Une architecture logicielle pour la modélisa-tion et simulation orientée agents de chaîneslogistiques

Karam MUSTAPHA

Domaine Universitaire de Saint-JérômeAvenue Escadrille Normandie-Niemen13397 MARSEILLE CEDEX 20

Karam.mustapha@lsis.org

RÉSUMÉ. Notre recherche propose de développer une architecture logicielle pour la modélisa-tion et simulation orientée agents de chaînes logistiques. L’objectif est définir une architecturelogicielle multi-modèle et multi-paradigme ainsi qu’un cadre méthodologique permettant defaciliter la construction de simulation orienté agent d’une chaîne logistique. Dans une pre-mière partie nous montrons notre problématique de recherche. Une deuxième partie présenteplusieurs méthodologies de conceptions de système multi-agent. Une méthodologie est une dé-marche progressive qui commence par la définition des besoins préalables de l’utilisateur pourarriver à une implémentation d’un système capable de satisfaire les besoins initiaux. Enfin,une dernière partie présente notre modèle orienté agent pour la modélisation et simulation desystèmes complexes.

ABSTRACT. Our research proposes to develop a software architecture for modeling and simulationagent-oriented to supply chains. The objective is to define a software architecture multi-modeland multi-paradigm, and a methodological framework to facilitate the construction of simula-tion of a supply chain. In the first part of this paper we are showing our research problem. Inthe second part, we are presenting several methodolorgies for the design of multi-agent sys-tem. Methodologies are a gradual process that begins by defining the needs of the user priorto arriving at an implementation of a system capable of meeting the initial requirements.A finalsection presents our model for agent-oriented modeling and simulation of complex systems.

MOTS-CLÉS : Simulation Orientée Agents, Systèmes Multi-Agents, Chaînes logistiques.

KEYWORDS: Simulation Oriented Agents, Multi-Agent Systems, Supply Chain.

2 Modélisation et Simulation Orientée Agent

1. Introduction

Les agents sont des entités autonomes aptes à exercer leurs fonctions sans avoir be-soin d’une interaction continue de la part d’utilisateur. Les agents sont exploités pourla construction et ou la simulation de systèmes complexes. La simulation orientéeagent (SOA - Agent Based Simulation) est aujourd’hui utilisée dans un nombre crois-sant de domaines, citons notamment la sociologie, biologie, l’économie, la physique,la chimie, l’écologie et le domaine industriel. Dans tous ces domaines, elle remplaceprogressivement les différentes techniques de micro simulation et de simulation orien-tée objets.Cette tendance tout d’abord est due à la capacité de la SOA à appréhender des modèlesdynamiques très différents, composés d’entités très simples (agents réactifs), jusqu’àdes entités plus complexes (sous la forme d’agents délibératifs. Le concept d’agentpermet d’abord de développer des modèles qui ont le principal intérêt d’être exécutés(simulés) permettant l’étude du comportement du système complexe modélisé, et doncde sa dynamique, résultant des comportements des agents en interaction. Un autre in-térêt de la SOA, souvent mis en avant par rapport aux automates cellulaires, est lafacilité avec laquelle elle permet à un modélisateur de manipuler différents niveaux dereprésentation, par exemple individus et groupe d’individus.Le paradigme agent permet ainsi de modéliser et de simuler de manière distribuée,selon différents niveaux décisionnels, le comportement d’une chaîne logistique. Leschaînes logistiques sont de plus en plus complexes et nécessitent en conséquence unemultimodélisation avec l’utilisation de différents formalismes ou paradigme de repré-sentation. L’intégration de ces modèles, ainsi que l’interopérabilité de leur simulation,dans un même environnement informatique sont des problèmes complexes que l’ar-chitecture logicielle envisagée devra assurer.L’architecture devra d’une part permettre de simuler à la fois des processus décision-nels associés à chacun des acteurs de la chaîne ainsi que les échanges d’informationset de connaissances entre ces acteurs, c’est l’aspect décisionnel. Ces échanges per-mettront la coordination de la chaîne, selon une politique qui sera au préalable définie.D’autre part l’architecture devra aussi permettre de simuler la réalisation des opéra-tions, qui sont sous la responsabilité de chacun des acteurs de la chaîne, tant les acteursprimaires participant à l’augmentation de valeur et par là même à l’élaboration du pro-duit que pour les acteurs secondaires, comme ceux assurant le transport, c’est l’aspectopérationnel. Pour cela une architecture à base d’agents hybrides ou une architecturehybride d’agents sera envisagée, faisant coopérer des agents de types cognitifs pourl’aspect décisionnel et des agents réactifs pour l’aspect opérationnel.Notre contribution est de définir une architecture logicielle multi-modèle et multi-paradigme ainsi qu’un cadre méthodologique permettant de faciliter la constructionde simulation d’une chaîne logistique. Dans ce qui suit, nous définissons notre pro-blématique de recherche (voir section 2). Ensuite nous présentons des méthodologiesqui peuvent être utilisées pour la simulation orienté agent (SOA) (voir section 3).Après, nous présentons notre contribution (voir section 4). Enfin nous clôturons parune conclusion et des perspectives éventuelles.

