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

Architectures de sélection d actions

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

Plus en détail

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

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

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

Programmation orientée agent #6. Agents cognitifs. Tiberiu Stratulat

Programmation orientée agent #6. Agents cognitifs. Tiberiu Stratulat Programmation orientée agent #6 Agents cognitifs Tiberiu Stratulat M1 S2 - Université de Montpellier II Resp du module: J. Ferbet et T. Stratulat FMIN207 - Parcours I2A - GL Interaction: concepts de base

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

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

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

Cours Systèmes Multi-Agents

Cours Systèmes Multi-Agents Un système multi-agents «Un Système Multi-Agents(SMA) comporte plusieurs agents qui interagissent entre eux dans un environnement commun. Certains de ces agents peuvent être des personnes ou leurs représentants

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

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

L'intelligence artificielle

L'intelligence artificielle Texte de la 263 e conférence de l'université de tous les savoirs donnée le 19 septembre 2000. L'intelligence artificielle par JEAN-PAUL HATON Dès le début de l intelligence artificielle (IA) dans les années

Plus en détail

Une extension pour RDF/RDFS utilisant des relations procédurales

Une extension pour RDF/RDFS utilisant des relations procédurales Une extension pour RDF/RDFS utilisant des relations procédurales Jean-François Baget * * INRIA Sophia-Antipolis & LIRMM(CNRS - UM2) LIRMM, 161 rue Ada, 34392 Montpellier Cedex 5 baget@lirmm.fr RÉSUMÉ.

Plus en détail

Un Système multi-agents auto-adaptatif pour la segmentation et la reconstruction de scènes 3D

Un Système multi-agents auto-adaptatif pour la segmentation et la reconstruction de scènes 3D SETIT 2005 3 rd International Conference: Sciences of Electronic, Technologies of Information and Telecommunications March 27-31, 2005 TUNISIA Un Système multi-agents auto-adaptatif pour la segmentation

Plus en détail

Analyse abstraite de missions sous PILOT

Analyse abstraite de missions sous PILOT Analyse abstraite de missions sous PILOT Damien Massé EA 3883, Université de Bretagne Occidentale, Brest damien.masse@univ-brest.fr Résumé Nous étudions la possibilité de réaliser un analyseur par interprétation

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

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

L Intelligence Artificielle

L Intelligence Artificielle Conférence L Intelligence Artificielle Taalabi M. 30/04/2004 Intelligence Artificielle 1 Historique Définition Paradigmes Systèmes experts Concevoir un système expert Système à Inférence floue Applications

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

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

Intelligence Artificielle Introduction

Intelligence Artificielle Introduction Intelligence Artificielle Introduction 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

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

Il y a de l'ia dans les programmes de l'agence Nationale de la Recherche Bertrand Braunschweig Responsable de programmes Paris, 3 Novembre 2006

Il y a de l'ia dans les programmes de l'agence Nationale de la Recherche Bertrand Braunschweig Responsable de programmes Paris, 3 Novembre 2006 Il y a de l'ia dans les programmes de l'agence Nationale de la Recherche Bertrand Braunschweig Responsable de programmes Paris, 3 Novembre 2006 www.agence-nationale-recherche.fr Bref historique Un objectif

Plus en détail

Comment choisir sa pizza? Test A/B. Comment choisir sa pizza? Comment choisir sa pizza? Difficulté de l évaluation. De manière plus sérieuse...

Comment choisir sa pizza? Test A/B. Comment choisir sa pizza? Comment choisir sa pizza? Difficulté de l évaluation. De manière plus sérieuse... Comment choisir sa pizza? Test A/B Introduction à l apprentissage par renforcement Guillaume Wisniewski guillaume.wisniewski@limsi.fr Université Paris Sud LIMSI J aime beaucoup les «4 Est-ce que je dois

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

Francis JAMBON Laboratoire d Informatique de Grenoble

Francis JAMBON Laboratoire d Informatique de Grenoble Francis JAMBON Laboratoire d Informatique de Grenoble Mise en œuvre de l oculométrie dans différents contextes d usage Analyse ergonomique Tuteurs intelligents IHM adaptatives Interaction via le regard

