Adaptive Multi-Agent Systems Carole BERNON

Présentation au sujet: "Adaptive Multi-Agent Systems Carole BERNON"— Transcription de la présentation:

1 Émergence fonctionnelle par auto-organisation dans les systèmes artificiels
Adaptive Multi-Agent Systems Carole BERNON Équipe SMAC (Systèmes Multi-Agents Coopératifs) Institut de Recherche en Informatique de Toulouse

2 Plan Principes généraux des systèmes multi-agents (SMA)
Exemples d’applications Problématiques de l’équipe SMAC Émergence Auto-organisation Coopération Théorie des AMAS (SMA adaptatifs) Exemple d’applications Conclusion – Apports possibles

3 Bref historique… Intelligence Artificielle (IA) – Systèmes experts
Avant 1980 Programmes capables d’exécuter des tâches complexes Concentration de « l’intelligence » dans un unique système Systèmes experts, représentation des connaissances Modèles de raisonnement IA Distribuée (IAD) - Systèmes Multi-Agents (SMA) Résolution collaborative de problèmes Décentralisation des données (IAD) et du contrôle (SMA) Tout a tendance à devenir agent… Assistants personnels, interfaces, recherche d’information, vie artificielle, agents économiques… Mais tout n’est pas SMA…

4 À la croisée d’influences
Informatique répartie Parallélisme Intelligence Artificielle Programmation Psychologie sociale Sociologie Economie SMA Vie artificielle Réseaux de neurones Systèmes complexes en physique Ethologie Ecologie

5 Exemple : « algorithme de colonies de fourmis »
Insectes sociaux, intelligence collective (en essaim) [Dorigo96] Métaheuristique d’optimisation Recherche du plus court chemin dans un graphe Acheminement de données dans un réseau téléphonique Problème du voyageur de commerce Repliement de protéines Etc. Auto-organisation, stigmergie Problèmes dynamiques, multi-objectifs [Wikipédia]

6 Notion de SMA Ensemble d’entités en interaction situées dans un environnement commun et devant réaliser collectivement une tâche Contrôle décentralisé dans les entités

7 Notion d’agent Entité réelle ou virtuelle située dans un environnement qu’elle peut (partiellement) percevoir et sur lequel elle peut agir de manière autonome [Ferber95] Action Perception Environnement Contrôle du comportement Réactif (réponse à des stimuli) Pro-actif (dirigé par le but) Social (interaction)

8 Agent réactif / cognitif
Métaphore biologique Pas de modèle symbolique représentant l’environnement Pas de but, pas (peu) de mémoire Comportement réflexe Communication indirecte Interaction par l’environnement SMA avec beaucoup d’agents Organisation implicite Validation expérimentale Métaphore sociologique Représentation explicite des autres et de leurs connaissances Notion de but, de mémoire Décision délibérative Communication directe Interactions directes via langages d’interaction SMA à peu d’agents Organisation sociale Validation formelle

9 Agent – Cycle de vie Percevoir Décider Agir SMA
Environnement de l’agent Environnement de l’agent Environnement de l’agent Environnement de l’agent Percevoir Décider Agir SMA Environnement du SMA

10 Quand utiliser un SMA ? Complexité inhérente de l’application
Limitations logicielles/matérielles Hétérogénéité des composants Absence de solution globale Modélisation de systèmes naturels/sociaux Distribution inhérente de l’application Différents domaines de connaissances Distribution Des données Du contrôle Des connaissances De la sémantique Des ressources

11 Quand utiliser un SMA ? (2)
Contraintes d’exécution Résolutions concurrentes, simultanées, asynchrones Contraintes de fiabilité, physiques… Besoin d’évolutivité Changement d’échelle Changement dynamique de données, de traitement Adaptation à des modifications / à l’environnement Besoin d’ouverture Ajout / retrait dynamique de composants Développement incrémental

12 Mais… Absence de contrôle global Absence de vision globale
N’est pas forcément la solution idéale N’est pas une solution miracle

13 Plan Principes généraux des systèmes multi-agents (SMA)
Exemples d’applications Problématiques de l’équipe SMAC Émergence Auto-organisation Coopération Théorie des AMAS (SMA adaptatifs) Exemple d’applications Conclusion – Apports possibles

