Simulation multi agents d’un comportement

Simulation multi agents d’un comportement

humain face à une situation d’urgence

République algérienne démocratique et populaire

Ministère de l’enseignement supérieur et de la recherche scientifique

Université des sciences et de la technologie d’Oran Mohamed Boudiaf USTOMB

Faculté des sciences

Département d’informatique

Ingénierie des logiciels et

des réseaux Option :

Pour l’obtention du diplôme de Magister

Thème :

Spécialité : informatique

Mme BENKHEDDA Samira

Mémoire présenté par

Devant le jury composé de:

Qualité Nom & Prénom Grade Etb d’origine

Examinateur Rahal Sidi Ahmed Maitre des conférences A USTO- MB

Soutenu publiquement en février 2012

Président Benyettou Mohamed Professeur USTO- MB

Rapporteur Bendella Fatima Maitre des conférences A USTO- MB

Examinatrice Mekki Rachida Maitre des conférences A USTO- MB

Invitée Mekkakia Zoulikha Maitre des conférences B USTO- MB

Remerciements

DEDICACES

J’ai l’honneur de dédier ce modeste travail aux deux héros de ma vie : mes

parents sans lesquels je ne serai jamais la femme que je suis.

Ce travail est le couronnement de leur présence quasi constante, de tous

les sacrifices qu’ils ont consentis pour moi, et les efforts qu’ils ont fait

pour mon éducation ainsi que ma formation.

A mes anges gardiens, mes très chères sœurs : Fouzia, Fatima et Wahiba,

d’avoir toujours été à mes côtés, leur soutien moral fut très important

pour moi.

A mes beaux frères et spécialement à mes neveux bien aimés « Chemssa »,

« Islem » et « Oussama », ainsi qu’à toutes mes belles sœurs.

A ma famille « BENKHEDDA » et ma belle famille « GHEDAIDIA » pour

leurs encouragements, sans oublier la précieuse aide de mon cher mari

«Mohammed », de tous les sacrifices qu’il a consentis pour me permettre

de suivre mes études dans les meilleures conditions.

A tous ceux qui m’ont tenus compagnie et qui m’ont entouré de leur

sympathie et de leur sollicitude, mes chères amies. Ainsi qu’à mes

collègues du laboratoire.

Sans oublier tous mes professeurs depuis le cycle primaire. Aux gens qui

m’aiment et m’estiment…

Un petit clin d’œil à mon poussin Issam…

Benkhedda samira

Table des matières

Introduction générale .......................................................................................................................... 10

Organisation du document ................................................................................................................. 11

CHAPITRE 1 ....................................................................................................................................... 12

I. Introduction ................................................................................................................................... 13

II. La simulation informatique ...................................................................................................... 13

II.1. La théorie de la simulation ................................................................................................... 13

II.2. Les types de la simulation .................................................................................................... 14

II.3. Système multi-agents (SMA) ............................................................................................... 15

III. La simulation multi-agents .............................................................................................................. 15

III.1 Définition................................................................................................................................... 15

III.2 Les objectifs de la simulation multi-agents ............................................................................... 16

III.3 Modélisation et implémentation d’une simulation multi agents ............................................... 16

III.4 L’interaction dans les simulateurs ............................................................................................ 17

IV. Simulation multi-agents d’une situation d’urgence ........................................................................ 19

IV.1 Les phases de la simulation ..................................................................................................... 20

IV.1.1 Compréhension de la situation : analyse de la tâche et de l'activité ................................... 20

IV.1.2 Simulations formelles ........................................................................................................ 20

IV.1.3 Simulation en grandeur nature .......................................................................................... 21

IV.2 Outil de simulation de la dynamique de crise ........................................................................... 22

IV.3 Objectifs et avantages .............................................................................................................. 22

V. La simulation des systèmes complexes ............................................................................................ 24

VI. Conclusion....................................................................................................................................... 24

CHAPITRE 2 ...................................................................................................................................... 25

I. Introduction ................................................................................................................................... 26

II. Définitions des Systèmes Multi-Agents .......................................................................................... 26

II.1 Les avantages ............................................................................................................................ 27

II.2 Les agents ................................................................................................................................... 28

III. IDESS: Système de simulation multi agents pour le développement rapide des maladies

infectieuses ........................................................................................................................................... 38

III.1 Présentation du modèle ............................................................................................................. 38

III.2 Contexte..................................................................................................................................... 38

III.3 Implémentation SMA ................................................................................................................ 38

IV. IFI: Système à base d’agents pour l’évacuation de bâtiment dans le cas d’incendie ................. 39

IV.1 Présentation du modèle ............................................................................................................. 39

IV.2 Contexte .................................................................................................................................... 40

IV.3 Implémentation SMA ................................................................................................................ 40

V. Etude comparative ............................................................................................................................ 41

CHAPITRE 3 ....................................................................................................................................... 44

I. Introduction ................................................................................................................................... 45

II. Définitions officielles ............................................................................................................... 45

II.1. E-Learning ............................................................................................................................. 45

II.2. M-learning ............................................................................................................................. 45

III. Les Caractéristiques du M-learning .......................................................................................... 45

III.1. La mobilité ........................................................................................................................ 45

III.2. Le Lieu de formation ......................................................................................................... 46

III.3. Le Contexte de la formation .............................................................................................. 47

III.4. Les types de dispositifs ...................................................................................................... 47

IV. Les avantages du M-learning..................................................................................................... 47

V. Inconvénients ................................................................................................................................ 48

V.1. La nature de la mobilité ......................................................................................................... 48

V.2. Limites de l’interface d’accès ................................................................................................ 48

V.3. Faiblesse de la bande passante .............................................................................................. 49

V.4. Diversité des équipements ..................................................................................................... 49

VI. Les types de dispositifs mobile utilisés pour le M-learning ...................................................... 49

VII. Exemple d’applications du M-Learning .................................................................................... 49

VII.1. Apprentissage des langues (projet ELDIT) ....................................................................... 49

VII.2. Amphi interactif................................................................................................................. 50

VII.3. Bureau Virtuel étudiant (BVE) ......................................................................................... 50

VII.4. Apprentissage collaboratif à domicile (projet Genius) ...................................................... 51

VII.5. Apprentissage sur le terrain (projet Gipsy)........................................................................ 51

VII.6. HMTD : Apprentissage sur le lieu de travail ..................................................................... 51

VII.7. Kidsroom ........................................................................................................................... 52

CHAPITRE 4 ....................................................................................................................................... 53

I. Introduction ........................................................................................................................................ 54

II. Présentation de notre système ........................................................................................................... 54

II.1 Le cas d’urgence utilisé .............................................................................................................. 54

II.2 Les cas d’urgence en Algérie ..................................................................................................... 54

II.3 La réanimation cardiorespiratoire (CPR) ................................................................................... 55

II.4 Les signes de la crise cardiaque .............................................................................................. 55

II.4 L’architecture de notre système ................................................................................................. 56

III. Pourquoi un agent BDI ? ................................................................................................................. 57

III. Le fonctionnement de l’agent non expert comme agent BDI ................................................... 58

V. L’application Mobile ........................................................................................................................ 60

V. 1 La 1ère

étape A .......................................................................................................................... 61

V. 2 La 2ème

étape B.......................................................................................................................... 62

V. 3 La 3ème

étape C.......................................................................................................................... 62

VI. Complex SIMUL avec l’application Mobile ................................................................................... 63

VII. Conclusion ..................................................................................................................................... 64

CHAPITRE 5 ....................................................................................................................................... 65

I. Introduction ....................................................................................................................................... 66

II. Présentation de l’application ............................................................................................................ 66

III. Conclusion ....................................................................................................................................... 71

Conclusion générale ............................................................................................................................ 72

ANNEXES ............................................................................................................................................ 75

Annexe 1 : La plateforme NetLogo ................................................................................................... 76

Annexe 2 : La plateforme JADE ....................................................................................................... 78

Annexe 3 : JADE-LEAP ................................................................................................................... 80

Bibliographie ........................................................................................................................................ 82

Liste des figures

Chapitre 1

Figure 1 : Vue d’ensemble de la simulation informatique……………………… …...14

Figure 2 : Une simulation multi-agents……….. …………………………………….17

Figure 3 : Site de l’intervention de crise majeure………………………………..…...21

Chapitre 2

Figure 4 : Modèle d’un SMA………………… ………………………………...……26

Figure 6 : Cycle Perception / Délibération/ Action d’un agent cognitif ….………….31

Figure 7 : Architecture BDI d’un agent ….……………………………………….….33

Figure 7: Architecture PRS…………………………………………………………...35

Figure 8 : ArchitectureBDI…………………………………………………………...35

Figure 9: Structure générale du mécanisme de raisonnement………………………...36

Figure 10 : Le cycle d'exécution d'un agent BDI…………………………………….37

Figure11: L’interaction entre l’agent personne PA et l’agent ville TA dans

l’environnement de la simulation…………………………………………………….39

Chapitre 3

Figure 23: page d’accueil du site BVE……………………………………………......49

Chapitre 4

Figure 13 : Le simulateur Complex SIMUL… ...…………………….… .……….….56

Figure 14 : L’agent BDI de Complex SIMUL…………………..……………………58

Figure 15 : L’étape A...……………………………………………………………….60

Figure 16 : L’étape B...……………………………………………………………….61

Figure 17 : L’étape C...……………………………………………………………….61

Figure 18 : Complex SIMUL avec l’application Mobile ……………………….……62

Chapitre 5

Figure 19 : La présentation des agents de Complex SIMUL…………………………65

Figure 20: La présentation de l’environnement………………………………………66

Figure 21 : Le démarrage de la crise cardiaque………………………………………67

Figure 22 : Le démarrage du secourisme selon la notion de la priorité et la distance..68

Figure 23 : L’écran d’accueil de l’application mobile………………………………..69

Figure 24 : Exemple d’une question posée au secouriste (étape A) et d’une réponse par

oui……………………………………………………………………………………..69

Figure 25 : Exemple d’une solution d’une réponse par oui…………………………..70

Figure 26: Exemple d’une question posée au secouriste (étape A) et d’une réponse par

non……………………………………………………………………………………70

Figure 27 : Exemple d’une solution d’une réponse par non (étape B)……………….71

Introduction générale

La simulation est longtemps été dominée par les approches basées sur les équations qui

ne décrivent pas le comportement du système, jusqu’à l’émergence des approches orientées

agents. Ces systèmes multi agents sont de plus en plus utilisés pour étudier la complexité

des phénomènes naturels ou sociaux.

Mais la question qui se pose c’est comment on peut freiner la complexité des modèles et

la cognition des agents est encore négligée ? alors la problématique que nous allons abordé est

centrée sur l’importance de cette intelligence dans certains systèmes multi agents et en

particulier dans les simulations à base d’agents qui nécessitent le paradigme de raisonnement

pratique des êtres humains, surtout les simulations des situations de crises majeures qui sont

généralement très difficiles à gérer, de par leurs complexités ou l’ampleur des dégâts du côté

secours.

C’est dans ce contexte que nous allons présenter une simulation multi agents d’un

comportement humain face à une situation d’urgence médicale qui est la crise cardiaque parce

que si aucun geste de secours n’est réalisé immédiatement et si les secours n’interviennent

pas rapidement, la vie de la victime est menacée à court terme. Nous allons décrire les

fonctionnalités de notre simulation en déterminant la valeur scientifique du projet et en

identifiant nos agents, leurs rôles et les interactions entre eux.

Nous proposons un état de l’art sur les simulations multi agents sociales en faisant une

étude comparative entre un système de simulation multi agents pour le développement rapide

des maladies infectieuses et un système d’évacuation de bâtiment dans les cas d’urgence.

La solution que nous proposons est de réaliser une simulation multi-agents et une application

M-Learning qui est souple et suffisamment intuitive pour permettre au sauveteur des premiers

secours de sauver la vie d'une victime de crise cardiaque parce que la vitesse de traitement est

très importante, en facilitant la compréhension de la complexité résultant de la simulation qui

s’intéresse au comportement sociale d’entités complexes.

Nous avons réalisé un nouveau simulateur nommé « Complex SIMUL » au niveau

duquel nous avons tenté d’apporter une nouvelle approche pour les systèmes multi agents

dans un cas d’urgence médical en se basant sur le raisonnement pratique de l’être humain et

en utilisant la notion de la simulation des systèmes complexes. Nous allons mettre en place

une simulation multi agents sociale ; dans laquelle l’acteur actif va apprendre à travers une

application mobile et il va enrichir sa base de connaissances d’une façon cognitive en

s’adaptant aux modifications de son environnement et à l’évolution des interactions entre les

agents du modèle. Le type d’agent utilisé représente le processus de raisonnement et de

décision, l’architecture BDI (Beleifs, Desire and intentions) répond bien à ses critères. Notre

application « Complex SIMUL » répond aux exigences suivantes :

Simuler une nouvelle approche pour diminuer la complexité des situations d’urgence

médicales.

Chercher des outils pour décrire les comportements sociaux dans des situations

d’urgence.

Intégrer le processus de raisonnement pratique et de décision.

Formaliser une solution méthodologique pour guider le secouriste pendant

l’apprentissage.

Organisation du document

Ce mémoire se compose de cinq chapitres essentiels. Dans le premier chapitre, nous

exposons le monde de la simulation multi agents des situations d’urgence et ses notions de

bases.

Le deuxième chapitre présente un état de l’art sur les agents et les simulations multi

agents des cas d’urgences avec une étude comparative.

Dans le troisième chapitre le domaine de l’apprentissage mobile est présenté de sorte à

nous permettre de choisir ses meilleures stratégies pour que notre simulateur se rapproche le

plus possible de la réalité.

Le quatrième chapitre concerne la conception qui donne une présentation de notre

simulateur ainsi que les agents le constituant et l’architecture détaillée. Nous avons utilisé une

méthodologie de conception de notre simulation des systèmes complexes. Nous avons mis en

place une simulation multi-agents et une application M-Learning qui est souple et

suffisamment intuitif pour permettre au sauveteur de premiers secours de sauver la vie d'une

victime d'une crise cardiaque parce que la vitesse de traitement est très importante.

Le cinquième chapitre est consacré aux choix techniques de l’implémentation, ainsi que

la réalisation informatique d’un point de vue utilisateur.

CHAPITRE 1 Chapitre : 01

Simulation multi agents

des situations d’urgence

CHAPITRE I Simulation multi-agents des situations d’urgence

Page 13

I. Introduction

Le champ de recherche sur la simulation de sociétés en interaction avec leur

environnement se développe grâce à des nouvelles méthodes comme les systèmes multi-

agents (SMA) permettent de créer des unités virtuelles sur lesquelles on étudie les effets

d’interactions entre différents comportements dans un état de ressources naturelles.

