Résumé : Dans cet article12, nous présentons une solution permettant degérer des équipes d'agents hétérogènes situés dirigés par un chef Celui-ci est chargé d'établir leplan d'équipe et de distribuer les tâches à effectuer aux agents en fonction de leurs spécificités. Dans une approche traditionnelle, le chef planifie tout. Or, il est important de laisser de l'autonomie de décision aux agents afin de leur permettre de s'adapter à la configuration de leur environne- ment qui n'est pas forcément connue par le chef lors de la planification. Notre solution consiste à créer des plans d'équipes abstraits où tout n'est pas résolu par le chef ce qui laisse aux agents une réelle autonomie de décision. Nous proposons ensuite une technique d'allocation des tâches calculées aux agents. Notre approche permet à une équipe d'agents hétérogènes de réaliser des tâches qui requièrent les capacités de plusieurs agents. Ces agents agissent de manière auto- nome en fonction des buts donnés par le chef et de la configuration de l'environnement.

Résumé : Dans cet article, nous proposons un dispositifformel au travers duquel deux agents dialoguent pour aboutir à un consensus de représentation. À cette intention, nous proposons un modèle de représentation argumentatif qui permet de gérer les conflits entre des descriptions ayant des pertinences différentes selon l'auditoire qui les évalue. Nous présentons également un modèle d'agents au travers duquel ils justifient la définition sur laquelle ils s'engagent en prenant en compte les définitions de leurs interlocuteurs. Dans ce dispositif deux agents dialoguent pour obtenir un accord malgré leur représentation conflictuelle.

Résumé : ans le cadre de l’Intelligence Ambiante, cetarticle montre comment un systèmes multi-agentsprend en charge la gestion domotique d’unemaison. Ce Systèmes intelligent peut gérer intégralement l’habitat ou se contenter d’effectuer les propositions d’action qu’il pense êtreles meilleures. Nous décrivons ici la conceptionet la mise en place d’un tel SMA basé sur l’approche orientée interactions. Ce travail constitue un exemple d’utilisation conjointe de technologies provenant à la fois de la communautéIHM et de la communauté SMA.

Résumé : a plupart des agents conversationnels déployés sur les sites de vente en ligne se cantonnent au rôle de foire aux questions interactive. Le retour d’expérimentation nous apprend que les attentes des utilisateurs vis-àvis de ces agents conversationnels ne sont pascomblées. Dans cet article, nous définissons unagent proactif expert destiné à mieux répondreà ce type d’application. A partir d’un scénario, nous identifions les caractéristiques quedoit exhiber un tel agent dialogique proactif :prise d’initiative, adaptabilité, acquisition d’information, etc. Notre implémentation s’appuiesur le langage AIML initialement conçu pourdes agents purement réactifs. Nous en identifions le potentiel et les limites pour notre approche.

Résumé : Les conflits sontintrinsèques aux systèmes multi-agents (SMA) et la négociation est unprocessus permettant de résoudre ces conflits.Nous nous intéressons ici aux problèmes de dé-cision collective où les préférences des indivi-dus sont partielles, certaines alternatives étantincomparables ou équivalentes. Afin d’évaluerles alternatives du point de vue de la sociétéd’agents, nous raffinons ici le critère de Pareto-optimalité en définissant la notion de compro-mis et examinons ces compromis grâce à lathéorie du bien-être social. Nous proposonsdans cet article un jeu de négociation bilaté-rale, c.-à-d. un protocole et deux stratégies :l’une conciliante et l’autre temporisatrice. Fi-nalement, nous montrons que la première estmeilleure socialement et la seconde meilleureindividuellement.

Résumé : De nombreuses entreprises utilisent l’application MapReduce pour le traitement de donnéesmassives. L’optimisation statique de telles applications est complexe car elles reposent surdes opérations définies par l’utilisateur, appelées map et reduce, ce qui empêche une optimisation algébrique. Afin d’optimiser l’allocation des tâches, plusieurs Systèmes collectentdes données à partir des exécutions précédenteset prédisent les performances en faisant uneanalyse de la tâche. Cependant, ces Systèmesne sont pas efficaces durant la phase d’apprentissage ou lorsqu’un nouveau type de tâches oude données apparait. Dans ce papier, nous présentons un systèmes multi-agents adaptatif pourl’analyse de données massives avec MapReduce. Nous ne pré-traitons pas les données etadoptons une approche dynamique où les agentsreducers interagissent durant l’exécution. Nousproposons une ré-allocation des tâches baséesur la négociation pour parvenir à faire décroitre la charge de travail du plus chargé desagents reducers et ainsi réduire le temps d’exécution.