14 Quelques exemples dans l’industrie…
Massive Software Animation graphique (de foules) Lord of the rings, Harry Potter, Happy feet… Magenta Technology Planification, allocation de ressources en temps réel Transport routier, maritime… Internet personnalisé Méta-recherche, réseau social « intelligents » Dynalogic Simulation urbaine, optimisation circulation Whitestein Technologies Télécommunications, logistique, chaînes de production AOS Plate-forme de développement de systèmes autonomes (Jack)

15 Exemples en biologie - AgentCell
[Emonet05] Modèle étudiant les relations entre les processus intra-cellulaires stochastiques et le comportement de cellules Chimiotactisme numérique Escherichia Coli Exemple 1 1166 cellules, pas d’attracteur chimique Exemple 2 E. Coli nageant dans un gradient vertical d’aspartate

16 Exemple en biologie - MitoScoP
[Lales07] ACI IMPBio Modélisation du métabolisme mitochondrial Agents réactifs Exemple Bicouche avec 2 types de lipides À 2 queues (PC) À 4 queues (cardiolipine) Structure conservée Apparition de cloisonnements

17 Plan Principes généraux des systèmes multi-agents (SMA)
Exemples d’applications Problématiques de l’équipe SMAC Émergence Auto-organisation Coopération Théorie des AMAS (SMA adaptatifs) Exemple d’applications Conclusion – Apports possibles

18 Équipe SMAC Systèmes Multi-Agents Coopératifs IRIT – Thème 3
Dialogue Interaction Autonomie Coopération Responsable Marie-Pierre GLEIZES 16 permanents 2 post-doc 11 doctorants 6 axes de recherche

19 Centres d’intérêts Systèmes multi-agents (logiciels)
Les agents interagissent et évoluent dans un environnement commun Résolution de problèmes : interactions  résolution Simulation : interactions  observation Objectif de l’équipe Concevoir des systèmes complexes adaptatifs SMA qui s’adaptent pour réagir à un environnement dynamique Adaptation dirigée par auto-organisation La fonction adéquate du système émerge

20 Constat Applications : Environnement :
Complexes (contrôle aérien) Ouvertes (Internet) Environnement : Ouverts (Internet) Évolutifs (RoboCup) Besoin de concevoir des systèmes de plus en plus complexes Mais Problème incomplètement spécifié Algorithme pas toujours connu Des « imprévus » doivent être pris en compte

21 Solution ? Un système doit réaliser la « bonne » fonction, celle pour laquelle il a été créé

22 Théorème de l’adéquation fonctionnelle
Systèmes fonctionnellement adéquats Pour tout système fonctionnellement adéquat, dans un environnement donné, il existe un système à milieu intérieur coopératif qui réalise une fonction équivalente Systèmes coopératifs Systèmes à milieu intérieur coopératif

23 Solution ? Un système doit réaliser la « bonne » fonction, celle pour laquelle il a été créé Théorème sur l’adéquation fonctionnelle  coopération Le système doit pouvoir s’adapter à son environnement

24 Auto-organisation Motif ou fonction du niveau global d’un système (SMA) qui émerge suite aux interactions entre composants de plus bas niveau (agents) [Camazine01] Transformation autonome de la topologie d’un système (e.g. connexions réseau) par ses composants résultant du fonctionnement de ce réseau [Camps97] Processus par lequel un système change son organisation interne pour s’adapter aux changements de ses buts et de l’environnement sans contrôle externe explicite. L’auto-organisation résulte souvent en un comportement émergent désirable ou non [TFGSO04].

25 Principe d’auto-organisation
Système Environnement   Perception   Temps t+1 : f*s + Action Temps t : fs

26 Solution ? Un système doit réaliser la « bonne » fonction, celle pour laquelle il a été créé Théorème sur l’adéquation fonctionnelle  coopération Le système doit pouvoir s’adapter à son environnement Auto-organisation des composants  adaptation Pas d’algorithme pour construire un système complexe adaptatif La fonction doit émerger au macro-niveau

27 Agent Autonomie de décision Plongé dans un environnement (évolutif)
But propre (local) Essaie de l’atteindre en utilisant une vue locale de son environnement Cycle de vie (classique) Percevoir Décider Agir

28 Agent coopératif Attitude coopérative (moteur de l’auto-organisation)
Détecte certaines situations (SNC) Un signal perçu est incompris ou mal compris (incompréhension, incompétence, ambiguïté) L’information résultant de cette perception n’est pas utile au raisonnement de l’agent (improductivité) Son raisonnement débouche sur des actions inutiles pour les autres agents (inutilité) Et d’autres situations de conflit ou de concurrence Les traite pour revenir à un état coopératif Il ignore la fonction globale du système

