Simulation (1)

 Simuler: reproduire un phénomène afin de

Intelligence Artificielle Distribuée
Tester des hypothèses permettant d'expliquer le
Systèmes Multi-Agents phénomène
Prévoir l'évolution du phénomène

Simulation Multi-Agent  Toute simulation se base sur une théorie

préalable
Guillaume Hutzler
LaMI (Laboratoire de Méthodes Informatiques)
SyDRA (Systèmes Distribués, Réactifs et Adaptatifs)
hutzler@[Link]
[Link]

Simulation (2) Simulation (3)

 Simulation analogique  Simulation numérique

Maquettes d'avions en soufflerie théories mathématiques
introduction de phénomènes
Modèles homéostatiques électriques
stochastiques (simulation de
Modèles climatologiques Monte-Carlo)

Exemple: Lotka-Volterra (1926)

dN1 dN2
= r1 N1 ! PN1 N2 = aPN1 N2 ! d2 N2
dt dt
P : coefficient de prédation
N1 et N2 : effectifs des deux populations
a : efficacité avec laquelle les prédateurs convertissent la nourriture en descendance
r1 : taux de fécondité des proies
d2 : taux de mortalité des prédateurs.

Limites des simulations classiques Simulation multi-agents (1)

 Créer un monde artificiel
composé d'agents en "Réalité
 Modèle équationnel à grand nombre Réalité Artificielle"
interaction
de paramètres, différent des théories
Vos comportements sont
utilisées en biologie, sociologie, etc. modélisés par...
 Trois composantes Observation Décomposition Modélisation Simulation
les agents
 Difficulté du passage micro/macro,
les règles de comportement
impossibilité de représenter des
log (x + y) l'environnement
niveaux différents.
(x / 2)  Les agents agissent et
 Pas de représentation des
modifient l'environnement
comportements mais de leurs
résultats (nb de descendants, ???!  On observe le résultats de
quantité de nourriture, etc..) leurs interactions comme
si l'on était dans un
 Ne permet pas d'expliquer
laboratoire
l'émergence de structures spatio-
(notion de laboratoire
temporelles (ex: bancs de poissons,
virtuel)
colonnes chez les fourmis)

1
Simulation multi-agent (2) Simulation multi-agent (3)

 Etude des sociétés humaines et naturelles

– Possibilité de modéliser de façon isomorphe les objets d’études des
 Autres dénominations
sciences humaines et naturelles Simulation individu-centrée (Individual Based Modelling)
– Possibilité de choisir le niveau d’analyse du domaine, ainsi que de
Agent-based Modelling
combiner plusieurs types d’expertise
– Possibilité de modéliser les comportements, pas seulement leur Simulation comportementale (behavioural simulation)
résultante Simulation corpusculaire (physique)
 Apports pour la réalisation de sociétés d’agents artificiels
– Possibilité d’étudier des modes d’organisation, des méthodes de  Références
résolution collective de problème existant dans la réalité
– Possibilité de découvrir de nouvelles analogies, de nouvelles "Growing Artificial Societies", Axtell et Epstein, 1996.
métaphores, qui ne soient pas simplement des métaphores «de "Artificial Societies", Gilbert et al., 1993
surface»
– pas inépuisables
– difficiles de les enrichir car souvent intuitives
– difficiles à opérationnaliser

Simulation Multi-Agent

Biologie - le projet MANTA [Drogoul 93 (LIP6)] Manta: environnement

 Elaboré d'après les nids en
Simuler une fourmilière plâtre utilisés en laboratoire.
étudier le comportement  A la fois espace
individuel des fourmis
comprendre la dynamique topologique et medium de
globale de la fourmilière communication entre les
Etudier les principes agents.
d’intelligence collective  Chaque agent possède des
spécialisation stimuli qu'il propage sous
répartition des tâches
adaptation à un forme de gradients dans
environnement changeant l'environnement
Concevoir des algorithmes  Les stimuli sont perçus et
distribués de résolution de interprétés par les autres Place libre

pb agents 1 2 3 3 3

tri collectif 1 2 3 4 4 4

fourragement 1 2 3 4

etc. 1 2 2 4 4

1 3 3

2 2
Obstacle

Simulation Multi-Agent Simulation Multi-Agent - MANTA

Les agents fourmis Modèle de comportement (1)

