Simulation du rôle de la communication dans l’établissement d’un réseau de liens sociaux Projet GPL :

I. Problématique II. Modélisation III. Test IV. Simulation V. Conclusions VI. Perspectives Plan

A-t-on intérêt à communiquer ?  Communiquer coûte  Communiquer rapporte Quel est l’équilibre ? Problématique

But du logiciel : Etudier l’établissement d’un réseau de liens sociaux pour des agents artificiels égoïstes. L’idée sous-jacente est de démontrer que la communication est rentable (dans certain cas) malgré le coût qu’elle représente pour le locuteur. Problème complexe, non résolu par les scientifiques Nombreuses applications : entreprises, individus,… I. Problèmatique

Groupe Fonction : sociale Groupe Fonction : sociale Population Fonction : écologie Population Fonction : écologie Affichage Sauvegarde Affichage Sauvegarde II Modélisation Remarque importante : Les liens sont dissymétriques (chefs/serviteurs)

Chaque agent : ses attributs  une qualité intrinsèque  une propension à communiquer (sous forme de gène)  la qualité visible  les points de vie II Modélisation

Phase 1 : Communication & alliances  tirage au sort de deux individus dans le groupe  celui qui a la qualité visible la plus forte propose de devenir le chef de l’autre puis les 2 agents donnent leur accord.  nombres de chef et de serviteur bornés II Modélisation

Phase 2 : Compétition  classement selon la qualité intrinsèque du chef et de ses serviteurs  redistribution II Modélisation

Phase 3 : reproduction par génération  morts et naissances pour garder la population constante  algorithme génétique assure l’optimisation II Modélisation

Implémentation en Python :  Langage orienté objet encapsulation et possibilité de faire évoluer facilement la modélisation  Portable: sur Unix, Microsoft Windows ou MacOS  Extensible: nombreuses interfaces graphiques  Expressif: implémentation très intuitive « List comprehension » adult_qualities = [x.quality() for x in population if x.age >= 18] II Modélisation

L‘algorithme génétique : Gènome père : Gènome mère : III Test : algorithme génétique « Crossovers » Génome fils :

Les « crossovers » III Test : algorithme génétique

L’optimisation III Test : algorithme génétique

Influence de la mutation : « code barre » III Test : algorithme génétique

 Implémentation :  Complexité : O(taille de la population 2 x nombre de tour x nombre de rencontre)  Temps de calcul : 1min10 pour (population=60, tour=400, rencontre=1) III Test : algorithme génétique

Choix de paramètres pour jouer sur :  la population  l’écologie  les alliances  la simulation IV Simulation

Affichage graphique des résultats :  évolution de la moyenne des gènes de communication sur la durée de la simulation  des alliances au dernier tour de la simulation  des gènes de chaque individu de la dernière génération IV Simulation

Démonstration avec :  maxima de 2 chefs et 15 serviteurs par individu  coût de communication important  moyenne de 15 rencontres par individu et par tour. ici

IV Simulation

V. Conclusions Groupe Fonction : sociale [Marie Clermontelle] Groupe Fonction : sociale [Marie Clermontelle] Population Fonction : écologie [Sophie Auchapt] Population Fonction : écologie [Sophie Auchapt] Affichage Sauvegarde [Mehedi Nouri] Affichage Sauvegarde [Mehedi Nouri]

V Conclusions  Outils de résolution d’un problème complexe  Affichage des résultats agréables Tous les outils sont en œuvre pour répondre au besoin des scientifiques dans ce domaine.

 Rendre l’affichage dynamique  Réduire le temps d’exécution  Sauvegarde des résultats  Complexifier la modélisation  Le rendre utilisable en ligne VI Perspectives

Merci de votre attention Avez-vous des questions ?