These Benhamza Karima

‫ﻭﺯﺍﺭﺓ ﺍﻟﺗﻌﻠﻳﻡ ﺍﻟﻌﺎﻟﻲ ﻭ ﺍﻟﺑﺣﺙ ﺍﻟﻌﻠﻣﻲ‬
BADJI MOKHTAR-ANNABA UNIVERSITY ‫ﺟﺎﻣﻌﺔ ﺑﺎﺟﻲ ﻣﺧﺗﺎﺭ – ﻋﻧﺎﺑﺔ‬

UNIVERSITE BADJI MOKHTAR-ANNABA
Année : 2016
Faculté des sciences de l’ingénieur
Département d’informatique
THESE
Présentée en vue de l’obtention du diplôme de
Doctorat en Sciences
Conception d’un système multi-agents

adaptatif pour la résolution de problème
Option
Intelligence Artificielle
Par
BENHAMZA KARIMA
Devant le jury
Présidente :
SOUICI-MESLATI LABIBA Pr. Univ. Badji Mokhtar- Annaba
Directeur de Thèse :
SERIDI HAMID Pr. Univ. 08 mai 1945- Guelma
Examinateurs :
MEROUANI HAYET FARIDA Pr. Univ. Badji Mokhtar- Annaba
CHIKHI SALIM Pr. Univ. Mentouri- Constantine
BOUKROUCHE ABDELHANI Pr. Univ. 08 mai 1945- Guelma
Remerciements
Je tiens à remercier Monsieur Hamid Seridi, Professeur à l’université de

Guelma, qui à encadrer et diriger cette thèse. Je le remercie particulièrement
pour la compétence, la disponibilité, le regard critique et la confiance avec
lesquelles il m’a guidé tout au long de ce travail.
J'adresse mes vifs remerciements à Madame Labiba Souici, Professeur à

l'université Badji Mokhtar d’Annaba, pour l’honneur qu’elle me fait en
acceptant de présider le jury de cette thèse.
Je tiens à remercier sincèrement Madame Hayet-Farida Merouani,

Professeur à l’université d’Annaba, Monsieur Salim Chikhi, Professeur à
l’université de Constantine, Monsieur A/Hani Boukrouche, Professeur à
l’université de Guelma, qui m’ont fait l’honneur de participer à ce jury et qui
ont accepté de prendre de leur temps pour examiner ce travail
Je remercie, tous ceux qui m’ont accompagné au cours de toutes ces

années, famille, amis et collègues, et qui m’entourent tous les jours de leur
affection attentionnée.
A la mémoire de mon père, je dédie ce travail.
i
Résumé
L’environnement des applications existantes est de plus en plus complexe et dynamique,

compte tenu de la diversité et du grand nombre d’éléments qui le compose. Les fonctions de
tels systèmes deviennent alors de plus en plus difficiles à définir, et leur spécification est
souvent incomplète, même si ses parties sont spécifiées.
Les nouvelles techniques de conception des systèmes multi-agents tentent de construire
des systèmes artificiels dans lesquels l’activité collective observée n’est décrite dans aucune
de leurs parties. Ces approches sont particulièrement utiles dans les systèmes distribués,
dynamiques, ouverts et qui sont difficilement formalisables. Cependant, le lien existant entre
le comportement collectif et celui des individus qui composent ce système n’est pas aisé à
établir. Dans le cadre de la résolution de problèmes, obtenir le comportement collectif
cohérent, alors que les agents sont simples et ne cherchent qu’à atteindre un objectif
individuel, est donc également difficile.
De ce fait, l’objectif de cette recherche vise à répondre à cette problématique essentielle
dans les systèmes ouverts et dynamiques : la mise en place de mécanismes auto-
organisationnels permettant l’émergence de solutions cohérentes et adaptatives. Ceci permet
de garantir des propriétés macroscopiques du système conçu en ne développant que des
entités et leurs comportements à un niveau élémentaire microscopique. Pour y parvenir, nous
proposons tout d’abord de modéliser la dynamique globale du système multi-agents sous
forme de contraintes environnementales et le comportement des agents sous forme d’action de
contrôle et d’adaptation. Ainsi, ce processus est construit aux niveaux individuel et collectif.
Cette approche de conception a été reconduite sur le problème complexe de contrôle de
signalisation dans un réseau routier.
Mots clés : Système multi-agents, auto-organisation, émergence, adaptation, résolution de

problème, trafic routier, contrôle de signalisation.
ii
Abstract
Given the diversity and the large number of component parts, existing applications
environment is becoming more complex and dynamic. So, the systems functions become
increasingly difficult to define, and their specification is often incomplete, even though its
elements are detailed.
The new technical design of multi-agent systems attempt to build artificial systems in which
the observed collective activity is disclosed in any of their parts.
The technics of self-organized multi-agent systems can build artificial systems in which
observed collective activity is described in any of their parts. This approach is particularly
useful in distributed, dynamic and open systems which are difficult to formulate. However,
the existing relation between collective behavior and individuals composing this system is
difficult to find. Getting the desired collective behavior of the system while the agents only
seek to achieve an individual objective is also difficult.
Therefore, the objective of this research is to address this main problematic in open and
dynamic systems: the development of self-organizational mechanisms that allow the
emergence of coherent and adaptive solutions. This ensures the macroscopic properties of the
system designed by developing simple behaviors of entities at a microscopic level.
To achieve this objective, we propose to model the global dynamics of SMA as environmental
constraints and agent behavior as control and adaptation actions. Thus, this process is built at
individual and collective levels. This approach was applied in modeling and solving complex
problem of traffic signals control in multiple intersections network.
Keywords: Multi-agent system, self-organization, emergence, adaptation, problem solving,

traffic, traffic control.
iii
‫م خــــــــص‬
‫بيئة ا تطبيقات ا موجودة حا يا أصبحت أ ثر تعقيدا ودي امي ية‪ ،‬ظ ار عدد ا بير من‬
‫أصبح من ا صعب تحديد وظائف ذ‬ ‫ا ع ى اختاف م‪ .‬وبا تا ي فإ‬ ‫اأجزاء ا م و ة‬
‫ا ظم و مواصفات ا ا تي غا با ما ت ون اقصة ع ى حو متزايد با رغم من تحديد خصائص‬
‫أجزائ ا‪.‬‬
‫ا تق يات ا جديدة تصميم ا ظم متعددة ا و اء تحاول ب اء أ ظمة اصط اعية ا تي ا يتم‬
‫وصف ا شاط ا جماعي في أي من أجزائ ا‪ .‬ذ ا طرق مفيدة بش ل خاص في ا ظم‬
‫ا موزعة ودي امي ية وا م فتحة وا تي ي صعبة إضفاء ا طابع ا رسمي ع ي ا‪ .‬ف يس من‬
‫ا س ل إقامة ا رابط ا موجود بين ا س وك ا جماعي واأفراد ا ذين يش ون ذا ا ظام‪ .‬فمن‬
‫بسيط‬ ‫ا صعب ا حصول ع ى ا س وك ا جماعي ا متماسك‪ ،‬في حين أن ا و يل ا مش ل‬
‫و يسعى فقط تحقيق دف ا فردي‪.‬‬
‫و ذ ك‪ ،‬وفي سياق حل مش ة‪ ،‬فإن ا دف من ذا ا بحث و معا جة ذ اإش ا ية‬
‫ا رئيسية في ا ظم ا مفتوحة وا دي امي ية بتطوير آ يات ا ت ظيمي ا ذاتي ا تي تسمح بظ ور‬
‫ظام مصمم من‬ ‫ح ول متماس ة وقاب ة ت يف‪ .‬و ذا يضمن ا خصائص ا ماي روس وبية‬
‫خال تطوير س و يات بسيطة ع ى ا مستوى ا مي روس وبي‪.‬‬
‫تحقيق ذ ك‪ ،‬قترح أوا تصميم دي امي ية ا موذج ا جماعي ظام متعدد ا و اء في ش ل‬
‫قيود بيئية أما س وك ا و اء في ون في ش ل إجراءات رقابة وت يف مع ا‪ .‬و ذا‪ ،‬يتم ب اء‬
‫ذ ا عم ية ع ى ا مستويات ا فردية وا جماعية‪ .‬و في ا مرح ة ثا ية‪ ،‬قد تم تمديد ذا ا م ج‬
‫ا تصميمي سيطرة ع ى مش ة معقدة و ي مراقبة اإشارات ا ضوئية في شب ة ا طرق‬
‫متعددة ا تقاطعات و ذا تقييم ا م ج ا مقترح‪.‬‬
‫مات ا بحث ‪ :‬ظام متعدد ا و اء‪ ،‬ا ت ظيم ا ذاتي‪ ،‬ظ ور‪ ،‬ا ت يف‪ ،‬حل ا مش ات‪ ،‬حر ة ا مرور ع ى ا طرق‪،‬‬
‫ومراقبة ااشارات‪.‬‬
‫‪iv‬‬
Table des matières
Remerciements ………………………………………………………………………………………………………………….. i
Résumé ……………………………………………………………………………………………………………………………… ii
Abstract ……………………………………………………………………………………………………………………………… iii
‫…………………………………………………………………………………………………………………………………… ملخص‬ iv
INTRODUCTION ………………………………………………………………………………………………………………. 1
1. Problématique et cadre de travail ……………………………………………………………………………… 1
2. Motivations, proposition et contributions ………………………………………………………………… 2
3. Plan de la thèse …………………………………………………………………………………………………………. 4
CHAPITRE I- RESOLUTION COLLECTIVE DE PROBLEMES

ET SYSTEMES MULTI-AGENTS
Introduction ……………………………………………………………………………………………………………………………. 6
1.1 Problématique de résolution de problème ……………………………………………………………………… 6

1.1.1 L’aspect collectif dans la résolution de problèmes ……………………………………………… 8
1.1.2 Nouveau défi : Des sources d’inspiration …………………………………………………………… 9
1.2 Entité isolé : L’Agent…...…………………………………………………………………………………….………… 10
1.2.1 Définitions ……………………………………………………………………………………………………………. 10
1.2.2 Fonctionnement d’un agent ………………………………………………………………………………… 12
1.2.3 Architectures d’agent …………………………………………………………………………………………… 13
1.2.4 Comportement d’agent ………………………………………………………………………………………… 15
1.2.5 Propriétés d’agent ……………………………………………………………………………………………….. 16
1.3 Systèmes Multi-Agents (SMA) ……………………………………………………………………………… 17
1.3.1 Définitions……………………………………………………………………………………………………………. 17
1.3.2 Environnement d'un SMA……………………………………………………………………………………. 19
1.3.2.1 Types d’environnement ……………………………………………………………………… 19
1.3.2.2 Propriétés d’environnement ………………………………………………………………… 19
1.3.3 Caractéristiques d’un SMA ………………………………………………………………………………….. 20
1.3.4 Typologie de SMA ……………………………………………………………………………………………… 21
1.4 Interaction dans un SMA …………………………………………………………………………………… 23
1.4.1 Définition …………………………………………………………………………….. ……………………… 23
1.4.2 Situation d’interaction …………………………………………………………………………………. 23
1.4.3 Types d’interaction ……………………………………………………………………………………… 23
1.4.4 Conditions d’interaction ……………………………………………………………………………… 25
1.4.5 Formes d’interaction …………………………………………………………………………………… 26
1.5 Coopération dans les SMA ………………………………………………………………………………………… 27
1.6 Coordination dans les SMA …………………………………………………………………………………..…… 28
1.7 Apprentissage dans les SMA ……………………………………………………………………………………… 29
1.8 Communication comme moyen d'interaction………………………………………………………….. 29
1.8.1 Communication directe ………………………………………………………………………..………. 30
1.8.2 Communication indirecte ……………………………………………………………………..……… 30
1.9 Propriétés attendues des SMA……………………………………………………………………………………… 31
1.9.1 Rationalité ………………………………………………………………………..............................……….. 31
1.9.2 Autonomie …………………………………………………………………………………………………… 31
1.10 Prise de décision dans les SMA…………………………………………………………………………………… 32
1.10.1 Observabilité ……………………………………………………………………………..……………… 32
1.10.2 Incertitude………………………………………………………………………………………………….. 32
1.10.3 Délibération et décision……………………………………………………………………………… 33
1.11 Domaines d'application des SMA………………………………………………………………………………… 33
Conclusion……………………………………………………………………………………………………………………………… 35
CHAPITRE II- DE L’AUTO-ORGANISATION AUX SYSTEMES ADAPTATIFS
MECANISMES ET PRINCIPES.
Introduction……………………………………………………………………………………………………………………………. 37
2.1 Organisation dans les SMA …………………………………………………………………………………………….. 37
2.1.1 Introduction…………………………………………………………………………………………………………….. 37
2.1.2 Définition de l’organisation…………………………………………………………………………………….. 38
2.1.3 Objectifs de l’organisation ………………………………………………………………………………………. 39
2.1.4 Structure organisationnelle et organisation concrète…………………………………..…………... 39
2.1.5 Relations organisationnelles …………………………………………………………………………………….. 41
2.2 Modèles d’organisation…………………………………………………………………………………………………… 42
2.2.1 Organisation AGR…………………………………………………………………………………………………… 42
2.2.2 Modèle OperA ……………………………………………………………………………………………………….. 43
2.2.3 Organisation holonique ………………………………………………………………………………………….. 44
2.2.4 Discussion sur l’organisation des SMA …………………………………………………………………… 45
2.3 Auto-organisation……………………………………………………………………………………………………………. 45
2.3.1 Introduction…………………………………………………………………………………………………………….. 45
2.3.2 Définitions……………………………………………………………………………………………………………… 46
2.3.3 Propriétés de l’auto-organisation……………………………………………………………………………. 46
2.3.4 Mécanismes d’auto-organisation…………………………………………………………………………….. 47
2.3.4.1 Mécanismes basés sur l’interaction directe …………………………………………………… 47
2.3.4.2 Mécanismes basés sur la stigmergie……………………………………………………………….. 47
2.3.4.3 Mécanismes basés sur le renforcement…………………………………………………………… 48
2.3.4.4 Mécanismes basés sur des architectures génériques……………………………………….. 48
2.3.4.5 Mécanismes basés sur la coopération …………………………………………………………….. 48
2.3.4.6 Autres mécanismes………………………………………………………………………………………….. 49
2.3.5 Observation de l’auto-organisation ………………………………………………………………………….. 49
2.3.6 Analyse des résultats observés ………………………………………………………………………………… 50
2.4 Emergence ………………………………………………………………………………………………………………………. 52
2.4.1 Définitions ……………………………………………………………………………………………………………… 52
2.4.1.1 Nouveauté ……………………………………………………………………………………………………… 53
2.4.1.2 Auto-organisation …………………………………………………………………………………………… 53
2.4.1.3 Irréductibilité ………………………………………………………………………………………………….. 53
2.4.1.4 Interdépendance des niveaux ………………………………………………………………………….. 53
2.4.2 Principe de l’émergence ………………………………………………………………………………………….. 54
2.4.3 Propriétés de l’émergence……………………………………………………………………………………….. 55
2.5 Auto-Organisation et émergence : similarités et différences …………………………………….. 55
2.5.1 Les similarités …………………………………………………………………………………………………….. 56
2.5.2 Les différences ……………………………………………………………………………………………………. 57
2.5.2.1 Auto-organisation sans présence de l’émergence……………………………………….. 57
2.5.2.2 Emergence sans présence de l’auto-organisation………………………………………… 57
2.6 Approche Prometteuse : Combinaison entre approches…………………………………………….. 57
2.6.1 Lien Auto-organisation- émergence ……………………………………………………………………. 58
2.6.2 Etude des phénomènes auto-organisateurs et émergents …………………………………….. 58
2.6.3 Évaluation des propriétés émergentes d’un système…………………………………………….. 58
2.6.4 Contraintes et difficultés de contrôle des SMA 59
2.6.5 Problèmes liés au développement des systèmes ouverts et dynamiques 60
2.7 Les systèmes adaptatifs……………………………………..……………………………………..…………………….. 60
2.7.1 Dimensions l’adaptation ……………………………………..……………………………………..…………… 61
2.7.2 Conception de système adaptatif ……………………………………..………………………………………
64
2.8 Adaptation dans les SMA …………………………..………………………………………………………..……………
64
2.9 Potentiel de l’auto-organisation dans les SMA adaptatifs…………………………..…………………… 65
Conclusion…………………………………………………………………………………………………………………………… 66
CHAPITRE III- PARADIGMES DE DEVELOPPEMENT DES SMA

Introduction………………………………………………………………………………………………………………………….. 68
3.1 Modélisation et développement des SMA ………………………………………………………………. 69
3.1.1 Formalisme de développement de SMA ……………………………………………………………. 69
3.1.2 Aspect méthodologique…………………………………………………………..…………………………… 72
3.1.3 Phases de conception ……………………………………………………………………………………………. 73
3.2 Principales méthodes de conception des SMA………………………………………………………… 73
3.3 Comparaison des méthodes présentées………………………………………………………………………. 78
3.4 Plates-formes orientées Agent ……………………...………………………………...…………………………… 79
3.5 Travaux connexes …………………..………………………...………………………………...……………………..…… 83
Conclusion…………………………………………………………………………...………………………………………………… 86
CHAPITRE IV. PROPOSITION D’UN MODELE DE CONCEPTION D’UN

SMA ADAPTATIF POUR LA RESOLUTION DE PROBLEME
Introduction…………………………………………………………………………...……………………………………………… 87
4.1 Résolution de problèmes et Système Multi-Agents 88
4.2 L’auto-organisation dans le processus de résolution de problème par SMA 88
4.3 Modèle proposé de résolution de problème par les SMA adaptatifs 89
4.3.1 Point de vue adopté ……………………..…………………..…………………..………………….. 89
4.3.2 Principe de conception ……………………..…………………..…………………..………………….. 90
4.4 Conception d’environnement…………………………………………………………………………...……….. 92
4.4.1 Aspects structurels …………………………………………………………………………...…………… 93
4.4.2 Aspects dynamiques…………………………………………………………………………...………… 93
4.5 Conception de comportement auto-organisé des agents………………………………………….. 95
4.5.1 Conception d’interaction…………………………………………………………………………......... 95
4.5.2 Réorganisation dirigée par la fonction du système …………………………………… 95
4.6 Conditions sollicitées dans le processus de réorganisation ……………………………………. 96
4.7 Dualité de l’autonomie et du contrôle du système …………………………………………………… 96
4.8 Lien entre les niveaux macro et micro ……………………………………………………………………… 97
4.9 Etapes de conception de SMA auto-organisé pour la résolution de problèmes ……… 97
4.10 Résolution de problème dirigée par une auto-organisation……………………………………… 98
Conclusion…………………………………………………………………………...………………………………………………… 99
CHAPITRE V- ETUDE DE CAS

CONCEPTION D’UN SMA ADAPTATIF POUR LE CONTROLE INTELLIGENT
DE LA SIGNALISATION DANS UN RESEAU ROUTIER
Introduction …………………………………………………………………………...………………………………………………. 100
5.1 Problématique du trafic routier…………………………………………………………………………...………. 101
5.2 Systèmes de transport intelligents (STI) ……………………………………………………………………. 101
5.2.1 Unité d’acquisition …………………………………………………………………………………………….. 102
5.2.2 Modélisations microscopique et macroscopique ……………………………………………… 103
5.2.1 Grandeurs physiques associés …………………………………………………………………………… 103
5.3 Système de gestion des feux de circulation………………………………………………………………… 104
5.4 Principaux systèmes adaptatifs existants ………………………………………………………………… 105
5.5 Travaux connexes…………………………………………………………………………...…………………………... 106
5.6 Conception d’un système de signalisation adaptative utilisant un SMA auto-organisé 107
5.6.1 Formulation du problème à travers l’environnement……………………………………… 108
5.6.2 Modèle proposé ………….…………………………………………………………………...………………… 109
5.6.3 Objectif ciblé du modèle proposé …………………………………………………………………... 110
5.6.4 Définition des agents ………………………………………………………………………...………………… 110
5.6.5 Définition des mécanismes d’interaction………………………………………………………….. 112
5.7 Evaluation du résultat de la structure auto-organisée obtenue……..…………………………… 114
5.8 Discussion des résultats…………………………………………………………………………...………..……... 115
Conclusion…………………………………………………………………………...………………………………………………… 117
Conclusion générale et perspectives …………………………………………………………………………...……….. 118
Références bibliographiques ………………………………………………………………………………...……………… 122

Annexe1: Simulation of Urban MObility – SUMO …………………...………………………………………… 133
Annexe2: Contrôleurs à Temps fixe, temps dynamique et vague verte
Versus contrôleur adaptatif proposé …………………...……………………………………………… 138
Liste des figures
Figure 1. 1. Agent /Environnement [Russel et al. 2006] 12

Figure 1. 2. Agent réactif 13
Figure 1. 3. Agent cognitif 14
Figure 1. 4. Architecture d’agent hybride 15
Figure 1. 5. Système multi-agents [Ferber, 1995] 18
Figure 2. 1. Organisations et structures organisationnelles. 40
Figure 2. 2. Représentation UML du méta-modèle AGR [Ferber, 1995] 43
Figure 2. 3. Une holarchie à trois niveaux 44
Figure 2. 4. Auto-organisation versus Emergence 56
Figure 4.1 Modèle générique proposé pour la conception d’un SMA adaptatif 92
Figure 4.2 Cadre général d’interactions dans un SMA adaptatif 94
Figure 5. 1. Modèle d’Intersection 108
Figure 5. 2. Emplacement de détecteurs dans une intersection 109
Figure 5. 3. Mouvements autorisés 110
Figure 5. 4. Proposition du cadre multi-agents : composants d’Intersection 111
Figure 5. 5. Réseau de simulation 114
Figure 5. 6. Courbe de comparaison du débit volumique 116
Figure 5. 7. Courbe de Comparaison du temps moyen d'attente 116
Figure 5. 8. Courbe de Comparaison du nombre moyen d'arrêts 116
Figure A.1 Illustration d’une carte 134
Figure A.2. Exemple d’intersection 135

Figure A.3 Exemple de simulation 137
Liste des tableaux

Tableau 1.1 Comparaison entre agents cognitifs et agents réactifs. 22
Tableau 1.2. Classification des situations d’interaction [Ferber, 1995]. 26
Tableau 2.1. Ensemble des relations organisationnelles. 41
Tableau 3.1. Synthèse de comparaison des différentes méthodes de conception. 79
Introduction générale
1. Problématique et cadre de travail

La croissance de taille et d'hétérogénéité observée des systèmes informatiques a
conduit les recherches en informatique au développement des systèmes composés de plusieurs
entités parmi lesquelles sont réparties des tâches complexes à exécuter. Le développement des
systèmes s’inscrivant dans ce contexte mobilise différentes technologies. Parmi elle, on peut
notamment citer la technologie des systèmes multi-agents (SMA) engendré par le domaine de
l’Intelligence Artificielle Distribuée (lAD)
Un SMA est composé de plusieurs sous-systèmes autonomes appelés agents dont
chacun a une activité et des informations propres. Le comportement général d’un SMA est lié
à l'activité combinée de l'ensemble de ses agents et la réalisation d'une tâche peut alors
impliquer plusieurs entités.
La décomposition d'un système complexe en sous-systèmes autonomes interagissant
permet de se focaliser sur une partie de ces sous-systèmes au lieu d'être obligé de considérer
le système dans sa globalité. L'intérêt croissant porté aux SMA vient principalement de ce fait
car ils offrent des solutions distribuées aux problèmes auxquels ils sont confrontés.
Toutefois, cette répartition nécessite que chaque agent puisse effectuer localement la tâche qui
lui est assignée, mais aussi qu'il puisse coopérer et coordonner avec d'autres agents. Des
capacités de raisonnement locales à chaque agent sont alors requises. Elles se basent sur les
informations dont il dispose sur ses propres fonctions, sur son environnement et sur sa
représentation des autres agents.
D’autre part, cette dernière décennie a vu fleurir un très grand nombre de méthodes
destinées à développer les systèmes à plusieurs composantes autonomes. Cependant, peu de
modèles existent pour leur application au cadre général de la résolution de problème. Cette
difficulté de développement s’explique principalement de par la diversité, la richesse des
paradigmes multi-agents, et la complexité des concepts sous-jacents (organisation, interaction,
coordination, etc.).
1
Cette complexité rend l'utilisation de la majorité des outils existants difficilement

applicable dans les environnements distribués, ouverts et qui changent dynamiquement de
manière imprévue.
En fait, l’ouverture, la distribution et la complexité sont des propriétés inhérentes des
systèmes informatiques actuels. Elles ne sont voulues par personne mais c’est un état que l’on
ne peut plus se permettre d’ignorer. D’une part, la propriété de distribution impose que le
système soit implémenté sous forme d’un ensemble d’entités logicielles avec une distribution
des computations et une décentralisation des ressources et des connaissances. La propriété
d’ouverture impose de son côté que les applications doivent obéir à des règles
d’interopérabilité, de pouvoir intégrer de nouvelles entités ou supprimer d’autres qui la
composent tout en assurant une activité et un contrôle adéquats.
Si on peut aisément offrir un système plus flexible et plus évolutif pour faire face aux
situations inattendues qui ne peuvent être complètement connues ou décrites à l’avance, il faut
toutefois que soient développées des techniques d'adaptation. De ce fait, la propriété
d’adaptation s’impose fortement pour que les applications soient capables de réagir aux
besoins et être plus conformes avec les environnements d’exécution qui ne cessent de changer
constamment.
Le paradigme multi-agents auto-organisés peuvent offrir un cadre favorable aux
développements des systèmes adaptatifs mais ne propose pas encore de modèles standards.
Ils constituent actuellement un domaine de recherche à part entière.
Dans cette thèse, on s’intéresse à la conception des systèmes multi-agents adaptatifs

pour la résolution de problèmes. De ce fait, ce travail de recherche se situe à l’intersection
des domaines suivants :
 Tout d’abord, l’ingénierie des systèmes multi-agents et ceci par la mise

en place d’un modèle générique de conception de SMA.
 Ensuite, les sciences de complexité, par le fait d’utiliser l’adaptation
dans les SMA avec ses deux principes d’auto-organisation et d’émergence comme une
approche de résolution de problèmes.
2. Motivations, proposition et contributions

Les systèmes actuels sont formés, le plus souvent, de multitudes de composants,
parfois non conçus initialement pour fonctionner ensemble ou ayant leurs propres dynamiques
2
internes. Ils sont en interaction avec des environnements fortement changeants et doivent
réagir et évoluer sans aucune intervention externe.
L’adaptation est ainsi une propriété à fournir à ces systèmes afin de répondre à cette
dynamique environnementale. L’approche multi-agents est un aussi excellent paradigme de
modélisation et d’implantation de ces systèmes complexes. Les agents sont aptes à faire face
aux changements imprévus de leur environnement et Ils peuvent s’organiser de manière
autonome pour maintenir leurs performances. La mise en place de ces processus
organisationnels permettra l’émergence des comportements cohérents recherchés.
Nous formulons, dans cette thèse, un modèle générique d’adaptation dans les SMA se
basant sur l’évolution de l’organisation globale et l’évaluation des interactions locales entre
les différents agents. L’approche consiste à maintenir un degré admissible de coopération
entre les agents du système par une réorganisation locale. L’effet de ce mécanisme adaptatif
permet d’augmenter la performance globale. Les agents du système évoluent, leurs intérêts
ainsi que leurs besoins évoluent dans le temps. Face aux perturbations résultant de ces
changements, le système se réorganise dans le but de faire émerger sa structure
organisationnelle vers une structure coopérative et adaptative.
Cette thèse présente en parallèle au problème de la conception d'un SMA adaptatif,
une étude plus générale du cadre et des mécanismes nécessaires à la résolution de problèmes
par auto-organisation. La question d’ingénierie soulevée dans ce travail est de savoir
comment garantir certaines propriétés macroscopiques ou globales du système conçu en ne
développant que des entités et leurs comportements à un niveau microscopique ou local.
Un intérêt particulier est donné aux aspects méthodologiques pour les SMA, tout en
illustrant les outils et méthodes proposés dans le cadre de la résolution de problèmes. Ces
recherches contribuent donc à répondre à une problématique déclinée en deux axes présentés
ci-après.
a. Conception d’un SMA adaptatif

Cet axe tente de répondre à une question d’ingénierie des SMA. Le but est de fournir un
outil pour la modélisation et la conception de SMA adaptatifs. L’approche auto-
organisationnelle utilisée se focalise sur les comportements locaux des agents et la
coopération à mettre en œuvre pour atteindre un objectif global commun.
Elle permet aussi la mise en place d’un mécanisme d’adaptation qui fait appel à la notion de
réorganisation. Cette dernière est manipulable par les agents grâce à leur environnement et par
la mise en place d’une boucle micro-macro consolidé par une fonction objective.
3
b. Résolution de problèmes par un SMA adaptatif

Afin de résoudre les problèmes conceptuellement distribués, les SMA apparaissent
comme un paradigme pertinent. Notamment, les SMA auto-organisés qui proposent des
mécanismes de résolution de conflits, d’adaptation, de décentralisation, et de stabilisation qui
peuvent être vus comme autant de moyens de résolution de problèmes distribués et
dynamiques. Cet axe cherche à éclairer donc l’apport de l’adaptation des SMA à la résolution
de problèmes complexes. Par résolution de problèmes, on distingue le cadre de modélisation
de problèmes réels nécessitant de fournir des solutions solides ou les problèmes
d’optimisation.
Enfin, une étude de cas a été menée dans le contexte de l’activité de transport qui est
une composante essentielle de nos sociétés. Les exigences de mobilité de personnes toujours
croissantes font de cette activité de transport une charnière des systèmes économiques
modernes et de leur qualité dépend celle de tout le circuit économique et social. Les
spécificités de ces systèmes réels immergés dans des environnements ouverts et dynamiques
rendent les techniques classiques difficiles à appliquer.
D’autre part, l’utilisation optimale des ressources disponibles afin de satisfaire ces
besoins est une tâche ardue. Il s’agit de garantir à des entités physiques de se déplacer dans
un réseau avec un moindre cout financier et temporel. Un système adaptatif pour la résolution
de ce problème et la satisfaction de ces contraintes a été dégagé à partir de du modèle multi-
agents précédemment proposé Des simulations ont été menées aussi pour essayer d’analyser
le niveau global d’adaptation du SMA conçu avec illustration du processus de réorganisation
locale.
3. Plan de la thèse
Ce manuscrit est divisé en deux parties:
La première partie qui présente l’état de l’art est composée de trois chapitres. Le premier
chapitre aborde l’aspect collectif dans la résolution de problème. Il expose aussi les
définitions et les concepts clés des SMA en mettant l’accent sur l’approche réactive.
Dans le second chapitre, les concepts fondamentaux de notre proposition ont été abordés.
D’abord, on s’est intéressé aux concepts de l’auto-organisation et l’émergence puis à leur
impact dans les systèmes adaptatifs. Dans le chapitre trois, un aperçu détaillé des méthodes de
conception des SMA existantes avec une étude comparative et les travaux connexes dans cet
axe sont présentés.
4
La deuxième partie est la partie contribution. Elle comporte deux chapitres : le

chapitre quatre où un modèle générique de conception de SMA adaptatif pour la résolution de
problème a été dégagé à partir de l’analyse précédemment exposée. Dans le chapitre cinq,
l’approche présentée est utilisée pour proposer un modèle de contrôle de signalisation
adaptatif dans un réseau routier. Les résultats obtenus et comparés avec d’autres méthodes
sont aussi exposés dans ce chapitre.
Enfin, la thèse s’achève par une conclusion générale, qui résume l’apport réalisé et des
perspectives pouvant être développées par la suite, ouvrant ainsi de nouvelles voies à
envisager pour des recherches futures.
5
Partie I
Etat de l’art
CHAPITRE 1
Résolution collective de problèmes
et Systèmes multi-agents
Chapitre I. Résolution collective de problèmes et Systèmes multi-agents
CHAPITRE I
Résolution collective de problèmes
et Systèmes multi-agents
Introduction
L’émergence des systèmes multi-agents a été l’un des évènements marquants des
années quatre-vingt-dix dans la recherche informatique. Apparus tout d’abord comme un sous
domaine de recherche de l’Intelligence Artificielle (IA), les systèmes multi-agents (SMA)
sont actuellement l’un des domaines les plus actifs de la recherche avec une assise applicative
de plus en plus importante.
Cette discipline, joignant plusieurs domaines, allant de l’IA, des systèmes
informatiques distribués au génie logiciel, s’intéresse aux comportements collectifs produits
par les interactions de plusieurs entités autonomes appelées agents. Elle permet d’offrir une
alternative intéressante pour la conception, la mise en œuvre et la simulation de systèmes
complexes distribués et ouverts.
D’autre part, la résolution des problèmes distribués se préoccupe de la façon dont un
problème donné peut être résolu par plusieurs entités qui coopèrent en divisant et en
partageant la connaissance à propos du problème et des solutions développées.
Dans ce chapitre, l’aspect collectif dans la résolution de problème est présenté. Les
concepts et principes fondamentaux des SMA sont introduits afin de situer ce travail dans son
contexte de recherche. Aussi, les différentes problématiques que soulèvent les SMA sont
énoncées telles que l’interaction, la communication et la coopération.
1.1 Problématique de résolution de problème

La résolution de problèmes peut être considérée comme le processus permettant, à partir
d’un problème donné, de trouver une solution satisfaisante. Cette thématique n’est pas
uniquement liée à l’informatique puisqu’on la retrouve dans de nombreuses disciplines telles
que les sciences cognitives, la psychologie, l’ingénierie,... .
6
Elle est étroitement liée à la prise de décision. Cette dernière est considérée comme un
processus permettant de choisir une action (ou une séquence d’actions) pertinente
relativement à des critères parmi un ensemble d’actions possibles dans le but de résoudre un
problème donné. Les critères de sélection de l’action la plus adaptée prennent en compte à la
fois les contraintes du problème à résoudre et le but que le système doit atteindre.
Dans la plupart des cas, le processus décisionnel peut se décomposer de la manière
suivante [Schneider, 1994] :
(1) Définition du problème,
(2) Définition des buts,
(3) Résolution du problème,
(4) Évaluation des solutions obtenues,
(5) Sélection d’une solution.
Ainsi, dans ce contexte, la résolution de problème peut être considérée comme une
étape particulière du processus de décisionnel.
Toutefois, et depuis sa naissance dans les années cinquante, l’informatique est
essentiellement basée sur des théories formelles issues des Mathématiques ou de la Logique.
Si le développement de logiciels à partir de ce type d’approche a permis un succès réel, sa
pertinence actuelle et son devenir futur auxquels ce développement va devoir faire face dans
les prochaines années, n’est pas évident.
En effet, les approches de conception d’applications se heurtent à de nombreuses
difficultés. D’une part, l’aspect distribué qui contribue à accroître les problèmes de
conception, de stabilité et de maintenance, et d’autre part, l’aspect dynamique et ouvert des
applications actuelles qui rend la tâche plus ardue.
On pourrait dire que les systèmes à développer sont caractérisés par les propriétés
suivantes:
− Un grand nombre d’artefacts (logiciels, objets intelligents) en interaction;
− Un contrôle centralisé impossible à mettre en œuvre;
− Un environnement évolutif;
− Une tâche globale à réaliser.
La réponse à cette problématique est un challenge scientifique nommé “autonomic
computing”, dont l’objectif est de concevoir des entités distribuées capables de s’exécuter
seules, d’ajuster leur comportement face à des circonstances variées et de préparer leurs
ressources pour gérer au mieux leur charge de travail. Ainsi, la résolution coopérative de
problèmes prend une place prépondérante dans ces recherches.
7
1.1.1 L’aspect collectif dans la résolution de problèmes

Résoudre un problème consiste, en général, à envisager tout type de système
informatique chargés de choisir des actions appropriées parmi un ensemble d’actions
possibles, à les organiser dans un plan d’actions et à les exécuter. Bien évidemment, cette
résolution peut prendre bien différentes formes, de simples programmes de calcul jusqu'à des
programmes "intelligents" très complexes.
Néanmoins, elle constitue souvent un processus d’essai-erreur, car l’exécution des
actions identifiées comme adéquates peut échouer. Dans ce cas, il faut encore re-choisir,
réorganiser et re-exécuter de nouvelles actions car plus le problème est considéré comme
"difficile", plus il y a des difficultés à réaliser un système pour le résoudre.
En effet, depuis plusieurs années, les systèmes multi-agents sont devenus une
partie importante de la recherche en informatique et plus spécifiquement en intelligence
artificielle. Un système multi-agents peut être défini comme étant un ensemble d’entités en
interaction entre elles et avec leur lieu d’évolution, appelé communément environnement, et
produisant collectivement une organisation spatio-temporelle. L’aspect collectif du système
multi-agents est très important car il reflète en général le but global à atteindre par les agents.
Cependant, la principale difficulté réside dans la prédiction et la vérification des propriétés
globales en ne connaissant que les définitions locales des comportements et des interactions
mis en œuvre.
De ce fait, les recherches en intelligence artificielle distribuée (IAD) et les
systèmes multi-agents s’orientent vers l’étude de répartition de taches sur un ensemble
d’entités coopérantes. Elles étudient aussi la manière de coordonner le comportement
intelligent d’un ensemble d’entités selon les lois sociales pour atteindre une résolution
adéquate du problème. C’est ainsi qu’un SMA peut être vu comme un ensemble interconnecté
d'agents qui travaillent ensemble pour implémenter des stratégies de résolution basées sur le
comportement d'un collectif d’agents autonomes. Néanmoins, les problèmes deviennent plus
complexes, et l’aspect collectif de ces agents nécessite en conséquence l’étude de nouveaux
concepts et de nouvelles théories qui découlent de la société d’agents.
Le défi est donc de trouver de nouvelles approches adaptatives pour concevoir de
nouveaux systèmes informatiques répondant aux difficultés existantes telles que la prise en
compte d'une complexité croissante ou la réalisation de systèmes distribués robustes et
fiables. Pour découvrir de telles approches, il semble opportun de se pencher sur les systèmes
collectifs (biologique, physiques, sociologiques), afin de comprendre les mécanismes et
processus qui leur permettent de fonctionner.
8
1.1.2 Nouveau défi : Des sources d’inspiration