JDL6’09 - Journées des doctorants du LSIS, Giens 3

2. Problématique

Dans [1], LABARTHE propose une démarche de modélisation qui repose sur uneapproche incrémentale selon laquelle différents modèles sont élaborés. Le systèmeréel est tout d’abord représenté par une approche de modélisation liée au domaine del’étude de chaînes logistiques. Ensuite, il s’agit pour le modélisateur, de traduire lemodèle de domaine en un modèle conceptuel. Ce dernier propose une organisationmulti-agents sur la base des observables qui précisent la nature des comportements àsimuler. Il s’agit alors de spécifier les agents définis au niveau conceptuel afin de lesrendre opérationnel. Ce modèle opérationnel constitue une solution d’implémentationdu modèle conceptuel, que l’informaticien permet de rendre exécutable.

Figure 1. Cadre méthodologique pour la modélisation et la simulation orientée agents

Les différents modèles et les phases de transition pour la modélisation et la simu-lation orientée agents au travers du cadre méthodologique sont présentés à la figure 1.Notre problématique de recherche porte sur la modélisation et la simulation de chaîneslogistiques soumises à la dynamique de l’environnement. Notre travail de recherchese focalise sur la partie modélisation conceptuelle et opérationnelle. Les observables,potentiellement liés à la structure organisationnelle du système réel, ne sont pas ex-plicitement représentés dans le modèle opérationnel. Si l’on veut que dans le systèmemulti-agents les informations soient explicites, il faut donc les décrire aux niveauxprécédents (niveau conceptuel et opérationnel). Ensuite, un deuxième objectif de notretravail consiste à proposer un modèle opérationnel suffisamment ouvert sur différentesplateformes logicielles avec des facilités de traduction vers l’implémentation.Cela suppose une architecture logicielle multi-modèle et multi-paradigme ainsi qu’uncadre méthodologique permettant de faciliter la construction de simulation d’une chaîne

4 Modélisation et Simulation Orientée Agent

logistique. Nous étudions dans la section suivante l’ensemble des approches, des concepts,des modèles pour la simulation multi-agents.

3. Méthodologies multi-agents

Une méthodologie est une démarche progressive qui commence par la définitiondes besoins préalables de l’utilisateur pour arriver à une implémentation d’un systèmecapable de satisfaire les besoins initiaux.[2]Un méthodologie se doit de fournir un ensemble approprié d’abstractions pour iden-tifier, formuler et décrire un problème ainsi que sa solution éventuelle. Cette sectionprésente les différentes méthodologies de conception de système multi-agent : GAIA,AGR, ADELFE, CRIO et travail d’Olivier LABARTHE. Nous détaillons pour chaqueméthodologie :

– les méta-modèles qui regroupent les concepts qu’elle représente,– son processus de développement,– une description des éventuels techniques et outils, qu’elle propose pour la phase

d’implémentation.

