Simulation multi agents d’un comportement
humain face à une situation d’urgence
République algérienne démocratique et populaire
Ministère de l’enseignement supérieur et de la recherche scientifique
Université des sciences et de la technologie d’Oran Mohamed Boudiaf USTOMB
Faculté des sciences
Département d’informatique
Ingénierie des logiciels et
des réseaux Option :
Pour l’obtention du diplôme de Magister
Thème :
Spécialité : informatique
Mme BENKHEDDA Samira
Mémoire présenté par
Devant le jury composé de:
Qualité Nom & Prénom Grade Etb d’origine
Examinateur Rahal Sidi Ahmed Maitre des conférences A USTO- MB
Soutenu publiquement en février 2012
Président Benyettou Mohamed Professeur USTO- MB
Rapporteur Bendella Fatima Maitre des conférences A USTO- MB
Examinatrice Mekki Rachida Maitre des conférences A USTO- MB
Invitée Mekkakia Zoulikha Maitre des conférences B USTO- MB
Remerciements
DEDICACES
J’ai l’honneur de dédier ce modeste travail aux deux héros de ma vie : mes
parents sans lesquels je ne serai jamais la femme que je suis.
Ce travail est le couronnement de leur présence quasi constante, de tous
les sacrifices qu’ils ont consentis pour moi, et les efforts qu’ils ont fait
pour mon éducation ainsi que ma formation.
A mes anges gardiens, mes très chères sœurs : Fouzia, Fatima et Wahiba,
d’avoir toujours été à mes côtés, leur soutien moral fut très important
pour moi.
A mes beaux frères et spécialement à mes neveux bien aimés « Chemssa »,
« Islem » et « Oussama », ainsi qu’à toutes mes belles sœurs.
A ma famille « BENKHEDDA » et ma belle famille « GHEDAIDIA » pour
leurs encouragements, sans oublier la précieuse aide de mon cher mari
«Mohammed », de tous les sacrifices qu’il a consentis pour me permettre
de suivre mes études dans les meilleures conditions.
A tous ceux qui m’ont tenus compagnie et qui m’ont entouré de leur
sympathie et de leur sollicitude, mes chères amies. Ainsi qu’à mes
collègues du laboratoire.
Sans oublier tous mes professeurs depuis le cycle primaire. Aux gens qui
m’aiment et m’estiment…
Un petit clin d’œil à mon poussin Issam…
Benkhedda samira
Table des matières
Introduction générale .......................................................................................................................... 10
Organisation du document ................................................................................................................. 11
CHAPITRE 1 ....................................................................................................................................... 12
I. Introduction ................................................................................................................................... 13
II. La simulation informatique ...................................................................................................... 13
II.1. La théorie de la simulation ................................................................................................... 13
II.2. Les types de la simulation .................................................................................................... 14
II.3. Système multi-agents (SMA) ............................................................................................... 15
III. La simulation multi-agents .............................................................................................................. 15
III.1 Définition................................................................................................................................... 15
III.2 Les objectifs de la simulation multi-agents ............................................................................... 16
III.3 Modélisation et implémentation d’une simulation multi agents ............................................... 16
III.4 L’interaction dans les simulateurs ............................................................................................ 17
IV. Simulation multi-agents d’une situation d’urgence ........................................................................ 19
IV.1 Les phases de la simulation ..................................................................................................... 20
IV.1.1 Compréhension de la situation : analyse de la tâche et de l'activité ................................... 20
IV.1.2 Simulations formelles ........................................................................................................ 20
IV.1.3 Simulation en grandeur nature .......................................................................................... 21
IV.2 Outil de simulation de la dynamique de crise ........................................................................... 22
IV.3 Objectifs et avantages .............................................................................................................. 22
V. La simulation des systèmes complexes ............................................................................................ 24
VI. Conclusion....................................................................................................................................... 24
CHAPITRE 2 ...................................................................................................................................... 25
I. Introduction ................................................................................................................................... 26
II. Définitions des Systèmes Multi-Agents .......................................................................................... 26
II.1 Les avantages ............................................................................................................................ 27
II.2 Les agents ................................................................................................................................... 28
III. IDESS: Système de simulation multi agents pour le développement rapide des maladies
infectieuses ........................................................................................................................................... 38
III.1 Présentation du modèle ............................................................................................................. 38
III.2 Contexte..................................................................................................................................... 38
III.3 Implémentation SMA ................................................................................................................ 38
IV. IFI: Système à base d’agents pour l’évacuation de bâtiment dans le cas d’incendie ................. 39
IV.1 Présentation du modèle ............................................................................................................. 39
IV.2 Contexte .................................................................................................................................... 40
IV.3 Implémentation SMA ................................................................................................................ 40
V. Etude comparative ............................................................................................................................ 41
CHAPITRE 3 ....................................................................................................................................... 44
I. Introduction ................................................................................................................................... 45
II. Définitions officielles ............................................................................................................... 45
II.1. E-Learning ............................................................................................................................. 45
II.2. M-learning ............................................................................................................................. 45
III. Les Caractéristiques du M-learning .......................................................................................... 45
III.1. La mobilité ........................................................................................................................ 45
III.2. Le Lieu de formation ......................................................................................................... 46
III.3. Le Contexte de la formation .............................................................................................. 47
III.4. Les types de dispositifs ...................................................................................................... 47
IV. Les avantages du M-learning..................................................................................................... 47
V. Inconvénients ................................................................................................................................ 48
V.1. La nature de la mobilité ......................................................................................................... 48
V.2. Limites de l’interface d’accès ................................................................................................ 48
V.3. Faiblesse de la bande passante .............................................................................................. 49
V.4. Diversité des équipements ..................................................................................................... 49
VI. Les types de dispositifs mobile utilisés pour le M-learning ...................................................... 49
VII. Exemple d’applications du M-Learning .................................................................................... 49
VII.1. Apprentissage des langues (projet ELDIT) ....................................................................... 49
VII.2. Amphi interactif................................................................................................................. 50
VII.3. Bureau Virtuel étudiant (BVE) ......................................................................................... 50
VII.4. Apprentissage collaboratif à domicile (projet Genius) ...................................................... 51
VII.5. Apprentissage sur le terrain (projet Gipsy)........................................................................ 51
VII.6. HMTD : Apprentissage sur le lieu de travail ..................................................................... 51
VII.7. Kidsroom ........................................................................................................................... 52
CHAPITRE 4 ....................................................................................................................................... 53
I. Introduction ........................................................................................................................................ 54
II. Présentation de notre système ........................................................................................................... 54
