Architectures de sélection d actions. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 1 / 101

Dimension: px
Commencer à balayer dès la page:

Download "Architectures de sélection d actions. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 1 / 101"

Transcription

1 Architectures de sélection d actions V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 1 / 101

2 Plan Introduction 1 Introduction V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 2 / 101

3 Introduction Introduction Comment choisir une action qui va mener à l accomplissement des buts de l agent De manière autonome De manière réactive De manière pro-active Comment éviter les oscillations entre actions Architecture de Sélection d Actions V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 3 / 101

4 Introduction suite Introduction Plusieurs techniques possibles dépendantes : du type d architecture des agents des applications V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 4 / 101

5 Part I Architecture BDI V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 5 / 101

6 Plan Introduction 2 Introduction 3 Logique modale pour agents BDI 4 Principes des agents BDI 5 Exemple d implémentation d agents BDI 6 Conclusion V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 6 / 101

7 Principes Introduction [Rao and Georgeff, 1995] L architecture BDI est issue de l étude philosophique du raisonnement pratique. Et consiste à décider à tout moment : Quoi faire, Comment le faire. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 7 / 101

8 Introduction suite Introduction Quand vous avez une décision à prendre vous examinez les choix qui s offrent à vous (les options ou Désirs) et vous en choisissez un dans lequel vous vous engagez. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 8 / 101

9 Introduction suite Introduction Quand vous avez une décision à prendre vous examinez les choix qui s offrent à vous (les options ou Désirs) et vous en choisissez un dans lequel vous vous engagez. Les choix offerts sont fonctions de vos croyances (Beliefs). L option choisie devient une Intention. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 8 / 101

10 Introduction suite Introduction Quand vous avez une décision à prendre vous examinez les choix qui s offrent à vous (les options ou Désirs) et vous en choisissez un dans lequel vous vous engagez. Les choix offerts sont fonctions de vos croyances (Beliefs). L option choisie devient une Intention. Tom a un final le lendemain. Il a le choix de faire la fête ou de rester chez lui pour bosser son examen. S il choisit de faire la fête il va s investir consciencieusement dans ce choix. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 8 / 101

11 Introduction suite Introduction Les hypothèses L intention mène à des actions. L agent va essayer d agir pour aboutir à la satisfaction de l intention. L intention va avoir une persistance dans le temps...mais pas trop. L intention est en lien avec mes croyances (Beliefs) futures. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 9 / 101

12 Introduction Introduction suite et fin En résumé [Wooldridge, 2003] Les intentions dirigent le raisonnement moyen-fins Les intentions contraignent les délibérations futures Les intentions persistent Les intentions influencent les croyances futures V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 10 / 101

13 Plan Logique modale pour agents BDI 2 Introduction 3 Logique modale pour agents BDI 4 Principes des agents BDI 5 Exemple d implémentation d agents BDI 6 Conclusion V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 11 / 101

14 Logique modale pour agents BDI [Weiss, 1999] En logique classique la sémantique d une formule renvoit vraie ou faux. La logique modale propose d autre type de vérité comme il est possible que ou il est nécessaire que V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 12 / 101

15 CTL Logique modale pour agents BDI En fait on considère que la vérité d une formule dépend d un contexte qu on appelle monde possible Une des utilisations de ces mondes possibles est de les considérer comme un historique Logique du temps arborescent V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 13 / 101

16 Logique modale pour agents BDI Quantificateurs de CTL Aφ sur toutes les branches φ Eφ sur certaines les branches φ V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 14 / 101

17 Logique modale pour agents BDI (Bel i φ) i croit que φ est vraie (Des i φ) i désire que φ est vraie (Int i φ) i a l intention de réaliser φ V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 15 / 101

18 Logique modale pour agents BDI Logique pour agents BDI (Des i φ) = (Bel i φ) (Int i φ) = (Des i φ) et donc (Int i φ) = (Bel i φ) V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 16 / 101

19 Logique modale pour agents BDI B=Beliefs, D=Desire, I=Intention B relation d accessibilité des croyances ou opérateur modal. Pour chaque agent et chaque moment tout ce que l agent croit possible. D ou désirs associe à tout moment ce que veut l agent. Un agent a un désir φ a un moment ssi φ est vraie dans les mondes D-accessibles de l agent. I ou intentions associe à tout moment pour chaque agent les conditions vraies pour les futurs de l agent ce qui définit un ensemble de chemins sélectionnés/préférés. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 17 / 101

20 Plan Principes des agents BDI 2 Introduction 3 Logique modale pour agents BDI 4 Principes des agents BDI 5 Exemple d implémentation d agents BDI 6 Conclusion V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 18 / 101

21 Principes des agents BDI Des croyances courantes (Beliefs) une fonction de révision des croyances (brf) une fonction de génération d options (options) des options courantes qui représentent les actions possibles une fonction de filtre qui représente le processus de délibération de l agent et qui calcule les intentions de l agent un ensemble d intentions courantes une fonction de sélection d actions (execute) qui détermine l action à exécuter en fonction des intentions courantes. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 19 / 101

22 Principes des agents BDI B:=B 0 ; I:=I 0 ; tant que True faire p:=getpercept(); B:=brf(B,p); D:=options(D,I); I:=filter(B,D,I); π:=plan(b,i); execute(π); fin Algorithme 1 : Algorithme naïf d un agent BDI V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 20 / 101

23 Exemple Principes des agents BDI Beliefs Desires Intentions exécuté accompli verre verre boire - - g-add(boire) verre boire { soda, - g-add(soda) boisson } aucunsoda boire - frigo frigo, g- add(boire) verre boire { boisson } prendreboisson prendreboisson boire - - boire boire V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 21 / 101

24 Principes des agents BDI Problèmes et hypothèses liés à l algorithme Les intentions posent le problème de comment les réaliser Les intentions fournissent un filtre pour adopter d autres intentions S il y a échec lors de la réalisation d une intention l agent retente Les agents croient que leurs intentions sont possibles E φ Les agents ne croient pas qu ils ne peuvent pas réussir leurs intentions A φ Les agents croient que sous certaines conditions ils peuvent réussir leurs intentions A φ Les agents ne s attendent pas à tous les effets de leur intention V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 22 / 101

25 Principes des agents BDI B:=B 0 ; I:=I 0 ; tant que True faire p:=getpercept(); B:=brf(B,p); D:=options(D,I); I:=filter(B,D,I); π:=plan(b,i); execute(π); fin V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 23 / 101

26 Principes des agents BDI B:=B 0 ; I:=I 0 ; tant que True faire p:=getpercept(); B:=brf(B,p); D:=options(D,I); I:=filter(B,D,I); π:=plan(b,i); execute(π); fin tant que non vide(π) ou succès(i,b) ou impossible(i,b) faire α:=head(π); execute(α); π:=tail(π); p:=getpercept(); B:=brf(B,p); si reconsider(i,b) alors D:=options(π); I:=filter(B,D,I); si non sound(π,i,b) alors π:=plan(b,i); fin V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 23 / 101

27 Remarques Principes des agents BDI Architecture pour SMA cognitifs Comportements fortement prédictibles Problèmes de sémantique et d efficacité Complexité d analyse et conception V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 24 / 101

28 Plan Exemple d implémentation d agents BDI 2 Introduction 3 Logique modale pour agents BDI 4 Principes des agents BDI 5 Exemple d implémentation d agents BDI 6 Conclusion V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 25 / 101