Plus en détail

Système adaptatif d aide à la génération de requêtes de médiation

Système adaptatif d aide à la génération de requêtes de médiation Système adaptatif d aide à la génération de requêtes de médiation Dimitre Kostadinov Verónika Peralta Assia Soukane Xiaohui Xue Laboratoire PRiSM, Université de Versailles 45 avenue des Etats-Unis 78035

Plus en détail

ENSIIE - Intelligence Artificielle (RIIA) - 1er cours

ENSIIE - Intelligence Artificielle (RIIA) - 1er cours ENSIIE - Intelligence Artificielle (RIIA) - 1er cours Benjamin PIWOWARSKI 28 septembre 2015 Benjamin PIWOWARSKI IA - 1er cours 28 septembre 2015 1 / 53 Introduction Plan 1 Introduction 2 Définitions 3

Plus en détail

Développement d'une architecture pour l'implantation de stratégies de supervision pour les systèmes hybrides. Edgar Chacon LaSDAI

Développement d'une architecture pour l'implantation de stratégies de supervision pour les systèmes hybrides. Edgar Chacon LaSDAI Développement d'une architecture pour l'implantation de stratégies de supervision pour les systèmes hybrides Edgar Chacon LaSDAI Organisation de la présentation Description du group Projet: Développement

Plus en détail

Chapitre 9 HLA distributed simulation approaches for supply chain

Chapitre 9 HLA distributed simulation approaches for supply chain Présentation livre Simulation for Supply Chain Management Chapitre 9 HLA distributed simulation approaches for supply chain B. Archimède, P. Charbonnaud, F. Ounnar, P. Pujo Contexte et motivation Problématique

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

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

Résolution générique à la volée de systèmes d équations booléennes et applications

Résolution générique à la volée de systèmes d équations booléennes et applications Résolution générique à la volée de systèmes d équations booléennes et applications Radu Mateescu INRIA Rhône-Alpes / VASY Plan Introduction Systèmes d équations booléennes d alternance 1 Algorithmes de

Plus en détail

Les sections 6 et 7. du ComitéNational de la RechercheScientifique

Les sections 6 et 7. du ComitéNational de la RechercheScientifique Les sections 6 et 7 du ComitéNational de la RechercheScientifique (CoNRS) Frédérique Bassino et Michèle Basseville Plan Le comité national Les missions des sections Les sections 6 et 7 Le comiténational

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

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

Prise de position de la section 7. travail sur une possible partition

Prise de position de la section 7. travail sur une possible partition Prise de position de la section 7 travail sur une possible partition Notre prise de position est structurée comme suit : dans une première partie, nous expliquons le contexte dans lequel notre travail

Plus en détail

Planification et ordonnancement sous incertitudes Application à la gestion de projet

Planification et ordonnancement sous incertitudes Application à la gestion de projet Toulouse, 14 mai 2003 Planification et ordonnancement sous incertitudes Application à la gestion de projet Julien Bidot Plan Séminaire au LAAS Planification de tâches et ordonnancement Domaine d application

Plus en détail

Une architecture logicielle pour la modélisation et simulation orientée agents de chaînes logistiques

Une architecture logicielle pour la modélisation et simulation orientée agents de chaînes logistiques Une architecture logicielle pour la modélisation et simulation orientée agents de chaînes logistiques Karam MUSTAPHA Domaine Universitaire de Saint-Jérôme Avenue Escadrille Normandie-Niemen 13397 MARSEILLE

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

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

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

Les effets secondaires négatifs des punitions et des récompenses

Les effets secondaires négatifs des punitions et des récompenses Les effets secondaires négatifs des punitions et des récompenses Ce document est une adaptation synthétique de l article publié en 1983 sous le titre «the negative side effects of reward» dans le journal

Plus en détail

Apprentissage par exploration

Apprentissage par exploration Apprentissage par exploration 1/32 Introduction Méthode particulière d acquisition de connaissance : apprentissage artificiel, à partir d induction. obtention des connaissances à partir d exemples. On

Plus en détail

Introduction à l Intelligence Artificielle (L3) IA(L3) Agents rationnels

Introduction à l Intelligence Artificielle (L3) IA(L3) Agents rationnels Introduction à l Intelligence Artificielle (L3) Agents rationnels vincent.risch@univ-amu.fr Merci (toujours) à Cyril Terrioux Plan 1 Introduction 2 définition d un agent 3 perception de l environnement

