Simulation Multi-agents Intelligence Collective ... · L’intelligence Artificielle (Mc Carthy –...

Simulation Multi-agentsIntelligence Collective

Modélisation de comportements

P Mathieu

SMAC/LIFL/Lille1

http://www.lifl.fr/SMAC

E.N.S Cachan, 4/09/2014

philippe.mathieu at lifl dot fr

http://www.lifl.fr/SMAC

P Mathieu, SMAC/LIFL/Lille1 2/39

L’intelligence Artificielle(Mc Carthy – Minsky at Dartmouth, 1955)

Définition difficile D’après M Minski :

construction de programmes informatiques qui s’adonnent à des tâches qui sont, pour l’instant, accomplies de façon plus satisfaisante par des êtres humains car elles demandent des processus mentaux de

haut niveau Donner « l’illusion » de l’intelligence Séparation philosophique

l'intelligence artificielle faible (vue mécaniste) l'intelligence artificielle forte

(avec conscience, sentiments)


Alan Turing

Machine de Turing (1936) Système général de programmation

Calculabilité Indécidabilité de l’arrêt

(semi-decidable)

Un des « Casseurs » d’Enigma (1944)

Test d’intelligence (1950)– Computing machinery and

intelligence– Les machines peuvent-elles

penser ?

1912-1954


La Machine de Turing

Ensemble de rubans infinis de cases (par défaut 1) Alphabet fini (par défaut 0,1) Programme : instructions de forme (q.r.w.m.q')

– q état de départ– r symbole lu (0 ou 1)– w symbole écrit (0 ou 1)– q' état d'arrivée– m mouvement réalisé (L ou R)

Programme = table des transitions

0 1

A 0,A,R 1,B,R

B 1,B,R


Le Test de Turing(Variante du jeu de l’Imitation)

Confrontation verbale avec un ordinateur et un autre humain, en aveugle.

Si celui qui engage les conversations n'est pas capable de distinguer l'ordinateur de l’homme, on peut considérer que le logiciel de l'ordinateur a passé avec succès le test


Evolution temporelle

Ce qui est «intelligent» à l’instant t ne l’est souvent plus en t+1(c’est le cas des échecs ou du calcul formel)

- jeu d'échecs (D Levy 1978-88 ,Deeper Blue) - calcul intégral (Mathematica)

+ traduire parfaitement un texte + conduire une voiture + jouer au foot avec un robot


La définition d’Hofstadter

Th de Tesler : « L'IA, c’est tout ce qui n'a pas encore été fait»

IA : discipline de l'échec.Si on sait le faire, ça n'est plus de l'IA !


Intelligence CollectiveSystèmes Multi-Agents

Certains problèmes font cohabiter et interagir des entités ``autonomes'' (éco-systèmes,...)

Certains problèmes s'appuient naturellement sur une distribution logique de la connaissance (simulateurs, systèmes experts...)

Certains problèmes sont physiquement répartis et nécessitent de distribuer le savoir-faire (DVMT, ...)

Faire collaborer des entités ayant leur propre savoir-faire et leurs propres connaissances pour simuler ou résoudre un problème complexe.


Les Systèmes Complexes

Ils mettent en oeuvre différents composants. Ces composants interagissent avec les autres. Ils évoluent dans un environnement dynamique. Boucles de rétro-actions, systèmes co-évolutifs, … Certains aspects du système ne peuvent être observés,

mesurés ou contrôlés. Les techniques analytiques permettent difficilement de

capter la complexité du système(ex : le pb des N corps)


Exemple : Proie- Prédateurs

Issu de Lotka-Volterra, 1925 : évolution de deux populations animales, l'une de proies (X), l'autre de prédateurs (Y)

dX/dt = a X – b X^2 – c XYdY/dt = -a’ Y + c’ XY

Proies : croissance exponentielle, terme d'auto-limitation lié aux interactions entre congénères, décroissance sous l'effet de la prédation

Prédateurs : décroissance exponentielle de la population qui surviendrait en l'absence de nourriture, croissance fonction de la prédation


Résolution analytique

Recherche de situations remarquables : équilibres, points fixes, catastrophes

Ex : L'allure de la courbe Y=f(X) se déduit assez aisément :

si b/c > 0, on obtient une spirale qui converge vers un attracteur, le point d'intersection des droites x = a’,c' et y = a/c – b/c x

si b/c < 0, le sens de la spirale est inverse et finit par atteindre un des axes avec destruction du système

Si b = 0 (autrement dit, pas d'auto-limitation des proies), l'attracteur est une ellipse et les oscillations sont maintenues indéfiniment.