29 IRMA Exemple d implémentation d agents BDI [Chaib-Draa, 2003] Une librairie de plans Beliefs ou croyances Desires sous forme de tâches Intentions sous-ensemble de désirs que l agent a choisi et sur lesquels il s est engagé V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 26 / 101

30 Exemple d implémentation d agents BDI IRMA suite et fin un moteur d inférence pour raisonner sur le monde un analyseur moyen-fin détermine quels plans sont les mieux adaptés pour réaliser les intentions un analyseur d opportunité monitore l environnement et peut générer de nouvelles options un processus de filtrage détermine quelles options sont compatibles avec les intentions courantes un processus de délibération pour décider quelles sont les intentions à adopter V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 27 / 101

31 Plan Conclusion 2 Introduction 3 Logique modale pour agents BDI 4 Principes des agents BDI 5 Exemple d implémentation d agents BDI 6 Conclusion V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 28 / 101

32 Conclusion Conclusion Une des architectures agent les plus utilisés jusque là Lien intuitif avec actes de langages Formalisation de nombreux aspects V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 29 / 101

33 Part II Architectures modulaires V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 30 / 101

34 Plan Subsomption 7 Subsomption 8 Architecture ANA de P. Maes V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 31 / 101

35 Subsomption [Brooks and Connell, 1986] Architecture modulaire verticale Interaction par rapport dominance/dominé V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 32 / 101

36 Subsomption Dominant Stimulus Dominé Réponse V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 33 / 101

37 Subsomption éviter les obstacles Stimulus se rapprocher du but Réponse V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 34 / 101

38 Exemple de genghis Subsomption [Brooks, 1989] V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 35 / 101

39 Subsomption Architecture de genghis Se Lever Marche Simple 2Balance Perceptions Hauteur Patte Moustaches 6Balance Explorer Suiveur Commande V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 36 / 101

40 Plan Architecture ANA de P. Maes 7 Subsomption 8 Architecture ANA de P. Maes V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 37 / 101

41 Définitions Architecture ANA de P. Maes [Maes, 1989] Définition Un module i est défini par un quadruplet (c i, a i, d i, α i ). Où c i est une liste de pré-conditions à remplir avant d activer le module a i et d i sont les effets attendus du module sous la forme de listes d ajouts et de retraits α i est le niveau d activation du module. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 38 / 101

42 Définitions Architecture ANA de P. Maes Il y a un arc successeur d un module x vers un module y pour tout p a x c y Il y a un arc prédecesseur d un module x vers un module y pour tout p c x a y il y a un arc inhibiteur d un module x à un module y pour tout p c x d y V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 39 / 101

43 Architecture ANA de P. Maes Principes : activation Activation par les perceptions : ajout d énergie aux modules qui matchent partiellement l état de l environnement Activation par les buts : ajout d énergie aux modules qui accomplissent un des buts de l agent (add-list) Inhibition par buts protégés : on enlève de l énergie à un module si un des buts déjà réalisé fait partie de sa liste des retraits (delete-list) V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 40 / 101

44 Architecture ANA de P. Maes Principes : propagation Activation des successeurs : on augmente l énergie des successeurs d un module actif Activation des prédecesseurs : on augmente l énergie des prédecesseurs d un module non actif Inhibition des modules conflictuels : chaque module diminue l énergie des modules qui sont en conflit avec lui V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 41 / 101

45 Algorithme Architecture ANA de P. Maes tant que True faire Impacter niveaux d action par env et buts ; Propagation d énergie par les arcs du graphe; Dégrader énergie; si 1 module exécutable et niveau d énergie seuil d activation alors ce module devient actif; remise à 0 du niveau d énergie de ce module; si deux modules répondent à ces conditions alors choix aléatoire; remise à 0 du niveau d énergie de ce module; si aucun module alors seuil diminué de 10% fin V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 42 / 101

46 Architecture ANA de P. Maes Paramètres globaux θ : le seuil pour qu un module devienne actif φ : l énergie qu une proposition vraie observée injecte dans le réseau γ : l énergie qu un but injecte dans le réseau δ : l énergie qu un but protégé enlève du réseau V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 43 / 101

47 Exemple Architecture ANA de P. Maes Soit un robot avec deux mains qui doit se peindre lui-même avec un spray et poncer une planche. Une fois peint le robot n est plus opérationnel. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 44 / 101

48 Architecture ANA de P. Maes Exemple suite PICK-UP-SPRAYER condition-list : sprayer-somewhere hand-is-empty add-list : sprayer-in-hand delete-list : sprayer-somewhere hand-is-empty PICK-UP-SANDER condition-list : sander-somewhere hand-is-empty add-list : sander-in-hand delete-list : sander-somewhere hand-is-empty PICK-UP-BOARD condition-list : board-somewhere hand-is-empty add-list : board-in-hand delete-list : board-somewhere hand-is-empty V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 45 / 101

49 Architecture ANA de P. Maes Exemple suite put down sprayer put down sander put down board predecesseur pick up sprayer pick up sander pick up board inhibiteur spray paint self sand board in hand place board in vise sand board in vise V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 46 / 101

50 Conclusion Architecture ANA de P. Maes Architecture de sélection d actions connectioniste et délibérative Apprentissage des paramètres possible Problème de choix entre actions avec niveau d énergie équivalent Difficulté de prise en compte de buts multiples V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 47 / 101

51 Part III Systèmes Auto-organisé V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 48 / 101

52 Plan Introduction 9 Introduction 10 SMA Holonique Framework générique Exemple : le maillage adaptatif Conclusion 11 Système immunitaire Introduction Réseau idéotypique Structures Exemple : robots footballeurs 12 Sélection par clonage Conclusion 13 Conclusion générale V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 49 / 101

53 Introduction Apparition dynamique de structures intéressantes Etat stable vus comme des solutions (ECO-résolution) Modélisation intentionnelle on va provoquer l émergence de structures organisationnelles pertinentes V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 50 / 101

54 Introduction suite Introduction Plusieurs niveaux d interprétation/modélisation nécessaire pour expliquer l émergence en terme d organisations. Les choses n existent que de la façon dont on les perçoit à une certaine échelle. B. Mandelbrot V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 51 / 101

55 Plan SMA Holonique 9 Introduction 10 SMA Holonique Framework générique Exemple : le maillage adaptatif Conclusion 11 Système immunitaire Introduction Réseau idéotypique Structures Exemple : robots footballeurs 12 Sélection par clonage Conclusion 13 Conclusion générale V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 52 / 101

56 SMA Holonique Définition structures naturelles ou artificielles qui ne sont ni touts ni parties au sens absolu. (Kostler, 1967) Chaque holon peut être composé d un ensemble de sous-holons et/ou être membre d un holon qui le contient Cette holarchie définit une structure organisationnelle apte à réagir de manière dynamique aux changements de l environnement Chaque holon utilise au mieux les ressources et répond au mieux aux buts du système V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 53 / 101

57 Exemple SMA Holonique V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 54 / 101

58 Exemple suite SMA Holonique V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 55 / 101

59 Structure d un holon SMA Holonique Framework générique Comment les sous-holons sont organisés pour former un super-holon? trois solutions [Gerber et al., 1999] V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 56 / 101

60 Structure d un holon SMA Holonique Framework générique Comment les sous-holons sont organisés pour former un super-holon? trois solutions [Gerber et al., 1999] Fusion V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 56 / 101

61 Structure d un holon SMA Holonique Framework générique Comment les sous-holons sont organisés pour former un super-holon? trois solutions [Gerber et al., 1999] Fusion Groupes modérés V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 56 / 101

