Module : modélisation et simulation d’un système
Spécialité M2 : Aide à la décision et Systèmes Intelligents (AD-SI)
Position de la modélisation et
simulation dans la gestion des
règles et processus métier des
enterprises.
Modélisation et Simulation
Dans une entreprise, la modélisation sert à créer une représentation visuelle et
logique des opérations.
La simulation intervient pour tester des scénarios "What-if" sans risquer
d'interrompre la production réelle.
Qu’est-ce qu’un BRMS ?
Un BRMS (Business Rules Management System) est un
système permettant de :
• modéliser
• gérer
• exécuter
• maintenir
des règles métiers, indépendamment du code applicatif.
Une règle métier est une expression formelle d’une politique,
contrainte ou décision de l’entreprise.
Qu’est-ce qu’un BRMS ?
Il fournit un moteur d’exécution de règles capable d’évaluer des
conditions métier et de prendre des décisions automatiquement
à partir des données fournies par les applications.
L’objectif principal d’un BRMS est de séparer la logique métier
décisionnelle du code technique,
►Gestion du cycle de vie
–Règles métier
►Ecriture -> Exécution
– Versioning – Process : Validation, Test
Le BRMS est un outil de modélisation décisionnelle.
Il permet de :
• représenter la logique métier
• formaliser les contraintes
• séparer règles et processus
• rendre les décisions traçables et explicables
LES ÉTAPES D’UN PROJET BRMS
1. Phase de conception / paramétrage du BRMS
-Définition des concepts métier / langage utilisé pour les règles
-Définition des objets physiques / lien avec le modèle métier
-Définition de modèles de règles
2. Écriture des règles
-Par l’équipe de développement dans un premier temps puis par l’utilisateur « métier »
-Tests et validation
3. modification, ajout de règles
4. Intégration
-Utilisation native du langage Java
Modélisation décisionnelle
1- Modélisation des règles métiers 2 Modélisation décisionnelle (DMN)
Le BRMS implémente souvent la norme
• Règles IF–THEN
DMN (Decision Model and Notation).
• Tables de décision DMN permet de modéliser :
• Arbres de décision •les décisions
•les règles
3-Modélisation métier (BPM / BPMN) •les données
•BPMN modélise le processus •les dépendances entre décisions
•BRMS modélise les règles DMN = langage de modélisation
BRMS = moteur d’exécution
4-Modélisation dans un SAD
Dans un DSS :
• le BRMS gère les règles simulation, font les calculs ,le décideur valide la décision
Modélisation décisionnelle
BPMN (Business Process Model and Notation) est un langage de modélisation graphique
utilisé pour représenter le déroulement d’un processus métier, du début à la fin.
1- BPMN │ ← Processus (organise le travail)
2-DMN │ ← Décisions (structure la décision)
3- BRMS (moteur règles) │ ← Règles exécutées (applique les règles)
4- SAD │ ← Aide à la décision (aide le décideur )
Exemple : (crédit bancaire)
BPMN : traitement de la demande
DMN : décision « accorder le crédit ? »
BRMS : règles d’éligibilité
SAD : analyse risque / revenu / montant
Outils Courants
IBM Operational Decision Manager (ODM) : Permet l'extraction et la migration
de règles depuis des codes existants vers un référentiel centralisé, avec focus sur le
sourcing pour intégration BRMS Exemple : Banque, transport
FICO Blaze Advisor : Outil puissant pour harvesting rules(Collecte des règles),
validation réglementaire et transformation en règles réutilisables.
Exemple : Une banque veut automatiser l’évaluation des demandes de prêt tout en
respectant les réglementations locales.
Drools (JBoss) : Open-source, excelle dans la découverte et structuration de règles
métier pour scalabilité. Exemple : RATP, planification
Avantages
1. Séparation règles / code → modification sans toucher au logiciel.
2. Centralisation → toutes les règles gérées au même endroit pour plus de
cohérence.
3. Agilité → adaptation rapide aux changements métier ou réglementaires.
4. Traçabilité et audit → historique des décisions et conformité.
5. Automatisation → exécution automatique des décisions, réduction des
erreurs.
6. Support aux DSS / modèles → intégration avec les modèles multicritères et
aide à la décision.