On retrouve que les responsables de la gestion des secours perdent rapidement la

possibilité d’évaluer la situation en particulier le nombre de blessés, leur situation

géographique, etc…

Les simulations qui sont basées sur la représentation orientée agents permettant de

décrire aussi bien les caractéristiques de la situation que l’ensemble des actions pouvant être

réalisées par les acteurs de terrain.

Ces outils ont été utilisés dans un premier temps pour la conception de centre de

régulation d’urgence puis dans un second temps pour la simulation de situation d’intervention

et de réflexion sur les méthodes de coordination de crises majeures.

I. La simulation informatique [1]

La simulation est l'un des outils permettant de simuler des phénomènes réels. Dans le

but principal :

• d’étudier un système réel de manière à comprendre son fonctionnement interne et/ou

à en prévoir son évolution sous certaines conditions.

• Cette étude se fait nécessairement à travers un modèle du système réel qui est utilisé

pour réaliser les expérimentations.

I.1. La théorie de la simulation [1]

La simulation informatique nécessite les facteurs suivants :

Système source : le phénomène que l’on souhaite étudier.

Cadre expérimental : spécifications des conditions d’observation du système et des objectifs

de la simulation.

Modèle : l’ensemble des instructions qui permettent de générer à l’aide d’un programme

informatique le comportement du système au cours du temps.

Simulateur : le programme informatique capable d’exécuter le modèle et de produire son

comportement.


Page 14

Figure 1 : Vue d’ensemble de la simulation informatique

I.2. Les types de la simulation [2]

On peut distinguer trois catégories de simulations :

a) La simulation continue : où le système se présente sous la forme d'équations

différentielles à résoudre. Elle permet de suppléer à la résolution analytique quand

celle-ci est impossible. Effectuée au départ sur des calculateurs analogiques, elle s'est

effectuée aussi sur des ordinateurs ainsi que des machines hybrides, et un troisième

type de calculateurs qui n'a pas eu de lendemain, les calculateurs stochastiques.

b) La simulation discrète : dans laquelle le système est soumis à une succession

d'évènements qui le modifient. Ces simulations ont vocation à appliquer des principes

simples à des systèmes de grande taille. La simulation discrète se divise en deux

grandes catégories :

asynchrone: on simule à chaque fois le passage d'une unité de temps sur tout le

système.

synchrone: on calcule l'arrivée du prochain événement, et on ne simule pas événement

par événement, ce qui permet souvent des simulations rapides, bien qu'un peu plus

complexes à programmer.

c) La simulation par agents : où la simulation est segmentée en différentes entités qui

interagissent entre elles. Elle est surtout utilisée dans les simulations économiques et

sociales, où chaque agent représente un individu ou un groupe d'individus. Par nature,

son fonctionnement est asynchrone.


Page 15

I.3. Système multi-agents (SMA) [2]

Un système multi-agents (SMA) est un ensemble d'agents situés dans un certain

environnement et interagissant selon une certaine organisation. Un agent est une entité

caractérisée par le fait qu'elle est, au moins partiellement, autonome.

On distingue généralement trois types d'utilisation : la simulation de phénomènes complexes,

la résolution de problème, et la conception de programmes.

La simulation de phénomènes représente et simule des systèmes faisant intervenir un

grand nombre d’individus et explique de l’impact du comportement individuel sur le

niveau global, expressivité…Exemple : Modéliser des environnements virtuels : jeux

vidéo (multi-joueurs).

La résolution de problème contrôle de processus distribué sans centralisation et

résolution collective de problème.

La conception de programmes fait inter-opérer des logiciels avec des êtres humains

et des systèmes mécaniques : commerce électronique. Négociation bilatérale, de

contrats, par exemple : un agent qui représente l’acheteur / vendeur avec différents

comportements.

III. La simulation multi-agents [2]

III.1 Définition

La simulation multi-agents est une simulation qui emploie le concept des systèmes

multi-agent dans la conceptualisation, les spécifications et l'exécution.

La simulation multi-agents : Agents+Interactions+Environnement.

Système multi-agents est utilisé comme un produit de remplacement pour autre

système, le système multi-agents original. Elle utilise le temps virtuel, Système multi-agents

simulé vive dans un environnement simulé La simulation multi-agents représente directement

les individus, leurs comportements, leurs actions dans l’environnement et leurs interactions.

Chaque individu est appelé un agent et représente une entité autonome, réactive, sociale,

proactive.

La simulation multi-agents est une simulation qui emploie le concept des systèmes multi-

agent dans la conceptualisation, les spécifications et l'exécution. Un système multi-agents

simulé vive dans un environnement simulé, La simulation multi-agents représente directement

les individus, leurs comportements, leurs actions dans l’environnement et leurs interactions.

La simulation multi agents est considérée comme l’association des Agents, Interactions et


Page 16

Environnement. Elle représente la complexité d'un phénomène à travers l'interaction d'un

ensemble d'entités simples appelées agents.

III.2 Les objectifs de la simulation multi-agents

L’objectif de la simulation multi-agents est

D’inférer sur la nature du fonctionnement des entités d’un système complexe :

Une fourmilière : comprendre comment des comportements apparemment très

simples engendrent des systèmes très complexes (émergence).

Dans ce cas : on cherche à découvrir le fonctionnement des comportements.

D’analyse du système:

Un ensemble de robots explorateurs : on connait la structure interne des robots.

Dans ce cas : on peut prévoir/étudier le comportement global du système

(amélioration).

III.3 Modélisation et implémentation d’une simulation multi agents

Une simulation multi-agent consiste à distribuer les données, les connaissances et le

contrôle sur un ensemble d’agents. Les agents évoluent simultanément au fil du temps pour

réaliser une ou plusieurs taches. Ils ont une vision locale de l’environnement via leurs

capteurs et ils agissent localement via leurs effecteurs.

Une simulation multi-agents fait intervenir un ensemble d’agents, un modèle de

comportement pour les agents, un modèle de l’environnement, et un modèle de l’interaction

entre les agents et l’environnement et éventuellement entre les agents eux-mêmes.

Le modèle de l’interaction agent/agent n’est pas obligatoire parce que cette interaction

peut se dérouler indirectement via l’environnement. Il est suffisamment d’intégrer un

mécanisme de gestion des actions simultanées des agents au niveau du modèle d’interaction

agent/environnement.

Pour implémenter une simulation multi-agents, il est nécessaire de dérouler des

modèles suivants:

Le modèle de l’espace (l’environnement) pour la description de l’environnement

Le modèle de temps pour décrire l’évolution de la simulation au cours du temps

Le modèle de l’interaction agent/environnement qui décrit la dynamique du système

(comportements des agents) contrôlé


Page 17

Figure 2 : Une simulation multi-agents

III.4 L’interaction dans les simulateurs [2]

Il y a trois types d’interactions principales :

a) L’interaction homme/agents

La simulation multi-agents pose certain problème et notamment au niveau du

comportement des agents. Ce dernier peut être trop simpliste réduisant ainsi l’émergence de

phénomènes et d’organisations sociaux. Il reste très difficile de modéliser, même de manière

simplifiée, des règles d’actions pertinentes. Les difficultés proviennent de la formalisation des

comportements des agents d’après les observations. Deux problématiques doivent être

résolues à savoir :

• Quelles perceptions possibles pour les agents ?

Nous devons décrire leur capacité à percevoir ce qui les entoure. Nous définissons ici

l’échelle de visualisation à savoir le niveau de considération des autres agents : niveau global

ou individuel. Cela modifiera radicalement les interactions et l’évolution de la plate-forme.

• Quelle granularité pour les actions ?

Elle correspond à un changement de l’état interne de l’agent ou/et de l’environnement.

Encore une fois les actions peuvent intervenir à différents niveaux : sur tous les agents en

même temps, au niveau individuel…

Il est très difficile d’inculquer un comportement humain à des agents. Pourtant grâce à ces

agents, placés dans certain environnement, nous recréons de manière simplifiée des

phénomènes naturels et donc des interactions existantes entre les hommes. Mais le grand

problème de ces simulations provient de la modélisation des connaissances et des


Page 18

comportements des agents. Afin de résoudre ces problèmes et de rendre plus réaliste les règles

d’actions, il est possible d’utiliser la conception participative et la simulation participative. Ils

font intervenir des utilisateurs humains qui modifieront les décisions des agents selon leur

propre expérience et croyance. Ils permettent d’accroître la fiabilité du modèle en travaillant

directement avec des experts du milieu. Dès le départ, les modèles sont remis en questions par

les experts qui critiquent les différents paramètres ce qui permet une amélioration jusqu’à

obtenir l’approbation des deux équipes. D’un autre côté la simulation participative intervient

en aval et couple l’apprentissage des agents aux actions commandées directement par un être

humain comme nous le verrons par la suite.

b) La simulation participative

Ce concept est né de travaux sur la formalisation des connaissances acquises par les êtres

humains. Il propose de faire participer des acteurs, détenteurs d’informations à transmettre

aux agents, à des jeux de rôle aussi bien papier qu’informatique. Les participants face à

certaines situations proposeront des solutions que l’avatar (agent conversationnel animé), si

elles sont pertinentes, tentera de comprendre et d’apprendre. Un enrichissement de sa base de

connaissances apparaît permettant d’obtenir des comportements plus réalistes. L’homme entre

directement dans la boucle d’apprentissage puisqu’il servira de ‘professeur’ en réprimandant

ou encourageant telle ou telle actions. A ce niveau se pose le problème de la mise en situation

des joueurs qui doit rester assez immersive pour que ce dernier transmette le maximum de son

savoir à la machine. Grâce à cette technique, des participants humains pourront accroître les

champs d’action de nos agents rendant plus réalistes les simulations intrinsèques aux scènes

d’intérieures. Leurs connaissances évolueront dans le temps, les agents devront être capables

d’apprendre et de remettre en question leur base de connaissances en fonction des indications

apportées de l’extérieur. Une solution existante consiste à placer les ‘enseignants’ dans le

cadre de la simulation grâce à un jeu de rôle. Cela créera un véritable dialogue maître-apprenti

(acteur et avatar représentant une seule entité) que les agents exploiteront pour extraire des

connaissances.

Un outil facilitant la mise en place de la simulation participative respecte différents critères

afin de fonctionner correctement:

• Une interface homme-machine avec assistant

Elle permet de plonger le joueur dans la simulation afin de stimuler son implication. Ses

décisions n’en seront que plus judicieuses et enrichisseront énormément l’apprentissage de

l’agent.


Page 19

• Joueur expert/ assistant et agent

L’acteur vivant et son avatar ne forment qu’une seule entité au sein du programme. De ce

fait les décisions seront prises par l’un ou l’autre sans que cela influe le déroulement du

programme.

• Interaction maître apprenti

L’homme, en prenant possession de l’agent (devenu avatar), effectuera des actions qui

serviront de modèle à l’avatar. Il calquera son comportement sur celui de l’utilisateur :

apprentissage par imitation. Il enrichira sa base comportementale à partir des informations

fournies par le joueur.

• Amélioration des comportements des agents

L’intervention d’un joueur humain a pour but principal d’enrichir les connaissances

d’un agent et donc son champ d’action dans son environnement. Il réagira plus justement aux

évènements qui surviendront et cela grâce à son apprentissage assisté.

C. L’interaction homme/environnement

Dans la simulation multi-agents, les modifications de l’environnement est réalisé à

l’intérieur du simulateur mais nous avons besoin aussi de modifier ou mettre à jour

l’environnement et d’obtenir des informations de l’environnement par des utilisateurs

humains. Normalement, nous pouvons résoudre ce problème avec une interface homme-

machine qui est utilisée souvent dans des systèmes SIG (Système d’informations

Géographiques).

IV. Simulation multi-agents d’une situation d’urgence [2]

Ces simulations sont basées sur la représentation orientée agents permettant de décrire

aussi bien les caractéristiques de la situation que l’ensemble des actions pouvant être réalisées

par les acteurs de terrain.

Ces outils ont été utilisés dans un premier temps pour la conception de centre de

régulation d’urgence puis dans un second temps pour la simulation de situation d’intervention

et de réflexion sur les méthodes de coordination de crises majeures. Ensuite la mise en place

d’outils informatiques et de communication ayant pour objectif d’aider les professionnels de

l’urgence à gérer les problèmes en temps réel. Le dispositif vise à présenter en temps réel et


Page 20

sur les lieux de crise des données dynamiques sur les victimes, leur état, leur situation

géographique, les ressources disponibles, etc.

De point de vue technologique, les intervenants peuvent télétransmettre en temps réel

les données médicales sur les victimes et éventuellement sur les caractéristiques de la

situation rencontrée grâce à des terminaux communicants.

Ces deux approches s’articulent dans la mesure où l’outil de simulation est aujourd’hui

exploité afin d’évaluer les différents modes organisationnels possibles ainsi que l’impact des

nouvelles technologies de l’information et de la communication sur l'activité des équipes de

secours.

IV.1 Les phases de la simulation [2]

On peut distinguer trois étapes principales :

IV.1.1 Compréhension de la situation : analyse de la tâche et de l'activité

La première phase consiste à se familiariser avec la situation étudiée. Pour ce faire, deux

étapes successives sont possibles. La première consiste à faire une analyse de la tâche c'est à

dire à aboutir à une description des caractéristiques de la situation de travail étudiée et des

modalités prescrites pour y faire face. Cette analyse se fait sur la base de document divers

allant des documents officiels (décrivant par exemple les fonctions associées à chaque statut

ou les protocoles de secours) aux revues professionnelles. De nombreuses informations

peuvent aussi être recueillies lors d'entretien avec les professionnels de l'urgence impliqués

dans les situations étudiées.

Cette phase d'analyse de la tâche est complétée par une phase d'analyse de l'activité

pendant laquelle l'accent est mis sur la façon dont le travail se déroule réellement. Il s'agit

d'identifier les difficultés rencontrées par les professionnels de l'urgence pour y apporter des

solutions.

L'observation de terrain des situations de travail constitue l'outil privilégié d'analyse de

l'activité.