62 Structure d un holon SMA Holonique Framework générique Comment les sous-holons sont organisés pour former un super-holon? trois solutions [Gerber et al., 1999] Fusion Groupes modérés Fédération V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 56 / 101

63 SMA Holonique Framework générique [Rodriguez et al., 2003] Standalone : initialisation, un holon tout seul Head : représentant d un holon à l extérieur, gère le holon Part : membre d un holon Multipart : membre de plusieurs holons V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 57 / 101

64 SMA Holonique Framework générique : structure Framework générique V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 58 / 101

65 Interactions inter-holons SMA Holonique Framework générique Fusion Standalone 1 * Head > merge <accept refuse V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 59 / 101

66 Interactions intra-holon SMA Holonique Framework générique Holon Management Multipart * 1 Head 1 Part * V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 60 / 101

67 Satisfactions SMA Holonique Framework générique Self Satisfaction (SS i ) produite pour un holon i par ses actions. Collaborative Satisfaction (CSi H ) produite pour un holon i par ses collaboration avec les autres membres du super-holon H. Accumulative Satisfaction (AS i ) produite pour un holon i par ses collaborations avec les membres des super-holons. AS i = CS p i p superholon(i) p (1) V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 61 / 101

68 Satisfactions (suite) SMA Holonique Framework générique Instant Satisfaction (IS i ) Current satisfaction of holon i CS i + SS i R i = Part Head i HMAS IS i = AS i + SS i R i = MultiPart SS i R i = Stand Alone (2) R i : role joué par le holon i. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 62 / 101

69 Dynamique des rôles SMA Holonique Framework générique Stand Alone [ SS < NS ] Head [ SS < NS ] [ LS > SS or REJECTED ] [ ( SS < NS ) and ( SS > Head.SS ) ] Fusioning [LS < SS] Part V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 63 / 101

70 SMA Holonique Framework générique : affinité Framework générique Critère de décision pour le choix du holon avec qui fusioner Heuristique pour l émergence de structures organisationnelles Attirance/complémentarité de services/ressources V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 64 / 101

71 Le maillage adaptatif SMA Holonique Exemple : le maillage adaptatif V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 65 / 101

72 SMA Holonique Exemple : adaptation du framework Exemple : le maillage adaptatif Satisfaction NS = couverture maximale des stations émettrices SS = ressource d un holon Head.SS = ressource d une maille V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 66 / 101

73 SMA Holonique Exemple : adaptation du framework Exemple : le maillage adaptatif Affinité Affinité liée à la distance (contrainte géométrique) On conserve des mailles convexes Affinité liée à la ressource (couverture) On tente d obtenir des mailles de ressource homogène V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 67 / 101

74 SMA Holonique Exemple : le maillage adaptatif Head Parts Holon trying to fusion Acceptance distance Average Distance V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 68 / 101

75 Conclusion SMA Holonique Conclusion Framework générique pour SMA auto-organisés Difficulté de conception de la distance et du paramétrage des satisfactions V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 69 / 101

76 Plan Système immunitaire 9 Introduction 10 SMA Holonique Framework générique Exemple : le maillage adaptatif Conclusion 11 Système immunitaire Introduction Réseau idéotypique Structures Exemple : robots footballeurs 12 Sélection par clonage Conclusion 13 Conclusion générale V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 70 / 101

77 Vue calculatoire du SI Système immunitaire Introduction [Farmer et al., 1986] parallèle, distribué, système complexe (non prévisible). V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 71 / 101

78 Principes généraux Système immunitaire Introduction Collectif : La réponse du SI est collective c est l anticorps dont le paratope correspond le mieux à l épitope de l antigène. Auto-régulé : au travers de stimulation-inhibition la population d anticorps évolue selon les agressions. Auto-organisation : la structure du SI varie selon les évolutions de l environnement. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 72 / 101

79 Mécanismes de base Système immunitaire Introduction Le SI fonctionne selon trois grands principes Reconnaissance (intrus/non intrus) Apprentissage Mémoire associative V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 73 / 101

80 Comment ça marche? Système immunitaire Introduction Système Immunitaire au repos Antibody 1 Antibody 2 Antibody 3 V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 74 / 101

81 Comment ça marche? Système immunitaire Introduction Antigen Un Antigène arrive Antibody 1 Antibody 2 Antibody 3 V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 74 / 101

82 Comment ça marche? Système immunitaire Introduction Antigen l Antigène est reconnu (self/non self) Antibody 1 Antibody 2 Antibody 3 V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 74 / 101

83 Comment ça marche? Système immunitaire Introduction Antigen Antibody 3 Mémoire Associative Antibody 1 Antibody 2 Antibody 3 Antibody 3 Antibody 3 V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 74 / 101

84 Comment ça marche? Système immunitaire Introduction Immune System au repos et amélioré (apprentissage) Antibody 1 Antibody 2 Antibody 3 V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 74 / 101

85 Réseau idéotypique Système immunitaire Réseau idéotypique [Jerne, 1974] Les anticorps communiquent par des liens de stimulation-inhibition et identifie les intrusions (antigènes) L idéotope d un anticorps est reconnu par les autres anticorps comme un antigène. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 75 / 101

86 Système immunitaire Réseau idéotypique de Jerne Structures [Watanabe et al., 1999] Antigen epitope B Cell 3 B Cell 2 idiotope 3 paratope 3 B Cell 1 idiotope 2 paratope 2 idiotope 1 Stimulation paratope 1 Suppression V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 76 / 101

87 Système immunitaire Mécanisme d adaptation Structures Mécanisme d auto-régulation. Maintenance d un ensemble approprié de cellules. Optimisation de la réaction à l environnement. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 77 / 101

88 Comportement du SI Système immunitaire Structures [Watanabe et al., 1999] Bone marrow Immune Network remove natural death incorporation new antibody proliferation V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 78 / 101

89 Système immunitaire Structures Résolution par Auto-organisation Emerged service idiotypic network=h agent B agent V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 79 / 101

90 Structure des agents Système immunitaire Structures [Watanabe et al., 1999] précondition attributs, code, données, comportement Paratope Spécification de l agent références au à d autres B-Agent à stimuler ou inhiber avec le degré correspondant (affinité) Idéotope V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 80 / 101

91 Structure du SMA Système immunitaire Structures [Suzuki and Yamamoto, 2000] Antibody 1 paratope behaviour m1i mi1 Antibody 1 paratope behaviour Antibody j paratope behaviour mji Antibody i paratope behaviour mik Antibody k paratope behaviour Antibody N Antibody M paratope behaviour mni Antigen 1 mim paratope behaviour V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 81 / 101

92 Méchanisme d affinités Système immunitaire Structures Ab i est choisit, {Ab j1,..., Ab jn } sont sélectionnés Ab i reçoit des récompenses : les affinités de {Ab j1,..., Ab jn } avec Ab i augmentent Ab i reçoit des pénalités : les affinités de Ab i avec {Ab j1,..., Ab jn } augmentent V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 82 / 101

93 Calcul de l affinité Système immunitaire Structures m 12 = T p Ab1 + T Ab2 r T Ab2 Ab1 (3) is the number of times penalty reinforcement signals were received when Ab1 was selected. T Ab1 p is the number of times reward reinforcement signals were received when Ab2 was selected. T Ab2 r TAb1 Ab2 is the number of times both, Ab1 and Ab2, have reacted to specific antigens. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 83 / 101