7. Standardisation → compatible avec DMN pour modélisation uniforme.
BRSS (Business Rules Sourcing System)
Un BRSS (Business Rules Sourcing System) : combine les règles métier
(Business Rules) avec la logique de sourcing.
Un BRSS se concentre sur le sourcing des règles : leur identification et
extraction depuis des origines disparates pour former un référentiel
unifié. Contrairement aux systèmes plus larges, il met l'accent sur la
découverte et l'intégration des règles plutôt que sur leur exécution
complète, favorisant leur réutilisation sans recodage des applications.
Les organisations l'utilisent pour moderniser leurs opérations en
rendant les règles cohérentes et accessibles.
BRMS (Business Rules BRSS (Business Rule
Critère
Management System) Support System)
Processus ou application
Portée Entreprise entière
spécifique
Complexité Élevée Moyenne à faible
Gérer, maintenir et exécuter Supporter et appliquer des
Objectif
toutes les règles métiers règles spécifiques
Règles locales / intégrées dans
Centralisation Toutes les règles centralisées
un module
Oui, pour des décisions Oui, surtout pour des décisions
Automatisation
complexes et nombreuses simples ou filtrage
Haute : modification des règles Limitée : règles plus simples,
Maintenance / Agilité
sans toucher au code intégrées
Historique complet des Historique limité, surtout
Traçabilité
décisions opérationnel
DSS : décision support system
systèmes d’aide à la décision (SAD).
Les Décision Support System sont des systèmes de
planification et d’information assistés par
ordinateur, destinés à améliorer la prise de
décision en entreprise.
TRADITIONNEL
Interface Utilisateur
Saisie paramètres
Visualisation résultats
Système de Gestion des Modèles
Modèles mathématiques
Outils d'analyse
Base de connaissances
Système de Gestion des Données
Bases de données
Data warehouses
Sources externes
Nature et dynamique des processus décisionnels dans
les entreprises : DSS, web-DSS, GDSS, AI-DSS.
Web-DSS est un système d'aide à la décision accessible
via un navigateur web standard, utilisant les
technologies Internet/Intranet pour fournir des outils
décisionnels à distance.
GDSS et ai-DSS
Un GDSS est un système informatique interactif conçu
spécifiquement pour améliorer la qualité, l'efficacité et
l'équité des décisions prises par un groupe.
Ai-DSS est un système d'aide à la décision qui intègre des
technologies d'intelligence artificielle pour fournir un
support décisionnel avancé, capable d'apprendre, de
raisonner, de s'adapter et d'expliquer ses recommandations.
Modélisation et types de DSS
DSS classique : modèles statistiques, simulation,
optimisation.
Web-DSS : mêmes modèles, avec accès web et
visualisation interactive.
GDSS : modèles multi-critères et collaboratifs.
AI-DSS : modèles intelligents (IA, machine learning,
systèmes experts).
Modèle & Modélisation
1.2 La Modélisation:
La modélisation consiste à créer une représentation simplifiée (le modèle )
d'un système ou d’un problème réel.
Approches de Modélisation
Fonctionnelle Que fait le système ?
Données Quelles données ?
Objet Quels objets ?
Comportementale Comment évolue-t-il ?
Processus Dans quel ordre ?
Approche Question clé
Décisionnelle Comment décide-t-on ?
Modèles et paradigmes pour la
modélisation
Modélisation quantitative
La modélisation quantitative est une technique analytique essentielle qui
utilise des modèles mathématiques et statistiques pour comprendre et prédire
les phénomènes du monde réel.
Techniques et outils courants
Analyse descriptive : Moyenne, médiane, etc., pour résumer les données.
Analyse de régression : Linéaire ou multiple, pour mesurer l'impact d'une
variable sur une autre.
Modèles économétriques : Modèles mathématiques et statistiques pour
analyser des données économiques.
Optimisation : Linéaire ou non-linéaire, pour trouver la meilleure solution.
Apprentissage automatique (Machine Learning) : Pour identifier des motifs
complexes dans de grands ensembles de données.
Modélisation symboliques
Description : Basés sur la connaissance, les règles et
le raisonnement humain.
Exemples : Règles "SI-ALORS", ontologies, arbres de
décision,
Utilité : Représenter les décisions et préférences
humaines.