 Innate Releasing Mechanism (Konrad Lorentz ~50)
 Modèle d' activation de comportement

[Drogoul 93]

2
Simulation Multi-Agent - MANTA Simulation Multi-Agent - MANTA

Modèle de comportement (2) Modèle de comportement (3)

 Etho-Modelling Framework
Modèle non hiérarchique de sélection de tâches (IRM + fixed
action patterns)

Primitive

Renforcement
Tâche 1

Tâche 2
IRM Tâche
Choix Courante
Tâche 3

Tâche 4

Stimuli
Capteurs Effecteurs

Simulation Multi-Agent - MANTA Simulation Multi-Agent - MANTA

Programmation des comportements Tâches

Propagateur Stimulus Séquence de Primitives Interruption
 Les tâches des ouvrières move
sont au nombre de 15 egg

cure
(de 10 à 17 suivant les Egg

espèces) move
larva
cure
Larva

hungry
Larva
Agents Primitives
maturing
Larva
Eggs Put Down...

move
Larvae Pick Up... cocoon

cure
Cocoon
Cocoon Has Food ?
cure
Ant
Ants Follow/Flee...
hungry
Ant
Food Eat

killEgg
Humidity Kill...
kill
Larva
Light Cure...
food

light

Simulation Multi-Agent – MANTA

Sociogénèse et dynamiques de populations Manta: Division du travail (1)

Soins aux
 Différenciation des Œufs
Profils
Comportementaux
Individuels (Exemple) Soins aux
Larves
 Obtenue par l'analyse
du comportement de
chaque ouvrière et leur Soins aux
Cocons
regroupement en
catégories abstraites.
 Apparition d'un Fourragement
polyéthisme d'âge
"émergent". R 1 2 3 4 5 6 7

Âge décroissant

Expérience P_5. Période d'une semaine après

la naissance de l’ouvrière n°7

3
Manta: Division du travail (2) Manta: Division du travail (3)
 Obtention d'une structure
 Répartition en groupes Soins aux
sociale robuste et Sociogramme Eclaté
Expérience P11_4. Période d'une semaine après
fonctionnels (exp. P_5, 17 57% 32% 14% 15% Oeufs adaptative la disparition de la nourriture et la mort de
l'ouvrière 10.
individus)
Soins aux
 Structuration classique Oeufs

(pour E. Ruidum) en
Soins aux
diagonale 19% 42% 17% 15% Larves
Soins aux
Larves

Soins aux Soins aux

0% 0% 50% 0% Cocons Cocons

Fourrage
ment

24% 26% 19% 70% Fourragement R 1 2 3 4 5 6 7 8 9

Groupe 1 Groupe 2 Groupe 3 Groupe 4
Effectif: 2 Effectif: 5 Effectif: 4 Effectif: 6 Âge décroissant

Manta: Division du travail (4) Manta: Conclusion

Situation

Obtenue par un double

Initiale


processus de structuration
(feedback positifs)  Capacité démontrée à
 Structuration du niveau "macro" simuler des phénomènes collectifs émergeant de
par le niveau "micro": la B.
l'interaction entre individus
spécialisation individuelle et la
compétition inter-individuelle proposer des modèles de comportement, des hypothèses
accentuent la différenciation vérifiables dans la réalité
des profils comportementaux et interroger la biologie sur ses interprétations (polyéthisme
donc la création de groupes
fonctionnels A. C.
d'âge, fondations polygynes, etc.)
 Structuration du niveau "micro" Situation
Initiale
Situation
Finale la

par le niveau "macro":

La simulation multi-agent devient un outil
plus

l'appartenance à un groupe
probable

confirme l'agent dans son profil essentiel pour la construction de modèles
comportemental, les tâches
dans lesquelles il n'est pas explicatifs des phénomènes complexes
spécialisé étant prises en
charge par d'autres agents

Implantation : le simulateur Problématiques d’implantation [D. Hill 2002]

 Qualité et quantité des données biologiques
[D. Hill 2002] difficultés réelles d'échantillonnage sur le terrain
 Taille de mémoire nécessaire et à sa gestion
codage spécifique de la gestion de la mémoire
 Gestion des interactions spatiales discrètes
simulation sous contraintes spatiales et couplage avec SIG
 Processus concurrents dans le temps et dans
l’espace
développement d’ordonnanceurs dédiés
 Analyse de résultats stochastiques en deux dimension
analyse spectrale de ces résultats et recherche d’attracteurs
 Collaborations inter-disciplinaires
développement de double compétences
 Performance
optimisations locales, méta-programmation, parallélisme
 Modélisation et formalisation des modèles
UML / DEVS