Plus en détail

l Intelligence Artificielle

l Intelligence Artificielle 1 Introduction à l Intelligence Artificielle Antoine Cornuéjols antoine@lri.fr http://www.iie.cnam.fr/~cornuejols/ I.I.E. & L.R.I., Université d Orsay Intelligence Artificielle : plan 2 1-2- 3-4- 5-6-

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

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

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

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

Utilisation de SVN. 1 Introduction. 2 Architecture. 3 Références et aide en ligne

Utilisation de SVN. 1 Introduction. 2 Architecture. 3 Références et aide en ligne N7 1IMA TECHNOLOGIE OBJET TP 3 18/02/2015 (Séance TP 2) Objectifs : Comprendre le principe d un outil de gestion de configuration Savoir utiliser SVN (subversion) 1 Introduction Pour travailler en groupe

Plus en détail

The evolution and consequences of the EU Emissions Trading System (EU ETS)

The evolution and consequences of the EU Emissions Trading System (EU ETS) The evolution and consequences of the EU Emissions Trading System (EU ETS) Jon Birger Skjærseth Montreal 27.10.08 reproduction doivent être acheminées à Copibec (reproduction papier) Introduction What

Plus en détail

Aide à la décision pour l'optimisation de la maintenance des stations de compression de gaz naturel

Aide à la décision pour l'optimisation de la maintenance des stations de compression de gaz naturel Aide à la décision pour l'optimisation de la maintenance des stations de compression de gaz naturel J. Blondel, L. Marle - CRIGEN A. Abdesselam GRTgaz F. Brissaud - DNV France Presentation Plan Objectifs

Plus en détail

D AIDE À L EXPLOITATION

D AIDE À L EXPLOITATION SYSTÈMES D AIDE À L EXPLOITATION P.MARSAUD Juin 2011 UN PEU DE VOCABULAIRE.. L Informatique Industrielle à développé au fil des années de son existence son propre vocabulaire issu de ses métiers et fonctions

Plus en détail

Configuration optimale d un réseau de neurones adapté à la surveillance en ligne de l usure des outils de tournage

Configuration optimale d un réseau de neurones adapté à la surveillance en ligne de l usure des outils de tournage Configuration optimale d un réseau de neurones adapté à la surveillance en ligne de l usure des outils de tournage Idir Belaidi, Raouf Tahmi & Kamal Mohammedi Laboratoire LMMC, Groupe Modélisation Mécanique

Plus en détail

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème.

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème. Mathématiques - classe de 1ère des séries STI2D et STL. 1. Analyse On dote les élèves d outils mathématiques permettant de traiter des problèmes relevant de la modélisation de phénomènes continus ou discrets.

Plus en détail

SONDY : une plateforme open-source d analyse et de fouille pour les réseaux sociaux en ligne

SONDY : une plateforme open-source d analyse et de fouille pour les réseaux sociaux en ligne SONDY : une plateforme open-source d analyse et de fouille pour les réseaux sociaux en ligne Adrien GUILLE, C. Favre, Djamel Abdelkader Zighed To cite this version: Adrien GUILLE, C. Favre, Djamel Abdelkader

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

Apprentissage par méthodes à noyaux en reconnaissance d images

Apprentissage par méthodes à noyaux en reconnaissance d images Apprentissage par méthodes à noyaux en reconnaissance d images Alberto Bietti Table des matières Introduction 2 1 Apprentissage par méthodes à noyaux 2 1.1 Position du problème et motivation..........................

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

Noureddine Kerzazi noureddine.kerzazi@polymtl.ca

Noureddine Kerzazi noureddine.kerzazi@polymtl.ca Domaine de la modélisation des processus pour le génie logiciel. Noureddine Kerzazi noureddine.kerzazi@polymtl.ca DSL4SPM Domain-Specific-Language for Software Process Modeling Il s agit d un nouveau cadre

Plus en détail

Profil du candidat et connaissances techniques à connaître/maîtriser

Profil du candidat et connaissances techniques à connaître/maîtriser Utilisation d algorithmes de deep learning pour la reconnaissance d iris. jonathan.milgram@morpho.com Dans ce cadre, l'unité de recherche et technologie a pour but de maintenir le leadership Au sein de