II.1 Le cas d’urgence utilisé .............................................................................................................. 54
II.2 Les cas d’urgence en Algérie ..................................................................................................... 54
II.3 La réanimation cardiorespiratoire (CPR) ................................................................................... 55
II.4 Les signes de la crise cardiaque .............................................................................................. 55
II.4 L’architecture de notre système ................................................................................................. 56
III. Pourquoi un agent BDI ? ................................................................................................................. 57
III. Le fonctionnement de l’agent non expert comme agent BDI ................................................... 58
V. L’application Mobile ........................................................................................................................ 60
V. 1 La 1ère
étape A .......................................................................................................................... 61
V. 2 La 2ème
étape B.......................................................................................................................... 62
V. 3 La 3ème
étape C.......................................................................................................................... 62
VI. Complex SIMUL avec l’application Mobile ................................................................................... 63
VII. Conclusion ..................................................................................................................................... 64
CHAPITRE 5 ....................................................................................................................................... 65
I. Introduction ....................................................................................................................................... 66
II. Présentation de l’application ............................................................................................................ 66
III. Conclusion ....................................................................................................................................... 71
Conclusion générale ............................................................................................................................ 72
ANNEXES ............................................................................................................................................ 75
Annexe 1 : La plateforme NetLogo ................................................................................................... 76
Annexe 2 : La plateforme JADE ....................................................................................................... 78
Annexe 3 : JADE-LEAP ................................................................................................................... 80
Bibliographie ........................................................................................................................................ 82
Liste des figures
Chapitre 1
Figure 1 : Vue d’ensemble de la simulation informatique……………………… …...14
Figure 2 : Une simulation multi-agents……….. …………………………………….17
Figure 3 : Site de l’intervention de crise majeure………………………………..…...21
Chapitre 2
Figure 4 : Modèle d’un SMA………………… ………………………………...……26
Figure 6 : Cycle Perception / Délibération/ Action d’un agent cognitif ….………….31
Figure 7 : Architecture BDI d’un agent ….……………………………………….….33
Figure 7: Architecture PRS…………………………………………………………...35
Figure 8 : ArchitectureBDI…………………………………………………………...35
Figure 9: Structure générale du mécanisme de raisonnement………………………...36
Figure 10 : Le cycle d'exécution d'un agent BDI…………………………………….37
Figure11: L’interaction entre l’agent personne PA et l’agent ville TA dans
l’environnement de la simulation…………………………………………………….39
Chapitre 3
Figure 23: page d’accueil du site BVE……………………………………………......49
Chapitre 4
Figure 13 : Le simulateur Complex SIMUL… ...…………………….… .……….….56
Figure 14 : L’agent BDI de Complex SIMUL…………………..……………………58
Figure 15 : L’étape A...……………………………………………………………….60
Figure 16 : L’étape B...……………………………………………………………….61
Figure 17 : L’étape C...……………………………………………………………….61
Figure 18 : Complex SIMUL avec l’application Mobile ……………………….……62
Chapitre 5
Figure 19 : La présentation des agents de Complex SIMUL…………………………65
Figure 20: La présentation de l’environnement………………………………………66
Figure 21 : Le démarrage de la crise cardiaque………………………………………67
Figure 22 : Le démarrage du secourisme selon la notion de la priorité et la distance..68
Figure 23 : L’écran d’accueil de l’application mobile………………………………..69
Figure 24 : Exemple d’une question posée au secouriste (étape A) et d’une réponse par
oui……………………………………………………………………………………..69
Figure 25 : Exemple d’une solution d’une réponse par oui…………………………..70
Figure 26: Exemple d’une question posée au secouriste (étape A) et d’une réponse par
non……………………………………………………………………………………70
Figure 27 : Exemple d’une solution d’une réponse par non (étape B)……………….71
Introduction générale
La simulation est longtemps été dominée par les approches basées sur les équations qui
ne décrivent pas le comportement du système, jusqu’à l’émergence des approches orientées
agents. Ces systèmes multi agents sont de plus en plus utilisés pour étudier la complexité
des phénomènes naturels ou sociaux.
Mais la question qui se pose c’est comment on peut freiner la complexité des modèles et
la cognition des agents est encore négligée ? alors la problématique que nous allons abordé est
centrée sur l’importance de cette intelligence dans certains systèmes multi agents et en
particulier dans les simulations à base d’agents qui nécessitent le paradigme de raisonnement
pratique des êtres humains, surtout les simulations des situations de crises majeures qui sont
généralement très difficiles à gérer, de par leurs complexités ou l’ampleur des dégâts du côté
secours.
C’est dans ce contexte que nous allons présenter une simulation multi agents d’un
comportement humain face à une situation d’urgence médicale qui est la crise cardiaque parce
que si aucun geste de secours n’est réalisé immédiatement et si les secours n’interviennent
pas rapidement, la vie de la victime est menacée à court terme. Nous allons décrire les
fonctionnalités de notre simulation en déterminant la valeur scientifique du projet et en
identifiant nos agents, leurs rôles et les interactions entre eux.
Nous proposons un état de l’art sur les simulations multi agents sociales en faisant une
étude comparative entre un système de simulation multi agents pour le développement rapide
des maladies infectieuses et un système d’évacuation de bâtiment dans les cas d’urgence.
La solution que nous proposons est de réaliser une simulation multi-agents et une application
M-Learning qui est souple et suffisamment intuitive pour permettre au sauveteur des premiers
secours de sauver la vie d'une victime de crise cardiaque parce que la vitesse de traitement est
très importante, en facilitant la compréhension de la complexité résultant de la simulation qui
s’intéresse au comportement sociale d’entités complexes.
Nous avons réalisé un nouveau simulateur nommé « Complex SIMUL » au niveau
duquel nous avons tenté d’apporter une nouvelle approche pour les systèmes multi agents
dans un cas d’urgence médical en se basant sur le raisonnement pratique de l’être humain et
en utilisant la notion de la simulation des systèmes complexes. Nous allons mettre en place
une simulation multi agents sociale ; dans laquelle l’acteur actif va apprendre à travers une
application mobile et il va enrichir sa base de connaissances d’une façon cognitive en
s’adaptant aux modifications de son environnement et à l’évolution des interactions entre les
agents du modèle. Le type d’agent utilisé représente le processus de raisonnement et de
décision, l’architecture BDI (Beleifs, Desire and intentions) répond bien à ses critères. Notre
application « Complex SIMUL » répond aux exigences suivantes :
Simuler une nouvelle approche pour diminuer la complexité des situations d’urgence
médicales.
Chercher des outils pour décrire les comportements sociaux dans des situations
d’urgence.
Intégrer le processus de raisonnement pratique et de décision.
Formaliser une solution méthodologique pour guider le secouriste pendant
l’apprentissage.
Organisation du document
Ce mémoire se compose de cinq chapitres essentiels. Dans le premier chapitre, nous
exposons le monde de la simulation multi agents des situations d’urgence et ses notions de
bases.
Le deuxième chapitre présente un état de l’art sur les agents et les simulations multi
agents des cas d’urgences avec une étude comparative.
Dans le troisième chapitre le domaine de l’apprentissage mobile est présenté de sorte à
nous permettre de choisir ses meilleures stratégies pour que notre simulateur se rapproche le
plus possible de la réalité.
Le quatrième chapitre concerne la conception qui donne une présentation de notre
simulateur ainsi que les agents le constituant et l’architecture détaillée. Nous avons utilisé une
méthodologie de conception de notre simulation des systèmes complexes. Nous avons mis en
place une simulation multi-agents et une application M-Learning qui est souple et
suffisamment intuitif pour permettre au sauveteur de premiers secours de sauver la vie d'une
victime d'une crise cardiaque parce que la vitesse de traitement est très importante.
Le cinquième chapitre est consacré aux choix techniques de l’implémentation, ainsi que
la réalisation informatique d’un point de vue utilisateur.
CHAPITRE 1 Chapitre : 01
Simulation multi agents
des situations d’urgence
CHAPITRE I Simulation multi-agents des situations d’urgence
Page 13
I. Introduction
Le champ de recherche sur la simulation de sociétés en interaction avec leur
environnement se développe grâce à des nouvelles méthodes comme les systèmes multi-
agents (SMA) permettent de créer des unités virtuelles sur lesquelles on étudie les effets
d’interactions entre différents comportements dans un état de ressources naturelles.
On retrouve que les responsables de la gestion des secours perdent rapidement la
possibilité d’évaluer la situation en particulier le nombre de blessés, leur situation
géographique, etc…
Les simulations qui sont basées sur la représentation orientée agents permettant de
décrire aussi bien les caractéristiques de la situation que l’ensemble des actions pouvant être
réalisées par les acteurs de terrain.
Ces outils ont été utilisés dans un premier temps pour la conception de centre de
régulation d’urgence puis dans un second temps pour la simulation de situation d’intervention
et de réflexion sur les méthodes de coordination de crises majeures.
