Résumé : Ce travail a pour but d'analyser les résultats des interactions au sein d'un système multi-agents afin d'améliorer son comportement lors des interactions futures. A l'instar des langages de communication inter-agents KQML (Knowledge Query and Manipulation Language) et ACL (Agent Communication Language), notre modèle fait uniquement l'hypothèse de communications asynchrones par envoi de messages supportant des performatives prédéfinies. La première étape de notre approche consiste à structurer les communications d'une exécution en un graphe causal à l'aide de techniques d'algorithmique répartie. Nous extrayons alors de ce graphe un graphe d'interactions en reconnaissant des patterns d'interaction modélisés par des réseaux de Petri colorés. Une fois les interactions identifiées, leur analyse permet d'expliquer le comportement du système tandis que leur évaluation fournit aux agents des critères qualitatifs pour améliorer leurs interactions futures grâce à un mécanisme d'apprentissage à partir des situations observées.

Résumé :