Nos partenaires

CNRS

Rechercher





Accueil du site > Français > Evénements > Soutenances > Soutenances de thèses

Soutenances de thèses

 

 

Apprentissage artificiel adapté aux systèmes complexes par auto-organisation coopérative de systèmes multi-agents

Julien NIGON - Equipe SMAC - IRIT

Lundi 13 Novembre 2017, 10h30
UT3 Paul Sabatier, IRIT, Auditorium J. Herbrand
Version PDF :

Jury

Mme Marie-Pierre GLEIZES, Université Toulouse III Paul Sabatier, Directeur de these
M. Frédéric MIGEON, UT3 Paul Sabatier, Co-directeur de these
M. Pierre DE LOOR, National Engineer School of Brest, Rapporteur
Mme Salima HASSAS, LIRIS, Rap porteur
M. Jacques FERBER, LIRMM, Examinateur
Mme Elsy KADDOUM, IRIT, Examinateur

Résumé

L'objet de cette thèse est l'apprentissage artificiel dans le contexte des systèmes complexes. Les systèmes complexes sont caractérisés par leurs propriétés d'ouverture, d'hétérogénéité, de dynamique non linéaire, et la présence de cycles de rétro-actions. De plus, ils mettent souvent en scène un grand nombre d'entités et d'interactions. Dès lors, apprendre (c'est à dire générer un modèle) dans de tels environnements est très difficile pour des algorithmes d'apprentissage artificiel.
Face aux défis que présentent les systèmes complexes, cette thèse propose d'aborder la problématique de l'apprentissage de manière décentralisée et ascendante, par l'utilisation du paradigme des systèmes multi-agents (SMA). Pour développer un système multi- agent capable de jouer le rôle d'un système apprenant, nous utilisons l'approche AMAS (pour Adaptive Multi-Agent System). Celle-ci propose un ensemble de mécanismes pour permettre aux agents d'interagir de manière efficace, et pour favoriser l'auto-organisation du système multi-agent.
Nous proposons et détaillons dans cette thèse AMOEBA pour Agnostic MOdEl Builder by self-Adaptation, un système d'apprentissage artificiel supervisé basé sur cette approche AMAS. Il est constitué d'agents autonomes. Chacun de ces agents construit une représentation locale et personnelle d'une partie de l'espace des solutions. Par ajustement successifs suite à des retours de l'environnement, les agents cherchent à maintenir en permanence un état coopératif, qui se caractérise par des interactions mutuellement profitables. Lorsque cet état est perdu, les agents modifient leurs représentations internes et leurs interactions, de manière à retourner dans un état coopératif. L'activité globale des agents permet de construire une représentation globale du monde observé, c'est à dire un modèle, adaptatif et en permanent réajustement, qui peut être exploité pour réaliser des tâches de contrôle, de prévision ou d'aide à la décision.
AMOEBA est évalué sur plusieurs expérimentations, dégageant des propriétés intéressantes, notamment en termes de passage à l'échelle, de réactivité et de simplicité de mise en œuvre.

 

Retour