I. La simulation informatique [1]
La simulation est l'un des outils permettant de simuler des phénomènes réels. Dans le
but principal :
• d’étudier un système réel de manière à comprendre son fonctionnement interne et/ou
à en prévoir son évolution sous certaines conditions.
• Cette étude se fait nécessairement à travers un modèle du système réel qui est utilisé
pour réaliser les expérimentations.
I.1. La théorie de la simulation [1]
La simulation informatique nécessite les facteurs suivants :
Système source : le phénomène que l’on souhaite étudier.
Cadre expérimental : spécifications des conditions d’observation du système et des objectifs
de la simulation.
Modèle : l’ensemble des instructions qui permettent de générer à l’aide d’un programme
informatique le comportement du système au cours du temps.
Simulateur : le programme informatique capable d’exécuter le modèle et de produire son
comportement.
CHAPITRE I Simulation multi-agents des situations d’urgence
Page 14
Figure 1 : Vue d’ensemble de la simulation informatique
I.2. Les types de la simulation [2]
On peut distinguer trois catégories de simulations :
a) La simulation continue : où le système se présente sous la forme d'équations
différentielles à résoudre. Elle permet de suppléer à la résolution analytique quand
celle-ci est impossible. Effectuée au départ sur des calculateurs analogiques, elle s'est
effectuée aussi sur des ordinateurs ainsi que des machines hybrides, et un troisième
type de calculateurs qui n'a pas eu de lendemain, les calculateurs stochastiques.
b) La simulation discrète : dans laquelle le système est soumis à une succession
d'évènements qui le modifient. Ces simulations ont vocation à appliquer des principes
simples à des systèmes de grande taille. La simulation discrète se divise en deux
grandes catégories :
asynchrone: on simule à chaque fois le passage d'une unité de temps sur tout le
système.
synchrone: on calcule l'arrivée du prochain événement, et on ne simule pas événement
par événement, ce qui permet souvent des simulations rapides, bien qu'un peu plus
complexes à programmer.
c) La simulation par agents : où la simulation est segmentée en différentes entités qui
interagissent entre elles. Elle est surtout utilisée dans les simulations économiques et
sociales, où chaque agent représente un individu ou un groupe d'individus. Par nature,
son fonctionnement est asynchrone.
CHAPITRE I Simulation multi-agents des situations d’urgence
Page 15
I.3. Système multi-agents (SMA) [2]
Un système multi-agents (SMA) est un ensemble d'agents situés dans un certain
environnement et interagissant selon une certaine organisation. Un agent est une entité
caractérisée par le fait qu'elle est, au moins partiellement, autonome.
On distingue généralement trois types d'utilisation : la simulation de phénomènes complexes,
la résolution de problème, et la conception de programmes.
La simulation de phénomènes représente et simule des systèmes faisant intervenir un
grand nombre d’individus et explique de l’impact du comportement individuel sur le
niveau global, expressivité…Exemple : Modéliser des environnements virtuels : jeux
vidéo (multi-joueurs).
La résolution de problème contrôle de processus distribué sans centralisation et
résolution collective de problème.
La conception de programmes fait inter-opérer des logiciels avec des êtres humains
et des systèmes mécaniques : commerce électronique. Négociation bilatérale, de
contrats, par exemple : un agent qui représente l’acheteur / vendeur avec différents
comportements.
III. La simulation multi-agents [2]
III.1 Définition
La simulation multi-agents est une simulation qui emploie le concept des systèmes
multi-agent dans la conceptualisation, les spécifications et l'exécution.
La simulation multi-agents : Agents+Interactions+Environnement.
Système multi-agents est utilisé comme un produit de remplacement pour autre
système, le système multi-agents original. Elle utilise le temps virtuel, Système multi-agents
simulé vive dans un environnement simulé La simulation multi-agents représente directement
les individus, leurs comportements, leurs actions dans l’environnement et leurs interactions.
Chaque individu est appelé un agent et représente une entité autonome, réactive, sociale,
proactive.
La simulation multi-agents est une simulation qui emploie le concept des systèmes multi-
agent dans la conceptualisation, les spécifications et l'exécution. Un système multi-agents
simulé vive dans un environnement simulé, La simulation multi-agents représente directement
les individus, leurs comportements, leurs actions dans l’environnement et leurs interactions.
La simulation multi agents est considérée comme l’association des Agents, Interactions et
CHAPITRE I Simulation multi-agents des situations d’urgence
Page 16
Environnement. Elle représente la complexité d'un phénomène à travers l'interaction d'un
ensemble d'entités simples appelées agents.
III.2 Les objectifs de la simulation multi-agents
L’objectif de la simulation multi-agents est
D’inférer sur la nature du fonctionnement des entités d’un système complexe :
Une fourmilière : comprendre comment des comportements apparemment très
simples engendrent des systèmes très complexes (émergence).
Dans ce cas : on cherche à découvrir le fonctionnement des comportements.
D’analyse du système:
Un ensemble de robots explorateurs : on connait la structure interne des robots.
Dans ce cas : on peut prévoir/étudier le comportement global du système
(amélioration).
III.3 Modélisation et implémentation d’une simulation multi agents
Une simulation multi-agent consiste à distribuer les données, les connaissances et le
contrôle sur un ensemble d’agents. Les agents évoluent simultanément au fil du temps pour
réaliser une ou plusieurs taches. Ils ont une vision locale de l’environnement via leurs
capteurs et ils agissent localement via leurs effecteurs.
Une simulation multi-agents fait intervenir un ensemble d’agents, un modèle de
comportement pour les agents, un modèle de l’environnement, et un modèle de l’interaction
entre les agents et l’environnement et éventuellement entre les agents eux-mêmes.
Le modèle de l’interaction agent/agent n’est pas obligatoire parce que cette interaction
peut se dérouler indirectement via l’environnement. Il est suffisamment d’intégrer un
mécanisme de gestion des actions simultanées des agents au niveau du modèle d’interaction
agent/environnement.
Pour implémenter une simulation multi-agents, il est nécessaire de dérouler des
modèles suivants:
Le modèle de l’espace (l’environnement) pour la description de l’environnement
Le modèle de temps pour décrire l’évolution de la simulation au cours du temps
Le modèle de l’interaction agent/environnement qui décrit la dynamique du système
(comportements des agents) contrôlé
CHAPITRE I Simulation multi-agents des situations d’urgence
Page 17
Figure 2 : Une simulation multi-agents
III.4 L’interaction dans les simulateurs [2]
Il y a trois types d’interactions principales :
a) L’interaction homme/agents
La simulation multi-agents pose certain problème et notamment au niveau du
comportement des agents. Ce dernier peut être trop simpliste réduisant ainsi l’émergence de
phénomènes et d’organisations sociaux. Il reste très difficile de modéliser, même de manière
simplifiée, des règles d’actions pertinentes. Les difficultés proviennent de la formalisation des
comportements des agents d’après les observations. Deux problématiques doivent être
résolues à savoir :
• Quelles perceptions possibles pour les agents ?
Nous devons décrire leur capacité à percevoir ce qui les entoure. Nous définissons ici
l’échelle de visualisation à savoir le niveau de considération des autres agents : niveau global
ou individuel. Cela modifiera radicalement les interactions et l’évolution de la plate-forme.
• Quelle granularité pour les actions ?
Elle correspond à un changement de l’état interne de l’agent ou/et de l’environnement.
