Modélisation et simulation
multi-agent
François Bousquet, Christophe Le Page, Jean-Pierre Müller
CIRAD
73, av. Jean-François Breton 34070 Montpellier cedex 5
[Link]@[Link]
Résumé. Après avoir situé la contribution des approches
multi-agents dans le domaine de la modélisation et de la
simulation et cerné son domaine d’applicabilité, nous
présentons brièvement ce qui a été réalisé dans le domaine de
l’écologie et de la sociologie avant de présenter quelques
plate-formes existantes. Nous concluons finalement par
quelques perspectives de recherche.
1 INTRODUCTION
Un modèle est une image simplifiée de la réalité qui nous sert à
comprendre le fonctionnement d’un système en fonction d’une question.
Tout modèle est constitué d’une part de la description de la structure du
système, qui incorpore les spécifications sémantiques intégrées
(nomenclature et règles d’affectation du sens pour une source, étendue et
profondeur du consensus social donnant du sens dans le cas d’une
représentation à dire d’acteurs) et d’autre part de la description des
fonctionnements réguliers (ou non) et des dynamiques qui modifient cette
structure au cours du temps.
La description de la structure du système (ou état) peut aller d’un
ensemble de variables quantitatives (numériques) ou qualitatives (à
valeurs discrètes) dans le cadre de ce qu’on appelle les systèmes
dynamiques, jusqu’à un ensemble d’entités munies de propriétés et de
relations entre elles dans le cadre de ce qu’on appelle les systèmes
d’information (spatialisés ou non) et, en simulation, les systèmes
individus-centrés et multi-agents.
174 Actes des deuxièmes assises nationales du GdR I3
La description de la dynamique peut aller de l’utilisation d’équations
différentielles (dans le cas continu) ou d’équations aux différences (dans
le cas discret) dans le domaine des systèmes dynamiques, à n’importe
quelle combinaison de ces dernières et de modèles informatiques dans le
domaine des systèmes individus centrés et multi-agents. Ces descriptions
permettent de simuler les évolutions possibles du système que l’on décrit.
Afin de structurer davantage les différents types de modèles que nous
venons d’évoquer, il faut encore distinguer entre les modèles descriptifs
et les modèles explicatifs d’une part et les modèles basés sur des mesures
ou sur des entités d’autre part. Les modèles descriptifs ont pour vocation
de saisir un invariant observé d’un système, par exemple la trajectoire
d’une planète ou l’évolution d’une population. Il n’est alors pas
nécessaire de savoir pourquoi il y a cette trajectoire ou cette évolution
mais seulement comment. Les modèles explicatifs ont pour vocation de
rendre compte d’un mécanisme ou processus génératif dont le résultat
peut être entre, entre autres, une trajectoire ou une évolution déterminée
si tant est que les conditions initiales et les valeurs des paramètres du
modèle produise effectivement un tel invariant. On citera, par exemple, le
jeux des forces gravifiques pour la trajectoire d’une planète ou les
comportements de reproduction pour l’évolution d’une population. Dans
les modèles basés sur les mesures, l’état s’exprime comme un ensemble
de variables représentant des grandeurs mesurables du système que l’on
modélise (position, nombre d’individus dans une population). Dans les
modèles basés sur les entités, l’état s’exprime comme un ensemble
structuré, éventuellement variable, d’objets dont non seulement les états
mais aussi les relations et le nombre peuvent changer au cours du temps.