29 Modèle d’agent coopératif
Module d’interaction Interface agent / environnement Module des représentations Connaissance partielle à propos des autres, de son environnement ou de soi-même Module des compétences Connaissance commune à propos d’un certain domaine Module des aptitudes Capacités à raisonner sur ses représentations, ses compétences et ses perceptions Module de coopération Représente l’attitude coopérative de l’agent

30 Modèle d’agent coopératif
Interaction Perception Actions Capteur Effecteur Représentations Aptitudes Stimuli Compétences Actions Coopération

31 Solution ? Un système doit réaliser la « bonne » fonction, celle pour laquelle il a été créé Théorème sur l’adéquation fonctionnelle  coopération Le système doit pouvoir s’adapter à son environnement Auto-organisation des composants  adaptation Pas d’algorithme pour construire un système complexe adaptatif La fonction doit émerger au macro-niveau Chaque composant possède sa propre fonction locale indépendante de la fonction globale  agent Les agents forment un AMAS Adaptation compétences, représentations  AMAS

32 Plan Principes généraux des systèmes multi-agents (SMA)
Exemples d’applications Problématiques de l’équipe SMAC Émergence Auto-organisation Coopération Théorie des AMAS (SMA adaptatifs) Exemple d’applications Conclusion – Apports possibles

33 Quelques applications
Commerce électronique (Arcadia, Abrose) [Camps98] RoboCup [Pasquet99] Routage dans des réseaux téléphoniques [Dotto99] Résolution d’équations Prévision de crues [Sontheimer99] Programmation émergente [Georgé04] Conception de mécanismes aéronautiques [Capera05] Réseau de neurones [Mano06] Allocation dynamique de fréquences [Cornet06] Ontologies dynamiques [Ottens07] Conception avionique [Welcomme08] …

34 Exemples d’applications
Simulation de fourmis fourrageuses [Topin99] Robots transporteurs [Picard04] Recherche de la conformation spatiale d’une molécule [Besse05]

35 ANTS – Fourmis fourrageuses
Simulation d’une fourmilière de fourmis fourrageuses Dans le but de comparer fourmis réelles et fourmis « coopératives » But global Ramener le plus de nourriture au nid Non explicitement donné Cette fonction doit émerger But local Fourrager et ramener de la nourriture Communication Indirecte Dépôt de phéromone

36 Attitude sociale chez un agent-fourmi
Environnement dynamique Apparition / disparition de nourriture Comportement coopératif Éviter les situations non coopératives (SNC) Jugées de son point de vue (local) Les énumérer pour pouvoir les traiter Exemple de SNC : concurrence Entre une piste de phéromone et de la nourriture Entre deux sources de nourriture Entre le nid et de la nourriture

37 SNC de concurrence (1) Deux choix possibles Ne pas être en concurrence
Continuer à suivre la piste Aller vers la source de nourriture Ne pas être en concurrence

38 SNC de concurrence (2) Deux choix possibles Ne pas être en concurrence
Aller vers la source exploitée Aller vers l’autre source Ne pas être en concurrence Aller vers l’autre source (même s’il y en a moins)

39 SNC de concurrence (3) Deux solutions Communication spontanée
Rentrer directement au nid Rentrer en déposant plus de phéromone Communication spontanée

40 Fourmis oecophylles – Agents-fourmis

41 Fourmis oecophylles – Agents-fourmis

42 ANTS - Démonstration

43 Robots Robots transporteurs Deux pièces séparées par deux couloirs
Couloirs de la largeur d’un robot Tâche allouée à un robot : Prendre une boîte dans une pièce La déposer dans l’autre pièce Perception locale Pas de communication directe

44 Robots – Démonstration (début)

45 Situations jugées non coopératives
Ne pas pouvoir avancer En face d’un mur En face d’un autre robot allant dans la direction opposée Résoudre ce conflit Se déplacer de côté Le robot le plus proche de son but a l’avantage Devoir reculer (donc s’éloigner de son but) Car on est obligé de laisser la place Résoudre cette inutilité Se déplacer de côté (si possible) Avancer tant que c’est possible OU jusqu’à rencontrer un autre robot qui recule et est plus près de son but