4
Représentation de l’espace Espace : choix de représentation

 Les rôles de l’espace

la modélisation de l’environnement  Géométrie de l’environnement
la diffusion de l’information  Relations de voisinage des zones de
La mobilité des agents
l’environnement
1 2 3 3 3
 Granularité de représentation
Couplage environnement / agents
1 2 3 4 4 4
1 2 3 4

1 2 2 4 4
1 3 3

2 2

Approches de représentation Représentation de l’environnement

[Le Page, Etienne, Bousquet]

 Plusieurs entités avec leurs caractéristiques propres

2 d’après [Gilpin 1996] connexion avec des Systèmes d’Information Géographique (SIG)

1 3

x
2 2  Une grille spatiale
2 support topologique pour les agents
1 3 1 3
les cellules peuvent également être le support de dynamiques propres
1 3

4 4
x
4

Modèle de méta-population Automate cellulaire Modèle individu-centré

Voisinage spatial entre cellules Le choix du niveau (1)

[Le Page, Etienne, Bousquet]

 Grille rectangulaire  Certaines données ne sont disponibles qu’à

automates cellulaires un niveau donné
avantage = simplicité d’implantation (tableau 2D) Données éthologiques Données socio-économiques
inconvénient = anisotropie issues de la littérature issues d’une étude de terrain

 Grille hexagonale
avantage = isotropie
inconvénient = plus complexe à manipuler

cellule = territoire animal zones de chasse

5
Le choix du niveau (2) Le choix du niveau (3)
[Le Page, Etienne, Bousquet] [Le Page, Etienne, Bousquet]

 Certaines dynamiques sont fortement liées  Certains domaines étudient les phénomènes
au niveau auquel elles sont observées à un niveau donné
Dynamique d’utilisation
des sols L’écosystème du point de vue
des peuplements arboricoles

Dynamique écologique
L’écosystème du point de vue
définie au niveau de la cellule
des arbres

Couplage environnement / agent Diffusion des signaux (1)

[Hill 2002]

 Diffusion discrétisée
 Différentes solutions de couplage possibles le signal se diffuse de patch en patch
inconvénients :
– diffusion en carré ou en losange (dans une grille rectangulaire)
– temps de calcul de la propagation
avantage :
– prise en compte des obstacles

en carré = diffusion vers les 8 voisins

en losange = diffusion vers les 4 voisins

Diffusion des signaux (2) Déplacement des agents

 Diffusion continue  Discrétisé

principe : déplacement de patch en patch
– l’intensité du signal correspond à une formule inconvénient : manque de précision
– ex: s = intensité(source) / distance2
– l’intensité du signal à un endroit donné est calculée
avantage : cohérence avec environnement discrétisé
– par les agents
 Continu
– au moment de la perception
inconvénient : calcul de la position dans un espace continu
– non prise en compte des obstacles inconvénient : décalage entre agents et environnement
– temps de calcul de la perception avantage : davantage de précision
avantage : ex: Netlogo
– diffusion instantanée

s = 3 / (1.5) 2
diffusion:
quadratique
intensité:
3

6
Ordonnancement des agents Conflits spatio-temporels
[Hill 2002]

situation au situation au tem ps t+1

tem ps t
 Activation des agents à intervalles plus ou
moins réguliers ou

 Gestion du quasi-parallélisme des agents

Priorité entre entités
 Résolution des conflits spatio-temporels Choix stochastique

 Différentes solutions Priorité entre événements

Gestion du temps liste d’événem ents

– Simulation à temps discret situation au événem ent événem ent

prioritaire évincé
– Simulation à événements discrets tem ps t

Gestion du quasi-parallélisme
– Gestion externe
– Gestion dédiée du quasi-parallélisme