Encore une fois les actions peuvent intervenir à différents niveaux : sur tous les agents en
même temps, au niveau individuel…
Il est très difficile d’inculquer un comportement humain à des agents. Pourtant grâce à ces
agents, placés dans certain environnement, nous recréons de manière simplifiée des
phénomènes naturels et donc des interactions existantes entre les hommes. Mais le grand
problème de ces simulations provient de la modélisation des connaissances et des
CHAPITRE I Simulation multi-agents des situations d’urgence
Page 18
comportements des agents. Afin de résoudre ces problèmes et de rendre plus réaliste les règles
d’actions, il est possible d’utiliser la conception participative et la simulation participative. Ils
font intervenir des utilisateurs humains qui modifieront les décisions des agents selon leur
propre expérience et croyance. Ils permettent d’accroître la fiabilité du modèle en travaillant
directement avec des experts du milieu. Dès le départ, les modèles sont remis en questions par
les experts qui critiquent les différents paramètres ce qui permet une amélioration jusqu’à
obtenir l’approbation des deux équipes. D’un autre côté la simulation participative intervient
en aval et couple l’apprentissage des agents aux actions commandées directement par un être
humain comme nous le verrons par la suite.
b) La simulation participative
Ce concept est né de travaux sur la formalisation des connaissances acquises par les êtres
humains. Il propose de faire participer des acteurs, détenteurs d’informations à transmettre
aux agents, à des jeux de rôle aussi bien papier qu’informatique. Les participants face à
certaines situations proposeront des solutions que l’avatar (agent conversationnel animé), si
elles sont pertinentes, tentera de comprendre et d’apprendre. Un enrichissement de sa base de
connaissances apparaît permettant d’obtenir des comportements plus réalistes. L’homme entre
directement dans la boucle d’apprentissage puisqu’il servira de ‘professeur’ en réprimandant
ou encourageant telle ou telle actions. A ce niveau se pose le problème de la mise en situation
des joueurs qui doit rester assez immersive pour que ce dernier transmette le maximum de son
savoir à la machine. Grâce à cette technique, des participants humains pourront accroître les
champs d’action de nos agents rendant plus réalistes les simulations intrinsèques aux scènes
d’intérieures. Leurs connaissances évolueront dans le temps, les agents devront être capables
d’apprendre et de remettre en question leur base de connaissances en fonction des indications
apportées de l’extérieur. Une solution existante consiste à placer les ‘enseignants’ dans le
cadre de la simulation grâce à un jeu de rôle. Cela créera un véritable dialogue maître-apprenti
(acteur et avatar représentant une seule entité) que les agents exploiteront pour extraire des
connaissances.
Un outil facilitant la mise en place de la simulation participative respecte différents critères
afin de fonctionner correctement:
• Une interface homme-machine avec assistant
Elle permet de plonger le joueur dans la simulation afin de stimuler son implication. Ses
décisions n’en seront que plus judicieuses et enrichisseront énormément l’apprentissage de
l’agent.
CHAPITRE I Simulation multi-agents des situations d’urgence
Page 19
• Joueur expert/ assistant et agent
L’acteur vivant et son avatar ne forment qu’une seule entité au sein du programme. De ce
fait les décisions seront prises par l’un ou l’autre sans que cela influe le déroulement du
programme.
• Interaction maître apprenti
L’homme, en prenant possession de l’agent (devenu avatar), effectuera des actions qui
serviront de modèle à l’avatar. Il calquera son comportement sur celui de l’utilisateur :
apprentissage par imitation. Il enrichira sa base comportementale à partir des informations
fournies par le joueur.
• Amélioration des comportements des agents
L’intervention d’un joueur humain a pour but principal d’enrichir les connaissances
d’un agent et donc son champ d’action dans son environnement. Il réagira plus justement aux
évènements qui surviendront et cela grâce à son apprentissage assisté.
C. L’interaction homme/environnement
Dans la simulation multi-agents, les modifications de l’environnement est réalisé à
l’intérieur du simulateur mais nous avons besoin aussi de modifier ou mettre à jour
l’environnement et d’obtenir des informations de l’environnement par des utilisateurs
humains. Normalement, nous pouvons résoudre ce problème avec une interface homme-
machine qui est utilisée souvent dans des systèmes SIG (Système d’informations
Géographiques).
IV. Simulation multi-agents d’une situation d’urgence [2]
Ces simulations sont basées sur la représentation orientée agents permettant de décrire
aussi bien les caractéristiques de la situation que l’ensemble des actions pouvant être réalisées
par les acteurs de terrain.
Ces outils ont été utilisés dans un premier temps pour la conception de centre de
régulation d’urgence puis dans un second temps pour la simulation de situation d’intervention
et de réflexion sur les méthodes de coordination de crises majeures. Ensuite la mise en place
d’outils informatiques et de communication ayant pour objectif d’aider les professionnels de
l’urgence à gérer les problèmes en temps réel. Le dispositif vise à présenter en temps réel et
CHAPITRE I Simulation multi-agents des situations d’urgence
Page 20
sur les lieux de crise des données dynamiques sur les victimes, leur état, leur situation
géographique, les ressources disponibles, etc.
De point de vue technologique, les intervenants peuvent télétransmettre en temps réel
les données médicales sur les victimes et éventuellement sur les caractéristiques de la
situation rencontrée grâce à des terminaux communicants.
Ces deux approches s’articulent dans la mesure où l’outil de simulation est aujourd’hui
exploité afin d’évaluer les différents modes organisationnels possibles ainsi que l’impact des
nouvelles technologies de l’information et de la communication sur l'activité des équipes de
secours.
IV.1 Les phases de la simulation [2]
On peut distinguer trois étapes principales :
IV.1.1 Compréhension de la situation : analyse de la tâche et de l'activité
La première phase consiste à se familiariser avec la situation étudiée. Pour ce faire, deux
étapes successives sont possibles. La première consiste à faire une analyse de la tâche c'est à
dire à aboutir à une description des caractéristiques de la situation de travail étudiée et des
modalités prescrites pour y faire face. Cette analyse se fait sur la base de document divers
allant des documents officiels (décrivant par exemple les fonctions associées à chaque statut
ou les protocoles de secours) aux revues professionnelles. De nombreuses informations
peuvent aussi être recueillies lors d'entretien avec les professionnels de l'urgence impliqués
dans les situations étudiées.
Cette phase d'analyse de la tâche est complétée par une phase d'analyse de l'activité
pendant laquelle l'accent est mis sur la façon dont le travail se déroule réellement. Il s'agit
d'identifier les difficultés rencontrées par les professionnels de l'urgence pour y apporter des
solutions.
L'observation de terrain des situations de travail constitue l'outil privilégié d'analyse de
l'activité.
IV.1.2 Simulations formelles
Cette approche méthodologique a été utilisée pour l'étude de la réorganisation
architecturale d'un centre de régulation SAMU. Cette étape méthodologique consiste à
développer un modèle formel de la situation qui puisse être utilisé pour le développement
d'une simulation informatique. Basée sur l'analyse de la tâche et de l'activité, le modèle
spécifie les attributs et les actions de chaque agent important de la situation de travail. Ainsi
CHAPITRE I Simulation multi-agents des situations d’urgence
Page 21
pour chaque professionnel de l'urgence, il est nécessaire de spécifier le travail à réaliser et les
exigences sociocognitives nécessaires pour réaliser ce travail.
Les simulations informatiques que nous décrivons ont pour but de tester divers modes
organisationnels pour la gestion des ressources en situation de crise. Il s'agira donc de
reproduire des situations simulant l'organisation courante pour les comparer à des simulations
reproduisant des organisations possibles d'utilisation du nouveau dispositif. Cette approche
permettra d’envisager une expérimentation sur le terrain en situation recrée.