Problèmes liés à l’approche equationnelle

Reste au niveau de la population globale avec des lois des masse.

Difficultés à rentre compte des interactions au niveau de l’individu.

Les équations doivent souvent être simplifiées pour être manipulées.

Prédictif … et peu explicatif Domaine continu … alors que le monde est

discrétisé


L’approche "centrée individus"

Chaque composant est modélisé individuellement Leur comportement est défini précisément

(Qu’est-ce qu’ils font / quand / où / avec qui) On donne régulièrement la parole à chaque agent, c'est lui qui

décide en fonction de son état et ses perceptions

On parle le même langage que celui des spécialistes Les ordinateurs et logiciels actuels permettent d’entrer dans le

détail


Simulation à base d' « Agents »A.K. Dewdney (1984)


Le modèle Agent

Chaque agent a 3 caractéristiques clés : Un ensemble d’états internes

qui le distingue de ses semblables Une mémoire interne

qui lui fournit éventuellement la matière à “intelligence” et raisonnement

Un ensemble d’opérations qui lui permettent notamment de raisonner et de

communiquer, soit directement, soit par stigmergie.


Système Multi-Agents : SMA

SMA : ensemble d’agents qui évoluent et interagissent dans un environnement.

Faire collaborer des entités ayant leur propre savoir-faire et leurs propres connaissances pour étudier (résoudre / simuler) un problème complexe.

Approche Bottom-Up : modéliser individuellement pour expliquer les phénomènes macro

C'est une approche ! au même titre que l'approche centrée groupe ou IA centralisée

Acronymes : IBM : Individual Based ModellingABS : Agent Based Simulation


Qu’est-ce que l’on peut en attendre ?

Se faire comprendre plus facilement des spécialistes (biologistes, sociologues, géographes, financiers,…)

Simuler des milliers d’individus en interaction Analyser énormément de simulations Etudier l’apparition de phénomènes émergents Modèles explicatifs en plus d’être prédictifs Modèles que l’on peut étendre et adapter facilement

Lien entre niveau micro et niveau macroscopique


Voyelles (Y Demazeau,1997)

En quelques sortes, quelles sont les bonnes questions à se poser :

(A)gents : quels sont-ils ? Quels comportements ?

(E)nvironnement : comment est-il construit ?

(I)nteractions : qui peut faire quoi ?

(O)rganisation : modele social, modèle de communication ?

(U)tilisateur : quelle est sa place ?


Les 3 qualités fondamentales

Adaptativité

On ajoute autant d'agents que l'on souhaite, de manière dynamique.

Le systèmes est « scalable ».

Autonomie

Aucune prise de décision centralisée. Il n'y a pas « Dieu » qui collecte et qui décide pour les autres !

Emergence

Apparition de structures globales non codées explicitement dans les individus.Le niveau Micro est codé.Le niveau macro ne l'est pas.


Deux grandes approches

●M inimaliste (Rasoir d'Occam)● Etant donné un phénomène, quels sont les

modèles et comportements les plus simples permettant d'obtenir le phénomène recherché

● Réaliste● Complexifier les modèles pour coller au plus

près à la réalité


Emergence

Phénomène observé au niveau macroscopique non explicitement codé au niveau des individus.

Arcimboldo (1530-1593)


Les automates Cellulaires(S Ulam, J Von Neuman, 1940)

S Wolfram : A new kind of Science

Les notions : Environnement

– Ensemble de cases constituant un pavage (1D, 2D, 3D,...) Etats

– 2 minimum, mais n possibles Voisinage

– Distance de n, Moore (8 voisins), VonNeuman(4), autres … Règles d'évolution

– Que faire dans toutes les configurations de voisinage possibles Configuration initiale

– État de l'environnement au départ


Automates Cellulaires

Le plus simple : Automates 1 dim …. 2 états, voisinage restreint aux cellules voisines

Ex : motif initial 111 110 101 100 011 010 001 000 Valeur suivante 0 0 0 1 1 1 1 0

(règle 30)

Émergence de formes géométriques remarquables, différentes classes de complexité


Echelle de complexité

Wolfram détermine 4 classes Classe 1 : diagramme espace-temps uniforme

(automate 32) Classe 2 : diagramme espace-temps periodique

(automate 37) Classe 3 : diagrammes apparemment chaotiques

(automate 150)Grande sensibilité aux conditions initiales

Classe 4 : figures régulières de haut niveau, emergence(automate 110)


L’automate 30


Le Jeu de la Vie(J Conway 1970)

Automate à 2 dim, 2 états, 8 voisins Une cellule morte possédant exactement trois voisines vivantes devient

vivante (elle naît). Une cellule vivante possédant deux ou trois voisines vivantes le reste, sinon

elle meurt.