3.1. Méthodologie GAIA

GAIA est une méthodologie multi-agents la plus connues, mais elle ne couvre queles phases d’analyse et de conception.[3],[4].

– Concepts : Cette méthodologie est conçue, comme l’illustre la figure 2, à partird’analyse du système selon 2 couches. La première couche représente le processusd’analyse et la deuxième la phase de conception. Le processus d’analyse est découpéen deux phases : phase de définition des rôles (roles model) et phase de définition desinteractions (interactions model). Un rôle est défini comme une description abstraitede la fonction qu’une entité peut avoir au sein d’un système. Chaque rôle est décritpar :(1) des permissions qui identifient les ressources que le rôle a la possibilité d’uti-liser, (2) des responsabilités qui définissent les fonctionnalités du rôle, et donc ce qu’ilest capable de réaliser, (3) des protocoles qui symbolisent les interactions entre lesrôles. Ils sont conçus dans la phase de définition des interactions.

La couche de conception est décrite en trois modèles : celui des agents (agent mo-del), celui des services (services model) et celui des accointances (acquaintance mo-del). Elle est définie à partir de la couche précédente. L’agrégation des rôles permetde définir les agents. L’agent possède ainsi les permissions, les responsabilités et lesprotocoles de chacun des rôles agrégés. Les services énumère, les différents servicesassurés par chaque rôle. Enfin, les accointances déterminent par des graphes, les voiesde communications possibles entre les agents en s’appuyant principalement sur lesprotocoles.

JDL6’09 - Journées des doctorants du LSIS, Giens 5

Figure 2. Méthodologie GAIA

– Structure du système : GAIA ne facilite pas la modélisation d’un système àplusieurs niveaux d’abstraction et le raffinement de ses composantes de manière itéra-tive. Ceci est en partie dû au fait qu’elle n’autorise pas une décomposition récursive dusystème. Les rôles sont en effet des entités atomiques situées à un niveau d’abstractiondonné et aucun mécanisme de composition des rôles n’est explicité.

– Relation Système-Environnement : Les informations relatives à l’environne-ment sont implicitement traduites dans les droits et les protocoles des rôles. GAIA nefournit pas de modèle complet de l’environnement ce qui la rend inappropriée pourmodéliser des applications en environnement hétérogène et dynamique.[5].

– Respect des standards : La modélisation dans GAIA est associée aux langagesAUML et UML.

– Outils et Implantation : GAIA n’adresse pas la phase d’implantation, et nefournit par conséquent aucune ligne méthodologique sur cet aspect.

3.2. Méthodologie AGR

AGR est davantage un méta-modèle qu’une véritable méthodologie. Il se concentreessentiellement sur les aspects de conception. Aucun processus de développement nelui est véritablement associé.[6][7][8][16].

– Concepts : AGR est un méta-modèle organisationnel pour les SMA. Lesconcepts sont introduits dans le diagramme UML présenté sur la Figure 3. Lesconcepts d’agent, de groupe et de rôle en constituent la base. Dans le méta-modèleAGR, deux niveaux d’abstraction organisationnel sont pris en compte : l’organisationet le groupe. Le groupe représente un ensemble d’agents partageant certaines caracté-ristiques communes.

Un rôle est la représentation abstraite de la position fonctionnelle d’un agent dansun groupe et un agent est une entité active, communicante, capable de jouer plusieursrôles dans différents groupes. Deux agents ne peuvent communiquer que s’ils appar-

6 Modélisation et Simulation Orientée Agent

Figure 3. Méta-modèle AGR

tiennent à un groupe commun.Le principe de l’approche méthodologique associée, consiste à identifier les princi-paux groupes de l’application de sorte à déterminer la structure organisationnellegénérale du système. Les aspects liés à la dynamique de cette structure, tels que lacréation dynamique des groupes ou encore la gestion de l’accès et de l’exclusion desagents au sein des groupes, sont ensuite spécifiés.

