Titre
"Apprentissage artificiel adapté aux systèmes complexes par auto-organisation coopérative de systèmes multi-agents".
 
Date et lieu
Soutenance prévue le lundi 13 novembre 2017 à 10h30
Lieu :   118 Route de Narbonne, F-31062 TOULOUSE CEDEX 9 
salle Auditorium - IRIT
 
Jury
Mme Marie-Pierre GLEIZES   Université Toulouse III Paul Sabatier   Directeur de these
M. Frédéric MIGEON   UT3 Paul Sabatier   CoDirecteur de these
M. Pierre DE LOOR   National Engineer School of Brest   Rapporteur
Mme Salima HASSAS   LIRIS   Rapporteur
M. Jacques FERBER   LIRMM   Examinateur
Mme Elsy KADDOUM   IRIT   Examinateur
 
Résumé
L’objet de cette thèse est l’apprentissage artificiel dans le contexte des systèmes
complexes. Les systèmes complexes sont caractérisés par leurs propriétés d’ouverture,
d’hétérogénéité, de dynamique non linéaire, et la présence de cycles de rétro-actions. De
plus, ils mettent souvent en scène un grand nombre d’entités et d’interactions. Dès lors,
apprendre (c’est à dire générer un modèle) dans de tels environnements est très difficile
pour des algorithmes d’apprentissage artificiel.
Face aux défis que présentent les systèmes complexes, cette thèse propose d’aborder la
problématique de l’apprentissage de manière décentralisée et ascendante, par l’utilisation
du paradigme des systèmes multi-agents (SMA). Pour développer un système multi-
agent capable de jouer le rôle d’un système apprenant, nous utilisons l’approche AMAS
(pour Adaptive Multi-Agent System). Celle-ci propose un ensemble de mécanismes pour
permettre aux agents d’interagir de manière efficace, et pour favoriser l’auto-organisation
du système multi-agent.
Nous proposons et détaillons dans cette thèse AMOEBA pour Agnostic MOdEl
Builder by self-Adaptation, un système d’apprentissage artificiel supervisé basé sur cette
approche AMAS. Il est constitué d’agents autonomes. Chacun de ces agents construit une
représentation locale et personnelle d’une partie de l’espace des solutions. Par ajustement
successifs suite à des retours de l’environnement, les agents cherchent à maintenir en
permanence un état coopératif, qui se caractérise par des interactions mutuellement
profitables. Lorsque cet état est perdu, les agent modifient leurs représentations internes
et leurs interactions, de manière à retourner dans un état coopératif. L’activité globale des
agents permet de construire une représentation globale du monde observé, c’est à dire un
modèle, adaptatif et en permanent réajustement, qui peut être exploité pour réaliser des
tâches de contrôle, de prévision ou d’aide à la décision.
AMOEBA est évalué sur plusieurs expérimentations, dégageant des propriétés
intéressantes, notamment en terme de passage à l’échelle, de réactivité et de simplicité de
mise en œuvre.