IV.1.2 Simulations formelles

Cette approche méthodologique a été utilisée pour l'étude de la réorganisation

architecturale d'un centre de régulation SAMU. Cette étape méthodologique consiste à

développer un modèle formel de la situation qui puisse être utilisé pour le développement

d'une simulation informatique. Basée sur l'analyse de la tâche et de l'activité, le modèle

spécifie les attributs et les actions de chaque agent important de la situation de travail. Ainsi


Page 21

pour chaque professionnel de l'urgence, il est nécessaire de spécifier le travail à réaliser et les

exigences sociocognitives nécessaires pour réaliser ce travail.

Les simulations informatiques que nous décrivons ont pour but de tester divers modes

organisationnels pour la gestion des ressources en situation de crise. Il s'agira donc de

reproduire des situations simulant l'organisation courante pour les comparer à des simulations

reproduisant des organisations possibles d'utilisation du nouveau dispositif. Cette approche

permettra d’envisager une expérimentation sur le terrain en situation recrée.

IV.1.3 Simulation en grandeur nature

L'objectif de cette phase de la méthodologie est de reproduire une simulation aussi

proche que possible de la réalité. Dans cette optique, les résultats issus de la simulation

informatique seront utilisés pour sélectionner les modes organisationnels pertinents. Ces

modes organisationnels seront reproduits en situation quasi réelle et comparés pour juger de

leur intérêt en vraie grandeur.

Le but d'une telle approche est de permettre aux utilisateurs de visualiser leur activité

future et de mettre à jour le mode de coopération développé sous chaque type de condition

(avec ou sans réseau) ainsi que les futures conditions (ou limites) d'usage. A l'heure actuelle,

une partie de l'étude a consisté à réaliser des expérimentations pour observer les effets de

l'introduction de la technologie vidéo sur l'activité des opérateurs. A plus long terme, une

simulation de gestion de crise majeure sera réalisée avec la même méthodologie pour tester en

grandeur nature les concepts proposés.

I.1. Exemple

Figure 3 : Site de l’intervention de crise majeure


Page 22

La figure 3 illustre une organisation du réseau: Le médecin peut acquérir des données

médicales sur son terminal « SMURscript » et les télécharger sur une puce électronique qui

restera associée au patient depuis sa prise en charge jusqu’à son arrivée à l’hôpital. Il sera

également possible de télétransmettre des images vidéo au PC de Régulation (où Centre de

Tri) pour un diagnostic coopératif à distance. La puce communicante assurera un bon suivi

médical du patient sur le terrain alors que la télétransmission des dossiers personnels par le

réseau local sans fil permettra aux médecins du PC de régulation d’avoir une vision globale de

la situation. Des données physiologiques pourront également être enregistrées, visualisées et

transmises au PC de régulation et éventuellement dans un hôpital à partir de SMURscript.

IV.2 Outil de simulation de la dynamique de crise [3]

La simulation multi-agents est fondée sur l'idée qu'il est possible de représenter sous

forme informatique le comportement des entités qui agissent dans le monde et qu'il est ainsi

possible de représenter un phénomène comme le fruit des interactions d'un ensemble d'agents

disposant de leur propre autonomie opératoire. La modélisation à partir d’agents distribués

s’est considérablement développée depuis ces dernières années notamment dans le domaine

de l’économie, la biologie, l’écologie et les sciences humaines et sociales.

L’intérêt de cette approche est de pouvoir expliquer les phénomènes macroscopiques

(comportements collectifs à partir d’une description simple des interactions élémentaires entre

les éléments constitutifs du système étudié). Il est ainsi possible de voir « émerger » des

comportements collectifs ou événements difficilement prévisibles sur la base d’une prédiction

basée sur l’expérience.

Certains travaux illustrent cette approche dans le domaine de la gestion de l’urgence

telle que la simulation d’incendie dans un tunnel de métro, ou la simulation d’un tremblement

de terre. Toutes ces études cherchent à étudier de manière la plus réaliste possible les

accidents majeurs en vue d’aider à la conception des plans de secours d’urgence efficaces.

Une grande attention est portée au type de l’accident (environnement dynamique), aux civils

(victimes potentielles) et surtout à une meilleure organisation du secours en optimisant les

interventions collaboratives des secouristes et l’utilisation des ressources.

IV.3 Objectifs et avantages [3]

La simulation multi-agents présente de nombreux avantages permettant de supporter le cycle

de conception des systèmes coopératifs complexes tels que les situations de crises majeures.


Page 23

Le premier avantage de la modélisation multi-agents repose sur sa « simplicité ». Il

s'agit de déterminer un certain nombre de paramètres (nombre de victimes, état de chaque

victime, nombre de secouristes…), reliés entre eux par des règles implémentées dans le

simulateur pour représenter la dynamique de l'environnement reproduit. Plus particulièrement,

cette approche consiste à doter un certain nombre d'agents hétérogènes d'ensembles de règles

simples gouvernant les interactions entre les agents eux-mêmes et entre les agents et leur

environnement. Une fois les paramètres et les règles implémentés, il est facile de réaliser un

nombre illimité de simulations. La simulation multi-agents permet donc de reproduire à

volonté des situations difficilement reproductibles ou qui seraient coûteuses à mettre en place.

De façon similaire, la simulation multi agents permet aussi de tester différentes

configurations de situation en faisant varier les paramètres à souhait. Cette caractéristique

s'avère particulièrement utile lorsqu'il s'agit de tester la mise en place d'un nouveau dispositif

pouvant avoir des incidences sur la vie d'autrui.

Un autre avantage important concerne la dimension d'émergence des simulations

multi-agents. Une des propriétés essentielle des systèmes distribués est que les règles

d’évolution du système ne sont pas définies à un niveau macroscopique (règles ou lois

définissant le comportement global du système) mais à un niveau microscopique (interactions

sociales et environnementales locales): c'est le jeu des interactions locales entre les différents

acteurs et leur environnement qui va progressivement faire « émerger » des propriétés

globales du système. Lors d'une simulation, des phénomènes non anticipés peuvent apparaître

permettant d'opter pour une solution nouvelle ou au contraire d'abandonner une solution

envisagée. La simulation multi-agents permet donc de mieux anticiper les dimensions d'usage

d'un nouvel outil.

De plus, en donnant un support visuel des situations futures, la simulation multi-agents

constitue un support de discussion pour les utilisateurs finaux qui peuvent mieux se

représenter l'impact de l'outil sur leur activité future et participer plus activement aux choix

technologiques.

Par contre, le réalisme de la simulation orientée agents repose entièrement sur la

qualité des règles implémentées. Or nous ne possédons pas de modèles cognitifs suffisamment

fins pour reproduire des phénomènes comme les dimensions émotionnelles, sociales et

culturelles qui sont pourtant des facteurs déterminants du raisonnement humain. Un être

humain interprète une situation en connaissant l'histoire de l'interaction, en utilisant ses

propres connaissances, en se basant sur son expérience et avec une perception spécifique des


Page 24

autres et des artefacts de l'environnement. Les processus cognitifs qui gèrent tous ces facteurs

pour produire les comportements observés sont, généralement, mal compris et il est difficile

de dériver des règles basiques pour simuler les aspects de la cognition humaine. Il est donc

très difficile à partir de la simulation multi-agents de reproduire la dynamique contextuelle

utilisée par les humains dans leur prise de décision en situation de travail. Pourtant, nous

savons que la prise de décision est le facteur de plusieurs indices relevés dans

l'environnement.

V. La simulation des systèmes complexes [4]

Simuler un système complexe consiste à modéliser ses constituants, leurs comportements

et les interactions entre ceux-ci et avec leur environnement, puis à exécuter numériquement le

modèle obtenu. Une des caractéristiques de ces systèmes est que l'on ne peut prévoir

l'évolution du système modélisé sans passer par cette phase de simulation. L'approche

"expérimentale" par simulation permet donc de reproduire et d’observer des phénomènes

complexes (biologiques ou sociaux par exemple) afin de les comprendre et d'anticiper leur

évolution.

VI. Conclusion

Les situations de crises majeures, de part leurs caractères exceptionnels et souvent hors

norme se révèlent généralement très difficiles à gérer. C’est dans ce contexte, la simulation est

devenue, avec la conjonction du développement des sciences et des outils informatiques, l’un des

outils essentiels dans ces domaines.

.

CHAPITRE Chapitre : 02

Etat de l’art

2

CHAPITRE II Etat de l’art

Page 26

I. Introduction

L’intérêt international des simulations multi agents a augmenté considérablement.

Ce domaine est de plus en plus utilisé pour étudier la complexité des phénomènes

naturels ou sociaux. Dans ce contexte, nous allons présenter un état de l’art sur les agents et

les simulations multi agents sociales dans des cas d’urgences et une étude comparative de

deux systèmes dans différents domaines, un modèle de simulation multi agents pour le

développement rapide des maladies infectieuses et plus précisément la détection du virus

H5N1, et un système intelligent pour l’évacuation d’un bâtiment dans le cas de l’incendie.

II. Définitions des Systèmes Multi-Agents

Parmi les différentes définitions des systèmes multi-agents nous retiendrons celle de Ferber

[1] qui le définit comme un système composé des éléments suivants (Figure 5):

1. Un Environnement E, c’est-à-dire un espace disposant d’une métrique.

2. Un ensemble d’objets O. Ces objets sont situés, c’est- à- dire que, pour tout objet, il est possible,

à un moment donné, d’associer une position dans E. Ces objets sont passifs, c’est à dire qu’ils

peuvent être perçus, créés, détruits et modifiés par les agents.

3. Un ensemble A d’agents qui sont des objets particuliers (A ⊆O), lesquels représentent les entités

actives du système.

4. Un ensemble de relations R qui unissent des objets (et donc des agents) entre eux.

5. Un ensemble d’opérations Op permettant aux agents A de percevoir, produire, consommer,

transformer et manipuler des objets de O.

6. Des opérateurs chargés de représenter l’application de ces opérations et la réaction du monde à

cette tentative de modification, que l’on appellera les lois de l’Univers.


Page 27

Figure 4: Modèle d’un SMA

II.1 Les avantages [6]

L’utilisation des Systèmes Multi-Agents (SMA) présente une série d’avantages :

Système dynamique : Les SMA héritent des bénéfices de l’IA au niveau du traitement symbolique

(au niveau des connaissances). En revanche, contrairement aux approches traditionnelles de

l’Intelligence Artificielle qui simulent, dans une certaine mesure, les capacités du comportement

humain, les SMA permettent de modéliser un ensemble d’agents qui interagissent. Les agents sont

structurés afin d'exercer une influence sur chacun pour faire évoluer le système dans son ensemble

(système dynamique). On rencontre de nombreuses interactions entre agents telles que la

coordination (organiser la résolution d’un problème de telle sorte que les interactions nuisibles

soient évitées, ou que les interactions bénéfiques soient exploitées), la négociation (parvenir à un

accord acceptable pour toutes les parties concernées), la coopération (travailler ensemble à la

résolution d’un but commun). Cette approche est particulièrement bien adaptée à la simulation des

systèmes complexes dont le fonctionnement global émerge des actions des individus. Les SMA

permettent de faire vivre virtuellement des agents autonomes sur ordinateur et d’y effectuer des

expériences difficiles, voire impossible à mener dans la réalité, d’où la qualification de laboratoires

virtuels.

Nombre important d’agents : Un grand nombre d'agents est au cœur du problème dans ce type de

modélisation contrairement à la théorie des jeux où rarement plus de trois acteurs sont représentés.

Souplesse de l’outil informatique : qui permet de modifier le comportement des agents, ajouter ou

supprimer des actions possibles, étendre les informations disponibles à l’ensemble des agents à la

différence des modèles traditionnellement utilisés en science économique. Le modèle Multi-Agent

est rendu opérationnel grâce à une implémentation informatique qui n’impose alors aucune

exigence analytique spécifique mais l’emploi des langages informatiques évolués (Langage Orienté

Objet (LOO)) qui permet de développer le programme de façon modulaire. La programmation des

processus au niveau local dans différents modules et l’utilisation d’entités individualisées apportent

alors une grande flexibilité. Les modifications ne nécessitent pas de large restructuration du

programme.

Une résolution distribuée de problèmes : Il est possible de décomposer un problème en sous-

parties et de résoudre chacune de façon indépendante pour aboutir à une solution stable.

Les SMA peuvent « répondre » de l’échec individuel d’un des éléments, sans dégrader le

système dans son ensemble.


Page 28

II.2 Les agents

Il existe un grand nombre de typologies, mais celle que nous retenons, compte tenu d’objectif à

atteindre. Elle distingue trois types d’agents : réactifs, cognitifs ou délibératifs et hybrides.

Pour les auteurs de [8], un agent est défini comme étant une entité logicielle d’un système

informatique qui possède les caractéristiques suivantes :

Autonomie : les agents contrôlent leurs actions et leurs états internes. Le système dans son

ensemble est capable de réagir sans l’intervention d’un humain ou d’un autre agent. Il n’y a

pas de définition unique du terme agent, par contre, il y a un consensus général pour

considérer l’autonomie comme notion centrale de l’agent.

Flexibilité : le système doit être un système dans lequel :

les agents perçoivent l’environnement et peuvent répondre dans le temps requis aux

changements que celui-ci peut entraîner sur les agents

les agents prennent en considération leur comportement général pour permettre de

prendre les initiatives appropriées aux changements de l’environnement

les agents interagissent avec les autres agents afin d’accomplir le but souhaité. Pour

cela les agents ont donc les caractéristiques suivantes :

Réactivité : ils perçoivent leur environnement et réagissent aux changements qui s’y produisent

dans le temps requis ;

Proactivité : ils exhibent un comportement proactif et opportuniste pour ne pas agir uniquement par

réaction à leur environnement mais prendre des initiatives selon leurs buts individuels ;

Sociabilité : ils sont capables d’interagir les uns avec les autres quand la situation l’exige afin

d’accomplir leurs tâches ou d’aider les autres agents à accomplir leurs buts.

Cette définition d’agent est toutefois remise en question par certains auteurs. Pour Wooldridge

et Ciancarini [9], elle est porteuse de problème car on peut tout y mettre” et d’après Ferber [6], elle

est « un peu limitée pour fonder scientifiquement quelque chose ». Il propose la définition suivante :

«Une entité physique ou abstraite qui est capable d’agir sur elle-même et son environnement, qui

dispose d’une représentation partielle de son environnement, et qui, dans un Système Multi-

Agents, peut communiquer avec d’autres agents, et dont le comportement est la conséquence de ses

observations, de sa connaissance et des interactions avec les autres agents ».

Pour Ferber [6], la distinction cognitif/réactif « définit un axe pratique d’évaluation de la capacité

des agents à accomplir individuellement des tâches complexes et a planifier leurs actions. ».