– Structure du système : AGR ne supporte pas la composition d’agents ou la no-tion de holon. En revanche l’approche organisationnelle qu’il adopte, permet de mo-déliser un système à différents niveaux d’abstraction, même si le méta-modèle AGRne fournit pas explicitement les outils nécessaires pour la définition des contributionsentre des organisations situées à des niveaux d’abstraction différents.

– Relation Système-Environnement : AGR ne fournit pas de moyens pour mo-déliser l’environnement et identifier la limite entre le système et l’environnement.

– Respect des standards : La modélisation dans GAIA est associée aux langagesUML.

– Outils et Implantation : AGR est associé à la plate-forme d’implantation Mad-kit qui fournit les concepts de base nécessaires à l’implantation du modèle organisa-tionnel.[9].

3.3. Méthodologie ADELFE

ADELFE (Atelier de Développement de Logiciels à Fonctionnalité Émer-gente).[10][11]. ADELFE est une méthodologie spécialisée dans l’étude des aspectsadaptatifs et auto-organisateurs des SMA. Les concepts dans ADELFE sont introduitsdans le diagramme UML présenté sur la Figure 4. ADELFE est une méthodologie co-opérative, l’agent coopératif est basé sur la perception de l’environnement, la connais-sance et de croyances. L’agent a des caractéristiques qui sont des propriétés physiques.Une caractéristique peut être quelque chose que l’agent peut faire pour changer oumettre à jour ses propriétés. Chaque agent possède des représentations du système qui

JDL6’09 - Journées des doctorants du LSIS, Giens 7

Figure 4. Méthodologie ADELFE

correspond à des croyances au sujet des autres agents, de l’environnement physiquequi l’entoure et de lui même. Ces représentations permettent à l’agent de définir soncomportement. Un agent peut communiquer avec les autres agents ou avec son en-vironnement. La communication directe avec les agents fait appel aux patterns desprotocoles d’interaction. L’agent possède un ensemble de compétences et d’aptitudes,les compétences étant des connaissances particulières lui permettant de réaliser unefonction. L’activité de l’agent, basée sur un ensemble de règles de coopération qui luipermettent d’identifier et de résoudre des situations non coopératives.

– Concepts : ADELFE n’est pas une méthodologie organisationnelle, l’organisa-tion du SMA n’est pas explicitement spécifiée. Elle demeure essentiellement centréesur le concept d’agent.

– Structure du système : ADELFE ne permet pas la modélisation d’un système àdifférents niveaux d’abstraction. Son processus de structuration du système est direc-tement inspiré de l’orienté-objet. Il est basé sur l’exploitation des diagrammes de casd’utilisation et de séquence.

– Relation Système-Environnement : Dès l’analyse des besoins, ADELFEconsacre une activité de son processus à la caractérisation de l’environnement du sys-tème et à l’identification des principales entités qui le composent ainsi qu’à la descrip-tion de leur interaction avec le système.

– Respect des standards : La modélisation dans ADELFE repose sur les langagesde modélisation UML et AUML.

– Outils et Implantation : Le travail de conception au sein d’ADELFE est assistépar l’outil "OpenTool".[12].