En Physique et Chimie, les interactions entre des éléments simples donnent
naissance à des structures complexes dotées de propriétés totalement nouvelles. Par exemple,
l’eau composée d’atomes d’oxygène et d’hydrogène peut être considérée comme un
phénomène émergent. La Thermodynamique est aussi un exemple frappant de cet état de fait :
alors que les molécules et leurs interactions sont parfaitement connues, les modèles de fluides
ou de gaz de plus haut niveau sont limités à des utilisations fortement contraintes. A l'image
des ces processus physiques ou chimiques à l’échelle moléculaire ou atomique, plusieurs
algorithmes ont été développés permettant le passage d’un micro-niveau connu à un macro-
niveau aux fonctionnalités beaucoup plus complexes.
En Biologie aussi, de nombreux systèmes naturels composés d’individus
autonomes exhibent des aptitudes à effectuer des tâches qualifiées de complexes sans contrôle
global. De plus, ils peuvent s’adapter à leur milieu soit pour y survivre, soit pour améliorer le
fonctionnement du collectif. C’est le cas des colonies d’insectes sociaux [Camazine et al.,
2001] tels que les termites, les fourmis [Bonabeau et al., 1997], ou les araignées [Bourjot
1999] qui font effectivement preuve de remarquables capacités pour effectuer des tâches telles
que : la construction de nids complexes, la construction de pont, la recherche efficace de
ressources, la capture de proies Le fonctionnement du système immunitaire est également
représentatif du fonctionnement d’un système complexe composé d’un ensemble d’agents
autonomes. Des phénomènes non supervisés et qui résultent de l’activité d’un grand nombre
d’individus s’observent aussi dans les activités humaines, tels la gestion des embouteillages,
la synchronisation des mouvements d’une foule ou encore leurs applaudissements.
Contrairement aux approches d’inspiration biologique, les méthodes basées sur
une inspiration physique s’appuient sur une étude pragmatique s’inspirant de l’ingénierie. Ces
approches, proches des méthodes utilisées en automatique pour définir des systèmes à base de
boucle de régulation, se concentrent sur la définition, l’élaboration et la mise au point de
mécanismes d’interaction permettant d’obtenir un état d’équilibre stable ou méta - stable au
niveau du système. Dans ce cadre, la démarche n’est pas induite par le résultat global que l’on
veut obtenir mais par les comportements individuels que l’on veut fournir. Les applications
d’inspiration physique sont également très répandues et reposent le plus souvent sur des
mécanismes de type attraction et répulsion [Zeghal et al., 1994 ; Simonin et al., 2006 ;
Moujahed et al., 2009].
9
Enfin, on peut noter que des travaux sont déjà en cours depuis des années pour
l’étude, la compréhension, l’inspiration des phénomènes et son application sur un problème
complexe réel. Toutefois, dans la plupart des systèmes étudiés, on peut souligner un facteur
commun : la dimension comportementale sociale observée. Ce qui revient à chercher la
réalisation d’artefacts simples et distribués capables d’accomplir des tâches complexes dans
sa dimension sociale par organisation, coopération et interaction. Ceci pourrait permettre de
construire des systèmes robustes, autonomes et adaptatifs. C’est là l’un des objectifs
fondamentaux des systèmes multi-agents.
Nous présentons ci-dessous le cadre général des SMA, notamment au travers des
concepts clés d’agent ce qui permet de structurer la problématique de ce travail de recherche.
1.2 Entité isolé : L’Agent

Il n’y a pas une notion d’« agent » unique, car il est utilisé dans de nombreuses
applications par des communautés venant d’horizons divers. En IA, ce terme est pluri défini
puisqu’on trouve dans la littérature une multitude d’interprétations et à l’heure actuelle, il n’y
a pas de véritable consensus sur sa définition. Nous présentons dans ce qui suit les plus
utilisées et s’adaptant à notre problématique.
1.2.1 Définitions
Dans [Russell et al., 2006], la notion d’agent est définie comme suit : « Un agent
est tout ce qui peut être compris comme percevant son environnement à travers des senseurs
et comme agissant sur cet environnement par l’intermédiaire d’effecteurs ».
Selon cette définition, un agent est un système qui décide par lui-même ce qu’il doit faire
pour atteindre ses objectifs (déterminés à sa conception). L’agent est situé dans un
environnement, doté de capteurs et d’actionnaires, observant l’environnement et cherchant à
modifier son évolution.
Dans [Ferber, 1995], la définition du terme « agent » est plus détaillée. L’auteur
allie le fonctionnement de l’agent et ses propreités.
On appelle agent une entité physique ou virtuelle :
1. Qui est capable d’agir au sein d’un environnement E.
2. Qui peut communiquer avec les autres agents de manière directe ou indirecte.
3. Qui est mue par un ensemble de tendances, sous la forme d’objectifs individuels,
d’une fonction de satisfaction ou de survie, qu’elle cherche à optimiser.
4. Qui possède des ressources propres.
10
5. Qui est capable de percevoir, mais de manière limitée, son environnement E.

6. Qui ne dispose que d’une représentation partielle de cet environnement et
éventuellement aucune.
7. Qui possède des compétences et offre des services.
8. Qui peut éventuellement se reproduire.
9. Dont le comportement tend à satisfaire ses objectifs, en tenant compte des ressources
et des compétences dont elle dispose, et en fonction de sa perception, de ses
représentation et des communications qu’elle reçoit.
Dans cette définition, les items (1) à (5) reprennent les principes d’action et de
perception, l’auteur intègre d’autres propriétés telles que la capacité de communiquer avec les
autres agents (2), la prise de décision en accord avec ses objectifs (3) et en tenant compte de
ses ressources propres (4). Enfin la propriété de localité influe sur ses connaissances de
l’environnement (6).
Les caractéristiques intéressantes telles que la notion d’objectif et de perception
limitée ou locale de l’environnement ont été introduite dans cette définition. Les décisions de
l’agent sont dirigées par ses aptitudes en accord avec ses connaissances et les ressources
disponibles. L’autonomie de l’agent est aussi une propriété importante mais son évolution est
liée à celle de l’environnement.
Jennings, Sycara et wooldridge [Jennings et al., 1998] ont proposé une autre
définition de la notion d’agent qui reste néanmoins proche de celle donnée par [Russell et al.
1995] :
« Un agent est un système informatique, situé dans un environnement qui est
capable d’action autonome et flexible dans le but de répondre à ses objectifs de conception ».
Cette définition est fondée sur les trois concepts suivant :

 Situé : un agent est dit situé, s’il est capable d’agir sur son environnement à partir des
entrées sensorielles qu’il reçoit de ce même environnement.
 Autonome : un agent est capable d’agir sans l’intervention directe de l’être humain ou
d’autres agents et qu’il est capable de contrôler ses propres actions et son état interne.
 Flexible : un agent est dit flexible s’il est capable d’agir de manière réactive, proactive
et sociale :
o Réactif : être capable de percevoir son environnement et de réagir dans le
temps.
11
o Proactif : prendre l’initiative et être opportuniste au bon moment.

o Social : être capable d’interagir avec les autres agents quand la situation
l’exige
Dans cette définition, les auteurs présentent des compétences de l’agent pouvant être
considérées comme étant émanent du comportement intelligent, évidemment dans le sens de
l’IA.
D’après ces définitions d’agent, on peut se permettre de mettre en évidence les
caractéristiques importantes d’agent, exprimées par la présentation suivante : « Un agent est
défini comme une entité (physique ou abstraite) ayant un objectif individuel avec un
comportement autonome et flexible qui résulte de la conséquence de ses observations, de sa
connaissance et des interactions avec les autres agents. Il a la possibilité d'agir sur lui-même et
sur son environnement, grâce à sa capacité de perception. Enfin, il dispose d'une
représentation partielle de ce même environnement ».
Figure 1. 1. Agent /Environnement [Russell et al. 2006]
De manière générale et quelle que soit sa définition, un agent suit le comportement décrit par
une boucle fermée appelée boucle sensori-motrice représentée par la figure 1.1.
1.2.2 Fonctionnement d’un agent

Un agent évolue toujours selon un cycle compose de plusieurs étapes (boucle
sensori-motrice) :
 Initialement l’agent se trouve dans une certaine configuration initiale ;
 Il perçoit son environnement (ou partie de l’environnement) grâce à ses
capteurs ;
 Il choisit une action à entreprendre en fonction de sa configuration et de
ses perceptions ;
 Il reçoit de nouvelles perceptions et le processus se répète.
12
La phase de délibération ou de décision de l’agent dépend de son architecture

interne. Cette architecture décrit la manière de concevoir l’agent et dépend de son mécanisme
de raisonnement.
1.2.3 Architectures d’agent

Nous distinguons deux grandes familles d’agents : les agents réactifs et les agents
cognitifs. Cette distinction repose essentiellement sur le processus décisionnel de l’agent et la
représentation de l’environnement dont il dispose. Si l’agent est doté d’une représentation
symbolique de l’environnement à partir duquel il est capable de formuler des raisonnements,
nous disons qu’il est cognitif tandis que s’il ne dispose que d’une représentation limitée à ses
perceptions, alors il est réactif.
a- Agent réactif
Comme son nom l’indique, un agent réactif ne fait que réagir aux changements
qui surviennent dans l’environnement. Autrement dit, un tel agent ne fait ni délibération ni
planification, il se contente simplement d’acquérir des perceptions et de réagir à celles-ci
(Figure1.2).
Étant donné qu’il n’y a pratiquement pas de raisonnement, ces agents peuvent agir
et réagir très rapidement. Ferber définit ce type d’agent comme suit : « Les agents réactifs,
définis par le fait même qu’ils n’ont pas de représentation de leur environnement et des autres
agents, sont incapables de prévoir ce qui va se passer et donc d’anticiper en planifiant les
actions à accomplir [Ferber, 1995] ».
Perception Action
Environnement
Figure 1. 2. Agent réactif
L’agent réactif (figure 1.2.) présente les caractéristiques suivantes:

 Pas de mémoire ;
 Pas de représentation explicite ;
 Prise de décision se basant sur le fait du Stimulus/Réponse ;
 Simple à mettre en œuvre.
13
b- Agent cognitif :
L’agent cognitif est un agent qui dispose d’une base de connaissances comprenant
l’ensemble des informations et de savoir-faire nécessaires à la réalisation de sa tâche et la
gestion des interactions avec les autres agents et avec son environnement [Ferber ,1995].
Ainsi, ces agents possèdent une représentation explicite de leur environnement,
des autres agents et d’eux-mêmes. Ils sont aussi dotés de capacités de raisonnement et de
planification ainsi que de communication. Le travail le plus représentatif de cette famille
d’agent porte sur le modèle BDI (Believe Desire Intention).
Ce modèle se fonde sur trois attitudes qui définissent la rationalité d’un agent intelligent :
 Croyance (Belief B): ce sont les informations que possède l’agent sur son
environnement et sur les autres agents agissant sur le même environnement. Ceci
constitue les connaissances supposées vraies de l’agent.
 Désir (Desire D): ce sont les états de l’environnement et parfois de lui-même,
qu’un agent aimerait voir réaliser. Ce sont les objectifs que se fixe un agent.
 Intention (Intention I): ce sont les actions qu’un agent a décidé de faire pour
accomplir ses désirs. Ils forment des ensembles de plans qui sont exécutés tant
que l’objectif correspondant n’est pas atteint.
Le modèle BDI a inspiré beaucoup d’architectures d’agents cognitifs.
Etats mentaux
Perception Mémoire Raisonnement Action
Environnement
Figure 1. 3. Agent cognitif

Ce type d’agent (Figure 1.3) se caractérise par:
 Une représentation explicite de l’environnement et du monde auquel ils
appartiennent ;
 Une réaction planifiée ;
 Une base de connaissances comprenant des informations et du savoir-faire ;
 Une mémoire pour mémoriser les anciens états.
14
Il est possible de combiner ces deux architectures pour obtenir une troisième
architecture qui se base sur des agents cognitifs exhibant des capacités de réactions aux
événements, on parlera alors d’agents hybrides.
c- Agent hybride:
L’agent hybride est conçu pour combiner les capacités réactives à des capacités
cognitives, ce qui leur permet d’adapter son comportement en temps réel à l’évolution de
l’environnement. Dans ce modèle, un agent est composé d’une architecture multicouche qui
se base sur la hiérarchie de niveaux (Figure 1.4).
L’agent a une structure modulaire, ce qui est concrètement recommandé dans le
développement de processus artificiel. Les capacités de traitement peuvent être améliorées car
les différents composants peuvent fonctionner simultanément.
Généralement, on trouve deux présentations pour cette architecture « horizontale
et verticale ».
(a) Architecture horizontale (b) Architecture verticale

Figure 1. 4. Architecture d’agent hybride
1.2.4 Comportement d’agent

Un agent se caractérise essentiellement par la manière dont il est conçu et par ses
actions. En d’autres termes par son architecture et son comportement [Ferber, 1995]. Ce
dernier terme est fondamental dans la définition et la modélisation d’un agent.
Le comportement caractérise l’ensemble des propriétés que l’agent manifeste dans
son environnement. On peut le comprendre par les réponses de l’agent aux sollicitations de
son environnement ou en regardant sa manière d’évoluer. Il est analysable sans connaître les
détails d’implémentation. Il s’agit d’un phénomène qui peut être appréhendé par un
observateur extérieur qui au regard des actions qu’entreprend l’agent, peut induire ou spécifier
ce qu’une architecture est censé produire.
15
Ainsi, le comportement apparaît comme une spécification externe de l’agent, et

l’architecture définit les relations internes permettant d’aboutir à cette spécification.
1.2.5 Propriétés d’agent

A partir des définitions, qui apparaissent dans la littérature, plusieurs propriétés
d’agents peuvent être identifiées :
 Autonomie : les agents contrôlent leurs actions et leurs états internes. Le
système dans son ensemble est capable de réagir sans l’intervention d’un humain
ou d’un autre agent. Il n’y a pas de définition unique du terme agent, par contre, il
y a un consensus général pour considérer l’autonomie comme notion centrale de
l’agent.
 Réactivité : ils perçoivent leur environnement et réagissent aux
changements qui s’y produisent dans le temps requis.
 Initiative : le comportement des agents est déterminé par les buts qu’ils
poursuivent et par conséquent ils peuvent produire des actions qui ne sont pas
seulement des réponses à leur environnement.
 Habilité sociale : pour satisfaire ses buts un agent peut demander l’aide
d’autres agents avec lesquels il partage la réalisation de tâches.
 Raisonnement : un agent peut décider quel but poursuivre ou à quel
événement réagir, comment agir pour accomplir un but, ou suspendre ou
abandonner un but pour se dédier à un autre.
 Apprentissage : l’agent peut s’accommoder progressivement à des
changements dans des environnements dynamiques grâce à des techniques
d’apprentissage.
 Mobilité: dans des applications déterminées il peut être intéressant de
permettre aux agents de migrer d’un nœud à un autre dans un réseau tout en
préservant leur état lors de sauts entre nœuds.
En considérant les définitions existantes, nous pouvons identifier deux tendances

principales dans la présentation des agents. Quelques chercheurs considèrent l’agent en
isolation, alors que certains d'autres le présentent principalement comme agissant dans un
environnement incluant d'autres agents.
16
Les deux tendances ont déjà porté des résultats mais le paradigme des agents
s'impose car il est plutôt difficile de dire qu'un agent existe seulement comme une entité
unique et qu’il ne rencontrera pas d'autres agents dans son environnement.
1.3 Systèmes Multi-Agents (SMA)

Au premier abord, un SMA peut être considéré comme un ensemble d’agents
partageant un environnement commun et capable d’interagir entre eux et sur l’environnement.
Néanmoins, et pareille au concept « agent », il n’existe pas de définition acceptée en
unanimité dans la littérature.
1.3.1 Définitions
Plusieurs définitions ont été proposées, nous allons présenter la définition
donnée par [Ferber, 1995].
« On appelle système multi-agents (ou SMA), un système composé des éléments suivants:
 Un environnement E, c'est-à-dire un espace disposant généralement d'une

métrique.
 Un ensemble d'objets O. Ces objets sont situés, c'est-à-dire que, pour tout objet, il
est possible, à un moment donné, d'associer une position dans E. Ces objets sont
passifs, c'est-à-dire qu'ils peuvent être perçus, créés, détruits et modifiés par les
agents.
 Un ensemble A d'agents, qui sont des objets particuliers (A  O), lesquels

représentent les entités actives du système.
 Un ensemble de relations R qui unissent des objets (et donc des agents) entre eux.
 Un ensemble d'opérations Op permettant aux agents de A de percevoir, produire,

consommer, transformer et manipuler des objets de O.
 Des opérateurs chargés de représenter l'application de ces opérations et la réaction

du monde à cette tentative de modification, que l'on appellera les lois de
l'univers ».
La définition proposée est basée sur certaines caractéristiques, et plus précisément

sur la notion d’interaction entre les agents et l’environnement, et/ou les agents eux-mêmes.
17
En effet, l’auteur présente un formalisme de description du SMA permettant de

dériver un modèle formel pour décrire cette relation entre agents et environnement. La Figure
1.5 illustre cette définition.
Figure 1. 5. Système multi-agents [Ferber, 1995]
Une autre définition, donnée par Wooldridge et Jennings, présente un

SMA comme étant : « Un SMA est un ensemble d’agents ayant des buts ou des tâches, et qui
interagissent pour les accomplir » [Wooldridge et al., 2000].
Un SMA est donc un système compose d'entités informatiques, appelées des
agents, qui évoluent et interagissent dans un environnement commun. La notion d'interaction
entre agents est essentielle car chacun d'eux est impliqué dans une dynamique commune. Elle
représente aussi ce qui permet de construire la réponse collective à partir des réponses
individuelles.
[Demazeau, 1995] propose une décomposition d'un SMA en quatre dimensions
qui correspondent aux quatre voyelles A, E, I et O, et qui est développée dans [Demazeau,
2001] :
• Agent (A): définition des modèles ou des architectures des composants du système.
• Environnement (E): milieu dans lequel sont plonges les agents, compose d'objets
qui sont perçus et manipules par les agents, et qui obéissent à des lois physiques.
• Interactions (I): ensemble des infrastructures, langages et protocoles d'interaction
entre agents.
• Organisation (O): structure des agents en groupes, hiérarchies, relations, etc.
18
On y trouve souvent associe une cinquième dimension : « Utilisateur » qui représente un

agent (opérateur) extérieur au système mais qui possède une influence sur lui et peut
l'observer.
Ces notions sont à la base de notre proposition, elles sont utilisées plus en détails certains
concepts propres aux SMA.
1.3.2 Environnement d'un SMA

L'environnement est un élément important dans le système multi-agents. C’est
grâce à lui que les agents peuvent coexister et interagir. L'environnement doit pouvoir être
perçu par les agents et ces derniers doivent pouvoir agir dessus et interagir au travers.
Avec celle des comportements individuels, la spécification de l'environnement permet de
définir la dynamique d'un SMA. Lorsque les agents sont réactifs, l'environnement détient une
importance capitale. En effet, comme ces agents ne peuvent communiquer directement entre
eux, il est le médiateur de leurs interactions. Ils s'influencent mutuellement soit par leur
position s'ils sont situés, soit par l'intermédiaire d'objets qu'ils perçoivent et modifient.
1.3.2.1 Types d’environnement

Selon le point de vue que l’on adopte, différents types d’environnements
peuvent être identifiés :
 Point de vue du système multi-agents : l’environnement correspond à
l’ensemble des entités extérieures au système.
 Point de vue de l’agent : l’environnement est tout ce qui est extérieur à
lui-même.
 Point de vue du concepteur : il peut correspondre à l’état du système,
ou représenter l’ensemble des outils permettant de simuler, de visualiser et
d’évaluer le SMA.
1.3.2.2 Propriétés d’environnement

L’environnement possède certaines propriétés
 Accessible ou inaccessible : un agent a accès à l’état complet de
l’environnement ou non.
 Déterministe ou indéterministe : le changement de l’état de
l’environnement est uniquement déterminé par l’état courant et les actions des
agents ou non.
19
 Statique ou dynamique : l’environnement peut changer quand l’agent

est en action (réflexion) ou non.
 Discret ou continu : le nombre de perceptions et d’actions est limité ou
pas.
En ce qui suit, nous présentons aussi quelques caractéristiques importantes des SMA.
1.3.3 Caractéristiques d’un SMA :

Un SMA possède la plupart des caractéristiques suivantes [Boissier, 2004] :
• Distribution : le système est décomposable, l'élément de base étant
l'agent.
• Décentralisation : les agents sont indépendants, il n'y a pas de
décisions centrales valables pour tout le système.
• Autonomie : un agent est en activité permanente et prend ses propres
décisions en fonction de ses objectifs et de ses connaissances.
• Echange de connaissances : les agents sont capables de communiquer
entre eux, selon des langages plus ou moins élabores.
• Interaction : les agents ont une influence localement sur le
comportement des autres agents.
• Organisation : les interactions créent des relations entre les agents, et le
réseau de ces relations forme une organisation qui peut évoluer au cours du temps.
D’autres part, l'ouverture d'un système, qu'il soit physique ou informatique,

représente la possibilité qu'il échange de l'information ou de la matière avec l'extérieur, et que
son environnement possède une dynamique propre avec des évolutions imprévisibles. Pour
un SMA, l'ouverture désigne la capacité d'ajouter ou de retirer dynamiquement dans le
système des agents, ou des fonctionnalités et des services de ces agents [Vercouter, 2004]. Un
SMA ouvert est donc un système extensible et évolutif.
La dynamique d'un SMA est définie au niveau des comportements individuels des
agents, et son évolution découle de leurs interactions. Cette décentralisation impose également
au SMA de fortes contraintes. Elle peut être vue comme le fait qu'un intervenant extérieur au
SMA est soumis à des contraintes de localité similaires à celles des agents : il ne peut
percevoir et agir que sur une partie du système.
20
L'état courant du SMA n'est pas nécessairement connu entièrement, seuls des
indicateurs limités sur son état sont disponibles, et permettent son observation partielle. De la
même manière, une action destinée à influer sur le SMA pourra ne pas s'appliquer à
l'ensemble du système, ou pas de manière synchronisée.
Aussi, on distingue deux typologies des SMA selon le type des agents qui les
composent, à savoir les systèmes multi-agents cognitifs et les systèmes multi-agents réactifs.
1.3.4 Typologies de SMA
a) SMA réactif
Un système multi-agents réactif est composé d'agents réactifs. L'étude des SMA
réactifs cherche à comprendre le fonctionnement du système comme un tout, en se focalisant
sur les aspects collectifs du système c’est-à-dire sur les interactions et la dynamique qui en
résulte.
Ce système présente plusieurs avantages tels que la fiabilité (assurée par le grand
nombre d'agents du système et leur simplicité) et la grande flexibilité vis à vis du changement
dynamique de son environnement. Cependant, la création de tels systèmes doit faire face aux
difficultés de prédiction du comportement global non représenté explicitement dans le
système, et aussi on peut avoir des difficultés à contrôler les comportements individuels par
rapport à un objectif non représenté explicitement.
b) SMA cognitif
Un système multi-agents cognitif est composé d'agents cognitifs. L'étude de ce
système cherche à améliorer les comportements individuels des agents en s'intéressant à leur
intelligence individuelle, leur modèle cognitif, et leurs communications. Ce type de système
met l'accent sur l'agent et ses capacités.
Ce système est facile à concevoir pour les applications dont l’évolution est
prévisible, aussi il tire profits des mécanismes de représentation complexe, et permet
l'échange d'information. Cependant, il présente quelques inconvénients tels que : la difficulté
de représenter les connaissances dans les problèmes complexes, la complexité de
communications entre agents, la faible performance pour des actions en temps réel, temps
important de réalisation des taches et l’impossibilité d’adaptation pour un environnement
dynamique.
21
En général, la différence entre les agents réactifs et les agents cognitifs peut être
expliquée par le compromis efficacité/complexité. Nous partageons l’opinion d’un nombre
important de chercheurs dans le domaine, qui affirment qu’aucune des architectures (réactive
et cognitive) n’offre une solution unique.
Le tableau suivant résume les différences entre les modèles cognitifs et les modèles réactifs.
Système d’agents cognitifs Système d’agents réactifs

Représentation explicite de l’environnement Pas de représentation
Tiennent compte de leur passé Pas de mémoire de leur passé
Agents complexes Agent simple
(fonctionnement stimulus/réaction)
Petit nombre d’agents Grand nombre d’agents
Tableau 1.1 Comparaison entre agents cognitifs et agents réactifs
En fonction du contexte problème, l’une des architectures est plus adaptée que
l’autre. La distinction réside avant tout dans l'objectif lie à l'étude du système, comme
indique dans [Parunak, 1999] :
 L'étude des SMA cognitifs cherche à améliorer les comportements
individuels des agents en s'intéressant à leur intelligence individuelle, leur modèle
cognitif, et aux communications. Elle met l'accent sur l'agent et ses capacités.
 L'étude des SMA réactifs cherche à comprendre le fonctionnement du
système comme un tout, en se focalisant sur les interactions et la dynamique qui
en résulte, donc sur les aspects collectifs du système.
L’une des caractéristiques importante qui constitue l'essence d'un SMA est
l’interaction. Grâce à elle, les agents vont pouvoir produire des comportements collectifs
complexes dont les conséquences exercent en retour une influence sur le comportement futur
du SMA. Qu’ils soient réactifs ou cognitifs, le problème principal à aborder est « comment
faire interagir les agents afin qu’ils accomplissent leurs tâches, et atteignent les buts pour
lesquels ils ont été conçus.
22
1.4 Interaction dans un SMA
1.4.1 Définition
Jacques Ferber [Ferber, 1995] définit l’interaction comme «Un ensemble
de comportements résultant du regroupement d’agents qui doivent agir pour satisfaire
leurs objectifs en tenant compte des contraintes provenant des ressources plus ou moins
limitées dont ils disposent et de leurs compétences individuelles».
Une interaction est donc une mise en relation dynamique de deux ou
plusieurs agents par le biais d’un ensemble d’actions réciproques. Elle représente l’élément
essentiel et fondateur des formes d’intelligence.
Les agents interagissent le long d’une suite d’événements pendant lesquels
ils sont d’une certaine manière en contact les uns avec les autres, que ce contact soit direct ou
qu’il s’effectue par l’intermédiaire d’un autre agent ou de l’environnement.
1.4.2 Situations d’interaction

Les situations d’interactions sont diverses et nombreuses. Leurs
classification se fait selon plusieurs critères :
 La présence d'objectifs communs ou compatibles.
 L'accès à des ressources communes.
 La répartition des compétences au sein des agents.
1.4.3 Types d’interaction

Les situations d’interactions s’expriment comme des attitudes adoptées
entre les agents. Elles sont classées en trois catégories de la manière suivante :
 Indifférence des agents : Dans ce cas les agents prônent l’indépendance.

Cette situation ne pose aucun problème d’interaction de points de vue multi-agents et se
résume à la simple juxtaposition des actions des agents pris indépendamment sans qu’il y ait
effectivement d’interaction du fait qu’il n’existe aucun point de rencontre entre eux. Aucun
agent n’a besoin des autres agents pour atteindre son objectif, les ressources sont suffisantes et
leurs buts sont indépendants, dans telle situation chaque agent poursuit son propre planning
indépendamment des autres. Il peut aussi interagir avec les autres pour atteindre ces propres
objectifs. Dans une situation d’indépendance, les agents peuvent même avoir les mêmes buts
mais chacun d’entre eux travaille indépendamment des autres.
23
Dans ces situations la satisfaction de l’un des buts des agents n’est pas affectée ni
négativement ni positivement par celle de l’autre.
 Coopération des agents : Contrairement à la situation d’indifférence,
dans les situations coopératives la satisfaction de l’un des buts des agents est renforcée par la
satisfaction de celle de l’autre. On distingue trois situations possibles vis-à-vis les
compétences des agents et les ressources utilisées : Collaboration simple, encombrement et
collaboration coordonnée.
o Collaboration simple (ressources suffisantes, compétences

insuffisantes): La collaboration simple consiste en une simple addition des
compétences pour réaliser les tâches jugées irréalisables individuellement.
Puisque les ressources sont suffisantes, cette situation ne nécessite pas
d’actions supplémentaires de coordination entre les intervenants.
o Encombrement (ressources insuffisantes, compétences
suffisantes): Les agents se gênent mutuellement dans l’accomplissement de
leurs tâches, du fait de l’insuffisance des ressources. Puisque leurs buts sont
compatibles, ils essayent de coordonner leurs actions pour vaincre
l’encombrement.
o Collaboration coordonnée (ressources insuffisantes,
compétences insuffisantes): Représente une situation où les agents doivent
collaborer pour combler leur manque de compétences. En plus de la
collaboration, les agents doivent coordonner leurs actions à cause de
l’insuffisance des ressources.
 Antagonisme entre les agents: Dans les situations d’antagonisme, la

satisfaction de l’un des buts des agents est affectée négativement par celle de l’autre. Quatre
situations sont possibles : compétition individuelle pure, conflit individuelle sur les
ressources, compétition collective pure et conflit collective sur les ressources.
o Compétition individuelle pure (ressources suffisantes,
compétences suffisantes): Les ressources ne sont pas limitées. L’accès aux
ressources ne constitue pas l’enjeu du conflit. Les agents luttent pour
atteindre leurs objectifs individuels.
24
o Conflit individuel pour les ressources (ressources insuffisantes,

compétences suffisantes): Dans ce cas les agents luttent pour atteindre leurs
objectifs individuels et luttent aussi sur les ressources limitées. Chaque
agent essaye d’acquérir les ressources pour pouvoir atteindre ces buts. Cette
situation pousse les agents à négocier l’accès aux ressources.
o Compétition collective pure (ressources suffisantes,
compétences insuffisantes): Les agents n’ont pas des compétences
suffisantes. Ils vont se regrouper au sein de coalitions ou d’associations pour
parvenir à atteindre leurs objectifs, l’interaction entre les agents d’un même
groupe est collaboration simple. Les collections d’agents (les groupes)
entrent en compétitions pour atteindre leurs objectifs.
o Conflits collectifs pour des ressources (ressources insuffisantes,
compétences insuffisantes): Dans ce cas les groupes d’agents formés à cause
de l’insuffisance de compétences, en plus de leurs compétitions dues à
l’incompatibilité de leurs buts, ils entrent en compétition sur les ressources
vues qu’elles sont limitées
1.4.4 Conditions d’interaction

La notion d’interaction suppose les conditions suivantes [Ferber, 1995]:
1. La présence d’agents capables d’agir et/ou de communiquer.
2. Des situations susceptibles de servir de point de rencontre entre agents.
3. Des éléments dynamiques permettant des relations locales et temporaires
entre agents.
4. Un certain “jeu” dans les relations entre les agents leur émettant à la fois
d’être en relation, mais aussi de pouvoir se séparer de cette relation. Si des agents
sont totalement liés par un couplage fixe, leur interaction devient rigide et ils
n’interagissent plus au sens plein du terme.
Ferber [Ferber, 1995] donne une classification des situations d'interaction

abordée selon le point de vue d'un observateur extérieur. Cette classification présente les
différentes situations d'interaction que l'on retrouve en fonction des objectifs des agents
(compatibles ou incompatibles), des ressources dont ils disposent (suffisantes ou
insuffisantes) et de leurs compétences pour la résolution d'un problème.
25
Buts Ressources Compétences Situation Remarques
Compatibles Suffisantes Suffisantes Indépendance Situation d’indifférence
Compatibles Suffisantes Insuffisantes Collaboration simple

Compatibles Insuffisantes Suffisantes Encombrement Situations de
Compatibles Insuffisantes Insuffisantes Collaboration coopération

coordonnée
Incompatibles Suffisantes Suffisantes Compétition
individuelle pure
Incompatibles Suffisantes Insuffisantes Compétition collective
pure Situations
Incompatibles Insuffisantes Suffisantes Conflits individuels d’antagonismes
pour des ressources
Incompatibles Insuffisantes Insuffisantes Conflits collectifs pour
des ressources
Tableau 1.2. Classification des situations d’interaction [Ferber, 1995]
Il aboutit ainsi à une première typologie des situations d'interactions :

indépendance, collaboration simple, encombrement, collaboration coordonnée, compétition
individuelle pure, compétition collective pure, conflit individuel, conflits collectifs. Le tableau
met en évidence l'influence de trois critères (objectifs, compétences, ressources) sur la
situation d'interaction induite. En l'occurrence, la compatibilité des objectifs induira des
situations de coopération dès que les ressources ou les compétences sont insuffisantes.
Cette classification permet de distinguer des situations d'interaction. En
revanche, elle ne propose pas de moyens aux agents pour détecter le type de situation dans
laquelle ils se trouvent ainsi que leur besoin de coopérer.
Un SMA se distingue, donc, par une collection d’agents indépendants qui
interagissent en vue de réaliser conjointement une tâche ou pour atteindre conjointement un
but particulier. Les interactions sont non seulement la conséquence d’actions effectuées par
plusieurs agents en même temps, mais aussi l’élément nécessaire à la constitution
d’organisations.
1.4.5 Formes d’interaction

Les interactions peuvent être mises en œuvre pour différents objectifs tels :
26
 La coopération entre les agents, lorsqu’ils ont des buts

communs,
 La coordination, c’est à dire d’organisation pour éviter les
conflits et tirer le maximum de profit de leurs interactions afin
de réaliser leurs buts,
 La compétition, lorsque les agents ont des buts antagonistes.
La coopération et la coordination sont les formes générales d’interaction les

plus étudiées dans les SMA. Elles représentent l’attitude sociale qui permet l’augmentation
des performances de groupe, [Doran et al., 1997; Panait et al., 2005 ; Picard et al., 2006].
Dans ce qui suit, un intérêt particulier est adressé à ces deux formes d’interaction.
1.5 Coopération dans les SMA

La coopération est une caractéristique essentielle en univers multi-agents pour
l’exécution d’une tache. En effet, chaque agent ne possède qu’une vue partielle de
l’environnement auquel il appartient. Grace à la coopération, il peut accomplir cette tâche
avec beaucoup plus de performance. Très tôt, les chercheurs se sont intéressés à la
formulation de ce concept utilisé pour la résolution du problème et aussi pour que le système
ait un fonctionnement optimal [Wooldridge et al., 1995]. L’’aspect collectif lors de la
résolution d’un problème et plus exactement la coopération des agents est un point important
dans le domaine des SMA.
Pour [Ferber, 1995], la coopération revêt deux dimensions :

 La coopération peut être une attitude des agents qui décident de travailler en
commun
 Un comportement est qualifié de coopératif à partir des caractéristiques
sociaux tels que le nombre de communications effectuées ou l’interdépendance
des actions.
Ferber considère que plusieurs agents coopèrent pour atteindre un objectif commun si l’une
des deux conditions est vérifiée :
a. L’ajout d’un nouvel agent accroit différentiellement les performances du
groupe.
b. Il existe des conflits potentiels d’accession à des ressources et l’action des
agents sert à éviter ou à sortir de tels conflits.
27
Dans [Demazeau et al., 1990], les auteurs parlent de coopération pour une tache locale,
lorsqu’un agent a besoin de coopérer avec autrui parce qu’il n’est pas capable de l’accomplir
par lui-même ou parce que les autres peuvent l’accomplir de manière plus efficace que lui.
Cependant, le terme de « coopération n’est pas adéquat dans le cas des agents réactifs ». Il est
substitué au terme de « co-action ». Pour garantir la cohérence globale d’un SMA, il est
nécessaire que les agents coordonnent leurs différentes actions.
1.6 Coordination dans les SMA
La coordination d’actions est l’ensemble des activités supplémentaires qu’il est

nécessaire d’accomplir dans un environnement multi-agents dans la création d’un ordre
commun au sens physique. Ainsi, dans une société composée d’agents autonomes qui
poursuivent des objectifs individuels, la coordination est une méthode indispensable pour
agencer de manière cohérente les interventions de chacun. Elle définit une relation
d’ordonnancement et de dépendance entre les actions.
La coordination est nécessaire :