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

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

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

Autour des nombres pseudo-aléatoires

Autour des nombres pseudo-aléatoires Lycée Chaptal PCSI-PC* Informatique générale pour l ingénieur Autour des nombres pseudo-aléatoires Introduction Produire des suites de nombres aléatoires est une nécessité dans de nombreux domaines de

Plus en détail

Carole Adam Curriculum Vitæ détaillé

Carole Adam Curriculum Vitæ détaillé Carole Adam Curriculum Vitæ détaillé 1 Présentation Docteur-ingénieur en Informatique, je suis actuellement ATER (Attachée Temporaire d Enseignement et de Recherche). J enseigne à l ENSEEIHT (Ecole Nationale

Plus en détail

Méthodes de test. Mihaela Sighireanu

Méthodes de test. Mihaela Sighireanu UFR d Informatique Paris 7, LIAFA, 175 rue Chevaleret, Bureau 6A7 http://www.liafa.jussieu.fr/ sighirea/cours/methtest/ Partie I 1 Propriétés 2 Un peu de génie logiciel de test 3 Eléments Problèmes Point

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

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

Évaluation de la sûreté de fonctionnement d applications basées sur le Web

Évaluation de la sûreté de fonctionnement d applications basées sur le Web Évaluation de la sûreté de fonctionnement d applications basées sur le Web Mohamed Kaâniche, Karama Kanoun {Mohamed.Kaaniche; Karama.Kanoun}@laas.fr Journée SEE «Sûreté de fonctionnement des réseaux de

Plus en détail

Modélisation et simulation de SMA gestion du temps

Modélisation et simulation de SMA gestion du temps Modélisation et simulation de SMA gestion du temps Problèmes / solutions MASTER RECHERCHE Fabien MICHEL fmichel@lirmm.fr 8 / 3 / 2010 1 Plan I Simulation multi-agents (rappels) II Exemple de problèmes

Plus en détail

Introduction pratique au Développement orienté Modèle Pierre Parrend, Mars 2005

Introduction pratique au Développement orienté Modèle Pierre Parrend, Mars 2005 MDA : Un Tutoriel Introduction pratique au Développement orienté Modèle Pierre Parrend, Mars 2005 1 Sommaire Table des matières 1 Sommaire 1 2 Introduction 2 2.1 A qui s adresse ce tutoriel......................

Plus en détail

PRÉSENTATION TRAVAIL EN COURS - APPRENTISSAGE INTERACTIF. Ianis Lallemand, 21 janvier 2013

PRÉSENTATION TRAVAIL EN COURS - APPRENTISSAGE INTERACTIF. Ianis Lallemand, 21 janvier 2013 PRÉSENTATION TRAVAIL EN COURS - APPRENTISSAGE INTERACTIF Ianis Lallemand, 21 janvier 2013 APPRENTISSAGE INTERACTIF definition Contours encore assez flous dans le champ de l apprentissage automatique. Néanmoins,

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

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

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

Samuel Bottani. Matières et Systèmes Complexes (MSC) - CNRS 7056 Université Paris Diderot - USPC

Samuel Bottani. Matières et Systèmes Complexes (MSC) - CNRS 7056 Université Paris Diderot - USPC 1 Reflexions pour un cours de physique de base en Licence pour Biologistes Samuel Bottani Matières et Systèmes Complexes (MSC) - CNRS 7056 Université Paris Diderot - USPC Master «Approches Interdisciplinaires

Plus en détail

Outil SANTE: Détection d erreurs par analyse statique et test structurel des programmes C

Outil SANTE: Détection d erreurs par analyse statique et test structurel des programmes C Outil SANTE: Détection d erreurs par analyse statique et test structurel des programmes C Omar Chebaro LIFC, Université de Franche-Comté, 25030 Besançon France CEA, LIST, Laboratoire Sûreté des Logiciels,

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

V Recherche dans les arbres de jeux

V Recherche dans les arbres de jeux V Recherche dans les arbres de jeux Damien Olivier Damien.Olivier@univ-lehavre.fr Faculte des Sciences et Techniques du Havre Maitrise d informatique - Intelligence Artificielle p.1/30 Plan 1. Quels jeux?

