Université Abou Bekr Belkaid
Faculté de technologies
Département de Génie BioMédical
CORRIGE TYPE DE L’EXAMEN
SUR LES SMA
M2 IBM
2020-2021
QUESTIONS DE COURS : 10 PTS
1- Quelle est la différence majeure entre l’IA classique et l’IA distribuée, en termes de
philosophie d’apprentissage et/ou d’intelligence. 1pt
R : en termes de philosophie d’apprentissage et/ou d’intelligence, l’IA classique considérait
que ces dernières étaient une propriété réservée à « l’individu » et non pas à un groupe
d’individus.
En revanche, l’IA distribuée considère que l’intelligence et le savoir peuvent être acquis
par l’interaction avec les autres et donc on parle d’une intelligence collective.
2- Qu’est-ce qu’un agent ? 1pt
R : un agent est une entité physique (hard) ou logicielle (soft), évoluant dans un
environnement (réel ou virtuel) , capable de le percevoir et d'agir dessus, qui peut
communiquer avec d'autres agents, qui exhibe un comportement autonome, lequel peut être
vu comme la conséquence de ses connaissances, de ses interactions avec d'autres agents et des
buts qu'il poursuit [J. Ferber, 1995].
3- Citez les différences majeures entre un objet et un agent. 1pt
R:
Objet :
Entité passive possédant un état et sur lequel on peut effectuer des opérations [Chaib-
draa, 2007]
Pas d’autonomie : l’objet qui reçoit un appel de méthode exécute celle-ci (pas de
proactivité, ni de réactivité)
Peu de socialité : interaction rigide (pas d’évolution dans le temps) et simple
Agent :
Entité autonome interagissant avec son environnement et est à un degré d’abstraction
plus élevé qu’un objet.
Autonomie de contrôle : l’agent décide de son comportement en fonction de son état,
croyances, connaissances, perceptions de l’environnement, requêtes des autres
Socialité : composante très importante, complexité des interactions, des organisations
Notion d’environnement importante et plus complexe
4- Quelle est la différence entre un système expert (SE) et un SMA ? 1pt
R : la différence la plus importante, est que le SE infère son raisonnement et son intelligence
au niveau local, par contre le SMA le fait de façon distribuée sur l’ensemble des agents qui le
compose.
5- Citez les différents types de SMA. 1pt
R : on peut citer 4 types principaux des SMA (voir chapitre II ; diapo 12) :
SMA ouvert ;
SMA fermé ;
SMA hétérogène ;
SMA homogène.
6- Quelle est la différence entre un agent cognitif ayant des buts et celui ayant une
fonction d’utilité. 1pt
R : un agent ayant des buts planifie ses actions pour atteindre un état qui le rapproche de son
but (cela reste vrai, si les buts ne sont pas contradictoires). En revanche, avec une fonction
d’utilité, ses actions sont choisies de telle sorte qu’il puisse satisfaire ses buts au mieux, c-à-d,
qu’il choisira l’action qui lui permet de maximiser cette fonction.
Université Abou Bekr Belkaid
Faculté de technologies
Département de Génie BioMédical
7- Décrivez brièvement la plateforme JADE. 1pt
R : Jade est un middleware qui facilite le développement des systèmes multi agents (SMA). JADE
contient :
• Un runtime Environment : l'environnement ou les agents peuvent vivre.
• Une librairie de classes : que les développeurs utilisent pour décrire leurs agents.
• Une suite d'outils graphiques : qui facilitent la gestion et la supervision de la plateforme des agents.
Chaque instance du JADE est appelée conteneur " container ", et peut contenir plusieurs agents. Un
ensemble de conteneurs constituent une plateforme. Chaque plateforme doit contenir un conteneur
spécial appelé main-container et tous les autres conteneurs s'enregistrent auprès de celui-là dès leur
lancement.
Un main-container se distingue des autres " simples " conteneurs par une autre particularité ;
il contient toujours deux agents spéciaux appelés AMS et DF qui sont lancés
automatiquement au lancement du main-container.
