La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Émergence fonctionnelle par auto-organisation dans les systèmes artificiels Adaptive Multi-Agent Systems Carole BERNON Équipe SMAC (Systèmes Multi-Agents.

Présentations similaires


Présentation au sujet: "Émergence fonctionnelle par auto-organisation dans les systèmes artificiels Adaptive Multi-Agent Systems Carole BERNON Équipe SMAC (Systèmes Multi-Agents."— 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 2 Plan Principes généraux des systèmes multi-agents (SMA) Exemples dapplications Problématiques de léquipe SMAC Émergence Auto-organisation Coopération Théorie des AMAS (SMA adaptatifs) Exemple dapplications Conclusion – Apports possibles

3 3 Bref historique… Intelligence Artificielle (IA) – Systèmes experts Avant 1980 Programmes capables dexécuter des tâches complexes Concentration de « lintelligence » 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 dinformation, vie artificielle, agents économiques… Mais tout nest pas SMA…

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

5 5 Exemple : « algorithme de colonies de fourmis » Insectes sociaux, intelligence collective (en essaim) [Dorigo96] Métaheuristique doptimisation 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 6 Notion de SMA Ensemble dentités en interaction situées dans un environnement commun et devant réaliser collectivement une tâche Contrôle décentralisé dans les entités

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

8 8 Agent réactif / cognitif Métaphore biologique Pas de modèle symbolique représentant lenvironnement Pas de but, pas (peu) de mémoire Comportement réflexe Communication indirecte Interaction par lenvironnement SMA avec beaucoup dagents 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 dinteraction SMA à peu dagents Organisation sociale Validation formelle

9 9 Agent – Cycle de vie SMA Décider Environnement du SMA Environnement de lagent Percevoir Agir

10 10 Quand utiliser un SMA ? Complexité inhérente de lapplication Limitations logicielles/matérielles Hétérogénéité des composants Absence de solution globale Modélisation de systèmes naturels/sociaux Distribution inhérente de lapplication Différents domaines de connaissances Distribution oDes données oDu contrôle oDes connaissances oDe la sémantique oDes ressources

11 11 Quand utiliser un SMA ? (2) Contraintes dexécution Résolutions concurrentes, simultanées, asynchrones Contraintes de fiabilité, physiques… Besoin dévolutivité Changement déchelle Changement dynamique de données, de traitement Adaptation à des modifications / à lenvironnement Besoin douverture Ajout / retrait dynamique de composants Développement incrémental

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

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

14 14 Quelques exemples dans lindustrie… Massive Software Animation graphique (de foules) oLord of the rings, Harry Potter, Happy feet… Magenta Technology Planification, allocation de ressources en temps réel oTransport routier, maritime… Internet personnalisé oMéta-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 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 cellules, pas dattracteur chimique Exemple 2 E. Coli nageant dans un gradient vertical daspartate

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

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

18 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 19 Centres dintérêts Systèmes multi-agents (logiciels) Les agents interagissent et évoluent dans un environnement commun Résolution de problèmes : interactions résolution Simulation : interactions observation Objectif de léquipe Concevoir des systèmes complexes adaptatifs SMA qui sadaptent pour réagir à un environnement dynamique Adaptation dirigée par auto-organisation La fonction adéquate du système émerge

20 20 Constat Applications : 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 21 Solution ? Un système doit réaliser la « bonne » fonction, celle pour laquelle il a été créé

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

23 23 Solution ? Un système doit réaliser la « bonne » fonction, celle pour laquelle il a été créé Théorème sur ladéquation fonctionnelle coopération Le système doit pouvoir sadapter à son environnement

24 24 Auto-organisation Motif ou fonction du niveau global dun système (SMA) qui émerge suite aux interactions entre composants de plus bas niveau (agents) [Camazine01] Transformation autonome de la topologie dun 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 sadapter aux changements de ses buts et de lenvironnement sans contrôle externe explicite. Lauto-organisation résulte souvent en un comportement émergent désirable ou non [TFGSO04].

25 25 Principe dauto-organisation Environnement Système Perception Temps t : fs Temps t+1 : f*s + Action

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

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

28 28 Agent coopératif Attitude coopérative (moteur de lauto-organisation) Détecte certaines situations (SNC) oUn signal perçu est incompris ou mal compris (incompréhension, incompétence, ambiguïté) oLinformation résultant de cette perception nest pas utile au raisonnement de lagent (improductivité) oSon raisonnement débouche sur des actions inutiles pour les autres agents (inutilité) oEt dautres situations de conflit ou de concurrence Les traite pour revenir à un état coopératif Il ignore la fonction globale du système

29 29 Modèle dagent coopératif Module dinteraction 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 dun certain domaine Module des aptitudes Capacités à raisonner sur ses représentations, ses compétences et ses perceptions Module de coopération Représente lattitude coopérative de lagent

30 30 Modèle dagent coopératif Interaction Perception Actions Compétences AptitudesCoopération Capteur Effecteur StimuliActions Représentations