Emergence de glisseurs, lance glisseurs, vaisseaux, jardins d’Eden, Turing equivalence, …

(aleat, puftrain, max, venitian, gun30, makegun, spiral, prime)


La fourmi virtuelle(C Langton 1986)

Environnement grille, cases blanches ou noires. Fourmi avec direction (nord,sud,est,ouest).

A chaque étape la fourmi se déplace d'une case dans la direction et étudie la nouvelle case :

Si elle est blanche, elle la noircit et tourne à droite de 90°

Si elle est noire, elle la blanchit et tourne à gauche de 90°

Le système est réversible !


Le modèle de Ségrégation(T Schelling 1971)

Deux populations sur un quadrillage Chacun a un taux de satisfaction fonction de son

voisinage (moore) Si ce taux est inférieur au seuil acceptable, il bouge Une fois le système stabilisé on calcule un taux de

satisfaction global, moyenne de l’ensemble des individus.


Le modèle de Ségrégation II

Emergence d’auto-organisation, de phénomènes ségrégationnistes.


Le tri du couvain(M Resnick 1994)

Des œufs sont répartis aléat sur le territoire

Chaque termite a un comportement simple : S’il a les mains vides et qu’il rencontre un œuf, il le

prend. S’il a un œuf et qu’il rencontre un autre œuf, il pose le

premier à coté.


Le tri du couvain II

Emergence d’auto-organisation, de tri


Les fourmis(M Resnick 1994)

Chaque fourmi se déplace aléatoirement avec une proba plus forte selon la valeur des phéromones à la recherche de nourriture.

Si elle rencontre de la nourriture, elle dépose ensuite des phéromones jusqu’au nid.

Les phéromones s’évaporent avec le temps


Les fourmis II

Emergence de chemins dus à la collectivité !


Ce qu’apporte l’informaticien des SMA

Travail réalisé dans le langage du domaine étudié. Système de visualisation clair et pédagogique. Modèle (plus) proche du phénomène réel. Facilité de test des différentes hypothèses du

domaine. Modèle explicatif en plus d’être prédictif. Simplification des modèles proposés

Enlever les scories, identifier un noyau pur


Quelques références ...

Informaticiens/Mathematiciens

A TuringJ Von NeumanJ Mc CarthyJ ConwayJ Nash

Biologistes

J Maynard-SmithR DawkinsJ Monod

Economistes/Sciences Politiques

T SchellingW VickreyK ArrowR Axelrod


Bibliographie

Godel Escher BachD Hofstadter, Dunod

Les systèmes Multi-AgentsJ Ferber, InterEditions

Introduction to Multi-Agent Systems M Wooldridge , Wiley

Artificial Intelligence A Modern ApproachSJ Russel P Norvig, Prentice Hall

Les systèmes complexes …H Zwirn, Odile Jacob

Les créatures ArtificiellesJ.C Heudin, Odile Jacob


Bibliographie

La theorie du ChaosJ Gleick, Champs Flammarion

Dieu joue t-il aux désI Stewart, Champs Flammarion

Les Systèmes ComplexesH Zwirn, Odile Jacob

Vie ArtificielleJP Rennard, Vuibert

Intelligence CollectiveE Bonnabeau, G Theraulaz, Hermes


Ressources WEB

www.aboutai.netLe portail de l’A.I.

http://mas.cs.umass.edu/ressources gérées par V Lesser

www.aiguru.comensemble de ressources

www.faqs.org/faqs/ai-faq/ comp.ai , comp.ai.alife etc …

www.markwatson.com/opencontentArtificial programming in Java

Et aussi ai-depot.com , gameai.com, ai-junkie.com

Simulation Multi-agents Intelligence Collective ... · L’intelligence Artificielle (Mc Carthy –...

Documents

Transcript of Simulation Multi-agents Intelligence Collective ... · L’intelligence Artificielle (Mc Carthy –...