ABSTRACT. Résumé : Les modèles de simulation à agents sont choisis pour leur capacité à représenter des systèmes dynamiques complexes, décentralisés, aux entités et mécanismes souvent hétérogènes et/ou multiéchelles. Si l’ergonomie et la convivialité de leur implémentation en font des outils transdisciplinaires de choix pour des problématiques concrètes, la robustesse, la sensibilité comme la capacité à être validés de ces modèles restent des problèmes techniques délicats. Par ailleurs, au vu de la richesse des capacités expressives de leurs formalismes, la littérature méthodologique et épistémologique souligne que les SMA peuvent remplir de nombreuses fonctions épistémiques, tantôt alternativement, tantôt simultanément (Humphreys, 2009 ; Phan, Varenne, 2010 ; Varenne, 2010 ; Edmonds et al., 2019). Du fait de leurs qualités propres, les SMA sont en outre souvent convoqués pour outiller la prospective et l’exploration de scenarios, approches elles-mêmes plus anciennes que les SMA (Kahn, Wiener, 1967 ; Durance, Godet, 2010) et dans lesquelles les comportements humains ont une incidence forte. La question que posera cette conférence sera celle de savoir plus spécifiquement comment situer et articuler les pratiques de prospective et d’exploration en « how to » et « what if » que permettent les SMA (p.ex. Gillet et al., 2023) dans une classification des fonctions, des natures, des principes et des usages des modèles que j’ai récemment proposée (Varenne, 2022). L’enjeu est de savoir comment, dans le contexte des SMA, il est possible d’enrichir la catégorie des modèles à fonction prédictive sans la faire pour autant perdre en unité et en cohérence. Je tâcherai de montrer que, d’un point de vue épistémologique, les utilisations des SMA pour des questionnements de type « how to » et « what if » - ou apparentés - nécessitent non seulement une mise au point quant aux différentes fonctions épistémiques chaque fois recherchées mais aussi d’articuler en même temps l’usage (normatif ou prescriptif) recherché avec la ou les fonctions épistémiques du modèle, elles-mêmes explicites ou implicites.

Après des études d’ingénieur (Supélec), de philosophie et d’histoire des sciences, Franck Varenne est devenu professeur de philosophie en lycée puis enseignant-chercheur. Il est actuellement professeur de philosophie des sciences à l’Université de Rouen. Sa recherche en épistémologie porte sur la diversité et l’évolution des modèles et des simulations dans les sciences contemporaines. De façon à pratiquer des analyses comparatives, il a étudié le développement des modèles - en particulier des modèles de simulations - dans des domaines a priori éloignés, comme la biologie des plantes, la sociologie ou encore la géographie des villes. Son travail cherche à rendre compte des apports précis du tournant computationnel dans les modèles contemporains. C’est là qu’il a rencontré à plusieurs reprises les systèmes multi-agents, dans différents domaines d’application. 

ABSTRACT. Résumé : La plupart des questions de Modélisation et de Simulation (M&S) concernant les systèmes complexes requièrent des expertisesappartenant à différents domaines scientifiques. Le défi consiste doncà intégrer rigoureusement les outils de chaque domaine (formalisme etlogiciel de simulation) dans le cadre rigoureux du processus de M&S. La co-simulation est un moyen d’y parvenir.

Durant cet exposé, nous présenterons la co-simulation et les solutionsexistantes. Nous aborderons ensuite la solution que nous avons adoptéeet qui consiste en une stratégie d’intégration de modèles/simulateurshétérogènes à l’aide de DEVS au sein d’un méta-modèlemulti-agent. L’intergiciel Mecsyco met en œuvre toutes cescontributions (mecsyco.com) et a été appliqué avec succès à lacosimulation de systèmes énergétiques.

Vincent Chevrier est professeur des universités. Il enseigne à l’Ecole Nationale Supérieure d’Electricité et de Mécanique (ENSEM) et effectue ses activités de recherche au Laboratoire lOrrain de Recherche en Informatique et ses Applications (LORIA). Ses activités de recherche concernent la modélisation et simulation de systèmes complexes par des modèles multi-agents que ce soit, à l’origine, au travers de modélisation de phénomènes collectifs originaux (araignées sociales, groupe de    rats) et de méthodes de résolution collective de problèmes (dont certaines bio-inspirées du comportement des araignées). Depuis maintenant plus d’une dizaine d’années, elles se focalisent sur l’utilisation du paradigme multi-agent pour la cosimulation de systèmes complexes au travers du projet MECSYCO

ABSTRACT. Les zones urbaines sont soumises à des trafics routiers importants, créant des congestions qui impactent négativement l'économie et les emissions de gaz à effet de serre. Pour pallier ce problème, des systèmes de gestion du trafic (SGT) ont été développés. Les évaluations existantes de ces systèmes souffrent de plusieurs biais, réduisant la crédibilité des résultats. Dans cet article, nous developpons un protocole stochastique d'évaluation des SGT. Le protocole consiste à simuler un grand nombre de fois chaque système sur un unique réseau routier, en faisant varier aléatoirement les flux de véhicules et les paramètres des systèmes. A partir des temps de trajet moyens et des emissions de CO2 par trajet, nous développons deux nouvelles métriques d'analyse du potentiel et de la difficulté de paramétrage des systèmes. A partir d'un exemple d'utilisation de ce protocole, nous démontrons que l'utilisation de simulations stochastiques permet d'obtenir des résultats objectifs, contrairement aux protocoles existants.