8- Quels sont les outils et les techniques qui permettent aux agents de se représenter
l’environnement dans lequel ils évoluent ? 1pt
R : Concernant les outils qui permettent la représentation de l’environnement nous pouvons
juste citer par exemple les caméras, les différents capteurs,… pour les agents robots, quant
aux agents logiciels ce sont tous les mécanismes d’E/S qui permettent l’acquisition des
données.
Pour ce qui est des techniques permettant la représentation de l’environnement pour
l’ensemble des agents, nous pouvons citer principalement le partage de la perception de
chaque agent avec les autres agents composant le SMA et ce par le biais des différentes
technique de communication (Peer-To-Peer, Diffusion,…..)
9- Schématisez et expliquez brièvement l’architecture d’un agent hybride. 2 pts
R : Reportez-vous au cours sur les différents types et architectures d’agents.
Exercice : 10 PTS
a- Agent réactif (3.5 PTS): le comportement de ce type d’agents est lié aux actions qu’il
réalise en fonction des stimulus qu’il perçoit.
Dans notre cas, les stimulus / actions (fonctions associées) qu’on peut définir sont :
Si cases blanches Avancer(T[i,j]) ;
Si cases noires Tourner-à-droite(T[i,j]) || Tourner-à-gauche(T[i,j]) ||
Reculer(T[i,j]) ;
Si cases de sortie sortir().
Le comportement :
Nous positionnons notre agent aléatoirement ;
Nous devons scruter son voisinage pour savoir si les cases qui l’entoure sont noires
ou blanches ;
Si les cases sont noires alors il va activer l’une des trois actions sus mentionnées ;
Sinon, si les cases sont blanches, il doit activer l’action correspondant à ce stimulus,
Une fois que la case de sortie est atteinte, alors il active l’action sortir().
b- Agent délibératif avec but (3.5 PTS): dans ce cas, l’agent est guidé par son but, qui
est dans notre cas la sortie du labyrinthe.
Ses états, sont l’ensemble des positions qu’il aura, au cours de ses déplacements pour
atteindre la sortie.
Université Abou Bekr Belkaid
Faculté de technologies
Département de Génie BioMédical
Ses fonctions seront les mêmes que celles définies pour l’agent réactif, en y ajoutant une autre
comme suit : - Si cases blanches longeant le mur Avancer(T[0,j] || T[i,0] || T[n,j] || T[i,m]);
Pour ce qui est du comportement de l’agent, nous pouvons le décrire comme suit :
Etant donné qu’il s’agit d’un agent délibératif, donc il possède une représentation
partielle de l’environnement dans lequel il évolue, on suppose qu’il connaisse au moins la
taille de la matrice T[n,m] (n,m entiers naturels < > 0).
Nous le positionnons de façon aléatoire dans le labyrinthe. Son état initial est donc
cette position T[i,j], qu’il va enregistrer.
L’agent va scruter les cases voisines ;
Si les cases sont blanches, il doit choisir l’action qui le rapprochera le plus
rapidement possible vers le mur, c’est-à-dire l’une des cases suivantes : T[0,j] || T[i,0] || T[n,j]
|| T[i,m] ;
Pour déterminer cette action, l’agent doit calculer la distance de Manhattan
d(A,B)=|XB – XA| + |YB – YA| ; avec (XA , YA) :sa position initiale et (XB , YB) la position du
mur.
Lorsqu’il aura calculé cette distance pour chacune des possibilités qui s’offrent à
lui ; il choisira la plus faible distance et se déplacera en conséquence, jusqu’à ce qu’il atteigne
le mur ;
Une fois le mur atteint, il avancera avec la fonction Avancer(T[0,j] || T[i,0] || T[n,j]
|| T[i,m]), cette fonction lui permettra d’avancer toujours en langeant le mur jusqu’à ce qu’il
arrive à l’une des trois sorties;
c- Algorithme : 3 PTS
Mr GAOUAR Adil.