Résumé : La méthode ADELFE a été conçue pour la conception de systèmes multi-agents adaptatifs. Les logiciels adaptatifs sont utilisés lorsque l’environnement est imprévisible ou le Systèmes à construire ouvert. ADELFE assure que le logiciel est développé en accord avec la théorie des AMAS (Adaptive Multi-Agent System). La démonstration est axée sur les trois premières activités du processus de développement de logiciel c’est-à-dire : l’analyse des besoins, l’analyse et la conception. Au cours du processus, les étapes spécifiques aux systèmes multi-agents sont mises en évidence et explicitées et les outils développés pour supporter la méthode tels que l’outil graphique OpenTool, l’outil de suivi du processus, et l’outil de la vérification de l’adéquation sont utilisés et détaillés. Pour cela, la méthode est illustrée grâce à l’application ETTO de développement d’un emploi du temps.

Résumé : La méthode ADELFE a été développée pour la conception de Systèmes ouverts, com-plexes et distribués, en se basant sur la théorie des AMAS (Adaptive Multi-Agent Systems) etsur le concept d’émergence. Cette théorie donne un critère de conception local aux agents desorte que l’émergence d’une organisation au sein du Systèmes et ainsi d’une nouvelle fonctionsoit rendue possible, rendant le passage à l’échelle possible en l’absence de contrôle global duSystèmes. Cet article se focalise sur l’un des outils de la méthode ADELFE associés au proces-sus et aux notations UML/AUML :le logiciel commercial OpenTool, enrichi pour prendre encompte la problématique multi-agent.

Résumé : L'auto-organisation par coopération permet de concevoir des systèmes multi-agents capables de réagir et de s'adapter collectivement aux perturbations environnementales —ouver- ture et dynamique, par exemple. C'est une approche par recherche locale qui utilise la notion de coopération comme un critère local de réorganisation permettant aux parties —appelées agents coopératifs— de changer leurs interactions et leurs positions dans l'organisation. De telssystèmes produisent alors des fonctions émergeant des interactions locales. Cette approche est illustrée grâce à un problème classique de décision distribuée : le problème des N reines.

Résumé : RésuméCet article présente une approche pour résoudre des problèmes de satisfaction decontraintes distribués (DCSP) par des systèmes multi-agents auto-organisateurs. Les DCSPconsidèrent la distribution parmi des agentscoopératifs dont la tâche est d’affecter unevariable propre en respectant des contraintesconnues et en négociant pour trouver une solution collective. L’approche proposée définitl’auto-organisation coopérative comme le processus guidant le collectif vers la solution : lesagents, suivant un modèle comportemental coopératif, changent leur organisation pour améliorer l’état courant du Systèmes. Ce travail estillustré par un problème d’affectation distribuéede fréquences, un problème classique de modélisation sous contraintes.

Résumé : RésuméDans cet article, nous explorons le potentiel destechniques de satisfaction de contraintes distribuées afin de proposer une solution pour l’autorégulation du contrôle manufacturier. Ce travailrepose sur une modélisation DisCSP impliquantun ensemble d’agents (e.g. les stations) ayantdes capacités suffisantes de communication etde raisonnement pour coopérer et négocier unaccord sur une organisation du travail. Cetteapproche est utilisée pour réguler dynamiquement le Systèmes lorsque des perturbations surviennent (panne, indisponibilité d’opérateursou commande exceptionnelle prioritaire). Ainsi,pour ces machines, l’autonomie et l’intelligencedistribuée sont un moyen de fournir un contrôlemanufacturier plus flexible. Des résultats d’expérimentations sur la plate-forme MASC sontprésentés pour comparer cette approche auxtechniques de résolution de DisCSP classiques.

Résumé : La complexité croissante des applications actuelles favorise le développement de systèmes multi-agents auto-organisateurs possédant des propriétés self* Ces systèmes autonomes présentent des capacités intéressantes permettant la gestion de la dynamique endogène et exogène des applications étudiées. De nouveaux critères doivent être proposés afin de caractériser et évaluer l'apport de ces propriétés self* et sont capables d'auto-adaptation et gèrent les dynamiques dues aux changements endogènes etleur influence sur les performances du système. Dans cet article, différentes catégories regroupant les principaux critères d'évaluation sont décrites afin de guider l'évaluation de ce type de systèmes depuis les phases de conception jusqu'aux phases d'exécution : évaluation du système en cours de fonctionnement, caractéristiques intrinsèques et méthodologie de conception.