ABSTRACT. Pour s'adapter aux problématiques de changement climatique mais aussi de santé publique, des politiques urbaines tentent d'encourager les mobilités douces. Cependant, la part de la voiture reste encore très importante. Au-delà des contraintes connues, nous étudions ici l'impact des biais de perception des différents modes de mobilité sur les choix individuels. Pour cela nous avons conçu un modèle de décision multi-critère, qui intègre aussi l'influence des habitudes et biais de perception. Nous avons ensuite mené une enquête en ligne, qui a obtenu 650 réponses, publiées en données ouvertes. Nous utilisons ces réponses pour calculer des valeurs réalistes de perception des mobilités. Nous avons ensuite implémenté un simulateur Netlogo, publié en open source, en initialisant l'environnement et la population à partir de ces valeurs. Ce simulateur permet de visualiser comment la distribution modale de la population réagit quand l'environnement urbain évolue, selon qu'on active ou pas les biais et les habitudes dans le raisonnement. Cet article présente nos résultats.

ABSTRACT. La modélisation à base d’agents est un outil puissant pour comprendre les problèmes com- plexes. Certains modèles nécessitent de grandes quantités d’agents et de données. La plupart des plateformes de simulation d’agents exécutent les modèles séquentiellement et ne peuvent pas exécuter des modèles de grande taille dans un dé- lai raisonnable, voire ne peuvent même pas les exécuter. Pour résoudre ces problèmes, les SMA peuvent utiliser le calcul distribué pour répartir la charge sur plusieurs processeurs. Cependant, la distribution de SMA introduit de nouvelles problématiques qui sont autant de défis à relever lors de l’exécution des simulations. Cet article présente le concept de modèle de distribution visant à simplifier la distribution des SMA. Ce modèle offre un cadre flexible pour modéliser la distribution de modèles en séparant la modélisation thématique du modèle, de la modélisation de sa distribution. Nous illustrons, avec la plate- forme GAMA, comment améliorer l’expérience des modélisateurs pour distribuer efficacement leur modèle.

ABSTRACT. Aujourd'hui, de nombreuses espèces sauvages sont menacées, entre autres par du braconnage à grande échellle. La lutte contre le braconnage nécessite de coordonner des patrouilles de gardes dans les réserves naturelles, afin de décourager ou d'arrêter les braconniers. Récemment, plusieurs modèles de lutte anti-braconnage, basés sur la théorie des jeux, ont été proposés. De fait, la lutte anti-braconnage est devenue une application populaire de la théorie des jeux et des systèmes multi-agents. Néanmoins, il manque aujourd'hui une implémentation open-source standardisée de la lutte anti-braconage. Une telle implémentation aiderait grandement à la reproductibilité et l'avancement de la recherche sur les systèmes multi-agents compétitifs. L'objectif de cet article est de fournir un environnement, standard et open-source, pour les jeux de lutte anti-braconnage. Nos contributions sont les suivantes : 1) Nous proposons une revue des modèles actuels de lutte anti-braconnage dans le cadre de la théorie des jeux stochastiques partiellement observés. 2) Nous proposons un nouveau modèle capturant l'essence des modèles existants, tout en restant suffisamment simple pour servir de benchmark à la communauté. 3) Nous fournissons une implémentation python open-source d'un simulateur pour ce type de jeu, sous la forme d'un "environnement" compatible avec l'API PettingZoo. Cette implémentation permet un interfaçage aisé avec les librairies d'Apprentissage par Renforcement Multi-Agents (MARL) les plus récentes. 4) Enfin, nous mettons en évidence quelques forces et faiblesses de certaines librairies MARL, en les testant sur un ensemble d'instances variées de problèmes.

ABSTRACT. La transition vers une distribution d’énergie dé- centralisée, où chaque nœud peut fonctionner à la fois comme consommateur et/ou producteur, présente de nombreux défis dans la conception et le test d’algorithmes de contrôle, notamment pour garantir la production. Le modèle actuel de planification énergétique, basé sur l’unifor- mité des nœuds, a du mal à capturer les dyna- miques et les contraintes spécifiques des unités de production individuelles. Cet article présente KEMASS, une méthode et un processus pour gé- nérer un Système Multi-Agent à partir d’Onto- logies et de Graphe de Connaissances décrivant le système, afin d’adapter les algorithmes d’op- timisation des centrales électriques ua nouveau contexte. Appliqué au cas d’une vallée de pro- duction d’énergie française, KEMASS simule de façon réaliste le système physique et optimise le calendrier de production d’énergie, tout en te- nant compte des contraintes locales. Bien qu’il ne s’agisse pas encore d’un jumeau numérique complet pour la génération de plans de produc- tion énergétique, KEMASS, grâce à ses graphes de connaissances et ontologies dynamiques, est plus adaptable à l’évolution vers un tel jumeau numérique que la plupart des méthodes de la littérature. L’utilisation de technologies de re- présentation des connaissances rend KEMASS ouvert à de nombreuses autres applications.

ABSTRACT. L’organisation d’un SMA peut être vue tant du point de vue des interactions individuelles des agents que des schémas collectifs à un niveau plus global. La recherche d’une organisation permettant d’atteindre un objectif sous des contraintes données ou environnementales est centrale dans la conception d’un SMA. Une approche empirique pour trouver une organisation adéquate dans certains environnements complexes peut s’avérer coûteuse. Nous proposons PRAHOM qui augmente le framework de simulation PettingZoo pour suggérer des spécifications organisationnelles susceptibles de guider la conception vers un SMA adéquat. Il intègre des contraintes dans l’apprentissage et génère de spécifications organisationnelles en utilisant les comportements des agents entraînés.