Résumé : MapReduce est un patron de conception permettant de traiter un très grand volume de données distribuées sur un cluster de machines.Ses performances sont liées aux éventuelles distorsions des données. Pour contrer ces biais,nous proposons un systèmes multi-agents adaptatif. Les agents interagissent durant l’exécutionet l’allocation dynamique des tâches est le résultats de négociations afin de soulager l’agentle plus chargé et donc le temps global d’exécution. Dans cet article nous montrons comment,lorsqu’une tâche est trop coûteuse pour être négociée, un agent peut la découper afin d’en négocier les sous-tâches.

Résumé : RésuméNous étudions une stratégie qui tient compte dela localité des ressources pour équilibrer lescharges dans un Systèmes distribué. Cette stratégie permet aux agents coopératifs d’identifierune allocation non équilibrée, voire de déclencher des enchères concurrentes pour réallouerlocalement certaines des tâches. Les tâches sontréallouées en tenant compte de l’accessibilitédes ressources pour les agents ; elles sont exécutées conformément aux capacités des nœuds decalcul sur lesquels se trouvent les agents. Ce processus de négociation dynamique et continu estconcurrent à l’exécution des tâches, ce qui permet d’adapter l’allocation des tâches aux perturbations (exécution de tâche, chute de performance d’un nœud). Nous évaluons cette stratégie dans le cadre du déploiement multi-agentde MapReduce. Ce patron de conception permetle traitement distribué de données massives. Lesrésultats empiriques démontrent que notre stratégie améliore significativement le temps d’exécution du traitement d’un jeu de données.

Résumé : ous étudions le problème de la réallocation detâches pour l’équilibrage de charge dans les modèles distribués de traitement de données massives. Nous proposons une stratégie qui reposesur des agents coopératifs pour optimiser le réordonnancement de tâches dans de multiples jobsdevant être exécutés le plus tôt possible. Elle permet à un agent de déterminer localement la prochaine tâche à exécuter ou à déléguer grâce à sesconnaissances, ses croyances et son modèle despairs. La nouveauté réside dans la capacité desagents à identifier les opportunités et les agentslimitants pour réallouer efficacement les tâchesà travers des négociations bilatérales concurrentes. Nos expérimentations montrent que ladurée moyenne de réalisation atteinte par notrestratégie reste proche de celle obtenue avec uneheuristique classique mais que le temps d’ordonnancement est significativement réduit.

Résumé : a problématique de l’affectation efficace detâches parmi des entités exécutantes est commune à de nombreuses applications réelles.Comme les problèmes d’allocation de ressources ou les problèmes d’appariement, l’affectation de tâches à des exécutants est un problèmed’anti-coordination où des agents doivent adopter des plans d’action distincts. Dans cet article,nous proposons un état de l’art des méthodesmulti-agent pour l’ordonnancement dynamiquede tâches réalisées en parallèle par plusieursexécutants ainsi que notre retour d’expériencesur leur mise en œuvre.

Résumé : Dans cet article, nous étudions le problème dela réallocation de tâches pour l’équilibrage decharge dans les modèles distribués de traitementde données massives. Nous proposons ici unestratégie qui repose sur des agents coopératifspour optimiser le réordonnancement de tâchesdans un ensemble de jobs devant être exécutésle plus tôt possible. Elle permet aux agents dedéterminer localement les prochaines tâches àexécuter, à déléguer, voire à échanger grâce àleur modèle des pairs. La nouveauté réside dansla capacité des agents à échanger des tâchesà travers des négociations bilatérales concurrentes. Nos expérimentations montrent que ladurée moyenne de réalisation atteinte par notrestratégie reste proche de celle obtenue avec uneheuristique classique, avec un temps de réordonnancement significativement réduit.