Résumé : et article prône une approche orientée individu pour la résolution du problème classiquedes mariages stables. Selon cette approche, lasolution émerge des négociations entre agents.Par exemple, l’algorithme de Gale-Shapley(GS) distingue deux comportements d’agents(proposant et disposant) qui négocient pouraboutir à une solution stable, pareto-otpimalemais inéquitable : la communauté des proposants est favorisée. Nous proposons ici l’algorithme Casanova qui met en œuvre une stratégie de concession minimale. Les agents jouentsimultanément le rôle de disposant et de proposant dans une multitude de négociations bilatérales. De plus, les solutions qui émergent nepeuvent être atteintes par GS et elles sont pluséquitables. Notre implémentation est décentralisée et préserve la privacité.

Résumé : a confiance est devenue un facteur clé desprocessus de décision au sein de communautésvirtuelles. Le caractère ouvert et décentraliséde ces environnements couplés à leur dimension sociale défient les mécanismes actuellesde gestion de la confiance. Notamment pour cequi concerne la gestion et l’intégration des exigences de confiance des utilisateurs et ceux deleurs communautés. Afin de répondre à ce problème, nous proposons SC-TMS, un Systèmes degestion de la confiance adaptatif basé sur leprincipe de conformité sociale [4]. En nous appuyant sur les technologies multi-agent, despolitiques de confiance sont utilisées pour spécifier à la fois les modèles de confiance centrésutilisateur et les modèles centrés communauté.Les agents y sont utilisés pour gérer et combinerces différentes politiques de manière flexible etdécentralisée. Nous décrivons les fonctionnalités et l’architecture qui les mettent en œuvre etdiscutons de leur implémentation.

Résumé : Nous proposons l’usage de systèmes multi-agents pour résoudre des problèmes d’optimisation impliquant des simulateurs numériquescoûteux. Il est alors usuel de remplacer certainsappels aux simulateurs numériques par des ap-pels à des métamodèles. L’idée proposée danscet article est d’assigner les métamodèles adé-quats à chaque sous-région afin de (i) rendre l’optimisation moins coûteuse, (ii) générer uneméthode d’optimisation qui trouve les optimaglobaux et locaux et (iii) fournir une meilleurecompréhension du problème d’optimisation etde son espace de conception. La technique utili-sée est de partitionner l’espace de conception entre divers agents utilisant des métamodèlesdi↵érents pour approximer leur sous-région etse coordonnant pour modifier les frontières deleur sous-région.

Résumé : Dans le cadre de la conception de produitscomplexes, et en nous basant sur une méthoded’optimisation multi-agent par partitionnementde l’espace de conception, nous proposons unenouvelle méthode permettant au systèmes multi-agents de découvrir tous les optima locaux pardes mécanismes auto-organisés de création etde destruction d’agents, et ce avec un nombrelimité d’appels aux fonctions coûteuses. Lesagents sont en charge de la découverte d’optimalocaux dans leur propre partition de l’espace deconception, qui évolue au cours de la résolu-tion. Notre approche est mise en œuvre sur unproblème illustratif en 2 dimensions et un pro-blème difficile en 6 dimensions.

Résumé : ’environnement, en tant qu’espace partagéentre agents, est un élément essentiel des Systèmes multiagents. Selon les Systèmes, cet espace intègre des dimensions di↵érentes commeune dimension physique support à l’ancragespatial et à l’activité des agents sur cette dimension, ou une dimension sociale support auxcommunications entre agents. Ces dimensionssont souvent traitées de manière indépendanteet ne sont reliées qu’au sein de l’agent quiconstitue alors le lieu de jonction et de combinaison des informations véhiculées dans ces différentes dimensions. Il s’avère cependant que lacombinaison entre ces dimensions est à considérer également en dehors des agents, pour pouvoir par exemple, situer des communications.Dans cet article, nous proposons un modèle unifié assurant la combinaison des dimensions physiques et sociales pour la mise en œuvre d’interactions contextualisées entre agents. Ce modèle est développé avec le langage multiagentSARL. Nous illustrons cette proposition par uneapplication de simulation de trafic routier dansla ville de Belfort.

Résumé : Cet article introduit un nouveau mécanisme demarché qui permet aux prosommateurs d’échanger de l’électricité tout en satisfaisant lescontraintes physiques du réseau. La règle d’allocation de notre marché est mise en œuvre aumoyen de RadPro, un algorithme efficace de programmation dynamique qui évalue en temps polynomial combien d’énergie chaque prosommateur échange ainsi que comment l’énergie doitêtre distribuée au travers du réseau. Nos résultatsempiriques montrent que RadPro surclasse demanière significative CPLEX et Gurobi en tempslors du calcul de l’allocation optimale dans desréseaux acycliques. De plus, la gestion par envoide messages de RadPro offre la possibilité d’exécuter notre marché d’une manière décentralisée(pair-à-pair).

