Résumé : Nous proposons dans cet article un modèle de programmation multi-agents pour l'intelligence ambiante dans lequel les agents ambiants sont capables de composer leurs fonctionnali- tés pour la réalisation de la tâche. Plus particulièrement, nous présentons un protocole d'interaction permettant aux agents, pour accomplir une tâche, de composer des compétences issues des services qu'ils offrent, sans connaissance préalable sur les agents environnants. Ce protocole permet aux agents de répondre aux messages qu'ils reçoivent non seulement selon leurs capacités propres mais aussi par rapport aux rôles qu'ils tiennent dans leurs interactions. Nous illustrons l'utilisation de ce protocole à travers un scénario impliquant des agents ambiants dans le contexte de la domotique.

Résumé : RésuméCet article propose une architecture SMA fondée sur des agents introspectifs munis de capacités de raisonnement sur leurs actions. Cesagents sont capables de réaliser collectivementet de manière dynamique une tâche complexeimpliquant la réalisation de plusieurs actionsinterdépendantes. Pour ce faire, ils s’appuientsur leurs capacités d’introspection et utilisentun protocole de coordination déterminant lecomportement global du SMA. Nous présentonsl’architecture des agents introspectifs. Nous formalisons le langage de communication permettant aux agents de s’échanger des messages àpropos de leurs actions. Enfin, nous spécifionsle protocole de coordination dont les agents sontmunis et étudions ses principales propriétés.

Résumé : RésuméLes recherches en Sciences Humaines et Socialesmontrentquelesrelationssocialesjouent un rôle déterminant dans le comportement des individus. Elles apparaissent alors comme un élément clé, à la fois dans les communautés mixtes humain-agent et pour la simulation de comportements humains, tantpour améliorer la crédibilité des agents virtuels que pour développer leur autonomie.

Résumé : RésuméLes recherches montrent que, dans un SMA ouvert et faiblement couplé, il est difficile de gérer l’hétérogénéité sémantique entre les agentsde manière statique. Les agents doivent doncs’adapter à chaque interaction pour traiter aumieux les messages. Dans cet article, nous proposons un modèle d’interaction et un protocole de communication simple pour le traitement des commandes (request) qui permet derésoudre des échanges de messages sémantiquement hétérogènes. Nous présentons tout d’abordnotre modèle d’agent ainsi que le modèle decommunication utilisé et nous décrivons brièvement le mécanisme de traduction des messages,fondé sur l’existence d’un service de mappingdes concepts de l’ontologie. Nous présentonsensuite notre protocole d’interaction et la stratégie de réponse des agents en fonction des différents performatifs. Nous illustrons enfin notremodèle sur un exemple simple et nous discutonsdes travaux similaires dans le domaine.

Résumé : Dans cet article, nous nous intéressons àla problématique de l’apprentissage parrenforcement dans un cadre multi-agentasynchrone et faiblement couplé. Nousmontrons qu’il est nécessaire de mémoriser des informations sur les actions passées et nous montrons comment factoriser cette information mémorisée pour quel’espace d’états reste praticable en nousappuyant sur le modèle des processus décisionnels de Markov factorisés (FMDP).Nous définissons un mécanisme d’apprentissage qui intègre les actions et les observations passées et nous expliquons comment ce modèle est implanté dans notreplateforme et nous discutons les résultatsattendus.

Résumé : Nous présentons dans cet article un mécanismed’apprentissage du comportement des appareilsélectriques dans le contexte d’une maison intelligente. L’objectif de ce mécanisme est de réduire la consommation d’énergie des appareilsà effet différé (par exemple le chauffage) touten maximisant le confort des habitants. Notreapproche utilise un modèle prédictif de l’activité d’une famille au sein de son logement. Cemodèle est construit à partir des informationslocales perçues par les appareils électriques.Après avoir présenté en détail notre mécanisme,nous procédons à l’évaluation de celui-ci ausein de la plateforme de simulation SMACH.La qualité du modèle prédictif est évaluée parsa capacité à prévoir les déplacements d’unefamille sur différents intervalles de temps. Lastratégie apprise par les appareils électrique estquant-a-elle comparée au sein du simulateur àla stratégie proposée par notre partenaire EDF.Les résultats obtenus, bien que préliminaires,indiquent que notre approche est à même de réduire la consommation électrique tout en maintenant un bon niveau de confort des habitants.

