Résumé : Cet article présente un systèmes multi-agents qui modélise un ensemble de firmes en compétition. Ces firmes sont représentées par des agents réactifs ou des agents adaptatifs. Les agents adaptatifs utilisent un raisonnement à base de cas. L’article montre les limites des modèles économiques représentant uniquement les firmes et n’intégrant pas les formes organisationnelles. Il présente ensuite un modèle intégrant les firmes et les formes organisationnelles.

Résumé : ta majorité des travaux sur la segmentation volumique segmentent des coupes 2D et reconstruisent par la suite, engendrant ainsi une perted'information. D'autres travaux partent d'un volume représentant l'image et ne s'intéressent qu'à l'aspect surfacique. La plupart d'entre cesderniers nécessitent des connaissances a priori sur le contenu de l'image et même parfois l'intervention d'un expert du domaine pour initialiser la segmentation. Pour éviter ces problèmes, nous proposons danscet article une approche de segmentation volumique à base de systèmes multi-agent. Cette approche part d'un volume et détecte les volumes le constituant, à travers, l'interaction d'agents réactifs qui évoluent, coopèrent et se reproduisent. La segmentation ainsi obtenue permet de conserver les propriétés des voxels du volume de départ et donne comme résultats les volumes et les swfaces présents dans ce dernier.

Résumé : e compromis temps–qualité de segmentationest assez difficile à trouver surtout lorsqu’ils’agit de l’identification de plusieurs objetssimultanément dans des images volumiques.Dans cet objectif, nous proposons unearchitecture multi-agent pyramidale baséesur une approche de segmentation adaptative.L’architecture pyramidale a pour objectif derendre possible la décomposition de l’imageet le traitement des sous-images surdifférentesarchitecturesphysiques(processus-mémoire). Nous avons testé cetteapproche sur des images de synthèse où lesvolumes sont connus à l’avance et sur uneimage médicale caractérisée par unehétérogénéité importante. Les résultats sontencourageants. Nous avons, en effet, gardéune bonne qualité de segmentation enréduisantsignificativementletempsd’exécution.