IV.1.3 Simulation en grandeur nature
L'objectif de cette phase de la méthodologie est de reproduire une simulation aussi
proche que possible de la réalité. Dans cette optique, les résultats issus de la simulation
informatique seront utilisés pour sélectionner les modes organisationnels pertinents. Ces
modes organisationnels seront reproduits en situation quasi réelle et comparés pour juger de
leur intérêt en vraie grandeur.
Le but d'une telle approche est de permettre aux utilisateurs de visualiser leur activité
future et de mettre à jour le mode de coopération développé sous chaque type de condition
(avec ou sans réseau) ainsi que les futures conditions (ou limites) d'usage. A l'heure actuelle,
une partie de l'étude a consisté à réaliser des expérimentations pour observer les effets de
l'introduction de la technologie vidéo sur l'activité des opérateurs. A plus long terme, une
simulation de gestion de crise majeure sera réalisée avec la même méthodologie pour tester en
grandeur nature les concepts proposés.
I.1. Exemple
Figure 3 : Site de l’intervention de crise majeure
CHAPITRE I Simulation multi-agents des situations d’urgence
Page 22
La figure 3 illustre une organisation du réseau: Le médecin peut acquérir des données
médicales sur son terminal « SMURscript » et les télécharger sur une puce électronique qui
restera associée au patient depuis sa prise en charge jusqu’à son arrivée à l’hôpital. Il sera
également possible de télétransmettre des images vidéo au PC de Régulation (où Centre de
Tri) pour un diagnostic coopératif à distance. La puce communicante assurera un bon suivi
médical du patient sur le terrain alors que la télétransmission des dossiers personnels par le
réseau local sans fil permettra aux médecins du PC de régulation d’avoir une vision globale de
la situation. Des données physiologiques pourront également être enregistrées, visualisées et
transmises au PC de régulation et éventuellement dans un hôpital à partir de SMURscript.
IV.2 Outil de simulation de la dynamique de crise [3]
La simulation multi-agents est fondée sur l'idée qu'il est possible de représenter sous
forme informatique le comportement des entités qui agissent dans le monde et qu'il est ainsi
possible de représenter un phénomène comme le fruit des interactions d'un ensemble d'agents
disposant de leur propre autonomie opératoire. La modélisation à partir d’agents distribués
s’est considérablement développée depuis ces dernières années notamment dans le domaine
de l’économie, la biologie, l’écologie et les sciences humaines et sociales.
L’intérêt de cette approche est de pouvoir expliquer les phénomènes macroscopiques
(comportements collectifs à partir d’une description simple des interactions élémentaires entre
les éléments constitutifs du système étudié). Il est ainsi possible de voir « émerger » des
comportements collectifs ou événements difficilement prévisibles sur la base d’une prédiction
basée sur l’expérience.
Certains travaux illustrent cette approche dans le domaine de la gestion de l’urgence
telle que la simulation d’incendie dans un tunnel de métro, ou la simulation d’un tremblement
de terre. Toutes ces études cherchent à étudier de manière la plus réaliste possible les
accidents majeurs en vue d’aider à la conception des plans de secours d’urgence efficaces.
Une grande attention est portée au type de l’accident (environnement dynamique), aux civils
(victimes potentielles) et surtout à une meilleure organisation du secours en optimisant les
interventions collaboratives des secouristes et l’utilisation des ressources.
IV.3 Objectifs et avantages [3]
La simulation multi-agents présente de nombreux avantages permettant de supporter le cycle
de conception des systèmes coopératifs complexes tels que les situations de crises majeures.
CHAPITRE I Simulation multi-agents des situations d’urgence
Page 23
Le premier avantage de la modélisation multi-agents repose sur sa « simplicité ». Il
s'agit de déterminer un certain nombre de paramètres (nombre de victimes, état de chaque
victime, nombre de secouristes…), reliés entre eux par des règles implémentées dans le
simulateur pour représenter la dynamique de l'environnement reproduit. Plus particulièrement,
cette approche consiste à doter un certain nombre d'agents hétérogènes d'ensembles de règles
simples gouvernant les interactions entre les agents eux-mêmes et entre les agents et leur
environnement. Une fois les paramètres et les règles implémentés, il est facile de réaliser un
nombre illimité de simulations. La simulation multi-agents permet donc de reproduire à
volonté des situations difficilement reproductibles ou qui seraient coûteuses à mettre en place.
De façon similaire, la simulation multi agents permet aussi de tester différentes
configurations de situation en faisant varier les paramètres à souhait. Cette caractéristique
s'avère particulièrement utile lorsqu'il s'agit de tester la mise en place d'un nouveau dispositif
pouvant avoir des incidences sur la vie d'autrui.
Un autre avantage important concerne la dimension d'émergence des simulations
multi-agents. Une des propriétés essentielle des systèmes distribués est que les règles
d’évolution du système ne sont pas définies à un niveau macroscopique (règles ou lois
définissant le comportement global du système) mais à un niveau microscopique (interactions
sociales et environnementales locales): c'est le jeu des interactions locales entre les différents
acteurs et leur environnement qui va progressivement faire « émerger » des propriétés
globales du système. Lors d'une simulation, des phénomènes non anticipés peuvent apparaître
permettant d'opter pour une solution nouvelle ou au contraire d'abandonner une solution
envisagée. La simulation multi-agents permet donc de mieux anticiper les dimensions d'usage
d'un nouvel outil.
De plus, en donnant un support visuel des situations futures, la simulation multi-agents
constitue un support de discussion pour les utilisateurs finaux qui peuvent mieux se
représenter l'impact de l'outil sur leur activité future et participer plus activement aux choix
technologiques.
Par contre, le réalisme de la simulation orientée agents repose entièrement sur la
qualité des règles implémentées. Or nous ne possédons pas de modèles cognitifs suffisamment
fins pour reproduire des phénomènes comme les dimensions émotionnelles, sociales et
culturelles qui sont pourtant des facteurs déterminants du raisonnement humain. Un être
humain interprète une situation en connaissant l'histoire de l'interaction, en utilisant ses
propres connaissances, en se basant sur son expérience et avec une perception spécifique des
CHAPITRE I Simulation multi-agents des situations d’urgence
Page 24
autres et des artefacts de l'environnement. Les processus cognitifs qui gèrent tous ces facteurs
pour produire les comportements observés sont, généralement, mal compris et il est difficile
de dériver des règles basiques pour simuler les aspects de la cognition humaine. Il est donc
très difficile à partir de la simulation multi-agents de reproduire la dynamique contextuelle
utilisée par les humains dans leur prise de décision en situation de travail. Pourtant, nous
savons que la prise de décision est le facteur de plusieurs indices relevés dans
l'environnement.
V. La simulation des systèmes complexes [4]
Simuler un système complexe consiste à modéliser ses constituants, leurs comportements
et les interactions entre ceux-ci et avec leur environnement, puis à exécuter numériquement le
modèle obtenu. Une des caractéristiques de ces systèmes est que l'on ne peut prévoir
l'évolution du système modélisé sans passer par cette phase de simulation. L'approche
"expérimentale" par simulation permet donc de reproduire et d’observer des phénomènes
complexes (biologiques ou sociaux par exemple) afin de les comprendre et d'anticiper leur
évolution.
VI. Conclusion
Les situations de crises majeures, de part leurs caractères exceptionnels et souvent hors
norme se révèlent généralement très difficiles à gérer. C’est dans ce contexte, la simulation est
devenue, avec la conjonction du développement des sciences et des outils informatiques, l’un des
outils essentiels dans ces domaines.
.
CHAPITRE Chapitre : 02
Etat de l’art
2
CHAPITRE II Etat de l’art
Page 26
I. Introduction
L’intérêt international des simulations multi agents a augmenté considérablement.