94 Système immunitaire Calcul de la concentration Structures da i (t) dt = (α 1 N N m ji a j (t) α 1 M j=1 M m ik a k (t) + βm i k i )a i (t) k=1 stimulation par anticorps ayant une affinité positive inhibition par anticorps ayant une affinité négative m i =0 1 (stimulé ou non) facteur de dissipation V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 84 / 101

95 Système immunitaire Structures Calcul de la concentration (suite) La valeur calculée est rapporté à un intervalle [0,1] a i (t) = exp(0.5 A i (t)) V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 85 / 101

96 Scénario Système immunitaire Structures ImmuneSystem Antibody environmentanalysis() *antigens() stimulationtest() *[stimulated]broadcast() sendconcentration() computeconcentration() choosewinningantibody() execute() behavior() analyseaction() *reinforcement() updateaffinities() Figure: Séquence typique d interactions V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 86 / 101

97 Principes généraux Système immunitaire Exemple : robots footballeurs Equipe Affectation role Role Affectation objectif Mouvement V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 87 / 101

98 SI de bas niveau Système immunitaire Exemple : robots footballeurs Quelques anticorps : Paratope Spécification de l agent AimFront MoveFront ObstacleLeft MoveFront ObstacleRight TurnLeft Idéotope V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 88 / 101

99 SI de niveau moyen Système immunitaire Exemple : robots footballeurs defense far defense far defense far Figure: Examples of medium level antibodies Precondition Behavior Affinities defense-far NorthEast Table: Medium level immune system antibody example V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 89 / 101

100 SI de haut niveau Système immunitaire Exemple : robots footballeurs Precondition Behavior Affinities TeamInControl and (BallZone goalkeeper, near-defender, =1 or BallZone=2 or Ball- midfielder, left-attacker, rightattacker Zone=3) Table: High level immune system antibody example V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 90 / 101

Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services

Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services 69 Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services M. Bakhouya, J. Gaber et A. Koukam Laboratoire Systèmes et Transports SeT Université de Technologie de Belfort-Montbéliard

Plus en détail

L apprentissage automatique

L apprentissage automatique L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer

Plus en détail

Système immunitaire artificiel

Système immunitaire artificiel République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieure Université des Sciences et de la Technologie D Oran Mohammed Boudiaf (USTO) Faculté des Sciences Département d Informatique

Plus en détail

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines

Plus en détail

Application du système immunitaire artificiel ordinaire et améliore pour la reconnaissance des caractères artificiels

Application du système immunitaire artificiel ordinaire et améliore pour la reconnaissance des caractères artificiels Application du système immunitaire artificiel ordinaire et améliore pour la reconnaissance des caractères artificiels Hiba KHELIL, Abdelkader BENYETTOU Laboratoire SIgnal IMage PArole SIMPA Université

Plus en détail

Modélisation multi-agents - Agents réactifs

Modélisation multi-agents - Agents réactifs Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf

Plus en détail

Artificial Intelligence AI

Artificial Intelligence AI Pedagogical Introduction Artificial Intelligence AI Lecture 0 Karim Bouzoubaa This Lecture General Information Examples Importance At the end Intelligent Systems Course Content, Other AI courses, Learning

Plus en détail

Curriculum Vitae. 1 Etat civil. 2 Diplômes. 3 Thèse. 4 Publications. 4.1 Publications dans des revues ou chapitres de livres

Curriculum Vitae. 1 Etat civil. 2 Diplômes. 3 Thèse. 4 Publications. 4.1 Publications dans des revues ou chapitres de livres Curriculum Vitae 1 Etat civil Nom : Hilaire Prénom : Vincent Date et lieu de naissance : 15/12/1972 à Béziers (34) Situation de famille : marié e-mail : vincent.hilaire@utbm.fr 2 Diplômes Baccalauréat

Plus en détail

Modélisation du comportement habituel de la personne en smarthome

Modélisation du comportement habituel de la personne en smarthome Modélisation du comportement habituel de la personne en smarthome Arnaud Paris, Selma Arbaoui, Nathalie Cislo, Adnen El-Amraoui, Nacim Ramdani Université d Orléans, INSA-CVL, Laboratoire PRISME 26 mai

Plus en détail

MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS. Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.

MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS. Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln. MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.fr Plan Introduction Généralités sur les systèmes de détection d intrusion

Plus en détail

Gestion de la sécurité des réseaux : une nouvelle approche par système multi-agents

Gestion de la sécurité des réseaux : une nouvelle approche par système multi-agents Gestion de la sécurité des réseaux : une nouvelle approche par système multi-agents Karima Boudaoud Université de Genève 24 rue Général Dufour 1200 Genève Suisse Email : Karima.Boudaoud@cui.unige.ch Charles

Plus en détail

Programmation de services en téléphonie sur IP

Programmation de services en téléphonie sur IP Programmation de services en téléphonie sur IP Présentation de projet mémoire Grégory Estienne Sous la supervision du Dr. Luigi Logrippo Introduction La téléphonie sur IP comme support à la programmation

Plus en détail

Un système multi-agents pour la détection d intrusions

Un système multi-agents pour la détection d intrusions Un système multi-agents pour la détection d intrusions K. Boudaoud Institut EURECOM B.P. 193 06904 Sophia-Antipolis France Phone: (33) 4 93 00 26 38 Fax: (33) 4 93 00 26 27 karima.boudaoud@eurecom.fr RÉSUMÉ.

Plus en détail

Laboratoire 4 Développement d un système intelligent

Laboratoire 4 Développement d un système intelligent DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement

Plus en détail

Programmation d'agents intelligents Vers une refonte des fils de raisonnement. Stage de fin d'études Master IAD 2006

Programmation d'agents intelligents Vers une refonte des fils de raisonnement. Stage de fin d'études Master IAD 2006 vendredi 8 septembre 2006 Programmation d'agents intelligents Vers une refonte des fils de raisonnement Stage de fin d'études Master IAD 2006 Benjamin DEVEZE Responsable : M. Patrick TAILLIBERT Plan Plan

Plus en détail

GIND5439 Systèmes Intelligents. Chapitre 1: Intelligence artificielle

GIND5439 Systèmes Intelligents. Chapitre 1: Intelligence artificielle GIND5439 Systèmes Intelligents Chapitre 1: Intelligence artificielle Contenu du chapitre Approches vs Intelligence artificielle Définition de l intelligence Historique Le test de Turing 2 Approches Science

Plus en détail

Ingénierie et gestion des connaissances

Ingénierie et gestion des connaissances Master Web Intelligence ICM Option Informatique Ingénierie et gestion des connaissances Philippe BEAUNE Philippe.Beaune@emse.fr 18 novembre 2008 Passer en revue quelques idées fondatrices de l ingénierie

Plus en détail

Ré-ordonnancement adaptatif de messages dans un réseau ad hoc de véhicules

Ré-ordonnancement adaptatif de messages dans un réseau ad hoc de véhicules Ré-ordonnancement adaptatif de messages dans un réseau ad hoc de véhicules M. Shawky, K. Chaaban, P. Crubillé Heudiasyc UMR 6599 CNRS, Univ. Tech. De Compiègne 1 ADAS (Advanced Driving Aid System) Reactive

Plus en détail

Analyse de protocoles binaires avec les N-Grams

Analyse de protocoles binaires avec les N-Grams Analyse de protocoles binaires avec les N-Grams N-Gram against the Machine : On the Feasibility of the N-Gram network Analysis for Binary Protocols Thomas LETAN 26 novembre 2012 Objectifs des auteurs :

Plus en détail

Surveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)

Surveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!