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

! S. Russell & P. Norvig : Artificial Intelligence: A modern approach (2nd ed.).

! S. Russell & P. Norvig : Artificial Intelligence: A modern approach (2nd ed.). Introduction à l intelligence artificielle (recherche dans les graphes) Ouvrages conseillés! S. Russell & P. Norvig : rtificial Intelligence: modern approach (nd ed.). Prentice Hall, 003 (Trad. française

Plus en détail

Introduction à l Intelligence Artificielle

Introduction à l Intelligence Artificielle 1 / 14 Introduction à l Intelligence Artificielle Présentation de l option 2 nd semestre 2014-15 Philippe Chatalic chatalic@lri.fr Université Paris Sud Laboratoire de Recherche en Informatique (UMR CNRS

Plus en détail

La nouvelle dimension de l analyse acoustique et vibratoire

La nouvelle dimension de l analyse acoustique et vibratoire La nouvelle dimension de l analyse acoustique et vibratoire HEAD Gallery Des fonctions innovantes intégrées dans une technologie de pointe ArtemiS suite est la solution logicielle intégrée de HEAD acoustics

Plus en détail

AL5L Architecture logicielle. Séance 3 Paradigmes de programmation

AL5L Architecture logicielle. Séance 3 Paradigmes de programmation AL5L Architecture logicielle Séance 3 Paradigmes de programmation Sébastien Combéfis mardi 3 février 2015 Ce(tte) œuvre est mise à disposition selon les termes de la Licence Creative Commons Attribution

Plus en détail

Sélection darwinienne et systèmes multi-agents

Sélection darwinienne et systèmes multi-agents Sélection darwinienne et systèmes multi-agents Samuel Landau Miriad - OASIS - LIP6 Objectifs Objectifs Conception de systèmes distribués adaptatifs Apprentissage distribué en ligne Exemples d application:

Plus en détail

Construction formelle de logiciels

Construction formelle de logiciels Construction formelle de logiciels La méthode B J. Christian Attiogbé Novembre 2008, maj 11/2009, 10/2010 J. Christian Attiogbé (Novembre 2008, maj 11/2009, Construction 10/2010) formelle de logiciels

Plus en détail

Langage dédié pour le pilotage de solveurs de contraintes

Langage dédié pour le pilotage de solveurs de contraintes LABORATOIRE D INFORMATIQUE DE NANTES-ATLANTIQUE UMR 6241 ÉCOLE DOCTORALE STIM, N. 503 «Sciences et technologies de l information et des mathématiques» Sujet de thèse pour 2010 Langage dédié pour le pilotage

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

Modélisation de systèmes complexes et éléments de finance computationnelle

Modélisation de systèmes complexes et éléments de finance computationnelle Professeur Olivier BRANDOUY Modélisation de systèmes complexes et éléments de finance computationnelle Master Recherche \(Séance 2\) 2009-2010 Olivier Brandouy - 2009/10-1 «More is different!» Olivier

Plus en détail

2 Probabilités conditionnelles. Événements indépendants

2 Probabilités conditionnelles. Événements indépendants 2 Probabilités conditionnelles. Événements indépendants 2.1 Probabilité conditionnelle Soient A et B deux événements tels que P(B) > 0. Soit alors P(A B), la probabilité que A se réalise, B étant réalisé.

Plus en détail

Tom Jorquera. Formation. Thèse

Tom Jorquera. Formation. Thèse Tom Jorquera 8 rue StJoseph 31400 France +336 71 05 35 58 tom@jorquera.net jorquera.net Formation 2009 2013 Doctorat Intelligence Artificielle, Équipe Systèmes MultiAgents Coopératifs (SMAC), Institut

Plus en détail

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce Heuristique et métaheuristique IFT1575 Modèles de recherche opérationnelle (RO) 8. Optimisation combinatoire et métaheuristiques Un algorithme heuristique permet d identifier au moins une solution réalisable

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

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

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

Les systèmes de gestion de version

Les systèmes de gestion de version Les systèmes de gestion de version Matthieu Herrb Envol 2010 http://homepages.laas.fr/matthieu/talks/envol10-sgv.pdf Systèmes de gestion de version - kesako? Logiciel permettant de gérer l historique des

Plus en détail