Les systèmes multi-agents ont vocation d’être des modèles explicatifs
basés sur les entités. Pour comprendre leur couverture thématique il est
important de distinguer divers types de systèmes à décrire selon qu’il sont
munis [27] :
- D’une simplicité organisée : il est facile d’exhiber leur comportement à
l’aide de quelques lois sur un ensemble limité de variables, par
exemple les systèmes physiques simples pour lesquels des jeux limités
d’équations différentielles suffisent ;
- D’une complexité désorganisée : muni d’un grand nombre d’entités en
interaction avec des comportements uniformes, par exemple, les gaz
parfaits ou certaines dynamiques des populations dans lesquelles les
différences entre individus ont peu d’importance et pour lesquels des
approches par automates cellulaires ou utilisant la mécanique
statistique sont possibles ;
Modélisation et simulation multi-agent 175
- D’une complexité organisée : muni d’un nombre moyen d’entités
hétérogènes produisant des comportements localement structurés tels
les systèmes physiques perturbés, les éco-systèmes et les sociétés
humaines observées à l’échelle méso (familles,entreprises, réseaux
sociaux, etc.).
Les systèmes multi-agents sont naturellement adaptés à l’étude de cette
dernière catégorie de systèmes dès lors que l’on cherche des modèles
explicatifs, donc à comprendre les mécanismes sous-jacents aux
phénomènes globaux observés, y compris les phénomènes d’auto-
organisation et de reconfiguration dans des systèmes ouverts.
Nous allons faire un bref tour d’horizon des applications des systèmes
multi-agents en écologie puis en sociologie afin de citer quelques plate-
formes de simulation. Nous terminerons sur les perspectives dans ce
domaine.
2 SIMULATION SMA ET ECOLOGIE
Du point de vue des avancées en écologie, Grimm ([14], [15]) à
classifie l’utilisation des modèles basés individus (IBM : un cas
particulier de systèmes multi-agents) suivant deux motivations. La
première motivation est dite pragmatique : elle s’adresse à des problèmes
qui ne pourraient pas être étudiés avec des modèles à variable d’état,
comme par exemple expliquer une structure de taille de poissons [7] ou la
dynamique d’une hiérarchie. Ce type d’application a donné lieu a
beaucoup de modèles pour comprendre l’hétérogénéité d’une structure
de population animale ou végétale. La deuxième motivation est dite
paradigmatique : elle considère que les modèles à variables d’état sont
pertinents mais montrent des déficiences pour étudier les questions
classiques de l’écologie à savoir la régulation, la stabilité ou la résilience .
Dans le champ théorique, deux thèmes se dégagent. Le premier est la
variabilité individuelle en tant que cause ou conséquence de la
dynamique d’un système. On retrouve ici des questions d’interactions soit
entre les agents eux-mêmes, soit entre les agents et leur environnement.
Lomnicki et Grimm ([26a], [18]) mettent ainsi en avant la relation entre
les caractéristiques individuelles et la distribution des ressources pour
comprendre la régulation du système. Le deuxième thème qui se dégage
est celui du descripteur de dynamique. Grimm propose de s’intéresser au
concept de persistance. Si la stabilité suppose l’existence de un ou
plusieurs équilibres, la persistance est la capacité d’un système à persister
pendant un certain temps avec une certaine probabilité. On retrouve ici
176 Actes des deuxièmes assises nationales du GdR I3
les idées développées par exemple par les mathématiciens Gardner et
Ashby [11]. Notons que, sur cette voie de recherche, les travaux menés
en approche IBM conduisent souvent à des résultats aussi intéressants
que surprenants1. Pour en terminer avec cette analyse partielle, Grimm
tire un certain nombre de conclusions. Parmi celles-ci, l’idée d’un
nécessaire couplage entre approches. L’approche ascendante qui utilise
les IBM devrait être complétée d’une approche descendante classique en
écologie qui définit les propriétés dynamiques au niveau de la population
et fournit ainsi le cadre théorique auquel devraient se référer les IBM.
Pour les auteurs, les approches qui utilisent les IBM , en s’appuyant sur
l’utilisation de données, se rapprochent d’une science expérimentale et
courent ainsi le risque d’une accumulation de cas sans tentative de
généralisation. Le couplage avec des modèles agrégés de l’écologie
théorique réduirait ce risque et enrichirait le débat.