Ce domaine est de plus en plus utilisé pour étudier la complexité des phénomènes
naturels ou sociaux. Dans ce contexte, nous allons présenter un état de l’art sur les agents et
les simulations multi agents sociales dans des cas d’urgences et une étude comparative de
deux systèmes dans différents domaines, un modèle de simulation multi agents pour le
développement rapide des maladies infectieuses et plus précisément la détection du virus
H5N1, et un système intelligent pour l’évacuation d’un bâtiment dans le cas de l’incendie.
II. Définitions des Systèmes Multi-Agents
Parmi les différentes définitions des systèmes multi-agents nous retiendrons celle de Ferber
[1] qui le définit comme un système composé des éléments suivants (Figure 5):
1. Un Environnement E, c’est-à-dire un espace disposant d’une métrique.
2. Un ensemble d’objets O. Ces objets sont situés, c’est- à- dire que, pour tout objet, il est possible,
à un moment donné, d’associer une position dans E. Ces objets sont passifs, c’est à dire qu’ils
peuvent être perçus, créés, détruits et modifiés par les agents.
3. Un ensemble A d’agents qui sont des objets particuliers (A ⊆O), lesquels représentent les entités
actives du système.
4. Un ensemble de relations R qui unissent des objets (et donc des agents) entre eux.
5. Un ensemble d’opérations Op permettant aux agents A de percevoir, produire, consommer,
transformer et manipuler des objets de O.
6. Des opérateurs chargés de représenter l’application de ces opérations et la réaction du monde à
cette tentative de modification, que l’on appellera les lois de l’Univers.
CHAPITRE II Etat de l’art
Page 27
Figure 4: Modèle d’un SMA
II.1 Les avantages [6]
L’utilisation des Systèmes Multi-Agents (SMA) présente une série d’avantages :
Système dynamique : Les SMA héritent des bénéfices de l’IA au niveau du traitement symbolique
(au niveau des connaissances). En revanche, contrairement aux approches traditionnelles de
l’Intelligence Artificielle qui simulent, dans une certaine mesure, les capacités du comportement
humain, les SMA permettent de modéliser un ensemble d’agents qui interagissent. Les agents sont
structurés afin d'exercer une influence sur chacun pour faire évoluer le système dans son ensemble
(système dynamique). On rencontre de nombreuses interactions entre agents telles que la
coordination (organiser la résolution d’un problème de telle sorte que les interactions nuisibles
soient évitées, ou que les interactions bénéfiques soient exploitées), la négociation (parvenir à un
accord acceptable pour toutes les parties concernées), la coopération (travailler ensemble à la
résolution d’un but commun). Cette approche est particulièrement bien adaptée à la simulation des
systèmes complexes dont le fonctionnement global émerge des actions des individus. Les SMA
permettent de faire vivre virtuellement des agents autonomes sur ordinateur et d’y effectuer des
expériences difficiles, voire impossible à mener dans la réalité, d’où la qualification de laboratoires
virtuels.
Nombre important d’agents : Un grand nombre d'agents est au cœur du problème dans ce type de
modélisation contrairement à la théorie des jeux où rarement plus de trois acteurs sont représentés.
Souplesse de l’outil informatique : qui permet de modifier le comportement des agents, ajouter ou
supprimer des actions possibles, étendre les informations disponibles à l’ensemble des agents à la
différence des modèles traditionnellement utilisés en science économique. Le modèle Multi-Agent
est rendu opérationnel grâce à une implémentation informatique qui n’impose alors aucune
exigence analytique spécifique mais l’emploi des langages informatiques évolués (Langage Orienté
Objet (LOO)) qui permet de développer le programme de façon modulaire. La programmation des
processus au niveau local dans différents modules et l’utilisation d’entités individualisées apportent
alors une grande flexibilité. Les modifications ne nécessitent pas de large restructuration du
programme.
Une résolution distribuée de problèmes : Il est possible de décomposer un problème en sous-
parties et de résoudre chacune de façon indépendante pour aboutir à une solution stable.
Les SMA peuvent « répondre » de l’échec individuel d’un des éléments, sans dégrader le
système dans son ensemble.
CHAPITRE II Etat de l’art
Page 28
II.2 Les agents
Il existe un grand nombre de typologies, mais celle que nous retenons, compte tenu d’objectif à
atteindre. Elle distingue trois types d’agents : réactifs, cognitifs ou délibératifs et hybrides.
Pour les auteurs de [8], un agent est défini comme étant une entité logicielle d’un système
informatique qui possède les caractéristiques suivantes :
Autonomie : les agents contrôlent leurs actions et leurs états internes. Le système dans son
ensemble est capable de réagir sans l’intervention d’un humain ou d’un autre agent. Il n’y a
pas de définition unique du terme agent, par contre, il y a un consensus général pour
considérer l’autonomie comme notion centrale de l’agent.
Flexibilité : le système doit être un système dans lequel :
les agents perçoivent l’environnement et peuvent répondre dans le temps requis aux
changements que celui-ci peut entraîner sur les agents
les agents prennent en considération leur comportement général pour permettre de
prendre les initiatives appropriées aux changements de l’environnement
les agents interagissent avec les autres agents afin d’accomplir le but souhaité. Pour
cela les agents ont donc les caractéristiques suivantes :
Réactivité : ils perçoivent leur environnement et réagissent aux changements qui s’y produisent
dans le temps requis ;
Proactivité : ils exhibent un comportement proactif et opportuniste pour ne pas agir uniquement par
réaction à leur environnement mais prendre des initiatives selon leurs buts individuels ;
Sociabilité : ils sont capables d’interagir les uns avec les autres quand la situation l’exige afin
d’accomplir leurs tâches ou d’aider les autres agents à accomplir leurs buts.
Cette définition d’agent est toutefois remise en question par certains auteurs. Pour Wooldridge
et Ciancarini [9], elle est porteuse de problème car on peut tout y mettre” et d’après Ferber [6], elle
est « un peu limitée pour fonder scientifiquement quelque chose ». Il propose la définition suivante :
«Une entité physique ou abstraite qui est capable d’agir sur elle-même et son environnement, qui
dispose d’une représentation partielle de son environnement, et qui, dans un Système Multi-
Agents, peut communiquer avec d’autres agents, et dont le comportement est la conséquence de ses
observations, de sa connaissance et des interactions avec les autres agents ».
Pour Ferber [6], la distinction cognitif/réactif « définit un axe pratique d’évaluation de la capacité
des agents à accomplir individuellement des tâches complexes et a planifier leurs actions. ».
II.2.1 Les agents réactifs
CHAPITRE II Etat de l’art
Page 29
Ces agents dits réactifs ont hérité de la vie artificielle. Ils ont un cycle de type Perception /
Action [:]. Un agent de type réactif est constitué d’un ensemble de comportements permettant
d’accomplir une tâche donnée. Chaque comportement est une machine à états finis qui établit une
relation entre une entrée sensorielle et une action en sortie.
L’ensemble des comportements est représenté sous la forme d’une hiérarchie dans laquelle les
couches de niveaux inférieurs représentent des comportements moins abstraits, et les couches de
niveaux supérieurs des comportements plus abstraits [21].
Cette approche repose sur le concept d’émergence. Elle avance par ailleurs, l’idée qu’il n’est pas
nécessaire que chaque agent soit personnellement « intelligent » pour parvenir à un comportement
intelligent de l’ensemble [:].
Un exemple d’agents réactifs est celui du système MANTA (Modeling an ANThill Activity) de
[21], pour simuler une communauté de fourmis. « Dans ce système, l’architecture d’un agent
comporte les opérateurs de perception, de sélection et d’activation qui manipulent un ensemble de
tâches. » [22].
