Résumé : Nous considérons des environnements dans lesquels des objets intelligents, munis de capacitéslimitées de calcul et de communication doiventcoopérer pour auto-configurer leur état de manière énergétiquement efficace, afin de respecter des besoins utilisateurs. De tels besoins sontexprimés comme des règles de scènes, configurées par l’utilisateur via une interface intuitivequi connecte des conditions sur l’état des objets à des états cibles de l’environnement. Noustraduisons ce problème de configuration d’environnements intelligents en un problème d’optimisation sous contraintes. Afin d’installer distribution, robustesse et ouverture, nous le résolvonsgrâce à des algorithmes distribués par envois demessages. Nous illustrons notre approche sur unexemple réaliste, et évaluons les performancesdes protocoles mis en œuvre dans un environnement simulé.

Résumé : ResumeDans le cadre des problèmes d’optimisationdistribuée sous contraintes, utiliser des algorithmes par propagation de croyances nécessitede déployer les éléments du graphe de facteurssur lequel le processus de résolution opère. Ici,nous nous intéressons au cas particulier de laconfiguration d’environnements intelligents etouverts, dans lesquels plusieurs équipementsconnectés doivent se coordonner afin de trouver une configuration optimale, sous certainescontraintes partagées (e.g. modèles physiques etrègles utilisateur). Le problème du déploiementdu graphe de facteurs sous-jacent peut être vucomme un problème d’optimisation, solvable demanière centralisée. Mais, en la présence de dynamiques environnementales, on ne peut se permettre un redémarrage et une résolution centralisée. Ainsi, le Systèmes doit effectuer des adaptations locales et en cours de fonctionnement dudéploiement. Nous proposons ici des solutionset les évaluons par simulation.

Résumé : Cette démonstration vise à illustrer l’utilisation du framework pyDCOP, qui implémente plusieurs méthodes de résolution de problèmes d’optimisation sous contraintes distribuées (DCOP) et fournit des utilitaires pourles déployer sur une infrastructure distribuéeet également doter le Systèmes de capacités derésilience, nécessaire dans des environnementscomme l’Internet-of-Things, dans des scénariosd’Intelligence ambiante ou de Smart Home. Lesscénarios sont modélisés dans un format dédié, traduits dans un problème d’optimisation oude satisfaction de contraintes distribuées, puispoussés vers les dispositifs qui se coordonnenten utilisant des protocoles choisis pour s’autoconfigurer de manière décentralisée. PyDCOPfournit également un cadre de résilience, quiéquipe le Systèmes avec des capacités d’adaptation contre les disparitions imprévues d’équipements. Ce mécanisme est basé sur la réplicationde décisions et un mécanisme de réparation léger basé sur un DCOP.

Résumé : RésuméNous définissons la notion de k-résilience degraphes de calculs en support aux décisionsd’agents opérées sur des Systèmes dynamiques.Nous proposons une méthode d’auto-réparationde la distribution des calculs, DRPM[MGM-2],afin d’assurer la continuité des décisions collectives suite à la disparition d’agents, grâceau déploiement de réplicas de calculs. Nousnous intéressons ici à la réparation de processusd’optimisation sous contraintes, où les calculssont des variables de décision ou des contraintesdistribuées sur l’ensemble des agents. Nousévaluons expérimentalement les performancesde DRPM[MGM-2] sur différentes topologies deSystèmes opérant des algorithmes (Max-Sum ouA-DSA) pour résoudre des problèmes classiques(aléatoire, coloration de graphe, Ising) alors quedes agents disparaissent.

Résumé : Cet article étudie l’applicabilité des techniques d’optimisation sous contraintes distribuée (DCOP) dans le cadredes réseaux radios hétérogènes (HetNets). Nous nous intéressons plus particulièrement au problème de l’association des terminaux utilisateurs aux stations de base, dontl’objectif est de déterminer quel utilisateur (e.g. téléphonemobile) est associé à quelle station de base pour créerun canal de communication. Toutes les stations ne garantissent pas les mêmes qualités de service et d’expérienceaux utilisateurs, et la qualité de l’allocation finale (e.g. ledébit total obtenu) est un critère à maximiser. Nous présentons ici un modèle DCOP de ce problème d’association, qui se base sur une agentification des stations de basese coordonnant pour obtenir une allocation efficace. Nousévaluons les performances d’algorithmes légers (MGM,MGM-2, DSA) sur un environnement simulé réaliste. Leursperformances sont comparées à celles d’une solution optimale, ainsi qu’à celle de la politique d’association actuellement utilisée dans ces réseaux, à savoir maxSINR.