Résumé : e développement de SMA auto-organisateursmanque encore de méthodes rigoureuses de vérification garantissant la robustesse et la résilience du Systèmes conçu. De telles assurancespeuvent être obtenues grâce à l’application deméthodes formelles. Mais l’intégration de cestechniques de vérifications reste encore modestedue à la complexité liée à la dynamique desSMA auto-organisateurs qui fait émerger leurfonction globale. Dans cet article, nous explorons le potentiel des langages formels, en particulier B-événementiel et la logique TLA, pourprouver des propriétés liées à la robustesse.Nous supposons que ces propriétés pourrontd’abord être observées au niveau global parsimulation. Les techniques formelles nous permettront ensuite d’en faire la preuve. Notre travail est illustré par l’étude de cas des fourmisfourrageuses.

Résumé : tons et évaluons notre solution à base de systèmes multi-agents adaptatifs sur une simulationde contrôle de trajectoire de drone.Le démonstrateur présenté introduit un casd’étude concret d’apprentissage par Systèmesmulti-agent dans un environnent simulé. Le cœurde ce travail est l’enrichissement d’un apprentissage par démonstration à l’aide d’un mécanismed’apprentissage autodidacte. Ce mécanisme permet à l’agent apprenant de dépasser les limitesintroduites par le processus de démonstrationen lui permettant d’adapter son comportementpour faire face à des situations imprévues. Cetapprentissage concerne une tâche robotique :l’apprentissage d’un suivi de trajectoire pourdrone aérien. Le mécanisme d’apprentissage autodidacte apporte de la robustesse à l’apprentissage.

Résumé : RésuméÀ mesure que les applications secomplexifient, l’usage qui en découle dévie deleur conception. Il est alors intéressant deredécouvrir des modèles de ces processusmétier a posteriori, notamment en analysantles journaux d’activité des utilisateurs.Cependant, ces journaux d’activité peuventcontenir des erreurs qui compliquent ladécouverte de modèles fiables et réalistes.Dans cet article, un systèmes multi-agents(SMA) appelé SAMOTRACE est conçu ets’adresse à cette problématique. Sa mise enœuvre est basée sur des agents autoorganisés. Les expériences montrent que leSystèmes tend à converger vers une solutionoptimale, quels que soient le type et laquantité d’erreurs présentes dans lesobservations.

Résumé : Dans cet article, nous nous plaçons dans des environnements de Systèmes complexes, imprévisibles et dynamiques pour lesquels nous avons pour objectif de montrer que les systèmes multi-agents adaptatifs sont une solution pertinente à leur apprentissage. Nous utilisons uneapproche d’apprentissage locale inspirée du constructivisme : l’auto-apprentissage de contextes par systèmes multi-agents adaptatifs. Nous cherchons à introduire desrétroactions endogènes comme moyen d’améliorer en interne le processus d’apprentissage en détectant et en résolvant les imprécisions entre les connaissances apprises.Nous proposons pour cela 3 stratégies de résolution desimprécisions d’apprentissage qui sont : une résolution réactive, un apprentissage proactif et un auto-apprentissage.Dans cet article, nous évaluons les performances de l’apprentissage proactif. Nous montrons que l’ajout de rétroactions endogènes facilité par l’auto-observation permetd’accélérer et généraliser l’apprentissage, de choisir intelligemment les données d’apprentissage et d’augmenter lesperformances sur les prédictions.