Résumé : Nous proposons un nouveau protocole de partage de ressources critiques par coordi- nation auto-organisée d'agents réactifs. Pour ce problème, on génère le planning des ressources critiques dans un contexte de système ouvert. Il est nécessaire d'adapter la solution courante face à l'évolution des données traitées. Différentes contraintes d'affectation rendent cette adap- tation difficile. C'est le cas pour le problème d'ordonnancement de la chaîne de productionpar anticipation. Dans cet article, nous montrons que pour des problèmes très contraints l'adap- tation d'un planning n'est possible que si l'activité des agents est coordonnée. A partir de ca- pacités individuelles d'évolution d'affectation, nous proposons un processus décentralisé basé sur la stigmergie qui renforce des motifs de coordination compatibles. Ceux-ci constituent une réorganisation complexe et cohérente sur l'ensemble de la solution à faire évoluer.

Résumé : La question abordée dans cet article concernel’auto-organisation, dans un systèmes multi-agents, des dynamiques informationnelle etcomportementale, et de leur coordination dé-centralisée et dynamique, en vue d’obtenir uncomportement collectif cohérent. Nous étudionscette problématique à travers l’exemple d’unsystèmes multi-agents (SMA) qui collecte desinformations provenant de sources distribuéesdans lequel certains agents peuvent être dé-fectueux (volontairement ou non). Nous propo-sons une approche auto-organisationnelle, fon-dée sur une vision systémique qui consiste àconsidérer le SMA à travers son couplage struc-turel à son environnement physique et informa-tionnel. On définit ainsi 3 dynamiques : infor-mationnelle, comportementale et la dynamiquede leur couplage à travers une coordination dé-centralisée. Ces dynamiques sont induites parles comportements des agents et leurs interac-tions, combinant des mécanismes de confianceet l’application de règles de comportements lo-cales.: systèmes multi-agents, Auto-

Résumé : Le paradigme constructiviste de l’apprentissageen intelligence artificielle (IA) se développe largement à travers des concepts tels que l’IA incarnée, l’IA énactive ou la Robotique développementale. L’objectif commun à ces approchesest de créer des agents autonomes car dotésd’une capacité d’adaptation à leur environnement et même d’apprentissage, à l’image desorganismes biologiques. Un vaste champ d’application inclut tous les Systèmes en interaction avec un environnement complexe, dont lesobjectifs sont variés et non prédéfinis. Suivantce positionnement, nous nous intéressons iciau problème de l’intelligence ambiante. Nousproposons un modèle décentralisé d’apprentissage constructiviste pour un Systèmes d’AmIbasé sur une architecture multi-agent. Avec cetravail nous abordons notamment le problèmede l’amorçage de l’apprentissage sensorimoteur pour des environnements réels continussans modélisation de l’environnement à priori.

Résumé : Cet article présente un modèle multiagent detrafic coopératif et son implémentation, vuecomme une extension du simulateur de traficMovSim. La dynamique physique des véhiculesest décrite avec le point de vue du domainede la théorie du trafic en proposant un modèlemicroscopique, multi-anticipatif et bilatéral desuivi de véhicules. Ce modèle est enrichi par desparadigmes agent qui influencent le comportement des véhicules grâce aux mécanismes deperception, de communication et au concept deconfiance. Les résultats en simulation, utilisantdes données réelles, mettent en valeur l’impactpositif des véhicules connectés sur l’homogénéisation du flux de trafic, même en présence decapteurs défaillants. Le travail présenté se positionne aussi comme un outil d’aide à la décisionpour le déploiement futur de véhicules coopératifs et de leur infrastructure, et pour la conception de stratégies de contrôle de tels Systèmes.

Résumé : Lorsqu’un Systèmes autonome évolue dans unenvironnement complexe, en partie inconnu oudynamique, il n’est pas possible de fournir unereprésentation exhaustive a priori facilitant sonprocessus de prise de décision. Pour illustrer ceproblème, nous choisissons le cas du contrôledécentralisé du trafic coopératif, où une unitéd’infrastructure est en charge de réguler localement le flux, en envoyant des consignes aux véhicules connectés. Ce contrôle est le fruit d’unestratégie construite par l’apprentissage d’unereprésentation précise (états perception-action)des différents états de trafic. Nous proposons unmodèle capable, sans connaissances expertes,d’utiliser un ensemble de méthodes de classification représentées sous la forme d’une population d’agents et de les combiner dynamiquementpour construire une représentation précise del’environnement. Notre approche s’inscrit dansune démarche d’apprentissage constructivisteoù la population d’agents construit collectivement une représentation qui exploite, suivantl’usage, les discrétisations possibles de l’espacede perception proposées par les individus.