Résumé : La simulation de comportements émotionnelsest un atout pour un systèmes multi-agents cher-chant à simuler des comportements crédibles. La plupart des modèles computationnels trai-tant cet aspect incluent des catégories d’émo-tion au sein de leur architecture. Afin de pallierles difficultés liées au paramétrage de ces va-riables, le modèle multi-agent COR-E est dôtéd’une architecture ne manipulant pas de catégories d’émotion. Dans cet article, nous pré-sentons une évaluation de ce modèle dans lecontexte d’une file d’attente. Nous montrons queCOR-E est capable de produire des comporte-ments émotionnels crédibles grâce aux proprié-tés de son architecture, telles que l’acquisition et la protection de ressources.

Résumé : Dans cet article, nous proposons un modèlede simulation du comportement humain pourune gestion efficace de la consommation éner-gétique dans le contexte résidentiel. Nous pré-sentons la plateforme de simulation associée :SMACH. Elle permet aux experts de représenterles activités des habitants au sein de leur foyeret en particulier leur capacité d’adaptation dy-namique. Nous décrivons la dynamique du sys-tème et nous illustrons sur un exemple completl’émergence d’habitudes et l’adaptation à desévénements extérieurs.

Résumé : L’apprentissage de comportement dans uncontexte multi-agent est un problème difficile,en particulier parce que la prise en compte dela communication avec les autres agents re-quiert la mémorisation d’informations spéci-fiques. Dans cet article, nous présentons les mo-dèles de mémoire existants et nous montronsqu’ils ne permettent pas de gérer l’apprentis-sage de communication. Nous proposons en-suite un modèle de mémoire pour l’apprentis-sage par renforcement des messages de com-mande (request) et de contrôle (query). Ce mo-dèle permet de gérer l’asynchronisme du sys-tème et les attentes de réponses aux messages.Enfin, nous présentons une évaluation de ce mo-dèle sur un exemple simple et nous montronsqu’il construit une politique en un temps raison-nable et avec un espace mémoire réduit.

Résumé : Cet article présente une méthode d’évaluationde la crédibilité comportementale en simula-tion multi-agent. Elle s’appuie sur l’extractionautomatique de classes de comportements dansune simulation participative.La méthode que nous proposons combine deuxapproches. La première, subjective, évalue pardes questionnaires les catégories d’utilisateursdans le dispositif de simulation. La seconde ef-fectue une observation objective des données is-sues de la simulation pour construire automa-tiquement des classes de comportements. Nousétudions alors la corrélation entre les catégo-ries d’utilisateurs et les classes de comporte-ment. Nous comparons ensuite les comporte-ments des humains et des agents pour évaluerla crédibilité de ces derniers, en nous appuyantsur les catégories d’utilisateur. Nous illustronscette méthode dans le cadre d’un simulateur deconduite immersif.

Résumé : Nous présentons une approche flexible et décla-rative pour l’implémentation informatique detraits de personnalité issus de la taxonomieFFM/NEOPI-R. Elle repose sur le principe queles traits activent des opérateurs influençant leprocessus de décision rationnelle des agents.Notre approche est validée sur une étude de casportant sur la sous-classe des traits interperson-nels, appliquée aux agents dialogiques.

