Résumé : Les applications basées sur la notion d'optimisation combinatoire sont diverses et variées. Elles concernent différents domaines principalement issus de la Recherche Opérationnelle mais aussi de l'Intelligence Artiecielle. L'optimisation combinatoire englobe les difficultés, d'une part, liées aux problèmes de satisfaction de contraintes et, d'autre part, inhérentes à l'optimisation. Dans ce papier, est présentée une nouvelle approche d'optimisation com- binatoire par interactions, entre agents, basées sur des réparations et un contrôle guidés localement. Pour ceci un formalisme nouveau, Problème d'Optimisation Combinatoire Distribuée POCD, est défini comme étant une extension du POC classique. Le mérite du POCD est de fournir un cadre général de travail pour plusieurs problèmes d'IAD. Comme dans tous les systèmes distribués, les problèmes de terminaison et de contrôle se posent, aussi une solution, inspirée du recuit simulé, implanté de manière totalement distribué, y est apportée. L'approche proposée est illustrée à travers quelques exemples simples.

Résumé : Abstract La fonction ordonnancement est,e fonction essentielle dans tout processus de fabrication. Cette fonction

Résumé : Les Problèmes d'Optimisation et de Satisfaction de Contraintes optimisentsouvent une multitude de critères représentés par une fonction unique appelée fonction coûtou fonction objectif: L'agrégation de toutes les performances d'une alternative potentielle enun critère unique doit recourir à des conversions basées sur des échelles multiples,généralement non réductibles de façon objective les unes par rapport aux autres. Ce quireprésente un handicap majeur. Pour pallier cet inconvénient, nous proposons un modèleMulti-Agents, intitulé Modèle Distribué pour l'Optimisation Multicritère et la Satisfaction deContraintes„ qui optimise les différents critères séparément et ce en les associant à desagents coopérant entre eux dans le but d'atteindre un état d'équilibre stable correspondant àun sous-ensenble de solutions qui représente le meilleur compromis possible entre tous lesagents.

Résumé : La recherche dans le domaine des agents mobiles revêt de plus en plus d’importance pour leur capacité à développer et à construire des Systèmes répartis, hétérogènes et interopérables. Cependant, les travaux actuels s’intéressent principalement à l’implémentation des plate-formes d’agents mobiles et très peu de travaux de recherche portent sur les méthodes et outils pour l’analyse et la conception de Systèmes d’agents mobiles. Nous discutons dans cet article des limites des méthodes UML et AUML pour la spécification des agents mobiles et nous présentons une extension de la méthode Agent UML pour la modélisation de Systèmes distribués à base d’agents mobiles.

Résumé : Le développement des systèmes multi-agents (SMA) demeure ardu car la conception d’architectures d’agents capables de résoudre des problèmes complexes n’est pas triviale. La question qu’on soulève à partir de la controverse sur les SMAs, c’est comment modéliser d’une manière rigoureuse et concise aussi bien un agent que ses interactions. C’est dans ce but que nous nous intéressons, dans ce papier, à un formalisme simple, générique et riche en techniques de résolution et de renforcement de cohérence. L’idée est de modéliser un agent par un CSOP (Problème d’Optimisation et de Satisfaction de Contraintes) et par conséquent un SMA par un DCSOP (Problème d’Optimisation et de Satisfaction de Contraintes Distribué).

Résumé : La Supply Chain (SC) ou chaîne logistique comprend l’ensemble des acteurs impliqués dans les flux des produits, des services et des informations, et ce, depuis les fournisseurs des fournisseurs jusqu’aux clients des clients. L’enjeu futur ne concerne donc plus la compétitivité entre entreprises mais entre chaînes et les entreprises qui pourront gérer plus efficacement leur SC deviendront les leaders de leur marché.De part son architecture distribuée, composée d’acteurs autonomes interagissant en mode de coopération et/ou concurrence, la SC se prête bien à une modélisation multi-agent (MA). Ainsi, deux modèles MA sont proposés. Le premier représente la SC dans sa globalité et le second se focalise sur la répartition des commandes sur les sous-traitants qui présente l’une des phases déterminantes dans la chaîne. Ce modèle se compose des agents Entreprise, Commande, Sous-traitant et Place de marché. La dynamique MA sous jacente est simulée sur des exemples générés de manière aléatoire. Les résultats expérimentaux sont fortement concluants.

Résumé : Cet article propose un modèle multi-agent pour la résolution d’un problème fortement combinatoire omniprésent dans le monde de distributique : le Problème de Tournées de Véhicules avec Fenêtres de Temps. L’objectif est de déterminer un ensemble de tournées de véhicules satisfaisant différents clients, respectant des contraintes spatio-temporelles prédéfinies et ayant un coût total minimal. Pour ce, les agents coordonnent, coopèrent et négocient en formant des coalitions afin de résoudre au mieux ce problème. Des résultats de simulation comparés au Protocole du Réseau Contractuel Etendu sont présentés et discutés.

Résumé : Le Transshipment est la gestion collaborative de stocks au sein d’un réseau de distribution composé d’un ensemble de sites (points de ventes, magasins, dépôts..) relatifs à une entreprise donnée. C’est un problème à la fois complexe, distribué et dynamique. Cet article a pour objectif de proposer un modèle multi-agent pour déterminer au mieux la répartition, en fin de période, des stocks des sites excédentaires aux sites déficitaires. L’objectif est de satisfaire les demandes aléatoires des clients au moindre coût. Ce travail entre dans le cadre de la réalisation du simulateur multi-agent MATRA (Multi-Agent pour le TRAnsshipment)