tomber dans des variations « aléatoires » ou « bruit » des clusters et si le contraire (la valeur de k est grande), le calcul va être lourd. Dans ce PFE, nous avons choisi k=nombre de cluster+1(choix souvent utilisé dans la littérature). L’opérateur de distance le plus souvent utilisé dans cette méthode est la distance Euclidienne; qui calcule la racine carrée de la somme des différences carrées entre les coordonnées de deux points :

Présentation de l’application

Notre application a été réalisée par une machine dotée d’un processeur Intel® Core™ i3-2348M possédant 4 CORES. C’est pour cette raison que nous sommes limités à l’affectation de seulement 4 noeuds en parallèle. Par contre, nous pouvons traiter un nombre très important de noeuds, ce nombre peut atteindre les 400000 noeuds déjà existant dans le réseau et organisé sous forme de clusters. Nous avons traité deux scénarios. Dans le premier cas, nous avons fixé le nombre des noeuds par cluster et nous avons varié le nombre de clusters. Dans le deuxième cas, nous avons fixé le nombre de clusters et nous avons varié le nombre de noeuds par cluster. Afin d’avoir plus de crédibilité dans la comparaison des résultats, nous avons pris la moyenne de dix simulations. La figure III.2 représente l’interface d’accueil de notre application.

Conclusion générale

La radio cognitive est une nouvelle technologie qui est apparue pour répondre aux besoins des utilisateurs dans le domaine de télécommunication. Ce concept a pour but d’améliorer les performances des réseaux sans fil en termes de gestion spectrale. Dans ce projet de fin d’études, nous avons utilisé la méthode k-ppv afin de réaliser une affectation rapide des noeuds RC dans un réseau de radio cognitive qui est déjà organisé sous forme de clusters. Nous avons donc proposé une version parallèle de cette méthode et nous avons comparé les résultats obtenus par rapport à la version de base (séquentielle). D’un point de vue modélisation, nous avons opté pour une approche multi-agents et nous avons choisi JADE comme plate-forme SMA pour la réalisation des différentes simulations. Les résultats obtenus montrent que la version parallèle de la méthode est plus performante que la version séquentielle. Le taux de réduction relatif au temps d’exécution de la version parallèle par rapport à la version séquentielle a dépassé les 49%, un résultat qu’on peut le considérer comme très satisfaisant. Comme perspective à ce travail, nous pensons qu’il serait intéressant de traiter un nombre plus important de noeuds à affecter mais pour cela il faut disposer d’une machine dotée de plusieurs CORES (plus de 4 CORES). Il serait aussi intéressant de traiter le cas des pannes des noeuds et comment les clusters seront modifiés suite à ces pannes. Considérer aussi des clusters mobiles serait intéressant également comme perspective.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela rapport gratuit propose le téléchargement des modèles gratuits de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

INTRODUCTION GÉNÉRALE
CHAPITRE I : Réseau de radio cognitive
I.1 Introduction
I.2 Réseau de radio cognitive
I.2.1 Historique
I.2.2 Définition de la radio cognitive
I.2.3 Principe
I.2.3.1 Utilisateurs primaires (PU)
I.2.3.2 Utilisateurs secondaires (SU)
I.2.4 Architecture de la radio cognitive
I.2.5 Cycle de cognition
I.2.5.1 Phase d’observation (détecter et percevoir)
I.2.5.2 Phase d’orientation
I.2.5.3 Phase de planification
I.2.5.4 Phase de décision
1.2.5.5 Phase d’action
I.2.5.6 Phase d’apprentissage
I.2.6 Composante de la radio cognitive
I.2.6.1 Emetteur/Récepteur
I.2.6.2 Analyseur de spectre
I.2.6.3 Extraction/apprentissage des connaissances
I.2.6.4 Prise de décision
I.2.7 Fonctionnement de la radio cognitive
I.2.7.1 Détection du spectre
I.2.7.2 Gestion de spectre
I.2.7.3 Mobilité du spectre
I.2.8 Domaines d’application de radio cognitive
I.3 Conclusion
CHAPITRE II : Les systèmes multi-agents
II.1 Introduction
II.2 Agent
II.2. Définition d’un agent
II.2.2 Caractéristiques des agents
II.2.3 Typologies des agents
II.2.3.1 Agents réactifs
II.2.3.2 Agents cognitifs
II.2.3.3 Agents hybrides
II.2.4 Domaines d’application des agents
II.3 Système Multi-Agents
II.3.1 Définition
II.3.2 Caractéristiques des SMA
II.3.3 Utilisation d’un SMA
II.3.4 Application des SMA
II.4 Environnement
II.4.1 Propriétés de l’environnement
II.5 Interactions entre agents
II.5.1 Coopération entre agents
II.5.2 Coordination entre agents
II.5.3 Négociation entre agents
II.6 Communication entre agents
II.6.1 Protocole d’interaction entre agents
II.6.2 Transport de messages
II.6.3 Langages de communication entre agents
II.7 Plateformes des SMA
II.8 Conclusion
CHAPITRE III : Implémentation de l’application et évaluation des résultats
III.1 Introduction
III.2 Présentation de la méthode utilisée (k-ppv)
III.2.1 Principe de fonctionnement
III.3 Algorithme proposé
III.4 Outils utilisés
III.4.1 JADE
III.4.2 JFreeChart
III.5 Présentation de l’application
III.6 Résultats obtenus
III.6.1 Nombre de noeuds fixe par cluster
III.6.2 Nombre de clusters fixe
III.7 Conclusion
CONCLUSION GÉNÉRALE
RÉFÉRENCES BIBLIOGRAPHIQUES
LISTE DES ILLUSTRATIONS
LISTE DES ABRÉVIATIONS
ANNEXE