Résumé : L’intelligence ambiante (AmI) connaît actuellement un développement croissant d’applications.Afin de mettre en place flexibilité d’installation etgénéricité dans le déploiement et l’approvisionnement de solutions de gestion de contexte, nousproposons CONSERT, un integiciel de gestiondu contexte (CMM), basé sur les techniques etles principes du Web sémantique et des Systèmesmultiagents. Dans cet article, nous nous appliquons à montrer comment l’architecture multiagent de ce CMM offre la souplesse nécessairepour déployer différents types de schémas de provisionnement de contexte pour répondre à différentes applications d’AmI. Nous présentons l’utilisation de notre solution avec un scénario issudu domaine de la gestion d’une université “intelligente”.

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 : Ce travail étudie le problème d’allocation décentralisée de courses à une flotte de taxis autonomes. Classiquement, pour résoudre ce problème les demandes sont centralisées dans unportail où un dispatcheur alloue les courses auxtaxis (idéalement de manière optimale). Ceci nécessite que les taxis aient accès en continu auportail (via un réseau cellulaire). Cependant,avoir accès à une telle infrastructure de communication globale coûte cher à la société degestion de taxis. L’idée est ici d’utiliser une infrastructure véhicule-à-véhicule, peu coûteuse,pour coordonner les taxis sans infrastructure decommunication globale. Notre approche est présentée et évaluée de manière empirique par simulation. Nous avons développé différentes stratégies multiagents, requérant différentes infrastructures de communication et mécanismes decoordination, et les analysons en terme de qualité de service, de satisfaction client, et de gain.

Résumé : Le taux d’acceptabilité et la satisfaction utilisateur sont devenus des facteurs clés pour éviter le désabonnement des clients et assurer lesuccès de tout fournisseur de logiciel en tantque service (ou SaaS). Néanmoins, le fournisseur doit également minimiser les coûts de location de services cloud. Pour faire face à cesobjectifs contradictoires, la plupart des travauxconsidèrent la gestion de ressources de manièreunilatérale par le fournisseur. Ainsi, les préférences utilisateur et leur acceptabilité subjective sont ignorées. Des études récentes dans ledomaine de la qualité d’expérience (QoE) recommandent aux fournisseurs d’utiliser des métriques comme les quantiles pour jauger plusprécisément l’acceptabilité des services. Danscet article, nous proposons un mécanisme de négociation « one-to-many » adaptatif pour améliorer l’acceptabilité des services d’un fournisseur SaaS. Se basant sur une estimation parquantiles de l’acceptabilité des services et surl’apprentissage du modèle de négociation del’utilisateur, ce mécanisme ajuste le processusde négociation du fournisseur afin de garantirun taux d’acceptabilité désiré tout en respectantdes contraintes budgétaires. Ce mécanisme estmis en œuvre et ses résultats sont analysés auregard d’approches comparables.

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 : Le raisonnement sous contraintes est une destechniques majeures en intelligence artificielleet en recherche opérationnelle, pour modéliserdes problèmes de décision et concevoir des méthodes de résolution efficaces. Sa déclinaisondistribuée, le raisonnement sous contraintes distribué (DCR) est un outil puissant pour mettreœuvre des décisions coopératives dans le cadredes systèmes multi-agents. De tels problèmes sedéclinent en (i) des problèmes de satisfaction decontraintes (DisCSP) où l’on recherche une solution satisfaisant toutes les contraintes et en (ii)des problèmes d’optimisation sous contraintes(DCOP) où l’on recherche une solution minimisant un coût global induit par les contraintes.Cet état de l’art se focalise sur le cas des DCOP,qui ont démontré leur forte applicabilité à desproblèmes réels. Nous présenterons les principales familles de problèmes et de méthodes derésolutions, ainsi que des exemples d’applications.

Résumé : Dans le cadre de la résolution des problèmesd’optimisation des contraintes distribués (DCOP),les algorithmes approchés de propagation decroyances (BP) comme Max-Sum sont descandidats de choix. Cependant, lorsque le modèlegraphique sous-jacent est très cyclique, cesméthodes de résolution souffrent de mauvaisesperformances, en raison de la non-convergenceet des trop nombreux messages échangés. Afind’améliorer les performances de Max-Sum surde tels DCOPs, nous proposons de s’inspirerde la décimation guidée par BP pour résoudredes problème k-SAT. Nous proposons la nouvelleméthode DeciMaxSum, paramétrable par descritères de déclenchement de décimation, de choixde variables à décimer et de valeurs pour cesvariables. Sur la base d’une évaluation expérimentale sur le modèle d’Ising, certaines de cescombinaisons de critères présentent de meilleuresperformances que les algorithmes concurrents.