 Lorsque les agents ont besoin d’informations et de résultats que d’autres
agents peuvent fournir ;
 Lorsque les ressources communes sont limitées ;
 Pour éviter des actions inutiles ;
 Pour permettre aux agents de satisfaire des objectifs dépendants ;
De ces faits, le but de la coordination est de trouver parmi un ensemble de
comportement d’agents qui interagissent, une collection de comportement qui réalise d’une
façon satisfaisante les objectifs les plus importants des agents.
La coordination de multiples agents est essentielle pour la viabilité des systèmes
dans lesquels ces agents partagent des ressouces. La pluparts des recherches en intelligence
artificielle distribuée se concentrent sur le développement de stratégie de coordination en
différé.
Ces stratégies préfabriquées peuvent devenir rapidement inadéquates si le modèle
du monde du concepteur du système est incomplet ou incorect ou si l’environnement change
dynamiquement. L’apprentissage est un mécanisme inestimable qui permet aux agents de
développer des stratégies de coordination qui satisfont les demandes des environnements et
les exigences des agents individuels.
28
1.7 Apprentissage dans les SMA

L’apprentissage est un axe de recherche de plus en plus important dans le domaine des
SMA car il permet d’avoir des systèmes adéquats, performants et évolutifs. Il devient une
nécessité lorsque l’environnement est changeant.
L’apprentissage des agents peut porter sur quatre axes différents [Russell et al., 2006]:
- L’apprentissage centre agent concerne ce qu’un agent peut apprendre sur lui-même
ou sur les autres agents. Cet apprentissage porte sur le comportement de l’agent, ses
stratégies et ses décisions.
- L’apprentissage centre environnement se focalise sur ce que l’environnement peut
apprendre à l’agent. Cela peut porter sur de nombreux objets tant la diversité des
environnements peut être grande. En effet, dans un environnement à forte dynamique,
un agent peut apprendre sur des parties lui étant nouvellement apparues. Ce type
d’apprentissage se retrouve naturellement dans des systèmes de vie artificielle.
- L’apprentissage centre interaction porte sur les moyens mis en œuvre par les agents
pour communiquer ou interagir. Cela peut être l’apprentissage de nouveaux langages
d’interactions ou bien de nouveaux thèmes de communication.
- Enfin, l’apprentissage centre organisation s’occupe de faire évoluer les rôles des
agents au sein de leur société. Lorsque le système est supervisé, les agents sont guidés
dans leur démarche, alors que pour des systèmes d’agents autonomes, les agents
doivent apprendre à se réorganiser.
Pour effectuer ces différents types d’apprentissage, plusieurs moyens ont été
développés. L’apprentissage peut être la conséquence d’attribution directe ou indirecte de
récompenses aux agents, on parle alors d’algorithmes par renforcement.
Il peut aussi être induit par l’interaction et la coopération au sein d’un groupe. Ce
dernier consiste en la capacité d’un agent à apprendre grâce aux interactions coopératives
qu’il a avec ses congénères. Les agents doivent alors avoir à leur disposition des moyens de
communication et des protocoles associés à l’apprentissage.
1.8 Communication comme moyen d'interaction

La communication caractérise tout échange d'information entre des agents. Sans
communication, les agents se trouvent isolés les uns des autres et aucune coopération n'est
possible. La communication constitue donc un moyen fondamental de mise en œuvre des
méthodes de coopération.
29
Différentes catégories ont été répertoriées au cours des nombreuses études sur la théorie
de la communication. Les types de communication ont été classés suivant leur fonction, les
éléments de la communication ou le type de message, etc..
Deux types de communication entre agents, suivant le mode de transmission du
message, ont été répertoriés [Goldman et Zilberstein, 2004]: la communication directe, la
communication indirecte.
1.8.1 Communication directe

Elle consiste à envoyer directement un message à un ou plusieurs agents. Lorsque
le message est envoyé à un seul agent, on parle de communication point à point. Si
l'information est envoyée à tous les autres agents, le message est envoyé en mode diffusion
(ou broad-casting).
La communication directe peut être synchrone ou asynchrone. Une
communication synchrone est une communication dans laquelle le message est reçu « en
temps réel » par le destinataire, c'est le cas d'une conversation. Dans une communication
asynchrone, l'envoi et la réception du message sont réalisés en temps distincts et séparés par
un laps de temps plus ou moins important. Notons que l'envoi de message par
communication directe est généralement intentionnel : l'agent décide d'entrer en interaction
avec un ou plusieurs agents et d'envoyer une information précise.
1.8.2 Communication indirecte

Elle est réalisée par modification de l'environnement ou par manipulation de
connaissances communes. Les agents peuvent laisser des traces dans l'environnement afin
d'indiquer aux autres quelle action a été exécutée, quel est leur état, etc. Lorsque les agents
ont tous accès à une base de données commune, la communication peut s'effectuer par
modification des connaissances stockées dans cette base.
Dans le cas de la communication indirecte, il n'est pas certain que tous les agents
observeront ces modifications. Par conséquent, l'information peut ne pas être reçue. Notons
que la communication indirecte est asynchrone. Elle peut être intentionnelle ou non. En
effet, l'agent peut modifier l'environnement sans pour autant vouloir communiquer avec les
autres agents.
En ce qui concerne les modes de communication, de nombreuses études se sont
intéressées aux communications chez les animaux et les insectes afin de les retranscrire dans
un contexte d'agents informatiques [Bonabeau et al., 1999].
30
1.9 Propriétés attendues des SMA

Les SMA proposent une approche originale de modélisation de systèmes intelligents et
coopératifs. Ils se caractérisent par la présence de plusieurs agents. Ainsi, les propriétés en
termes de rationalité et d'autonomie doivent être exprimées.
1.9.1 Rationalité
Pour [Ferber, 1995] ”Un agent est dit rationnel quand il ajuste ses moyens aux
fins qu’il se propose d’atteindre”. C’est un agent qui agit d'une manière lui permettant
d'obtenir le plus de succès possible dans la réalisation des tâches assignées. Pour mesurer, le
succès d'un agent "rationnel, une mesure de performance objective est associée à une
certaine tâche que l'agent doit exécuter.
Tout d'abord, la rationalité peut s'exprimer de manière différente selon les types
de systèmes multi-agents:
Pour certains systèmes, chaque agent dispose d'une rationalité propre et mesure de
manière individuelle sa performance. Cette vision des choses est principalement
compétitive, chaque agent cherche alors à maximiser ses gains (critères de performance)
éventuellement au détriment des autres agents du système.
D'autres systèmes s'intéressent à une mesure de performance globale : le système
est caractérisé par une fonction globale de performance (éventuellement calculée à partir
d'une combinaison de mesures de performance locales). Nous soulignons la présence de
capacité sociale permettant d'estimer les comportements des autres agents pour mieux agir
par la suite.
Les systèmes de cette catégorie seront intelligents, collectifs et coopératifs du fait
qu’une mesure de performance globale caractérise les performances du système.
1.9.2 Autonomie
La notion d'autonomie d'un agent s'exprime de manière différente dans un système
multi-agents. En effet, dans un SMA, l’autonomie inclut la capacité à s'adapter à
l'environnement global du système mais aussi aux autres agents présents dont le
comportement est inconnu et peut évoluer au cours du temps.
Généralement, l’autonomie dans un système multi-agents coopératif doit
permettre à l’ensemble du système d’évoluer et de s’adapter à son utilisation.
31
1.10 Prise de décision dans les SMA

La prise de décision dans les SMA fait intervenir les deux notions importantes
d'observabilité et d'incertitude qui seront développé ci-dessous.
1.10.1 Observabilité
L'observabilité d'un environnement caractérise l'ensemble des informations qui
sont accessibles à un agent. Suivant ces informations, nous pouvons distinguer différents
types d'observabilité. Un agent qui exhibe un comportement de localité et d'imprécision des
perceptions, introduit la notion d'observabilité partielle. Dans ce cas, les agents seront
contraints de faire face à ce manque de connaissances et devront décider au mieux comment
agir en fonction des informations dont ils disposent.
Nous différencierons tout d'abord l'observabilité de l'état global du système et
l'observabilité de l'état local de l'agent. Le terme état global désignera l'état du système
multi-agents (agents et environnement). L'état local d'un agent sera défini selon le degré de
délibération de l'agent. Il pourra correspondre aux perceptions courantes de l'agent ou bien à
une représentation interne de ses connaissances.
Le degré d'observabilité influence la complexité de la prise de décision.
Intuitivement, si les états de l'environnement sont connus alors il est assez facile de décider
comment agir. Au contraire, Si nous ne disposons que d'informations partielles sur les autres
agents, nous sommes contraints d'envisager leurs comportements possibles, ce qui rend la
décision très complexe.
1.10.2 Incertitude
Il existe plusieurs causes d'incertitude dans un système multi-agents [Russell et
al., 2006]. Parmi ces causes, on peut citer :
 l'imprécision et les limitations des capteurs,
 la modélisation incomplète de l'environnement,
 la dynamique des interactions entre agents.
L'imprécision des capteurs entraîne des incertitudes sur l'information perçue par
l'agent et par conséquent sur l'environnement. En fait, tout ce qui est hors de portée des
capteurs se trouve alors non-observable et par conséquent incertain.
L'incomplétude de la modélisation de l'environnement, entraînent par ailleurs des
incertitudes sur le résultat des actions des agents. L'incomplétude de la modélisation est
essentiellement due au concepteur. Ce dernier peut, en effet, avoir une connaissance
incomplète de tous les phénomènes et lois de l'environnement.
32
Par ailleurs, les agents évoluent dans un même environnement. Leurs actions
peuvent donc entrer en interaction, conduisant alors à des effets non souhaités ou non
envisagés. Le fait qu'un agent ne connaisse pas les actions entreprises par les autres agents
ajoute donc un degré d'incertitude sur le résultat de ses actions.
Pour qu'un agent évolue dans un environnement déterministe, il serait nécessaire
que le système soit parfaitement modélisé, que les capteurs et effecteurs des agents soient
d'une précision irréprochable et que l'agent connaisse exactement les états et comportements
des autres agents. Il paraît évident qu'un tel système est difficilement possible.
1.10.3 Délibération et décision

L'observabilité et l'incertitude sont à l'origine de nombreuses difficultés posées
lors de la prise de décision dans les systèmes multi-agents. Lorsque l'observabilité est
partielle et le résultat des actions incertain, il est d'autant plus difficile pour les agents de
coopérer ou de se coordonner.
Il est possible de contourner le problème en faisant appel à une entité centrale
prenant toutes les décisions et coordonnant les actions de chacun. Dans certaines
applications, une telle solution est cependant impraticable. Chaque agent devra donc décider
de manière autonome comment agir dans un environnement incertain tout en faisant face au
manque d'observabilité.
Enfin, l’utilisation des SMA se retrouve dans nombreux domaine d’application,
selon leur utilité et leur intérêt.
1.11 Domaines d'application des SMA
Les applications des SMA couvrent de plus en plus de domaines. Toutefois ces derniers
partagent les caractéristiques suivantes [Parunak, 2000] :
 Modulaires : les applications modulaires, dont les différentes entités les

composant forment un découpage précis, facilitent l’application d’un SMA. En effet, la
proximité des agents avec les objets au sens informatique permet de s’adapter à une
décomposition existante.
 Décentralisées : point proche du côté modulaire, l’aspect décentralisé
comporte en plus une notion d’autonomie, qui peut être reliée facilement aux capacités de
prises de décisions locales d’un agent appartenant à un SMA.
33
 Dynamiques : l’intérêt de l’utilisation d’un SMA pour traiter une

problématique fortement dynamique dérive des deux points précédents. En effet, une
application connaissant des modifications fréquentes et rapides bénéficiera d’autant plus des
avantages de prises de décisions locales et de la robustesse liée à une conception modulaire.
 Non-entièrement observables : cette caractéristique concerne les
applications pour lesquelles des résultats doivent être produits même lorsque toutes les
données ne sont pas accessibles. Dans un SMA, un agent ne possédant pas toutes les
informations attendues ne bloque pas le fonctionnement global du système.
 Complexes : enfin, les SMA s’adaptent particulièrement aux
applications complexes, faisant intervenir une grande quantité de comportements différents et
un nombre élevé d’interactions.
Néanmoins, les SMA développés actuellement peuvent être classés en trois catégories:
1. La simulation dont l’objectif est la modélisation de phénomènes du monde
réel, afin d’observer, de comprendre et d’expliquer leur comportement et leur évolution. Ce
sont par exemple, des applications de simulation de phénomènes sociaux, environnementaux,
éthologiques, etc.
2. Les applications dans lesquelles les agents dits assistants jouent le rôle
d’êtres humains. La notion d’agent simplifie la conception de ces systèmes et amène de
nouvelles problématiques centrées utilisateur telles que la communication, la sécurité, etc.
3. Et enfin, la résolution de problèmes. Il s’agit de concevoir des systèmes
artificiels capables de résoudre des problèmes distribués, par la mise en œuvre au sein d’un
ensemble d’agents permettant l’accomplissement collectif d’une tâche.
Ainsi, lorsqu’un problème à résoudre exhibe des propriétés de distribution, de

décentralisation, ou de dynamique, les SMA peuvent se révéler être une alternative efficace
[Müller, 1998 ; M.-P. Gleizes, 2004 ; Yokoo, 2001 ; Shoham et al., 2009].
Dans ce cas, la modélisation va souvent consister à considérer certaines variables, données,
critères ou contraintes du problème comme des agents, en les dotant d’autonomie et de
capacités d’interaction.
De manière complémentaire, certaines techniques de résolution de problèmes ont été
conçues à l’origine pour répondre à des problèmes spécifiques à la communauté multiagent
tels que les problèmes de formation de coalitions [Shehory et al., 1998], d’affectation de
ressources [Chevaleyre et al., 2005] ou bien à des problèmes de planification multi-agents [de
Weerdt et al., 2009].
34
Les contributions dans ce domaine vont également se baser sur des travaux provenant
de la recherche opérationnelle ou de l’intelligence artificielle classique, et vont la plupart du
temps reposer sur des cadres formels éprouvés comme l’optimisation sous contraintes, ou la
théorie des jeux [Shoham et al., 2009].
Conclusion
Pour situer le contexte dans lequel se déroule ce travail de thèse, ce chapitre a d’abord
abordé la problématique de résolution de problème et les nombreuses difficultés dont se
heurtent les approches de conception. Les travaux en cours pour l’étude, la compréhension,
l’inspiration des phénomènes naturels et leurs applications sur des problèmes réels ont été
aussi soulevés.
Ensuite, les notions d’agent et de système multi-agents ont été introduites. Ces
systèmes sont composés d’entités autonomes qui interagissent et dont les compétences, les
connaissances (sur les autres agents et sur leur environnement), et les ressources peuvent être
limitées.
En étudiant les caractéristiques principales de ces systèmes, on peut conclure que les
SMA constituent une technologie potentiellement novatrice et adéquate pour résoudre des
problèmes complexes et dynamiques. Ces caractéristiques sont dérivées des interactions entre
agents autonomes permettant de retracer le comportement adaptatif d’agent dans un système
complexe.
La complexité des agents et des interactions peut varier selon l’objectif de la
modélisation. L’interaction est, en effet, l’un des points clés dans les SMA, et mobilise un
effort de recherche considérable.
Dans ce travail nous nous intéressons aux agents ayant des comportements simples,
qui sont capable d’accomplir des tâches complexes dans leur dimension sociale. Ceci
permettra de construire des systèmes robustes, autonomes et adaptatifs et simple à mettre en
œuvre. Nous prenons donc en considération des systèmes réactifs, tout en se basant sur leur
organisation, leur coopération et leur interaction fera apparaitre un comportement global
qualifié d’intelligent.
Nous souhaitons étudier et maitriser l’aspect collectif de ces SMA sans augmenter les
capacités des agents et par la même modifier leurs comportements individuels
35
La résolution de problèmes par des SMA propose une approche centrée agent. Ceci
permet de fournir au système des capacités de robustesse à la dynamique du problème et la
compréhension des phénomènes locaux. Néanmoins, les SMA réactifs sont conçus suivant
une structure distribuée sans avoir un contrôle central du système. Aussi, le mécanisme
d’adaptation du comportement complexe en fonction des interactions des entités simples du
système est difficile à déduire à l’aide de méthodes analytiques.
La théorie de réorganisation qui consiste à décrire les caractéristiques d’un tel
mécanisme est présentée dans le chapitre suivant.
36
CHAPITRE 2
De l’auto-organisation aux systèmes adaptatifs

Mécanismes et Principes.
Chapitre II. De l’auto-organisation aux systèmes adaptatifs
CHAPITRE II
De l’auto-organisation aux systèmes adaptatifs

Mécanismes et Principes.
Introduction
Les recherches menées actuellement dans le domaine des SMA s’intéressent
particulièrement aux systèmes dotés d’une très forte dynamique et constitués de nombreux
agents. Chacun de ces agent n’a qu’une vue partielle du système dans lequel il est situé et
évolue de manière autonome. Ceci crée des situations qui peuvent dégrader ou perturber la
performance du système. Elles se produisent fréquement car les agents n’ont qu’une
connaissance incomplete de leur environnement.
L’objectif de ce chapitre est de fournir un cadre pour les travaux présentés dans la thèse.
L’accent est mis sur les caractéristiques principales du système complexe, et plus
particulièrement l’auto-organisation et l’émergence. Les deux concepts ont été longtemps
considérés comme un seul, et parfois en confusion. Le fait de combiner les deux phénomènes
est une approche prometteuse pour les SMA adaptatifs.
2.1 Organisation dans les SMA

2.1.1 Introduction
Présenter la diversité des approches multi-agents existantes passe par la description de
leurs différentes organisations. Celles-ci offrent une autonomie variable aux agents du
système et contraignent plus ou moins leurs comportements. En contrepartie, l’utilisation
d’une organisation particulière permet de s’assurer que le système développé respectera une
certaine cohérence vis-à-vis de son comportement global.
Etant donné que les SMA reposent sur l’idée qu’un ensemble de petites entités
relativement simples peut accomplir des tâches complexes. L’autonomie des agents, leurs
comportements, la richesse de leurs interactions, et l’environnement dans lequel ils sont
plongés poussent le concept d’organisation encore plus loin.
37
Les sections suivantes détaillent les organisations des SMA les plus couramment
utilisées et précisent leur impact sur le comportement des agents ainsi que sur l’évolution du
SMA dans sa recherche de la solution au problème qu’il doit traiter.
2.1.2 Définition de l’organisation

Actuellement, il manque une définition claire et consensuelle de ce qu’on nomme
«organisation». Mais avant de présenter les plus utilisées, il est important de lever une
ambigüité inhérente à ce terme. Celui-ci peut désigner aussi bien un processus qui est l’action
d’organiser ou un état qui est le résultat de l’action d’organiser. Dans notre cas, c’est le
deuxième sens qui est utilisé.
D’un point de vue sociologique, Morin a donné une définition riche en concepts clés :
“L’organisation peut être définie comme un agencement de relations entre composants ou
individus qui produit une unité ou système doté de qualités inconnues au niveau des
composants ou individus. L’organisation lie de façon inter-relationnelle des éléments ou
événements ou divers individus qui dès lors deviennent les composants d’un tout. Elle assure
solidarité et solidité relative, donc assure au système une certaine possibilité de durée en dépit
des perturbations aléatoires.” [Morin, 1977].
D’autres définitions existent dans la littérature, elles diffèrent selon le point de vue
considéré par l’auteur. Nous pouvons encore citer les suivantes:
Une organisation est caractérisée par une décomposition de tâches, une distribution de
rôles, un système d’autorité, un système de communication et un système de récompense et de
pénalisation [Bernoux, 1987].
Une organisation est un schéma de décision et de communication appliqué à un
ensemble d’acteurs qui accomplissent un ensemble de tâches pour satisfaire des buts tout en
gardant un état cohérent du système [Malone, 1999].
Apparemment différentes, ces définitions de la notion d’organisation présentent
quelques similitudes car, on retrouve dans chacune, les caractéristiques de structuration, de
répartition des tâches et de régulation et ceci avec des formulations différentes.
Dans le contexte des SMA, sa signification varie souvent entre deux visions basiques
[Castelfranchi, 1998; Scott, 1998]:
(i) une entité collective ayant sa propre identité qui est représentée par un groupe
d’agents exhibant des structures sociales hautement formalisées.
(ii) un schéma ou structure stable d’activités conjointes qui peut contraindre ou
affecter les actions et les interactions des agents pour un but donné.
38
Donc, une organisation fournit un moyen de partitionner le système. Chaque partition

(ou groupe) définit un contexte d’interaction pour les agents. Les agents membres d’un
groupe peuvent interagir librement, mais un groupe est opaque pour tous les agents qui sont
externes à ce groupe. Les organisations permettent ainsi de structurer les entités du système
[Ferber et al., 2003].
2.1.3 Objectifs de l’organisation

L’organisation d’un SMA désigne un niveau de description intermédiaire, entre
l’agent et le système qui rend compte d’une forme de structuration des comportements des
agents et de leurs interactions. Lorsqu’un agent est amené à interagir, l’organisation lui
indique généralement avec quel autre agent le faire et comment le faire, lui évitant de faire
cette recherche par lui-même [Gutknecht, 2001]. De ce point de vue, elle permet de réduire la
complexité de l’espace de recherche qu’un agent doit envisager pour atteindre son but.
D’un point de vue global, l’organisation permet de limiter le nombre de conflits et
donc d’augmenter l’efficacité globale de la société. Aussi, une organisation peut se référer à
un schéma de coopération pouvant être plus ou moins formalisé.
C’est ce que [Parunak and al., 2004] expriment en des termes différents lorsqu’ils proposent
une définition d’organisation à trois niveaux :
(i) un ordre (ou mesure) sur les organisations, c.à.d. une application de
l’ensemble des organisations vers l’ensemble des nombres réels ;
(ii) un processus dans un système dans lequel la mesure précédente croît avec le
temps (de moins organisé à plus organisé) ;
(iii) la structure résultant de cette précédente évolution.
La représentation d’aspects organisationnels dans un SMA prend diverses formes et

dénominations selon que l’organisation du SMA est implicite ou explicite, statique ou
dynamique, produite ou imposée par le concepteur.
2.1.4. Structure organisationnelle et organisation concrète

Deux niveaux d’organisation peuvent être distingués [Ferber, 1995] et la figure 2.1 illustre
cette différence.
 La structure organisationnelle: La structure organisationnelle est un invariant d’une

classe d’organisations. C’est ce qui persiste quand les composants ou les individus
rejoignent ou quittent une organisation, c’est-à-dire les relations qui font d’un agrégat
d’éléments un tout.
39
Elle est caractérisée par :

- Des rôles affectés aux agents.
- Des relations abstraites existant entre ces rôles.
 Organisation concrète : L’organisation concrète (ou simplement organisation) est une

instanciation possible d’une structure organisationnelle.
Figure 2. 1. Organisation et structure organisationnelle [Ferber, 1995].
La structure organisationnelle O est décrite par l’ensemble des rôles qui peuvent y être
tenus (A,B,C) alors que les structures concrètes comprennent un grand nombre d’entités
concrètes (A1,A2,B1, ...), les Ai étant associées au rôle A. Les liens entre les entités concrètes
(g1, g2, h1, h2, ...) correspondent aux liens abstraits qui existent entre les entités abstraites (g,
h, ...). Par exemple, le lien abstrait g qui lie l’entité abstraite A à B s’exprime concrètement
dans l’organisation concrète O1 sous la forme de deux liens g1 et g2 qui relient
respectivement A2 à B1 et A1 à B1, alors que dans O2 des liens g1 et g2 semblables relient
respectivement A1 à B1 et A1 à B2.
Une organisation comporte un aspect structurel et un aspect fonctionnel. L’aspect
structurel est lié à la structure de partition et à la structure de rôle, c’est-à-dire les relations qui
sont établies entre les groupes et entre les rôles. L’aspect fonctionnel exprime comment
l’activité des individus est reliée à l’activité de l’organisation.
40
2.1.5. Relations organisationnelles

En termes d’organisation nous devons modéliser les relations qu’entretiennent les
agents entre eux. Les agents devant disposer d’une représentation de ces relations pour
pouvoir communiquer.
On distingue deux types de relations organisationnelles :
- les relations statiques: qui forment le squelette d’une organisation.
- les relations dynamiques: qui constituent la chair des organisations et décrivent
les relations qui sont modifiées lors des interactions.
Le tableau 2.1 décrit les principales relations que l’on rencontre dans les organisations multi-
agents:
Relations Statique Dynamique
Accointance - -
Communicationnelle - -
Subordination Maitre / esclave Demande de service
Opérative Dépendance entre taches Engagement de faire
Informationnelle Dépendance entre savoirs Engagement de validité
Conflictuelles - -
Compétitive - -
Tableau 2.1. Ensemble des relations organisationnelles [Ferber, 1995].
Ainsi, on peut distinguer sept types principaux de relations :
- Une relation d’accointance entre deux agents A et B indiquant que A connaît B,

qu’il en a une représentation et qu’il peut adresser ses communications directement à cet
agent. Il s’agit de la relation minimale entre deux agents. Elle sert généralement de support à
toutes les autres relations.
- Une relation communicationnelle, ou plus exactement d’un canal de
communication, entre deux agents A et B indiquant que A peut envoyer des messages à B.
Les relations d’accointances sont les supports privilégiés de canaux de communication.
- Les relations de subordination décrivent un transfert d’exécution entre un agent

demandeur A et un agent exécutant B. Lorsque cette relation est statique, cela signifie que B
ne peut pas refuser la demande de A et donc que A et B sont dans une relation maître/esclave.
Lorsqu’elle est dynamique, cela indique que A ne fait que demander des services à B et que B
peut refuser les services de A.
41
- Les relations opératives représentent des dépendances liées aux tâches. Un agent A
qui doit accomplir une tâche Tx peut avoir besoin, pour qu’elle soit réalisée, des résultats
d’une tâche Ty d’un agent B. On dira dans ce cas, que A dépend de B pour ses actions. La
forme dynamique de ces relations recouvre alors ce que l’on appelle les dépendances
d’engagements. Un agent, en s’engageant à accomplir quelque chose, permet à d’autres
agents de tabler sur cette réalisation et donc de planifier leurs propres actions, tout en
dépendant de l’accomplissement de cet engagement.
- Les relations informationnelles portent sur les dépendances de validité entre les
différents savoirs d’un agent. Lorsque le savoir d’un agent A dépend de celui de B, cela
signifie que A n’a pas expérimenté par lui-même, mais qu’il s’en remet à B en ce qui
concerne certaines croyances.
- Les relations conflictuelles indiquent que plusieurs agents sont en conflit pour
accéder à certaines ressources. L’existence de telles relations indique qu’il est nécessaire de
coordonner les accès aux ressources, éventuellement à partir d’une négociation entre agents.
- Les relations compétitives correspondent à une situation de compétition entre
agents et signalent que leurs buts sont incompatibles.
2.2 Modèles d’organisation

Il existe une grande variété d’organisations et de nombreuses façons de les
implémenter. Ces différentes organisations contraignent de manière plus ou moins importante
le comportement des agents, et par conséquent leur autonomie. Elles apportent en revanche
une certaine assurance concernant la cohérence du comportement global du système
développé. Les paragraphes suivants présentent quelques exemples de modèles d’organisation
les plus utilisés.
2.2.1 Organisation AGR
La première organisation d’agents présentée est nommée AGR pour Agent-Groupe-
Rôle définie dans [Ferber et al., 2003] (autrefois appelé Aalaadin [Ferber et Gutknecht,
1998]). Cette organisation repose sur les composants suivants :
– Agent : un agent est l’entité active et communicante, jouant un rôle au sein du

groupe. Un agent peut assumer plusieurs rôles et appartenir à de nombreux groupes différents.
– Groupe : un groupe est un ensemble d’agents partageant des caractéristiques
communes. Cette entité structure les agents par regroupement contextuel selon les activités à
accomplir. Pour communiquer, deux agents doivent appartenir à un même groupe, mais un
agent peut appartenir à différents groupes.
42
– Rôle : un rôle est une représentation abstraite de la fonction d’un agent au sein d’un
groupe. Un agent doit jouer au moins un rôle dans le groupe, rôles locaux aux groupes. Un
rôle peut être joué par plusieurs agents.
L’organisation AGR se trouve adaptée à l’application d’un SMA à un système pour
lequel les rôles des différents agents sont spécifiables. De surcroît, cette approche peut être
instanciée à l’aide d’une large gamme d’agents de types distincts, aucun présupposé n’étant
fait sur leurs comportements ou sur leur niveau de cognition requis.
Ce type d’organisation AGR est l’un des plus répandu de par sa généricité et sa
simplicité. Il complète naturellement la définition d’un SMA.
La représentation UML du méta-modèle AGR est donnée sur la figure 2.1 ci-dessous.
Figure 2. 2. Représentation UML du méta-modèle AGR [Ferber et al., 2003]

Des travaux récents ont abouti à des extensions de ce modèle:
- AGRE [Ferber 2005] qui prend en compte l’environnement dans la
modélisation ;
- AGREEN [Baez 2005] qui tente d’intégrer à la fois la dimension
environnementale et normative des organisations multi-agents.
2.2.2 Modèle OperA

OperA est un modèle d’organisation qui spécifie les structures, les exigences et les
objectifs tout en laissant aux agents la liberté d’agir selon leurs propres capacités et buts
[Aldewereld et al., 2001]. L’objectif est d’apporter suffisamment de garanties sur le
fonctionnement global du système tout en laissant de la marge afin d’intégrer des agents
hétérogènes et de laisser place à une certaine adaptation.
OperA est en fait constitué de trois modèles interdépendants :
– Le Modèle Organisationnel (MO) résulte de l’analyse du domaine

d’application et décrit le comportement désiré pour l’organisation. Cela comprend la
définition d’objectifs, de normes, de rôles, d’interactions et d’ontologies. Le MO doit
43
disposer, à chaque instant, des agents adéquats pour chaque rôle. Il ne définit
cependant pas de structure de groupe et ne contraint pas le comportement des agents.
– Le Modèle Social (MS) définit les règles de l’adoption d’un rôle du MO par
un agent. Il décrit les accords que passe un agent lorsqu’il s’engage à remplir un rôle.
C’est un système de contrat qui contraint le comportement de l’agent pendant la
période durant laquelle il occupe un rôle.
– Le Modèle d’Interactions (MI) spécifie les accords entre les agents engagés
dans des rôles afin d’assurer leurs interactions futures.
Ce modèle a besoin d’agents capables de décider quand rejoindre ou quitter une organisation
et de passer des contrats. Il s’agit donc d’agents plutôt proactifs et bien souvent d’agents
cognitifs.
2.2.3 Organisation holonique

Le terme « holon » est avant tout un concept philosophique. Il a été employé pour la
première fois par [Koestler, 1979] et désigne une entité auto-similaire, stable, cohérente et
autonome, composée de plusieurs holons ou elle-même faisant partie d’un tout d’ordre
supérieur.
Son utilisation en tant qu’organisation d’un SMA permet de fournir différents niveaux
d’abstractions, de nombreux points de vue sur le système ainsi que le maintien d’interactions
locales entre un grand nombre d’entités. Une structure composée de holons forme une
« holarchie » (figure 2.2). Ce type d’organisation présente une structure équilibrée entre
autonomie et ouverture, au prix de la nécessité d’intégrer un comportement coopératif aux
agents la composant.
Figure 2. 3. Une holarchie à trois niveaux
44
Les holons présentent une imbrication de structures leur confère une place particulière. En
effet, les actions d’un holon doivent satisfaire ses propres objectifs tout en favorisant l’atteinte
des objectifs du holon dont il fait partie. Ainsi, il possède un comportement combinant
autonomie et coopération. Les agents peuvent abandonner une partie de leur autonomie pour
"fusionner" leur activité et être vus depuis l’extérieur comme un seul agent, un holon.
2.2.4 Discussion sur l’organisation des SMA

Ces trois organisations sont les plus utilisées, mais il en existe d’autres types. Ainsi,
définir une organisation pour un SMA permet d’assurer son activité et son comportement
global attendu. Cette assurance est obtenue au prix d’une autonomie réduite pour les agents
qui doivent se conformer au rôle qui leur est attribué.
Généralement, la complexité de la tâche à effectuer par le SMA rend très difficile,
voire impossible, de définir une organisation préalable capable de la réaliser. Une solution se
trouve au croisement de l’apprentissage et de l’autonomie, en laissant aux agents le soin
d’apprendre eux-mêmes la meilleure organisation.
En effet, l’activité d’un agent peut être vue comme l’application d’une fonction. Dans
ce cas, l’organisation d’un SMA est la composition des fonctions de ses agents et ainsi
l’organisation réalise la fonction globale du SMA. Apprendre cette fonction globale revient
donc à trouver la bonne organisation. Cela peut se faire en modifiant le comportement d’un ou
plusieurs agents, en modifiant les relations entre eux, ou en ajoutant ou supprimant des
éléments dans le système. Si ces ajustements relèvent de la responsabilité des agents eux-
mêmes, il s’agit d’une auto-organisation.
2.3 Auto-organisation
2.3.1 Introduction
L’auto-organisation présente un intérêt certain, en déléguant les contraintes
d’organisation du SMA aux agents eux-mêmes. La complexité de cette étape se retrouve de
manière différente, au sein du comportement de chacun des agents et de ce fait, influe sur la
manière de les développer afin d’assurer cette auto-organisation.
Cette approche est particulièrement adaptée lorsqu’il est impossible de définir une
organisation appropriée et lorsque les agents sont de conception simple. Le travail du
concepteur du système se focalise alors sur les comportements locaux des agents, et
l’organisation globale du SMA se produira par l’ensemble de ces comportements.
45
L’auto-organisation est avant tout une notion physique et biologique, concernant l’état
de certains systèmes capables d’exhiber des fonctions ou des formes structurées sans
intervention extérieure. Ce phénomène concerne également des populations d’individus et fait
également l’objet de nombreux travaux en sciences sociales.
En informatique, cette notion a été initialement utilisée dans le connexionnisme et les
algorithmes génétiques. Elle est maintenant employée dans une panoplie de disciplines et
d’applications parmi lesquelles s’inscrivent les SMA [Dewolf et al. 2004 ; Georgé 2004].
2.3.2 Définitions
Plusieurs définitions existent dans la littérature, on peut citer les plus utilisées:
L’auto-organisation est la faculté d’un système à se réorganiser de manière autonome,
elle permet au système de s’adapter de manière autonome aux conditions changeantes du
milieu. Un système auto-organisateur est un système qui change sa structure de base en
fonction de son expérience et de son environnement [Gliezes, 2004].
« L’auto-organisation est un processus dynamique et adaptatif à travers lequel les

systèmes peuvent acquérir et maintenir une structure sans contrôle externe. » [DeWolf et al.
04].
Dans [Mostefaoui et al., 2006], les auteurs affirment aussi qu’un système auto-
organisateur est un système qui a la faculté de former spontanément des structures bien
organisées. Ces définitions permettent de dégager les propriétés communes citées ci-dessous.
2.3.3 Propriétés de l’auto-organisation

Quatre propriétés fondamentales caractérisent, l’auto-organisation et un système est
considéré comme non auto-organisé par l’absence de l’une de ces propriétés :
 Contrôle central : Le système, en interaction continue avec l’environnement, est
capable de recevoir des stimuli et de produire des effets, sans aucun contrôle central,
ni un planning donnant au système la manière de réaction.
 Interaction : Sans interaction, les composantes ne sont qu’un groupe indépendant
d’entités, incapables d’exprimer des comportements collectifs et cohérents.
 Incrémentation dans l’ordre : Le système peut avoir une incrémentation dans l’ordre
comme étant le résultat d’un processus auto-organisé. Cependant l’ordre ne
s’incrémente pas indéfiniment et ne restera pas tout le temps dans une configuration
d’ordre supérieur. L’ordre est en alternance entre la croissance et la décroissance.
46
 Adaptabilité : Un système auto-organisé doit être robuste vis-à-vis des perturbations,

et capable de s’adapter aux changements survenus dans l’environnement.
Il existe de nombreux mécanismes permettant de reproduire une auto-organisation. Dans

le cadre des SMA, ils peuvent être décomposés en plusieurs classes évoquées ci-dessous.
2.3.4 Mécanismes d’auto-organisation

Les mécanismes d’auto-organisation permettent aux agents de transformer
l’organisation. En un sens ils décrivent les différentes étapes de l’auto-organisation. Tout
d’abord, il faut souligner que l’auto-organisation est articulée autour de trois points [Calderoni
et al., 1997] qui sont :
– un mécanisme qui permet de détecter les meilleures conditions d’apparition du
phénomène d’auto-organisation, de décrire la sensibilité des différents paramètres qui
l’influencent. Cette tâche est distribuée sur les différents composants de l’organisation.
Elle consiste à trouver les agents qui sont dans un état dit instable (l’agent ne sera stable
que si ses aspirations, fixées par le rôle qu’il tient dans l’organisation, sont satisfaites);
– l’apparition du phénomène : ce mécanisme est chargé d’agréger les agents et
d’assurer la persistance de la structure;
– l’arrêt du développement du phénomène nécessite de repérer, avec des
observations, les agents qui sont stables.
Plusieurs mécanismes d’auto-organisation peuvent être identifiés :
2.3.4.1 Mécanismes basés sur l’interaction directe

