[Next] [Previous] [Up] [Top]
chapitre 6
Le décideur, son organisation
et son environnement
Jusqu'à présent, la littérature sur la simulation multi-modale est assez réstreinte. Peu d'approches offrent réellement des techniques d'intégration bien définies et bien testées. Il existe à notre avis deux traditions de recherche dans ce domaine. L'une vient de l'intelligence artificielle. Dans ce domaine, les chercheurs ont l'habitude de travailler avec plusieurs "langages" à l'intérieur d'un problème et l'intégration entre langages ne leur pose pas de grands problèmes. Toutefois, leur intérêt pour la simulation reste limité dans la plupart des cas car, en intelligence artificielle, il y a une faible tradition pour modéliser l'environnement général de l'agent intelligent*1. L'autre tradition vient de la simulation numérique ou encore de la théorie des réseaux. Ces chercheurs ont tendance à privilégier la simulation et concevoir des objets comme les agents intelligents comme des cas spéciaux de simulation et de les considérer en quelque sorte comme un "mal nécessaire".
Une des rares méthodologies bien fondée et bien disséminée pour modéliser des systèmes dynamiques hiérarchiques et modulaires à événements discrets (angl. "Discrete Event Dynamic Systems" ou DEDS) est DEVS ("Discrete Event System Specification) développé par Zeigler et des collaborateurs à l'Université d'Arizona*2. Le premier formalisme DEVS date du début des années soixante-dix et depuis il est a été progressivement modifié pour accomoder les systèmes hiérarchiques et modulaires. Il a été adopé dans une ou une autre forme par plusieurs équipes de chercheurs. Chow et Zeigler (94:1) affirment que "hierarchical modelling capability is increasingly being recognized as the predominant modeling paradigm for future simulation developments", mais aucun environnement de simulation connu ne le supporte. Toutefois, il existe plusieurs implémentations de recherche dont celle de Praehofer (93) qui s'intègre bien aux applications d'intelligence artificielle. La capacité hiérarchique ne permet pas seulement d'intégrer différentes sortes de modèles, mais également de les réutiliser et de les tester indépendamment, ce qui réduit considérablement le temps de développement.
Sous le label "multimodeling" Lee, Norris et Fishwick (93) ont introduit un cadre théorique et méthodologique similaire*3 qui permet d'intégrer "planification", "contrôle intelligent" et "simulation" dans un cadre orienté objets. Un "multimodèle" est composé d'autres modèles en forme de réseau ou de graphe et il permet de modéliser des systèmes larges à des niveaux variés d'abstraction. L'ensemble fonctionne selon deux principes (cf. Lee, Norris et Fishwick 93:4-5):
- Les modèles sont organisés dans une structure hiérarchique. La couche la plus élevée fonctionne à un niveau d'abstraction assez élevé et initie l'exécution des modèles plus "bas" et plus spécifiques. Les modèles plus "bas" doivent accepter des "input" venant de modèles plus "hauts" et ces dernier doivent accepter tout "output" des modèles plus "bas".
- Chaque type de modèle doit implémenter un langage d'accès commun qui permet de les instantier, de les initialiser, de leur envoyer un "input", de les interroger sur leur état, d'appliquer un "input" à leur état courant et de récupérer une sortie. Donc, chaque modèle peut être caractérisé par son "input", son "output", son état, et les transitions d'un état vers un autre.
Les simulation multi-modales permettent de choisir un type d'approche pour chaque sous-problème en fonction du type de connaissances que l'on veut acquérir et ceci en fonction des théories, des ressources et des données à disposition. Elles exigent des multiples compétences de la part du chercheur, mais offrent l'avantage de fournir un langage de travail souple et bien adapté à la modélisation de phénomènes complexes.
THESE présentée par Daniel Schneider - 19 OCT 94
Generated with WebMaker