II.2.1 Les agents réactifs


Page 29

Ces agents dits réactifs ont hérité de la vie artificielle. Ils ont un cycle de type Perception /

Action [:]. Un agent de type réactif est constitué d’un ensemble de comportements permettant

d’accomplir une tâche donnée. Chaque comportement est une machine à états finis qui établit une

relation entre une entrée sensorielle et une action en sortie.

L’ensemble des comportements est représenté sous la forme d’une hiérarchie dans laquelle les

couches de niveaux inférieurs représentent des comportements moins abstraits, et les couches de

niveaux supérieurs des comportements plus abstraits [21].

Cette approche repose sur le concept d’émergence. Elle avance par ailleurs, l’idée qu’il n’est pas

nécessaire que chaque agent soit personnellement « intelligent » pour parvenir à un comportement

intelligent de l’ensemble [:].

Un exemple d’agents réactifs est celui du système MANTA (Modeling an ANThill Activity) de

[21], pour simuler une communauté de fourmis. « Dans ce système, l’architecture d’un agent

comporte les opérateurs de perception, de sélection et d’activation qui manipulent un ensemble de

tâches. » [22].

Ce système a mis en évidence que l’organisation du travail dans une colonie de fourmis peut

résulter d’un ensemble d’interactions et de contrôles locaux, sans qu’il soit nécessaire de faire

intervenir une quelconque entité centrale de régulation. Les performances adaptatives de la société

se présentent comme issue de la confrontation des comportements élémentaires de chacun de ses

membres [6].

Les hypothèses principales pour le développement d’agents réactifs sont :

La manipulation syntaxique prévaut à la représentation symbolique pour modéliser la prise

de décision,

Les idées d’intelligence et de comportement rationnel sont liés à l’environnement de l’agent

et non aux agents eux-mêmes,

Les agents n’ont pas de représentation de leur environnement et des autres agents et se

faisant, ils sont incapables de prévoir et d’anticiper les actions à accomplir.

Individuellement, ils sont très faibles, mais leur force vient de leur capacité à constituer des

colonies capables de s’adapter à leur environnement. Ils peuvent faire face à des tâches

complexes et peuvent rivaliser en terme de performance avec des agents plus sophistiqués

Cette conception fait toutefois l’objet de critiques que Chaib-Draa et al [21] formulent ainsi:

Si les agents ne possèdent pas de modèle de leur environnement, ils doivent posséder

suffisamment d’informations locales leur permettant de choisir une action acceptable ;

Les agents basent leurs décisions sur des informations locales, il est donc difficile de savoir


Page 30

comment ils peuvent tenir compte d’informations non locales ;

Les agents réactifs offrent peu de mécanismes d’explications et ils ont des difficultés avec

les tâches qui nécessitent une connaissance du monde qui ne peut être obtenue que par la

mémoire ou le raisonnement et non par la perception.

II.2.2 Les agents cognitifs ou délibératifs

D’une manière générale, ce type d’agents appelés cognitifs ou délibératifs selon les

communautés suit un cycle Perception /Délibération/Action comme le montre la Figure 5. On dit

aussi que ces agents sont intentionnels car ils possèdent des buts et des plans explicites leurs

permettant d’accomplir leurs buts. Pomerol [23] défini un but comme le résultat de ce qu’un

décideur souhaiterait obtenir. Le résultat de la planification est défini alors comme suit ; étant donné

un but et un état courant, il s’agit de trouver une séquence d’actions qui permettent d’aller de l’état

courant au but. Cette séquence d’actions est appelée plan.

Du fait de la vision partielle de ces agents sur le monde, il est nécessaire de concevoir des

liens entre la « réalité » du monde et les bases de connaissances de chacun. Ainsi, l’agent cognitif

peut mettre à jour ses connaissances, en fonction, d’une part de l’interaction avec les autres agents

et d’autre part à l’environnement. Ceci suppose des communications inter-agents. Il est donc

nécessaire de développer des théories dans le domaine de la communication mais aussi des

protocoles de coopération entre les agents.

Contrairement aux agents réactifs, ce type d’agents a la capacité de raisonner sur des

représentations du monde, de mémoriser des situations, de les analyser, de prévoir des réactions

possibles à toute action, d’en tirer des conduites pour les évènements futurs et donc de planifier son

propre comportement [6].

Une approche emblématique est celle initiée dans les années 80 [24]. Qui propose une

architecture basée sur trois attitudes : Belief, Desire, Intention (BDI). Elle fait depuis l’objet de

nombreux travaux [15], [16] ET [17]. Le concept Belief correspond à la représentation de l’état

interne de l’agent. Il est actualisé a chaque instant en fonction de l’état de l’environnement. Desire,

correspond aux objectifs fixés par l’état interne de l’agent. Intention, correspond aux buts en cours

d’achèvement.

Le concept d’agent BDI a été conçu avec le souci de conjuguer temps réel et temps du

raisonnement. Il met en particulier en avant la notion d’engagement [24]. Qui garantit une

certaine stabilité à la poursuite d’un but. Sa remise en cause est en effet envisagée sous certaines

conditions.


Page 31

Cette architecture qui a fortement orienté notre approche fera l’objet d’une présentation plus

détaillée dans un paragraphe ultérieur.

Figure 5 : Cycle Perception / Délibération/ Action d’un agent cognitif [:]

2.4 Les agents hybrides

Certains auteurs [:] et [21]. Ont été amenés à proposer des architectures d’agents hybrides

pour améliorer en particulier les temps de la décision et temps de l’action. L’agent hybride est alors

conçu comme alliant comportement réactif et comportement cognitif.

Dans ce type d’architecture, les agents sont conçus comme étant composés de niveaux hiérarchiques

qui interagissent entre eux. Chaque niveau gère un aspect du comportement de l’agent [28] :

Au plus bas niveau de l’architecture, on retrouve habituellement une couche purement

réactive qui prend ses décisions en se basant sur des données brutes en provenance de

l’environnement.

La couche intermédiaire fait abstraction des données brutes et travaille plutôt avec une

vision qui se situe au niveau des connaissances de l’environnement.

La couche supérieure se charge des aspects sociaux de l’environnement, c’est-à-dire du

raisonnement tenant compte des autres agents [21].

II.2.3 Les agents BDI

Les approches basées sur le concept BDI nous intéressent tout particulièrement. Nous lui

avons donc réservé une place privilégiée.

Nous commencerons par donner un exemple pour clarifier les concepts développés par la suite :

L’agent Pierre a la croyance que, si quelqu'un passe son temps à étudier, cette personne peut faire

une thèse de doctorat. De plus, Pierre a le désir de voyager beaucoup, de faire une thèse de doctorat


Page 32

et d'obtenir un poste d'assistant à l'université. Le désir de voyager beaucoup n'est pas consistant

avec les deux autres et Pierre, après réflexion, décide de choisir, parmi ces désirs inconsistants, les

deux derniers. Comme il se rend compte qu'il ne peut pas réaliser ses deux désirs à la fois, il décide

de faire d'abord une thèse de doctorat. En ce moment Pierre a l'intention de faire une thèse et,

normalement, il va utiliser tous ses moyens pour y parvenir. Il serait irrationnel de la part de Pierre,

une fois sa décision prise, d'utiliser son temps et son énergie, notamment ses moyens, pour voyager

autour du monde. En fixant ces intentions, Pierre a moins de choix à considérer car il a renoncé à

faire le tour des agences de voyage pour trouver l'offre de voyage qui le satisferait au mieux.

C'est cette idée même qui est au cœur de la théorie BDI de l'action rationnelle, proposée pour la

première fois par Bratman [24]. C'est une théorie du raisonnement pratique qui essaie de

surprendre comment les gens raisonnent dans la vie de tous les jours, en décidant, à chaque

moment, ce qu'ils ont à faire. En développant sa théorie, Bratman [24] montre que les intentions

jouent un rôle fondamental dans le raisonnement pratique, car elles limitent les choix possibles

qu'un humain (ou un agent artificiel) peut faire à un certain moment.

Cette approche est fondée sur une bonne connaissance et un grand respect de la théorie d’action

rationnel chez l’humain en rapport avec des processus de raisonnement. Cette approche met en

avant trois points qui nous paraissent justifiés dans le cadre de notre problématique :

Un concept de planification au sens Intelligence Artificielle du terme, c’est à dire le

processus de formulation d’un programme d’actions pour atteindre certains buts visés

[Pollack, 1992],

La prise en compte d’une vision partielle et imparfaite de l’agent sur son environnement,

Une modélisation applicable à des agents évoluant dans un environnement changeant.

Actuellement ainsi que le souligne Pollack [Pollack, 1992] peu de travaux font le lien

entre la théorie, les systèmes et les applications.

Rao et Georgeff [26] ont contribué au développement du modèle BDI en proposant une

structure logique s’appuyant sur les trois modalités primitives : les croyances, les désirs et les

intentions. Leur formalisme est fondé sur un modèle relié au temps au cours duquel croyance, désir

et intention sont interconnectés. Ils ont cherché à ajouter des plans sociaux à leur formalisme et ont

développé une application réelle de la théorie.

Un agent BDI est défini par Rao et Georgeff [16] par un ensemble <E, B, P, I, A, SE,

SO, SI> où :

E, est l’ensemble des évènements,

B, un ensemble de croyances,


Page 33

P, un ensemble de plans,

I, un ensemble d’intentions,

A, un ensemble d’actions,

SE, une fonction qui sélectionne un évènement dans l’ensemble des évènements E,

SO, une fonction qui sélectionne une option ou un plan applicable dans la bibliothèque des plans

applicables P,

SI, une fonction qui sélectionne une intention dans l’ensemble des intentions I.

La figure suivante (Figure 7) présente les composantes principales d'une architecture BDI.

Figure 6 : Architecture BDI d’un agent

L'agent a une représentation explicite de ses croyances, désirs et intentions. On dénote par B

l'ensemble des croyances de l'agent, par D l'ensemble de ses désirs, et par I l'ensemble de ses

intentions, et par B, D et I les croyances, désirs et intentions courantes de l'agent. Les ensembles

B, D et I peuvent être représentés au moyen de divers modèles de représentation de connaissances,

par exemple en utilisant la logique des prédicats du premier ordre, une logique d'ordre supérieur, le

modèle des règles de production, ou bien comme de simples structures de données.

Les croyances (B) correspondent à une base de connaissances propre à chaque agent portant

sur l’environnement et sur son propre état.

La bibliothèque de plans d’action regroupe des plans qui répondent à des objectifs


Page 34

déterminés.

Ces plans peuvent être partiels et pourront, en cours de simulation, être complétés par d’autres

plans. Ils sont définis par :

Leur nom,

La documentation qui permet de les décrire,

L’objectif qu’ils permettent d’atteindre,

Le contexte (ensemble de croyances) qui les rendent activables,

Le déclencheur (c’est à dire les croyances complémentaires) qui déclenchent leur

exécution,

Leurs règles d’exécution. Ces règles peuvent faire appel à la satisfaction d’un sous-

but dont la réponse sera à rechercher dans la bibliothèque.

Leurs objectifs (D) correspondent à la représentation de l’état attendu du système de façon

fonctionnelle. Ils sont destinés à évoluer en cours de simulation. Ils peuvent être multiples, se

décliner en sous-objectifs et entrer en conflits.

Les intentions (I) forment le sous-ensemble de plans en attente d’exécution. Ils

correspondent aux engagements et d’agent et répondent aux objectifs courants. Ces derniers sont

poursuivis jusqu’à ce qu’ils soient atteints. Ils sont abandonnés prématurément si l’agent les juge

hors d’atteinte ou incompatibles avec un objectif supérieur.

Les concepts de plans sont centraux dans l’architecture BDI, ils ont alimenté de nombreuses

recherches selon trois points de vue différents (philosophique, théorique et implémentation) [19].

Ce type d’approche implique de définir de façon exhaustive l’ensemble des buts et sous-buts

susceptibles d’être activés et les moyens de parvenir à leur satisfaction (les plans). Plusieurs plans

peuvent conduire à la réalisation d’un même objectif, ce qui peut entraîner des conflits. Un module

de délibération permet de choisir le plan à réaliser.

II.2.3.1 Un exemple d’implémentation de l’architecture BDI [6]

L’implémentation la plus connue est PRS (Procedure Reasoning System). Cette architecture (Figure

7) a été utilisée dans des applications industrielles, dans la gestion du trafic aérien ou dans le

contrôle de processus commerciaux. Les études sont le plus souvent restées à des stades de

prototypes.

L’implémentation de l’architecture PRS la plus récente est dMARS. Cette architecture est

composée d’une bibliothèque de plans (aires de croyances), d’une base de croyances représentant

les états du monde (Base de données), d’une pile de buts (Buts), d’une structure d’intentions


Page 35

(Intentions).

Figure 7: Architecture PRS [19]

La Figure 7 présente l’architecture originale de PRS. Elle est généralement représentée de façon

simplifiée (Figure 8).

Figure 8 : Architecture BDI

Les différents éléments représentés sont les suivants :

Une base de données (Beliefs) : Cette base de données contient les connaissances de l’agent qui

sont mises à jour en permanence en fonction des changements de l’environnement et de l’état

interne de l’agent. Rappelons que les autres agents sont partie intégrante de l’environnement. Ces


Page 36

changements peuvent être des informations factuelles ou une perception particulière. Cette base de

données est représentée en logique des prédicats.

Des objectifs (Desires) : Au niveau de l’implémentation, les objectifs correspondent à un ensemble

de buts à atteindre à long terme. Dans dMARS, le concept d’objectif est réduit à des évènements

susceptibles de déclencher des plans. En effet, les buts y sont implicites.

Une bibliothèque de plans : Un agent peut se représenter un plan sous la forme d’une

connaissance opératoire qui caractérise la séquence d’actions permettant de réaliser une tâche locale

dans son domaine d’expertise. Il correspond à une construction mentale des comportements que

l’agent devra suivre le moment venu pour mener à bien une tâche locale. Cela suppose que l’agent

puisse se représenter mentalement le déroulement des activités permettant de réaliser une tâche

locale. Cet ensemble de plans décrit comment accomplir une série d’actions, de tests, de demandes

d’informations pour atteindre un objectif.

Un mécanisme de raisonnement (interpreter) : Ce mécanisme de raisonnement est très important

dans l’architecture BDI. Sa structure se décompose en différents éléments.

Figure 9: Structure générale du mécanisme de raisonnement.