Parallèlement à la dynamique scientifique exposée ci-dessus et sans
qu’il y ait beaucoup d’interactions - seuls quelques auteurs comme
Hogeweg ou Bonabeau publient dans les deux communautés - de
nombreux développements ont été effectués par des chercheurs
informaticiens qui invoquent une référence à l’écologie. La revue que
nous avons effectuée montre que dans une très grande majorité des cas, la
méthode utilisée est celle de la simulation. Quelques recherches abordent
la question de la résolution de problèmes, appelée résolution collective de
problèmes [25] dans le contexte des SMA. A partir de travaux en
éthologie sur les capacités de résolution de problèmes par des insectes
sociaux [8] sont apparus de nombreux travaux dont les problématiques
sont transposables à des problématiques logicielles ou en robotique. On
trouvera une excellente revue dans [10] qui développe par ailleurs avec
Ferber une approche originale nommée l’éco-résolution.
3 LA SIMULATION SMA EN SOCIOLOGIE
L’organisation est-elle constitutive du SMA ou en est-elle le résultat ?
Le débat sur l’émergence est moins simpliste aujourd’hui et s’organise
autour d’une réflexion sur la circularité micro-macro [12]. A la fois
produit, contexte et contrainte pour les agents, l’organisation est pourtant
peu caractérisée. Si les structures d’agents ou les interactions sont
catégorisées ou décrites, les organisations sont moins formalisées. On en
trouvera néanmoins une analyse dans [1] sous la forme de modèles
1
Pour une revue sur ce thème on pourra se reporter à la thèse de Shin [24]
Modélisation et simulation multi-agent 177
organisationnels et une étude sociologique de l’articulation macro-micro
dans [5a].
Certains chercheurs en sciences sociales modélisent et simulent des
réseaux d’interactions entre agents pour analyser les effets de différentes
rationalités et d’échanges. Ainsi Rouchier montre comment diverses
hypothèses de relations entre des agents transhumants et sédentaires au
Sahel donnent des dynamiques de la ressource très différentes [22].
Dans le même type de simulation, Doran étudie les réseaux sociaux qui
se forment pour capturer des ressources situées dans l’espace [9]. Le
travail porte sur une approche classique en BDI avec recrutement des
agents pour accomplir une tâche. Des hiérarchies apparaissent et leur
fonctionnalité est étudiée.
Hiérarchies, filières, outils de régulation économique, enchères ;
l’exploration des formes d’organisation des SMA est encore en cours
mais on peut déjà imaginer les quelques formalisations qui vont se
confirmer dans les années à venir pour compléter la structuration d’un
SMA en s’ajoutant aux architectures d’agents, aux formes
d’environnement et d’interactions. Le domaine général des institutions2
propose un cadre général pour étudier la gestion des biens communs et
les mécanismes de régulation sociales, et devrait aussi fournir des
éléments d’inspiration pour les SMA [6].
4 QUELQUES PLATE-FORMES DE SIMULATION
Les applications présentées sont le plus souvent élaborées avec un
langage orienté-objet. Certaines d’entre elles utilisent des plate-formes.
On peut classer ces dernières en trois types :
- Les plate-formes génériques ; aujourd’hui, quelques-unes d’entre elles
sont régulièrement citées dans des applications environnementales.
