Résumé : Nous présentons dans cet article un mécanismed’apprentissage du comportement des appareilsélectriques dans le contexte d’une maison intelligente. L’objectif de ce mécanisme est de réduire la consommation d’énergie des appareilsà effet différé (par exemple le chauffage) touten maximisant le confort des habitants. Notreapproche utilise un modèle prédictif de l’activité d’une famille au sein de son logement. Cemodèle est construit à partir des informationslocales perçues par les appareils électriques.Après avoir présenté en détail notre mécanisme,nous procédons à l’évaluation de celui-ci ausein de la plateforme de simulation SMACH.La qualité du modèle prédictif est évaluée parsa capacité à prévoir les déplacements d’unefamille sur différents intervalles de temps. Lastratégie apprise par les appareils électrique estquant-a-elle comparée au sein du simulateur àla stratégie proposée par notre partenaire EDF.Les résultats obtenus, bien que préliminaires,indiquent que notre approche est à même de réduire la consommation électrique tout en maintenant un bon niveau de confort des habitants.

Résumé : ’avènement de Systèmes complexes physiquement distribués et le besoin d’accroître le tauxde disponibilité des services et processus industriels nécessitent la conception de Systèmesde supervision distribués. L’approche traditionnelle de la supervision, centralisée, est en effetremise en question lorsque les communicationsentre Systèmes de supervision et Systèmes supervisé deviennent lentes, perturbées ou trop couteuses. En nous basant sur une architecture desupervision multi-agent distribuant les processus de diagnostic et de réparation, nous proposons dans cet article un modèle décisionneld’agent permettant d’adapter automatiquementet dynamiquement le comportement du Systèmesde supervision à l’état des communications. Nospremières expérimentations indiquent que notreapproche est adaptée aux Systèmes distribués oùla réactivité prime sur une faible augmentationdu coût total des réparations.