Le mécanisme de raisonnement suit le cycle suivant (Figure 9) :

En fonction des modifications de l’environnement, l’opportunity analyser émet des

options possibles.

Dans le means-end reasoner on place le plan actuel, en cours d’exécution ou retenu


Page 37

pour exécution. A partir de ce plan initial et en fonction des informations sur le

changement de l’environnement peuvent être générés d’autres plans possibles

appelés options.

Ces plans possibles ou options entrent dans le système de filtre au niveau du

compatibility check.

Si cette nouvelle option est compatible avec le plan initial alors cette option passe

directement dans le processus de délibération (deliberation process).

Sinon l’override mechanism résout le conflit en retenant le plan le plus favorable au

système de préférence défini pour l’agent.

Les Intentions : Si le plan candidat est accepté, il passe alors dans la structure d’intention

(intention structure).

L’intention qui était en conflit avec celui-ci sort de la structure d’intention.

Figure 10 : Le cycle d'exécution d'un agent BDI [18]

Le cycle d’exécution d’un agent se déroule en plusieurs étapes (Figure 10) :

1. Perception des changements de l’environnement par le senseur, interprétation pour les traduire en

terme de croyances.

2. Mise à jour de la base de croyances en relation avec les informations fournies par le senseur.

3. Ces modifications sont traduites en actions réflexes ou en nouveaux objectifs à atteindre.


Page 38

4. La liste d’objectifs est mise à jour et les objectifs à poursuivre sont sélectionnés.

5. S’il n’y a pas de plan sélectionné pour l’objectif en cours, si le plan a échoué, ou s’il y a

reconsidération du plan actuel, alors, un autre plan est choisi.

6. Le nouveau plan choisi s’étend au champ d’actions à exécuter.

7. L(es) action(s) sont planifiées et exécutées.

III. IDESS: Système de simulation multi agents pour le développement rapide des

maladies infectieuses [31]

III.1 Présentation du modèle

IDESS (Infectious Disease Epidemic Simulation System) est un système capable de

construire un modèle de simulation qui permet de détecter les maladies infectieuses à partir

des données existantes d’une région géographique.

III.2 Contexte

IDESS a la possibilité de créer un modèle de simulation pour tout emplacement

géographique dans le monde, il utilise les données existantes pour générer le modèle de

simulation, Il permet de visualiser les résultats de plusieurs façons. Et d’un point de vue

génie logiciel, il permet de modifier le comportement des agents et les interactions avec les

autres.

III.3 Implémentation SMA

Ils ont implémenté l’approche dans un système multi agents spécifique à

l’application. Au cœur de cette simulation, ils ont utilisé l’agent personne (Person Agent

PA) qui agit comme une personne normale, le PA interagit avec d’autres PA dans le

modèle de la simulation et avec l’environnement en terme de l’agent ville (Town Agent

TA). PA et TA ont des paramètres et des interactions qui sont associés à chaque agent.

La figure 11 illustre comment les agents ville TA et les agents personne PA

interagissent entre eux dans leurs environnement. Les agents TA varient en fonction de

leurs consciences sur les changements de la population de la ville. L’agent TA a des

connexions avec les autres agents TA et PA. L’interaction entre les TA peut changer si une

stratégie de confinement a été invoquée en isolant ainsi l’agent TA concerné.

IDESS a permet de construire rapidement un modèle de simulation basé sur les

agents qui peut être utilisé dans l'enquête de la propagation des maladies dans un


Page 39

environnement géographique donné.

Cette approche est flexible dans sa capacité de modéliser n’importe quel

emplacement géographique en traitant la nature imprévisible de l’emplacement géo

spatiales où une éclosion d’une maladie infectieuse se produira.

Ce système est dynamique car on peut modifier et ajouter de nouveaux agents et des

informations au modèle.

Figure 11 : L’interaction entre l’agent personne PA et l’agent ville TA dans

l’environnement de la simulation [22].

IV. IFI: Système à base d’agents pour l’évacuation de bâtiment dans le cas

d’incendie [32]

IV.1 Présentation du modèle

Ce système à pour but d’une simulation à base d’agents d’évacuation de bâtiment dans

les cas d’urgence, et plus précisément ils ont simulé le bâtiment de l’IFI dans le cas de


Page 40

l’incendie.

IV.2 Contexte

Dans ce travail, ils ont modélisé et simulé l'incendie. Ils ont construit le modèle avec

la carte du bâtiment de l'IFI (3 étages avec 18 salles, 2 escaliers, et 3 sorties). L'état initial

est que tous les agents sont dans les salles. Quand le programme démarre, une situation

urgente a lieu.

Tous les agents essayent de sortir de la salle. Ils déterminent quelle est la porte la

plus proche d'eux pour sortir. Lors du déplacement ils doivent éviter les obstacles. Si la

porte qu'ils veulent passer est saturée (beaucoup d'agents veulent la passer, il n'y a plus de

place) ils doivent passer a une autre porte si disponible. Après la sortie de la salle, les

agents déterminent la direction pour se déplacer. Avec les agents qui connaissent le plan du

bâtiment, ils mesurent la distance entre eux est les escaliers. Ils prennent l'escalier le plus

proche. La stratégie est que tous les agents qui connaissent le plan, utilisent toujours le

chemin le plus court vers la sortie. Dans le cas où il y a beaucoup d'agents qui passent cet

escalier, la congestion a lieu, quelques agents qui attendent à la fin de queue vont choisir un

autre escalier. Si des agents ne connaissent pas le plan et autour d'eux il n'y a aucun agent

qui connait le plan, ils se déplacent selon 2 stratégies: toujours courir à l'ouest ou toujours

courir à l'est, s'ils rencontrent l'escalier ils descendent, par contre si dans leur voisinage, un

agent sait le plan, alors ils le suivent.

Quand les agents rencontrent un feu, ils changent leur direction, augmentent leur

vitesses et trouvent un autre chemin pour sortir. La stratégie pour choisir un autre chemin

est de prendre l'escalier le plus proche ou le feu n’est pas encore déclaré. Les autres agents

qui rencontrent ces agents vont apprendre l'information de feux et les suivent.

IV.3 Implémentation SMA

Ce travail a pour objectif de construire une simulation la plus proche de la réalité que

possible alors les auteurs [22] ont utilisé l'architecture BDI (Belief, Desire and intention)

parce que les piétons doivent communiquer et raisonner pour trouver le chemin vers la

sortie, alors les agents deviennent plus intelligents.

Dans ce modèle, l’environnement est le bâtiment de l’IFI et les feux sont considérés


Page 41

comme un agent. Il ya deux types d’agents :

1) Les agents qui connaissent le plan du bâtiment.

2) Les agents qui ne connaissent pas le plan du bâtiment.

Chaque type d’agent a un algorithme différent, mais ils ont le même processus

d'observer, de mettre à jour le monde (l'état de bâtiment et l'état de l'escalier qu'il veut

passer). Si un agent est touché par le feu qui a une chaleur minimale, il va être blessé, et si

la chaleur du feu est maximale, l’agent va mourir.

L’application est flexible, on peut changer le plan de bâtiment en modifiant le

fichier XML. On peut également changer le nombre d’agent de chaque salle, le nombre et

la position d’obstacle, de feu, le pourcentage de type d’agent et pourcentage de vitesse

d’agent. Les réactions des agents répondent aux changements de l’environnement, ils sont

raisonnables : ils peuvent éviter la congestion, éviter le feu et apprendre aux autres. Le

raisonnement des agents est suit le raisonnement de gens réel.

L’application rencontre une limite importante : Les informations échangées entre des

agents sont petites, Il y peu de communication. Si les agents communiquent beaucoup et

échangent plus d’information, le modèle devient plus réel.

V. Etude comparative

Le tableau (TABLE I) illustre une étude comparative des deux environnements. Il

montre que ces systèmes sont intelligents (le types de leurs agents est cognitif,) de

domaines différents et utilisent plusieurs modèles et technologies.

Ces modèles se composent de plusieurs agents en interaction ce qui les rend plus

réalistes et qui s’adaptent au changement de leurs environnements.

Les critères de

comparaison IDESS IFI


Page 42

Domaine le développement rapide des

modèles pour la détection des

maladies infectieuses d’une

région géographique (le

domaine biomédical).

l’évacuation de bâtiment dans le

cas d’incendie

(le domaine de secourisme).

Type de

connaissance

connaissances déclaratives et

procédurales.

connaissances déclaratives et

procédurales.

utilisation les professionnels de la santé

publique

Les responsables des forêts et des

incendies, les agents de

secourisme.

agents utilisés les agents personne PA et les

agents ville TA.

les agents qui connaissent le plan

du bâtiment. et les agents qui ne le

connaissent pas.

modèle d’agents ses agents s’adaptent à une

base de données dynamique

alors ce sont des agents

cognitifs.

Des agents délibératifs de type

BDI.

Type d’application

et technologie

application JAVA+Google

Maps API

Application JAVA avec la

plateforme Repast+ des fichiers

XML.

TABLE I : Une Etude Comparative Entre Les deux Environnements

VI. Conclusion:

Pour faire face à l’interaction des simulations dans les systèmes intelligents, nous

avons touché des différents domaines d’application des simulations multi agents, et une


Page 43

connaissance profonde des caractéristiques de chaque modèle.

CHAPITRE Chapitre : 03

M-Learning

3

CHAPITRE III M- Learning

Page 45

I. Introduction

Le Mobile Learning (M-Learning) est un domaine de recherche récent, combinant E-

Learning et informatique mobile.

II. Définitions officielles [33]

II.1. E-Learning

L’e-Learning définit tout dispositif de formation qui utilise un réseau local, étendu ou

l’Internet pour diffuser, interagir ou communiquer, ce qui inclut l’enseignement à distance,

en environnement distribué, l’accès à des sources par téléchargement ou en consultation sur

le net. Il peut faire intervenir du synchrone ou de l’asynchrone, des systèmes tutorés, des

systèmes à base d’autoformation, ou une combinaison des éléments évoqués.

L’e-Learning est donc un sous-ensemble de la formation ouverte et à distance qui

s’appuie sur les réseaux électroniques. Il correspond parfaitement avec la définition de

l’enseignement de troisième génération expliqué juste auparavant.

II.2. M-learning

Le M-Learning est la suite logique du e-Learning. Dans ce sens il désigne le fait de

fournir des cours ou des objets pédagogiques par le biais de périphériques mobiles tels que

les Pocket PC, les téléphones portables ou encore les Palm Pilot. Les utilisateurs auront

donc des leçons en formats réduits mais le principal avantage d’une telle solution reste

l’accessibilité à toute heure de la journée et depuis n’importe quel lieu pourvu qu’un réseau

soit à proximité.

Aujourd’hui la connaissance des étudiants en matière de technologie mobile

(accessibilité, facilité d’utilisation, rapidité d’adaptation) rend le m-Learning possible.

III. Les Caractéristiques du M-learning [33]

III.1. La mobilité

Dans une situation de mobile Learning on peut se poser la question de "qui/quoi est

mobile ?" (De la même façon que dans une situation d'enseignement à distance on se

demande "qui/quoi est à distance ?") Où est la mobilité ? S'agit-il de la mobilité de


Page 46

l'apprenant, de l'enseignant, de la mobilité des dispositifs utilisés, de la mobilité du lieu ?

Qu'est-ce que la mobilité ? Est-ce que c'est changer de lieu de temps en temps (exemple 1)

ou est-ce se déplacer en apprenant (exemple 2) ?

Exemple 1 : un enseignant qui le matin fait un cours à distance depuis son domicile

et l'après-midi un cours à distance depuis son bureau.

Exemple 2 : un enseignant qui interagit avec des étudiants pendant un déplacement

en train.

On voit que l'on peut définir différents "degrés" de mobilité.

Dans le cas où un des acteurs est mobile on parlera de "nomadisme".

Une personne nomade, apprenant ou enseignant est une personne qui se

déplace physiquement d'un endroit à un autre. L'acte de formation va se

produire soit au cours du déplacement, soit aux points de départ et/ou

d'arrivée du déplacement.

III.2. Le Lieu de formation

Quels sont les lieux concernés par la situation de formation, un lieu sur le campus, le

domicile personnel, un lieu en entreprise ? Ce lieu peut être géographique ou logique («

dans ma voiture », « devant l’appareil à dépanner », etc.). Quel est le lieu où se situe chaque

acteur à un moment donné, et éventuellement quel est le lieu du contenu pédagogique ?

Une des questions qui se pose aussi dans les situations de M-Learning est de déterminer si

le lieu où se situe l'acteur est important pour l'apprentissage. Est-ce qu'il s'agit de réviser un

cours de langues dans le bus ou est-ce qu'il s'agit d'apprendre à faire des mesures dans un

site naturel ou d'apprendre à dépanner une machine dans une usine ?

Dans le premier cas, le lieu n'a pas d'importance, l'apprentissage peut se produire dans

tout lieu où se trouve l'apprenant. Dans le deuxième cas, le lieu est non seulement important

mais est une des conditions de l'apprentissage, étant donné qu'il contient une partie du

"contenu pédagogique".

Le lieu peut aussi être important pour la localisation des acteurs, c'est à dire que les

acteurs doivent être présents au même moment au même endroit. C'est le cas des

applications de type amphi interactif.


Page 47

III.3. Le Contexte de la formation

L'application mobile est par définition amenée à se trouver à l'extérieur de la salle de

classe, donc dans des environnements très variés et riches, des environnements "vivants".

A l'aide de capteurs, elle devient informée des paramètres de la situation dans laquelle elle

se trouve. Par exemple le dispositif peut être doté d'un capteur de type GPS qui permet de

détecter la localisation de l'utilisateur.

III.4. Les types de dispositifs

Nous distinguons quatre types de dispositifs:

A- Dispositif fixe : non déplaçable, toujours connecté, pas de problème

d'autonomie. Exemples : ordinateur de bureau, borne interactive dans un campus.

B- Dispositif portable : transportable, dispose d'une autonomie (plusieurs

heures), connecté de façon non permanente par liaison filiaire ou radio (WIFI). Exemples :

ordinateur portable.

C- Dispositif mobile : léger, la connexion peut être quasi-permanente.

Exemples : PDA, téléphone mobile, E-book, Tablet-PC.

D- Dispositif porté : Il fait quasiment partie des vêtements, est disponible à

tout moment et permet d'avoir les mains libres. Les moyens d'interaction sont

complètement différents de ceux des types de dispositifs précédents. Exemple : ordinateur

porté avec visualisation dans des lunettes.