2
Institution Un ensemble de règles socio-économiques, mises en place
dans des conditions historiques, sur lesquelles les individus ou les
groupes d’individus n’ont guère de prise, pour l’essentiel, dans le court et
moyen terme. Du point de vue économique, ces règles visent à définir les
conditions dans lesquelles les choix, individuels ou collectifs d’allocation
et d’utilisation des ressources pourront s’effectuer. Elles contribuent à
définir les conditions socio-historiques dans lesquelles les mécanismes de
coordination peuvent s’instaurer. [20]
178 Actes des deuxièmes assises nationales du GdR I3
Swarm [21] est l’outil privilégié de la communauté américaine et des
chercheurs en Vie Artificielle, ainsi que la plate-forme Echo déjà
décrite ci-dessus. De nombreuses applications ont été développées à
partir de Swarm qui existe aujourd’hui en plusieurs langages (Java,
Objective-C). Des outils génériques ont même été créés à partir de
Swarm (voir ci-dessous). La plate-forme Geamas [19] a été utilisée
pour quelques applications sur des écosystèmes. Alors que la plate-
forme MadKit implémente la notion de rôle [16a], Geamas propose une
implémentation du groupe. On peut également citer Oris [2] ;
- Les plate-formes orientées écosystème. Ce type de plate-forme parmi
lesquelles on peut ranger l’outil Ecosim ou encore les plate-formes
Sugarscape ou Cormas [3], proposent des utilitaires pour simuler des
écosystèmes ou des problèmes de gestion des ressources. Grilles
spatiales, utilitaires de simulation pour méthodes de type Monte-Carlo,
liens vers des logiciels (SIG, bases de données) font de ces outils des
ateliers pour l’implémentation de divers systèmes écologiques. Des
algorithmes ou des structures sont prévus pour implémenter le lien des
agents avec leur environnement et on trouve aussi des éléments pour
l’organisation de sociétés d’agents (marchés, enchères, mécanismes de
prédation, …) ;
- Les plate-formes dédiées. Ces outils s’intéressent à des types
d’applications plus précis. Ainsi Manta [10] s’intéresse aux problèmes
de fourragement ou d’allocation des tâches dans une société d’insectes,
Arborscape [23] qui modélise les dynamiques forestières en insistant
sur la diversité, BacSim [17] qui modélise les dynamiques micro-
biologiques. Mobydic propose de modéliser les dynamiques des
peuplements de poissons [13]. L’utilisateur bénéficiera de la réflexion
sur la dimensionalité, sur des relations de type prédation ou
compétition, sur les fonctions biologiques classiques (mortalité,
croissance, …).
5 CONCLUSION
Les SMA peuvent être créés à partir des modèles mathématiques dans
le but de les complexifier ou bien il est possible d’utiliser les SMA pour
développer de nouvelles constructions théoriques. ([5b], [16c] , [26b],
[28]) entre autres ont proposé les premiers travaux qui confrontent un
SMA à des modèles mathématiques existants ou créés à l’occasion d’une
Modélisation et simulation multi-agent 179
application. En général le modèle mathématique3 est d’abord élaboré (les
méthodes de la physique statistique sont très utilisées), ses propriétés sont
étudiées, puis les SMA permettent d’introduire de l’hétérogénéité, de
l’anisotropie, des histoires locales. Mais les modèles SMA s’avèrent aussi
de très riches méthodes pour élaborer directement de nouvelles théories.
« more theory building than modelling » [9]. Ils doivent ainsi participer à
des efforts de théorisation des relations. Cette théorisation n’interdit pas
une confrontation avec les données de terrain. A coté de l’approche Vie
Artificielle s’est développée l’idée du laboratoire virtuel. Il s’agit de
construire un modèle du monde et d’observer sa dynamique à travers des
indicateurs élaborés selon les mêmes protocoles que ceux employés pour
observer le réel. Des méthodes de validation, classiques en simulation,
[16a] peuvent même être utilisées. On peut trouver une analyse plus
détaillée dans [4].
Au delà de la perspective de la production de nouvelles théories
explicatives et surtout de l’articulation de théories multiples nécessaire
dans une approche du complexe, une idée de la genèse de ces théories et
des représentations sous-jacentes est nécessaire pour comprendre la
référence à un monde, un espace ou un temps en soi et fournir des
possibilités d’expression plus appropriées. Parmi celles-ci, nous citons les
pistes suivantes :
- La notion d’entité vue, non pas comme un objet en soi mais comme
l’articulation de mesures, essentiellement relationnelles, et de
possibilités de transformations à la fois des mesures attribuées à
l’entité et des mesures attribuées aux relations entre entités. La
composition d’une entité résulterait d’une articulation particulière
entre un point de vue pour lequel l’entité est perçu comme un tout et
un point de vue décrivant ses composants. Ceci permettrait, par
exemple, une approche holonique des écosystèmes tel qu’il est suggéré
dans la théorie des hiérarchies [22] ;
- L’espace est souvent vu comme support des entités donc muni d’une
existence autonome. Or il est souvent plus direct de penser un lieu
comme le lieu d’une entité (le lieu de travail, la ville, la région, etc.) et
la relation entre lieux comme issue des relations entre entités (la
maison d’à côté). Ainsi toute structure relationnelle entre entités
constitue un espace de fait. Le problème vient alors de coordonner ces
différents espaces.