Ces mécanismes consistent à utiliser des principes, comme l’échange
d’informations et de localisation, couplés avec des interactions locales entre agents. Le
but est de produire un état global stable et cohérent. Ces approches diffèrent de
l’approche traditionnelle des algorithmes distribués, par le fait qu’ils s’intéressent à la
convergence et au maintien d’un état stable, en dépit d’éventuel micro niveaux
d’interactions [Zambonelli et al. 2004].
2.3.4.2 Mécanismes basés sur la stigmergie

Ces mécanismes visent à obtenir du système complexe en question des
comportements provenant de l’interaction indirecte entre les agents. Ces interactions
sont des réponses, qui sont dues aux changements survenus dans l’environnement. Le
comportement final mène à la fonction globale désirée.
47
Plusieurs approches d’auto-organisation basées sur ce mécanisme ont été

proposées et leurs efficacités à réaliser des tâches difficiles ont été démontrées. La
stigmergie est parfois désignée sous le nom d’essaim intelligent, par analogie avec les
insectes et parce que les agents sont homogènes. Elle est particulièrement adaptée aux
problèmes d’optimisation ou de contrôle.
2.3.4.3 Mécanismes basés sur le renforcement

Dans ces approches, l’auto-organisation est basée sur la capacité des agents
d’adapter dynamiquement leurs comportements selon certains renforcements. L’agent
sélectionne un nouveau comportement (ou action) basé sur la probabilité, qui dépend de
son état actuel, de l’état de l’environnement observé et des décisions passées [Buffet et
al., 2005 ; Benhamza et al., 2008]. Le principe est que les récompenses favorisent
certains comportements d’agent et les punitions les défavorisent.
2.3.4.4 Mécanismes basés sur des architectures génériques

Une classe particulière de l’auto-organisation est basée sur des architectures de
références ou des méta-modèles, où l’instanciation de l’organisation des agents est
modifiée d’une manière dynamique. Parmi les exemples d’architectures de références,
l’architecture holonique qui a été citée précédemment. Un système centré sur
l’utilisation de holons peut donc être considéré comme équivalent à un SMA dont le
comportement des agents vérifie un ensemble de contraintes.
Dans de tels systèmes, chaque holon cherche à maximiser sa satisfaction, et doit
pour cela se regrouper en super-holon avec d’autres agents. La satisfaction d’un holon
comprend la satisfaction issue de ses propres efforts, celle découlant des autres holons
avec qui il interagit, et celle relative au rôle qu’il détient.
L’auto-organisation permet donc à un système multi-agents holonique de
s’adapter aux changements de son environnement. Toute fois, elle nécessite d’intégrer
un comportement spécifique aux agents qui le composent afin qu’ils puissent coopérer.
2.3.4.5 Mécanismes basés sur la coopération

Les approches par coopération ont été utilisé en premier dans la théorie
d’AMAS [Capera et al., 2003], pour lesquelles des comportements collectives désirés
apparaissent. Chaque agent possède une capacité de s’organiser, par le réarrangement
de ces interactions avec les autres agents et l’environnement.
48
Ces interactions dépendent des connaissances acquises, à travers la

représentation de l’autre agent ou dans la tâche individuelle qui lui est assignée. Aussi,
le concept d'auto-organisation semble être rattaché de façon inhérente à ce mécanisme
présentant un ensemble de processus basés sur des règles locales, qui conduisent le
système à produire des structures ou des comportements spécifiques non dictés par
l'extérieur du système [Georgé, 2004].
2.3.4.6 Autres mécanismes

D’autres modèles d’auto-organisation dans les SMA existent. Certains se basent
sur la confiance et la réputation [Dondio et al. 2006], d’autres sont inspirés des capacités
d’adaptation du système immunitaire humain [Ishida, 2004], et d’autres encore imitent
la diffusion d’information (sous forme de rumeurs, ou de maladies) au sein d’une
population [Jelasity et al. 2007]. Tous mettent à profit la distribution et la
décentralisation des SMA pour aborder des problèmes dynamiques auxquels l’auto-
organisation permet de s’adapter.
L’auto-organisation permet ainsi à un SMA d’apprendre et de s’ajuster à un

environnement dynamique Or, les SMA soulève notamment un besoin crucial au bon
déroulement d’un processus d’auto-organisation : les agents doivent coopérer. De ce fait, la
coopération est cernée comme la pierre angulaire de l’auto-organisation.
2.3.5 Observation de l’auto-organisation

On peut distinguer trois niveaux d’observation d’un système multi-agents auto-
organisé:
 un niveau externe au système, si l’on considère le système comme une boite
noire dont on ne peut observer que les entrées et les sorties ;
 un niveau interne au système si l’on prend comme objet d’étude les
interactions entre les éléments de la société d’agents. L’observateur est ainsi
plongé dans le système et regarde ce qui se passe entre ses différents
membres ;
 un niveau interne à l’agent si l’on prend comme objet d’étude les membres
de la société et plus précisément leurs architectures.
49
2.3.6 Analyse des résultats observés

Dans un premier temps, l’auto-organisation peut être analysée sans prendre en
compte l’application (analyse en termes de processus). Dans un second temps, on peut évaluer
la cohérence entre le produit du processus d’auto-organisation et les attentes pour
l’application (analyse en termes de résultats).
 Analyse en termes de processus. D’une manière générale, pour qu’un

processus d’auto-organisation soit intéressant et exploitable, il doit être à la fois stable,
sensible et convergent. La stabilité d’un système fait référence à une constance de celle-
ci dans le temps. Le système doit donc être stable afin de mettre en évidence des
structures persistantes qui ne se modifieraient que sous l’influence de perturbations
(internes ou externes).
La sensibilité du processus d’auto-organisation fait référence à sa capacité à faire

évoluer une structure vers un état de reconnaissance (partiel ou total) selon que tous les
critères retenus aient été satisfaits ou non. Il faut donc que le processus d’auto-
organisation soit sensible afin qu’une remise en cause des structures qui émergent soit
possible. La convergence d’un système reflète sa capacité à évoluer vers des structures
connues. Le système doit donc être convergent afin que l’on aboutisse à de nouvelles
structures.
 Analyse en termes de résultats. Comme nous l’avons vu précédemment,

cette partie de l’analyse consiste à quantifier l’accord entre le processus d’auto-
organisation conçu et les résultats espérés. Il faudra donc déterminer si le système est
valide et/ou pertinent. Ces deux propriétés seront corrélées avec l’intérêt et la simplicité.
Le système est dit valide si le résultat produit par le processus auto-organisé est
conforme avec ce que l’on attendait. L’intérêt est une grandeur qui estime la variation
de cette validité en fonction de la complexité d’un raisonnement. Le système est dit
pertinent si la structure peut être considérée comme simple pour ce qui est de la mise en
œuvre et de la compréhension qu’en aurait un observateur. La simplicité, à l’image de
l’intérêt, est une grandeur qui estime la variation de la pertinence en fonction de la
complexité du raisonnement.
50
D’une manière générale il faut s’intéresser, lorsque l’on désire établir une bonne
analyse, à différentes classes de perturbations. Injecter dans le système des événements
perturbateurs crée des dysfonctionnements permettant de mesurer son degré d’auto-
adaptation et d’auto-organisation. Cela permet de déterminer ses facultés à atteindre des
états stables et ses performances.
 Eléments et mesures d’évaluation. [Serugendo et al., 2005] ont défini les

éléments servant de base à l’évaluation en termes de résultats lorsque l’on s’intéresse à
la conception de SMA auto-organisés:
 Une structure organisationnelle observée;
 Un processus qui produit et maintient cette structure;
 Une certaine fonction ou objectif global que le système cherche à
réaliser en utilisant l’auto-organisation au maximum.
Les mesures concernant la structure du système, son processus ou sa fonction

peuvent être prises en compte :
 Les mesures fondées sur la structure se concentrent sur la validation de
la structure après sa stabilisation suivant une série de changements auto-
organisationnels.
 Les mesures se concentrant sur le processus d’auto-organisation sont
relatives à la dynamique du système et à son évolution à travers le temps.
 Les mesures se concentrant sur la fonction du système sont relatives au
degré de réalisation du système de son objectif. Par conséquent, les mesures
dans ce cas concernent les caractéristiques du problème que le système est
dédié à résoudre et sont similaires à celles utilisées pour l’analyse de
performances dans les systèmes classiques.
Des exemples de mesures typiques d’auto-organisation incluent :

 La capacité d’atteindre une organisation qui réalise les objectifs du
système comme un tout (succès/échec/temps de calcul, convergence) ;
 La capacité d’atteindre une réorganisation après un événement
perturbateur (succès/échec/temps nécessaire) ;
 Le degré de contrôle décentralisé (central/totalement
décentralisé/hybride);
51
 La capacité de contenir les perturbations : stabilité/adaptabilité

Eventuellement, on s’intéresse dans un premier temps à l’observabilité du système puis, dans
un second temps, à l’analyse de ces observations.
La notion « auto-organisation » s’applique dans un grand nombre de systèmes complexes

où une différence est faite entre le niveau local et global. Elle est souvent rapprochée à un
autre concept : celui de « l'émergence ».
2.4 Emergence
2.4.1 Définitions
L’émergence est une notion centrale de l’étude des systèmes complexes, qu’ils soient
naturels ou artificiels, mais qui n’a pas de définition formelle adoptée par tous. Plusieurs
auteurs avaient essayé de classifier ce terme ou au moins, cherchaient à en donner une
meilleure interprétation. Dans ce qui suit, nous citerons les plus utilisées.
Un système exhibe de l’émergence quand il y a des émergents cohérent au niveau
macro qui apparaissent dynamiquement des interactions entre les parties au niveau micro. De
tels émergents sont nouveaux par rapport aux parties du système prises individuellement [De
Wolf et al., 2004].
Cette définition utilise le concept d’« émergent » comme un terme général qui désigne
le résultat du processus d’émergence : propriétés, comportements, structures, modèles, etc.
Le niveau se rapporte au point de vue considéré. Le niveau macro considère le système dans
son intégralité tandis que le niveau micro considère le système du point de vue des différentes
entités qui le composent.
L’émergence a été aussi définie comme un phénomène observé dans un système à
plusieurs niveaux : Il s’agit de l’identification par un observateur de nouvelles régularités
associées à un processus qui ne peuvent être déduites à partir de la connaissance de seules
propriétés des éléments constitutifs du système.
La définition plus formelle donnée par [Muller, 2002] souligne la nécessité d’un couplage du
processus avec le niveau d’observation du processus. Un phénomène est émergent si :
 Il y a un ensemble d'agents en interaction entre eux et via l'environnement dont la
dynamique n'est pas exprimée dans les termes du phénomène émergent à produire
mais dans un vocabulaire ou une théorie « D »;
52
 La dynamique des agents en interaction produit un phénomène global qui peut

être une structure stable, une trace d'exécution ou n'importe quel invariant statique
ou dynamique;
 Ce phénomène global est observé soit par un observateur extérieur, soit par les
agents eux-mêmes en des termes distincts de la dynamique sous-jacente, c'est à
dire, avec un autre vocabulaire ou théorie « D ' ».
Plutôt que de prétendre donner une définition exacte et exhaustive de l'émergence,

d’autres définitions sont données ci-dessous. Chacune d’elles se focalise sur une particularité
plutôt que de donner une description précise.
2.4.1.1 Nouveauté
"D'une part, l'émergence présuppose qu'il y a apparition de nouveauté –
propriétés, structures, formes ou fonctions –, et d'autre part, elle implique qu'il est
impossible de décrire, d'expliquer ou de prédire ces nouveaux phénomènes en termes
physiques à partir des conditions de base définies aux niveaux inférieurs" [Van de
Vijver, 1997].
2.4.1.2 Auto-organisation
Goldstein définit l’émergence comme l’apparition de processus d’auto-
organisation. "L'émergence fait référence à l'apparition durant le processus d'auto-
organisation dans un système complexe de structures ou de schémas ("patterns") ou de
propriétés nouvelles et cohérentes" [Goldstein, 1999].
2.4.1.3 Irréductibilité
"L'émergence est décrite en termes d'irréductibilité des propriétés associées à
une théorie de haut niveau à des propriétés associées à des composants dans une
théorie de plus bas niveau" [Ali et al., 1997]. D’où, l’irréductibilité des propriétés de
macro-niveau aux propriétés de micro-niveau. Ceci implique l’impossibilité de
déduire, à partir des propriétés de micro-niveau, les propriétés de macro-niveau.
2.4.1.4 Interdépendance des niveaux

"Des structures et/ou des fonctions apparaissent à un niveau macroscopique
sans que la seule observation des propriétés des constituants permette de les prédire"
[Langton, 1990].
Ainsi, l’émergence permet de fournir un outil de contrôle capable de s’adapter aux
changements dynamiques du système.
53
2.4.2 Principe de l’émergence

La notion d’émergence peut être définie d’une manière intuitive comme une
propriété macroscopique d’un système qui ne peut pas être inférée à partir de son
fonctionnement microscopique [Gleizes, 2004].
Cependant, limiter l’émergence à la séparation entre des interactions de niveau
local (micro) et des observations au niveau global (macro) n’est pas suffisant. D’autres
critères sont à prendre en compte: le caractère dynamique du phénomène et le maintien de sa
cohérence au fil du temps [Goldstein, 1999 ; Heylighen, 2001].
Ainsi, un phénomène émergent apparaît au cours de l’évolution du système, il
n’est pas formé au préalable, et il se maintient durant une période suffisamment longue pour
avoir une identité propre. À cela s’ajoute un troisième aspect qui est pour beaucoup au cœur
de l’émergence : la nouveauté du phénomène émergent vis-à-vis du niveau micro (De Wolf et
al., 2005).
Un phénomène émergent au niveau macro n’est pas prévisible depuis le niveau
micro. Aussi, les entités du niveau micro n’ont aucune représentation explicite du
comportement global et celui-ci ne peut pas être déduit depuis elles. De cela découle un autre
critère de l’émergence, la décentralisation du contrôle : le niveau macro n’est pas directement
contrôlable et aucune entité centralisée ne le maîtrise, ce contrôle passe toujours par les
différentes entités du niveau micro.
C’est pour désigner cette nouveauté que l’expression populaire "le tout est
supérieur à la somme des parties" est parfois utilisée [Odell, 2002]. La définition assez peu
évidente d’une "somme" appliquée aux parties d’un système complexe, ainsi que l’omission
des interactions de micro-niveau (qui peuvent constituer ce "plus" dans le comportement du
"tout" sans pour autant parler d’émergence) doivent nous pousser à mettre de côté cette
formulation.
Il demeure cependant pertinent d’appuyer sur le fait que l’émergence est
caractérisée par l’impossibilité de prévoir ce qu’il advient du macro-niveau en ne se basant
que sur l’étude du mirco-niveau.
Lorsque l’on ne sait pas dérouler la chaîne de causalité entre les deux niveaux,
c’est que l’on observe un phénomène émergent. Ces dernières considérations mettent en
lumière un aspect très important (et controversé) de l’émergence : elle dépend des
connaissances de celui qui l’observe.
54
Un observateur qui acquiert suffisamment de connaissances sur le système

observé, au point de pouvoir dérouler avec exactitude la chaîne de causalité entre les niveaux
micro et macro, ne verra plus de phénomène émergent se former puisque l’aspect nouveauté
sera manquant.
Enfin, l’émergence peut-être vue comme la compensation de notre incapacité à suivre
les multitudes d’interactions, potentiellement complexes, qui ont lieu au niveau micro. Nous
séparons naturellement les phénomènes au niveau macro afin de nous donner la capacité
d’étudier un système donné. C’est là toute son utilité.
2.4.3 Propriétés de l’émergence

A partir du principe suscité et pour juger du caractère émergent d'un phénomène, les
quatre propriétés communes ci-dessous doivent être identifiées [Georgé, 2003, 2004]:
 l'observation d'un phénomène apparent au niveau global ou macro.
 la nouveauté radicale du phénomène (non observé au niveau micro et non
prévisible).
 la cohérence et la corrélation du phénomène (liée aux parties qui le
produisent).
 l'observation d'une dynamique particulière.
D’après ces propriétés, nous pouvons souligner l’importance du rôle de l’observateur.

Un utilisateur du SMA peut avoir le double rôle d'observer le système pour identifier et
classer les formes émergentes, et d'agir sur le SMA pour orienter l'émergence. En réalité, le
phénomène global identifié par un observateur possède un sens pour lui, et peut correspondre
à des états intéressants ou à des solutions recherchées.
En tant qu'utilisateur, il cherche à assurer un résultat émergent. Pour y parvenir, une
analyse est nécessaire : explorer les états en faisant varier la source d'imprévisibilité, et
classifier les résultats en observant leurs régularités [Klein, 2009].
2.5 Auto-Organisation et émergence : similarités et différences

Une analyse comparative de l’auto-organisation et de l’émergence existe dans (De Wolf
et al. 2004) et une orientation de ces concepts vers les SMA se trouve aussi dans [Serugendo
et al. 2006]. La comparaison est importante dans la mesure où l’auto-organisation et
l’émergence sont longtemps considérées, comme un seul concept et parfois en confusion.
55
Dans le plus part des cas, le processus d’auto-organisation est doté d’un comportement
émergeant. En effet les composantes individuelles utilisent des règles simples, et à travers un
modèle d’interaction représentant la dynamique du système, ils sont capables de produire
collectivement des comportements complexes.
Camazine définissait l’auto-organisation comme un processus dans lequel un modèle de
niveau global émerge d'un grand nombre de composantes en interactions. De plus, les règles
spécifiant les interactions entre composantes de système utilisent uniquement des
informations locales, sans référence à aucun modèle global, [Camazine et al., 2001].
En réalité nous sommes confrontés à des systèmes avec ou sans les deux concepts à la
fois et la confusion vient généralement des systèmes exhibant de l’auto-organisation et aussi
de l’émergence. En fait, le principe de l’émergence est l’existence d’un comportement global
nouveau par rapport aux composants du système, et l’auto-organisation est un comportement
adaptatif qui procure et maintien d’une manière autonome un ordre croissant.
Figure 2.4. Auto-organisation versus Emergence

(a) auto-organisation sans émergence; (b) émergence sans auto-organisation;
(c) émergence et auto-organisation combinées
Dans ce qui suit, les similarités et les différences entre les deux concepts sont présentées.
2.5.1 Les similarités

La principale similarité entre l’émergence et l’auto-organisation est l’existence d’une
dynamique des processus évoluant dans le temps. L’autre caractéristique que partagent
l’émergence et l’auto-organisation est la robustesse. Cependant l’émergence est robuste dans
la flexibilité de ces éléments, causant cette émergence (l’échec d’un élément dans le système
n’induit pas une défaillance complète du système).
56
La robustesse d’un système auto-organisé représente son adaptation aux changements

survenus et la capacité de maintenir de l’ordre. Aussi, l’émergence et l’auto-organisation
s’intéresse chacun au comportement du système.
2.5.2 Les différences
La différence se distingue dès lors qu’un des deux phénomènes se produit sans l’autre.
Dans ce qui suit, chaque concept est présenté sans la présence de l’autre.
2.5.2.1 Auto-organisation sans présence de l’émergence

La figure 2.3, montre une idée sur la différence entre l’émergence et l’auto-
organisation. Dans 2.3 (a), le système génère sans contrôle central une forme d’organisation à
partir de la dynamique des éléments.
Les propriétés spécifiques d’émergence et qui ne sont pas nécessaire pour un
processus auto-organisé sont : la nouveauté, les effets micro macro, la flexibilité des entités, et
le contrôle décentralisé. Enfin, un système auto-organisé, est un système autonome qui
maintien un ordre croissant à travers les interactions.
2.5.2.2 Emergence sans présence de l’auto-organisation

L’émergence sans auto-organisation est également possible. La figure 2.3 (b) illustre
une telle situation. Le système n’a pas de control externe. Le système peut exhiber des
comportements chaotiques, qui émergent à travers les interactions de ses éléments.
2.6 Approche Prometteuse : Combinaison entre approches

La combinaison de l’émergence et de l’auto-organisation constitue une approche
prometteuse et riche pour la production des comportements complexes désirés. Dans des
systèmes distribués, ouverts et fortement dynamiques, il est nécessaire de garder les entités
relativement simples. Mais, un individu simple ne peut pas diriger le système seul, et le
comportement global cohérent doit émerger des interactions entre les individus.
Un système peut solliciter la production de comportement émergent car il est
impossible d’imposer une structure initiale au système avec une complexité croissante. De ce
fait, la combinaison des deux phénomènes s’explique par la nécessité du système d’acquérir
des structures auto-organisées afin que le phénomène émergent puisse survenir.
57
2.6.1 Lien Auto-organisation- émergence

Combiné l’auto-organisation et l’émergence dans un seul système impose le fait de
savoir comment les deux phénomènes sont liés l’un à l’autre. Pour cela différentes pistes ont
étaient considérées.
- La première piste considère l’auto-organisation comme étant une cause. L’émergence
dans les systèmes complexes est le résultat d’un processus auto-organisé combinés
d’une manière préprogrammé ou sélective vers des comportements émergents
[Camazine et al. 2001].
- La deuxième piste considère l’auto-organisation comme étant un effet. L’émergence
d’un comportement se produit dans le processus d’auto-organisation. Ainsi l’auto-
organisation est une propriété émergente et dans ce cas elle se produit au niveau
macro, comme le montre la figure 2.3 (c).
Ce dernier point de vue est montré comme étant un résultat caractérisant l’auto-organisation,
c'est-à-dire un besoin dans la croissance dans l’ordre.
2.6.2 Etude des phénomènes auto-organisateurs et émergents

Les notions d'émergence et d'auto-organisation sont étroitement liées. Pourtant on
trouve abondamment dans la littérature des travaux se focalisant exclusivement sur cette
seconde notion et évoquant peu la première. Une hypothèse pouvant expliquer cela serait
peut-être le caractère abstrait de la notion d'émergence la rendant difficile à appréhender et de
ce fait délicate à manipuler, en opposition à celle d'auto-organisation, plus concrète de par sa
description en terme de mécanismes et donc plus aisément exploitable
Aussi, les propriétés émergentes sont liées à la complexité du système obtenue grâce
aux interactions. Ces propriétés ne peuvent être étudiées que par une étude globale du système
matérialisée par des niveaux hiérarchiques d’organisation. Dans le niveau micro, la
dynamique est toujours très compliquée et désordonnée. L’augmentation dans l’ordre peut se
produire à l’intérieur de niveau macro. Dans ce cas, l’émergence devient de plus en plus
organisée. Ce point de vu peut être exprimé par «l’auto-organisation implique une croissance
dans la complexité, tandis que l’émergence la réduit » [Shalizi, 2001].
2.6.3 Évaluation des propriétés émergentes d’un système

L’évaluation des propriétés émergentes d’un SMA est une tâche délicate mais
nécessaire dès lors que l’on désire analyser la solution fournie par le système dans le cadre de
la résolution de problèmes. Ainsi, dans certains cas complexes, il est nécessaire d’avoir
58
recours à des indicateurs permettant une meilleure analyse du système qu’une simple
observation.
Dans la plus part des cas, cette évaluation des propriétés émergentes revient à mesurer
une distance par rapport à un objectif à atteindre. Néanmoins, il est nécessaire de construire
des indicateurs permettant de mesurer les propriétés du système. Les mesures doivent prendre
en compte les propriétés locales et globales du système. Ainsi, les indicateurs utilisés peuvent
être classés selon trois catégories [Gechter, 2013]:
– Indicateurs basés sur le cadre applicatif : Ce sont les indicateurs les plus simples à
construire puisqu’ils s’appuient sur une évaluation pragmatique du phénomène
émergent relativement à l’application visée.
– Indicateurs basés sur une évaluation globale de l’organisation émergente : Ce
type d’indicateurs est également très répandu dans la littérature. Il s’agit alors de
trouver une caractérisation globale de la configuration spatiale ou temporelle de la
population d’agents.
– Indicateurs globaux basés sur les mécanismes locaux d’interaction : Cette
catégorie est la plus délicate à mettre en œuvre car il faut à la fois prendre en compte
les mécanismes locaux d’interaction et leurs résultats au niveau global. Parmi les
indicateurs usuels entrant dans cette catégorie, nous pouvons noter l’entropie et les
indicateurs s’appuyant sur la notion d’énergie.
2.6.4 Contraintes et difficultés de contrôle des SMA

Actuellement, il est de plus en plus difficile de contrôler correctement l’activité des
SMA situées dans des environnements de plus en plus dynamiques. A cause de l’évolution
technologique, telle l’utilisation de processeurs et de moyens de traitement de l’information
dans la majorité des équipements qui nous entourent, l’ouverture et la distribution s’imposent
comme caractéristiques essentielles dans les systèmes informatiques de nos jours.
Ces systèmes nécessitent la réalisation d’applications caractérisées par une phase de
spécification incomplète pour les raisons suivantes [Gleizes et al., 2001] :
 Le système doit évoluer dans un environnement dynamique et il est

impossible de spécifier totalement toutes les situations auxquelles il aura à faire face ;
 Le système est ouvert et complexe et l'organisation interne du système
n'est pas connue, a priori ;
59
 Il n'existe pas de solution algorithmique connue pour résoudre le

problème.
2.6.5 Problèmes liés au développement des systèmes ouverts et dynamiques

Un système ouvert repose sur la notion de l’environnement. Il peut être défini comme
un système situé qui interagit, communique et fait des échanges avec d’autres systèmes de
son environnement.
Aussi, l’ajout et la suppression d’éléments sont parmi les propriétés prépondérantes de ces
systèmes. Cependant, l’arrivée d’une nouvelle entité nécessite une coordination avec celles
déjà existantes de façon à ce que le système conserve son bon fonctionnement.
De même, la suppression d’une entité dans un système implique que celui-ci dispose
de mécanismes de gestion de départ ou de sortie, ainsi que d’adaptation de façon à maintenir
une certaine stabilité. Un système ouvert est donc un système auquel on peut ajouter ou
enlever de nouvelles fonctionnalités en cours d'exécution.
Le contrôle du système ouvert est étendu sur son fonctionnement pour s’assurer que tous
les éléments constituant ce dernier accomplissent correctement leurs rôles. Il est préférable
d’avoir une gestion décentralisée du contrôle, c'est-à-dire, plusieurs entités de contrôle
interviennent dans cette gestion. En effet, une gestion de contrôle centralisée dans une seule
entité met en cause la robustesse et la fiabilité du système particulièrement dans les cas de
défaillance de l’entité de contrôle ou dans les cas de surcharge de cette dernière.
L’imprévu étant inhérent à la vie de ces systèmes, et pur faire face à ces difficultés, les
agents doivent en effet être capables de réagir aux changements et perturbations de leur
environnement complexe et dynamique. L’unique solution consiste à laisser plus d’autonomie
à ces systèmes afin qu’ils évoluent au mieux aux imprévus. L’adaptation devient ainsi un
moyen pour parvenir à surmonter les perturbations éventuelles de l’environnement et réaliser
des systèmes robustes et intelligents.
2.7 Les systèmes adaptatifs

Pour être plus conforme avec les environnements d’exécution qui ne cessent de changer
constamment, le développement de système exhibant les propriétés d’adaptation devient alors
une exigence.
60
L'adaptation repose essentiellement sur le fait qu’il soit constitué d’entités séparables,
c'est-à-dire qu’il doit être décomposable. Elle repose aussi sur une autre caractéristique très
importante, il s’agit de la capacité du système à s'observer et donc à répondre à des
changements de son état.
2.7.1 Dimensions l’adaptation
L’adaptation des systèmes englobe différentes dimensions. Des études [Grondin,
2008 ; Senart, 2003] ont permis d’identifier les axes autour de lesquels tourne cette notion
d’adaptation.
Chaque axe représente une réponse pour l’une des questions suivantes :
- Dans quels buts adapte-t-on un système?
- Sur quels éléments du système peut porter une adaptation ?
- À quels moments peut-on adapter le système ?
- Qui décide d’adapter le système ?
- Comment réaliser cette adaptation?
a. Première dimension : Dans quels buts adapte-t-on un système?

Nous pouvons définir et extraire les raisons pour lesquelles une application est
amenée à subir des adaptations. Généralement la communauté des chercheurs dans ce
domaine semble d’accord sur la définition de quatre types d’adaptations qui se distinguent par
des motivations différentes tout en notant que ces différents types ne sont que des points de
vue et qu’ils ne sont pas exclusifs : l’adaptation corrective, l’adaptation adaptative,
l’adaptation évolutive et l’adaptation perfective.
- Adaptation corrective : le but de l’adaptation est de corriger les erreurs

de fonctionnement d’une entité au sein du système.
- Adaptation adaptative : le but de l’adaptation est de faire évoluer le

système en fonction d’un éventuel changement (nouveau contexte par exemple).
- Adaptation évolutive : ajouter des fonctionnalités à cause de l’évolution

des besoins du client.
- Adaptation perfective : L’objectif est d’optimiser les performances du

système. Pour ce faire, on peut améliorer le comportement de certaines parties du
système pour résoudre une tâche plus efficacement.
61
b. Deuxième dimension : Sur quoi porte l’adaptation ?

On peut apercevoir un système comme une architecture composée d’un ensemble
d’éléments reliés entre eux. L’adaptation d’un élément peut aller d’un simple paramétrage à
une transformation complète. Par un élément on désigne une partie d’un système qui peut
s’agir d’une fonction, d’une classe, d’un composant, ou toutes autres entités logicielles. Pour
une liaison, l’adaptation consiste à modifier la nature de la liaison ou de l’appliquer sur
d’autres couples d’éléments. Une adaptation peut donc porter sur un élément, sur une liaison
entre deux éléments ou bien sur l’architecture entière.
Au niveau de l’architecture, l’adaptation consiste à ajouter, supprimer ou remplacer un
élément ou une liaison ; comme il peut s’agir d’un redéploiement qui consiste à modifier la
répartition d’un système sur un environnement d’exécution composé d’un ou de plusieurs
sites de déploiement.
c. Troisième dimension : À quels moments peut-on adapter le système ?

L’adaptation d’une application peut être effectuée à des moments différents et qui
recouvrent toutes les étapes de son cycle de vie. L’adaptation peut être une adaptation
statique et qui concerne dans ce cas que les étapes d’analyse, de conception et
d’implémentation. Par exemple, les modifications des spécifications d’un élément qui est en
cours de développement engendrent une adaptation statique de son implantation.
Nous parlons d’une Adaptation semi-dynamique pour désigner l’adaptation qui peut
apparaître à l’étape de déploiement de l’application. Dans ce cas, on s’intéresse au processus
d’installation du système. Des opérations d’adaptation peuvent avoir lieu pendant que le
processus d’installation de l’application est en cours. En effet, lorsque le contexte de
déploiement d’une application n’est pas totalement connu à l’avance, il doit être découvert
dynamiquement au moment du déploiement.
En dernier, l’adaptation est dite Adaptation dynamique : puisque elle intervient lors de
la phase d’exécution. Il est important de noter qu’il existe des systèmes critiques qui doivent
s’exécuter de manière continue car ils doivent être disponibles à tout moment. Dans ces cas,
il faut envisager d’adapter dynamiquement ces derniers.
Il existe encore d’autres cas où les adaptations doivent être faites sans arrêter
l’application concernée par les adaptations. Par exemple, dans les cas des systèmes dont les
environnements d’exécution changent constamment, il est inadapté d’arrêter les applications à
chaque modification ; de même pour les applications dont l’arrêt est coûteux pour les
entreprises.
62
d. Quatrième dimension : Qui décide de l’adaptation du système ?