IV. Les avantages du M-learning

Les bénéfices du M-Learning sont assez nombreux on en citera quelques un:

A- Etendre l'enseignement et l'apprentissage dans des espaces au-delà de la salle de

classe,

B- Donner aux enseignants et apprenants une flexibilité accrue et de nouvelles

possibilités d'interactions,

C- Supporter des expériences d'apprentissage collaboratives, accessibles, intégrées

au monde au-delà de la salle de classe,


Page 48

D- Faciliter l'apprentissage sur le lieu de travail : les personnes peuvent continuer

leur tâche tout en se formant (donc augmenter l'efficacité sur le lieu de travail et

donc la productivité),

E- Faciliter l'accès à la formation dans les zones rurales ou éloignées

F- Faible coût, Portabilité

V. Inconvénients [24]

Le passage du E-Learning au M-Learning soulève plusieurs problèmes dont la nature

de la mobilité, les limites de l’interface d’accès, la faiblesse de la bande passante et la

diversité des équipements.

V.1. La nature de la mobilité

Dans le e-Learning, la mobilité peut designer le fait que l’apprenant peut travailler

dans un endroit donné, se déconnecter, aller ailleurs et se reconnecter pour poursuivre son

apprentissage, entre les deux il est hors du réseau et ne peut être joint. Le M-Learning vise

plus loin et recherche la continuité de la communication

Ce rêve d’une communication continu soulève plusieurs interrogations, d’un strict

point de vue communication, comment couvrir sans discontinuité, vingt-quatre heures sur

vingt-quatre, sept jours sur sept touts les points du globe, tout en desservant une clientèle

aussi large que variée dans ses besoins que celle visée par le M-Learning ? Dans ce

contexte, plusieurs aspects techniques peuvent être abordés : itinérance globale, handover,

continuité de la connexion, gestion des fréquences et traitements des interférences, haute

disponibilité, etc.

V.2. Limites de l’interface d’accès

Les écrans des téléphones cellulaire et autres PDA sont trop petits pour recevoir du

contenu éducatif. Dans l’état actuel des choses, ils forceraient l’apprenant à un défilement

continu qui peut s’avérer très vite fatiguant .Or on sait que l’un des risques majeurs qui

guette le M-learner est la démotivation, qui mène souvent à l’abandon.

Un autre problème est celui du clavier, lui aussi trop petit et inadapté, surtout pour

saisir des données dans une session interactive. Sous sa forme actuelle, il occasionnera une

perte de temps considérable, c’est ce qui va a l’encontre des buts visés. De plus, la capacité


Page 49

de stockage reste faible, ce qui nécessite la mise en place d’une mémoire vive d’une grande

capacité voir d’un disque dur. Aussi faut-il prévoir un système d’exploitation léger mais

approprié

Enfin, ces appareils ne supportent pas tout les medias avec la qualité de service

requise par un usage éducatif. Or, l’efficacité est donc la généralisation du M-Learning

exige d’aller au-delà du support textuel.

V.3. Faiblesse de la bande passante

La bande passante des liaisons radio sont très faibles pour ce genre d’usage, en outre,

l’ambition d’une connexion continue ne saurait s’accommoder des communications

intermittentes actuelles.

V.4. Diversité des équipements

Les équipements ne sont pas toujours compatibles en tous points, ce qui pose le

problème de la standardisation, sans un effort sur ce plan, le M-Learning ne pourra se

développer rapidement

VI. Les types de dispositifs mobile utilisés pour le M-learning

Deux grandes catégories permettent de classifier l’ensemble du matériel existant. La

première englobe l’ensemble du matériel aux hautes performances technologiques, comme

les ordinateurs portables et les blocs-notes. De ce fait, elle se rapproche des méthodes

pédagogiques faisant appel à des ordinateurs fixes.

La seconde catégorie, constituée d’appareils plus petits, tels les ordinateurs de poche

(palm,pocket PC, BlackBerry,Ipod) les téléphones cellulaires et les consoles de

jeux,impose par ses contraintes technologiques une refonte de la présentation des sujets

d’enseignement abordés en fonction des contraintes techniques.

VII. Exemple d’applications du M-Learning

VII.1. Apprentissage des langues (projet ELDIT)

Le système ELDIT est destiné à l'apprentissage de l'italien et de l'allemand dans la

région bilingue du sud tyrol en Italie. La version mobile contient un dictionnaire de langue


Page 50

et des corpus de textes avec questions de compréhension. Elle est fournie aux candidats aux

concours administratifs qui peuvent l'utiliser librement n'importe quand et dans n'importe

quel lieu [35]

VII.2. Amphi interactif

Un enseignant dans un amphi fait cours devant un grand nombre d'étudiants à l'aide

d'un ordinateur portable. Chaque étudiant est équipé d'un PDA fourni par l'organisme de

formation pour la durée des études.

L'enseignant à intervalle régulier "sonde" l'ensemble des étudiants pour connaître leur

compréhension du cours. Les étudiants répondent à l'aide de leur PDA.

Ultérieurement, les étudiants pourront réviser le cours stocké sur serveur depuis leur

PDA ou un autre ordinateur [36]

VII.3. Bureau Virtuel étudiant (BVE) [37]

Les étudiants de la région Rhône-Alpes grâce à ce projet disposent d'un bureau

virtuel, c'est à dire peuvent retrouver leurs données personnelles quelque soit l'endroit où ils

se trouvent.

Figure 12: page d’accueil du site BVE.


Page 51

VII.4. Apprentissage collaboratif à domicile (projet Genius)

Genius est un projet d'enseignement à distance dont certaines expérimentations

comportaient une part de mobilité. Des enseignants animent une séance d'apprentissage

collaboratif entre étudiants situés dans plusieurs pays, France, Espagne, Grèce.

L'enseignant principal, français, est situé dans un bureau sur le campus et communique à

l'aide de son ordinateur portable. Les étudiants français ont eu le choix du lieu de leur

apprentissage. Ils sont soit dans une salle d'ordinateurs du campus soit dans leur chambre

d'étudiant sur le campus et connectés par le réseau du campus. Un des étudiants est dans la

salle d'ordinateurs mais muni de son ordinateur portable personnel [38].

VII.5. Apprentissage sur le terrain (projet Gipsy)

Un enseignant et des étudiants sont "sur le terrain" c'est à dire dans une zone naturelle

pour des travaux pratiques de Systèmes d'Information Géographique, Biologie ou

Archéologie. Ils sont équipés de PDA et de GPS et parcourent à pied le terrain pour relever

ses paramètres à l'aide de capteurs [39].

VII.6. HMTD : Apprentissage sur le lieu de travail

Employé d’une société de service, un technicien de maintenance est chargé

d’intervenir sur un équipement d’un client qu’il ne connaît pas ou peu. Le technicien utilise

un dispositif mobile pour se connecter au site web de sa société ce qui lui permet d’accéder

à l’historique des interventions sur l’équipement. Les informations de contexte (type

d’équipement, version) peuvent être saisies par le technicien, récupérées par la lecture de

tags RFID collés ou encore par un échange direct entre l’équipement et l’ordinateur mobile.

Le technicien accède ainsi à la documentation précise (adaptée à la version spécifique de

l’équipement du client) et aux procédures de dépannage correspondantes qu’il peut

exécuter pas-à-pas. Il s’agit d’une application de type « Just-in-Time Learning ».

L’ordinateur peut être un TabletPC ou un PDA complété par un affichage sur des

lunettes permettant au technicien de suivre la procédure tout en libérant ses mains pour son


Page 52

activité principale de dépannage. Il peut aussi utiliser des commandes vocales pour faire

défiler les informations sur les lunettes [3:].

VII.7. Kidsroom

Dans cette application, des enfants sont situés dans une pièce spéciale et guidés dans

un jeu interactif avec une histoire racontée. Les actions et les voix sont détectées à l'aide de

capteurs invisibles si bien que les enfants peuvent se mouvoir librement. L'histoire continue

en fonction des actions des enfants [41].

VIII. Conclusion

Le M-Learning est un domaine encore embryonnaire et encore très complexe, ses

limites ne sont pas encore délimitées mais il demeure que sans nul doute l’avenir de

l’éducation ou du moins, c’est un très bon complément en matière d’apprentissage, que ce

soit dans l’éducation ou même dans le monde du travail.

CHAPITRE 4 Chapitre : 04

Complex SIMUL

CHAPITRE V Complex SIMUL

Page 54

I. Introduction

Nous présentons dans ce chapitre une description générale des fonctionnalités de

notre simulateur multi agents de cas d’urgence.

Cette étape va déterminer la valeur scientifique du projet et elle consiste dans un

premier temps à identifier à priori les agents qui vont composer le système (architecture

générale) ensuite elle va décrire les rôles de chaque agent et les différentes interactions

entre les agents (architecture détaillée).

II. Présentation de notre système

L’objectif principal de notre projet est de simuler un cas d’urgence en se basant sur

la simulation des systèmes complexes et en utilisant le raisonnement pratique de l’être

humain.

II.1 Le cas d’urgence utilisé

Nous allons choisir la crise cardiaque comme cas d’urgence puisqu’elle est la

principale cause de décès au monde. Les crises cardiaques se produisent lorsqu'il y a

blocage soudain et complet du débit sanguin à une partie du muscle cardiaque. Chaque

minute, chaque jour, une personne meurt d'une crise cardiaque. La rapidité du traitement est

très importante pour les victimes de la crise cardiaque [41].

II.2 Les cas d’urgence en Algérie [32]

Chaque année, des milliers de vies humaines pourraient être épargnées si seulement

une partie de la population connaissait les gestes d’urgence. Combien de personnes

décèdent chaque jour des suites d’un accident de la route, d’un accident domestique ou de

travail. Or que la moitié de ces tragédies pourraient être évitées, si davantage de personnes

savaient pratiquer les gestes élémentaires de sauvetage en attendant l’arrivée des premiers

secours. Si on fait un sondage autour de nous, nombreux sont ceux sensibilisés à ce

problème, puisque les gens jugent qu’il est important de se former aux premiers secours.

Mais, de la théorie à la pratique, l’écart est grand et, dans la réalité, très peu sont initiés à

l’urgence. De nombreux travaux scientifiques ont prouvé l’intérêt du premier sauveteur lors


Page 55

de la chaîne de survie. Les experts de la Croix-Rouge estiment «que si le secouriste du

premier instant est relayé rapidement par des secours spécialisés, dotés entre autres

d’appareils de défibrillation semi-automatique, les chances de survie d’une victime d’un

arrêt cardiaque sont augmentées de 20 %. En revanche, si ce premier secouriste est absent

du lieu de l’accident, ces chances se réduisent à 2 à 3 %». En effet, pour être efficace, un

choc électrique doit être administré dans les 5 premières minutes qui suivent l'arrêt

cardiaque. Or, dans les grandes villes, les secours n’arrivent sur les lieux que beaucoup plus

tard. La diffusion de ces appareils aux policiers et aux pompiers bien sûr, mais aussi aux

personnes en contact avec le public comme le personnel aérien permettrait de préserver

encore davantage de vies. Les secours en Algérie sont très mal organisés et des solutions

concrètes doivent être trouvées sans trop tarder. Ainsi, la connaissance des gestes de

premiers secours doit aujourd’hui être une priorité de santé publique. Et pour toucher un

grand nombre de personnes et faire en sorte que cet enseignement fasse partie intégrante de

notre éducation à la citoyenneté, il est nécessaire de commencer l’apprentissage de

comportements adaptés dès l’école.

II.3 La réanimation cardiorespiratoire (CPR) [33]

La réanimation cardiorespiratoire (CPR) est une combinaison des compressions

thoraciques avec la respiration artificielle faite sur les victimes que l'on pense être en arrêt

cardiaque. Lorsque survient un arrêt cardiaque, le cœur cesse de pomper le sang. La CPR

peut prendre en charge une petite quantité de flux sanguin vers le cœur et le cerveau afin de

"gagner du temps " jusqu'au rétablissement de la fonction cardiaque normale.

II.4 Les signes de la crise cardiaque [34]

La réanimation cardiorespiratoire (CPR) rapide peut sauver des vies. Le traitement

rapide visant à briser les caillots peut grandement augmenter les chances de survie de la

personne qui subit une crise cardiaque. Puisque le traitement rapide peut faire une

différence, il est important de connaître les premiers signes de la crise cardiaque. En cas de

crise cardiaque, vous pouvez ressentir un ou plusieurs des symptômes suivants:

1) Un malaise au centre de la poitrine qui dure plus de 5 minutes ou qui disparaît et


Page 56

réapparaît. Il prend la forme d'une pression inconfortable, d'un serrement, d'une

sensation de lourdeur ou d'une douleur.

2) Un inconfort dans d'autres parties du corps, par exemple douleur ou inconfort dans un

ou dans les deux bras, dans le cou, au niveau de la mâchoire ou de l'estomac.

3) Un essoufflement souvent accompagné d'un malaise à la poitrine, mais qui peut

survenir avant le malaise. Parmi les autres signes, nommons les sueurs froides, les

nausées et une sensation de flottement.

II.4 L’architecture de notre système

Notre simulateur Complex SIMUL comprend des agents réactifs qui vont travailler

d’une façon complémentaire et cohérente et des agents délibératifs de type BDI (Belief,

Desire and Intention) qui vont intégrer la notion de raisonnement pratique de l’être humain

et qui représentent le processus cognitif. Notre système comprend trois types d’agents

différents (Fig 13) :

L’agent victime : c’est un acteur passif, il peut prendre trois cas différents (un malade avec

un visage bleu, rouge ou une victime décédée), il est réactif, il réagit aux actions de l’agent

secouriste (le déplacer, le secourir…).

L’agent environnement : c’est l’agent qui désigne le lieu de l’accident, il est de type

réactif et il est dynamique (la route, la verdure,…).

L’agent secouriste : c’est l’acteur actif de notre situation d’urgence, il se compose de trois

types d’agents :

1) L’agent médecin et l’agent de secours : sont des secouristes de type agent expert, ils

sont des agents réactifs.

2) L’agent non expert : c’est un agent de type BDI (Belief, Desire and intention) c-à-d, cet

agent a des croyances sur le monde dans lequel il évolue, il doit satisfaire des désirs en

effectuant des intentions.


Page 57

Figure. 13 : Le simulateur Complex SIMUL.