Modèles hybrides
Description : Combinent méthodes quantitatives et
qualitatives, souvent avec de l’intelligence artificielle.
Exemples : Réseaux de neurones, deep learning,
systèmes neuro-flous.
Utilité : Exploiter la puissance de l’IA pour traiter des
situations complexes et incertaines.
modèles multi-critères/ hybrides
Un modèle multi-critères vise à :
• comparer plusieurs alternatives,
• selon plusieurs critères = (quantitatifs ou qualitatifs)
• afin de choisir, classer ou hiérarchiser les alternatives.
Éléments d’un modèle multi-critères
1. Alternatives (A₁, A₂, …, Aₙ)
2. Critères (C₁, C₂, …, Cₙ)
3. Poids des critères (importance relative)
4. Fonction d’évaluation / d’agrégation
5. Règle de décision (choix, classement, tri)
Exemple : choix d’un fournisseur
Critères et poids
Alternatives Critère Type Poids
• A1 : Fournisseur 1 C1 : Coût (€) Coût (min) 0,40
• A2 : Fournisseur 2 C2 : Qualité Bénéfice (max) 0,35
• A3 : Fournisseur 3 C3 : Délai (jours) Coût (min) 0,25
Matrice multicritère (matrice de décision) matrice multicritère brute
Alternatives Coût (€) Qualité Délai (jours)
A1 1000 8 5
A2 1200 9 3
A3 900 7 6
Alternatives Coût Qualité Délai
A1 0,90 0,89 0,60
A2 0,75 1,00 1,00
A3 1,00 0,78 0,50
La méthode de la SOMME PONDÉRÉE
(Weighted Sum Model – WSM / SAW)
Alternative Calcul Score
Classement final
A1 (0,40×0,90)+(0,35×0,89)+(0,25×0,60) 0,82
🥇 A2 (0,90)
🥇 A1 (0,82)
A2 (0,40×0,75)+(0,35×1)+(0,25×1) 0,90
🥇 A3 (0,80)
A3 (0,40×1)+(0,35×0,78)+(0,25×0,50) 0,80
Modèles visuels
Description : Utilisent la visualisation pour faciliter
l’analyse et l’interprétation des données.
Exemples : Tableaux de bord prospectifs, dataviz
interactive, géovisualisation.
Utilité : Aider à comprendre rapidement les
informations et à communiquer les décisions.
Modélisation Avec
Unified Modelling Language
(UML)
4.3 Pourquoi UML?
UML est Un support de communication performant, qui facilite la représentation et la
compréhension des solutions OO:
La notation graphique permet d'exprimer visuellement une solution objet, ce qui
facilite la comparaison et l'évaluation de solutions.
L’indépendance par rapport aux langages de programmation, aux domains
d'application et aux processus, en font un langage universel.
UML permet aux concepteurs de parler un langage commun:
normalisé mais accessible
Modélisation des besoins
Avant de développer un système, il faut savoir précisément à QUOI il
devra servir, c-a-d à quels besoins il devra répondre.
Modéliser les besoins permet de :
Faire l'inventaire des fonctionnalités attendues ;
Organiser les besoins entre eux, de manière à faire apparaître des relations
(réutilsations possibles, ...);
Avec UML, on modélise les besoins au moyen de Diagrammes de cas d'utilsation.
Les axes de modélisation avec UML
Le développement d’un logiciel est axé sur trois modèles de systèmes globaux :
Fonctionnel : ce sont des diagrammes de cas d'utilisation, qui décrivent la
fonctionnalité du système du point de vue de l'utilisateur.
Objet : ce sont des diagrammes de classes qui
décrivent la structure d'un système en termes
d'objets, attributs, associations et opérations.
Dynamique : ce sont des diagrammes
d'interaction, diagrammes états-transitions et
diagrammes d'activités utilisés pour décrire le
comportement interne du système.
On visualise ces modèles de système grâce à deux types
distincts de diagrammes : structurel et comportemental.
diagrammes de cas d'utilsation
Le diagramme de cas d'utilisation décrit les grandes fonctions
d'un
système du point de vue des acteurs, mais n'expose pas de façon
détaillée le dialogue entre les acteurs et les cas d'utilisation.
Un simple nom est tout à fait infusant pour décrire un cas
d'utilisation.