L’adaptation est un processus qui se déroule en plusieurs étapes. Chacune de ses
étapes fait intervenir des acteurs particuliers. Plusieurs acteurs humains ou logiciels peuvent
intervenir pour déclencher le processus de l’adaptation.
Si le concepteur a anticipé l’adaptation, le système peut initier sa propre adaptation
automatiquement sans intervention humaine. Dans ce cas des entités logicielles par exemple
des composants ou des capteurs physiques peuvent jouer ce rôle d’initiateur d’adaptation.
Ceci devient possible si les critères de déclenchement de l’adaptation sont clairement

identifiés et donc facilement automatisables. D’autre part, le déclenchement d’une adaptation
peut aussi être initié par un acteur humain c'est-à-dire le concepteur ou l’administrateur.
e. Cinquième dimension : comment mettre en œuvre cette adaptation ?
Il existe plusieurs approches pour réaliser l’adaptation. Les techniques d’adaptation

peuvent être basiques comme un simple re-paramètrage ou une reconfiguration à condition
que l’adaptation soit anticipée. Dans ce cas, le système à adapter est construit selon un
ensemble de paramètres prédéfinis dont les valeurs peuvent être spécifiées après la
construction du système. Toujours dans le cas d’adaptation anticipée, celle-ci peut être
réalisée par la transformation de code.
Les techniques utilisées pour mettre en œuvre l’adaptation aux niveaux d’applications
informatiques peuvent aussi être catégorisées par d’autres critères. Une classification peut se
faire selon l’élément sur lequel agit le processus d’adaptation. Selon cette vision, on a des
techniques qui agissent sur les liaisons reliant les différents éléments d’une application, et
d’autres techniques qui se contentent d’agir sur les éléments ainsi que d’autres techniques qui
agissent sur l’architecture globale du système.
Pour les techniques d’adaptation qui agissent sur les éléments ou les entités du
système, l’adaptation consiste à modifier l’état d’une entité ou son code. Les travaux qui
s'intéressent à l'adaptation de l'architecture complète, sont basés sur des procédures de
configuration et de reconfiguration.
Cette activité consiste en une recomposition d’éléments à l'intérieur de l'architecture. Cela

peut donc être réalisé soit par retrait, remplacement, paramétrage de certaines entités et/ou
liaisons, soit par ajout de nouvelles entités.
63
2.7.2 Conception de système adaptatif

La problématique de conception des systèmes adaptatifs n’est pas nouvelle. Depuis
très longtemps, elle est abordée avec de nombreux travaux de recherches et la propriété
recherchée d’adaptation a été traitée avec une grande diversité de méthodes. Cette adaptation
est vue comme l’aptitude de cette dernière de se conformer à des conditions nouvelles ou
différentes.
Elle correspond au processus de modification du système, nécessaire pour permettre
un fonctionnement adéquat de ce dernier dans un contexte donné. Le terme adéquat signifie
que le système correspond parfaitement à ce que l'on attend dans un contexte précis. Ainsi, on
note l’existence d’approches qui se base sur la capacité d'un système à s'observer et donc à
répondre à des questions sur son état. Cette propriété est considérée comme essentielle pour
l'adaptation de systèmes complexes.
Devant le changement de conditions, on distingue deux situations différentes, la
première situation présente le cas où les changements sont déjà prévus alors une étape de
reconfiguration du système peut répondre aux besoins d’adaptation. Le deuxième cas où le
changement des conditions n’a pas été prévu, alors il faut adapter le système en modifiant une
partie ou même sa totalité. Dans notre cas, cette modification est déployée autour des
métaphores organisationnelles collectives plus précisément sur le principe d’auto-
organisation.
2.8 Adaptation dans les SMA

La notion d’adaptation caractérise un système par un comportement adéquat face aux
sollicitations de son environnement dans le but de servir ses objectifs. Le système peut alors
modifier son comportement face aux évolutions de son environnement. En effet, un agent
s'adapte au sein d'un SMA, si face à une situation imprévue par le concepteur, l'agent ne se
bloque pas mais réagit.
Deux niveaux d'adaptation peuvent être définis :
 Premièrement, l'adaptation au niveau global du système. Tout changement de

l'environnement peut modifier l'organisation. Si cette réorganisation est un moyen
d’adaptation général pour tout système artificiel, elle doit être conduite en autonome
par le système et non par l’extérieur. Ainsi, les parties deviennent actives sur leur
propre processus de changement. Ainsi, ces systèmes ne sont pas stables et cherchent
un état d'équilibre. C’est le phénomène d’auto-organisation.
64
 Deuxièmement, l'adaptation au niveau de l’agent. Cette caractéristique peut

être associée à sa capacité d’ajuster et réagir face aux variations des contraintes de
l’environnement et des besoins des utilisateurs ; afin qu'il soit capable d'atteindre ses
objectifs malgré des changements de l'environnement. On parle alors d'agent adaptatif.
L'adaptation pour un agent peut être structurelle. De ce fait, il s'agit d'adapter sa

structure à l'évolution de son environnement. Elle peut être aussi comportementale et le
processus de décision de l'agent doit s'adapter à l'évolution de son environnement [Guessoum,
2003].
L’adaptation comportementale peut être statique ou dynamique. Contrairement à la
forme statique, l’adaptation dynamique est considérée comme étant la capacité de l'agent à
s'adapter aux changements imprévus de son environnement par son évolution continuelle sans
l'interruption de son exécution. Cette dernière forme est la plus sollicitée.
2.9 Potentiel de l'auto-organisation dans les SMA adaptatifs

La fonction globale réalisée par SMA découle de l’organisation entre ses agents.
Changer cette organisation par des mécanismes d’auto-organisation revient à changer cette
fonction. Cependant, la question qui se pose est « Pourrait-on établir une organisation idéale
pour un problème? ».
Un moyen d’apprendre pour un système qui est plongé dans un environnement
changeant est de s’y adapter. Apprendre pour le système consiste donc à transformer sa
fonction actuelle de manière autonome afin de s'adapter à l'environnement c'est-à-dire à
changer l'organisation entre ses agents On parle alors d’auto-organisation. Cet apprentissage
doit lui permettre d'avoir une activité "correcte" dans l'environnement dans lequel il est
immergé [Gleizes et al., 2001].
Sachant que les SMA sont composés d'entités autonomes interagissant en suivant des
règles locales, le but est de produire des systèmes adaptatifs capables de réaliser des tâches
données. De tels systèmes doivent exhiber le comportement attendu par l'utilisateur en
fonction de l'interaction du système avec son environnement et faire ainsi émerger la fonction
attendue.
L’auto-organisation, qui correspond à un changement décidé de manière autonome est
alors un moyen essentiel pour que les SMA puissent évoluer et s’adapter dans un
environnement dynamique.
65
L’adaptation basée sur l’auto-organisation implique que le système et son

environnement tentent de s’ajuster mutuellement pour être en interaction coopérative et
implique à un autre niveau que tous les agents du système tendent à être aussi en interaction
coopérative.
La fonction réalisée au niveau du collectif est émergente car les agents du système n’ont
pas la connaissance de la finalité globale. La condition supplémentaire pour parler
d’émergence est que le moyen pour obtenir la fonction globale du système ne soit pas codé
dans la connaissance des agents [Gleizes et al., 2001],.
Ainsi, l’adaptation automatique consiste en une capacité du système à identifier les

circonstances nécessitant l’adaptation, et en fonction de celles-ci, il entreprend les actions
appropriées. Ceci implique que le système a la capacité de contrôler ses interactions et enfin
s’auto-organiser.
Conclusion
Beaucoup de chercheurs se sont orientés vers la problématique des systèmes auto-

organisés pour lesquels la finalité n’est pas à priori connue. Dans ces approches, les agents ne
se réorganisent pas pour garantir l’obtention d’un résultat particulier mais pour s’adapter
uniquement aux perturbations extérieures. Les éléments constituant le système poursuivent
ainsi un objectif individuel et la collectivité fournit un résultat global jugé par un observateur
extérieur.
L’auto-organisation et l’émergence sont deux concepts fondamentaux des systèmes

complexes. Chacun s’intéresse d’une manière différente au comportement global. Dans la
plupart des systèmes ces deux concepts co-existent. Pour les SMA, le fait de combiner les
deux phénomènes est une approche prometteuse pour avoir des comportements adaptatifs
cohérents Cette combinaison impose le fait de savoir comment les deux phénomènes sont liés
l’un à l’autre.
La théorie des systèmes complexes ouvre une nouvelle ère dans l’étude des
organisations au niveau des systèmes. Néanmoins, il ne faut pas négliger que le fait de fixer
des règles entre agents pose un véritable problème de spécification des modèles que l’on
souhaite analyser.
66
Les recherches menées se fondent sur l’idée d’interaction entre entités modifiant leur
comportement selon des règles simples. Le but étant de comprendre comment de simples
règles auxquelles des agents en interaction sont soumis, peuvent mener à des ordres
inattendus. Néanmoins, et pour faire face aux perturbations imprévues, qui ne peuvent être
évitées ou masquées à la conception, des stratégies adaptatives consistent à les considérer
comme faisant partie du système. Ce qui conduit aussi à une réorganisation fréquente de ce
dernier.
Enfin, la complexité du monde, et en particulier des systèmes informatiques, est
maintenant telle que seules les perspectives qui mettent en avant des conceptions locales et
qui recommandent avant tout la capacité d’émergence et d’auto-organisation de ces systèmes
seront capables d’apporter des réponses adaptables, durables et efficaces.
67
CHAPITRE 3
Paradigmes de développement des systèmes

multi-agents
Chapitre III. Paradigmes de développement des SMA
CHAPITRE III
Paradigmes de développement des systèmes multi-agents
Introduction
Les systèmes multi-agents (SMA) constituent aujourd’hui une nouvelle technologie pour la
conception et le contrôle des systèmes complexes. Les solutions proposées par ces derniers
sont prometteuses et permettent d’obtenir des systèmes flexibles et évolutifs.
Pour aborder la résolution des problèmes complexes, un effort particulier a été porté ces
dernières années sur les SMA qui se basent sur les métaphores de l’organisation collective. En
effet, la complexité des systèmes s’est trouvée considérablement accrue du fait de leur
distribution, la grande quantité d’informations qu’ils manipulent, leur aspect coopératif, leur
ouverture ainsi que leur incertitude. Il devient alors possible de concevoir un système
adaptatif en ne se basant que sur les interactions entre les parties du système et son
environnement. Cependant, leur mise en œuvre reste difficile. Ceci est dû au manque de
standardisation des techniques d’ingénierie adaptées à ce genre de système et qui permettent
un développement fiable et cohérent.
D’autre part, les méthodes orientées agents qui fournissent un cadre conceptuel visant à
guider les développeurs des SMA pour l’étude et la résolution des systèmes complexes sont
nombreuses. Elles ont pour objectif la conception des systèmes où les compétences sont
attribuées à des entités logicielles autonomes, qui interagissent dans un environnement
commun pour accomplir des tâches relevant de leurs compétences.
La classification et la comparaison de ces méthodes orientées agents ont motivé la rédaction
de nombreux articles tels [Iglesias et al., 1999 ; Tveit, 2000 ; Wooldridge et al., 2000], ou
encore celui de [Shehory et al., 2001].
Dans ce chapitre, nous présentons les principes et concepts utilisés pour la
modélisation des SMA ainsi que des méthodes et des plates-formes de développement
nécessaire pour leur mise en œuvre.
68
3.1 Modélisation et développement des SMA

Nous commençons par présentons le formalisme de développement de SMA conçu par
Ferber [Ferber, 1997 ; Ferber et al., 2003 ; Ferber et al., 2005] et qui constitue une bonne base
à notre travail de recherche.
3.1.1 Formalisme de développement de SMA

Ferber considère un agent en interaction avec le monde comme un système composé
de deux systèmes dynamiques couplés. Le couplage s’effectue au travers des perceptions que
l’agent a du monde et des actions qui modifient ce monde.
Il représente un système mono-agent par le couple (a,) où a est un agent et  un monde
décrits comme suit:
a=(Pa,Percepta, Fa, Infla, Sa)
=(,,,R)
- Pa représente la fonction de perception de l’agent. C’est la fonction qui permet à
un agent, étant dans un état, de discerner l’ensemble de données qui peuvent influencer son
comportement.
- Percept a : l’ensemble des stimuli et sensations qu’un agent peut recevoir.
- Fa la fonction de comportement de l’agent qui détermine l’état de l’agent à partir
de ses perceptions et de son état précédent.
- Infla : la fonction d’action de l’agent. C’est-à-dire la fonction qui tend à modifier
l’évolution du monde en produisant des influences [Ferber, 96] et ce à partir d’un état interne
à l’agent.
- Sa : l’ensemble des états interne de l’agent
- E : l’espace dans lequel l’agent évolue
-  : l’espace des influences produites par l’agent et ayant comme conséquence de
modifier l’évolution du monde.
-  : l’ensemble des états de l’agent.
- R : la loi d’évolution du monde.
Tel que :
Pa :   Percepta
Infla : Sa
Fa : Sa x PerceptaSa
R : x 
69
Ces fonctions satisfont les équations suivantes qui décrivent la dynamique de l’agent en
interaction avec son environnement. L’état interne d’un agent évolue au cours du temps en
conséquence des perceptions qu’il reçoit à l’instant t. Ainsi que son état global qui évolue au
cours du temps en conséquence des influences qu’ils produits au même instant t :
Sa(t+1) = Fa(sa(t), Pa ((t))) (Eq. 1)

(t+1) = R((t), Infla(Sa(t))) (Eq. 2)
où sa est un élément Sa et  un élément de 
Dans un SMA, les différentes actions des agents sont combinées par l’intermédiaire
d’un opérateur de combinaison d’influence  qui prend les résultats des actions des agents et
les combinent de manière simple (union des influences, sommation vectorielle, etc). On peut
définir alors un SMA par un triplet (A, ,) :
- A est un ensemble d’agents décrit comme précédemment
-  un monde
-  un opérateur de combinaison d’influences
La dynamique du système est alors donnée par le système des n+1 équations suivantes :
s1(t+1)= F1(s1(t).R ((t))) (Eq. 3)
…
sn(t+1)= Fn(sn(t).R ((t))) (Eq. 4)
(t+1)=R((t),  i=1..n Infli(si(t))) (Eq. 5)
Ainsi, pour un SMA composé de n agents, l’état interne de chaque agent, à un instant
t+1, dépend de son état interne à l’instant t et de son évolution dans son environnement en
suivant la même loi que suivent les autres agents du système. L’état global du système à
l’instant t+1 évolue en fonction de l’état précédent à l’instant t et de la combinaison des
différentes influences produite par tous les agents du système. il est primordial dans un SMA
que tous les agents suivent la même loi d’évolution c.à.d. qu’ils les mêmes règles au sein du
groupe. Dans ce cadre, il est possible de modéliser un problème multi-agents.
En fait, il existe une fonction de satisfaction globale (ou coût) h(σ) définie sur
l’ensemble des états du monde (les éléments de Σ) que l’on cherche à maximiser (ou à
minimiser). On définit pour chaque agent une fonction de satisfaction qui associe une valeur
d’un espace de satisfaction à un état interne de l’agent et que l’on note μa(s).
70
Donc, résoudre un problème distribué, connaissant la dynamique de l’environnement

w, l’opérateur de combinaison d’influences Π, le nombre n d’agents, leur fonction de
perception Pi et de production d’influences Infli, ainsi que la fonction de satisfaction globale
h, revient à déterminer l’ensemble des comportements des agents, c'est-à-dire les fonctions Fi,
de manière à maximiser (ou à minimiser) h(σ(t)).
Généralement, il est impossible non seulement de résoudre directement les équations
précédentes, mais aussi de parcourir l’ensemble des états de manière à approximer ces
fonctions. On fait alors l’hypothèse que l’on cherche à maximiser non pas une fonction
globale sur l’état du monde, mais des fonctions de satisfactions locales propres aux agents.
Ainsi, pour résoudre ce problème, connaissant la dynamique de l’environnement w,
l’opérateur de combinaison d’influences Π, le nombre n d’agents, leur fonction de perception
Pi et de production d’influences Infli, ainsi que leur satisfaction locale μi, et avec A0
l’ensemble des agents auxquels on s’intéresse (A0 ⊆ A), c’est trouver l’ensemble des Fi, de
manière à maximiser M(A0).
∑ (Eq. 6)
Etant immergé dans un SMA, un agent doit agir sur son environnement qu’il partage
avec d’autres agents, interagir avec ceux-ci et obéir aux règles d'une organisation. La
problématique centrale est de coordonner les agents entre eux afin d'établir un comportement
global cohérent du système tout en permettant aux agents de contrôler localement leur
comportement (autonomie). Quand il entre dans son organisation, un agent devient le sujet de
plusieurs contraintes imposées par les entités externes (d'autres agents, l'organisation même).
Ces contraintes limitent sa prise de décision et son comportement.
L’hypothèse de l’autonomie de l’agent revient à faire en sorte que le comportement d’un
agent, ou la fonction Fi, dépende non seulement de la perception et de l’état interne, mais
aussi de μi(s). On peut dire alors que les agents sont dirigés par leur satisfaction ou encore par
leurs buts.
En d’autre terme, développer un SMA pour la résolution de problème, consiste donc à

répondre un certain nombre de contraintes que l’on peut décrire ainsi:
1. Quelle est la forme de la fonction Fi, et peut-on définir une théorie générale permettant
de relier le comportement à ces satisfactions?
2. Quelles sont les formes des interactions permettant à plusieurs agents de maximiser
leur satisfaction ?
71
3. Comment faire évoluer le comportement des agents et quelles en sont les

conséquences sur le comportement collectif qui en découle?
4. Enfin, comment réaliser de tels systèmes ?
Enfin, il existe plusieurs outils qui permettent le développement des SMA et qui sont décrites
ci-dessous.
3.1.2 Aspect méthodologique

Ces dernières années, le besoin de fournir des méthodologies, des modèles et de
plates-formes se fait sentir afin de faciliter la prise en compte de la complexité des systèmes à
concevoir. Les deux grandes familles de travaux concernant les méthodes orientés agents
étendent les concepts soit vers des méthodes orienté objets, soit vers des méthodes issues de
l’ingénierie des connaissances.
Souvent, il est d’usage de confondre les termes méthodologie et méthode et de les
utiliser comme signifiant la même chose. Cependant, ces termes sont différents. Une méthode
correspond en réalité à une description étape par étape de ce qui doit être fait pour accomplir
une tâche ; alors qu’une méthodologie désigne un ensemble de principes généraux qui guident
le choix d’une méthode adaptée aux besoins d’un projet ou d’une tâche.
Nous retiendrons la définition proposée par [Booch, 1992], qui est plus explicite et qui
stipule qu’une méthodologie est : « un ensemble de méthodes appliquées tout au long du cycle
de développement d’un logiciel, ces méthodes étant unifiées par une certaine approche
philosophique générale ».
Elle est aussi définie comme « un processus rigoureux permettant de générer un
ensemble de modèles qui décrivent divers aspects d’un logiciel en cours de développement en
utilisant une certaine notation bien définie », [Arlabosse, et al., 2004].
Une méthode de développement de système est constituée donc d’un processus, d’une
notation et d’outils pour servir de support à ce processus et à ces notations et/ou pour aider le
développeur. Par contre, une méthodologie est un ensemble de guide qui couvre tout le cycle
de vie du développement d’un logiciel : ces guides sont à la fois techniques et gèrent le projet,
[Arlabosse, et al., 2004]. La méthodologie doit donc amener le concepteur à réfléchir sur la
décomposition de son système et l’aider à décider si un composant sera un agent ou un simple
objet.
72
3.1.3 Phases de conception

Actuellement, il est largement admis que les phases principales d’une méthodologie
sont l’analyse des besoins, la conception, le développement (appelé aussi implémentation) et
la maintenance.
Ces phases constituent les différents aspects du cycle de vie d’un logiciel.
– L’analyse des besoins, appelée aussi spécification dans certaines méthodes, est
l’étape au cours de laquelle les fonctionnalités du système sont exprimés du point de vue
des utilisateurs. Cette étape peut à son tour être divisée en deux sous-étapes: les besoins
préliminaires et les besoins finaux.
Les besoins préliminaires représentent un travail d’intercompréhension et/ou une
description consensuelle du problème du cahier des charges entre utilisateurs et
concepteurs sur ce que doit faire le système, ses limites et ses contraintes.
Les besoins finaux fournissent un modèle de l’environnement. Les objectifs sont définis et
leurs priorités aussi.
– La conception a pour objectif de définir les entités et les mécanismes qui

donnent le comportement défini par la phase d’analyse et l’architecture détaillée du
système. Elle doit permettre de fournir la description des besoins de l’utilisateur
relativement au domaine et à la fonction du système Elle permet de régler les problèmes
liés à l’implémentation.
– Le développement correspond aux phases classiques de codage, de test et
d’intégration d’un logiciel. L’objectif de cette phase est de produire un code compilable
ou interprétable.
– La phase de maintenance consiste soit à corriger d’éventuelles erreurs, soit à
ajouter des fonctionnalités demandées par l’utilisateur.
3.2 Principales méthodes de conception des SMA

Plusieurs méthodes de conception de SMA existent. Elles peuvent être distinguées
en des méthodes de haut niveau et des méthodes de conception. Dans cette section, les
principales méthodes orientées agents sont exposées. Pour la plupart, elles sont disponibles en
ligne.
Les principales caractéristiques telles que l’autonomie, la réactivité, l’interaction, l’adaptation
et l’organisation sont soulignées.
73
a. GAIA
Cette méthode est une extension des approches d’ingénierie logicielle classique
[Wooldridge et al., 2000 ; Zambonelli et al., 2003]. Elle bénéficie d’une large reconnaissance
dans le domaine multi-agents. Elle utilise une approche centrée sur l’organisation pour
analyser et concevoir un SMA. Elle est considérée comme une étant générique et permet le
développement de tous types de systèmes.
Gaia prend en considération deux niveaux : un macro-niveau (qui modélise une
société d’agents) et un micro-niveau (qui se focalise sur l’agent). Grâce à la richesse de ses
modèles, Gaia rend facile la manipulation d’un grand nombre de concepts multi-agents. Les
agents modélisés, pouvant être hétérogènes, sont des systèmes computationnels qui vont
essayer de maximiser une mesure globale.
L’organisation est statique dans le temps. La propriété d’autonomie des agents
est exprimée par le fait qu’un rôle encapsule sa fonctionnalité, qui est interne et non affectée
par l’environnement. La réactivité et la proactivité sont peu exprimées. le processus de
développement de Gaia ne couvre que quelques phases de développement : la collecte des
besoins, l’analyse et la conception.
La méthodologie Gaia oriente le développement vers la spécification des
organisations, ce qui est considéré comme une manière plus "naturelle" d’appréhender le
développement des SMA [Ferber et al., 2003]. Les modèles proposés par Gaia rendent la
manipulation des concepts de base tels que l’agent, l’environnement, l’organisation et
l’interaction facile ce qui a certainement fait sa popularité.
Par contre, plusieurs inconvénients peuvent être relevés [Azaiez, 2007]. Tout
d’abord la notation adoptée dans Gaia est limitée. Elle peut être adaptée pour l’analyse des
systèmes mais ne peut couvrir une conception détaillée. Nous pouvons aussi noter que la
gestion de la complexité organisationnelle ou fonctionnelle n’est pas prise en compte. Gaia est
limitée aux applications à agents à forte granularité, peu nombreux, et avec une organisation
statique, ce qui rend le passage à l’échelle difficile. De plus, elle ne peut permettre
l’application des théories d’émergence, d’auto-adaptation et d’intelligence or ces théories
constituent une forte valeur ajoutée des systèmes multi-agents.
Le processus de développement couvert par Gaia est très limité et ne dépasse
pas la phase de conception. Il n’y a donc pas de phase de vérification ou de validation.
74
b. MaSE
MaSE (MultiAgent Software Engineering) est un exemple d’approche complète
de développement de SMA, de l’analyse au déploiement, avec de nombreux modèles
graphiques et une approche logique [Deloach et al., 2001]. MaSE manipule des modèles très
proches de ceux utilisés en conception orientée objet (la hiérarchie, les diagrammes de
séquences, les classes d’agents, les diagrammes de déploiement).
L’autonomie des agents est, comme dans Gaia, assurée par l’encapsulation des
fonctionnalités dans les rôles. De même, la proactivité est spécifiée par des automates. Par
contre, la réactivité et les propriétés sociales (groupe, organisation) ne sont pas clairement
définies.
MaSE présente l’avantage de couvrir la totalité du cycle de vie du système,
malgré un manque de gestion de qualité. De plus, malgré la large couverture du processus,
MaSE n’impose l’utilisation d’aucun langage de programmation particulier et s’applique à
n’importe quel domaine.
c. INGENIAS
Dans INGENIAS [Gomez et al., 2002], l’approche générale pour spécifier un
SMA consiste à diviser le problème en plusieurs aspects plus concrets qui forment les
différentes vues du système. C’est un projet qui étend la notation UML.
INGENIAS est fondée sur la définition de méta-modèles décrivant les
différents aspects d’un système multi-agents ainsi que leurs relations. Cette approche
considère cinq perspectives (ou vues) dans un SMA : l’agent, l’organisation, les interactions,
les tâches et les buts et l’environnement. Aussi, elle couvre les phases d’analyse, de
conception, de codage et d’implémentation. Comme dans Gaia, l’autonomie des agents est
assurée par l’encapsulation des buts. La réactivité des agents est obtenue grâce à la
spécification d’événements et d’actions dans les modèles d’agent/rôle et d’interaction. De
même, la proactivité est reliée aux buts. Les concepts sociaux propres aux SMA sont
exprimés, telles les notions d’organisation ou de collaboration.
D’autre part, INGENIAS offre une manière très flexible pour le développement
des SMA. Elle applique une technique d’ingénierie basée sur l’approche IDM (Ingénierie
Dirigée par les Modèles) qui permet le passage des modèles vers le code. Un des grands
avantages est d’avoir un environnement de développement offrant les outils nécessaires pour
son application.
75
Cependant, on lui reprocher le manque de formalisme permettant de spécifier

et de vérifier les propriétés relatives aux SMA telles que les propriétés de vivacité et sûreté.
Ces propriétés, bien qu’elles soient considérées comme des propriétés comportementales
devraient être prise en compte très tôt au niveau du cycle de vie.
d. PASSI
PASSI (Process for Agent Societies Specification and Implementation) est une
méthode pas à pas intégrant des modèles de conception et concepts provenant de l’ingénierie
orientée objet et de l’intelligence artificielle en utilisant UML [Cossentino, 2001].
L’autonomie des agents est liée aux différents rôles qui leur sont attribués. La
réactivité des agents est définie dans un ensemble de modèles comportementaux, ainsi que la
proactivité. Les aspects sociaux sont intégrés dans le modèle de société d’agents. PASSI est
générique, pouvant s’appliquer à n’importe quel domaine et a la particularité de prendre en
compte la modélisation des agents mobiles. Elle couvre pratiquement la totalité des phases du
cycle de développement. Son utilisation est facile puisqu’elle est basée sur une extension du
langage UML. Son application ne nécessite donc pas une expertise particulière
On peut reprocher à PASSI, le manque de formalisme qui rend difficile
l’expression de certaines propriétés telle la sûreté. Aussi, le fait d’être basée sur un langage
semi-formel rend les phases de tests et de vérification peu efficaces.
e. PROMETHEUS
[Padgham et al., 2003] ont développé PROMETHEUS comme une méthode
complète (processus, notations et outils) pour des agents cognitifs (BDI), bien qu’aujourd’hui
elle ait évolué et se dise indépendante de toute architecture. On retrouve dans
PROMETHEUS les mêmes concepts que dans Gaia ou MaSE. Les agents sont à gros grains et
fortement proactifs. L’autonomie des agents est assurée par l’encapsulation des buts et des
plans. Bien que la notion de groupe soit avancée, les notions de rôles sont inexistantes et leur
gestion non abordée. Prometheus définit des notations dédiées et réutilise UML.
Prometheus couvre une grande partie du cycle de développement, même si les
besoins ne sont que peu abordés. Les phases de test, validation, déploiement et maintenance
sont totalement absentes, ainsi que la gestion de qualité et de conduite de projet. Cette
approche convient à des applications orientées utilisateurs, et non à la résolution de problèmes
ou à la simulation.
76
f. ADELFE
La méthode ADELFE (Atelier de DEveloppement de Logiciels à
Fonctionnalité Emergente) pour but d’aider tout développeur à concevoir des logiciels à
fonctionnalités émergentes. Leur conception impose une méthode rigoureuse qui se distingue
de l’approche globale descendante. Elle utilise les concepts issus de la théorie des AMAS
(Adaptive Multi-Agent Systems) [Picard et al., 2004]. L’adaptation dans ces systèmes est
obtenue par des interactions coopératives entre les agents autonomes. Par contre, l’autonomie
d’un agent est assurée par l’encapsulation de ses compétences et de ses représentations. La
réactivité est obtenue par l’utilisation de machines à états finis pour transcrire les
comportements dynamiques et sociaux. Aussi, les interactions sont prises en compte dans le
module « interaction » via les actions et les perceptions.
De manière générale, un agent, dans la théorie des AMAS, est doté de
compétences, de possibilités de communication ou d'interaction avec les autres agents et/ou
avec son environnement, de croyances sur certains autres agents du système, d'aptitudes qui
lui permettent de raisonner et d'une attitude sociale basée sur la coopération. Le modèle
adopté par ADELFE met en évidence ce type d’agents qui ont une représentation du monde.
Les règles de coopération sont reliées à des situations non coopératives, c’est-à-dire des
situations qui ne sont pas prises en charge. Celles-ci peuvent être de plusieurs types :
incompréhension, ambiguïté, incompétence (la requête ne peut être satisfaite), improductivité
(ne sait pas traiter les informations perçues), concurrence et conflit. Quand l’agent est face à
ces situations, il devrait être capable de les résoudre, en cas d’incompréhension par exemple,
il pourrait envoyer la requête vers un autre agent qu’il croit capable de la résoudre.
ADELFE est une approche intéressante puisqu’elle décrit d’une manière assez
complète les caractéristiques des agents utilisés. Cependant, elle reste très spécifique aux
systèmes basés sur la coopération des agents. Son modèle n’est donc pas générique. De plus,
ADELFE ne peut pas être considéré comme méthode exhaustive puisqu’il est principalement
centré sur la coopération entre les agents. Il ne décrit pas les autres concepts qu’on peut
trouver dans la littérature tels que l’organisation, les plans, les tâches, les actions.
g. Approche VOYELLES
Voyelles est une approche de haut niveau (peu de directives techniques sont
données), difficile à classer en tant que méthode, mais très souvent citée car reposant sur des
principes purement multi-agents [Demazeau, 2001].
77
Elle repose sur la décomposition de la vue d’un système suivant quatre dimensions (ou
voyelles) : Agent, Environnement, Interaction, Organisation. Cette approche permet un jeu
d’écriture par associativité, afin d’exprimer le type d’approche choisie pour le développement
d’un système.
Les concepts comme l’autonomie, la réactivité, la proactivité ou les aspects
sociaux ne sont pas clairement exprimés, mais présupposés. L’approche Voyelles laisse les
concepteurs libres d’utiliser les formalismes, les notations ou langages de leur choix pour
spécifier chaque lettre du système. Cependant quelques exemples permettent de les guider.
Ce processus est complet, mais comme son niveau d’abstraction est élevé, aucune des phases
n’est réellement détaillée.
3.3 Comparaison des méthodes présentées

Globalement, aucune méthode n’est « parfaite » pour la conception des SMA.
Chaque méthode possède ses spécificités en termes d’architecture, de formalisme ou de
modèles. La méthode Voyelles est certainement l’approche méthodologique qui se distingue
le plus des autres et qui est difficilement comparable. Aussi, on peut constater que les
interactions ou les notions de rôles sont communément abordées. Par contre, les notions
comme l’adaptation, l’ouverture ou l’environnement sont très souvent absentes.
Principalement, les méthodes citées se concentrent sur les phases d’analyse et de
conception. Pour la plupart, leur processus s’inspire de processus orientés objet. Cette
limitation peut s’expliquer par le fait que la technologie agent n’en est qu’à ses débuts et
certains concepts, comme l’autonomie ou la socialité, restent difficiles à implanter. Même le
concept d’agent est sujet à polémique. En effet, ceci implique le manque de formalisme et
donc de validation.
De plus, le domaine de la programmation orientée agent, qui propose de nouveaux
paradigmes de programmation, non forcément inspirés de l’objet, souligne la nécessité de se
munir de nouveaux langages de programmation afin de pallier les difficultés des concepts
agents et multi-agents.
Le tableau ci-dessus (tableau 3.1) synthétise et compare les différentes méthodes présentées.
78
PROMETHEU
INGENIAS
VOYELLE
ADELFE
MASE
PASSI
GAIA
METHODES
S
Autonomie + + + + + + 
But  ++ ++  ++ + 
Organisation ++  ++ + + + ++
PROPREITES
Ouverture --    - ++ +
Proactivité + + + + + + 
Réactivité + - + +  ++ 
Rôle ++ ++ ++ ++ - + +
Groupe  -  + +  +
Environnement  - -  + + +
Notation : (++) pour les propriétés pleinement et explicitement prises en charge ; (+) pour les propriétés prises en charge de
manière indirecte ; (±) pour des propriétés potentiellement prises en charge ; (-) pour des propriétés non prises en charge ;
(--) pour des propriétés explicitement non prises en charge.
Tableau 3.1. Synthèse de la comparaison des méthodes de conception [Bernon et al., 2009]
Pour faciliter l’implémentation des SMA modélisés. Il est nécessaire d’utiliser des
plateformes de développement adaptées. Dans ce qui suit nous présentons quelques-unes.
3.4 Plates-formes orientées Agent

La notion de plateforme est liée à l’implémentation des SMA. Elle constitue un
réceptacle au sein duquel les agents peuvent évoluer. Les plateformes peuvent être classées
en trois groupes :
- Les plateformes de simulation : elles servent à reproduire l’environnement et le
comportement d’un système afin d’en étudier la dynamique (Swarm).
- Les plateformes d’exécution : elles fournissent des outils d’implémentions basé sur des
modèles particuliers, mais elles ne sont pas associées à des méthodes (Jade et
Voyager).
- Les plateformes de développement : elles servent de support à une méthode en
fournissant des outils pour assister une démarche de conception par exemple : Agent
Builder, Madkit et Zeus.
79
Dans ce qui suit, nous présentons ces plateformes. Cette liste n’est pas exhaustive. Elle
représente cependant les plateformes les plus utilisées et les plus citées dans la littérature.
a. La plate-forme Swarm
Initialement développé au Sante Fe Institut, Swarm est un environnement de
simulation de société d’agents à grande échelle et permettant de faire des ”expérimentations
informatiques” décentralisées à évènement discrets de systèmes complexes. C’est une
plateforme générique constituée d’une bibliothèque logicielle (en Objective C, avec une
interface Java) qui permet de développer des simulations à base d’agents, reconnue dans le
domaine de la vie artificielle. Son utilisation passe par les étapes de création du monde
virtuel, c.-à-d. environnement artificiel spatial et temporel où évoluent des entités, puis la
création d’agents d’observation qui sondent le monde virtuel précédent. Enfin, le
fonctionnement de l’ensemble (monde virtuel + observateurs) se fait dans une simulation
discrétisée en temps avec des horloges synchronisées.
b. La plate-forme Jade
Jade [Bellifemmine, 1999], pour Agent DEvelopment framework, est un middleware
écrit en langage Java et se conformant aux spécifications de la Fipa (Foundation for
Intelligent Physical Agents).
Cet environnement simplifie le développement d’agent en fournissant les services de
base et un ensemble d’outils pour le déverminage et le déploiement. JADE, la plus utilisée par
la communauté des SMA, permet de développer et d’exécuter des applications distribuées
basées sur le concept d’agents et d’agents mobiles. Les agents dans JADE sont implémentés
selon six propriétés :
- Autonomie : les agents ont leurs propres threads de contrôle qui leur permet de
contrôler leurs actions, de prendre leurs propres décisions afin de réaliser leurs buts mais aussi
de contrôler leur cycle de vie.
- Réactivité : les agents peuvent percevoir les évènements de leur environnement
et réagissent en fonction de ces évènements
- Aspects sociaux : les agents exhibent des aspects sociaux qui leur permettent
de communiquer et d’interagir entre eux. La communication se fait à travers le passage de
messages asynchrones. La communication est considérée comme un type d’actions et peuvent
de ce fait intégrer un plan d’actions. Les messages ont une sémantique et une structure définis
par le standard FIPA.
80
- Dynamicité : les agents ont la possibilité de découvrir dynamiquement d’autres

agents et de communiquer avec eux.
- Offre de service : chaque agent offre un ensemble de services, il peut
enregistrer ses services et les modifier. Il a aussi la possibilité de chercher des agents qui
offrent les services dont il a besoin.
- Mobilité : les agents dans Jade ont la possibilité de se déplacer. Les agents sont
implémentés dans des conteneurs et ils peuvent se déplacer. La plate-forme peut être donc
répartie sur un ensemble de machines et configurée à distance. Et la configuration du système
peut évoluer dynamiquement.
Jade assure la sécurité en offrant aux applications des systèmes d’authentification qui
vérifient les droits d’accès des agents. Plusieurs méthodes la considèrent comme plateforme
cible lors de la génération de code tel que Gaia et PASSI.
c. La plate-forme Agent Builder (Reticular systems Inc.)