Ce système a mis en évidence que l’organisation du travail dans une colonie de fourmis peut
résulter d’un ensemble d’interactions et de contrôles locaux, sans qu’il soit nécessaire de faire
intervenir une quelconque entité centrale de régulation. Les performances adaptatives de la société
se présentent comme issue de la confrontation des comportements élémentaires de chacun de ses
membres [6].
Les hypothèses principales pour le développement d’agents réactifs sont :
La manipulation syntaxique prévaut à la représentation symbolique pour modéliser la prise
de décision,
Les idées d’intelligence et de comportement rationnel sont liés à l’environnement de l’agent
et non aux agents eux-mêmes,
Les agents n’ont pas de représentation de leur environnement et des autres agents et se
faisant, ils sont incapables de prévoir et d’anticiper les actions à accomplir.
Individuellement, ils sont très faibles, mais leur force vient de leur capacité à constituer des
colonies capables de s’adapter à leur environnement. Ils peuvent faire face à des tâches
complexes et peuvent rivaliser en terme de performance avec des agents plus sophistiqués
Cette conception fait toutefois l’objet de critiques que Chaib-Draa et al [21] formulent ainsi:
Si les agents ne possèdent pas de modèle de leur environnement, ils doivent posséder
suffisamment d’informations locales leur permettant de choisir une action acceptable ;
Les agents basent leurs décisions sur des informations locales, il est donc difficile de savoir
CHAPITRE II Etat de l’art
Page 30
comment ils peuvent tenir compte d’informations non locales ;
Les agents réactifs offrent peu de mécanismes d’explications et ils ont des difficultés avec
les tâches qui nécessitent une connaissance du monde qui ne peut être obtenue que par la
mémoire ou le raisonnement et non par la perception.
II.2.2 Les agents cognitifs ou délibératifs
D’une manière générale, ce type d’agents appelés cognitifs ou délibératifs selon les
communautés suit un cycle Perception /Délibération/Action comme le montre la Figure 5. On dit
aussi que ces agents sont intentionnels car ils possèdent des buts et des plans explicites leurs
permettant d’accomplir leurs buts. Pomerol [23] défini un but comme le résultat de ce qu’un
décideur souhaiterait obtenir. Le résultat de la planification est défini alors comme suit ; étant donné
un but et un état courant, il s’agit de trouver une séquence d’actions qui permettent d’aller de l’état
courant au but. Cette séquence d’actions est appelée plan.
Du fait de la vision partielle de ces agents sur le monde, il est nécessaire de concevoir des
liens entre la « réalité » du monde et les bases de connaissances de chacun. Ainsi, l’agent cognitif
peut mettre à jour ses connaissances, en fonction, d’une part de l’interaction avec les autres agents
et d’autre part à l’environnement. Ceci suppose des communications inter-agents. Il est donc
nécessaire de développer des théories dans le domaine de la communication mais aussi des
protocoles de coopération entre les agents.
Contrairement aux agents réactifs, ce type d’agents a la capacité de raisonner sur des
représentations du monde, de mémoriser des situations, de les analyser, de prévoir des réactions
possibles à toute action, d’en tirer des conduites pour les évènements futurs et donc de planifier son
propre comportement [6].
Une approche emblématique est celle initiée dans les années 80 [24]. Qui propose une
architecture basée sur trois attitudes : Belief, Desire, Intention (BDI). Elle fait depuis l’objet de
nombreux travaux [15], [16] ET [17]. Le concept Belief correspond à la représentation de l’état
interne de l’agent. Il est actualisé a chaque instant en fonction de l’état de l’environnement. Desire,
correspond aux objectifs fixés par l’état interne de l’agent. Intention, correspond aux buts en cours
d’achèvement.
Le concept d’agent BDI a été conçu avec le souci de conjuguer temps réel et temps du
raisonnement. Il met en particulier en avant la notion d’engagement [24]. Qui garantit une
certaine stabilité à la poursuite d’un but. Sa remise en cause est en effet envisagée sous certaines
conditions.
CHAPITRE II Etat de l’art
Page 31
Cette architecture qui a fortement orienté notre approche fera l’objet d’une présentation plus
détaillée dans un paragraphe ultérieur.
Figure 5 : Cycle Perception / Délibération/ Action d’un agent cognitif [:]
2.4 Les agents hybrides
Certains auteurs [:] et [21]. Ont été amenés à proposer des architectures d’agents hybrides
pour améliorer en particulier les temps de la décision et temps de l’action. L’agent hybride est alors
conçu comme alliant comportement réactif et comportement cognitif.
Dans ce type d’architecture, les agents sont conçus comme étant composés de niveaux hiérarchiques
qui interagissent entre eux. Chaque niveau gère un aspect du comportement de l’agent [28] :
Au plus bas niveau de l’architecture, on retrouve habituellement une couche purement
réactive qui prend ses décisions en se basant sur des données brutes en provenance de
l’environnement.
La couche intermédiaire fait abstraction des données brutes et travaille plutôt avec une
vision qui se situe au niveau des connaissances de l’environnement.
La couche supérieure se charge des aspects sociaux de l’environnement, c’est-à-dire du
raisonnement tenant compte des autres agents [21].
II.2.3 Les agents BDI
Les approches basées sur le concept BDI nous intéressent tout particulièrement. Nous lui
avons donc réservé une place privilégiée.
Nous commencerons par donner un exemple pour clarifier les concepts développés par la suite :
L’agent Pierre a la croyance que, si quelqu'un passe son temps à étudier, cette personne peut faire
une thèse de doctorat. De plus, Pierre a le désir de voyager beaucoup, de faire une thèse de doctorat
CHAPITRE II Etat de l’art
Page 32
et d'obtenir un poste d'assistant à l'université. Le désir de voyager beaucoup n'est pas consistant
avec les deux autres et Pierre, après réflexion, décide de choisir, parmi ces désirs inconsistants, les
deux derniers. Comme il se rend compte qu'il ne peut pas réaliser ses deux désirs à la fois, il décide
de faire d'abord une thèse de doctorat. En ce moment Pierre a l'intention de faire une thèse et,
normalement, il va utiliser tous ses moyens pour y parvenir. Il serait irrationnel de la part de Pierre,
une fois sa décision prise, d'utiliser son temps et son énergie, notamment ses moyens, pour voyager
autour du monde. En fixant ces intentions, Pierre a moins de choix à considérer car il a renoncé à
faire le tour des agences de voyage pour trouver l'offre de voyage qui le satisferait au mieux.
C'est cette idée même qui est au cœur de la théorie BDI de l'action rationnelle, proposée pour la
première fois par Bratman [24]. C'est une théorie du raisonnement pratique qui essaie de
surprendre comment les gens raisonnent dans la vie de tous les jours, en décidant, à chaque
moment, ce qu'ils ont à faire. En développant sa théorie, Bratman [24] montre que les intentions
jouent un rôle fondamental dans le raisonnement pratique, car elles limitent les choix possibles
qu'un humain (ou un agent artificiel) peut faire à un certain moment.
Cette approche est fondée sur une bonne connaissance et un grand respect de la théorie d’action
rationnel chez l’humain en rapport avec des processus de raisonnement. Cette approche met en
avant trois points qui nous paraissent justifiés dans le cadre de notre problématique :
Un concept de planification au sens Intelligence Artificielle du terme, c’est à dire le
processus de formulation d’un programme d’actions pour atteindre certains buts visés
[Pollack, 1992],
La prise en compte d’une vision partielle et imparfaite de l’agent sur son environnement,
Une modélisation applicable à des agents évoluant dans un environnement changeant.
Actuellement ainsi que le souligne Pollack [Pollack, 1992] peu de travaux font le lien
entre la théorie, les systèmes et les applications.