Simulations à temps discret Simulations à événements discret

[Meurisse, Vanbergue] [Meurisse, Vanbergue]

 temps  découpage du temps orienté événements

dirigé par horloge à chaque activation, l’entité indique au système la date
indépendant des entités de la prochaine activation
la progression du temps s’effectue d’événement en
 les changements d’états s’opèrent lors du événement
passage d’une date à une autre  Avantage :
 ex : Netlogo pas de pb de granularité
 Avantage : simple à mettre en oeuvre si aucun événement pendant une longue période, on
passe directement à l’événement suivant
 Inconvénients :  Inconvénients :
importance du choix du pas de temps
complexe à mettre en oeuvre
– si grand pas de temps
– pb de gestion des événements compétitifs pb de gestion d’événements simultanés
– faible importance des événements à occurrence rapide dépendances entre événements
– si petit pas de temps – au changement d’état d’une entité, l’exécution future
– pb de décomposition des comportements en comportements d’autres entités risque d’être invalidée
élémentaires de même granularité que le pas de temps

Gestion du quasi-parallélisme Forme générale de l’ordonnanceur

[Hill 2002] [Swarm 1999]

Mise en place des structures de

 Gestion externe get parameters données et de l’interface
utilisation des threads du langage ou du système
initialize
d’exploitation
for 1 to timesteps do:
gestion de messages asynchrones for 1 to num_agents do: gestion de l’état interne de
non prise en compte des compétitions spatiales simultanées l’agent et implémentation de
agent-i-do-something
son comportement
générateur de nbs aléatoires de l’OS de mauvaise qualité end for

 Gestion dédiée show state

end for
conserve le « déterminisme » du programme stochastique :
quit
1 seul générateur de nombres aléatoires Sortie pour le programmeur
permet de mieux gérer les pbs de compétition spatiale
considère les actions des agents comme des processus
concurrents

7
Ordre d’activation – solution « naïve » Ordre d’activation – tirage aléatoire

for (int i=0; i<[Link](); i++) Vector agentVectorBis = [Link]();

((Agent) [Link](i)).activate(); while ([Link]() > 0) {
int i = [Link]() * [Link]();
 Problèmes ((Agent) [Link](i)).activate();
ordre d’activation figé : [Link](i);
– le 1er agent s’exécute toujours avant le 2ème qui s’exécute }
toujours avant le 3ème etc.
– si ressources limitées, problème d’équité entre les agents  Avantage
– « premier arrivé, premier servi » -> le 1er agent est toujours servi l’ordre d’activation des agents change à chaque cycle
avant les autres... de manière aléatoire
 Solution  Inconvénient
tirage aléatoire de l’ordre d’activation des agents moins performant en terme de vitesse d’exécution

Agents complexes Activation d’agents complexes

 Un agent possède un ensemble de  Ordonnancement simple

comportements qu’il peut exécuter à C11 C12 C13 C21 C22 C23 C31 C32 C33
chaque pas de temps agent 1 agent 2 agent 3

 ces comportements peuvent être  Non-prédictabilité inter-agent

C21 C22 C23 C31 C32 C33 C11 C12 C13
dépendants : ils peuvent s’exécuter dans n’importe quel
ordre mais les résultats sont différents suivant l’ordre agent 2 agent 3 agent 1
d’activation
– ex: évaluer ses besoins / manger  Non-prédictabilité intra-agent
séquentiels : un comportement ne peut s’exécuter que si C22 C21 C23 C31 C33 C32 C13 C11 C12
un autre a été exécuté au préalable agent 2 agent 3 agent 1
– ex: se déplacer vers la nourriture / manger A1
 Enchevêtrement total
C1 C2 C3 C22 C12 C23 C33 C31 C13 C32 C11 C21

Exemple Résultats expérimentaux

 Espèce animale virtuelle

 3 comportements élémentaires
mise en couple
séparation du couple
reproduction
 Différents choix possibles dans l’ordre
d’activation des comportements

8
Plates-formes de simulation RIVAGE : écoulements hydrologiques

 Plates-formes génériques  Problématique de base

Fournissent un ensemble de bibliothèques de classes et/ou simuler les phénomènes de
un langage de programmation de simulations ruissellement, d'infiltration,
d'érosion des sols, etc.
Swarm, Echo, Geamas, MadKit, Netlogo
pour comprendre et
 Plates-formes orientées écosystème prédire les phénomènes
Fournissent des utilitaires pour simuler des écosystèmes ou hydrologiques intéressants :
formation de mares,
des problèmes de gestion de ressources
débordements,
– grilles spatiales accumulations, etc.
– utilitaires pour méthodes de type Monte-Carlo
– liens vers des SIGs ou des BDs
Ecosim, Sugarscape, Cormas
 Plates-formes dédiées
S’intéressent à des types d’applications précis
Manta, Arborscape, BacSim, Mobydic