Agent Builder est une suite intégrée d’outils permettant de construire des agents
intelligents. Cette plate-forme est adaptée pour tous types de systèmes. Cette suite logicielle
commerciale en Java est composée de deux modules : Toolkit pour définir les agents et les
communications et le Run-Time system qui est un interpréteur du système.
Les agents sont décrits avec le langage Radl (Reticular Agent Definition Langage),
proche du langage Agent-0 proposé par [Shoham, 1993], qui permet de définir les règles du
comportement. Ces règles se déclenchent en fonction de certaines conditions et sont associé à
des actions.
Cette plateforme est basée sur la notion d’agent, de groupe et de rôle. Elle permet la
construction d’agent en spécifiant une classe d’agent abstraite. Chaque agent peut tenir
différent rôles au sein de différents groupes. Cette plateforme est intéressante pour l’approche
organisationnelle qu’elle met en avant lors de l’analyse et de la conception d’un SMA
d. La plate-forme MadKit
MadKit (Multi-Agents Developement kit) [Ferber, 2000] a été développée à
l’Université de Montpellier II. Bien qu’elle puisse supporter le développement de divers
systèmes, elle semble bien adaptée pour les applications de simulation. MadKiT est basée sur
les concepts agent, groupe et rôle. Quasiment aucune contrainte n’est posée sur l’architecture
interne ou le modèle de comportement de l’agent. Ce dernier est simplement décrit comme
une entité autonome communicante qui joue des rôles au sein de différents groupes.
81
Cet outil, écrit en JAVA permet l’utilisation de différents langages de communication

(KQML, XML, ...). Il est construit suivant trois principes :
- Un micro-noyau qui est très léger (gestion des groupes, rôles, cycle de vie des
agents et messages)
- Une agentification des services qui utilise la notion d’agent de la plateforme
elle-même pour effectuer un certain nombre de services du système. Ces agents ont
des rôles dans des groupes spécifiques.
- Un modèle graphique componentiel, basé sur des JavaBeans.
e. La plate-forme Zeus
Zeus [Collis et al., 1998] est une plate-forme dédiée pour la construction rapide
d’applications à base d’agents collaboratifs. Elle se prête bien aux systèmes économiques qui
utilisent des applications de planification ou d’ordonnancement. Ses concepts s’appuient sur
les notions d’agents ; de buts ; de tâches (que doit réaliser l’agent pour atteindre son but) ; et
des faits (ce que l’agent considère comme vrai). Un agent possédé une définition; Il appartient
à une organisation ; Il perçoit et modifie son environnement. Il possède un cycle de vie et
s’appuie sur un protocole d’interaction.
Un agent dans Zeus est constitué en trois couches : la couche de définition, qui
contient les capacités de raisonnement et des algorithmes d’apprentissage, la couche
organisationnelle, qui contient la base de connaissances et des accointances de l’agent, et la
couche de coordination, qui définit les interactions avec les autres agents.
Zeus propose aussi un ensemble d’agents utilitaires (serveur de nommage et
facilitateur) pour faciliter la recherche d’agents. Cette plateforme spécifie quatre phases pour
la construction d’agents :
- – l’analyse du domaine : consiste à modéliser des rôles. A ce stade aucun outil
logiciel n’est fourni et le langage UML est utilisé.
- la conception : consiste à spécifier des buts et des tâches qui permettent de les
réaliser. Cette spécification se fait par le langage naturel et n’est supportée par aucun outil.
- le développement : Cette phase est réalisée en quatre étapes : création de
l’ontologie, création des agents, configuration de l’agent utilitaire, configuration de l’agent
tâche et implémentation des agents. Des outils supportant des notations graphiques sont
fournies afin d’aider à l’élaboration de ces étapes.
82
- le déploiement : dans cette phase, le système multi-agents est lancé. Un outil de

visualisation permet le suivi de l’exécution. Cet outil permet de visualiser l’organisation, les
interactions ayant lieu dans la société d’agents, la décomposition des tâches et l’état interne
des agents.
En plus, ZEUS fournit un environnement de développement d’agent grâce à un ensemble de
bibliothèques Java que les développeurs peuvent réutiliser pour créer leurs agents.
La majorité des plateformes ont été développées pour exploiter ou démontrer un

concept ou une idée en particulier. Cependant, le développement de ces outils négligent,
volontairement ou non, le développement de plusieurs dimensions essentielles à
l’implémentation d’un SMA. Peu de travaux ont jusqu’ici été publiés sur l’évaluation des
différents outils et environnements de développement de SMA. Toutefois, un constat est
évident : les outils existants ne permettent pas encore le développement complet, et de façon
relativement simple, de SMA appliqués à des systèmes réels d’envergure complexes.
Nous présentons ci-dessous quelques travaux qui ont utilisé l’approche adaptative dans
la conception des SMA.
3.5 Travaux connexes

Dans l’approche des systèmes multi-agents adaptatifs décrite dans [Cardon et al.
2000], les auteurs proposent un modèle de systèmes artificiels adaptatifs se basant sur l’auto-
organisation, dont la principale caractéristique est la satisfaction de besoins généraux qui
orientent leur comportement de manière décisive. Ces besoins multiples et contradictoires
sont appelées tendances fondamentales. Le modèle proposé est une organisation multi-agents
composé de deux parties une statique et l’autre adaptative. Cette dernière est doté d’un
composant connexionniste (basé sur les réseaux de neurones de type cartes de Kohonen) qui
permet de représenter les tendances fondamentales sur la base des comportements des agents.
Un agent adaptatif est par conséquent un agent capable de générer et d’interpréter
implicitement des indications relatives aux tendances fondamentales du système.
[Landau et al. 2002] propose un framework SFERES d’évolution artificielle et de

simulation multi-agents permettant de faciliter l’intégration de l’apprentissage par algorithme
évolutionniste dans la conception de systèmes multi-agents adaptatifs. Le framework est
destiné à des concepteurs de SMA, il offre un outil dédié à une forme particulière
d’apprentissage, l’évolution artificielle. Les outils offerts permettent au concepteur d’évaluer
83
la pertinence de plusieurs techniques pour un même problème ou celle de plusieurs

architectures d’agents pour une même technique.
La théorie des AMAS (Adaptive Multi-Agent Systems) [Picard et al. 2004] est une
approche théorique et pratique pour concevoir des systèmes adaptatifs. Le but de cette théorie
est de permettre à un système, utilisant des critères de réorganisation locale au niveau de ses
entités, d’atteindre un comportement global du système qui doit être adapté à la tâche
courante. Cette théorie s’intéresse en particulier aux relations entre les entités constituantes,
elle se base sur la coopération entre elles. Les situations imprévues du point de vue local de
l’agent sont prises en compte comme des situations de non coopérations au niveau de l’agent
qui va chercher à modifier ses relations avec les autres. Ces décisions sur la coopération sont
locales aux agents et ne doivent pas être dictées par la fonction globale.
Dans les travaux [Georgé, 2004], l’auteur propose la réalisation d'un environnement de
programmation émergente, permettant de concevoir des systèmes complexes adaptatifs
conformément à la théorie des AMAS. L'objectif général est alors de réaliser un langage
complet de programmation dans lequel chaque instruction est un agent autonome cherchant à
être coopératif avec les autres agents du système, ainsi qu'avec l'environnement du système.
En dotant ces agents-instructions de mécanismes d'auto-organisation, le système obtenu est
capable de s'adapter continuellement à la tâche requise par le programmeur.
Gaston [Gaston, 2005] propose de doter les agents de capacités d’adaptation qui
agissent sur la structure d’un réseau social dans des sociétés d’agents, il démontre que ces
derniers peuvent améliorer la performance de l’organisation par adaptation de la structure du
réseau utilisant seulement l’information locale et des méthodes relativement simples basées
sur le Q-learning. L’adaptation s’opère sur les connexions, ajouter ou supprimer une
connexion, ou par mémorisation des agents avec qui il y a eu de bonnes interactions. Les
majeures considérations dans la conception des stratégies des agents est de décider quand
adapter la connectivité et décider quelles connexions changer. La clé du framework proposée
est de doter les agents de la capacité de détecter quand d’autres agents sont en train de faire
des décisions de connectivité qui sont bénéfiques ou non.
Dans [Charrier, 2009] l’auteur propose un système multi-agents auto-organisateur

adaptatif basé sur les réseaux d'itérations couplées (RIC). Ces réseaux sont constitués de
cellules comportant chacune une application non linéaire à temps discret que l'on itère en la
couplant avec les cellules voisines. Ce modèle de calcul est intégré dans le paradigme agent
pour donner naissance à SMAL (Système Multi-agents Logistique), dont le générateur de la
84
dynamique décisionnelle interne des agents est basé sur ce calcul. Le modèle SMAL a été
adapté à l'intelligence en essaim, où l’auteur a mis en œuvre des méta-heuristiques
(intelligence en essaim) pour aborder des problèmes d'optimisation à l’aide des phénomènes
d’auto-organisation et d’adaptation intégrées dans le système.
L’objectif des travaux de [Simonin, 2010], est de modéliser les comportements d’auto-
organisation pour mieux les comprendre et les utiliser dans la définition du processus de
résolution de problème ou de contrôle de flottilles de robots. Dans ce cadre, les recherches
sont menées selon deux approches d’interactions entre agents. Dans un premier temps,
l’auteur considère les interactions directes entre agents, essentiellement par
signaux/perceptions, avec coordination réactive pour la résolution de problèmes spatiaux.
Dans un deuxième temps, les modèles basés sur la coopération indirecte sont examinés.
Aussi, l’étude s’est focalisée sur l’implémentation réelle en robotique des processus d’auto-
organisation engendrés par ce principe.
Dans le travail de [Perozo, 2011], une architecture multi-agents pour systèmes

émergents et auto-organisés (MASOES) est définie. Cette architecture permet la possibilité de
modéliser un système émergent et auto-organisé à travers une société d'agents (homogène ou
hétérogène), qui travaillent de manière décentralisée, avec différents types de comportement:
réactive, imitative et cognitive. En outre, ils sont capables de modifier dynamiquement leur
comportement en fonction de leur état émotionnel, de sorte que les agents peuvent s'adapter
dynamiquement à leur environnement, en favorisant l'émergence de structures. Pour cela, un
modèle à deux dimensions affectives avec des émotions positives et négatives est proposé.
L'importance de ce modèle affectif est son utilité pour étudier certains aspects de l'interaction
sociale multi-agents (influence des émotions dans les comportements individuels et collectifs
des agents).
Le système multi-agents adaptatif conçu et développé au cours des travaux de [Boes,

2015] répond au défi du contrôle des systèmes complexes. Dans ce système, les agents
ignorent la tâche globale que le collectif doit effectuer. Chacun se concentre sur son propre
but local, tout en gardant un comportement coopératif pour résoudre les problèmes (locaux)
qui se présentent à lui. Ces résolutions locales provoquent des changements au niveau des
agents (ajustements de paramètres, réorganisation des interactions, création ou suppression
d’agents) qui se répercutent sur le comportement global du système.
85
Deux types d’agents en particulier sont au centre de l’activité du système : les Agents
Contrôleurs et les Agents Contextes. Les premiers sont majoritairement responsables du
contrôle proprement dit, tandis que les seconds apprennent les réactions de l’environnement.
Les Agents Contrôleurs se basent sur les indications des Agents Contextes pour effectuer des
actions, tandis que l’apprentissage des Agents Contextes dépend directement des choix que
font les Agents Contrôleurs. Ainsi, apprentissage et contrôle sont couplés et se construisent
mutuellement.
Conclusion
L'autonomie absolue, dans le sens d'indépendance à tout critère, n'existe que pour une
entité isolée. A partir du moment où il y a des échanges, que ce soit de ressources, ou
d'informations, le comportement de cette entité dépend de ces échanges. Quand on parle
d'autonomie de décision pour les agents, le cadre est alors un peu moins strict : cela signifie
que la conduite de l'agent n'est pas dictée par une autre entité. L'autonomie est alors plus une
frontière subtile entre deux extrêmes : l'isolation et le contrôle total extérieur.
De plus, l'autonomie de l'agent n'est pas en soi une garantie pour l'apparition d'auto-
organisation. Si chaque agent, bien qu'il soit autonome et fonctionnant avec des règles locales,
possède un plan préétabli de son rôle, de son comportement et des interactions à effectuer afin
que le système atteigne un but précis, l'ensemble des agents pourra se réorganiser, mais ce ne
sera pas là non plus de l'auto-organisation.
Pourtant, obtenir un système répondant aux changements dans l'environnement, et de
la façon la plus adaptative possible, c’est vouloir utiliser le concept d'auto-organisation. Ceci
amène alors à définir une influence subtile de l'environnement sur le système au travers des
agents le composant et en lui fournissant des informations utiles pour la convergence du
système vers un fonctionnement spécifique, sans que ces informations explicitent ce but ou
contraignent inopportunément le comportement du système. Ceci est couplé à des règles de
comportement locales pour chaque agent qui n'intègrent pas en leur sein un plan explicite
vers le but du système.
Pour fournir au système une fonctionnalité particulière, on peut donc avoir recours à
une autre méthode que celle utilisée traditionnellement et qui consiste à procéder à une
décomposition fonctionnelle du problème en un ensemble de primitives qui seront implantées
dans les agents. Les avantages sont un renforcement de la robustesse du système - il est auto-
organisé et adaptatif - et une simplification de la conception - il n’est pas nécessaire que le
concepteur envisage toutes les possibilités pour chaque situation.
86
Partie II
Contributions
CHAPITRE 4
Proposition d’un modèle de conception d’un

SMA adaptatif pour la résolution de problème
Chapitre IV. Proposition d’u odèle de co ceptio d’u SMA adaptatif
CHAPITRE IV
Proposition d’un modèle de conception d’un SMA
adaptatif pour la résolution de problème
Introduction
Malgré, l’évolution du paradigme multi-agents, peu de méthodes existent pour son

application au cadre général de la résolution de problème. Dans ce chapitre, nous abordons
cette problématique en se focalisant sur un modèle de conception de SMA auto-organisés. Ces
derniers présentent les propriétés intéressantes recherchées telles la simplicité d’agents,
l’émergence de solution, l’adaptation et aussi la robustesse.
L’approche adaptative est particulièrement adéquate lorsqu’il s’agit d’aborder des
problèmes liés à l’étude de systèmes complexe, à la conception de systèmes coopératifs ou à
la résolution de problèmes distribués et ouverts. Les systèmes distribués sont caractérisés par
leurs grandes complexités et par le caractère inhérent du non prédictibilité des services qu’ils
fournissent. Cette complexité est due à l’impossibilité de la mise en œuvre de contrôle « Top-
Down » du fait que les nœuds qui fournissent les services sont des systèmes indépendants qui
n’obéissent pas à une seule autorité.
Le développement des applications distribuées et plus particulièrement leurs
conceptions s’articulent sur cette propriété d’ouverture. De même, les méthodes de
modélisation de ces systèmes à base d’agents réactifs relèvent des difficultés énormes et qui
sont dues au nombre important d’agents en interactions.
L’imprévu étant inévitable à ces systèmes, l’adaptation, qui correspond à un
changement décidé de manière autonome, devient un moyen adéquat pour parvenir à
surmonter les perturbations éventuelles de l’environnement. La réorganisation peut être vue
alors comme un processus dynamique à travers lequel ces systèmes peuvent rechercher,
acquérir et maintenir une structure cohérente sans contrôle.
87
Dans ce qui suit, nous allons situer les SMA dans le processus de résolution de problème
puis nous présenterons l’impact de l’auto-organisation dans ce processus et enfin nous
exposerons le modèle générique proposé pour la conception de SMA adaptatif dans ce cadre.
4.1 Résolution de problèmes et Système Multi-Agents

Construire un SMA et l’utiliser pour la résolution d’un problème ou pour la
construction d’un mécanisme de prise de décisions est naturel notamment lorsque le problème
à résoudre est distribué d’une façon fonctionnelle ou topologique, ou lorsque certains
couplages élémentaires entre les entités du problème sont déjà connus. De ce fait, les SMA,
de par leur décentralisation et leur dimension sociale, sont à la fois :
a. Paradigme de modélisation de problèmes exhibant de telles propriétés :

En effet, résoudre un problème consiste à le modéliser dans un cadre formel adapté aux
spécificités de ce problème. Puis à concevoir des techniques de résolution (algorithmes ou
protocoles d’interaction) afin de trouver une solution à ce problème. Cependant, choisir un
cadre de modélisation du problème n’est pas suffisant pour développer un SMA. Il est
nécessaire d’identifier les agents du système, puis les techniques et les mécanismes
d’interaction à mettre en place pour garantir le comportement souhaité du système.
b. Champ d’application avec des problèmes spécifiques pour lesquels des

solutions centralisées ne se montrent pas adaptées : De manière complémentaire, certaines
techniques de résolution de problèmes ont été conçues à l’origine pour répondre à des
problèmes spécifiques à la communauté multi-agents.
4.2 L’auto-organisation dans le processus de résolution de problème par SMA

Dans le cadre de la résolution de problèmes, le mécanisme auto-organisationnel est
d’autant plus intéressant qu’il s’agit d’un processus continu, qui ne sollicite pas de reprendre
la résolution d’un problème suite à une modification de ses spécifications.
En fait, cette auto-organisation des agents peut intervenir dans les deux cas suivants:
(i) lorsque l’organisation est le résultat du processus de résolution.
(ii) lorsque l’organisation est un moyen de modéliser le problème qui change

au cours de l’exécution.
88
Dans le premier cas, l’organisation est modifiée ou adaptée par le processus de

recherche d’une solution. Le résultat de l’activité du système est alors une organisation stable
représentant une solution adéquate au problème posé.
Dans le second cas, le système doit être capable de fournir des solutions, alors que
l’environnement et/ou l’organisation interne du système sont en train de changer. On parle
alors d’adaptation à la dynamique.
4.3 Modèle proposé de résolution de problème par les SMA adaptatifs

Dans le cadre de cette recherche, la conception de SMA pour la prise de décision et la
résolution de problèmes, les méthodes recherchées reposent sur les approches auto-
organisées. En général, l’adaptation dans les SMA passe par une modification de
l’organisation.
4.3.1 Point de vue adopté
La conception de SMA adaptatifs se distingue de la conception des autres
systèmes par au moins deux aspects :
1. Le rôle de l’environnement, à la fois, en tant que lieu d’inscription et

en tant qu’ensemble de contraintes sur la dynamique des systèmes multi-agents.
2. L’importance des interactions entre agents qui surpasse l’importance

de l’architecture des agents elle-même, si l’on veut que le tout soit plus que la
somme de ses constituants;
Si l’on considère ces deux points, nous pouvons souligner l’existence de trois
approches différentes de la conception de SMA:
 L’approche orientée agents, qui cible les agents individuels et propose

différents formalismes de spécification de leurs comportements.
 Les approches organisationnelles, qui traitent de la spécification des

interactions au travers de la notion de rôle, de relations entre rôles et groupes, soit pour
spécifier les réseaux d’interaction statiquement ou de façon plus dynamique.
 Les approches émergentistes, qui distinguent un niveau micro d’agents en

interaction, d’un niveau macro où un phénomène global est produit. Ce phénomène
pouvant être une structure organisationnelle, la réalisation d’une tâche ou la construction
d’une solution à un problème.
89
Ces approches sont toutes complémentaires et fondamentales lorsqu’on conçoit un

SMA adaptatif. Néanmoins, par « adapter », on entend agir sur les agents ou la structure
organisationnelle afin de réorganiser le système.
Ainsi, pour concevoir un SMA adaptatif et résoudre un problème de manière
distribuée, il est nécessaire de considérer l’auto-organisation comme équivalente à une
méthode de résolution par recherche locale décentralisée dans laquelle le système fournit
toujours une solution même si celle-ci n’est pas optimale.
Le système va améliorer cette solution, par propagation locales, pour converger vers
un optimum et les agents autonomes seront les moteurs de cette adaptation. Les décisions des
agents s’appuient sur des informations à la fois locales et globales permettant de réduire les
conflits et répondre efficacement à la dynamique de l’environnement. Dans le cas, par
exemple, d’un SMA ouvert, il est nécessaire de lui donner les moyens de se réorganiser
dynamiquement afin de satisfaire au mieux ses objectifs. Et de ce fait, la réorganisation est
prise en charge par l’ensemble des membres de l’organisation.
4.3.2 Principe de conception

Au cœur de la conception d’un SMA adaptatif se trouvent les agents. Ces entités
autonomes sont munies de capacités de décision et ne possède qu’une vision locale de leur
environnement. Le comportement d’agent étant très simple, c’est dans et par l’environnement
que le système calcule, communique et construit la solution du problème.
Par conséquent, cette solution ne peut être formulée qu’à travers le modèle de
l’environnement et les interactions des agents. L’environnement joue un rôle fondamental en
faisant le lien entre le problème à résoudre, ses caractéristiques statiques et dynamiques, et le
processus de résolution.
De ce fait, le modèle présenté ici correspond à des stratégies de changement de
l’environnement c.-à-d. changement émergent de l’organisation, dans laquelle les agents
évoluent ensemble et n’auront qu’une vision limitée sur l’état de cette dernière. C’est sur cette
notion d’organisation que va s’articuler le processus d’adaptation.
L’organisation est spécifiée de manière descendante avant l’implémentation des
agents. Elle existe comme un modèle défini et formalisé par le concepteur du système et les
agents ne connaissent rien de cette organisation. Ils s’y conforment simplement. Le schéma de
coopération est préalablement fixé.
90
Changer d’organisation ou réorganiser le système peut se faire par des changements à

différents niveaux: configuration spatiale, voisinages, rôles, différentiation/spécialisation des
individus, etc. Par conséquent, l’adaptation s’effectue en changeant ces configurations de telle
sorte que le système se comporte de manière plus adaptée à la pression de l’environnement
perçue ou subie.
Toutefois, une organisation peut être modifiée à différents moments du cycle de vie du
système. Le processus de réorganisation est une conséquence du fonctionnement du système.
Cela signifie que si les agents ne vérifient pas certains critères (but, performance ou encore
utilité) l’organisation est changée.
De manière générale, afin de modifier une organisation, nous pouvons identifier un
processus générique qui sera implémenté en fonction de l’application ciblée. Ce processus,
inscrit dans une boucle, est normalement composé de deux phases: le contrôle, et la réplique
(figure 4.1).
1. La phase de contrôle est destinée à détecter les problèmes d’inadéquation entre le

système et son organisation c.-à-d. les agents et l’environnement. Il convient donc de définir
les situations de non adaptation.
2. Une fois qu’un besoin de modification est détecté lors la première phase de
contrôle, la phase de réplique met en œuvre un processus de réorganisation pour que le
système en cours d’exécutions retrouve un fonctionnement optimal.
Pour cela :
 Une première étape de choix d’alternative pour modifier l’organisation. Le

principal problème est donc la définition de critères d’évaluation des solutions
les plus prometteuses.
 La seconde étape correspond à la mise en œuvre de l’alternative choisie
précédemment.
La dynamique du système représente l’organisation globale de ce dernier et la

dynamique locale représente le processus réorganisationnel des agents. De ce fait, la
conception des systèmes adaptatifs ne se focalise pas seulement sur les agents mais
principalement sur les relations les liant et la façon dont ces liens sont réalisés.
91
Si le système ne sait pas quand l’organisation va changer, il connaît les conditions

nécessaires de déclenchement d’un changement, qui sera effectué en suivant une procédure
spécifiée par le concepteur.
Contrôle
Résultat:
organisation
Dynamique globale du système
Contraintes
Structure d’interactions Organisationnelles
Emergence
Modélisation du Dynamiques locales des agents Contraintes

problème Externes
Réplique
Figure 4. 1. Modèle générique proposé pour la conception d’un SMA adaptatif
Des spécifications organisationnelles peuvent être utilisé pour fixer des bornes
comportementales au phénomène émergent résultant, en définissant, des contraintes que les
agents ne pourront enfreindre ou des conditions que les agents utiliseront afin d’explorer de
nouvelles configurations organisationnelles.
Cette démarche proposée de conception des SMA adaptatif établit le lien entre la
représentation du problème, exprimé sous forme de contraintes environnementales, et les
comportements des agents qui doivent être des éléments de contrôle pour la réorganisation du
système. En outre, il s’agit d’étudier comment réaliser ce lien entre le système à modéliser ou
le problème à résoudre et le SMA adaptatif à concevoir.
4.4 Conception d’environnement

Nous proposons donc de classer les enjeux pour la conception d’un environnement en
deux catégories :
1. Les aspects structurels (organisation).
2. Les aspects dynamiques (perception, action).
92
4.4.1 Les aspects structurels

Un des rôles fondamental de l’environnement est de structurer l’ensemble des
entités d’un SMA (les objets et les agents). Pour cela il doit définir les règles qui permettent
d’établir et de faire évoluer des relations entre les entités
Incontestablement, l’organisation de l’environnement a une grande influence sur
la perception que les agents peuvent en avoir et sur les actions qu’ils peuvent effectuer. Ainsi,
les agents ne peuvent que tenter de faire évoluer l’environnement d’une certaine manière puis
ensuite constater comment celui-ci a évolué.
Formellement, cette évolution de l’environnement est bien conforme à certaines
lois prédéfinies. Ce dernier aspect est essentiel: il permet d’une part de délimiter l’autonomie
des agents en établissant ce qu’ils peuvent faire, et d’autre part de favoriser la sécurité du
système car aucun agent ne peut contourner les lois établies par l’organisation.
4.4.2 Les aspects dynamiques
A- Perception
La perception est définie comme la capacité d’un agent à observer son voisinage,
ce qui se traduit par la construction de percepts de l’environnement qui sont transmis aux
agents. Un percept décrit l’environnement sous une forme compréhensible pour les agents.
Les agents utilisent ces percepts directement pour prendre leurs décisions. C’est le
rôle de l’environnement de déterminer la perception que peut avoir un agent suivant ses
propriétés.
B- Action
Le traitement de l’action est aussi une responsabilité de l’environnement. C’est
l’environnement qui doit établir pour les agents quelles actions ils peuvent effectuer, et quel
est l’effet de ces actions. Cet aspect est parfois traité de manière implicite en encodant les
actions dans la structure interne des agents. Cette solution pose un problème de conception de
manière générale car il n’est pas évident de garantir que les actions définies au niveau local de
l’agent respecteront bien les contraintes que l’on souhaite avoir sur l’environnement.
Ainsi, l’évolution du système est obtenue par l’intermédiaire de nombreuses
interactions agent-agent et agent-environnement.
93
C- Processus Contrôle/réplique
Le traitement de l’action d’un agent est un aspect fondamental incombé à
l’environnement. Dans le cadre d’un SMA, elle ne peut pas être considérée comme une
transformation d’état de l’environnement, et cela pour deux raisons :
a. Un agent n’est pas seul à agir. Les activités des autres agents peuvent
interférer avec la sienne ; le résultat d’une action ne peut donc pas être déterminé sans
considérer l’ensemble des actions qui ont été réalisées au même instant. C’est le
problème de la simultanéité de l’action.
b. Un environnement est régi par des lois et des règles qui déterminent son
évolution. Un agent n’a pas nécessairement connaissance de toutes ces lois, il n’est donc
pas en mesure de prévoir toutes les conséquences de ses actes. L’environnement doit
donc assurer que l’évolution de son état est conforme aux lois qui ont été préétablies à
sa conception. D’autre part, le dynamisme de l’environnement provient des agents qui
agissent de manière autonome ainsi que des objets qui ont leur propre évolution. Il
transforme alors son état en prenant en compte les actions simultanées produites par les
agents tout en préservant son intégrité. Ce dernier aspect est essentiel : il permet d’une
part de délimiter l’autonomie des agents en établissant ce qu’ils peuvent faire, et d’autre
part de favoriser la sécurité du système car aucun agent ne peut contourner les lois
établies par l’environnement.
Cette phase de réaction, durant laquelle l’environnement met à jour son état, engendre
aussi l’émission de percepts à destination des agents.
Composante
Décision Composante
AGENT
Interaction
Composante Composante
Perception Action Agent
Agent
ENVIRONEMENT: MODELISATION DU PROBLEME
Figure 4. 2. Cadre général d’interactions dans un SMA adaptatif
94
Une fois que l’environnement a été défini, il est nécessaire de déterminer les comportements
des agents, et notamment concernant la modification de l’environnement.
4.5 Conception du comportement auto-organisé des agents

Les agents ont bien sûr leurs objectifs individuels, et ne vont évoluer dans
l’environnement que dans leur domaine de valeurs admissibles. Une fois l’organisation
définie, il faut déterminer quels sont les informations émises et comment les agents réagissent
aux changements éventuels.
Ces agents élémentaires sont tenus d'éviter les situations de conflit avec des règles
génériques de réorganisation afin d'assurer au collectif une fonction globale adéquate et
adaptée.
4.5.1 Conception d’interaction
Dans le cadre des agents réactifs, il est habituel de considérer que l’intelligence
n’est pas contenue dans les agents mais dans l’environnement et les interactions. Il est
alors naturel, après s’être intéressé à l’environnement, de se concentrer sur la notion
d’interaction.
Une interaction peut être définie comme une mise en relation dynamique de
deux ou plusieurs agents par le biais d’un ensemble d’actions réciproques. Elles
peuvent être considérées comme des actions ayant une influence sur la perception des
autres agents induisant ainsi une modification de leurs actions.
La définition et la mise au point de mécanismes d’interaction permettant
d’obtenir des états fonctionnels adéquats.
4.5.2 Réorganisation dirigée par une utilité : la fonction du système

Pour obtenir le comportement collectif auto-organisé souhaité, les parties qui
composent le système ont besoin d'un critère local de réorganisation afin de fournir, au
final, une fonction plus adaptée aux demandes de l'environnement.
De ce fait, l’adaptation se fait par modification au niveau des spécifications
organisationnelles, à l’initiative des agents après détection de dysfonctionnements ou
de perturbations.
Sachant que pour une organisation interne du système correspond une fonction
produite par le système, les concepteurs doivent spécifier ce critère et donner aux
agents des capacités à le manipuler.
95
Pour ce faire, l’environnement doit implanter cette perception des agents sur
l’organisation. Ces derniers raisonnent sur la spécification de l’organisation. Ils
construisent ainsi les étapes à suivre de la réorganisation.
4.6 Conditions sollicitées dans le processus de réorganisation

L’approche par réorganisation permet l’adaptation aux changements de l’environnement
et aux dysfonctionnements de l’organisation qui est représentée explicitement via
l’environnement. Les agents doivent être dotés de comportements pour contrôler le système
dans lequel ils évoluent, soit au niveau de leur environnement, soit au niveau de
l’organisation.
Toutefois, une réorganisation appropriée doit prendre en compte l’aspect structurel et
fonctionnel. Aussi, elle doit être distribuée sur l’ensemble d’agents et convergente pour
mettre en évidence la structure émergente. L’évaluation de l’organisation obtenue est à
prendre en considération pour la réorganisation.
4.7 Dualité de l’autonomie et du contrôle du système

Dans les SMA adaptatifs, il faut souligner l’existence d’une dualité entre le besoin
d’autonomie au niveau des agents et le besoin de contrôle au niveau du système. L’autonomie
est l’essence des agents, c’est parce que les agents agissent de manière autonome que le
système résultant est capable de s’adapter aux situations nouvelles et d’évoluer. C’est aussi
l’autonomie qui rend possible l’émergence nécessaire à l’auto-organisation d’un système.
Mais plus l’autonomie des agents est importante et plus il est difficile de prévoir le résultat de
leurs interactions.
Un SMA adaptatif pour la résolution de problème, comme tout système informatique,
est conçu pour répondre à certains objectifs et il est donc nécessaire d’avoir un certain niveau
de contrôle pour garantir certaines propriétés au niveau global.
Il s’agit de trouver le bon compromis entre le niveau d’autonomie et le niveau de
contrôle. Si le niveau de contrôle est absolu alors le système devient totalement prévisible. Or
l’intérêt du paradigme multi-agents est justement d’apporter des réponses pour les problèmes
dont on n’est pas en mesure de prévoir à l’avance une bonne solution. Mais à l’inverse, si
l’autonomie des agents est trop importante le système risque alors d’être chaotique et non
performant.
96
De manière générale, plus l’autonomie des agents est importante, et plus la complexité
de la coordination de leur comportement est importante, ce qui inévitablement réduit la
performance globale du système. L’intérêt se limite donc à empêcher les comportements dont
on a la certitude au moment de la conception du système qu’ils seront néfastes en toutes
circonstances.
4.8 Lien entre les niveaux macro et micro

Il est particulièrement difficile de prévoir au niveau macro le résultat d’un ensemble
d’activités autonomes qui se produisent au niveau micro. De manière duale, il est très
complexe de définir un système répondant à certaines exigences uniquement à partir des
spécifications des entités du niveau micro.
Il est donc nécessaire de se donner des moyens permettant de relier l’activité locale et
autonome d’un agent aux propriétés attendues au niveau global du système. De plus les
organisations ont des buts qui leurs sont propres.
4.9 Etapes de conception de SMA auto-organisé pour la résolution des problèmes

De l’étude précédente, nous dégageons les étapes de conception de SMA pour la
résolution de problème, qui se décline en 4 repères :
1) Formulation du problème à travers l’environnement: Définir un

modèle de l’environnement qui représente le problème à résoudre sous formes de
contraintes, de structure, de dynamisme et d’organisation).
2) Détermination des perceptions des agents : Les agents doivent être

capables de percevoir les différents états de l’environnement et être influencer par les
perturbations qui résultent de leurs actions. Les conditions de déclenchement de
réorganisation sont explicitées, et seront effectuées en suivant une procédure spécifiée
par le concepteur.
3) Modélisation des mécanismes d’interaction :
a. Déterminer les réactions locales selon la perception (agent-agent ou

agent-environnement). Le code des agents est généré à partir de contraintes
organisationnelles.
97
b. Prévoir les actions destinées à réduire les conflits qui peuvent

générer une mauvaise performance du système. Si le système ne sait pas quand
l’organisation va changer, il doit connaître les conditions nécessaires à la
réorganisation.
c. Il faut établir un lien explicite entre le but du système et l’activité

des agents qui intègre l’organisation de ce dernier.
4) Evaluation du résultat: La structure organisationnelle obtenue est la

conséquence des interactions. L’évaluation et la mesure des propriétés émergentes du
SMA sont des tâches délicates mais nécessaires dès lors que l’on désire analyser la
solution fournie par le système dans le cadre de la résolution de problèmes ou de la prise
de décision. Ainsi, dans certains cas complexes, il est nécessaire d’avoir recours à des
indicateurs ou des mesures permettant une meilleure analyse du système qu’une simple
observation.
L’évaluation des propriétés émergentes revient souvent à mesurer une distance
par rapport à un objectif à atteindre. Pour cela, il est nécessaire de construire des
indicateurs permettant de mesurer les propriétés du système. Ces mesures peuvent
prendre en compte les propriétés locales et globales du système et peuvent être selon le
problème une valeur de fitness ou une fonction d’utilité. Elles peuvent aussi considérer
l’évaluation globale de l’organisation émergente.
Néanmoins, il est plus judicieux de construire un indicateur basé sur le cadre
applicatif. Il est simple à construire puisqu’il s’appuie sur une évaluation pragmatique
du phénomène émergent relativement à l’application visée et ceci par rapport à des
systèmes de contrôle existants ou à des algorithmes.
4.10 Résolution de problème dirigée par une auto-organisation

Le modèle présenté de construction de SMA auto-organisé pour la résolution de
problème s’appuie sur la notion d’environnement et d’interaction. Ceci incite donc à établir le
lien entre la représentation du problème, exprimé sous forme de contraintes organisationnelles
environnementales, et les comportements des agents qui doivent être des éléments de contrôle
et de réplique aux changements.
98
L’environnement est défini en entrée. Il formalise la topologie et les variations du

problème devant être perçues par les agents qu’il contient. L’organisation émergente est la
sortie du système. Le mécanisme de réplique est défini par l’intermédiaire des agents et de
leurs interactions.
Ces interactions peuvent être séparées en deux catégories distinctes :
 Les interactions agent-agent, d’une part, composent le feedback positif.

 D’autre part, les interactions agent-environnement caractérisent la boucle de retour
c.-à-d. le feedback négatif.
L’environnement est transformé à la fois par la dynamique du problème à résoudre et par
la réorganisation dynamique liée aux interactions des agents.
Conclusion
L’analyse des processus collectifs organisés, nous a permis de dégager un modèle de
conception de SMA adaptatif pour la résolution de problème. La méthode proposée spécifie
que l’environnement doit être modélisé avant les agents. En effet, celui-ci permet de
représenter le problème, alors que les agents définissent le processus de résolution des
contraintes du problème. Ce processus est construit aux niveaux individuel et collectif, en
définissant tout d’abord les perceptions des agents, puis les interactions qui en découlent.
Toutefois, la définition des mécanismes de réorganisation et d’adaptation qui dépendent
du problème est aussi laissée au concepteur.
99
CHAPITRE 5
ETUDE DE CAS
Conception d’un SMA adaptatif pour le
contrôle intelligent de la signalisation dans un
réseau routier
Chapitre V. Conception de SMA adaptatif pour le contrôle
de la signalisation dans un réseau routier
CHAPITRE V
ETUDE DE CAS
Conception d’un SMA adaptatif pour le contrôle
intelligent de la signalisation dans un réseau routier
Introduction
L’approche multi-agents a montré son intérêt pour les problèmes distribués. Le
découpage d’une application en entités décentralisées et coopérantes déplace les problèmes
d’analyse d’un niveau global à un niveau local et réduit ainsi la complexité de sa conception.
Cependant, les systèmes fortement distribués, pour lesquels il est difficile de prévoir
toutes les situations rencontrées, mettent en jeu de nombreuses entités, souvent autonomes
d’un point de vue énergétique. Ces entités peuvent être à la fois matérielles et logicielles et
chargées de tâches complexes et de natures très diverses : tâches d’acquisition d’information,
de calcul, d’action et de communication.
Dans ce chapitre, nous montrons que l’approche proposée permet de gérer efficacement
ce type de système complexe en l’adaptant au contrôle intelligent de la signalisation de trafic
routier avec un réseau sans fil de capteurs. Les spécificités de ces systèmes réels immergés
dans des environnements ouverts et dynamiques rendent les techniques multi-agents encore
plus attractives. L’utilisation de l’auto-organisation permet d’assurer la gestion du contrôle
avec un caractère hautement adaptatif.
Nous précisons tout d’abord la problématique du trafic routier en soulignant
l’application des systèmes intelligents de contrôle de trafic. Nous exposons ensuite quelques
travaux connexes utilisant les SMA puis nous formulons le modèle adaptatif de gestion de
signalisation du trafic utilisant un SMA auto-organisé. Avant de conclure, nous présentons
une analyse comparative des résultats quantitatifs obtenus sur une plateforme de simulation.
100
5.1 Problématique du contrôle du trafic routier

Le trafic routier implique un nombre variable d’usagers différents et un réseau de
capacité limitée. La tâche de conduite est généralement non coopérative et les conducteurs ont
des objectifs changeants. Tout ceci implique que le "système de trafic routier" est hétérogène,
ouvert, compétitif et dynamique. De plus, l’information perçue par les conducteurs est
géographiquement limitée et incomplète. La différence majeure entre un réseau autoroutier et
un réseau urbain est la présence dans ce dernier d’intersections présentant des croisements de
flots. L’étude générale d’un trafic urbain nécessite de se focaliser sur une problématique plus
restreinte qui est la coordination du flux aux intersections pour éviter les situations
d’interblocage. Aussi, le trafic routier urbain s’est accru d’une façon exponentielle,
augmentant ainsi les problèmes engendrés qui sont nombreux et qui coûtent quotidiennement
temps, argent, santé et qualité environnementale: embouteillages, accidents, pollution ou
encore infractions.
Dans le contexte abordé dans ce travail, les mécanismes de coordination se situent
principalement dans l’utilisation d’une approche auto-organisée à base d’agent et notamment
dans la conception d’une stratégie adaptative de contrôle des feux de circulation qui sont les
éléments clés du contrôle du trafic.
En effet, la combinaison de plusieurs contraintes ne permet pas d’atteindre un
ordonnancement optimal en temps réel. Ceci est particulièrement le cas de plusieurs
intersections où les conditions de circulation des intersections voisines ont un impact
dynamique sur la stratégie locale. Incontestablement, ces flux voisins devraient faire partie de
l'écoulement de la circulation locale après une certaine période et par conséquent, la
coordination entre les intersections adjacentes doit également être prise en compte.
5.2 Systèmes de transport intelligents (STI)

Aujourd’hui, la gestion du trafic routier s’inscrit dans le domaine des systèmes de
transport intelligents (STI), qui visent à proposer des outils et modèles afin de gérer les aléas
de ce dernier, ceci par le biais d’équipements dynamiques. Les STI apparaissent comme étant
l’application des technologies de l’information et de la communication au domaine des
transports.
101
Le terme système est vague et se décline en un ensemble de moyens mis en place pour
gérer au mieux les contraintes liées au trafic routier. La plupart de ces moyens permettent de
recueillir des données propres à la circulation routière afin de tenter de la contrôler.
Parmi ces moyens, les réseaux de capteurs sans fil, appartenant à la famille des
réseaux mobiles ADHOC et se composent d’un large ensemble de capteurs à capacité et
énergie généralement limitées.
Dans de nombreux cas, les capteurs sont constitués des unités suivantes [Knaian , 2000] :
 Une unité d’acquisition, permettant le recueil de données environnementales et la
conversion analogique vers numérique.
 Une unité de calcul, permettant le lancement de procédures, protocoles et autres.
 Une unité de communication, permettant la connexion au réseau (émission et
réception). Ceci, en sans-fil et souvent en multi-sauts pour s’affranchir des
inconvénients filaires (temps d’installation et facilité d’accès).
 Une unité d’énergie, qui permet la répartition de l’alimentation entre les différents
constituants.
5.2.1 Unité d’acquisition