III. Pourquoi un agent BDI ?

Le modèle BDI a ses fondements théoriques dans les travaux en philosophie de

Bratman (1987) et Dennett (1989) qui présentent les trois composants de base permettant

de capturer l’interprétation courante du raisonnement humain : les croyances représentant le

savoir de l’agent sur son environnement et son propre état interne ; les désirs ou plus

spécifiquement les buts (des désirs que l’agent veut réaliser) ; et les intentions qui sont

l’ensemble des plans ou séquences d’actions que l’agent veut suivre afin de réaliser ses

buts. Cette architecture est la plus évaluée, au point de vue théorique, un agent BDI peut

accomplir n’importe quel type de tâche, l’architecture permet à ces agents de résoudre des

problèmes complexes. Cohen et al affirment qu’en permettant un niveau d’engagement à un

ensemble d’intentions pour réaliser un but à long terme, le modèle BDI se distingue des

modèles qui permettent uniquement un comportement réactif. Cette notion d’engagement

est donc un composant essentiel du modèle BDI [45]. Rao et Georgeff [46] montrent qu’il

doit aussi y avoir une certaine forme de processus rationnel pour décider quelles intentions


Page 58

sélectionner selon les circonstances. Bien que la manière spécifique de réaliser cela varie

d’une implémentation à une autre. L’architecture BDI offre les caractéristiques de base

suivantes :

Adaptabilité : Les plans ne sont pas complètement spécifiés et peuvent être constitués de

sous-buts imbriqués, ce qui rend l’agent flexible et lui permet de s’adapter à un

environnement changeant.

Robustesse : L’utilisation d’une hiérarchie de plans signifie que si un plan échoue,

potentiellement à cause de changements dans l’environnement pendant son exécution,

l’agent est capable de se ressaisir en exécutant un autre plan applicable s’il en a un

disponible.

Programmation abstraite : Le programmeur spécifie les croyances, désirs et intentions

(concept de haut niveau d’abstraction), ce qui permet de créer des systèmes complexes tout

en maintenant un code transparent et facile à comprendre.

Orientation vers les buts : L’utilisation d’une approche basée sur les buts par rapport à

une approche basée sur la tâche, signifie qu’un agent sait pourquoi il exécute une tâche, ce

qui lui permet d’expliquer son comportement d’une manière intuitive.

Dans cette architecture, les agents possèdent une fonction qui permet d’évaluer l’utilité

de chaque action. Contrairement à l’architecture des agents cognitifs ou les agents posent

des actions aléatoires lorsqu’ ils n’étaient pas en mesure d’atteindre leurs buts, les agents

BDI peuvent déterminer l’action (ou les actions) à effectuer pour se rapprocher le plus

possible du but à atteindre. Cela signifie que lorsqu’ un agent ne peut pas atteindre son but

en posant une action, alors il sélectionnera l’action qui se rapprochera le plus possible du

but à atteindre ou l’action qui lui permettra d’atteindre ce but le plus rapidement.

II. Le fonctionnement de l’agent non expert comme agent BDI (Figure 14)

Notre agent englobe une file d’événements (les actions de secours pour l’agent ) en

stockant les événements internes du système, des croyances (connaissances de l’agent), une


Page 59

librairie de plans (savoir-faire de l’agent), une pile de désirs (buts de l’agent) et une pile

d’intentions (plans instanciés pour atteindre les buts). Le cycle de l’interpréteur BDI

commence par actualiser la file d’événements et les croyances de l’agent. Il active alors de

nouveaux désirs en sélectionnant les plans de la librairie, donc notre agent a la possibilité

de décider en exécutant la première action sélectionnée de la pile des intentions, et ainsi de

suite. Cet agent doit (voir la figure 14) :

1) Observer l’agent environnement et l’agent victime pour connaitre les risques possibles.

2) Signaler une alerte (appel téléphonique par exemple).

3) Dresser un plan sélectionné (et ça dépend de ses désirs).

4) Sélectionner une intention en exécutant l’action du plan correspondant (par exemple le

schéma ABC).

Figure 14 : L’agent BDI de Complex SIMUL.

Notre agent non expert va apprendre pendant la simulation en utilisant son


Page 60

téléphone portable à travers le M Learning en utilisant le schéma ABC.

Nous avons utilisé la notion de priorité pour les agents de secours, l’agent

médecin a la plus haute priorité qui est égale à la valeur 10 puis l’agent de secours qui ne

dépassera pas la valeur 6 de priorité, mais l’agent non expert va prendre la valeur la plus

basse de priorité qui s’initialise à zéro (0) ensuite après chaque succès de secours du même

cas cette valeur va s’incrémenter de 1 et ainsi de suite. La priorité de l’agent non expert est

inférieure ou égale à la priorité de l’agent de secours (inferieur ou égale à 6) mais ces deux

dernières priorités sont toujours inférieures à celle de l’agent médecin.

V. L’application Mobile

L’application mobile reste une interface entre l’utilisateur et le système, elle a été

construite de tel sorte qu’elle soit la plus simple possible, afin de ne pas décourager

l’utilisateur de cette application, et parce qu’aussi, le téléphone mobile ne donne pas un

choix très large dans l’affichage des données. L’application est donc une sorte de

questionnaire (oui/non) auquel l’utilisateur doit répondre afin de cerner l’étape à atteindre,

et de recevoir les instructions à faire dans les brefs délais, les questions posées peuvent

paraitre très simpliste, c’est parce qu’on est parti du principe que l’utilisateur de cette

application est surement une personne qui n’a pas de connaissance très établies dans le

domaine de secourisme, et donc on ne doit pas utiliser beaucoup de termes techniques.

L’organigramme du questionnaire a été composé en 3 étapes selon le schéma ABC [37].

Les nombreux participants à des cours des premiers secours ont mémorisé le moyen

mnémotechnique RRSS (répond-il, respire-t-il, saigne-t-il, son pouls est-il perceptible).

RRSS était une invention purement helvétique. Dans les nouveaux cours, c'est l'abréviation

internationale «ABC» (Airways, Breathing, Circulation – Libérer les voies respiratoires,

Respiration artificielle, Circulation) qui est enseignée. La grande différence entre l'ancien et

le nouveau schéma réside dans le fait qu'avec «RRSS» on faisait une appréciation de l'état

du patient, tandis qu'«ABC» introduit des mesures immédiates, d'où une aide plus rapide

[38].

Le schéma ABC est le sigle anglais d’un moyen mnémotechnique pour mémoriser l'ordre


Page 61

des premiers soins à apporter en cas d'accident. L’algorithme utilisé consiste à protéger la

victime et le secouriste du danger (par exemple du milieu de la route), puis faire une alerte

téléphonique, et après démarrer le secours selon la méthode ABC.

A (for airways) : dégager les voies respiratoires (Figure 15).

B (for breathing) : faire repartir la respiration (Figure 16).

C (for cardiac) : mesurer la présence de rythme cardiaque (Figure 17).

V. 1 La 1ère

étape A

Figure 15 :L’étape A.


Page 62

V. 2 La 2ème

étape B

Figure 16 :L’étape B.

V. 3 La 3ème

étape C


Page 63

Figure 17 :L’étape C.

VI. Complex SIMUL avec l’application Mobile

Figure 18 : Complex SIMUL avec l’application Mobile.

Dés le démarrage de notre simulateur Complex SIMUL, l’agent de secours BDI va

appeler une application Mobile à travers un questionnaire (Oui/Non) (1), en communiquant

avec l’agent périphérique mobile (un agent de type réactif) (2), il a pour but de servir

l’interface entre l’application mobile et l’agent mobile (3), et il va envoyer une requête à

l’agent mobile pour chercher le nom de l’étape demandée, cet agent reste en attente des

messages de l’agent mobile, ce dernier va appeler un autre agent réactif (agent

intermédiaire) (4) pour que l’agent mobile se déplace au site du serveur Web et lance le

script PHP (5) afin d’interroger le serveur de Données pour avoir l’énoncé de l’étape


Page 64

concernée (le contenu du cours) (6). Une fois le cours reçu, il le renvoi à l’agent mobile,

qui l’encapsule et il se déplace à son site initial, puis il transfert la réponse à l’agent

périphérique mobile, et ce dernier va l’afficher, et enfin l’agent BDI va la recevoir et la

stocker dans sa propre base de données. La figure 17 illustre le déroulement de toutes les

étapes.

VII. Conclusion

Dans ce chapitre, nous avons exposé la méthodologie pour la conception de notre

simulation, nous avons mis en place une simulation multi-agent et une application M-

Learning qui est souple et suffisamment intuitif pour aider un sauveteur de premiers

secours à sauver la vie d'une victime d'une crise cardiaque parce que la vitesse de traitement

est très importante.

CHAPITRE 5

Chapitre : 05

Les scénarios de

Complex SIMUL

CHAPITRE V Les scénarios de Complex SIMUL

Page 66

I. Introduction

Dans ce cinquième et dernier chapitre, nous présentons l’implémentation de notre

simulateur, nous enchaineront avec les détails techniques, comme l’explication de certaines

parties du code, et nous détaillerons les captures écran de notre simulateur Complex SIMUL.

II. Présentation de l’application

La figure 19 illustre la présentation des quatres agents (les turtles) de Complex SIMUL :

Figure 19 : La présentation des agents de Complex SIMUL.

Pour présenter les agents, nous avons écrit le code suivant sous Netlogo.


Page 67

La figure 20 présente l’environnement (le patche) :

Figure 20: La présentation de l’environnement

Voici le code correspond au patche


Page 68

Une fois un agent normal devient malade (victime), il change sa forme (voir figure 21).

Figure 21 : Le démarrage de la crise cardiaque.


Page 69

Notre algorithme va calculer les distances entre chaque agent normal et l’agent victime, si

deux distances sont égales, alors il va voir les priorités des agents (les priorités des agents

normaux est inférieure ou égale à 6, les agents de secours est fixée à 6, et le docteur

(médecin) est égale à 10) , comme il est présenté dans la figure 22. Dans ce cas, Complex

SIMUL va faire appel à l’application mobile.

La figure 23 présente la page d’accueil de l’application mobile.

Les figures de 24 à 27 illustrent quelques scénarios selon un questionnaire (Oui/Non).

Figure 22 : Le démarrage du secourisme selon la notion de la priorité et la distance.


Page 70

Figure 23 : L’écran d’accueil de l’application mobile.

Figure 24 : Exemple d’une question posée au secouriste (étape A) et d’une réponse par


Page 71

oui.

Figure 25 : Exemple d’une solution d’une réponse par oui.


Page 72

Figure 26: Exemple d’une question posée au secouriste (étape A) et d’une réponse par

non.

Figure 27 : Exemple d’une solution d’une réponse par non (étape B).

III. Conclusion

L’implémentation de Complex SIMUL a été réalisée avec la plate forme de simulation

(Netlogo) et les plates formes d’exécutions (Jade et Jade leap). Nous avons ciblé des personnes

qui n’ont pas des connaissances bien établies dans le domaine de secourisme, en évitant

l’utilisation des mots techniques.

Conclusion générale

Notre simulateur « Complex SIMUL » est une simulation à base d’agents qui

s’occupe du comportement humain pour intégrer le paradigme de cognition et plus

précisément du raisonnement pratique qui est important dans certains domaines, en

particulier en sciences humaines ou sociales.

Nous avons mis en œuvre un simulateur cognitif qui simule un cas d’urgence médicale

très délicat qui est la crise cardiaque (la principale cause de décès au monde). Complex

SIMUL facilite la notion de secourisme aux personnes qui n’ont pas des connaissances bien

établies dans le domaine.

La solution que nous avons proposé dans ce mémoire de magister est d’utiliser des

agents de type BDI qui définissent les trois composants de base permettant de capturer

l’interprétation courante du raisonnement humain : les croyances représentant le savoir de

l’agent sur son environnement et son propre état interne, les désirs ou plus spécifiquement

les buts (des désirs non conflictuels que l’agent a décidé de réaliser), et les intentions qui

sont l’ensemble des plans ou séquences d’actions que l’agent veut suivre afin de réaliser ses

buts. Cette architecture est la plus idéale pour simuler le raisonnement pratique de l’être

humain, mais elle est très difficile à implémenter au niveau de l’apprentissage. Nous avons

choisit l’apprentissage mobile pour enrichir la base de connaissances du secouriste, en

utilisant la simulation des systèmes complexes.

Une étape future de nos recherches consistera à continuer notre simulation en

améliorant la qualité des connaissances dans le domaine du secourisme et en respectant les

points suivants :

Toucher des cas particuliers des victimes de crise cardiaque (les femmes enceintes,

les enfants, les vieux,…).

Proposer d’autres cas d’urgences médicales.

Utiliser une autre plate forme de simulation comme GAMA et comparer les

résultats.

Intégrer des outils qui facilitent la conception des agents BDI.

Mettre en application sur le terrain de notre simulateur.

ANNEXES

Annexe

ANNEXE

Page 76

Annexe 1 : La plateforme NetLogo

I. Présentation [38]

NetLogo est un environnement de modélisation programmable permettant de

simuler des phénomènes naturels et sociaux. Il a été créé par Uri Wilenski en 1999 et son

développement est poursuivi de manière continue par le Center for Connected Learning and

Computer-Based Modeling. NetLogo convient tout particulièrement à la modélisation de

systèmes complexes évoluant au cours du temps. Les « modélisateurs » peuvent donner des

instructions à des centaines ou des milliers d'« agents » opérant indépendamment les uns

des autres. Ce qui permet d'explorer les liens entre les comportements des individus à leur

niveau et les schémas généraux (comportements de groupe ou de masse) qui émergent des$

interactions entre de nombreux individus. Netlogo est un langage de simulation d'agents, il

est donc un peu particulier. Bien sûr les notions classiques de programmation existent (les

boucles, les tests, les variables, etc...) mais il existe en plus les concepts suivants :

Les agents : ce sont les entités qui vont interagir dans la simulation. Netlogo considère 3

types d'agents :

Les tortues : Netlogo les nomme « turtles », c'est typiquement tout ce qui « vit » dans la

simulation (animaux, plantes, robot, tout ce qui va interagir et « réfléchir »...).

Les « patches » : c'est l'espace dans lequel les tortues vivent. Ce sont carrés qui constituent

l'espace où peuvent évolué les agents.

L' « observer » : l'observateur, c'est à dire nous.

● Notion de « parallélisme »: tout s'exécute « en même temps ». Netlogo met tout en place

pour que tout se passe comme si tous les agents interagissaient en même temps. Le seul

découpage que fait Netlogo est sur le déroulement du temps. Le temps est découpé en

«ticks» (instants) où tous les agents s'animent « en même temps ».