Chaque cas d'utilisation doit être documenté pour qu'il n'y ait
aucune
ambiguïté concernant son déroulement et ce qu'il recouvre
précisément.
Relations entre cas d'utilisation
Inclusion : le cas A inclut le cas B (B est une partie obligatoire de A).
Lorsqu'un cas B inclut un cas A, B dépend de A.
Extension : le cas B étend le cas A (A est une partie optionelle de A).
Lorsqu'un cas B étend un cas A, B dépend aussi
de A.
Généralisation : le cas A est une généralisation du cas du cas B (B est une sorte de A)
Le sens des èches indique le dépendance, pas le
sens de la relation d'inclusion.
Exemple : client demande le paiement par carte bancaire
Nom du cas : Payer CB
Objectif : Détailler les étapes permettant à client de payer
par carte
bancaire
Acteurs : Client, Banque (secondaire)
Date : 18/09
Responsables : XX
Version : Numéro de la version.
Description textuelle
Séquencements : Le cas d'utilisation commence lorsqu'un client demande le paiement par carte
bancaire
Pré-conditions : Le client a validé sa commande
Enchaînement nominal :
1 > Le client saisit les informations de sa carte bancaire
2 >Le système vérifie que le numéro de CB est correct
3 >Le système vérifie la carte auprès du système bancaire
4 > Le système demande au système bancaire de débiter le client
5 >Le système notifie le client du bon déroulement de la transaction
Enchaînements alternatifs :
1 En (2) : si le numéro est incorrect, le client est averti de l'erreur, et invité à recommencer
2 En (3) : si les informations sont erronées, elles sont re-demandées au client
Post-conditions
La commande est validée
Le compte de l'entreprise est crédité
diagramme de cas d'utilisation
Les diagrammes de classes
Les diagrammes de classes présentent la structure statique du système en
termes de classes et de relations entre ces classes
Une classe est la description d'un ensemble
d'objets ayant une sémantique, des attributs,
des méthodes et des relations en commun.
Elle spécifie l'ensemble des caractéristiques
qui composent des objets de même type
Attribut
Un attribut représente la modélisation d’une information élémentaire représentée par
son nom et son format
UML définit 3 niveaux de visibilité pour les attributs :
public (+) : l’élément est visible pour tous les clients de la classe
protégé (#) : l’élément est visible pour les sous-classes de la classe
privé (-) : l’élément n’est visible que par les objets de la classe dans laquelle il est déclaré
L’identifiant est un attribut particulier, qui permet de repérer de façon unique chaque
objet, instance de la classe.
Par commodité de gestion, on choisit parfois de conserver dans un attribut le résultat
d’un calcul effectué à partir d’autres classes : on parle alors d’attribut dérivé. Pour
repérer un attribut dérivé : on place un « / » devant son nom
Les diagrammes de classes
Une association entre une classe A et une classe B signifie que la classe A
contiendra une référence `a un ou plusieurs objets de la classe B sous la
forme d’un attribut.
Exemple : un article n'appartient qu'à une seule catégorie (1) ; une
catégorie concerne plus de 0 articles, sans maximum (*).
Relations entre classes
Une relation d'héritage est une relation de généralisation/spécialisation permettant
l'abstraction.
Une dépendance est une relation unidirectionnelle exprimant une dépendance
sémantique entre les éléments du modèle (èche ouverte pointillée).
Une association représente une relation sémantique entre les objets d'une classe.
Une relation d'agrégation décrit une relation de contenance ou de composition.
Héritage vs Composition
Problème :
Modéliser le fait qu’il y a des voitures bleues, des voitures rouges et des
voitures vertes.
Solution 1 : Héritage
Créer une classe abstraite Voiture
Créer 3 classes VoitureBleue, VoitureRouge et VoitureVerte qui héritent
de Voiture
Solution 2 : Composition
Créer une classe Voiture et une classe Couleur (énumération)
Créer une association entre Voiture et Couleur
Exemple :
Outil : PlantUML –Python
PlantUML est un composant qui permet aux utilisateurs de
créer rapidement et facilement des diagrammes de séquence,
des diagrammes de cas d’utilisation, des diagrammes de
classes, des diagrammes d’activités, des diagrammes de
composants, des diagrammes d’état, des diagrammes de
déploiement, des diagrammes d’objets et des interfaces
graphiques filaires. Le langage utilisé pour définir les
diagrammes est basique et intuitif.