31 31 Solution ? Un système doit réaliser la « bonne » fonction, celle pour laquelle il a été créé Théorème sur ladéquation fonctionnelle coopération Le système doit pouvoir sadapter à son environnement Auto-organisation des composants adaptation Pas dalgorithme 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 32 Plan Principes généraux des systèmes multi-agents (SMA) Exemples dapplications Problématiques de léquipe SMAC Émergence Auto-organisation Coopération Théorie des AMAS (SMA adaptatifs) Exemple dapplications Conclusion – Apports possibles

33 33 Quelques applications Commerce électronique (Arcadia, Abrose) [Camps98] RoboCup [Pasquet99] Routage dans des réseaux téléphoniques [Dotto99] Résolution déquations 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 34 Exemples dapplications Simulation de fourmis fourrageuses [Topin99] Robots transporteurs [Picard04] Recherche de la conformation spatiale dune molécule [Besse05]

35 35 ANTS – Fourmis fourrageuses Simulation dune 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 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 37 SNC de concurrence (1) Deux choix possibles Continuer à suivre la piste Aller vers la source de nourriture Ne pas être en concurrence Aller vers la source de nourriture

38 38 SNC de concurrence (2) Deux choix possibles Aller vers la source exploitée Aller vers lautre source Ne pas être en concurrence Aller vers lautre source (même sil y en a moins)

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

40 40 Fourmis oecophylles – Agents-fourmis

41 41 Fourmis oecophylles – Agents-fourmis

42 42 ANTS - Démonstration

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

44 44 Robots – Démonstration (début)

45 45 Situations jugées non coopératives Ne pas pouvoir avancer En face dun mur En face dun autre robot allant dans la direction opposée Résoudre ce conflit oSe déplacer de côté oLe robot le plus proche de son but a lavantage Devoir reculer (donc séloigner de son but) Car on est obligé de laisser la place Résoudre cette inutilité oSe déplacer de côté (si possible) oAvancer tant que cest possible OU jusquà rencontrer un autre robot qui recule et est plus près de son but

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

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

48 48 Énergie des liaisons faibles Fonction dénergie potentielle Interactions de van der Waals oÉquilibre (rayon de vdW) Suit une loi (Lennard-Jones, choisie) oEmpirique, paramètres équation inconnue Énergie potentielle globale dune molécule Somme des énergies « faibles » entre couples datomes La conformation spatiale est obtenue en Minimisant lénergie potentielle de la molécule Tout en respectant les contraintes des liaisons fortes

49 49 Approches Problème NP-complet Molécules réelles : repliement en 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 Lénergie potentielle nest pas connue Résolution par émergence Idéal : …en un temps limité…

50 50 Approche par AMAS Résolution par émergence Energie globale de la molécule inconnue Agent = atome Ne connaît pas lénergie globale de la molécule A une vue locale (ses voisins) Essaie de minimiser son énergie locale Se déplace pour rester coopératif Pour réduire lénergie potentielle Tant que son énergie nest 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 dénergie Action : se déplacer pour réduire cette énergie

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

52 52 Évolution dans le temps Adaptation des agents après une phase préliminaire Stabilisation de lénergie globale

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

54 54 Bio-S : Démonstration

55 55 Partenariat en cours… Projet microMéga ANR Modélisation du comportement dune levure SMA adaptatif dont les agents représentent odes éléments (quantité, masse, énergie) odes gènes odes transporteurs odes catalyseurs et des synthétiseurs

56 56 Exemple : Glycolyse

57 57 Partenariat en cours… Projet microMéga ANR Modélisation du comportement dune levure SMA adaptatif dont les agents représentent odes éléments (quantité, masse, énergie) odes gènes odes transporteurs odes 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 58 Plan Principes généraux des systèmes multi-agents (SMA) Exemples dapplications Problématiques de léquipe SMAC Émergence Auto-organisation Coopération Théorie des AMAS (SMA adaptatifs) Exemple dapplications Conclusion – Apports possibles

59 59 Apports possibles des SMA Niveau dabstraction 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 Émergence fonctionnelle par auto-organisation dans les systèmes artificiels Merci pour votre attention

61 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 [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 [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 [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 [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 [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 [Mano 06] J.P. Mano, Etude de lémergence fonctionnelle au sein dun réseau de neuro-agents coopératifs, Thèse de Doctorat de l'Université Paul Sabatier, IRIT, Toulouse III, 30 mai 2006.

62 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 [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, [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 dAgentLinkIII « 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, [Welcomme 08] J.B. Welcomme, MASCODE : un système multi-agent adaptatif pour concevoir des produits complexes. Application à la conception préliminaire avion, Thèse de lUniversité de Toulouse, 31 mars 2008.

63 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, [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): [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, [Lales 07] C. Lales, Modélisation gros grain et simulation multi-agents. Application à la membrane mitochondriale, Thèse de Doctorat de lUniversité de Bordeaux I, décembre 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)


Télécharger ppt "Émergence fonctionnelle par auto-organisation dans les systèmes artificiels Adaptive Multi-Agent Systems Carole BERNON Équipe SMAC (Systèmes Multi-Agents."

Présentations similaires


Annonces Google