Résumé : ans le domaine des systèmes multi-agents(SMA), la puissance des CPU représente parfoisun frein qui limite fortement le cadre dans lequel un modèle peut être conçu et expérimenté.Le Calcul Haute Performance (HPC) et notamment le GPGPU (General-Purpose computingon Graphics Processing Units) est une solutionavantageuse en termes de performance et decoût. Cette technologie vise à utiliser les GPUpour réaliser du calcul généraliste mais souffrecependant d’une très grande complexité d’implémentation et d’accessibilité qui ne favorisepas son adoption. Cet article propose un état del’art des contributions traitant de l’utilisationdu GPGPU dans le contexte des SMA et identifie les directions les plus prometteuses en vued’une généralisation de cette technologie dansla communauté multi-agent.

Résumé : L’utilisation du GPGPU (General-PurposeComputing on Graphics Processing Units) pourla simulation multiagent permet d’améliorer lesperformances des modèles et lève une partie descontraintes liées au passage à l’échelle. Cependant, adapter un modèle pour qu’il utilise leGPU est une tâche complexe car le GPGPU repose sur une programmation extrêmement spécifique et contraignante. C’est dans ce contexteque la délégation GPU des perceptions agentsa été proposée. Ce principe consiste à réaliser une séparation claire entre les comportements de l’agent (gérés par le CPU) et les dynamiques environnementales (manipulées par leGPU) dans le but de faciliter l’implémentationde SMA sur GPU. Il a été appliqué sur un casd’étude et a montré de bons résultats en termesde performances et de conception. Dans cet article, nous proposons de tester la généricité decette approche en appliquant le principe de délégation GPU sur un modèle agent très classique : les boids de Reynolds. Nous montronsque le principe de délégation offre des résultatsintéressants au niveau des performances maisaussi d’un point de vue conceptuel.

Résumé : L’utilisation du GPGPU (General-Purposecomputing on Graphics Processing Units) dansle cadre de la Simulation multi-agent permet delever, en partie, les contraintes liées au passageà l’échelle. Cependant, à cause de l’architecturemassivement parallèle des GPU (Graphics Processing Units) sur laquelle repose le GPGPU,les modèles voulant bénéficier des avantages decette technologie doivent être adaptés au préalable. Prenant le parti de ne pas suivre le courant actuel qui vise à rendre transparent l’utilisation du GPGPU dans le but de simplifierson usage, le principe de délégation GPU propose plutôt de transformer un modèle afin qu’ilbénéficie des avantages du GPGPU mais sanscacher la technologie utilisée. Dans cet article,nous présentons une méthodologie basée sur ladélégation GPU pour le développement de simulations multi-agent. L’idée est de proposerune généralisation du processus d’applicationdu principe de délégation GPU que nous expérimenterons ensuite sur deux cas d’études afin dedéfinir quels sont les avantages et limites d’unetelle approche.