46 Comportement émergent
Evitement des autres robots  codé Sens de circulation  émergent Non codé explicitement Ne peut être déduit du code des agents

47 Bio-S: Conformation spatiale de protéines
Molécule = atomes liés par deux types de liaisons Interactions fortes Mise en commun d’électrons Définissent des distances inter-atomiques quasiment stables Interactions faibles Natures diverses Interactions de van der Waals Interactions électrostatiques Liaisons di-hydrogènes …. Effets du solvant Effet si nombreuses et entre voisins

48 Énergie des liaisons faibles
Fonction d’énergie potentielle Interactions de van der Waals Équilibre (rayon de vdW) Suit une loi (Lennard-Jones, choisie) Empirique, paramètres équation inconnue Énergie potentielle globale d’une molécule Somme des énergies « faibles » entre couples d’atomes La conformation spatiale est obtenue en Minimisant l’énergie potentielle de la molécule Tout en respectant les contraintes des liaisons fortes

49 Approches Problème NP-complet Approches existantes Mais…
Molécules réelles : repliement en 10-6 s Hypothèse : un jour pour simuler une nanoseconde  30 années CPU !! Approches existantes : distribue le calcul sur un réseau mondial Rosetta : compare une conformation donnée à une base de données Mais… On ne connaît pas tout à propos de la molécule L’énergie potentielle n’est pas connue Résolution par émergence Idéal : …en un temps limité…

50 Approche par AMAS Résolution par émergence
Energie globale de la molécule inconnue Agent = atome Ne connaît pas l’énergie globale de la molécule A une vue locale (ses voisins) Essaie de minimiser son énergie locale Se déplace pour rester coopératif Pour réduire l’énergie potentielle Tant que son énergie n’est pas minimale Sans pénaliser ses voisins (augmenter leur énergie) Ce qui se traduit par cette SNC Détection : être lié à un atome de plus haut niveau d’énergie Action : se déplacer pour réduire cette énergie

51 Entrées / Sortie du système
Description de la molécule (format PDB) Conformation non stable (positions aléatoires) Sortie Conformation stable

52 Évolution dans le temps
Adaptation des agents après une phase préliminaire Stabilisation de l’énergie globale

53 Impact de la taille de la molécule
Temps de résolution : linéaire Technique efficace

54 Bio-S : Démonstration

55 Partenariat en cours… Projet microMéga ANR 2005-2008
Modélisation du comportement d’une levure SMA adaptatif dont les agents représentent des éléments (quantité, masse, énergie) des gènes des transporteurs des catalyseurs et des synthétiseurs

56 Exemple : Glycolyse

57 Partenariat en cours… Projet microMéga ANR 2005-2008
Modélisation du comportement d’une levure SMA adaptatif dont les agents représentent des éléments (quantité, masse, énergie) des gènes des transporteurs des catalyseurs et des synthétiseurs Comportement « nominal » des agents : défini Comportement « adaptatif » : pose problème (bruit) Thèse inter-site Insa/Ups Sylvain Videau SMA adaptatif pour contrôler un bio-procédé

58 Plan Principes généraux des systèmes multi-agents (SMA)
Exemples d’applications Problématiques de l’équipe SMAC Émergence Auto-organisation Coopération Théorie des AMAS (SMA adaptatifs) Exemple d’applications Conclusion – Apports possibles

59 Apports possibles des SMA
Niveau d’abstraction plus bas que les modèles mathématiques Description au niveau individu Modularité, mise au point incrémentale Ouverture, adaptation, émergence Moins formel Plus de puissance de calcul nécessaire

60 Merci pour votre attention http://www.irit.fr/SMAC
Émergence fonctionnelle par auto-organisation dans les systèmes artificiels Merci pour votre attention