3
On remarque qu’aujourd’hui c’est le modèle mathématique lui même qui est
appelé modèle multi-agents. Ces modèles prennent en compte la multiplicité des
interactions en général au moyen de calculs probabilistes, mais ne tiennent pas
compte de l’unicité de l’agent, de son autonomie.
180 Actes des deuxièmes assises nationales du GdR I3
- Le temps peut subir la même ligne de raisonnement, particulièrement
pour penser le processus même de la simulation. En effet, plutôt que
d’avoir les instants ou les intervalles, comme des « lieux »
d’évènements (changement des mesures), respectivement d’états (état
des mesures), on aurait le temps produit par la succession même (réelle
ou simulée) des évènements ou des états. Se pose alors le problème de
la coordination des différents temps engendrés par autant de
dynamiques distinctes.
Ces réflexions ont déjà été menées en tout ou en partie, que ce soit en
représentation des connaissances (le projet Cyc de D. Lenat, les
représentations du temps, de l’espace, des processus chez Allen et
Ginsberg, ainsi que les nombreuses réflexions des modélisateurs eux-
mêmes) mais n’ont jamais abouti sur un véritable cadre générique
permettant de capitaliser une expérience maintenant riche de la
modélisation et de la simulation multi-agent.
6 REFERENCES
[1] Amiguet M. and J.-P. Müller (2002). Simulating the Dynamics of Social
Networks. Lecture Notes in Artificial Intelligence. Springer. To come as
MABS ’02 Proceedings.
[2] Ballet P., Rodin V., and J. Tisseau (1998). A multiagent system to simulate
in-vitro experimentation, Proceedings of the 1998 IIIE Conference on
Systemics, Cybernetics and Informatics (SCI ’98), July 10-15, Orlando
(USA).
[3] Bousquet F., I. Bakam, et al. (1998). Cormas : common-pool resources and
multi-agent Systems. Lecture Notes in Computer Science 1416, pp. 826-838.
Springer.
[4] Bousquet F. and C. Le Page. Systèmes multi-agents et écosystèmes, dans J.
P. Briot et Y. Demazeau, coordinateurs. Principes et Architectures des
Systèmes Multi-Agents, pp. 235-266. Hermès.
[5a] Castelfranchi C. (1998). Emergence and Cognition. Towards a Synthetic
paradigm of AI and Cognitive Science, Proceedings of IBERAMIA ’98,
Lecture Notes in Artificial Intelligence 1484, pp. 13-26.
[5b] Cazoulat R. et B. Victorri. Etude de la dynamique des populations par
simulation. [Link]
[6] Conte R. and C. Castelfranchi (1995). Cognitive and Social Action. UCL
Press.
Modélisation et simulation multi-agent 181
[7] DeAngelis D. L., D. C. Cox, et al. (1979). Cannibalism and size dispersal in
the young-of-the year largemouth bass: experiments and model. Ecologica
Modelling, 8: 133-148.
[8] Deneubourg J. L. and S. Goss (1989). Collective patterns and decision
making. Ethol. Ecol.& Evol, 1: 295-311.
[9] Doran J. and M. Palmer (1995). The {EOS} Project: Integrating Two
Models of Paleolithic Social Change. In N. Gilbert and R. Conte, editors,
Artificial societies: The computer simulation of social life, pp. 103-125.
UCL Press.