Résumé : La qualité d’expérience (QoE) est définie commela mesure de la satisfaction des utilisateurs d’unservice. Les travaux existants sur la QoE reposent sur une vision binaire de la satisfaction,qui a été critiquée par de nombreuses études empiriques, soulignant son aspect graduel. L’objectif de cet article est d’aller au-delà de cette visionbinaire, et de proposer un mécanisme de gestion de la QoE. En particulier, nous proposonsun mécanisme de négociation « un-à-plusieurs »permettant au fournisseur de service de se charger de la gestion de la satisfaction pour atteindredes objectifs fins de QoE, tout en minimisant lescoûts. Ce problème est formulé comme un problème d’optimisation, pour lequel un modèle linéaire est proposé. Pour référence, un solveurlinéaire générique est utilisé pour trouver la solution optimale, et une approche heuristique alternative est proposée afin d’améliorer la réactivité lorsque le Systèmes monte en échelle avecun nombre croissant d’utilisateurs. Les deux solutions sont développées et évaluées expérimentalement en comparaison d’autres cadres de négociation « un-à-plusieurs » de l’état de l’art.

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 : Cet article étudie l’applicabilité des techniques d’optimisation sous contraintes distribuée (DCOP) dans le cadredes réseaux radios hétérogènes (HetNets). Nous nous intéressons plus particulièrement au problème de l’association des terminaux utilisateurs aux stations de base, dontl’objectif est de déterminer quel utilisateur (e.g. téléphonemobile) est associé à quelle station de base pour créerun canal de communication. Toutes les stations ne garantissent pas les mêmes qualités de service et d’expérienceaux utilisateurs, et la qualité de l’allocation finale (e.g. ledébit total obtenu) est un critère à maximiser. Nous présentons ici un modèle DCOP de ce problème d’association, qui se base sur une agentification des stations de basese coordonnant pour obtenir une allocation efficace. Nousévaluons les performances d’algorithmes légers (MGM,MGM-2, DSA) sur un environnement simulé réaliste. Leursperformances sont comparées à celles d’une solution optimale, ainsi qu’à celle de la politique d’association actuellement utilisée dans ces réseaux, à savoir maxSINR.

Résumé : ous étudions des techniques distribuées de planification sur des scénarios d’observation dela Terre avec utilisateurs et satellites multiples.Nous nous concentrons sur la coordination desutilisateurs ayant réservé des portions d’orbitesexclusives et d’un planificateur central ayantplusieurs demandes qui peuvent utiliser certainsintervalles de ces portions exclusives. Nous définissons le problème de planification de constellations de satellites d’observation de la Terre(EOSCSP 1). Pour le résoudre, nous proposonsdes schémas multiagents de résolution distribués, notamment l’optimisation sous contraintesdistribuée, où les agents coopèrent pour répartirles demandes sans partager leurs propres plans.Ces contributions sont évaluées expérimentalement sur des instances EOSCSP générées surla base de carnets d’observation réels grandeéchelle ou très conflictuels.

Résumé : es problèmes d’allocation sont d’importancemajeure dans la gestion des Systèmes de transport à la demande (ODT). Ils ont été étudiés pendant des décennies, et diverses solutions ont étéproposées. Les approches de résolution peuventêtre classées en deux catégories : centraliséeset décentralisées. Dans la pratique, chacune ases avantages et désavantages. Dans ce travail, nous visons à fournir un modèle générique pour le problème du transport à la demande en ligne avec des véhicules autonomeset un modèle multi-agent dédié à l’allocationdes ressources et à la planification d’une flottede véhicules. Ce dernier considère des véhiculesautonomes qui communiquent dans un réseauinter-véhiculaire pour satisfaire les demandesde course dans un Systèmes ODT. Nous évaluonsla généricité de ce modèle en appliquant plusieurs approches d’allocation (programmationmathématique, heuristique gloutonne, optimisation par contraintes distribuées et enchères) etcomparons leurs performances sur des scénarios synthétiques générés à partir de donnéesréelles.

Résumé : Nous proposons une stratégie de déconflictiondans la gestion du trafic aérien sans pilote (UTM),où les drones sont dotés de capacités de décisionpour mettre à jour leurs trajectoires 4D face à desévénements imprévisibles ou lorsque des trajectoiresprioritaires sont ajoutées dans l’espace aérien. Lesdrones sont conscients des conflits potentiels prochesfournis par la couche de communication UTM, etpeuvent se coordonner pour réparer les trajectoireset résoudre les conflits de manière décentralisée.Cela réduit l’accès à un goulot d’étranglement décisionnel central et permet une déconfliction réactive.Nous proposons des comportements coordonnés basés sur les DCOP, évalués sur des scénarios densesdans une zone limitée avec de nombreux contrats 4D,des incidents potentiels et des procédures d’urgence.