PlantUML est également compatible avec les wikis et les
forums comme NodeBB, Confluence Cloud, Ikiwiki et Slack.
Outil : PlantUML –Python
@startuml
[Link]
class Etudiant {
-id : int
+nom : String
+prenom : String
+sInscrire(c : Cours)
Exemple :
} Système de gestion simple (Étudiant
class Enseignant {
-id : int
– Cours – Enseignant)
-nom : String
+enseigner(c : Cours)
} Description
class Cours { • Un Étudiant s’inscrit à plusieurs Cours
-code : String
-intitule : String • Un Enseignant enseigne plusieurs Cours
-volumeHoraire : int
} • Un Cours est enseigné par un seul
' Relations
enseignant
Etudiant "0..*" -- "1..*" Cours : s'inscrit
Enseignant "1" -- "0..*" Cours : enseigne
@enduml
Diagrammes de Séquence
Éléments du diagramme de séquence
Acteurs
Objets (instances)
Messages (cas d'utilisation, appels d’opération)
Principes de base : Représentation graphique de la
chronologie des échanges de messages avec le système ou au
sein du système
« Vie » de chaque entité représentée verticalement
Échanges de messages représentés horizontalement
Diagramme de communication
Une petite flèche est placée à côté du trait reliant les
deux entités communicantes
Le nom du message est placé au dessus
Diagramme de communication
Connexion au site Web
sur le diagramme de
communication
La simulation : qu’est ce que c’est ?
Relation entre modélisation et simulation
• La modélisation traite principalement la relation entre le système réel et le
modèle.
• La simulation concerne principalement la relation entre le modèle ordinateur
et le modèle
Objectif de la simulation
Observer l’auto-organisation
Comprendre comment un système complexe peut
émerger de règles locales simples
Étudier l’impact des paramètres (évaporation des
phéromones, nombre d’agents, etc.)
Simulation à Événements Discrets (SED)
C'est le type le plus utilisé dans l'industrie et la logistique. Le temps ne
"coule" pas de manière continue ; il saute d'un événement à un autre (ex:
l'arrivée d'un client, la panne d'une machine).
Utilisation : Files d'attente (banques), lignes de production, réseaux
informatiques.
Avantage : Très efficace en termes de calcul car on ignore les périodes où
rien ne se passe.
Simulation Continue
Ici, l'état du système change de manière fluide et
ininterrompue en fonction du temps. Elle repose presque
exclusivement sur des équations différentielles.
Utilisation : Dynamique des fluides, réactions chimiques,
trajectoire d'une fusée.
Focus : On s'intéresse à la variation de variables
(température, vitesse, pression) à chaque instant $t$.
Simulation Multi-Agents (SMA)
Comme nous l'avons vu, elle se concentre sur les
individus et leurs interactions.
Principe : Contrairement aux modèles globaux, ici le
comportement du système n'est pas programmé, il
émerge des actions des agents.
Utilisation : Écologie, mouvements de foule, marchés
financiers.
simulation de Monte-Carlo ?
Il s'agit d'une méthode stochastique (utilisant le hasard).
On répète des milliers de fois une simulation avec des
variables d'entrée aléatoires pour obtenir une probabilité
de résultats.
Utilisation : Évaluation des risques financiers, physique
nucléaire, estimation de délais de projets.
Exemple : Calculer la probabilité qu'un pont s'écroule en
simulant des milliers de combinaisons de vent et de charge
de trafic.
5. Simulation Hybride
Dans le monde réel, les systèmes sont complexes. La
simulation hybride combine plusieurs approches pour
plus de réalisme.
Exemple : Simuler une usine où le processus de
fabrication est discret (pièce par pièce), mais où la
consommation d'énergie ou la température des cuves
est continue.
Outils d'IA et Agents Autonomes
Une nouvelle génération d'outils permet de simuler des
comportements humains complexes grâce aux LLM.
CrewAI / Microsoft AutoGen : Ces frameworks
permettent de simuler des équipes de travail entières où
chaque agent IA (basé sur GPT-4 ou Claude) collabore pour
résoudre une tâche.
