Systèmes complexes et systèmes multi-agents

Le travail présenté dans cette thèse concerne la modélisation et la simulation informatique des systèmes dynamiques. Notre réflexion et les développements associes se référent aux notions de système, modèle et modélisation, ainsi que de simulation. De plus, nous avons choisi la modélisation du transfert d’échelle en écologie marine comme cadre d’application, ce qui illustre ces notions dans un contexte pluridisciplinaire. Dans ce premier chapitre, nous donnons un ensemble de définitions et décrivons un ensemble de concepts qui permettent de définir le cadre général de cette thèse.

Un domaine de recherche scientifique relativement récent est l’exploration de la dynamique des systèmes complexes. Une caractéristique déterminante des systèmes complexes est leur tendance à s’auto-organiser globalement à la suite de nombreuses interactions locales. En d’autres termes, l’organisation se produit sans aucune structure ou entité d’organisation centrale. Une telle auto-organisation a été observée dans des systèmes à des échelles allant des neurones aux écosystèmes.

Un système adaptatif complexe a les caractéristiques suivantes: il persiste malgré les changements dans les divers composants individuels qui le composent; les interactions entre ces composants sont responsables de la persistance du système; et le système lui-même s’engage dans l’adaptation ou l’apprentissage (Holland, 1995). Dire qu’un système est complexe, c’est dire qu’il oscille entre l’ordre et le désordre sans se fixer dans aucun des deux états. Dire qu’un tel système s’adapte, c’est dire qu’il répond à l’information en changeant.

Système

Notre étude s’inscrit dans un courant de pensée qui propose une certaine vision du monde, la systémique. De cette vision découle une pratique particulière de l’activité scientifique. La partie proprement opératoire de l’analyse systémique est née des travaux de (Bertalaffy 1968), ou plus récemment (Forrester 1980). Elle met l’accent sur la notion du système comme faisant partie d’un tout. Jusque la, l’approche scientifique était résolument réductionniste, c’est-à-dire qu’elle procédait par décomposition du réel pour en isoler une partie qui devenait l’objet d’étude. Cette approche a trouvé ses limites dans des perspectives d’explications plus globales ou les mécanismes décrits au niveau individuel ne suffisent pas à expliquer le comportement de l’ensemble. Précisons d’abord la notion de système. P.A. (Fishwick 1995) nous donne la définition suivante:

« Un système est une partie de réalité ou opèrent le temps et l’espace et des relations causales entre les différentes parties de ce système. Nous posons nécessairement des frontières en  fabriquant un monde fermé et en identifiant clairement les éléments qui font partie du système et ceux qui l’affectent de l’extérieur. » 

Fishwick parle ici de systèmes physiques, biologiques ou sociaux (différents de systèmes de pensée par exemple). Ces types de systèmes sont effectivement ceux qui relèvent de la systémique. Nous voyons ici que la systémique se veut transdisciplinaire (ou pluridisciplinaire) en essayant de trouver des lois générales indépendantes des contextes d’applications. Cette transdisciplinarité nous intéresse particulièrement dans notre travail. La définition récente citée plus haut fait intervenir le temps mais surtout l’espace comme opérant sur l’évolution du système. Ainsi, les systèmes sont vus comme dynamiques et spatialisés, à la différence d’une vision originale essentiellement dynamique, nous nous intéressons principalement au rôle de l’espace sur la dynamique d’un système particulier. Nous retenons donc ici la définition de <système> de P.A. Fishwick. La notion d’interaction était déjà présente chez les fondateurs de la systémique. Néanmoins cette première vision insistait principalement sur les eux entre les parties (transfert de matière, d’énergie ou d’informations) et les boucles de rétroactions (le système agissant sur lui-même). Dans cette perspective, l’interaction est considérée comme un échange, comme le passage d’une quantité d’un élément du système à un autre ayant pour conséquence une transformation de ce dernier. Une évolution du courant systémique est apparue avec des travaux comme ceux d’E. (Morin 1977). Ces travaux mettent l’accent sur la notion d’auto-organisation des systèmes comme les interactions des parties. Cette évolution a donné naissance au concept d’autopoièse (un système auto-organisé tend à garder constante son organisation3). Cette vision rénovée de la systémique a elle-même donné naissance à une néo systémique, la kénétique, qui centre son objet d’étude sur les interactions entre entités et l’organisation qui en résulte dans les systèmes. Dans notre application, nous nous inscrivons plutôt dans le deuxième courant de la systémique en centrant notre étude sur les interactions entre les composants d’un système et ses conséquences sur les propriétés d’un système .

La notion de partie, élément ou entité d’un système est centrale en systémique. Un système étant lui-même une partie du monde, il se pose alors la question de la granularité ou niveau de description que l’on choisit pour représenter un système. De plus, la relation d’inclusion des parties dans d’autres parties amène à une hiérarchisation des systèmes. Cette notion implique de pouvoir observer un système à déférents niveaux d’abstraction ; elle sera centrale dans notre travail.

Systèmes complexes

Définition

Les systèmes complexes sont généralement définis en fonction de leurs caractéristiques. Ils sont formés d’un grand nombre de composants en interactions intenses les uns avec les autres, empêchant l’observateur de prévoir leur rétroaction, leur comportement ou évolution par le calcul. Ils ont des dynamiques très riches, dépourvues d’équilibre avec des modèles et des fluctuations sur un grand nombre d’échelles spatiales (pouvant varier d’un macro-niveau à un micro-niveau, allant d’une dimension stellaire à une dimension atomique) et temporelles (pouvant varier du siècle au moment spontané). Le plus frappant dans ces systèmes c’est qu’à première vue ils semblent ne rien avoir en commun. Mais, en les analysant profondément, on réalise qu’ils partagent souvent des modèles de structure et des moyens d’organisation similaires. Exemples : un groupe de machines dans une usine de fabrication, les nœuds dans un réseau P2P, un groupe de récepteurs chimiques sur une surface cellulaire ou même un groupe de personnes dans un contexte donné.