3.4. Méthodologie CRIO

La méthodologie CRIO cherche à exploiter les propriétés hiérarchiques des sys-tèmes complexes pour les analyser et les modéliser.[13]

– Concepts : La méthodologie CRIO adopte une approche organisationnelle dontla notion de comportement est l’abstraction qui en constitue la base. CRIO est un

8 Modélisation et Simulation Orientée Agent

méta-modèle organisationnel destiné à la modélisation de systèmes complexes ouvertset de grande échelle. Un méta-modèle se doit de définir de manière exhaustive l’en-semble des concepts manipulés dans le processus de développement. Le méta-modèleCRIO est issu de l’intégration et l’extension de deux méta-modèles existants. Le pre-mier RIO a été proposé dans [14] et fut conçu pour la modélisation organisationnellede systèmes multi-agents non hiérarchiques. Le second est le "framework" génériquepour la modélisation de systèmes multi-agents holoniques proposé dans [15]. RIO tireson nom des trois principaux concepts sur lesquels il repose : Rôle, Interaction, et Or-ganisation. CRIO, quant à lui précise et redéfinit certains des concepts précédemmentintroduits dans RIO et leur adjoint celui de Capacité.

– Structure du système : CRIO supporte la composition ou la notion de holon. Enrevanche l’approche organisationnelle qu’il adopte, permet de modéliser un système àdifférents niveaux d’abstraction.

– Relation Système-Environnement : CRIO distribuer le point de vue adoptésur l’environnement facilite la distribution des applications dans des environnementshétérogènes et distribués.

– Respect des standards : La modélisation dans CRIO repose sur les langages demodélisation UML.

– Outils et Implantation : CRIO n’adresse pas la phase d’implantation, et nefournit par conséquent aucune ligne méthodologique sur cet aspect.

4. Cadre Méthodologique [Olivier LABARTHE]

Olivier LABARTHE [1] propose un cadre méthodologique orienté agents pour lamodélisation et simulation de chaîne logistique. Ce cadre est structuré selon trois ni-veaux : un modèle de domaine, modèle conceptuel et modèle opérationnel. La modéli-sation orientée agents de la chaînes logistique repose sur la transformation du modèlede domaine. Les éléments du modèle de domaine sont représentés dans le modèleconceptuel par des agents et des objets. Il s’agit de spécifier les agents au niveauconceptuel afin de les rendre opérationnel. La transformation des éléments selon deuxtypes d’agents d’un niveau conceptuel : l’Agent-Acteur et l’Agent-Activité. L’Agent-Acteur représente un centre NetMan (Networked Manufacturing) et l’Agent-Activitéreprésente un processus de transformation de distribution ou de stockage réalisé par unAgent-Acteur. A travers la phase de spécification l’informaticien transforme les agentsconceptuels sur la base d’architectures d’agents adaptées à la modélisation opération-nelle. Cette phase repose sur la définition des processus décisionnels et opérationnels.Chaque agent conceptuel est représenté par un modèle d’agent composé de deux ar-chitectures logicielles d’agents : les agents cognitifs et les agents réactifs.Le modèle de l’Agent Acteur représente un acteur du système réel, par son aspectcomportemental, par son rôle social et par les responsabilités qu’il exerce au sein del’organisation.[1] Le modèle de l’Agent Acteur définit une relation de dépendanceentre deux ou plusieurs agents. Il compose deux types d’agents caractérisés par une

JDL6’09 - Journées des doctorants du LSIS, Giens 9

structure interne et des fonctionnalités différentes. Un Agent Acteur en représenté parun seul agent cognitif ou bien par un seul agent réactif selon les spécificités et les ca-ractéristiques du système à simuler. La Figure 5 montre l’Architecture du modèle del’Agent Acteur.

Figure 5. L’Architecture du modèle de l’Agent Acteur [Olivier LABARTHE]

– Concepts : L’Agent-Acteur est une méthodologie organisationnelle. Elle de-meure essentiellement centrée sur le concept d’agent.

– Structure du système : Le modèle de l’Agent Acteur permet de représenter lescomportements des agents d’un point de vue local et d’un point de vue social. Leniveau local recouvre les comportements individuels de l’agent mis en oeuvre pourl’atteinte de ses objectifs propres. Le niveau social concerne les comportements col-lectifs des agents pour la réalisation d’objectifs communs.