ChatDev : Permet de simuler une "entreprise virtuelle"
complète (codeurs, testeurs, managers) pour voir comment
un projet logiciel évolue.
Type Unité de base Gestion du temps Domaine typique
Chronologique
Événements Discrets L'événement Logistique / Services
(sauts)
Continu (pas de
Continue La variable Physique / Ingénierie
temps fixé)
Itératif (pas de
Multi-Agents L'individu Biologie / Sociologie
temps)
Non-temporel
Monte-Carlo L'échantillon Finance / Risques
(répétitions)
61
Une simulation SMA
Une simulation SMA repose sur trois piliers indissociables :
(Environnement) : C'est l'espace physique ou logique. Il peut
posséder ses propres règles (ex: croissance de l'herbe,
température, relief géographique).
Les Agents : Entités autonomes dotées de capteurs (pour voir
leur entourage) et d'effecteurs (pour agir). Ils ont une
"intelligence" locale et limitée.
Les Interactions : L'ensemble des règles de mise en relation.
Cela peut être une collision, un échange de message ou une
modification de l'environnement (stigmergie).
Intérêt des SMA
Les SMA permettent de :
comprendre les systèmes complexes,
tester des hypothèses,
simuler des comportements réels difficiles à observer.
Définition d'un agent
Un agent est vu comme une entité autonome, qui peut percevoir et
agir dans son environnement, et qui est capable d’interagir avec
d’autres agents
Décision
Agent
Perception Action
(capteurs) (actionneurs)
Environnement
Les agents cognitifs Les agents réactifs
Les agents cognitifs &Les agents réactifs.
67
Les agents réactifs .
Les agents réactifs : Ce sont des agents dépourvus d’intelligences (Agent de
bas niveau).
Ils ne disposent que d’un protocole et d’un langage de communication réduits ;
Ils n’ont pas une représentation globale de leurs environnements ;
Ils ne sont pas capables de tenir compte de leurs actions passées ;
Leurs capacités répondent uniquement à la loi stimulus/action ;
Intelligence peut émerger suite à :
• Des mécanismes simples de réactions aux événements.
• L’interaction entre ces agents réactifs et l’environnement.
Un SMA constitué d’agents réactifs possède généralement un grand nombre
d’agents.
les systèmes cognitifs
Les agents cognitifs: Ce sont des agents intelligents.
Ils disposent d’une base de connaissances qui contient les informations liées à :
• Leurs domaines d’expertise (le savoir-faire) ;
• La gestion des interactions avec les autres agents ;
• Les interactions avec leur environnement.
Agents intentionnels : ils possèdent des buts explicites qui motivent leurs actions.
Agents rationnels : leurs actions suivent un principe de rationalité par rapport à
leurs buts.
Un SMA constitué d’agents cognitifs possède communément peu d’agents.
Agents hybrides
Ce type d'architecture combine les agents réactifs et cognitifs,
qui sont généralement distribués sur plusieurs niveaux ou
couches. La couche de haut niveau, délibérative, rassemble des
agents purement cognitifs, s'occupe du raisonnement et de la
prise de décision du système. La couche de bas niveau ne
rassemble que des agents réactifs qui exécutent généralement des
tâches élémentaires sous les ordres de la couche supérieure ou
par leurs propres initiatives. Les couches intermédiaires, peuvent
regrouper les deux types d'agent (réactifs et cognitifs), le nombre
de couches intermédiaires dépend du modèle du système à
concevoir.
Étude de cas : SMA de fourmis –
Recherche de nourriture
1. Agent : la fourmi
Chaque fourmi est un agent autonome, simple, avec :
une perception locale (nourriture, nid, phéromones),
un état interne (chargée / non chargée),
des règles de décision locales.