Résumé : es simulations multi-agent, utilisées dans ledomaine des environnements virtuels immersifs,mettent en œuvre des agents reproduisant descomportements humains et interagissant aveceux. Dans cet article, nous proposons une méthode générique fondée sur l’analyse de données pour l’évaluation des comportements individuels des agents. Elle est basée sur une classification des traces de simulation pour extraireles comportements humains. Ceux-ci servent decomportements de référence pour ensuite réaliser une agrégation des agents sur les classesd’humains. Il est alors possible d’analyser lescapacités, manques et erreurs des comportements agents en les comparant avec ceux deshumains. Nous complétons cette analyse parune évaluation subjective basée sur un questionnaire rempli par des annotateurs humainsafin de définir des catégories d’utilisateur, rendant leurs comportements explicites. Nous appliquons notre méthode à la simulation deconduite immersive.

Résumé : et article présente un modèle de simulationmulti-agent permettant d’étudier la formation etla dynamique des attitudes basées sur la perception des individus ainsi que sur la diffusion del’information par le biais de la communication.Nous présentons l’attitude comme étant un ensemble d’associations entre l’objet social et sesévaluations d’intensité variable, comme le propose Fazio [11]. Nous illustrons le rôle de lacommunication sur la dynamique des attitudesau travers de plusieurs expérimentations.

Résumé : L’un des principaux problèmes en simulationmulti-agent est la définition des paramètres dumodèle agent et leur calibration. Ce problèmeest encore plus difficile lorsqu’on considèredes environnements virtuels immersifs, dans lesquels les agents intelligents doivent reproduiredes comportements humains et apparaître « réalistes » aux yeux des utilisateurs. Dans cet article, nous proposons d’enregistrer et d’analyser les comportements des agents pour évaluerleur similarité avec ceux des humains dans unenvironnement virtuel immersif. Nous utilisonsdes méthodes de classification pour construireune abstraction des comportements individuels.Les types de comportement sont étudiés selon lacomposition de ces classes pour déterminer lesmanques, capacités et erreurs dans le modèleagent. Cette méthode nous permet 1) d’écarter les jeux de paramètres invalides, 2) de calibrer des simulations valides et 3) d’expliquerles manques du modèle agent pour l’améliorer.

Résumé : Cet article aborde la question de la simulationmulti-agent mettant en jeu plusieurs disciplineset expertises. Nous montrons que cela requiertde combiner la simulation multi-expert avec lamodélisation multi-niveau. Pour ce faire, nousproposons le modèle SIMLAB 1 basé sur une représentation unifiée des concepts par des agentspouvant s’influencer les uns les autres dans différents axes et di↵érents niveaux d’abstraction.Nous illustrons le potentiel de cette approchesur un exemple typique de Systèmes complexemulti-expert : la réduction de la consommationénergétique qui combine des expertises sur l’activité humaine, l’efficacité énergétique, la thermodynamique, etc.

Résumé : Nous proposons dans cet article un modèlemulti-agent de dynamique d’attitudes basé surla communication d’informations sur des événements au sein d’une population. Notre modèlese démarque par (1) un fondement sur des modèles de dynamique d’attitude issus des sciencessociales, (2) sa capacité à prendre en compte lesexpériences de l’individu lors de ses évaluationsd’informations et (3) une notion de coresponsabilité permettant l’attribution d’une action àplusieurs objets sociaux. Nous avons appliquéce modèle dans le contexte des opérations militaires de stabilisation, et, plus précisément, surun scénario relatant les opérations françaisesen Kapisa (Afghanistan) accompagné des résultats de sondages d’opinions de la population locale vis-à-vis des forces en présence. Sur la basede ces données de terrains, nous calibrons lemodèle et présentons les dynamiques d’attitudesrésultantes dont l’erreur globale ne dépasse pas3 points d’écart. Enfin, à partir de ces données,nous avons extrait différentes catégories d’individus en fonction de leurs comportements enappliquant une méthode de classification automatique non supervisée.