Plus en détail

Cours de Master Recherche

Cours de Master Recherche Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction

Plus en détail

CAPE: Context-Aware Agile Business Process Engine

CAPE: Context-Aware Agile Business Process Engine CAPE: Context-Aware Agile Business Process Engine Irina Rychkova, Manuele Kirsch Pinheiro, Bénédicte Le Grand To cite this version: Irina Rychkova, Manuele Kirsch Pinheiro, Bénédicte Le Grand. CAPE: Context-Aware

Plus en détail

Intelligence Artificielle Planification

Intelligence Artificielle Planification Intelligence Artificielle Planification Bruno Bouzy http://web.mi.parisdescartes.fr/~bouzy bruno.bouzy@parisdescartes.fr Licence 3 Informatique UFR Mathématiques et Informatique Université Paris Descartes

Plus en détail

Systèmes de dialogue homme-machine

Systèmes de dialogue homme-machine Systèmes de dialogue homme-machine Une introduction rapide Sophie Rosset Groupe Traitement du Langage Parlé Département Communication Homme-Machine LIMSI - CNRS Sophie Rosset (LIMSI) Systèmes de dialogue

Plus en détail

ADELFE : Atelier de développement de logiciels à fonctionnalité émergente

ADELFE : Atelier de développement de logiciels à fonctionnalité émergente ADELFE : Atelier de développement de logiciels à fonctionnalité émergente Gauthier Picard*, Carole Bernon*, Valérie Camps**, Marie- Pierre Gleizes* * Institut de Recherche en Informatique de Toulouse Université

Plus en détail

Grandes lignes ASTRÉE. Logiciels critiques. Outils de certification classiques. Inspection manuelle. Definition. Test

Grandes lignes ASTRÉE. Logiciels critiques. Outils de certification classiques. Inspection manuelle. Definition. Test Grandes lignes Analyseur Statique de logiciels Temps RÉel Embarqués École Polytechnique École Normale Supérieure Mercredi 18 juillet 2005 1 Présentation d 2 Cadre théorique de l interprétation abstraite

Plus en détail

Optimisation grâce aux Systèmes Immunitaires Artificiels

Optimisation grâce aux Systèmes Immunitaires Artificiels Optimisation grâce aux Systèmes Immunitaires Artificiels Mokhtar GHARBI Professeur encadrant : Vincent RODIN CERV : Centre Européen de Réalité Virtuelle EA 3883 EBV Ecosystémique et Biologie Virtuelles

Plus en détail

Automatisation de la certification formelle de systèmes critiques par instrumentation d interpréteurs abstraits

Automatisation de la certification formelle de systèmes critiques par instrumentation d interpréteurs abstraits 1 d Automatisation de la certification formelle de systèmes critiques par instrumentation d sous la direction de Michaël Périn Soutenance de Thèse de Doctorat Université de Grenoble - Laboratoire Verimag

Plus en détail

MailCube MC 2. 2,5 jours / homme / an. 33 milliards de kwh. 17 millions de. 3,1 millions de. nouvelle génération. Le spam en quelques chiffres :

MailCube MC 2. 2,5 jours / homme / an. 33 milliards de kwh. 17 millions de. 3,1 millions de. nouvelle génération. Le spam en quelques chiffres : Le spam en quelques chiffres : Pour faire face à cet afflux de courriers électroniques non désirés Vade Retro Technology lance une nouvelle génération de sa solution appliance MailCube. Le nouveau boîtier

Plus en détail

Accès personnalisé multicritères à de multiples sources d informations.

Accès personnalisé multicritères à de multiples sources d informations. Lyon - France Accès personnalisé multicritères à de multiples sources d informations. Samir kechid Université des Sciences et de la Technologie Houari Boumediene. USTHB BP 32 El Alia Bab Ezzouar Alger

Plus en détail

Chapitre 1. L algorithme génétique

Chapitre 1. L algorithme génétique Chapitre 1 L algorithme génétique L algorithme génétique (AG) est un algorithme de recherche basé sur les mécanismes de la sélection naturelle et de la génétique. Il combine une stratégie de survie des

Plus en détail

Vérification Formelle des Aspects de Cohérence d un Workflow net

Vérification Formelle des Aspects de Cohérence d un Workflow net Vérification Formelle des Aspects de Cohérence d un Workflow net Abdallah Missaoui Ecole Nationale d Ingénieurs de Tunis BP. 37 Le Belvédère, 1002 Tunis, Tunisia abdallah.missaoui@enit.rnu.tn Zohra Sbaï

Plus en détail

Projet : Plan Assurance Qualité

Projet : Plan Assurance Qualité Projet : Document : Plan Assurance Qualité 2UP_SPEC_DEV1 VERSION 1.00 Objet Ce document a pour objectif de définir la démarche d analyse et de conception objet ainsi les activités liées. Auteur Eric PAPET

Plus en détail

Contrôle stochastique d allocation de ressources dans le «cloud computing»

Contrôle stochastique d allocation de ressources dans le «cloud computing» Contrôle stochastique d allocation de ressources dans le «cloud computing» Jacques Malenfant 1 Olga Melekhova 1, Xavier Dutreilh 1,3, Sergey Kirghizov 1, Isis Truck 2, Nicolas Rivierre 3 Travaux partiellement

Plus en détail

COR-E : un modèle pour la simulation d agents affectifs fondé sur la théorie COR

COR-E : un modèle pour la simulation d agents affectifs fondé sur la théorie COR COR-E : un modèle pour la simulation d agents affectifs fondé sur la théorie COR SABRINA CAMPANO DIRECTION: NICOLAS SABOURET ENCADREMENT : NICOLAS SABOURET, VINCENT CORRUBLE, ETIENNE DE SEVIN SOUTENANCE

Plus en détail

Sujet de thèse Prise en compte des recommandations de l utilisateur dans les services numériques intelligents

Sujet de thèse Prise en compte des recommandations de l utilisateur dans les services numériques intelligents Sujet de thèse Prise en compte des recommandations de l utilisateur dans les services numériques intelligents Directeur de thèse : Bruno Zanuttini GREYC, UMR 6072 UNICAEN/CNRS/ENSICAEN, équipe MAD Démarrage

Plus en détail

Master Recherche Science Technologie Santé Mention : Informatique Spécialité : Informatique Fondamentale

Master Recherche Science Technologie Santé Mention : Informatique Spécialité : Informatique Fondamentale Master Recherche Science Technologie Santé Mention : Informatique Spécialité : Informatique Fondamentale E. Fleury Eric.Fleury@inria.fr http://perso.ens-lyon.fr/eric.fleury/ Présentation générale 3 parcours

Plus en détail

Modélisation et conception d'un. environnement de suivi pédagogique synchrone. d'activités d'apprentissage à distance

Modélisation et conception d'un. environnement de suivi pédagogique synchrone. d'activités d'apprentissage à distance Modélisation et conception d'un environnement de suivi pédagogique synchrone d'activités d'apprentissage à distance Christophe DESPRÉS Laboratoire d Informatique de l'université du Maine Plan de la présentation

Plus en détail

Définition et diffusion de signatures sémantiques dans les systèmes pair-à-pair

Définition et diffusion de signatures sémantiques dans les systèmes pair-à-pair Définition et diffusion de signatures sémantiques dans les systèmes pair-à-pair Raja Chiky, Bruno Defude, Georges Hébrail GET-ENST Paris Laboratoire LTCI - UMR 5141 CNRS Département Informatique et Réseaux