Exemple de simulation SMA
Les « autoroutes » de fourmis
• Comportements observés de fourmis
• Capacités de perception et d’action
• Communication très simple par phéromones
• Evaporation des phéromones au cours du temps
Exemple de simulation SMA
Les « autoroutes » de fourmis
Environnement
Exemple de simulation SMA
Les « autoroutes » de fourmis
Le nid, les
Environnement PERCEPTI ON sources de
Chaque agent nourriture, les
représente une marques de
fourmi phéromones
DECISION
Attributs :
Chargée, Se déplacer,
Position du Ramasser /
nid, ACTION Déposer
… nourriture,
Déposer une
marque de
phéromone
Exemple de simulation SMA
Les « autoroutes » de fourmis
Environnement Règles de décision de l’agent :
• Explore aléatoirement
Exemple de simulation SMA
Les « autoroutes » de fourmis
Environnement Règles de décision de l’agent :
• Explore aléatoirement
• Si non chargée et détecte source
de nourriture alors ramasse
nourriture et dépose phéromone
SMA pour la simulation et la Principes de modélisation SMA : étude de cas 52
modélisation de systèmes complexes
Exemple de simulation SMA
Les « autoroutes » de fourmis
Environnement Règles de décision de l’agent :
• Explore aléatoirement
• Si non chargée et détecte source
de nourriture alors ramasse
nourriture et dépose phéromone
• Si chargée et pas au nid alors va
vers le nid et dépose phéromone
Exemple de simulation SMA
Les « autoroutes » de fourmis
Environnement Règles de décision de l’agent :
• Explore aléatoirement
• Si non chargée et détecte source
de nourriture alors ramasse
nourriture et dépose phéromone
• Si chargée et pas au nid alors va
vers le nid et dépose phéromone
• Si chargée et au nid alors dépose
nourriture
Exemple de simulation SMA
Les « autoroutes » de fourmis
Environnement Règles de décision de l’agent :
• Explore aléatoirement
• Si non chargée et détecte source
de nourriture alors ramasse
nourriture et dépose phéromone
• Si chargée et pas au nid alors va
vers le nid et dépose phéromone
• Si chargée et au nid alors dépose
nourriture
• Si non chargée et détecte
phéromone alors remonte le
chemin
simulation SMA Les « autoroutes » de fourmis
Organisation des règles de décision
-> Architecture de subsumption (plus basse est la règle, plus haute sa priorité)
1 Sinon explore aléatoirement
Si non chargée et détecte phéromone
2
alors remonte le chemin
Si non chargée et détecte source de nourriture
3
alors ramasse nourriture et dépose phéromone
Si chargée et pas au nid
4
alors va vers le nid et dépose phéromone
5 Si chargée et au nid alors dépose nourriture
Perception Action
Mise en évidence d’un comportement d’auto-organisation, la stigmergie,
non déductible du seul comportement d’une fourmi
-> Emergence
SMA pour la simulation et la Principes de modélisation SMA : étude de cas 56
modélisation de systèmes complexes
Exemple de simulation SMA
Les « autoroutes » de fourmis
Environnement
🔹 Autonomie
Chaque agent agit sans contrôle central.
🔹 Interaction indirecte (stigmergie)
La communication se fait via les phéromones, pas par messages
directs.
🔹 Comportement émergent
Aucune fourmi ne “connaît” le chemin optimal
Le chemin le plus court émerge collectivement grâce au
renforcement des phéromones
🔹 Simplicité locale → complexité globale
Des règles simples produisent un comportement collectif intelligent.
Algorithme de Simulation SMA
Le moteur de simulation suit généralement cette structure algorithmique :
# Pseudo-code d'un moteur SMA
Initialiser_Environnement()
Initialiser_Agents()
Tant que t < T_max :
Pour chaque agent dans Agents:
Perceptions = [Link](Environnement)
Decision = [Link](Perceptions)
[Link](Decision, Environnement)
Environnement.mettre_a_jour() # Ex: pousse de l'herbe, météo
Enregistrer_Statistiques()
t=t+1
Travaux Pratiques : Outils
NetLogo : Utilise un langage dérivé de Lisp, excellent
pour visualiser l'émergence.
JADE (Java Agent DEvelopment framework) : Pour
implémenter de vrais agents distribués respectant les
normes FIPA(Foundation for Intelligent Physical
Agents),
GAMA : Pour coupler la simulation avec des données
géographiques réelles.
Limites
résultats dépendants des paramètres,
simulations coûteuses en calcul,
validation parfois difficile.
Reference :
[Link]
Gestion des règles « métier » [Link]
[Link]
web/decision-support-systems/
[Link]
Introduction aux Systèmes Multi-Agents - Université Toulouse I & IRIT.