Résumé : Nous proposons dans cet article DIAL (DIAL Is an Argumentative Labour), un modèle de dialogue entre agents, qui permet de formaliser un processus de prise de décision collective et débattue. Ce modèle circonscrit un dispositif formel au travers duquel les agents jouent et ar- bitrent pour atteindre un accord. À cette intention, nous proposons un modèle de raisonnement argumentatif qui permet de gérer les conflits entre des arguments ayant des forces différentes selon l'agent qui les évalue. Nous proposons également un modèle d'agents argumentatifs qui justifient les hypothèses sur lesquelles ils s'engagent et prennent en compte les engagements de leurs interlocuteurs. Ainsi, dans le dispositif que nous avons circonscrit, la décision finale est du ressort d'un agent tiers. Celui-ci résout les conflits entre deux joueurs en fonction de leur compétence respective et des arguments avancés.

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 : RésuméDans cet article, nous adoptons un modèled’agent argumentatif capable de sélectionneret de composer des services. À cette intention,nous proposons une architecture d’agent modulaire qui distingue trois composants principauxdédiés respectivement à la prise de décision, àla communication et à la négociation. Dans cecontexte de composition de services, nous illustrons notre proposition et son fonctionnementà l’aide de l’exemple désormais classique del’agence de voyage “virtuelle”.

Résumé : RésuméAdoptant l’approche Voyelles, l’architectured’agents V3A (Vowels Agent Argumentation Architecture) est un modèle d’agent à travers lequel un agent autonome débat en interne afinde gérer ses motivations. La personnalité del’agent résout les éventuels conflits entre ses différentes motivations et dicte son comportement.À l’aide de cette architecture modulaire, noussommes en mesure de développer des agentsauto-adaptatifs capables de remplacer automatiquement leurs composants. Nous proposons iciune technique d’argumentation pour mettre enoeuvre le processus dialectique interne via unjeu de dialogue entre ces composants. Notrecadre est illustré à l’aide d’un scénario oùun agent s’adapte automatiquement au contexted’exécution.

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 : 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 : Les conflits sont intrinsèques aux systèmes multi-agents (SMA). Dans l’approche argu-mentative, les oppositions sont des citoyens depremière classe. Nous envisageons ici un ensemble d’agents, chacun muni de son propre ar-gumentaire. Les arguments comme les conflitsentre ces arguments sont subjectifs. L’objectifde chacun des agents consiste à enrichir son ar-gumentaire en prenant en compte les argumentset les conflits des autres agents. Nous adoptons ici une approche orientée individu où l’enrichis-sement mutuel des argumentaires émerge desinteractions entre les agents. Pour cela, nousproposons un jeu d’argumentation multi-partiesoù plus de deux agents jouent et observent des coups. Au terme de ce jeu, chaque agent enri-chit son argumentaire à l’aide des arguments etdes conflits échangés. Comme nous le montronsformellement, cet enrichissement est consen-suel. En adoptant une approche centrée indi-vidu, notre modèle est explicatif en rendant intelligible les conflits entre agents

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 : Nous souhaitons proposer un réseau social numérique afin que les utilisateurs forment desgroupes pour pratiquer ensemble des activités.Dans cet article, nous introduisons un modèleformel de formation de coalitions correspondant à ce cas d’usage. Nous nous restreignonsà des préférences additivement séparables pourproposer un algorithme distribué. Nous démontrons que le résultat est Pareto-optimal. Nos expérimentations montre que la solution atteintepar notre algorithme est meilleure que celle obtenue via les techniques classiques de recherchelocale et que sa distribution permet d’accélérerson 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 : Les conflits constituent une caractéristique intrinsèque des systèmes multi-agents qui peut êtrerésolu par la négociation. Cet article présenteun état de l’art de la négociation multi-agenten mettant l’accent sur sa variante la plus élémentaire : la négociation bilatérale par concession. Nous fournissons ici une grille d’analysequi distingue : i) l’environnement de négociation(objectifs, parties prenantes, protocole et stratégies) ; ii) les propriétés attendues du résultat ; etiii) celles du processus.

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 : RésuméComme les problèmes de la patrouille ou de larecherche de chemin multi-agent, le problèmede la collecte de colis par des agents coopératifs [6] constitue un banc d’essai pour étudier,raffiner, expérimenter et évaluer les algorithmesmulti-agent. Nous proposons ici un comportement d’agent pour négocier la répartition destâches au cours de collecte.

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.