Pour mesurer les différentes grandeurs physiques liées à la situation du trafic, une
large gamme de capteurs peut être utilisée comme détecteurs de données dans le réseau de
circulation telles les boucles inductives, les caméras, magnétomètres, les capteurs sans fil, et
les radars.
Cependant, l'utilisation de capteurs sans fil, dans la plupart des œuvres, est
motivée par diverses caractéristiques telles: faible coût de fabrication, petite taille, facilité et
rapidité d'installation, réactivité, communication et mémorisation. Les capteurs sans fil
peuvent être nombreux et situés sur diverses parties de la voie mais la distance entre deux
capteurs doit être suffisante pour avoir un échantillonnage correct.
Le rôle de chaque capteur est de récolter un ensemble de données dans son
environnement, et le transmettre de proche en proche jusqu’à atteindre généralement une
station de base, qui peut jouer le rôle de coordinatrice du réseau et communiquer vers
l’extérieur les données importantes recueillies.
102
L’application de tels systèmes va avoir de multiples objectifs, parmi lesquels la

fluidification du trafic, la détection d’incidents, la surveillance temps-réel du trafic, la
diffusion d’informations ou de consignes variables aux automobilistes ou encore la réduction
en conséquence de la pollution et des bruits. A une échelle plus locale, ces technologies sont
utilisées à des endroits stratégiques du réseau, comme les intersections qui constituent les
éléments de base dans la gestion de feux de circulation.
5.2.2 Modélisations microscopique et macroscopique

Il existe dans la littérature, deux grands types de modélisation du trafic routier qui
sont la modélisation microscopique et la modélisation macroscopique. Tandis que la
modélisation microscopique s’attache à décrire le trafic en modélisant chaque véhicule
individuellement, la modélisation macroscopique consiste à regrouper les véhicules de mêmes
caractéristiques en une seule entité, qui, sous certaines conditions, est assimilable à un fluide,
dont on modélise les propriétés dans l’espace et dans le temps.
Dans le cas d’une modélisation microscopique, on attribue à chaque véhicule un ensemble de
variables telles que la position et la vitesse, qui vont évoluer en fonction du trafic et de
certains paramètres du modèle, tel que le comportement du conducteur.
5.2.3 Grandeurs physiques associés

Les grandeurs classiques liées à cette entité sont le débit, la concentration et la
vitesse de l’écoulement, qui sont des fonctions du temps et de l’espace. On appelle débit, en
un point, le nombre de véhicules qui passent en ce point par unité de temps. Deux types de
débits sont utilisés : le débit en entrée de tronçon, que l’on appellera débit des arrivées et le
débit en sortie de tronçon, que l’on appellera débit de sortie.
Une simplification commune à beaucoup de systèmes de régulation est de
considérer que le débit de sortie est égal au débit de saturation c.à.d. au débit maximal
possible en sortie de tronçon en cas de présence d’une file d’attente infinie et feu au vert.
En effet, le débit de sortie peut s’avérer complexe à calculer, car il dépend, en particulier, de
gènes sur le carrefour, difficilement prévisibles. Les débits des arrivées pour un carrefour
isolé, en revanche, peuvent être estimés à partir de prévisions statistiques plus fiables, par
exemple en fonction de l’heure des arrivées.
103
La capacité d’une voie (entrante) est le débit maximal que celle-ci est capable de
laisser passer. En général, cette grandeur est utilisée lorsque la régulation se fait via un plan
de feux. La capacité d’un carrefour, critère usuel pour la conception de carrefour, est la
somme des capacités de ses voies.
5.3 Système de gestion des feux de circulation

La gestion des feux de circulation est un problème qui a commencé à être étudié au
début des années 1970. Au fil des années, ces systèmes se sont diversifiés, et ont connu trois
générations de contrôle. Aujourd’hui, ces générations peuvent être utilisées chacune en
fonction des moyens mis en place sur l’infrastructure, et de la connaissance de cette dernière :
a. Contrôle à temps fixe

Le contrôle de temps fixe est la stratégie de contrôle la plus couramment mis en
œuvre dans le monde. Le signal de synchronisation est préalablement calculé sur la base des
conditions de circulation qui est prévu (par jour et heure). Une grande quantité de données
historiques de trafic doit être collectée, enregistrées et ensuite utilisé pour tirer quelques
modèles de trafic. Ces modèles se basent sur l'emplacement géographique des intersections et
les périodes de temps (par exemple, les heures de pointe).
b. Contrôle à temps dynamique

Dans ce système, des détecteurs sont utilisés afin de recueillir les données du trafic
pendant des périodes définies. Ces données peuvent être utilisées afin d’optimiser ou mettre
en place un plan de feu. Ce système fonctionne en adaptant le volume de véhicules sur la
route et définir en conséquence la fréquence et l'intervalle de feux de circulation.
c. Contrôle adaptatif
Ce type de contrôle sert à programmer dynamiquement les plans de feux en se
servant des paramètres recueillis sur le terrain, et en calculant les valeurs telles que le temps
de cycle, des phases ou encore leur ordonnancement. Les modèles adaptatifs efficaces
permettent essentiellement à coordonner les signaux d'intersections contrôlées de manière à
améliorer les performances et réduire la congestion dans les réseaux urbains. L’opération est
effectuée de manière adaptative, c’est à dire en quasi-temps-réel.
104
L’avantage de ces méthodes est qu’elles peuvent s’adapter à de multiples situations,

mais elles restent la plus compliquée à mettre en place. En effet, elle nécessite la recherche
des informations utiles pour les utiliser à programmer dynamiquement les plans de feux de
circulation en se basant sur des théories parfois lourdes. Néanmoins, les avancées en outils ont
été permises grâce à l’introduction de plusieurs solutions novatrices en termes de gestion
intelligente du trafic routier.
Une première caractéristique importante d’un système adaptatif de contrôle est sa
capacité à prendre en compte de l’information sur le trafic de manière régulière et à pouvoir
utiliser cette information sur ses prises de décision. En d’autres termes, il s’agit de sa capacité
à s’adapter à la situation de trafic courante.
Ainsi, l’adaptation se compose des deux éléments suivants :
– l’acquisition des informations considérées par le système et la fréquence de révision
de ces informations.
– la flexibilité du système, qui sera sa capacité à exploiter l’ensemble des solutions
admissibles, en termes de commutations des feux, par rapport aux conditions du trafic aux
carrefours à feux.
5.4 Principaux systèmes adaptatifs existants

Trois issues représentent les principaux systèmes adaptatifs de gestion du trafic
routier utilisés dans le monde:
1- Split Cycle Offset Optimization Technique (SCOOT) [Robertson et al., 1991] est
l’un des principaux système de contrôle adaptatif développé par le Trafic Research
Laboratory (TRL). Dans ce système, l’ensemble des informations recueillies sur le terrain
vont à un centre de gestion, qui s’occupe de traiter les informations et renvoyer des
indications directement aux intersections.
Les véhicules sont détectés par des dispositifs pouvant être placés à divers endroits
sur les voies : au niveau des feux ou à une certaine distance afin de pouvoir mesurer le débit
du trafic. SCOOT mesure en permanence le volume de véhicules de chaque côté de
l’intersection et change la durée des phases en fonction d’un indice de performance, calculé
par rapport au délai d’attente moyen, de la longueur des queues. Ainsi, ce modèle génère des
plans de feux en fonction de la demande des utilisateurs. En addition, SCOOT utilise des
informations en ligne issues de bases de données (historique ou autres).
105
2- Sydney Coordinated Adaptive Traffic System (SCATS) [Sims et al., 1980] a été à
l’origine développé pour Sydney et d’autres villes australiennes. Ce système est pour sa part
adaptatif et de manière similaire à SCOOT, il ajuste le temps des cycles et autres paramètres
en fonction des données recueillies afin de diminuer le délai d’attente et les arrêts.
Cependant, il n’utilise pas la même stratégie : les valeurs recueillies permettent la sélection de
plans de feux parmi une large librairie, sur lesquels le système va se baser pour proposer des
plans adaptés. De plus, contrairement à SCOOT, les détecteurs sont uniquement placés au
niveau des feux de circulation.
3- Un autre mécanisme adaptatif classique connu sous le nom de la « vague verte »

est largement utilisé dans de nombreuses villes. C’est aussi une stratégie de contrôle
adaptative qui affecte un décalage fixe à une séquence de feux de signalisation. Ceci permet
aux véhicules regroupés en pelotons de tailles variées, déterminé par la synchronisation de
signal, de progresser à travers les feux verts (vague verte) à une vitesse uniforme sans
s’arrêter. Le décalage calculé définit le temps nécessaire pour les véhicules de se déplacer
d'une intersection à l'autre à une vitesse constante attendue.
D’autre part, les techniques d'intelligence artificielle avec ses différents outils de
modélisation ont été largement étudiées pour contribuer dans le contrôle adaptatif des feux de
signalisation dans la circulation urbaine. Ainsi, les systèmes à logique floue, les réseaux de
neurones artificiels, l’informatique évolutionnaire et l'intelligence en essaim ont constitué des
outils de contrôle informatique efficaces dans le traitement de la complexité et de la
dynamique du trafic [Pappis et al., 1977 ; Bingham, 2001 ; Sanchez et al., 2010 ; Aksaç et al.,
2012].
Les SMA ont été aussi un axe privilégié de recherche et d’application vu qu’ils
présentent les caractéristiques du mécanisme souhaité : ils sont distribués, prennent en compte
les systèmes ouverts et permettent de gérer les conflits et la coordination. Dans ce qui suit,
nous présentons quelques travaux connexes utilisant les SMA dans le contrôle du trafic.
5.5 Travaux connexes

Plusieurs études et recherches ont été menées dans le domaine de la modélisation du
contrôle de trafic utilisant les SMA avec différentes échelles géographiques et à différents
niveaux de complexité de comportements des agents [Ehlert et al., 2001 ; Chen et al., 2010;
Benhamza, 2012; Bazzan et al., 2014].
106
Ainsi, [Roozemond, 1999] a présenté un modèle d'agents agissant de manière

autonome tout en partageant les données pour faire les prévisions à court et long terme.
Dresner et Stone [Dresner et al., 2008] ont abordé le problème en utilisant un système de
réservation pour éviter les collisions à une intersection.
Cependant, dans ces travaux, il manque l'aspect de coordination entre les feux de
circulation. [Bazzan, 2005] a utilisé aussi une approche décentralisée combinant les SMA et la
théorie des jeux évolutionniste. Cette approche modélise chaque intersection comme un agent
motivé individuellement qui doit se concentrer non seulement sur l'obtention de véhicules à
travers l'intersection, mais aussi sur la réduction des temps de déplacement pour tous les
véhicules.
Plusieurs applications se basant sur l’apprentissage par renforcement existent aussi
comme dans les travaux [Wiering et al., 2003 ; Da Silva, 2006]. Ces modèles tentent de
déduire des modèles de récompense pour les différentes paires d'état/action permettant
l'interaction entre les agents de contrôle et l'environnement de la circulation. Dans un grand
réseau, le problème du grand nombre de ces paires restreint l'utilisation de ces méthodes dans
ce domaine (problème de convergence).
Gershenson [Gershenson, 2005] a présenté l'une des premières applications de systèmes
auto-organisés au contrôle des feux de circulation. Par une modélisation simplifiée du réseau,
des intersections et des véhicules, l'auteur a montre qu’une solution à base d'agents adaptatifs
est capable de contrôler les feux de circulation de manière efficace.
Aussi, Lammer et Helbing [Lammer et al., 2008] ont présenté un autre système de
contrôle auto-organisé qui a montré la manipulation efficace de plusieurs scénarios de trafic
dans les réseaux de type grille hypothétique.
L'approche proposée par Xaio-Xie Feng [Xie et al., 2011], a présenté un modèle qui
permet le calcul en temps réel des politiques de synchronisation du signal. Ces approches
d’auto-ordonnancement donnent lieu à des systèmes efficaces et organisés.
5.6 Conception d’un système adaptatif de signalisation utilisant un SMA auto-

organisé
Le modèle multi-agents peut aussi être utilisé pour faire face à des situations
complexes réelles. Mais, il doit être plus adaptatif au changement environnemental. Ainsi, les
systèmes auto-organisés sont les approches particulièrement appropriées à appliquer dans le
contrôle du trafic.
107
L'ajustement de la configuration des feux de circulation est l'élément clé des

modèles présentés dans les principaux travaux précédents. Cependant, ces paramètres de
configuration sont fondés sur des données du trafic mis à jour fréquemment.
Les étapes de conception de SMA pour le contrôle et la gestion des feux de
signalisation ont été dégagées et se déclinent en 4 repères :
5.6.1 Formulation du problème à travers l’environnement

Dans les réseaux urbains, une intersection est un espace partagé d'un réseau routier où
les véhicules le traversent avec des directions opposées. Les véhicules accèdent une
intersection via une voie d’entrée ou de sortie. Chaque voie possède un ensemble de
mouvements tournants autorisés.
Chaque période de temps, durant laquelle une combinaison de feux verts pour un
ensemble de mouvements autorisés pour chaque direction est activée, est appelée phase.
Toutes les phases combinées ensemble constituent le cycle du signal.
Les feux de circulation fonctionnent en cycle à travers leurs phases de lumière : la lumière
verte permettant aux véhicules de traverser l'intersection. La lumière jaune les obligeant à
ralentir pour se préparer à s’arrêter. Enfin, la lumière rouge contraint les véhicules à stopper à
l’entrée de l'intersection. Les feux de circulation sont gérés à l'intersection en alternant entre
les différents flux de trafic de mouvements autorisés de véhicules.
L'intersection présentée dans la figure 5.1 est utilisée pour valider le modèle proposé. Elle
est composée de quatre directions avec un nombre fixé de voies pour chacune. Les voies pour
tourner à gauche sont séparées des voies allant tout droit, ces deux derniers mouvements étant
confondus. Cette infrastructure sert de prototype de base à l'évaluation de la plupart des
algorithmes et des principes de la littérature.
Figure 5. 1. Modèle d’Intersection
108
5.6.2 Modèle proposé

Le modèle proposé comprend trois placements différents de capteurs pour une
intersection donnée (Figure 5.2). Ainsi, le trafic sur chaque voie entrante ou sortante est
contrôlé par ces nœuds de capteurs [Benhamza et al., 2014a]:
a. Un Capteur de Sortie (CS) situé près des feux de circulation comptant les véhicules
sortants de l'intersection lorsque le feu est vert;
b. Un Capteur Avancé (CA) placé à une distance appropriée avant les feux de
circulation pour détecter les véhicules entrants.
c. Un Capteur Mouvement du trafic (CM) situé à l'entrée des voies sortantes.
Un tel déploiement différencie mieux les véhicules sortant de l'intersection et permet
d'informer les intersections voisines sur le flux de circulation à venir. Les capteurs
mouvement (CM) permettent la collecte et l'agrégation du trafic de tous les flux des voies
émettant leurs directions.
Capteur de Mouvement (CM)
Capteur de Sortie (CS)
Capteur Avancé (CA)
Figure 5. 2. Emplacement de détecteurs dans une intersection
Soumis aux règles de sécurité routière qui assurent à l’environnement une évolution conforme
aux lois du trafic préétablies, il y a douze mouvements autorisés pour chaque intersection
indiqués sur la figure 5.3. Il est à signaler qu’un mouvement est un déplacement de véhicules
dont on distingue l'origine et la destination.
109
(a,b) (c,d) (e,f) (g,h) (b,c) (f,g)
(1) (2) (3) (4) (5) (6)
(a,f) (b,h) (g,d) (c,e) (a,d) (e,h)
(7) (8) (9) (10) (11) (12)
Figure 5. 3. Mouvements autorisés
Ainsi, l'étape de décision est transformée en un choix de la séquence de feux adaptée et le

réglage de la durée de lumière verte affectée à chaque séquence de mouvements [Benhamza et
al., 2014b]. Les véhicules peuvent être modélisés en tant que SMA réactifs [Benhamza et al.,
2010] ou en tant qu’objets dynamiques.
5.6.3 Objectif ciblé du modèle proposé

Il est à souligner que le système doit satisfaire un double objectif:
 L'objectif local qui consiste à améliorer le trafic dans chaque intersection.
 L'objectif global qui doit coordonner les signaux du trafic afin que les
véhicules rencontrent successivement le maximum de feux verts et donc les pelotons générés
de véhicules peuvent passer par une série continue de feux sans s’arrêter et ainsi améliorer le
trafic dans le réseau.
5.6.4 Définition des agents

Selon le cadre proposé et décrit dans le chapitre précédent, trois éléments principaux
(figure 5.4) sont définis dans le modèle proposé:
1. Composante Capteurs: Elle permet de collecter les informations de trafic en temps
réel;
2. Agent de contrôle de la circulation: Il est chargé du contrôle autonome des feux de
signalisation à l'intersection;
3. Feu de signalisation Dispositif qui définit le comportement alloué à l'intersection
(contrôle de lumière et de sa durée).
110
AGENT
Composante
Composante Décision
Interaction
Intersection
CAPTEUR FEUX SIGNALISATION

Composante Détection Composante Exécution Intersection
Intersection
ENVIRONEMENT: MULTIPLE INTERSECTIONS
Figure 5. 4. Proposition du cadre multi-agents : composants d’Intersection
Etant donné que le trafic urbain dépend fortement de la réponse rapide dans la stratégie de
contrôle du système de feux de circulation à chaque intersection, la stratégie de contrôle
peut être décrite comme suit:
 Premièrement, la composante de détection (détecteur) est utilisé pour contrôler le
trafic et transmettre les données vers la composante de décision (agent);
 Après avoir recueilli toutes les informations requises, la composante décision (agent)
commence à générer la stratégie de contrôle du trafic de signal appropriée;
 Composante exécution de feux de signalisation est utilisée pour organiser la
circulation.
Pour la composante de détection des données du trafic, les données du flux en temps réel sont
collectées au moyen de capteurs (figure 5.2). Chaque capteur CA détecte les véhicules arrivés
(leur nombre et leur type) et mesure l'espace entre les véhicules qui passent. En même temps,
le capteur CE compte le nombre de véhicules sortants durant cette phase.
Lorsque la phase est terminée, le capteur CS transmet les données au capteur CM
approprié qui gèrent la direction accessible par les véhicules des voies. CA et CS réinitialisent
leurs compteurs à zéro.
111
Chaque capteur de mouvement CM calcule le nombre de véhicules correspondant au

mouvement autorisé (figure 5.3) dans sa direction et la longueur totale des espaces existants
dans le mouvement. Aussi, il devra garder une trace des taux de saturation de l’intersection
voisine.
5.6.5 Définition des mécanismes d’interaction

En effet, pour augmenter le débit et réduire le temps d'attente moyen, la fréquence à
laquelle un grand espace atteint l'intersection est minimisée. Une grande priorité est attribuée
au mouvement avec les plus petits écarts vides et les plus éloignés aussi. De cette façon,
l’utilisation du temps du feu vert serait optimisée par le passage de maximum de véhicules.
Après avoir estimé les données d'intersection locales, il est nécessaire d'assurer la fluidité du
trafic dans le réseau et la coordination entre les intersections voisines.
Deux étapes importantes sont conduites pour la sélection du prochain mouvement et le

calcul de sa durée.
1. Selection du mouvement:
L’agent feux de signalisation sélectionne les mouvements qui composent la phase
suivante tandis que la phase courante est active en se basant sur les données formulées ci-
dessus. En outre, un autre paramètre assez important et qui offre l'équité pour chaque
mouvement doit être calculé et préservé: c’est le temps écoulé depuis la dernière sélection du
mouvement qui doit être choisi dans un temps satisfaisant.
Par conséquent, la phase suivante est définie sur la base d’une priorité affectée au
mouvement et calculée avec les paramètres résumés ci-dessous de chaque mouvement
autorisé [Benhamza et al., 2015]:
 TSelMvt: Le temps écoulé depuis la dernière sélection du mouvement
 PrioVehMvt: Présence de véhicules prioritaires
 SNeighMvt: taux de saturation de l'intersection voisine de la saturation
 LGapMvt: Longueur totale de l’espace vide
 NMVT: Nombre total de véhicules
112
En fonction de l'importance du trafic et sa répartition, ces paramètres peuvent être ajustés

et normalisés avec de poids (a1, a2, a3, a4 et a5) qui peuvent être définis en fonction des
informations de trafic.
R Mvt = a 1  TSel Mvt  a 2 PrioVeh Mvt   a 3  SNeigh Mvt + a 4  L Gap Mvt + a 5  N Mvt (Eq. 7)
Enfin, le mouvement qui obtient le plus grand rang va se faire attribuer le prochain feu vert.
2. Définition la durée de mouvement:

Le temps vert tgl destiné à vider la voie dans une approche dynamique est basé sur
plusieurs aspects [Gordon et al., 2005]. Il est ajusté par la formule suivante:
t gl = ts + N max .t H (Eq. 8)
où ts est le temps que prend un véhicule pour commencer à bouger, Nmax est le nombre de
véhicules sur la voie la plus peuplée qui lui sera accordé le feu vert dans la phase et tH est le
temps moyen qui sépare deux véhicules.
Alors, le temps adaptatif du feu vert ( Tadpt_gl) considérant les intersections voisines est
Tadpt_gl  t gl + t offset (Eq. 9)
Le temps t offset est défini comme la durée suffisante pour les véhicules autorisés à traverser
l'intersection à partir de l’intersection voisine. Il est donné par l'équation ci-dessous:
t offset = d (Eq. 10)

sp
où: d = distance entre intersections à feu.
sp = vitesse moyenne du peloton.
À noter que, la période verte pour chaque phase a une durée variable limitée défini par
des ingénieurs de la circulation pour éviter de capturer le feu vert.
Avec des feux coordonnés, l'interférence entre les feux de circulation serait réduite et la
meilleure performance possible serait atteinte. Le système proposé sélectionne ainsi une
direction de synchronisation basé sur la plus forte demande de mouvement sélectionné et
attribut un temps de feu vert limite recommandé.
113
5.7 Evaluation du résultat de la structure auto-organisée obtenue

Les indicateurs utilisés sont des indicateurs basés sur un cadre applicatif de
comparaison des résultats obtenus avec ceux d’autres modèles existants. Dans notre
application, de nombreuses simulations ont été réalisées afin d'évaluer la performance du
modèle proposé par rapport aux trois modèles cités précédemment: Contrôle à temps fixe,
contrôle à temps dynamique et mécanisme de la vague verte. L'évaluation est effectuée en
utilisant SUMO (Simulation de la mobilité urbaine) [Krajzewicz, 2010], qui est un simulateur
de trafic routier open-source ( annexe 1).
Un réseau de trafic, illustré à la figure 5.5, est choisi comme réseau d'application afin
d'évaluer l’approche proposée. Ce réseau d’essai est composé de cinq intersections
interconnectées: un carrefour central avec quatre intersections voisines.
Toutes les expériences ont été réalisées avec un flux hétérogène de véhicules (simples,
rapides, prioritaires et lents) et en utilisant des densités différentes (faible, moyen et élevé).
Pour chaque densité de la circulation, une moyenne de dix simulations a été effectuée en
utilisant les paramètres suivants de configuration. Ceci permet de couvrir les différents cas de
figures :
 Temps de simulation (3600 secondes),
 Flux de trafic variable (taux d'arrivée = 0,6 véhicules/seconde)
 Trafic hétérogène (65% des voitures simples, 25% des voitures rapides,
4% de voitures prioritaires, 6% des voitures lentes).
Les indicateurs de performance comprennent le débit, le temps d'attente moyen et le nombre
moyen d'arrêts. Les résultats de simulation obtenus ont été analysés puis représentés en
annexe 2.
Intersection centrale
Figure 5. 5. Réseau de simulation
114
Les mesures de performance sont fonction du volume de trafic. La pression de volume est
définie pour indiquer le degré occupé des voies. Pour évaluer le modèle proposé dans le
réseau test, les trois niveaux de congestion sont définis comme suit:
• Faible pression : Pression de volume inférieure à 0,4.
• Pression modérée: Pression de volume : de 0,4 à 0,6.
• Pression élevée : Pression de volume supérieure à 0,6.
La moyenne calculée des résultats obtenus sont présentés sur les figures (figures 5.6, figure
5.7 et figure 5.8). Avec différentes intensités de la pression du volume, la discussion des
résultats est regroupée selon les trois niveaux de congestion définis ci-dessus [Benhamza et
al., 2015].
5.8 Discussion des résultats

a. Faible pression
Avec une pression de faible volume, toutes les approches testées offrent de
bons résultats. Le modèle proposé obtient les meilleures performances.
Comme le montre le graphique (figures 5.6, figure 5.7 et figure 5.8), le système proposé
atteint, tout au long de la simulation, le plus haut débit, toujours avec le minimum de temps
d'attente et le plus petit nombre d'arrêts.
b. Pression modérée
En augmentant la pression du volume, le modèle proposé est toujours
stable effectuant un débit proche de 100%. Le contrôle à temps fixe obtient les plus mauvais
résultats, montrant des difficultés à traiter la pression du volume du trafic (le débit diminue
rapidement). Aussi, les performances du contrôle à temps dynamique et le mécanisme de la
vague verte se dégradent visiblement.
Aussi, le schéma proposé donne de bons résultats avec un temps d'attente
moyen toujours inférieur à ceux du contrôle à temps dynamique et de la vague verte qui
augmentent de façon exponentielle (Figures 5.6, 5.7 et 5.8).
De plus, le trafic se déplace facilement à travers le réseau, avec un maximum
de 10% des voitures arrêtées. Le contrôle à temps dynamique offre un résultat entre 25% et
45% de voitures arrêtées; tandis que pour le contrôle de temps fixe, il y a seulement 40 à 60%
des voitures en mouvement. Ainsi, il montre le caractère problématique du contrôleur à temps
fixe.
115
c. Pression élevée
Avec une pression de volume élevée, le modèle simple de contrôle à temps
fixe bloque au début des simulations. Le débit obtenu par le schéma proposé commence à
diminuer tandis que les autres approches obtiennent des débits très faibles (Figures 5.6, 5.7 et
5.8). Le temps d'attente moyen des méthodes comparées ainsi que le nombre d'arrêts ne
cessent de croître et l'approche proposée offre toujours les meilleurs résultats.
Figure 5. 6. Courbe de comparaison du débit volumique
Figure 5. 7. Courbe de Comparaison du temps moyen d'attente
Figure 5. 8. Courbe de Comparaison du nombre moyen d'arrêts
116
La méthode proposée de feux de circulation intelligents est mise en œuvre et comparée

à trois méthodes de trafic existants. Après avoir testé plusieurs scénarios, il a été montré que
cette méthode est en mesure d'améliorer la performance des feux de circulation en augmentant
le flux de débit tout en réduisant les temps d'attente moyen et le pourcentage des voitures à
l'arrêt. Ainsi, la performance du réseau est améliorée par le maintien d’une adaptation
intelligente pour la synchronisation des feux de circulation.
Conclusion
Le problème de la congestion de la circulation constitue un sérieux problème dans la vie
urbaine provoquant des troubles sociaux comme des retards, des pertes économiques et une
pollution environnementale.
Dans ce travail, une approche adaptative pour le contrôle des feux de signalisation de
multiples intersections est proposée. Un système multi-agents auto-organisé a été conçu pour
gérer la coordination réactive dans le contrôle de la circulation. Le modèle d'auto-organisé
contient deux étapes: détection de données réelles du trafic et décision d'attribution de la
lumière verte.
Basé sur les données locales du trafic en temps réel et les conditions de circulation des
intersections voisines, les séquences des feux verts sont auto-réglées. Aussi, l'efficacité du
réseau routier ne se base pas uniquement sur l'efficience de chacun des feux de circulation,
mais aussi sur leur collaboration et leur coordination qui a été prise en considération dans la
conception du modèle.
Les étapes de conception d’un système multi-agents auto-organisé ont été suivies et
appliquée dans la résolution du problème difficile de la gestion des feux de circulation. Un
flux de trafic optimal peut être atteint par le réseau routier en adoptant un mécanisme d’auto-
organisation des agents de signalisation proposé.
117
Conclusion générale et perspectives
Ce travail se situe dans le cadre des systèmes multi-agents, et traite la conception des
mécanismes d’auto-organisation pour la résolution de problème. L’objectif de cette recherche
est de trouver alors comment faire – à la conception du système et lors de son fonctionnement
– pour garantir l'obtention d'un comportement pour lequel il est construit.
L’approche multi-agents est un excellent paradigme de modélisation et d’implantation
de systèmes possédant de telles propriétés. Notamment, les systèmes organisés qui proposent
des mécanismes, riches et pertinents, pour l’adaptation et la résolution de conflits, et qui
peuvent être vus comme autant de moyens efficaces à appliquer dans les systèmes complexes.
De ce fait, ce travail de recherche vise à répondre à une problématique essentielle dans les
systèmes ouverts et dynamiques : la mise en place de mécanismes auto-organisationnels
permettant l’émergence de solutions cohérentes et adaptatives. Ceci permet de garantir des
propriétés macroscopiques du système conçu en ne développant que des entités et leurs
comportements à un niveau élémentaire microscopique.
La contribution dans ce travail consiste donc, à répondre à cette question, déclinée en
deux parties :
 D’abord, la formulation d’un processus générique de conception de SMA auto-
organisé. L’approche combine le facteur organisationnel au niveau global qui permet
de déclencher la réorganisation au niveau local. Après identification de situations
imprévues par le système, l’intérêt se focalise alors sur l’évaluation des interactions
entre agents. A leur niveau local, ces derniers estiment leurs simples interactions et
procèdent par conséquent à une adaptation de relations qui les relient. Un processus
d’auto-organisation est alors déclenché.
Cette proposition devrait fournir des éléments de solutions pour répondre aux
exigences des systèmes existants et aux caractères spécifiques imposés par les
propriétés de distribution, d’ouverture et d’adaptabilité.
118
 Ensuite, une proposition de modélisation, à travers l’application de ce prisme multi-

agents auto-organisé, pour la résolution du problème de contrôle de la signalisation dans un
réseau routier.
Nous avons montré à travers une étude de cas que l’approche est efficace et qu'elle présente
plusieurs avantages : Elle permet, sans intervention humaine, de fournir une politique qui soit
optimale. Le caractère complexe, dynamique et ouvert du système a permis de tester la force
de l’adaptation de l’approche en traitant les situations de perturbation et les comportements
non souhaités.
Le principe proposé a été validé ainsi à travers le développement d’une technique de
résolution dédiée au problème complexe et réel de contrôle du trafic. Il a été appliqué au
développement d’un modèle de signalisation intelligente et adaptative dans un réseau à
multiple intersections. Les expérimentations mises en œuvre sur une plateforme de simulation
ont montré une réelle robustesse et une grande adaptabilité de la solution développée.
Le document est structuré en deux parties de cinq chapitres. La première partie
consiste en un état de l’art sur les SMA. Elle met en évidence l’intérêt des SMA en ce qui
concerne les problèmes complexes qui sont mis en exergue depuis plusieurs années.
Tout d’abord, le chapitre 1 présente une exploration du domaine des SMA de leurs
définitions et caractéristiques aux concepts clés utilisés dans ce travail.
L’objectif du chapitre 2 est de fournir un cadre pour les travaux présentés dans la
thèse. L’accent est mis sur les caractéristiques principales du système complexe, et plus
particulièrement l’auto-organisation et l’émergence. Les deux concepts ont été longtemps
considérés comme un seul, et parfois en confusion. De ce fait, la combinaison des deux
phénomènes est une approche prometteuse pour la résolution et la manipulation des systèmes
complexes.
Dans le chapitre 3, les méthodologies traitant de la conception des SMA pour l’étude
et la résolution des systèmes complexes ont été exposées. La problématique de la construction
des mécanismes d’adaptation et d’autonomie dans les systèmes ont été soulevées. Le
potentiel de l'auto-organisation dans les SMA a été souligné et de ce fait, la proposition était
de retrouver par les agents les indices pour reconnaître les situations de perturbations et de
s’auto-organiser en conséquence.
Dans la deuxième partie, une approche générique de conception de SMA auto-
organisé pour la résolution de problème a été dégagée à partir de l’analyse précédente. Cette
méthode a été exposée dans le chapitre 4.
119
Elle spécifie que l’environnement représentant le problème doit être modélisé avant
les agents. Avec leurs interactions, ces derniers définissent un processus de réorganisation
pour le contrôle et l’adaptation. Ce processus est construit aux niveaux individuel et collectif,
en définissant tout d’abord l’environnement, les perceptions des agents, puis les interactions
qui en découlent.
Dans le chapitre 5, nous avons montré que l’approche proposée permet de gérer
efficacement le système complexe de contrôle et de signalisation de trafic routier avec un
réseau de capteurs sans fil. Les spécificités de ces systèmes complexes et réels immergés dans
des environnements ouverts et dynamiques rendent les techniques classiques difficiles à
appliquer. Les résultats obtenus et comparés appuient l’efficacité de l’approche. L’utilisation
des SMA auto-organisé permet ainsi d’assurer la gestion et le contrôle avec un caractère
hautement adaptatif.
Néanmoins, nous avons vu que le choix des comportements à modéliser a une influence
pertinente sur les performances de la décision et la résolution de problème. Il faut donc
concevoir un modèle qui, à partir d'une description locale du SMA, fait correspondre un
comportement global recherché.
Ainsi, l’approche présente quelques difficultés qui feront l’objet de futurs travaux de
recherches:
 la fonction du système peut évoluer en cours de fonctionnement par rapport aux
besoins initialement exprimés.
 toutes les situations auxquelles le système peut faire face ne peuvent pas être
spécifiées.
 il n’y a plus de contrôle local ou global sur le système en cours d’exécution.
En perspective, l’approche générique proposée doit contenir donc des éléments de

contrôle tels les méthodes et les outils associés pour guider et converger le système
rapidement vers l’état désiré et éviter les situations d’erreurs.
120
En effet, la fonction du système peut être codée directement dans les agents, par la
définition du système à produire, mais reste à influencer le collectif d’agents pour atteindre la
fonction adéquate. En effet, si le système est ouvert, il peut subir des perturbations qui
l'amènent à présenter un comportement stable non souhaite. Le contrôle permet alors de sortir
de cette situation.
L'idée est de profiter de l'ouverture du système pour ajouter des agents dédiés au
contrôle, sans modifier les agents déjà présents. Ainsi, une extension de ce travail concerne
la mise en œuvre et l'évaluation des performances qui s'appuie sur une estimation locale par
rapport au comportement global.
121
REFERENCES BIBLIOGRAPHIQUES
Références bibliographiques
[Aksaç et al., 2012] A. Aksaç, E. Uzun and T. Özyer, A real time traffic simulator utilizing an
adaptive fuzzy inference mechanism by tuning fuzzy parameters, Applied Intelligence,
Volume 36, Issue 3, pp. 698-720, 2012.
[Aldewereldet al., 2001] H., Aldewereld, and D.,Virginia, OperettA: Organization-oriented

development environment, Languages, Methodologies, and Development Tools for Multi-
Agent Systems. Springer Berlin Heidelberg, pp. 1-18, 2011.
[Ali et al., 1997] S.M. Ali, R.M. Zimmer et C.M. Elstob, The question concerning emergence:
Implication for Artificiality. Dans DUBOIS, D.M., éditeur : Computing Anticipatory
Systems: CASYS’97 - First International Conference, 1997.
[Arlabosse, et al., 2004] F. Arlabosse, M.P. Gleizes et M. Occello, Methodes de conception,

Systèmes multi-agents, vol 29, 137-171, 2004.
[Azaiez, 2007] S. Azaiez, Approche Dirigée par les modèles pour le développement de
systèmes multi-agents, Thèse de l’Université de Savoie, Spécialité Informatique, 2007.
[Baez 2005] J.Baez, T.Stratulat et J. Ferber Un modèle institutionnel pour SMA

organisationnel. Proceedings of Journées Francophones sur les Systèmes Multi-Agents
(JFSMA 05), Calais-France, 2005.
[Bazzan, 2005] A. L. Bazzan, A distributed approach for coordination of traffic signal agents,
Autonomous Agents and Multi-Agent Systems, 10(2), pp.131-164, 2005
[Bazzan et al., 2014] A. L., Bazzan, and F. Klügl, A review on agent-based technology for
traffic and transportation, The Knowledge Engineering Review, 29(03), pp.375-40, 2014.
[Boes, 2014] J. Boes, Apprentissage du contrôle de systèmes complexes par l'auto-

organisation coopérative d'un système multi-agent: application à la calibration de moteurs à
combustion Doctoral dissertation, Université de Toulouse, Université Toulouse III-Paul
Sabatier, (2014).
[Bellifemmine, 1999] F. Bellifemmine, A. Poggi, and G. Rimassa. JADE - A FIPA compliant

agent framework. In 4th International Conference and Exhibition on the Practical Application
of Intelligent Agents and Multi-Agents, 1999.
122
[Benhamza et al., 2008] K. Benhamza, H. Seridi et H. Akdag, “Conception d’agent intelligent
avec apprentissage par renforcement”, Revue des Sciences, Technologie & Développement,
N° 4, pp. 69-84, 2008. ISSN : 1112 7309, http ://www.andru.gov.dz/.
[Benhamza et al., 2010] K. Benhamza, S. Ellagoun, H. Seridi and H. Akdag, “Agent based
Modelling for trafic Simulation ”, proc. , International Symposium on Modelling and
Implementation of Complex Systems (MISC’2010), pp. 219-227, université Mentouri
Constantine, Algérie, 2010.
[Benhamza et al., 2012] K. Benhamza, S. Ellagoune, H. Seridi, H. Akdag, Agent-Based