Mesures de la complexité

La théorie de la calculabilité a permis de formuler des mesures de complexité des objets . Ainsi, la complexité algorithmique donne une mesure de la variation du temps de calcul en fonction de la taille des données en entrée d’un algorithme. Cette mesure est effective est permet de comparer l’efficacité de deux algorithmes pour la résolution d’un même problème par exemple. Néanmoins, cette mesure devient difficile à calculer pour des algorithmes un tant soit peu compliqués (i.e. longs à décrire). En 1965, Kolmogorov donne une mesure de la complexité (Li and Vit´anyi 1997). Cette mesure s’applique à une chaine de symboles binaires. Nous en donnons ici la définition.

Table des matières

Introduction générale
1 Contexte de la thèse
2 Problématique
3 Objectif de la thèse
4 L’Approche proposée
5 Organisation de la thèse
Chapitre 1 Cadre théorique : Systèmes complexes et systèmes multi-agents
1 Introduction
2 Système
3 Systèmes complexes
3.1 Définition
3.2 Mesures de la complexité
4 Théorie des systèmes complexes
4.1 Définition
4.2 Caractères des systèmes complexes
4.3 Classification des systèmes complexes
5 Systèmes complexes adaptatifs
5.1 Définition
5.2 Composants du système complexe adaptatif
5. 3 Propriétés des systèmes complexes adaptatifs
5.4 Structure et comportement d’un CAS
5.4.1 Relations entre agents dans un CAS
6 Approches de modélisation des systèmes complexes adaptatifs
6.1 Qu’est ce qu’un modèle?
6.2 Emergence dans la modélisation des systèmes complexes adaptatifs
7. Systèmes multi-agents Adaptatifs
7.1 Définition
7.2 Qu’est-ce qu’un agent ?
7.3 Différents types d’agents
8.4 Architecture d’un agent
7.5. Qu’est-ce qu’un système multi-agent ?
7.5.1 Propriétés des SMA
7.5.2 L’environnement
7.6 Composition d’un SMA
7.7 Des applications de SMA
SMA et apprentissage
7.8 Théorie des AMAS (Adaptive Multi-Agent Systems)
Processus d’apprentissage par auto-organisation
Situations Non Coopératives (SNC)
7.9 Modèles agent classique
7.9.1 Outils d’aide au développement de SMA
7.9.2 Les bibliothèques d’outils : Exemple d’ADK
JADE
8. Conclusion
Chapitre 2 : Emergence et comportements émergents
1 Introduction
2 Définition
3. L’émergentisme britannique
4. D’autres sphères d’études récentes de l’émergence
4.1 Calcul émergent
4.2 Emergence en sciences cognitives
4.3 Emergence en Économie/Gestion
4.4 Vers une définition de l’émergence en SMA
5. Auto-organisation
5.1 Définition
5.2 Mécanismes des l’auto-organisation
6. Systèmes multi-agents
7 Classification de l’émergence
7.1 Chalmers
7.1.1 Émergence forte
7.1.2 Emergence faible
7.2 Boschetti et Gra
7.3 Cariani
7.4 Classification de Fromm
7.5 Discussion sur les différentes classifications
7.6 Classification unie
8 Mécanismes de l’émergence
8.1 Environnement
8.2 Agents
8.3 Comportement
8.4 Organisation
9. Exemple de phénomènes émergents
9.1 Une photo
9.2 Fourmis, termites et autres insectes sociaux
9.3 L’économie
9.4 Embouteillages de trafic routier
9.5 Automates cellulaires
10. Conclusion
Chapitre 3 : Modélisation et Approches de détection de l’émergence
1. Introduction
2. Modélisation des systèmes à propriétés émergentes
2.1 Equations différentielles
2.2 Automates cellulaires
2.3 Systèmes multi-agents
2.4 Réseaux de neurones artificiels
2.5 Apprentissage des systèmes de classification
3. Approches de détections des phénomènes émergents
3.1 Approches par variables
3.2 Approches Formelles
3.3 Approches par événements
4. Comparaison entre les approches de détection de l’émergence
5. Mesures d’interaction
6 Conclusion
Chapitre 4 Présentation de la méthodologie (EDSIM)
1 Introduction
2. Architecture de EDSIM
3 Interactions comme métrique pour identifier l’émergence
4 l’Approche de la méthodologie EDSIM
4.1 Formalisation des interactions
4.2Types d’interactions
4.3 Classification des interactions
4.4 Séquence d’interaction
5. Algorithme de détection
5.1 Couple d’interaction
5.2 Couple en cours
5.3 Couple stable
5.4 Groupe d’interaction stable
6. Détection de couples
7. Détection multiple de groupes
8. Le modèle de Boids
9. Résultats de l’expérimentation
9.1 Résultat de Classification
9.2Discussion
9. 3 Détection de couple et de flocage
10. Résultats de la détection de couple
10.1 Couple detection results
10.2 Compteur d’alignement
10.3 Discussion
11 Conclusion
Conclusion générale

Lire le rapport complet