Plus en détail

Introduction aux systèmes multi-agents : Du paradigme à la technologie pour la conception de systèmes intelligents

Introduction aux systèmes multi-agents : Du paradigme à la technologie pour la conception de systèmes intelligents Introduction aux systèmes multi-agents : Du paradigme à la technologie pour la conception de systèmes intelligents Amal El Fallah Seghrouchni Amal.Elfallah@lip6.fr Pour commencer. Un exemple de mission

Plus en détail

RÉSUMÉ DE THÈSE. L implantation des systèmes d'information (SI) organisationnels demeure une tâche difficile

RÉSUMÉ DE THÈSE. L implantation des systèmes d'information (SI) organisationnels demeure une tâche difficile RÉSUMÉ DE THÈSE L implantation des systèmes d'information (SI) organisationnels demeure une tâche difficile avec des estimations de deux projets sur trois peinent à donner un résultat satisfaisant (Nelson,

Plus en détail

JOURNÉE THÉMATIQUE SUR LES RISQUES

JOURNÉE THÉMATIQUE SUR LES RISQUES Survol de Risk IT UN NOUVEAU RÉFÉRENTIEL DE GESTION DES RISQUES TI GP - Québec 2010 JOURNÉE THÉMATIQUE SUR LES RISQUES 3 mars 2010 - Version 4.0 Mario Lapointe ing. MBA CISA CGEIT mario.lapointe@metastrategie.com

Plus en détail

Vers une architecture modulaire d agent argumentatif pour la composition de services

Vers une architecture modulaire d agent argumentatif pour la composition de services Vers une architecture modulaire d agent argumentatif pour la composition de services Carcassonne, Octobre 2007. Maxime Morge, Jarred McGinnis, Stefano Bromuri, Francesca Toni, Paolo Mancarella, Kostas

Plus en détail

Adaptation sémantique de documents SMIL

Adaptation sémantique de documents SMIL Adaptation sémantique de documents SMIL Sébastien Laborie Jérôme Euzenat Nabil Layaïda INRIA Rhône-Alpes - 655 Avenue de l Europe - 38334 St Ismier Cedex {Sebastien.Laborie;Jerome.Euzenat;Nabil.Layaida}@inrialpes.fr

Plus en détail

Objectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique

Objectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55

Plus en détail

Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) IFT702 Planification en intelligence artificielle

Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) IFT702 Planification en intelligence artificielle Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) PLANIFICATION DE TÂCHES DANS MS PROJECT IFT702 Planification en intelligence artificielle Présenté à M. Froduald KABANZA

Plus en détail

Modalité de contrôle des connaissances Master 2 Informatique : spécialité IFI

Modalité de contrôle des connaissances Master 2 Informatique : spécialité IFI Modalité de contrôle des connaissances Master Informatique : spécialité IFI La deuxième année de la spécialité IFI est constituée de plusieurs parcours identifiés, chacun sous la responsabilité d un enseignant-

Plus en détail

TRAVAUX DE RECHERCHE DANS LE

TRAVAUX DE RECHERCHE DANS LE TRAVAUX DE RECHERCHE DANS LE DOMAINE DE L'EXPLOITATION DES DONNÉES ET DES DOCUMENTS 1 Journée technologique " Solutions de maintenance prévisionnelle adaptées à la production Josiane Mothe, FREMIT, IRIT

Plus en détail

Brève introduction à la recherche d!information sur le Web à base d!agents logiciels

Brève introduction à la recherche d!information sur le Web à base d!agents logiciels Plan Brève introduction à la recherche d!information sur le Web à base d!agents logiciels Bernard ESPINASSE Université d!aix-marseille 2010 Rappels sur les agents logiciels Problématique de la RI sur le

Plus en détail

Conception et contrôle des SMA tolérants aux fautes

Conception et contrôle des SMA tolérants aux fautes Conception et contrôle des SMA tolérants aux fautes Une plate-forme multiagents tolérante aux fautes à base de réplication Nora FACI Contexte SMA large échelle Nombre important d agents Ressources éloignées

Plus en détail

PBA-pro Qu est-ce que c est?

PBA-pro Qu est-ce que c est? 1 PBA-pro Qu est-ce que c est? C est le successeur des logiciels AIM suivants : PBA-2000 PBA-3910 PAA-429 ParaView fdxplorer PBA.pro c est aussi un outil logiciel de développement générique pour banc de

Plus en détail

Correction du baccalauréat ES/L Métropole 20 juin 2014

Correction du baccalauréat ES/L Métropole 20 juin 2014 Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)

Plus en détail

Accréditation LMD4. Master mention Informatique Spécialité Informatique Parcours IMAGINA : Image et Jeux vidéo Version du 08/04/15

Accréditation LMD4. Master mention Informatique Spécialité Informatique Parcours IMAGINA : Image et Jeux vidéo Version du 08/04/15 Accréditation LMD4 Master mention Informatique Spécialité Informatique Parcours IMAGINA : Image et Jeux vidéo Version du 08/04/15 Les objectifs du parcours IMAGINA sont de former des ingénieurs et chercheurs

Plus en détail

L évaluation de la performance de la communication media

L évaluation de la performance de la communication media L évaluation de la performance de la communication media Pascal ROOS Enseignant en BTS Management des Unités Commerciales Lycée Edmond Rostand, Saint Ouen l Aumône (95) «Je sais qu un dollar de publicité

Plus en détail

Forthcoming Database

Forthcoming Database DISS.ETH NO. 15802 Forthcoming Database A Framework Approach for Data Visualization Applications A dissertation submitted to the SWISS FEDERAL INSTITUTE OF TECHNOLOGY ZURICH for the degree of Doctor of

Plus en détail

Empreintes conceptuelles et spatiales pour la caractérisation des réseaux sociaux

Empreintes conceptuelles et spatiales pour la caractérisation des réseaux sociaux Empreintes conceptuelles et spatiales pour la caractérisation des réseaux sociaux Bénédicte Le Grand*, Marie-Aude Aufaure** and Michel Soto* *Laboratoire d Informatique de Paris 6 UPMC {Benedicte.Le-Grand,

Plus en détail

La plate-forme DIMA. Master 1 IMA COLI23 - Université de La Rochelle

La plate-forme DIMA. Master 1 IMA COLI23 - Université de La Rochelle La plate-forme DIMA Master 1 IMA COLI23 - Université de La Rochelle DIMA Bref aperçu Qu'est-ce? Acronyme de «Développement et Implémentation de Systèmes Multi-Agents» Initié par Zahia Guessoum et Jean-Pierre

Plus en détail

Systèmes Multi-Agents : Modélisation et simulation informatique de comportements collectifs. Chapitre III

Systèmes Multi-Agents : Modélisation et simulation informatique de comportements collectifs. Chapitre III Systèmes Multi-gents : Modélisation et simulation informatique de comportements collectifs Chapitre III Différentes approches de Conception et applications Introduction Les différents concepts Cheminement

Plus en détail

Modélisation agent d une Architecture Logicielle de commande d un Véhicule Autonome

Modélisation agent d une Architecture Logicielle de commande d un Véhicule Autonome Modélisation agent d une Architecture Logicielle de commande d un Véhicule Autonome ENNAJI Mourad LASC université de Metz Ile du Saulcy B.P 80794 57 012 METZ Ennaji@lasc.sciences.univ-metz.fr Résumé Cet