RIVAGE (2) GranuLab : résolution de tas de sables

 Hypothèse: simuler le  Objectif

comportement éviter les problèmes de
d'agents "boules d'eau" formation d’arches dans
comportement de les silos
tropisme simple
interactions limitées avec
 Démarche
les autres agents résolution numérique de
tas de sable = calcul des
lignes de contraintes qui
apparaissent à l’intérieur
d’un tas de sable

GranuLab (2) ArchiSim: trafic et comportement routier

 Résolution individuelle de  Objectifs

chacun de grain du tas raffinement des modèles de comportement des
pour lui faire atteindre un conducteurs
équilibre statique étude de dispositifs d’assistance à la conduite
(conception, acceptabilité, impact sur la conduite et la
 Résolution par couches de trafic)
profondeur croissante
 Démarche
 Différentes heuristiques modélisation du comportement du conducteur
possibles pour l’ordre des simulation d’un trafic réaliste
grains dans la couche
de gauche à droite
à partir des bords
aléatoirement
…

9
Simulation Multi-Agent Simulation Multi-Agent

Simulation industrielle et économique Simulation du langage [Kaplan (LIP6-Sony CSL)]

 organisation des composants Modèle Monde réel

électr(on)iques d’une voiture
gestion de la consommation électrique Macroscopique Langage artificiel Langage naturel
prise en compte de standards différents dans les différents
pays

 organisation d’un atelier de production

Microscopique Interactions Interactions
flexible entre agents entre individus
organiser les flux des produits en cours d’élaboration
Il s’agit de définir les conditions minimales pour expliquer
 simulation d’entreprises et de leurs échanges l’émergence d’un langage. Ces conditions minimales portent
matières premières, produits finis, informations, argent, etc. sur la structure des agents (capacités cognitives et
interactionnelles) et sur la structure du milieu dans lequel ils
évoluent.

Simulation Multi-Agent - Le langage Simulation Multi-Agent - Le langage

Créer un vocabulaire commun Cohérence du vocabulaire

La cohérence est assurée par la boucle de rétroaction entre le
The Naming Game (1996) Le locuteur essaie d’identifier un
choix d’une association et le succès lors de son utilisation
objet à l’interlocuteur en
pointant et en utilisant un nom
Le jeu réussit si l’interlocuteur a
bien deviné quel est l’objet FABI BILO MIP
MIPA désigné par le locuteur A
Si le locuteur n’a pas de nom M1 0.8 0.0 0.1
pour cet objet, il peut en créer
un nouveau. L’interlocuteur
peut M2 0.5 0.6 0.0
mémoriser l’association objet-
mot utilisé par le locuteur
M3 0.0 0.3 0.9
Les agents s’adaptent de façon
à mieux communiquer dans les
jeux futurs
Plus une association entre un En cas de succès, le score de
objet et un mot conduit à des
succès en communication, plus l’association (MIPA,M3)
elle a de chances d’être utilisée augmente.
dans le futur. Cette boucle de
rétroaction positive permet au
groupe de construire un lexique
Steels, L. (1996) Self-o rganizing voc abularies. Proc eedings of Alife V
cohérent
[Kaplan 98] [Kaplan 98]

Simulation Multi-Agent - Le langage Simulation Multi-Agent - Le langage

Compétition entre mots Convergence vers un lexique cohérent

1
GU 1,2

0.9

0.8 1
succès

0.7
coherence
0,8
0.6

0.5
0,6
0.4

0.3 0,4

0.2
BAGO 0,2 400 agents
0.1 20 agents 10 significations
10 signific ations
0
0
3000

4000
1000

1500

2000

2500

3500
500
0

0 100000 200000

[Kaplan 98] [Kaplan 98]