– Relation Système-Ennironnement : Le modèle de l’Agent Acteur repose surune architecture d’agent particulière pour la réalisation du système multi-agents. Laconception du système multi-agents découle de la phase d’implémentation. Cettephase nécessite le recours à des environnements informatiques adaptés pour le dé-veloppement des modèles d’agents et de l’organisation multi-agents.

– Respect des standards : Le modèle de l’Agent Acteur est défini en tant quecomposition d’agents élémentaires en interactions. Dans le modèle Agent Acteur il y adeux formalismes de spécification des comportements. Les comportements des agentsréactifs sont spécifiés à l’aide du langage de modélisation AUML. Les comportementsdes agents cognitifs sont spécifiés à l’aide de formalisme RCA.

– Outils et Implantation : Agent Acteur est associé à la plate-forme d’implanta-tion MAJORCA et ANYLOGIC.

5. Vers une cadre méthodologique et une architecture logicielle pour lasimulation de chaînes logistiques

5.1. Force et faiblesse des méthodologies existantes

Dans cette section nous établissons une comparaison entre les principales métho-dologies multi-agents existantes, et plus particulièrement celles qui intègrent la phase

10 Modélisation et Simulation Orientée Agent

d’implémentation. Il s’agit d’analyser ces méthodes au vu des besoins méthodolo-gique, de modélisation et de traduction sur un environnement logiciel que requiert lasimulation multi-niveau, multi-paradigme d’une Chaîne Logistique. Pour cela, nousnous sommes appuyés sur un ensemble de critères de comparaison qui réponde au be-soin de la simulation de chaînes logistiques, pour définir un modèle de modélisationet simulation orientée agent. Ces critères sont les suivants :

– Couverture du cycle de vie : Il vise à déterminer si le modèle de processus dedéveloppement utilisé est clairement défini, ainsi si la méthodologie étudiée couvrel’intégralité du cycle de vie du logiciel de simulation orienté agent.

- Analyse : Cela définit les exigences du système.

- Conception : Durant cette phase, il s’agit de définir tous les rôles impliqués,en particulier, comment les différents rôles seront utilisés, quels services doivent êtrefournis, et enfin quels sont les liens entre ces différents éléments et la manière dont ilsseront pris en charge.

- Concept : Focalise sur l’étude du méta-modèle et des abstractions sous-jacentes.Il vise notamment à déterminer si ce méta-modèle supporte la notion de compositiond’agent et si la méthodologie adopte une approche organisationnelle pour l’étude dusystème.

- Modèles coopératifs : La structure de l’agent coopératif est basée sur desconnaissances et des croyances obtenues par la perception de l’environnement, y com-pris les autres agents. Ensuite, les agents peuvent coopérer et refléter les comporte-ments complexes du système réel.

- Structure du système " Modèle multi-niveaux " : S’intéresse à la modélisa-tion de la structure du système. Elle se charge également de déterminer si l’approcheutilisée autorise ou non la modélisation d’un système à un nombre arbitraire de ni-veaux d’abstraction, ainsi que si elle offre un large panel de structures possibles pourle système.

- Environnement : Ne traite pas de la modélisation de l’environnement propre-ment dit, mais il cherche en revanche à déterminer comment l’approche étudiée permetde caractériser la limite entre le système et son environnement.

- Environnement de développements : Vise à déterminer la plate-forme utiliséedans chaque approche.

- Notation graphique : S’attache à déterminer si l’approche étudiée s’inscrit dansles standards actuels, notamment concernant la description de son processus et leslangages de modélisation utilisés pour décrire ses produits.

Toutes les approches utilisent les rôles afin de promouvoir la souplesse du proces-sus de développement, même des différents niveaux. La plupart de celles-ci exploitentles rôles pour séparer clairement les questions relatives à la vie de l’agent, tel quecomme la mobilité, de questions liées à son socialité, comme l’interaction des pro-

JDL6’09 - Journées des doctorants du LSIS, Giens 11

tocoles. Toutes ces méthodologies ne propose pas d’utiliser les modèles conceptuelspour obtenir une implémentation dans une plate-forme donnée.