[10] Drogoul A. (1996). De la simulation multi-agent à la résolution collective
de problèmes. Une étude de l'émergence de structures d’organisation dans
les systèmes multi-agent, Thèse de l’Université Paris 6.
[11] Gardner M. R. and W. R. Ashby (1970). Connectance of large dynamic
cybernetic systems: critical values for stability. Nature 228(784).
[12] Gilbert N. (1995). Emergence in social simulation. In N. Gilbert and R.
Conte, editors, Artificial societies: The computer simulation of social life,
pp. 144-156. UCL Press.
[13] Ginot V. and C. Le Page (1998). Mobydic, a generic multi-agents simulator
for modelling populations dynamics. In A. Pasqual del Pobil, J. Mira and A.
Moonis, editors, Tasks and methods in applied artificial intelligence,
Lecture Notes in Computer Sciences 1416. Springer.
[14] Grimm V. (1999). Ten years of individual-based modelling in ecology: what
we have learned and what could we learn in the future?, Ecological
modelling, 115: 129-148.
[15] Grimm V., T. Wyszomirski, et al. (1999). Individual-based modelling and
ecological theory: synthesis of a workshop. Ecological modelling, 115: 275-
282.
[16a] Gutknecht O. and J. Ferber(1997). {MadKit}: Organizing heterogeneity
with groups in a platform for multiple multi-agent systems. Rapport Interne
LIRMM.
[16b] Hill D. (1995). Verification & validation of ecosystem simulation models.,
Proceedings of SCS ’95, Ottawa, Ontario.
[16c] Keitt T. (1997). Stability and complexity on a lattice : coexistence of species
in an individual-based food web model. Ecological modelling, 102: 243-
258.
[17] Kreft J. U., G. Booth, et al. (1998). BacSim, a simulator for individual-based
modelling of bacterial colony growth,
[Link]
[18] Lomnicki A. (1999). Individual-based models and the individual-based
approach to population ecology. Ecological modelling, 115: 191-198.
[19] Marcenac P. (1997). Modélisation de systèmes complexes par agents, TSI,
16(8): 1013-1038.
182 Actes des deuxièmes assises nationales du GdR I3
[20] Ménard C. (1995). L’économie des organisations. Editions La découverte.
[21] Minar N., R. Burkhart, et al (1996). The swarm simulation system : a toolkit
for building multi-agent simulations, [Link]
[22] O’Neill R. V., D. DeAngelis, J. Waide and T. F. H. Allen (1986). A
Hierarchical concept of ecosystems. Princeton University Press.
[22] Rouchier J., F. Bousquet, et al. (2001). A multi-agent model for
transhumance in North Cameroon. Journal of Economic Dynamics and
Control, 25: 527-559.
[23] Savage M. and R. Bell., Arborgames,
[Link]
[24] Shin Y (2000). Interactions trophiques et dynamiques des populations dans
les écosystèmes marins exploités. Approche par modélisation individus-
centrée. Thèse de l’Université Paris 7.
[25] Théraulaz G. (1994). Du super organisme à l’intelligence en essaim :
modèles et représentations du fonctionnement des sociétés d’insectes. Dans
E. Bonabeau and G. Théraulaz, éditeurs, Intelligence collective, pp. 29-109.
Hermès.
[26a] Uchmanski J. and V. Grimm (1996). Individual-based modelling in ecology:
what makes the difference?. TREE, 11: 437-441.
[26b] Van Dyke Parunak H., R. Savit, et al. (1998). Agent based modelling vs
equation based modelling: a case study and user’s guide. In J. Sichman, R.
Conte and N. Gilbert, editors, Multi agent systems and agent based
simulation, Lecture Notes in Computer Science 1534. Springer.
[27] Weinberg G. M. (1975). An introduction to general systems thinking, John
Wiley and Sons, New York.
[28] Weisbuch, G., A. Kirman, et al. (1997). Market Organization. Lecture notes
in Economics and Mathematical Systems 456.