61 Références Références internes à SMAC
[Besse 05] C. Besse, Recherche de conformation de molécules et apprentissage du potentiel de Lennard-Jones par systèmes multi-agents adaptatifs, Rapport de Master Recherche IARCL, Université Paul Sabatier, juin 2005. [Camps 97] V. Camps, M.P. Gleizes, S. Trouilhet, Properties Analysis of a Learning Algorithm for Adaptive Systems, First International Conference on Computing Anticipatory Systems, Liège, Belgium, August 1997. [Camps 98] V. Camps, Vers une théorie de l'auto-organisation dans les systèmes multi-agents basée sur la coopération : application à la recherche d'information dans un système d'information répartie, Thèse de Doctorat de l'Université Paul Sabatier N°2890, IRIT, Toulouse, Janvier 1998. [Capera 05] D. Capera, Systèmes multi-agents adaptatifs pour la résolution de problèmes : Application à la conception de mécanismes, Thèse de Doctorat de l'Université Paul Sabatier, IRIT, Toulouse III, 23 juin 2005. [Cornet 06] F. Cornet, Etude d'un problème d'allocation de fréquences par systèmes multi-agents adaptatifs, Rapport de Master Recherche IARCL, Université Paul Sabatier, juin 2006. [Dolto 99] F. Dotto, L. Trave-Massuyes, P. Glize, Acheminement du trafic d'un réseau téléphonique commuté par une approche multi­agent adaptative, Congrès CCIA, Girona. [Georgé 04] J.P. Georgé, Résolution de problèmes par émergence, Etude d'un Environnement de Programmation Emergente, Thèse de Doctorat de l'Université Paul Sabatier, IRIT, Toulouse III, 6 juillet 2004. [Mano 06] J.P. Mano, Etude de l’émergence fonctionnelle au sein d’un réseau de neuro-agents coopératifs, Thèse de Doctorat de l'Université Paul Sabatier, IRIT, Toulouse III, 30 mai 2006.

62 Références (2) [Ottens 07] K. Ottens, Un système multi-agent adaptatif pour la construction d'ontologies à partir de textes, Thèse de Doctorat de l'Université Paul Sabatier, IRIT, Toulouse III, 2 octobre 2007. [Pesquet 99] B. Pesquet, M.P. Gleizes, P. Glize, Une équipe de robots footballeurs auto-organisée : les SMACkers, Intelligence artificielle située, cerveau, corps et environnement, A. Drogoul & J.A. Meyer coordonnateurs, Editions Hermès, 1999. [Picard 04] G. Picard, Cooperative Agent Model Instantiation to Collective Robotics, In 5th International Workshop on Engineering Societies in the Agents World (ESAW 2004), Toulouse, France, M.P. Gleizes, A. Omicini, F. Zambonelli (Eds), Springer Verlag, LNCS 3451, [Sontheimer 99] T. Sontheimer, Modèle adaptatif de prévision de crues par systèmes multi-agents auto-organisateurs, Rapport de stage Institut Universitaire Professionnalisé, 1999, Diren. [TFGSO 04] Rapport du groupe de travail d’AgentLinkIII « Self-organisation in Multi-Agent Systems ». [Topin 99] X. Topin, V. Fourcassie, M.P. Gleizes, G. Theraulaz, C. Régis, P. Glize, Theories and Experiments on Emergent Behaviour: From Natural to Artificial Systems and Back, Proceedings on European Conference on Cognitive Science, Siena, 1999. [Welcomme 08] J.B. Welcomme, MASCODE : un système multi-agent adaptatif pour concevoir des produits complexes. Application à la conception préliminaire avion, Thèse de l’Université de Toulouse, 31 mars 2008.

63 Références (3) Références extérieures à SMAC
[Camazine 01] S. Camazine, J.L. Deneubourg, N. Franks, J. Sneyd, G. Theraulaz G., E. Bonabeau, Self-Organization in Biological Systems, Princeton University Press, 2001. [Dorigo 96] M. Dorigo, V. Maniezzo, A. Colorni, Ant System: Optimization by a Colony of Cooperating Agents, IEEE Transactions on Systems, Man, and Cybernetics - Part B, 26(1):29-41. [Emonet 05] T. Emonet, C. M. Macal, M. J. North, C. E. Wickersham, P. Cluzel, AgentCell: a Digital Single-cell Assay for Bacterial Chemotaxis, Bioinformatics Advance Access, Bioinformatics, 21, [Ferber 95] J. Ferber, Les systèmes multi-agents. Vers une intelligence collective, InterEditions, 1995. [Lales 07] C. Lales, Modélisation gros grain et simulation multi-agents. Application à la membrane mitochondriale, Thèse de Doctorat de l’Université de Bordeaux I, décembre 2007. Liens utiles Massive Software : Magenta Technology : Dynalogic : Whitestein Technologies : AOS : AgentCell : MitoScoP : Le contenu de quelques diapositives est inspiré de celles des cours sur les SMA de : V. Chevrier (Loria) O. Boissier et L. Vercouter (Emse)