Résumé : En Simulation multi-agent (SMA), l'une desprincipales difficultés est de disposer dedonnées pour calibrer le modèle. Dans cetarticle, nous nous intéressons à la simulationmulti-agent de l'activité humaine : notreobjectif est de pouvoir calibrer et quantifier lareprésentativité des activités simulées. Nousproposons pour cela d'utiliser des donnéesstatistiques bien formalisées provenantd'enquêtes sur la vie quotidienne : les enquêtes« emploi du temps ». Ces enquêtes sontconçues pour décrire et reproduire l'activitéhumaine d’une journée à un niveaumacroscopique (à l'échelle de la populationd’un pays). Nous proposons une nouvelleméthode de génération de l'activité humainequi est à la fois statistiquement juste à unniveau agrégé et individuellement réaliste,grâce à la modélisation multi-agentd'individus dotés de capacités réactive,adaptative, et collaborative.

Résumé : RésuméCet article présente un modèle de simulationmulti-agent de l’autoconsommation collectivede l’énergie. Le modèle associe une simulationmulti-agent de l’activité humaine, une simulation thermique du bâtiment et de l’eau chaudesanitaire (ECS), et une simulation de production locale d’énergie électrique photovoltaïque.Nous étudions différentes situations de consommation collective de l’énergie et nous montronscomment l’utilisation de cette énergie peut êtreoptimisée à l’échelle du quartier en prenant encompte l’activité des occupants et les échangesd’énergie entre les foyers.Cette article est une traduction et une réécritured’un article soumis à la conférence Building Simulation 2019.

Résumé : Cet article présente un modèle de simulation multiagent à deux niveaux d’autoconsommation collective del’énergie. Le premier niveau de ce modèle est uneSimulation multi-agent de l’activité humaine couplée àune simulation thermique du bâtiment qui permetd’obtenir la consommation électrique d’un foyer. Lesecond niveau est une modélisation d’un groupement defoyers pratiquant l’autoconsommation collectived’énergie. Nous présentons une formalisation de cettenotion de groupement ainsi que différentesorganisations pour échanger de l’énergie.Nous étudions ensuite ces différentes organisations etmontrons leur fort impact sur la répartition de l’énergielorsque la production est faible face à la consommation.L’autoconsommation collective (ACC) d’énergieassocie une production d’énergie électrique locale, parexemple avec des panneaux photovoltaïques (PV) ouune éolienne, avec la consommation de toute ou d’unepartie de cette énergie par un ensemble de foyers situésà proximité des moyens de production [7, 8]. L’un desprincipaux intérêts est de maximiser la consommationd’énergie locale et renouvelable sans devoir faire appelà des sources d’énergie centralisées. Complémentaireavec les expérimentations sur site, la simulationnumérique est un outil permettant d’étudier lapertinence technico-économique des nombreusesconfigurations d’ACC possibles et l’évolution desusages de l’énergie dans ces situations. [8].Dans nos précédents travaux [1, 2] nous avions déjà misen avant la nécessité de prendre en compte la diversitéde l’activité des habitants des foyers dans lesproblématiques de l’ACC, en mettant en évidencel’impact positif sur le taux d’autoconsommationcollective, c’est-à-dire la part de la production électriquelocale qui est consommée immédiatement sur place parles foyers. Cependant, les premiers résultats obtenusétaient basés sur une seule configuration d’ACC

Résumé : Cet article se place dans le contexte du développement d’agents virtuels pour la formation professionnelle. Nous proposons un métamodèle permettant l’intégration de modèles cognitifs dans un modèle d’agent, avec un minimumd’hypothèses. La définition d’un agent se faitde manière modulaire à partir d’opérations debase définissant le modèle d’agent et d’un ensemble de processus cognitifs qui complètent oumodifient ces opérations. Nous présentons unepremière évaluation avec un modèle d’agent ettrois modèles cognitifs. Nous montrons que lesmodèles cognitifs impactent le comportement del’agent de manière cohérente par rapport auxpropriétés des modèles cognitifs introduits.