● « interactivité »: on peut interagir avec la simulation en cours d'exécution en écrivant des

commandes via le « command center » (en bas de l'interface)

ANNEXE

Page 77

Figure 1 : la page d’accueil du site officiel de Netlogo.

II. Le « command center » [39]

Le « command center » est la partie basse de la fenêtre de Netlogo.

On peut y donner les mêmes instructions que dans le programme qui définit la simulation.

Cela fait du « command center » un très bon outil pour tester rapidement des idées et se

faire la main avec le langage.

Figure 2 : Le « command center » de Netlogo.

ANNEXE

Page 78

Annexe 2 : La plateforme JADE [40]

I. Introduction

Le meilleur moyen pour construire un système multi-agent(SMA) est d'utiliser une plate-

forme multi-agent. Une plate-forme multi-agent est un ensemble d'outils nécessaire à la

construction et à la mise en service d'agents au sein d'un environnement spécifique. Ces

outils peuvent servir également à l'analyse et au test du SMA ainsi créé. Ces outils peuvent

être sous la forme d'environnement de programmation (API) et d'applications permettant

d'aider le développeur. Nous allons étudier dans cette partie la plate-forme JADE (Java

Agent DEvelopment framework).

II. Brèves descriptions de JADE

JADE (Java Agent DEvelopement framework) est une plate-forme multi-agent créé par le

laboratoire TILAB et décrite par Bellifemine et al. Dans. JADE permet le développement

de systèmes multi-agents et d'applications conformes aux normes FIPA .Elle est

implémentée en JAVA et fourni des classes qui implémentent « JESS » pour la définition

du comportement des agents. JADE possède trois modules principaux (nécessaire aux

normes FIPA).

DF « Director Facilitor » fournit un service de « pages jaunes» à la plate-forme ;

ACC «Agent Communication Channel » gère la communication entre les agents ;

AMS « Agent Management System » supervise l'enregistrement des agents, leur

authentification, leur accès et l'utilisation du système.

Ces trois modules sont activés à chaque démarrage de la plate-forme.

III. La norme FIPA

La FIPA (Foundation for Intelligent Physical Agents) est une organisation à but non

lucratif fondée en 1996 dont l'objectif est de produire des standards pour l'interopération

d'agents logiciels hétérogènes. Par la combinaison d'actes de langages, de logique des

ANNEXE

Page 79

prédicats et d'ontologies publiques, la FIPA cherche à offrir des moyens standardisés

permettant d'interpréter les communications entre agents de manière à respecter leur sens

initial, ce qui est bien plus ambitieux que XML, qui ne standardise que la structure

syntaxique des documents.

IV. Langage de communication de la plate-forme JADE

Le langage de Communication de la plate-forme JADE est FIPA-ACL(Agent

Communication language). La classe ACLMessage représente les messages qui peuvent

être échangés par les agents. La communication de messages se fait en mode asynchrone.

Lorsqu'un agent souhaite envoyer un message, il doit créer un nouvel objet ACLMessage,

compléter ces champs avec des valeurs appropriées et enfin appeler la méthode send().

Lorsqu'un agent souhaite recevoir un message, il doit employer la méthode receive() ou la

méthode blocking Receive().

V. Agent Sniffer

Quand un utilisateur décide d'épier un agent ou un groupe d'agents, il utilise un agent

sniffer. Chaque message partant ou allant vers ce groupe est capté et affiché sur l'interface

du sniffer. L'utilisateur peut voir et enregistrer tous les messages, pour éventuellement les

analyser plus tard. L'agent peut être lancé du menu du RMA ou de la ligne de commande

suivante : Java jade.Boot sniffer:jade.tools.sniffer.sniffer

ANNEXE

Page 80

Figure 3 : L'interface de l'agent Sniffer

Annexe 3 : JADE-LEAP [41]

I. Présentation

A la fin de l'année 1999, un groupe constitué des acteurs principaux du secteur de la

télécommunication mobile se crée pour développer une plateforme conforme aux normes

FIPA pouvant être utilisée sur les supports mobiles. Début 2000, un projet nommé LEAP

(Lightweight Extensible Agent Platform) est créé. Celui-ci a comme but premier la création

d'un middleware suffisamment léger pour les supports ayant des contraintes avec leurs

ressources. Après quelques évaluations, JADE est choisi comme plateforme de base.Le

travail de ce groupe débouche finalement sur une extension de JADE. L'implémentation de

cette extension est en fait une réécriture de certaines parties du noyau de JADE.

On obtient avec cette extension un environnement modifié d'exécution nommé

JADELEAP se déclinant en une version Java SE, personal Java (pJava) et MIDP. JADE et

JADE-LEAP pour Java SE fournissent la même API. D'un point de vue externe, la

différence entre les deux est surtout visible dans l'administration de l'exécution. D'un point

de vue interne, ils diffèrent radicalement. JADE-LEAP pour MIDP peut être considéré

comme une version de JADE-LEAP pour Java SE à laquelle on aurait enlevé quelques

fonctionnalités. JADE-LEAP permet l'utilisation de deux modes d'exécutions : indépendant

(stand-alone) ou séparé (split). Le mode indépendant est conseillé pour la version Java SE,

supporté par la version pJava et non supporté par la version MIDP. La version séparée est

supportée par la version Java SE, conseillée pour la version pJava et est obligatoire pour la

version MIDP. Quand on démarre LEAP en utilisant l'exécution séparée, l'utilisateur crée

une fine couche appelée front-end qui offre les mêmes fonctionnalités qu'un container.

Mais, le frontend n'implémente qu'une partie de ces fonctionnalités et délègue le reste à un

processus distant nommé back-end. L'union du front-end et du back-end forme un

container. Ces deux parties communiquent par une connexion dédiée. Le mode indépendant

consiste en l'utilisation d'un container non-séparé.

ANNEXE

Page 81

Figure 4 : Présentation de JADE LEAP

Page 82

Bibliographie

[1] Dugdale, J., Pavard, B., Soubie, J.L, "A Pragmatic Developpment of a Computer

Simulation of an Emergency Call centre". Designing Cooperative Systems. Frontiers in

Artificial Intelligence and Applications. (Eds) Rose Dieng and Al. IOS Press. 2000.

[2] Ecollan P. «Mise en œuvre de soins médicaux immédiats en présence d'un nombre

important de victimes à Paris: Le plan blanc ». Thèse de Doctorat en médecine, faculté de

médecine PITIE-SALPETRIERE – France. 1989.

[3] N. Bellamine-Ben Saoud, S. Darcy, J. Dugdale, B. Pavard and M. Ben Ahmed.

« Simulation multi-agents de situation de secours d'urgence ». In Proceedings of the 10th

Journees Francophones d’Informatique Medicale. Tunis 4 - 5 September 2003.

[4] Boucher A, Nguyen Nhu Van. « L’interaction dans simulation multi agents ». Hanoi.

Rapport pour le TIPE deuxième semestre. Institut de la francophonie pour

l’informatique.2007.

[6] Ferber J. « Les systèmes multi-agents. Vers une intelligence collective ». Paris. 1995.

[7] LE BARS M., « Un Simulateur Multi-Agent pour l’Aide à la Décision d’un Collectif ».

Thèse de Doctorat Université PARIS IX-Dauphine UFR Sciences des organisations. 2003.

[8] Maes P. « Agents that Reduce Work and Information Overload». Communications of

the ACM. Vol. 37, No.7, pp. 31-40, 146, ACM Press, July 1994.

[9] Wooldridge M., Ciancarini P. «Agent-Oriented Software Engineering: The State of the

Art». Lecture Notes in AI, Springler-Verlag. 2000.

[:] Wooldridge M. «Intelligent Agents: Multiagent systems», Weiss G., Ed.: MIT Press.

1999.

[21] Chaib-Draa B., Jarras I., Moulin B. «Systèmes multi-agents : principes généraux et

applications» Principes et architectures des systèmes multi-agents, J.-P. Briot et Y.

Demazeau (Eds.) Hermès. 2001.

[22] Boissier O. «Modèles et architectures d’agents : Principes et architectures des

systèmes multi-agent». J-P Briot et Y.Demazeau, (Eds.) Hermes. 2001.

[23] Pomerol J-C. «Artificial Intelligence and Human Decision Making». European Journal

of Operations Research. 1997.

Page 83

[24] Bratman M. E, Israel D. J, and Pollack M. «Plans and resource-bounded practical

reasoning». Computational Intelligence. 1988.

[15] Kumar D., Shapiro S.C. «The OK BDI Architecture». IJAIT, International Journal Of

Artificial Intelligence Tools. 1994.

[16] Rao A., Georgeff M. «BDI Agents: From Theory to Practice». Proceedings of the First

International Conference on Multi-Agent Systems (ICMAS-95), Menlo Park,California.

1995.

[17] Busetta P., Ramamohanarao K. «The BDIM Agent Toolkit Design». Thèse de

Doctorat. Victoria, Australia. 1998.

[18] O'Hare G. M. P., Jennings N. R. «Foundations of Distributed Artificial Intelligence».

John Wiley & Sons, Inc., New York, USA. 1994.

[19] Winikoff M., Padgham L., Harland J. «Simplifying the Development of Intelligent

Agents». 14th Australian Joint Conference on Artificial Intelligence (AI'01),

Adelaide,Australia. 2001.

[1:] Georgeff M., Pell B., Pollack M., Tambe M., Wooldridge M. «The Belief-Desire-

Intention Model of Agency». Intelligent Agents, Müller J. -P., Singh M., and Rao A., Eds.

Springler-Verlag Lecture notes in AI. 1999.

[31] Dean Yergens, Julie Hiner, Jörg Denzinger et Tom Noseworthy. «Multi Agent

Simulation System for Rapidly Developing Infectious Disease Models in Developing

Countries». The Fifth International Joint Conference on Autonomous Agents and Multi-

agent Systems (AAMAS’2006). JAPAN. 2006.

[32] Nguyen Thi Thuy, Tuong Vinh. « SMA pour la simulation à base d’agents

d’évacuation de bâtiment dans les cas d’urgence ». Rapport final. Promotion 14, IFI,

Institut de la francophonie pour l’informatique. Hanoi. Juillet 2009.

[33] David B., « Mobile-Learning pour des activités professionnelles ». Cours architecture

informatique, école d’été du CNRS « EIAH ». juillet 2006.

[24] Pierre. S, « Réseaux et systèmes informatiques mobiles ». Fondements, architecture et

applications, Presses Internationales Polytechnique, pp 560-573, 2003.

[35] Trifonov. A, Knapp, Rochentti. « E-learning versus M-learning: Experiences, a

Prototype and First Experimental Results». Proceedings of World Conference on

Page 84

Educational Multimedia, Hypermedia and Telecommunications (ED-Media 2005),

Montreal, Canada. pp. 4751-4758. June-July 2005.

[36] Mercier.F, David. B.T, Chalon.R, Berthet. J. P, «Amphithéâtres interactifs dans

l'enseignement supérieur». In TICE 2004, 4ème colloque international sur les Technologies

de l'Information et de la Connaissance dans l'Enseignement supérieur et l'industrie.

Compiègne, France, Octobre 2004.

[37] « BVE : Bureau Virtuel Etudiant». Projet de la région Rhône-Alpes. 2005. Disponible

dans le site: http://www.cr-rhone-alpes.fr/, consulté le 12-10-2010.

[38] Meyer. C, Pierson. J.M , «WARD Synchronous Sessions with Collaborative Work for

Distance Learning in Multicultural Context». In CALIE 2004,

[39] Toward. L. «True Mobile Learning: What Do We Need in Remote Areas? »

EDUCAUSE Annual Conferences, 2005. Disponible sur le site :

http://www.educause.edu/LibraryDetailPage/666?ID=EDU05128, consulté le 12-10-2010

[3:] Masery.G, Champalle. O, David. B, « Démarche d’aide au choix de dispositifs pour

l'ordinateur porté». In Actes de Ergo IA 2006, Biarritz, 11-12-13 octobre 2006.

[41] Wangyuan-Kai, «Context Awareness and Adaptation in Mobile Learning». In 2nd

IEEE International Workshop on Wireless and Mobile Technologies in Education

(WMTE'04), p. 154. 2004.

[41] Le site : http://pumi.blog.free.fr/index.php?post/2011/03/12/Un-%C3%A9ducateur-

canin-sauve-un-chien-par-la-m%C3%A9thode-CPR-(R%C3%A9animation-

cardiorespiratoire). Consulter le 01-05-2011.

[42] McKesson Provider Technologies, « La crise cardiaque : Signes annonciateurs

précoces », 2006.

[43] Cohen P. R., Levesque H. J, « Intention is Choice with Commitment », Artificial

Intelligence Journal, 1987.

http://www.cr-rhone-alpes.fr/

http://www.educause.edu/LibraryDetailPage/666?ID=EDU05128

http://pumi.blog.free.fr/index.php?post/2011/03/12/Un-%C3%A9ducateur-canin-sauve-un-chien-par-la-m%C3%A9thode-CPR-(R%C3%A9animation-cardiorespiratoire)



Page 85

[44] Rao A. S., Georgeff M. P, « Modeling Rational Agents within a BDI-Architecture », in

J. A. Allen, R. Fikes, E. Sandewall (eds), KR’91, Morgan Kaufmann, p. 473-484, 1991.

[45] « Les premiers secours selon le schéma ABC » disponible dans le site :

http://www.creapharma.ch/urgence_numero.htm. Consulter le 15-06-2011

[36] Lamia B, « Journal d'un médecin : Pourquoi apprendre les gestes d'urgence », article :

Revue de Presse, écrit le 18/09/2011.

[37] Werner Bühler Bilten « nouveau schéma d’action : de RRSS à ABC », article : Journal

des sapeurs-pompiers suisses, 08-2003.

[38] le site : http://homepage.mac.com/jr.luthi/Sites/NetLogo_ESM/docs/index.html.

Consulter le 10-03-2011.

[39] Hubert Wassner , « Tutorial Netlogo & introduction au mini jeu ».

[40] le site : www. jade.tilab.com. Consulter le 05-08-2011

[41] le site: http://sites.google.com/site/tuannguyenlatrobe/research/running-jade-leap-on-

j2me. Consulter le 05-08-2011

http://www.creapharma.ch/urgence_numero.htm

http://homepage.mac.com/jr.luthi/Sites/NetLogo_ESM/docs/index.html

http://sites.google.com/site/tuannguyenlatrobe/research/running-jade-leap-on-j2me

http://sites.google.com/site/tuannguyenlatrobe/research/running-jade-leap-on-j2me

Documents

Simulation multi agents d’un comportement