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 : Avec les technologies IoT, la domotique s’oriente vers la maison intelligente. Les utilisateurs ont ainsi accès à des services à valeur ajoutée offrant un accès intégré aux dispositifs déployés au sein de la maison. Outre le fait que ces applications sont centrées sur l’utilisateur, la coordination décentralisée des décisions et la flexibilité sont des défis importants. L’utilisation d’une approche multi-agent permet de relever ces défis. Cependant, l’intégration d’une telle approche avec les solutions de l’IoT et de la gestion de contexte n’est pas un problème facile. Nous présentons une approche pour cette intégration dans un systèmes multi-agents afin que les agents puissent adapter les services centrés sur l’utilisateur à l’évolution du contexte et des dispositifs déployés. Nous présentons la manière dont nous avons intégré ces technologies dans une architecture multi-agent qui a été conçue pour développer des services à valeur ajoutée qui adaptent leur fonctionnement à l’environnement.

Résumé : Cet article présente une démonstration de l’utilisation des technologies multi-agents et de données liées pour l’implémentation de services prenant en compte le contexte ambiant, au bénéficede personnes vivant dans des environnement ditsintelligents. Dans cette démonstration, chaquemaison d’un voisinage collaboratif est gérée parun agent dédié, qui exploite le contenu d’ungraphe de connaissances de contexte de la maison. Nous mettons en œuvre un cas d’usage desécurité, autour de la détection d’intrusions dansles maisons. Pour implémenter notre démonstrateur, nous avons utilisé la plateforme Home’in[5], et la plateforme multi-agents JaCaMo [1].