Modeling for Traffic Simulation, revue « Courrier du Savoir » – N°14, pp.51-56, université
de Biskra, Novembre 2012.
[Benhamza et al., 2014a] K. Benhamza, H. Seridi, C. Himeur, Self-organized Approach for

Adaptive Traffic Signal Control, Colloque sur l'Optimisation et les Systèmes d'Information,
COSI'2014, 8-10 Juin 2014, Béjaia, Algérie
[Benhamza et al., 2014b] K. Benhamza, H.Seridi, Intelligent traffic light control using an
adaptive approach, In Proceedings of the International Conference on Information
Technology for Organization Development, IT4OD 2014, pp. 246-250, Tebessa, Algérie.
[Benhamza et al., 2015] K. Benhamza, H. Seridi, Adaptive traffic signal control in multiple
intersections network, Journal of Intelligent and Fuzzy Systems, vol. 28 no.6, pp 2557-2567,
2015
[Bernon et al., 2009] C. Bernon, M. P. Gleizes, & G. Picard, Méthodes orientées agent et
multi-agent, Technologies des systèmes multi-agents et applications industrielles, chapter-2.
2009.
[Black 2007] G. Black et V. Vyatkin. On practical implementation of holonic control

principles in baggage handling systems using IEC 61499. Holonic and Multi-Agent Systems
for Manufacturing, pp. 314–325, 2007.
[Boissier 04] O., Boissier, S., Gitton, P.Glize, Caracteristiques des Systemes et des
Applications. Systemes Multi-Agents, Observatoire Francais des Techniques Avancees,
ARAGO 29, Diffusion Editions TEC & DOC, pp. 25-54, 2004.
[Bonabeau et al., 1997] E. Bonabeau, G. Theraulaz, JL Deneubourg, S. Aron, S.Camazine,

Self-organization in social insects. Trends Ecology Evolution 12: 188–193, 1997.
[Bonabeau et al., 1999] E.Bonabeau, , M. Dorigo, Swarm Intelligence: From Natural to

Artificial Systems, Oxford University Press, 1999.
[Booch, 1992] G. Booch, Conception orientée objets et applications, Addison-Wesley, 1992
123
[Bourjot 1999] Bourjot, C., Chevrier, V., Bernard, A., Krafft, B., "Coordination par le biais de
l’environnement : une approche biologique", Journées Francophones Intelligence Artificielle
Distribuée et Systèmes Multi-Agents JFIADSMA ’99, Editions Hermès 1999.
[Bingham, 2001] E. Bingham. Reinforcement learning in neurofuzzy traffic signal control.
European Journal of Operational Research, 131(2) :232–241, 2001.
[Buffet et al., 2005] O. Buffet, A.Dutech, & F.Charpillet, Développement autonome des
comportements de base d'un agent. Revue d'intelligence artificielle, 19(4-5), 603-632, 2005
.
[Calderoni et al., 1997] S.Calderoni, R. Courdier, S.Leman, P.Marcenac, « Construction
expérimentale d’un modèle multi-agents », in J. Quinqueton, M.-C. Thomas, B. Trousse (eds),
5èmes Journées Francophones sur l’Intelligence Artificielle Distribuée et les Systèmes Multi-
Agents, Hermès Science, Nice, p. 109-123, Avril, 1997.
[Camazine et al., 2001] S.Camazine, J-L.Deneubourg, NR Franks, G.Theraulaz, E. Bonabeau,

Self-organization in biological systems. Princeton University Press, Princeton 2001.
[Capera et al., 2003] D. Capera, J. P. Georgé, M.-P. Gleizes, and P. Glize. “The AMAS theory
for complex problem solving based on self-organising cooperative agents”. International
IEEE, International Workshops on Enabling Technologies: Infrastructure for Collaborative
Enterprises, pp. 383-388, 2003.
[Castelfranchi, 1998] C. Castelfranchi. Modeling social action for AI agents. Artificial

Intelligence, 103(1-2) :157–182, 1998.
[Collis et al., 1998] J. C. Collis, D. T. Ndumu, H. S. Nwana, and L.C. Lee. The ZEUS agent
building toolkit. BT Technology Journal, 16(3), 1998.
[Cossentino, 2001] Cossentino M., Different Perspectives in Designing Multi-Agent System,

Designing Multi-Agent System, AgeS’02 (Agent Technology and Software Engineering)
Workshop at NodE’02, 2001.
[Chen et al., 2010] Chen, B., and Cheng, H. H., A review of the applications of agent
technology in traffic and transportation systems. Intelligent Transportation Systems, IEEE
Transactions on, 11(2), 485-497, 2010.
[Chevaleyre et al., 2005] Chevaleyre, Y., Dunne, P. E., Endriss, U., Lang, J., Maudet, N. et
Rodríguez-aguilar, J. A., Multiagent Resource Allocation ». In : Knowledge Engineering
Review 20.2, p. 143–149, 2005
[Da Silva, 2006] B.C. Da Silva, D. Oliveira, E.W. Basso and A.L.C. Bazzan, Adaptive Traffic
Control with Reinforcement learning, Proceedings of the 4th Workshop on Agents in Traffic
and Transportation (ATT 2006), Japan, 2006.
124
[De Weerdt et al., 2009] De Weerdt, M. et Clement, B., Introduction to Planning in
Multiagent Systems, In Multiagent and Grid Systems – An International Journal (MAGS)
5.4, p. 345–355, 2009
[Deloach et al.,2001] Deloach S., Wood M., Sparkman C., Multiagent Systems Engineering,
International Journal of Software Engineering and Knowledge Engineering, vol.11, n° 3, p.
231-258, World Scientific, 2001.
[Demazeau et al., 1990] Demazeau Y., Muller J.P., Decentralized AI Proc of the first
European workshop on Modeling Autonomous Agent in Multi-agent Word, Elsevier Sc, Pub
1990.
[Demazeau, 1995] Demazeau, Y. : From interactions to collective behavior in agent-based

systems. In proceedings of the First European Conference on Cognitive Science, pp. 117-132,
1995.
[Demazeau, 2001] Demazeau Y., VOYELLES, Mémoire d’habilitation à diriger des

recherches, INP Grenoble, 2001.
[Dewolf et al., 2004] Dewolf T., Holvoet T. Emergence and self-organisation: a statement of
similarities and differences. In Proceedings of the International Workshop on Engineering
Self-Organising Applications, pp 96–110, 2004.
[Dewolf et al., 2005] Dewolf T., Holvoet T.. Emergence versus self-organisation: different
concepts but promising when combined; Engineering Self organizing Systems pp. 77-91,
2005.
[Dondio et al. 2006] Dondio, P., Barrett, S., Weber S. et Seigneur J. M., Extracting trust from
domain analysis : A case study on the wikipedia project, In : Autonomic and Trusted
Computing. Springer, p. 362–373, 2006.
[Doran et al., 1997] Doran J. E., Franklin S., Jennings N. R., and Norman T. J., On
cooperation in multi-agent systems. Knowledge Engineering Review, 12(3):309–314, 1997.
[Dresner et al., 2008] Dresner K. and Stone P., A multiagent approaches to autonomous
intersection management, Journal of Artificial Intelligence Research, 31:591-656, 2008.
[Ehlert et al., 2001] Ehlert, P. A., and Rothkrantz, L. J, Microscopic traffic simulation with
reactive driving agents. In Intelligent Transportation Systems, Proceedings, IEEE, pp. 860-
865, 2001.
[Ferber, 1995] Ferber J., Les systèmes multi-agents, vers une intelligence collective. Edition
Inter-editions, 1995.
125
[Ferber, 1997] J. Ferber, les systèmes multi-agents. Un aperçu général. Revue Technique et
sciences informatiques, 16, 8, 1997.
[Ferber, 2000] J. Ferber and O. Gutknecht. Madkit: A generic multi-agent platform. In 4 th

International Conference on Autonomous Agents., 2000.
[Ferber et al., 2003] Ferber J., Gutknecht O. et Michel F. From agents to organizations: an
organizational view of multi-agent systems. Agent-Oriented Software Engineering IV, pages
443–459, 2003.
[Ferber et al., 2005] Ferber J., Michel F. et Baez J. AGRE : Integrating environments with
organizations. Environments for Multi-agent Systems, pages 48–56, 2005.
[Gasser, 2001] Gasser, Les, Perspectives on organizations in multi-agent systems, Multi-

Agent Systems and Applications, Springer Berlin Heidelberg, 1-16, 2001.
[Gechter, 2013] Gechter, Franck "Systèmes multi-agents réactifs d'inspiration physique pour
la prise de décision et la résolution de problèmes." HDR thesis, Université de Franche Comté,
2013.
[Georgé, 2003] Georgé, J-P, L’émergence. Rapport interne IRIT/2003-12-R, Institut de

Recherche en Informatique de Toulouse (IRIT), 2003.
[Georgé, 2004] Georgé, J.-P., Edmonds, B., Glize, P., Making Self-Organizing Adaptive
Multi-Agent Systems Work - Towards the engineering of emergent multi-agent systems,
Methodologies and Software Engineering for Agent Systems, Kluwer Publishing, 2004.
[Georgé et al., 2005] Georgé, J-P, and M-P Gleizes, Experiments in emergent programming
using self-organizing multi-agent systems, Multi-Agent Systems and Applications IV.
Springer Berlin Heidelberg, 450-459, 2005.
[Gershenson, 2005] C. Gershenson, Self-organizing traffic lights, Complex Systems 16(1):

29-53, 2005.
[Goldman et al., 2004] Goldman, C. et Zilberstein, S. (2004). Decentralized control of

cooperative systems: Categorization and complexity analysis. Journal of Arti_cial Intelligence
Research, 22:143-174.
[Goldstein, 1999] Goldstein, J. , Emergence as a construct: History and issues, Emergence

volume 1, Issue 1, pages 49-71, 1999
[Gomez et al., 2002] Gomez S. J., Fuentes R., Agent Oriented System Engineering with
INGENIAS, Fourth Ibero american Workshop on Multi-Agent Systems, Iberagents’02, 2002.
126
[Gleizes et al., 2001] Marie Pierre Gleizes, Carole Bernon, Valérie Camps, Pierre Glize « La
conception de systèmes multi-agents adaptatifs : contraintes et spécificités » Atelier de
Méthodologie et Environnements pour les Systèmes Multi-Agents (SMA 2001), Plate-forme
AFIA, Université Toulouse III – Paul Sabatier, 2001.
[Gleizes ,2004] Gleizes M.P. Vers la résolution de problèmes par émergence. Thèse
d’habilitation de l'Université de Toulouse, 2004.
[Gordon et al., 2005] R. L. Gordon and W. Tighe, Traffic Control System Handbook. FHWA-
HOP-06-006, U.S. DOT, FHWA, Washington, DC, 2005
[Grondin, 2008] Grondin G, «MaDcAr-Agent : un modèle d’agents auto-adaptables à base de

composants », thèse, l’École Nationale Supérieure des Mines de Saint-Étienne, 2008.
[Guessoum, 2003] Z. Guessoum, « Modèles et architectures d'agents et de systèmes multi-

agents adaptatifs », Université Paris 6, 2003.
[Gutknecht, 2001] O. Gutknecht. Proposition d’un modèle organisationnel générique de

systèmes multi-agents. Thèse de doctorat, Université Montpellier II, Septembre 2001.
[Hassas 2003] S. Hassas. Systèmes complexes à base de multi-agents situés. University

Claude Bernard Lyon, 2003.
[Heylighen, 2001] Heylighen F. The Science of Self-organization and Adaptivity, The

Encyclopedia of Life Support Systems, (EOLSS Publishers Co. Ltd), 2001
[Iglesias et al., 1999] Iglesias, C., Garrijo, M. and Gonzale, J., A Survey of Agent-Oriented
Methodologies, Proceedings of the 5th International Workshop on Intelligent Agents V
(ATAL-98) ,Vol. 1555, Springer-Verlag p. 317-330, 1999.
[Ishida, 2004] Ishida, Y. Immunity-based systems: a design perspective. Springer, 2004.
[Jelasity et al. 2007] Jelasity, M., Voulgaris, S. Guerraoui, R., Kermarrec, A. et Van Steen,
M., Gossip-based peer sampling, In : ACM Transactions on Computer Systems (TOCS) 25.3,
2007.
[Jennings et al., 1998] Jennings.N.R., Sycara,K., Wooldridge.M., A roadmap of agent

research and development, International Journal of Autonomous Agents and Multi-Agent
Systems (1), pp 7-38, 1998.
[Koestler, 1979] A. Koestler, The ghost in the machine. Hutchinson, London, the danube ed.2.
Impr. édition, 1979.
127
[Krajzewicz, 2010] D. Krajzewicz,Traffic Simulation with SUMO – Simulation of Urban
Mobility, In: Fundamentals of Traffic Simulation International Series in Operations Research
and Management Science. Springer. Seiten 269-294. ISBN 978-1-4419-6141-9. ISSN 0884-
8289, 2010.
[Knaian , 2000] A. Knaian. A wireless sensor network for smart roadbeds and intelligent
transportation systems. PhD thesis, Citeseer, 2000.
[Lammer et al., 2008] S. Lammer and D. Helbing, Self-control of traffic lights and vehicle
flows in urban road networks, Journal of Statistical Mechanics: Theory and Experiment, Vol.
2008, No.4, pp. 1-36, 2008.
[Langton, 1990] C. Langton, Computation at the Edge of Chaos – Phase Transition and
Emergent Computation, Physica D, 4, 1990.
[Mostefaoui et al. 2003] Mostefaoui S., Rana O., Foukia N., Hassas S.,Marzo-Serugend G.
D.,Van-Aart C., Karageorgos A. Self-organising applications: A survey. In International
Workshop on Engineering Self-Organising Applications, 2003.
[Morin, 1977] Edgar Morin. La méthode 1 : La nature de la nature. Éditions du Seuil, 1977
[Malone, 1999] Thomas W. Malone. Tools for inventing organizations : Toward a handbook
of organizational process. Management Science, 45(3) :425–443, March 1999.
[Moujahed et al., 2009] Moujahed S., Simonin O. et Koukam A., Location problems
optimization by a self-organizing multiagent approach, Multiagent and Grid Systems 5.1, p.
59–74, 2009.
[Muller, 1998] Müller, J. P., Vers une méthodologie de conception de systèmes multi-agents
de résolution de problème par émergence, In : JFIADSMA’98. Hermes, 1998.
[Muller, 2002] Müller J.P. Des systèmes autonomes aux systèmes multi-agents: interactions,
émergence et systèmes complexes» Rapport d’HDR, Montpellier LIRMM, 8
novembre, 58p. (2002).
[Odell, 2002] Odell, J., Agents and complex systems, JOT, Vol. 1, pp. 35–45, 2002
[Padgham et al., 2003] Padgham, Lin, and Michael Winikoff, Prometheus: A methodology for
developing intelligent agents, Agent-oriented software engineering III, Springer Berlin
Heidelberg, 174-185, 2003.
[Pappis et al., 1977] C. P. Pappis and E. H. Mamdani, A fuzzy logic controller for a traffic
junction, IEEE Trans. On Systems, Man and Cybernetics, Vol. SMC-7, No. 10, pp. 707-717,
October 1977.
128
[Panait et al., 2005] Panait.L., Luke.S. (2005). Cooperative Multi-Agent Learning: The State
of the Art. In Autonomous Agents and Multi-Agent Systems, 00, pp 1–48, Springer.
[Parunak, 2000] H.V.D. Parunak, Industrial and Practical Applications of DAI. Multiagent
systems : a modern approach to distributed artificial intelligence, page 377, 2000.
[Parunak and al., 2004] H.V.D. Parunak and S. A. Brueckner, Engineering swarming systems.
In Methodologies and Software Engineering for Agent Systems, pages 341–376. Kluwer,
2004.
[Perozo, 2011] N. Perozo, Modélisation multi-agents pour systèmes émergents et auto-

organisés, doctoral dissertation, Université de Toulouse, Université Toulouse III-Paul Sabatier
2011.
[Picard et al., 2004] Picard, Gauthier, and Marie-Pierre Gleizes, The ADELFE methodology,
Methodologies and Software Engineering for Agent Systems. Springer US, 157-175. 2004.
[Picard and al., 06] Picard, G., Glize, P. Model and Analysis of Local Decision Based on
Cooperative Self- Organization for Problem Solving. In: Multiagent and Grid Systems, IOS
Press, Vol. 2(3), 253-265, September 2006.
[Russell et al. 1995] Russell S., Norvig P. Artificial Intelligence: A Modern Approach,
Prentice Hall, Englewood Cliffs, New Jersey, 1995.
[Russell et al. 2006] Russell S., Norvig P. Intelligence artificielle. Pearson Education 2e
édition. 2006.
[Robertson et al., 1991] D. Robertson and R. Bretherton. Optimizing networks of traffic

signals in real time-the scoot method. IEEE Transactions on Vehicular Technology, 40(1):11–
15, Feb. 1991.
[Roozemond, 1999] D. A. Roozemond, Using intelligent agents for urban traffic control
systems, In Proceedings of the International Conference on Artificial Intelligence in
Transportation Systems and Science, pp. 69-79, 1999.
[Sanchez et al., 2010]J. Sanchez, M. Galan and E. Rubio, Traffic signal optimization in “la
almozara" district in saragossa under congestion conditions using genetic algorithms, traffic
microsimulation and cluster computing, Intelligent Transportation Systems, IEEE
Transactions on, 11:132-141, March 2010.
[Scott, 1998] W. R. Scott. Organizations : rational, natural and open systems. Prentice Hall,
4edition, 1998.
129
[Senart, 2003] Senart A, «Canevas logiciel pour la construction d’infrastructures logicielles
dynamiquement adaptables». Thèse de l’institut National Polytechnique de Grenoble, France,
2003.
[Serugendo and al., 2005] G.D.M. Serugendo, M.P. Gleizes et A. Karageorgos. Self-
organisation and Emergence in Multi-Agent Systems. The Knowledge Engineering Review,
vol. 20, no. 2, pages 165–189, 2005.
[Serugendo and al., 2005] G.D.M. Serugendo, M.P. Gleizes et A. Karageorgos. Self-
organisation and Emergence in MAS: an overview, Informatica 30(1): 45-54 Slovene Society
Informatika, 2006
[Shalizi, 2001] Shalizi, Cosma Rohilla. Causal architecture, complexity and self-organization
in the time series and cellular automata. Diss. University of Wisconsin--Madison, 2001.
[Shehory et al., 2001] Shehory, O. and Sturm, A. Evaluation of modeling techniques for
agent-based systems. In Proceedings of the 5th International Conference on Autonomous
Agents (Montreal, Ont., Canada, June). ACM, New York, pp. 624–631. 2001.
[Schneider, 1994] Schneider, D. K.. Modélisation de la démarche du décideur politique dans

la perspective de l’intelligence artificielle. Thèse de l’Unité Technologie de Formation et
Apprentissage - Faculté de Psychologie et des Sciences de l’Education - Université de
Genève, 1994.
[Shoham, 1993] Shoham Y., Agent oriented Programming, artificial Intelligence, 60, 1993
[Shoham, 2009] Shoham, Y. et Leyton-Brown, K. Multiagent Systems: Algorithmic, Game-

Theoric, and Logical Foundations. Cambridge University Press, 2009.
[Simonin et al., 2006] Simonin, O., et Gechter, F, An environment-based methodology to

design reactive multi-agent systems for problem solving, Environments for Multi-Agent
Systems II (pp. 32-49), Springer Berlin Heidelberg, 2006.
[Simonin, 2010] Simonin, O. Contribution à la résolution collective de problème (Modèles

d'auto-organisation par interactions directes et indirectes dans les SMA réactifs et robotiques),
Doctoral dissertation, Université Henri Poincaré-Nancy I, 2010.
[Sims et al., 1980] A. Sims and K. Dobinson. The sydney coordinated adaptive traffic (scat)
system philosophy and benefits. IEEE Transactions on Vehicular Technology, 29(2) :130 –
137, May 1980.
[Tveit, 2000 ] Tveit, A., A survey of Agent-Oriented Software Engineering. Report,

Norwegian University of Science and Technology, 2000.
130
[Van de Vijver, 1997] G. Van de Vijver. Émergence et explication. Intellectica, 2(25) :7–23,
1997.
[Vercouter, 2004] Vercouter, L., MAST : Un modèle de composants pour la conception de

SMA. 1ere Journée Multi-Agents et Composants (JMAC'04), Paris, France, 23 Novembre
2004.
[Versteegh 2010] F. Versteegh, M.A. Salido et A. Giret. A holonic architecture for the global
road transportation system. Journal of Intelligent Manufacturing, vol. 21, no. 1, pages
133–144, 2010.
[Weyns et al., 2005] Weyns, D., Parunak, H. V. D., Michel, F., Holvoet, T., & Ferber, J.
Environments for multiagent systems state-of-the-art and research challenges.
In Environments for multi-agent systems (pp. 1-47). Springer Berlin Heidelberg, 2005.
[Weyns et al., 2007] Weyns, D., Omicini, A., & Odell, J. Environment as a first class
abstraction in multiagent systems. Autonomous agents and multi-agent systems, 14(1), 5-30,
2007.
[Wiering et al., 2003] M.A. Wiering, J. Van Veenen, J. Vreeken and A. Koopman, Intelligent
traffic light control, ERCIM News, European Research Consortium for Informatics and
Mathematics, 53:40-41, 2003.
[Wooldridge et al., 1995] M. Wooldridge et N. R. Jenning: Intelligent agents Theory and

practice. The Knowledge Engeneering Review, 10(2) : 115-152, 1995.
[Wooldridge et al., 2000] M. Wooldridge, N. R. Jennings., D.Kinny, The Gaia Methodology

for Agent- Oriented Analysis and Design, Journal of Autonomous Agents and Multi-Agent
Systems, vol. 3, n° 3, p. 285-312, Kluwer Academic Publishers, 2000.
[Xie et al., 2011] Xiao-Feng Xie, G.J. Barlow, S.F. Smith and Z.B. Rubinstein, Platoon-based
self-scheduling for real-time traffic signal control, Intelligent Transportation Systems (ITSC),
14th International IEEE Conference, pp. 879 – 884, 2011.
[Yokoo, 2001] M. Yokoo, Distributed Constraint Satisfaction : Foundations of Cooperation in

Multi-Agent Systems. Springer (cité pp. 21–23, 47), 2001.
[Zambonelli et al., 2003] F. Zambonelli, N. Jennings, and M. Wooldridge. Developing

multiagent systems: The Gaia methodology. ACM Trans. Software Eng. Meth. 12(3), pp. 417
– 470, 2003.
131
[Zambonelli et al., 2004] F. Zambonelli, M.-P. Gleizes, M. Mamei, and R. Tolksdorf. Spray
computers: frontiers of self-organisation for pervasive computing. In 13th IEEE International
Workshops on Enabling Technologies: Infrastructure for Collaborative Enterprises
(WETICE'04), pp. 397-402, 2004.
[Zeghal et al., 1994] K. Zeghal, , J. Ferber A reactive approach for distributed air traffic
control, proceedings of Avignon94, p. 381–390, 1994.
132
ANNEXES
ANNEXE 1
Simulation of Urban MObility - SUMO
SUMO [Krajzewicz, 2010] est un simulateur open-source à temps discret, espace

continu et microscopique entièrement réalisé en C++ permettant de modéliser l’écoulement
du trafic routier, ceci en traitant une gamme de cas plus réalistes et plus larges que GLD (qui
se limite principalement à l’optimisation du temps de parcours). Bien que plus complexe à
mettre en place, SUMO possède également l’avantage d’être toujours maintenu par ses
auteurs et d’être doté d’une documentation complète. La dernière version du logiciel date de
novembre 2011 et est disponible sur la page officielle du projet (http://sumo.sourceforge.net).
Globalement, l’utilisation de ce logiciel peut se décomposer en trois points détaillés ci-après.
1. La construction d’un réseau : La génération d’une carte (ou réseau) n’est pas
nécessairement automatisée par une interface mais repose sur la construction d’un fichier
XML de type projet.net.xml, qui peut être obtenu de multiples manières. SUMO peut mettre
en place des structures plus complexes, incorporant le changement de voie, des boucles
électromagnétiques, la création de types de véhicules, et bien d’autres.
Deux principaux outils existent pour générer de tels réseaux :
– NETGEN permet de générer en ligne de commande un réseau de plusieurs formes :
en grille, en toile ou aléatoire.
– NETCONVERT possède la capacité de générer des cartographies adaptées pour
SUMO à partir de différents formats.
– De base, il est possible de définir un ensemble de fichiers XML afin d’obtenir le
réseau souhaité.
Cette démarche peut sembler lourde à faire manuellement, mais permet de mieux cerner le
fonctionnement du logiciel, et reste suffisante pour de petits réseaux.
– Tout d’abord, il est nécessaire de décomposer la carte souhaitée en un ensemble de noeuds,
qui peuvent être de plusieurs types : de bordures, fictifs pour la réduction ou l’augmentation
de voies, ou encore d’intersections, avec ou sans feux (règle de la priorité à droite).
Ces nœuds et leurs coordonnées respectives prennent place dans un fichier de la forme
projet.nod.xml
133
– Ensuite, un fichier projet.typ.xml permet de mettre en place les types de routes souhaitées,
incluant pour chaque type des informations telles que le nombre de voies ou encore la vitesse
limite. Ce fichier de types est optionnel, les paramètres pouvant directement être indiquées
lors de la construction des routes.
– Puis, un fichier projet.edg.xml permet de relier les noeuds par des routes.
– Le fichier projet.con.xml permet pour sa part de mettre en place les directions possibles
pour chaque voie.
– Le fichier projet.netc.cfg permet d’indiquer tous ces fichiers en vue de la création de la carte
par le programme NETCONVERT, permettant d’obtenir le fichier projet.net.xml.
– Pour plus de confort, NETCONVERT possède l’avantage de prendre en charge de
nombreux types de cartes existants, en provenance de certains simulateurs ou plateformes
reconnues, telles que MatSim ou encore OpenDrive. Particulièrement, OpenStreetMap est
également pris en charge : il s’agit d’une carte mondiale en partage et totalement libre, dont
chacun peut contribuer à la construction ainsi qu’exporter des données, généralement au
format .OSM.
Finalement, il est possible d’obtenir un fichier de type projet.net.xml à partir de formats .OSM
via NETCONVERT. Plus loin encore, certaines structures décoratives telles que les rivières,
les immeubles et autres éléments graphiques peuvent être importés à l’aide de
POLYCONVERT, également inclus dans SUMO. Un exemple de création peut être illustré,
qui vise à reproduire une ville, aussi bien au niveau de la cartographie que du trafic routier en
lui-même (figure A.1).
Figure A.1 : Illustration d’une carte
2. Modélisation de la demande : La génération d’un réseau routier pouvait se

faire par plusieurs moyens : soit à la main directement, soit via les utilitaires fournis avec le
134
simulateur. Une fois ce réseau obtenu, l’étape suivante consiste à définir les informations à
propos des véhicules, et notamment des routes qu’il est possible pour eux d’emprunter.
SUMO a besoin de connaitre les routes possibles du réseau afin de générer les mouvements
des différents véhicules. Le moyen le plus simple d’en obtenir est de les éditer manuellement,
mais uniquement si leur nombre n’est pas trop élevé. La démarche manuelle va donc être de
créer soi-même un fichier du type projet.rou.xml qui va se charger de définir les types de
véhicules existant ainsi que les routes possibles.
Figure A.2. Exemple d’intersection
Les véhicules en circulation sur la simulation vont être alors indiqués en utilisant ces
deux paramètres, et de deux manières : soit sous forme de flots arrivant de manière continue
pendant une certaine période, soit individuellement. Sur de larges réseaux, SUMO fourni
plusieurs applications permettant de générer ce fichier en fonction de multiples critères :
– DUAROUTER : sur la base d’un ensemble de voyages, cette application obtient les
routes correspondantes, en cherchant le plus court chemin entre le point de départ et d’arrivée
suivant l’algorithme de Dijkstra.
– DJTRROUTER reprend des principes similaires, mais utilise des probabilités de
tourner afin de générer les routes.
– DFROUTER s’appuie sur les mesures effectuées par les détecteurs présents.
135
– ACTIVITYGEN se repose sur une description de la population vivant sur le réseau :
nombre d’habitants, de ménages, la probabilité pour un adulte d’avoir une voiture, d’utiliser
les transports en commun, description des zones d’activité de la ville (ex : école), etc.
– Notons la possibilité de générer des routes aléatoirement en s’aidant d’un outil inclus
dans SUMO et des deux premières applications.
3. Simulations : Une fois le réseau et les informations du trafic souhaité générées, il faut
mettre en place le fichier de configuration correspondant à la simulation, de la forme
projet.sumo.cfg.
Ce fichier va rassembler les deux fichiers projet.net.xml et projet.rou.xml, ainsi que d’autres
éléments, tels que :
– Des éventuels fichiers supplémentaires (pour la définition de stops, de détecteurs,..).
– Le temps de simulation (début et fin, en pas de programme, ajustables en
millisecondes).
La simulation ainsi définie est exécutable par l’intermédiaire de deux programmes : via une
interface graphique (SUMO-GUI) mais également directement en ligne de commande
(SUMO), où il est possible de passer certains arguments habituellement définis dans le fichier
de configuration directement dans la commande. L’affichage de l’interface graphique apparait
propre, et de divers types : très basique, standard ou sous une vue plus réaliste. La possibilité
de régler la vitesse d’exécution de la simulation existe toujours, ceci est ajustable en
définissant le nombre de millisecondes auxquelles correspond un pas de programme.
Les paramètres d’affichage sont entièrement personnalisables : couleur des véhicules en
fonction de leur vitesse, de leur provenance, etc.
Concernant le cas des feux de circulation, ces derniers possèdent ici les trois couleurs (rouge,
orange, vert) et suivent un principe de cycle et de phase clairement définis et visibles. Par
défaut, NETCONVERT et NETGEN s’occupent de générer les feux de circulation et leur
fonctionnement lors de la mise en place du réseau.
Seulement, ces fonctionnements ne suivent pas nécessairement ce que nous pouvons retrouver
dans la réalité. Ainsi, il est possible de charger des programmes supplémentaires afin de régir
le fonctionnement des feux de circulation : l’utilisateur peut configurer à sa convenance le
système de gestion des feux, l’opération se faisant par défaut manuellement avec un fichier de
configuration fixe. Enfin, des détecteurs peuvent être mis en place dans des fichiers
additionnels (manuellement, ou via des utilitaires intégrés).
136
Ces derniers peuvent servir au recueil de données et à l’évaluation des performances de feux
de circulation. L’idée de base de cet outil est de donner l’accès à une simulation en cours, afin
de récupérer des données en temps réel et éventuellement de modifier certains paramètres
(Figure A.3).
En tout, trois classes de possibilités sont offertes :
– Action sur la simulation et l’interaction client/serveur : clore la connexion, effectuer
un pas de programme, calculer certaines valeurs, etc.
– Obtention d’informations : en provenance des détecteurs, des feux de circulation, des
voies, routes, véhicules, routes ou même sur la simulation en elle-même.
– Modification d’état : des feux de circulation, des voies ou encore des véhicules.
Aussi, ce simulateur fait preuve d’ouverture, en permettant par exemple à TraCI de
s’interfacer avec des logiciels de tout type : solutions intégrées (TraCI en Python, TraCI4J en
Java) ou simulateurs réseaux répandus (Middlewares Trans ou MOVE pour NS2, iTETRIS
pour NS3, VEINS ou VSIMRTI pour OMNet++).
Figure A.3 Exemple de simulation

Enfin, les outils offerts sont nombreux, rendant l’utilisation du simulateur SIMO agréable,
passée une phase d’apprentissage.
137
ANNEXE 2
Contrôleurs à Temps fixe, temps dynamique et vague verte
Versus contrôleur adaptatif proposé
Cette annexe comprend les graphiques qui montrent la performance de signal adaptatif
proposé sur les trois contrôleurs existants (Temps fixe, temps dynamique et vague verte).
Simulation 1
Figure A2.1.1 Courbe de comparaison du débit volumique
Figure A2.1.2 Courbe de Comparaison du temps moyen d'attente
Figure A2.1.3 Courbe de Comparaison du nombre moyen d'arrêts
138
Simulation 2
Simulation 3

139

Simulation 4

140
Simulation 5
141
Simulation 6

Simulation 7

142

Simulation 8
143
Simulation 9
144
Simulation 10
145

These Benhamza Karima

Transféré par

Droits d'auteur :

Formats disponibles

These Benhamza Karima

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

These Benhamza Karima

Transféré par

Droits d'auteur :

Formats disponibles

‫ﻭﺯﺍﺭﺓ ﺍﻟﺗﻌﻠﻳﻡ ﺍﻟﻌﺎﻟﻲ ﻭ ﺍﻟﺑﺣﺙ ﺍﻟﻌﻠﻣﻲ‬

BADJI MOKHTAR-ANNABA UNIVERSITY ‫ﺟﺎﻣﻌﺔ ﺑﺎﺟﻲ ﻣﺧﺗﺎﺭ – ﻋﻧﺎﺑﺔ‬

Conception d’un système multi-agents

Je tiens à remercier Monsieur Hamid Seridi, Professeur à l’université de

J'adresse mes vifs remerciements à Madame Labiba Souici, Professeur à

Je tiens à remercier sincèrement Madame Hayet-Farida Merouani,

Je remercie, tous ceux qui m’ont accompagné au cours de toutes ces

A la mémoire de mon père, je dédie ce travail.

L’environnement des applications existantes est de plus en plus complexe et dynamique,

Mots clés : Système multi-agents, auto-organisation, émergence, adaptation, résolution de

Keywords: Multi-agent system, self-organization, emergence, adaptation, problem solving,

CHAPITRE I- RESOLUTION COLLECTIVE DE PROBLEMES

1.1 Problématique de résolution de problème ……………………………………………………………………… 6

CHAPITRE III- PARADIGMES DE DEVELOPPEMENT DES SMA

CHAPITRE IV. PROPOSITION D’UN MODELE DE CONCEPTION D’UN

CHAPITRE V- ETUDE DE CAS

Conclusion générale et perspectives …………………………………………………………………………...……….. 118

Références bibliographiques ………………………………………………………………………………...……………… 122

Figure 1. 1. Agent /Environnement [Russel et al. 2006] 12

Figure A.2. Exemple d’intersection 135

Liste des tableaux

1. Problématique et cadre de travail

Cette complexité rend l'utilisation de la majorité des outils existants difficilement

Dans cette thèse, on s’intéresse à la conception des systèmes multi-agents adaptatifs

 Tout d’abord, l’ingénierie des systèmes multi-agents et ceci par la mise

2. Motivations, proposition et contributions

a. Conception d’un SMA adaptatif

b. Résolution de problèmes par un SMA adaptatif

La deuxième partie est la partie contribution. Elle comporte deux chapitres : le

Résolution collective de problèmes

1.1 Problématique de résolution de problème

1.1.1 L’aspect collectif dans la résolution de problèmes

1.1.2 Nouveau défi : Des sources d’inspiration

1.2 Entité isolé : L’Agent

5. Qui est capable de percevoir, mais de manière limitée, son environnement E.

Cette définition est fondée sur les trois concepts suivant :

o Proactif : prendre l’initiative et être opportuniste au bon moment.

Figure 1. 1. Agent /Environnement [Russell et al. 2006]

1.2.2 Fonctionnement d’un agent

La phase de délibération ou de décision de l’agent dépend de son architecture

1.2.3 Architectures d’agent

Figure 1. 2. Agent réactif

L’agent réactif (figure 1.2.) présente les caractéristiques suivantes:

Perception Mémoire Raisonnement Action

Figure 1. 3. Agent cognitif

(a) Architecture horizontale (b) Architecture verticale

1.2.4 Comportement d’agent

Ainsi, le comportement apparaît comme une spécification externe de l’agent, et

1.2.5 Propriétés d’agent

En considérant les définitions existantes, nous pouvons identifier deux tendances

1.3 Systèmes Multi-Agents (SMA)

 Un environnement E, c'est-à-dire un espace disposant généralement d'une

 Un ensemble A d'agents, qui sont des objets particuliers (A  O), lesquels

 Un ensemble d'opérations Op permettant aux agents de A de percevoir, produire,

 Des opérateurs chargés de représenter l'application de ces opérations et la réaction

La définition proposée est basée sur certaines caractéristiques, et plus précisément

En effet, l’auteur présente un formalisme de description du SMA permettant de

Figure 1. 5. Système multi-agents [Ferber, 1995]

Une autre définition, donnée par Wooldridge et Jennings, présente un

On y trouve souvent associe une cinquième dimension : « Utilisateur » qui représente un