GAIA AGR ADELFE CRIOCouverture du cycle de vie Analyse, C. Analyse, C. Conception Conception

Modèle organisationnels Oui Oui Non OuiModèle Coopératifs Non Non Oui NonNotation graphique UML-AUML UML UML-AUML UMLModèle multi-niveaux Oui Oui Non OuiPrise en compte de l’Env. Oui Oui Oui OuiEnvironnement de dévelop-pements

Non Oui "Madkit"’ Oui "ADELFE"’ Non

Support méthodologique Moyen Moyen - -Gestion du temps Non Oui " Dans MI-

MOSA"

Non Non

Tableau 1. Comparaison entre les méthodologies

Les limites de ces méthodologies peuvent être synthétisées par les points suivants :

- l’absence d’une démarche qui assure le passage du niveau conceptuel vers leniveau d’implémentation ;

- le passage de la conception à l’implémentation est coûteux en temps et enefforts de développement ;

- l’organisation ;- multi-modélisation.

5.2. Propositions

Un méta-modèle doit définir de manière exhaustive l’ensemble des concepts mani-pulés dans le processus de développement. Nous proposons de définir un méta-modèleorienté agent en s’appuyant sur les méthodologies existantes cités dans les paragraphes3 et 4. Tout d’abord, notre méta-modèle étend le modèle Agent Acteur. Nous essayonsd’apporter un support méthodologique plus fort par rapport aux autres méta-modèle.Nous avons intégré la notion de groupe comprise dans AGR qui permet d’intégrerà un niveau opérationnel la notion d’hybridation. Ainsi, nous avons également rete-nue le modèle coopératif dans le méthodologie ADELFE, pour assurer la négociationentre les agents dans un système complexe. Enfin, nous avons utilisé le modèle CRIO[13][14][15] qui permet d’écrire un méta-modèle organisationnel destiné à la modéli-sation de systèmes complexes.Il s’agit de préciser un certain nombre de propriété au niveau conceptuel qui pourrontdéfini notamment, la structure organisationnelle au niveau conceptuel qu’on puisse entenir en compte lors de la traduction en un modèle opérationnel. Pour cela, nous avons

12 Modélisation et Simulation Orientée Agent

proposé une approche qui s’appuie sur un méta-modèle pour la modélisation et la si-mulation de système complexe. Notre modèle, se concentre essentiellement sur desaspects de conception et d’analyse. Les concepts sont introduits dans le diagrammeUML présenté dans la figure 6. Ils intègrent les notions de groupe, rôle, interaction,service et dépendance. Le groupe représente un ensemble d’agents. Différents types degroupe peuvent être distingués, à savoir : des groupes de même niveau et des groupestransversaux (Groupe entre plusieurs niveaux). Le rôle représente le concept joué danschaque groupe. Les agents seront déterminés en regroupant les rôles et les services(GAIA). En ce qui concerne la dépendance entre les groupes, plusieurs types de dé-

Figure 6. Le méta-modèle orienté agent proposé pour la modélisation et la simulationde CL

pendance peuvent être représentés, notamment : Abstraction, Utilisation, Instancia-tion, Réalisation, et Substitution. Elles seront utilisées lors de la phase de traduction.Par exemple, si les plates-formes MAJORCA et ANYLOGIC, la dépendance X pourraaider à projeter les agents d’un groupe sur ces 2 environnements.