10
Simulation Multi-Agent - Le langage Simulation Multi-Agent - Le langage

Sensibilité au nb d’agents / de sens Renouvellement de la population

1
succès
1,2 120
0,9 Succès 20 agents
10 sens
0,8
Le succès complet est Cohérence

obtenu quand chaque

20 agents
0,7
1 100

agent a parlé de chaque

100 agents
0,6
400 agents

0,5
200 agents sens 10-20 fois
0,4

0,3
1000 agents 1

0,9
succès
20 sens
0,8
1 2 3 80

10 significations 100 sens

0,2 0,8
0,6 60
0,1 0,7 Un agent change tous les Un agent change tous
jeux/agent
200 sens Système
100 jeux les 10 jeux
0 0,6 50 sens 500 sens fermé
0 20 40 60 80 100 120 140 160 180 200
(5 jeux/agent) (1/2 jeux/agent)
0,5 0,4 40
1000 sens

Pour 10 sens, 100-200 jeux/agent 0,4

sont nécessaires pour atteindre 0,3

10 agents
0,2 Changement cumulé 20
un haut niveau de succès moyen 0,2

0,1
jeux/[Link]
Changement
0
0 2 4 6 8 10 12 14
0 0
0 25 50 games/[Link]

[Kaplan 98] [Kaplan 98]

Simulation Multi-Agent - Le langage Simulation Multi-Agent - Le langage

Contact entre langues Evolution du succès en communication

20 agents sont distribués

dans un monde 2D

Les agents ont tendance à

parler préférentiellement
avec les agents qui sont
proches d’eux Taille de la Population=20
Wc = 0,1 Wa = 0,75
Fonction de préférence:
L’effet de la distance sur succès/utilisation
la probabilité d’interaction
peut être controlé 1. Faible communication
entre C1 et C2
2. Forte communication
C1 et C2

[Kaplan 98] [Kaplan 98]

Simulation Multi-Agent - Le langage Simulation Multi-Agent - Le langage

Cohérence locale et globale Mots inventés / Mots importés

Taille de la Population=20 Taille de la Population=20

Wc = 0,1 Wa = 0,75 Wc = 0,1 Wa = 0,75
Fonction de préférence: Fonction de préférence:
succès/utilisation succès/utilisation

1. Faible communication 1. Faible communication

entre C1 et C2 entre C1 et C2
2. Forte communication 2. Forte communication
C1 et C2 C1 et C2

[Kaplan 98] [Kaplan 98]

11
Niveaux d'abstraction (1) Niveaux d'abstraction (2)

 La SMA permet aux

scientifiques de choisir le  Le niveau choisi doit correspondre
niveau d'abstraction aux objectifs de la simulation
auxquels ils souhaitent se au niveau de détail souhaité
placer.
au niveau de réalisme souhaité
 Pas de niveau obligatoire ou aux données disponibles
prédéfini pour
aux ontologies manipulées par les experts
l'"agentification" (ou
réification)  Le niveau choisi est un biais
 Permet de vérifier la simplification (idéalisation) de l'organisation sous-jacente
pertinence du niveau ne correspond pas forcément à une entité réelle
habituellement choisi
 Proche du problème de
l'analyse orientée objet

Niveaux d'abstraction (3) Projet RIVAGE (1)

 Comment prendre en
compte les
 Coexistence de niveaux différents abstractions
Echelles de temps, d'espace hydrologiques?
Quelles inter-relations définir ? mares, ravines, réseaux,
etc...
Comment les définir ?
Quelles interactions définir ?  Comment les créer
Problèmes de frontières entre les agents dynamiquement ?
observateur global ?
 Différence avec la simulation orientée-objet
 Comment réduire le
un seul niveau d'abstraction
temps de calcul ?
beaucoup de boules d'eau
beaucoup de boules
"inactives"

Projet RIVAGE (2) Projet RIVAGE (3)

 Constat :
abstractions manipulées par  Plusieurs techniques ?
l'observateur (hydrologue)
envisageables pour le
 Introduction explicite de ces NIVEAU N

abstractions en tant •Comportements propres regroupement des

qu'agents •Conditions d'extinction
boules:
générées par les boules d'eau métaphore démocratique
selon certaines conditions (si choix possible)
Agent
agissent en retour en corrélation entre les
contraignant les boules Niveau N
variables d'états et
participantes
proximité (propagation),
NIVEAU N-1 etc..
 Les agents de la simulation
gèrent les ontologies du
•Contraintes sur les comportements
 Émergence de niveaux
•Conditions de génération
domaine (distribuées sur eux) (réification
automatique)

12