Plus en détail

Intelligence Artificielle et Robotique

Intelligence Artificielle et Robotique Intelligence Artificielle et Robotique Introduction à l intelligence artificielle David Janiszek david.janiszek@parisdescartes.fr http://www.math-info.univ-paris5.fr/~janiszek/ PRES Sorbonne Paris Cité

Plus en détail

e-babel projet Projet d harmonisation virtuelle des formats et des codages des supports Version: 0.1 Auteur(s): Sievering Johann Réviseur(s):

e-babel projet Projet d harmonisation virtuelle des formats et des codages des supports Version: 0.1 Auteur(s): Sievering Johann Réviseur(s): - DRAFT- e-babel projet Projet d harmonisation virtuelle des formats et des codages des supports Contexte: d informations. 2008-09-02 Référence: EBPROJ-01 Date: 2008-09-10 Version: 0.1 Auteur(s): Sievering

Plus en détail

- Couches - Éléments - Domaines - ArchiMate et les techniques du BABOK

- Couches - Éléments - Domaines - ArchiMate et les techniques du BABOK ArchiMate et l architecture d entreprise Par Julien Allaire Ordre du jour Présentation du langage ArchiMate - Couches - Éléments - Domaines - ArchiMate et les techniques du BABOK Présentation du modèle

Plus en détail

Frank LASCK. Courriel : f.lasch@montpellier-bs.com Fonction : Professeur. Biographie

Frank LASCK. Courriel : f.lasch@montpellier-bs.com Fonction : Professeur. Biographie Frank LASCK Courriel : f.lasch@montpellier-bs.com Fonction : Professeur Biographie Frank Lasch, professeur en entrepreneuriat, a rejoint le Groupe Sup de Co Montpellier Business School en septembre 2003

Plus en détail

Protéger l expérience client contre les attaques par déni de service distribué (attaques par DDOS)

Protéger l expérience client contre les attaques par déni de service distribué (attaques par DDOS) Une étude personnalisée de la série Technology Adoption Profile commandée par Bell Canada Juin 2014 Protéger l expérience client contre les attaques par déni de service distribué (attaques par DDOS) Introduction

Plus en détail

Complexité et auto-organisation chez les insectes sociaux. Complexité et auto-organisation chez les insectes sociaux

Complexité et auto-organisation chez les insectes sociaux. Complexité et auto-organisation chez les insectes sociaux Complexité et auto-organisation chez les insectes sociaux Guy Theraulaz Centre de Recherches sur la Cognition Animale CNRS, UMR 5169, Toulouse, France Marathon des Sciences XXIII ème Festival d Astronomie,

Plus en détail

Editing and managing Systems engineering processes at Snecma

Editing and managing Systems engineering processes at Snecma Editing and managing Systems engineering processes at Snecma Atego workshop 2014-04-03 Ce document et les informations qu il contient sont la propriété de Ils ne doivent pas être copiés ni communiqués

Plus en détail

Modèle multi-agents de prise de décision éthique

Modèle multi-agents de prise de décision éthique Équipe Modèles, Agents, Décision Laboratoire GREYC CNRS UMR 6072 Université de Caen Basse-Normandie ENSICAEN Boulevard du Maréchal Juin CS 14 032, 14 032 Caen Cedex 5 Tel. : +33 (0)2 31 56 74 84 Fax :

Plus en détail

Efficient Object Versioning for Object- Oriented Languages From Model to Language Integration

Efficient Object Versioning for Object- Oriented Languages From Model to Language Integration Efficient Object Versioning for Object- Oriented Languages From Model to Language Integration Pluquet Frédéric July, 3rd 2012 Etude de techniques efficaces de versionnement d objets pour les langages orientés

Plus en détail

Nouveaux enjeux de recherche en sécurité routière liés à l'automatisation des véhicules : conséquences sur l'activité de conduite

Nouveaux enjeux de recherche en sécurité routière liés à l'automatisation des véhicules : conséquences sur l'activité de conduite Institut français des sciences et technologies des transports, de l aménagement et des réseaux Nouveaux enjeux de recherche en sécurité routière liés à l'automatisation des véhicules : conséquences sur

Plus en détail

Solution A La Gestion Des Objets Java Pour Des Systèmes Embarqués

Solution A La Gestion Des Objets Java Pour Des Systèmes Embarqués International Journal of Engineering Research and Development e-issn: 2278-067X, p-issn: 2278-800X, www.ijerd.com Volume 7, Issue 5 (June 2013), PP.99-103 Solution A La Gestion Des Objets Java Pour Des

Plus en détail

Gestion des grilles : Surveillance Contextuelle de la QoS par une approche conduite par des modèles

Gestion des grilles : Surveillance Contextuelle de la QoS par une approche conduite par des modèles Gestion des grilles : Surveillance Contextuelle de la QoS par une approche conduite par des modèles S. Ravelomanana, M. Sibilla Université P. Sabatier, Laboratoire IRIT Toulouse, France raveloma@irit.fr,

Plus en détail

I.2: Le test fonctionnel I.2.2 : Le test fonctionnel de logiciel

I.2: Le test fonctionnel I.2.2 : Le test fonctionnel de logiciel I.2: Le test fonctionnel I.2.2 : Le test fonctionnel de logiciel Introduction Notre contexte : pas possible d exprimer toutes les combinaisons de DT. Le test fonctionnel est basé sur la spécification/interface

Plus en détail

CED-ST 2013-2014 Liste des Sujets de Recherche Formation Doctorale : STIC Responsable de la Formation : Pr. L. OMARI (lahcen.omari@usmba.ac.

CED-ST 2013-2014 Liste des Sujets de Recherche Formation Doctorale : STIC Responsable de la Formation : Pr. L. OMARI (lahcen.omari@usmba.ac. CED-ST 2013-2014 Liste des Sujets de Recherche Formation Doctorale : STIC Responsable de la Formation : Pr. L. OMARI (lahcen.omari@usmba.ac.ma) N.B. : Les étudiants qui ont déposé leurs demandes d'inscription

Plus en détail

Optimisation de la compression fractale D images basée sur les réseaux de neurones

Optimisation de la compression fractale D images basée sur les réseaux de neurones Optimisation de la compression fractale D images basée sur les réseaux de neurones D r BOUKELIF Aoued Communication Networks,Architectures and Mutimedia laboratory University of S.B.A aoued@hotmail.com

Plus en détail

Bilan de thèse à mi-parcours

Bilan de thèse à mi-parcours Bilan de thèse à mi-parcours Benjamin Lévy 26 mars 2012 Introduction La thèse de doctorat d informatique (école doctorale 130, EDITE) dont le titre officiel est le suivant : Avatars capables d écoute,

Plus en détail

Bio-Rad Laboratories CONTRÔLE DE QUALITÉ. Le logiciel de Bio-Rad pour une gestion experte du contrôle de qualité

Bio-Rad Laboratories CONTRÔLE DE QUALITÉ. Le logiciel de Bio-Rad pour une gestion experte du contrôle de qualité Bio-Rad Laboratories CONTRÔLE DE QUALITÉ Le logiciel de Bio-Rad pour une gestion experte du contrôle de qualité CONTRÔLE DE QUALITÉ 1 Unity Real Time 2.0 Unity Real Time 2.0 est un logiciel pour la gestion

Plus en détail

Spécifications des exigences d'un logiciel (Adapté de la norme IEEE 830-1993)

Spécifications des exigences d'un logiciel (Adapté de la norme IEEE 830-1993) Spécifications des exigences d'un logiciel (Adapté de la norme IEEE 830-1993) Ce document suggère un ensemble d éléments à préciser pour les exigences d'un système logiciel. Il débute par une Page de titre,