6. Conclusion et perspectives

Notre travail de recherche consiste à proposer une démarche de modélisation s’ap-puyant sur le paradigme agent pour la simulation de chaînes logistiques. Ceci nous aconduit a proposer un modèle conceptuel pour la modélisation et simulation orientéeagent de chaînes logistiques. Ce modèle, noté modèle orienté agent, s’est concentréessentiellement sur des aspects de conception et d’analyse. Nous comptons dans nostravaux futurs proposer une architecture logicielle pour supporter la transformation dumodèle conceptuel général en un modèle opérationnel. Cette architecture peut être vuecomme l’interaction entre différentes plateformes de simulation, une intersection quipourra être résolue de deux manières différentes : par des signaux et par un médiateur.

JDL6’09 - Journées des doctorants du LSIS, Giens 13

7. Bibliographie

[1] O. LABARTHE, 2006. Modélisation et simulation orientées agents de chaînes logistiquesdans un contexte de personnalisation de masse : modèles et cadre méthodologique.

[2] T. Jarraya, 2006. Réutilisation des protocoles d’interaction et Démarche orientée modèlespour le développement multi-agents. : Thèse, Université de Reims, 2006.

[3] M. Wooldridge et al., 2000. The GAIA methodology for agent-oriented analysis and design.Autonomous Agents and Multi-Agent Systems, 2000.

[4] F. Zambonelli et al., 2003. Developing multiagent systems : the GAIA methodology. : ACMTrans. on Software Engineering and Methodology, 12(3), 2003.

[5] Thomas Juan et al., 2002. Extending the GAIA methodology for complex open systems. :ROADMAP : Extending the GAIA methodology for complex open systems, 2002.

[6] J. Ferber et al., 2004. From agents to organizations : an organizational view of multi-agentsystems In Agent-Oriented Software Engineering IV 4th International Workshop, volume2935 of LNCS, pages 214-230, Melbourne, Australia, mar 2004. Springer Verlag.

[7] J. Ferber and O. Gutknecht, 1998. A meta-model for the analysis and design of organiza-tions in multiagent systems. In Y. Demazeau, E. Durfee, and N.R. Jennings, editors, ThirdInternational Conference on Multi-Agent Systems (ICMAS), Paris, France, july 1998.

[8] J. Ferber and O. Gutknecht., 2001. Proposition d’un modèle organisationnel génériquede systèmes multi-agents et examen de ses conséquences formelles, implémentatoires etméthodologiques. PhD thesis, Université du Languedoc, september 2001.

[9] O. Gutknecht and J. Ferber., 2000. Madkit : a generic multi-agent platform. : autonomousagents. In AGENTS 2000, pages 78-79, Barcelona, 2000. ACM Press.

[10] C. Bernon et al., 2002. ADELFE, a methodology for adaptive multi-agent systems engi-neering. : In Third International Workshop Engineering Societies in the Agents World(ESAW), Madrid, Spain, September 2002. Springer-Verlag.

[11] G. Picard,2004. Méthodologie de développement de systèmes multi-agents adaptatifs etconception de logiciels à fonctionnalité émergente. : PhD thesis, Toulouse III, 2004.

[12] M-P. Gleizes et al., 2003. OpenTool, outil pour la réalisation de systèmes multi-agentsadaptatifs dans le cadre de la méthode ADELFE. : TSI, 2003.

[13] Nicolas A. GAUD, 2006. Systèmes multi-agents holoniques : de l’analyse à l’implanta-tion. Méta-modèle, méthodologie, et simulation multi-niveaux. : Thèse, UTBM, 2007.

[14] V. Hilaire, 2000. Vers une approche de spécification, de prototypage et de vérification deSystèmes Multi- Agents. : PhD thesis, UTBM, 2000.

[15] S. Rodriguez, 2005. From analysis to design of Holonic MAS : A Framework, Methodo-logical Guidelines and Applications. : PhD thesis, UTBM, December 2005.

[16] J. Ferber et al, 2009. Towards an integral approach of organizations in multi-agents sys-tems : the MASQ approach : Semantics and dynamics of organizationel models in VirginiaDignum(ED), March 2009.