Résumé : Nous utilisons une modélisation agent pourrésoudre un problème spatialisé complexeapparenté à un problème de satisfaction decontraintes : la généralisation de donnéesgéographiques vectorielles (diminution duniveau de détail dans un jeu de données géographiques). Ce problème nécessite de manipuler des agents ayant des niveauxd’abstraction différents, par exemple un bâtiment, un groupe de bâtiments, une ville. Nousproposons deux méthodes permettant de changer dynamiquement le niveau d’abstractiondes entités manipulées, par observation auniveau d’abstraction le plus bas des contraintes restant non satisfaites, et créationdynamique d’entités intermédiaires représentant des groupes d’agents proches ne parvenant pas à satisfaire leurs contraintes. Lapremière méthode suppose que le système encours d’exécution est connu et peut être observé de l’intérieur (accès aux messages échangés entre agents, aux actions pouvant encoreêtre essayées), la seconde qu’il est vu commeune boîte noire. Des premiers éléments decomparaison sont ensuite donnés.

Résumé : a généralisation de données géographiquesvectorielles est un problème spatialisé complexequi consiste à simplifier des données géographiques (bâtiments, routes, etc.) pour satisfaireau mieux des contraintes de lisibilité. Il existebeaucoup de processus automatiques (dont certains reposent sur des SMA) spécialisés sur unepartie du problème. Nous proposons une approche de résolution par agents, que nous appelons généralisation collaborative, pour réaliserl’orchestration de ces processus automatiquesdans le but de généraliser une carte complètement. Notre approche combine des techniquesde résolution spatiale, utilisées dans les SMAdédiés à la généralisation cartographique, avecdes agents processus, choisis selon leurs capacités, pour traiter une partie de l’espace. Un prototype a été développé et des expérimentationsde généralisation collaborative sont présentées.

Résumé : Depuis quelques années, les travaux sur lesSMA multi-niveaux ont pris une importancecroissante. Devant la diversité des modèles proposés, nous pensons qu’il est utile d’identifierdes situations récurrentes et de les caractériserd’une manière suffisamment abstraite pour pouvoir comparer de manière formelle les modèlesexistants et faciliter la conception de nouveauxmodèles. Dans ce but, nous proposons une première liste de patterns SMA multi-niveaux. Cespatterns sont issus d’un travail d’unificationde modèles SMA multi-niveaux dédiés à la résolution d’un problème spatialisé (la généralisation cartographique). La structure et la dynamique de chaque pattern sont décrites formellement et accompagnées d’exemples issusd’une part du contexte de la généralisationcartographique, d’autre part d’autres contextesapplicatifs multi-agent, en simulation notamment. Nous discutons également la possibilitéde réutiliser et composer ces patterns.