Plus en détail

Urbanisation de système d'information. PLM 6 (Product Lifecycle Management) Collaboration et partage d'informations

Urbanisation de système d'information. PLM 6 (Product Lifecycle Management) Collaboration et partage d'informations Urbanisation de système d'information PLM 6 (Product Lifecycle Management) Collaboration et partage d'informations Gestion de données techniques et Gestion électronique de documents Diversité des modalités

Plus en détail

deux tâches dans le tableau et à cliquer sur l icône représentant une chaîne dans la barre d outils. 14- Délier les tâches : double cliquer sur la

deux tâches dans le tableau et à cliquer sur l icône représentant une chaîne dans la barre d outils. 14- Délier les tâches : double cliquer sur la MS Project 1- Créer un nouveau projet définir la date du déclenchement (début) ou de la fin : File New 2- Définir les détails du projet : File Properties (permet aussi de voir les détails : coûts, suivi,

Plus en détail

INF6304 Interfaces Intelligentes

INF6304 Interfaces Intelligentes INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie

Plus en détail

L hypertexte, le multimédia, c est quoi?

L hypertexte, le multimédia, c est quoi? L hypertexte, le multimédia, c est quoi? Hervé Platteaux Centre NTE et Département de pédagogie Université de Fribourg Cours de pédagogie - Second cycle Session du 29 octobre 2001 Selon vous, l hypertexte

Plus en détail

Normes de référence. Comparaison. Commande cognitive Sentiments épistémiques Incarnés dépendants de l activité

Normes de référence. Comparaison. Commande cognitive Sentiments épistémiques Incarnés dépendants de l activité Séminaire Sciences Cognitives et Education 20 Novembre 2012 Collège de France L importance de la Métacognition: Joëlle Proust Institut Jean-Nicod, Paris jproust@ehess.fr http://joelleproust.org.fr Plan

Plus en détail

Model checking temporisé

Model checking temporisé Model checking temporisé Béatrice Bérard LAMSADE Université Paris-Dauphine & CNRS berard@lamsade.dauphine.fr ETR 07, 5 septembre 2007 1/44 Nécessité de vérifier des systèmes... 2/44 Nécessité de vérifier

Plus en détail

Intelligence Artificielle Agents Intelligents

Intelligence Artificielle Agents Intelligents Intelligence Artificielle Agents Intelligents Bruno Bouzy http://web.mi.parisdescartes.fr/~bouzy bruno.bouzy@parisdescartes.fr Licence 3 Informatique UFR Mathématiques et Informatique Université Paris

Plus en détail

Master UPMC Sciences et technologies, mention informatique Spécialité Systèmes et Applications

Master UPMC Sciences et technologies, mention informatique Spécialité Systèmes et Applications Master UPMC Sciences et technologies, mention informatique Spécialité Systèmes et Applications Réparties Réalisation Assistée d Applications Réparties Projet - écriture d un générateur de code Encadreur

Plus en détail

147788-LLP IT-ECVET N.E.T.WORK

147788-LLP IT-ECVET N.E.T.WORK ECVET system for No borders in tourism hospitality European Training and Work N.E.T.WORK 147788--1-IT-ECVET Units of learning outcomes What methods have you used? Le projet a pris en compte, à l avance

Plus en détail

CURRENT UNIVERSITY EDUCATION SYSTEM IN SPAIN AND EUROPE

CURRENT UNIVERSITY EDUCATION SYSTEM IN SPAIN AND EUROPE CURRENT UNIVERSITY EDUCATION SYSTEM IN SPAIN AND EUROPE 1 st Cycle (1 Ciclo) (I livello) DEGREE (Grado) 240 ECTS (European Credit Transfer System) credits* over four years of university study). The equivalent

Plus en détail

Un système multi-agents sensible au contexte pour les environments d intelligence ambiante

Un système multi-agents sensible au contexte pour les environments d intelligence ambiante sensible au contexte pour les Andrei Olaru Directeurs de thèse: Adina Magda Florea, AI-MAS Lab, UPB Amal El Fallah Seghrouchni, LIP6, UPMC 27062011 Rapport d avancement Paris, France, 27062011 0/ 13 Positionnement

Plus en détail

Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé

Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e

Plus en détail

Big Data et Graphes : Quelques pistes de recherche

Big Data et Graphes : Quelques pistes de recherche Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de

Plus en détail

Méthodes de réduction de la charge cognitive des opérateurs

Méthodes de réduction de la charge cognitive des opérateurs Méthodes de réduction de la charge cognitive des opérateurs Eric POUPRY Directeur Marchés, Wonderware France Laurent BOURROUILHOU Directeur, UReason France 2011 Wonderware France. All Rights Reserved.

Plus en détail

UPSTREAM Reservoir. UPSTREAM Reservoir

UPSTREAM Reservoir. UPSTREAM Reservoir UPSTREAM Reservoir Les données de votre entreprise méritent une solution de sauvegarde/restauration fiable, performante et facile à mettre en œuvre UPSTREAM Reservoir EXPÉRIENCE SUPPORT COMPÉTITIF ESSAI

Plus en détail

Notes de lecture : Dan SPERBER & Deirdre WILSON, La pertinence

Notes de lecture : Dan SPERBER & Deirdre WILSON, La pertinence Notes de lecture : Dan SPERBER & Deirdre WILSON, La pertinence Gwenole Fortin To cite this version: Gwenole Fortin. Notes de lecture : Dan SPERBER & Deirdre WILSON, La pertinence. 2006.

Plus en détail

Relever les défis des véhicules autonomes

Relever les défis des véhicules autonomes EMM 2014 12eme rencontre européenne de mécatronique Relever les défis des véhicules autonomes Mathias Perrollaz Ingénieur expert Inria Christian Laugier Directeur de recherche Inria E-Motion Team Annecy,

Plus en détail

Optimisation de l agrégation d un portefeuille de contrat d assurance vie

Optimisation de l agrégation d un portefeuille de contrat d assurance vie Optimisation de l agrégation d un portefeuille de contrat d assurance vie Pierre-Olivier Goffard 1 1 AXA France, Université de Aix-Marseille. pierreolivier.goffard@axa.fr Résumé. Une méthode d agrégation

Plus en détail

Big Data et Graphes : Quelques pistes de recherche

Big Data et Graphes : Quelques pistes de recherche Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université

Plus en détail

1. Formation F5 - Local Traffic Manager Configuring (LTM)

1. Formation F5 - Local Traffic Manager Configuring (LTM) Description F5 F5 Networks, Inc. (NASDAQ: FFIV) est une entreprise informatique américaine fondée en 1996 établie à Seattle qui commercialise des équipements réseau. Dans les années 1990, la société a

Plus en détail

Une méthode d apprentissage pour la composition de services web

Une méthode d apprentissage pour la composition de services web Une méthode d apprentissage pour la composition de services web Soufiene Lajmi * Chirine Ghedira ** Khaled Ghedira * * Laboratoire SOIE (ENSI) University of Manouba, Manouba 2010, Tunisia Soufiene.lajmi@ensi.rnu.tn,

Plus en détail

Quantification Scalaire et Prédictive

Quantification Scalaire et Prédictive Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction

Plus en détail

Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données

Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données Marc Boullé Orange Labs 2 avenue Pierre Marzin 22300 Lannion marc.boulle@orange-ftgroup.com,

Plus en détail