Rao et Georgeff [26] ont contribué au développement du modèle BDI en proposant une
structure logique s’appuyant sur les trois modalités primitives : les croyances, les désirs et les
intentions. Leur formalisme est fondé sur un modèle relié au temps au cours duquel croyance, désir
et intention sont interconnectés. Ils ont cherché à ajouter des plans sociaux à leur formalisme et ont
développé une application réelle de la théorie.
Un agent BDI est défini par Rao et Georgeff [16] par un ensemble <E, B, P, I, A, SE,
SO, SI> où :
E, est l’ensemble des évènements,
B, un ensemble de croyances,
CHAPITRE II Etat de l’art
Page 33
P, un ensemble de plans,
I, un ensemble d’intentions,
A, un ensemble d’actions,
SE, une fonction qui sélectionne un évènement dans l’ensemble des évènements E,
SO, une fonction qui sélectionne une option ou un plan applicable dans la bibliothèque des plans
applicables P,
SI, une fonction qui sélectionne une intention dans l’ensemble des intentions I.
La figure suivante (Figure 7) présente les composantes principales d'une architecture BDI.
Figure 6 : Architecture BDI d’un agent
L'agent a une représentation explicite de ses croyances, désirs et intentions. On dénote par B
l'ensemble des croyances de l'agent, par D l'ensemble de ses désirs, et par I l'ensemble de ses
intentions, et par B, D et I les croyances, désirs et intentions courantes de l'agent. Les ensembles
B, D et I peuvent être représentés au moyen de divers modèles de représentation de connaissances,
par exemple en utilisant la logique des prédicats du premier ordre, une logique d'ordre supérieur, le
modèle des règles de production, ou bien comme de simples structures de données.
Les croyances (B) correspondent à une base de connaissances propre à chaque agent portant
sur l’environnement et sur son propre état.
La bibliothèque de plans d’action regroupe des plans qui répondent à des objectifs
CHAPITRE II Etat de l’art
Page 34
déterminés.
Ces plans peuvent être partiels et pourront, en cours de simulation, être complétés par d’autres
plans. Ils sont définis par :
Leur nom,
La documentation qui permet de les décrire,
L’objectif qu’ils permettent d’atteindre,
Le contexte (ensemble de croyances) qui les rendent activables,
Le déclencheur (c’est à dire les croyances complémentaires) qui déclenchent leur
exécution,
Leurs règles d’exécution. Ces règles peuvent faire appel à la satisfaction d’un sous-
but dont la réponse sera à rechercher dans la bibliothèque.
Leurs objectifs (D) correspondent à la représentation de l’état attendu du système de façon
fonctionnelle. Ils sont destinés à évoluer en cours de simulation. Ils peuvent être multiples, se
décliner en sous-objectifs et entrer en conflits.
Les intentions (I) forment le sous-ensemble de plans en attente d’exécution. Ils
correspondent aux engagements et d’agent et répondent aux objectifs courants. Ces derniers sont
poursuivis jusqu’à ce qu’ils soient atteints. Ils sont abandonnés prématurément si l’agent les juge
hors d’atteinte ou incompatibles avec un objectif supérieur.
Les concepts de plans sont centraux dans l’architecture BDI, ils ont alimenté de nombreuses
recherches selon trois points de vue différents (philosophique, théorique et implémentation) [19].
Ce type d’approche implique de définir de façon exhaustive l’ensemble des buts et sous-buts
susceptibles d’être activés et les moyens de parvenir à leur satisfaction (les plans). Plusieurs plans
peuvent conduire à la réalisation d’un même objectif, ce qui peut entraîner des conflits. Un module
de délibération permet de choisir le plan à réaliser.
II.2.3.1 Un exemple d’implémentation de l’architecture BDI [6]
L’implémentation la plus connue est PRS (Procedure Reasoning System). Cette architecture (Figure
7) a été utilisée dans des applications industrielles, dans la gestion du trafic aérien ou dans le
contrôle de processus commerciaux. Les études sont le plus souvent restées à des stades de
prototypes.
L’implémentation de l’architecture PRS la plus récente est dMARS. Cette architecture est
composée d’une bibliothèque de plans (aires de croyances), d’une base de croyances représentant
les états du monde (Base de données), d’une pile de buts (Buts), d’une structure d’intentions
CHAPITRE II Etat de l’art
Page 35
(Intentions).
Figure 7: Architecture PRS [19]
La Figure 7 présente l’architecture originale de PRS. Elle est généralement représentée de façon
simplifiée (Figure 8).
Figure 8 : Architecture BDI
Les différents éléments représentés sont les suivants :
Une base de données (Beliefs) : Cette base de données contient les connaissances de l’agent qui
sont mises à jour en permanence en fonction des changements de l’environnement et de l’état
interne de l’agent. Rappelons que les autres agents sont partie intégrante de l’environnement. Ces
CHAPITRE II Etat de l’art
Page 36
changements peuvent être des informations factuelles ou une perception particulière. Cette base de
données est représentée en logique des prédicats.
Des objectifs (Desires) : Au niveau de l’implémentation, les objectifs correspondent à un ensemble
de buts à atteindre à long terme. Dans dMARS, le concept d’objectif est réduit à des évènements
susceptibles de déclencher des plans. En effet, les buts y sont implicites.
Une bibliothèque de plans : Un agent peut se représenter un plan sous la forme d’une
connaissance opératoire qui caractérise la séquence d’actions permettant de réaliser une tâche locale
dans son domaine d’expertise. Il correspond à une construction mentale des comportements que
l’agent devra suivre le moment venu pour mener à bien une tâche locale. Cela suppose que l’agent
puisse se représenter mentalement le déroulement des activités permettant de réaliser une tâche
locale. Cet ensemble de plans décrit comment accomplir une série d’actions, de tests, de demandes
d’informations pour atteindre un objectif.
Un mécanisme de raisonnement (interpreter) : Ce mécanisme de raisonnement est très important
dans l’architecture BDI. Sa structure se décompose en différents éléments.
Figure 9: Structure générale du mécanisme de raisonnement.
Le mécanisme de raisonnement suit le cycle suivant (Figure 9) :
En fonction des modifications de l’environnement, l’opportunity analyser émet des
options possibles.
Dans le means-end reasoner on place le plan actuel, en cours d’exécution ou retenu
CHAPITRE II Etat de l’art
Page 37
pour exécution. A partir de ce plan initial et en fonction des informations sur le
changement de l’environnement peuvent être générés d’autres plans possibles
appelés options.
Ces plans possibles ou options entrent dans le système de filtre au niveau du
compatibility check.
Si cette nouvelle option est compatible avec le plan initial alors cette option passe
directement dans le processus de délibération (deliberation process).
Sinon l’override mechanism résout le conflit en retenant le plan le plus favorable au
système de préférence défini pour l’agent.
Les Intentions : Si le plan candidat est accepté, il passe alors dans la structure d’intention
(intention structure).
L’intention qui était en conflit avec celui-ci sort de la structure d’intention.
Figure 10 : Le cycle d'exécution d'un agent BDI [18]
Le cycle d’exécution d’un agent se déroule en plusieurs étapes (Figure 10) :
1. Perception des changements de l’environnement par le senseur, interprétation pour les traduire en
terme de croyances.
2. Mise à jour de la base de croyances en relation avec les informations fournies par le senseur.
3. Ces modifications sont traduites en actions réflexes ou en nouveaux objectifs à atteindre.
CHAPITRE II Etat de l’art
Page 38
4. La liste d’objectifs est mise à jour et les objectifs à poursuivre sont sélectionnés.
5. S’il n’y a pas de plan sélectionné pour l’objectif en cours, si le plan a échoué, ou s’il y a
reconsidération du plan actuel, alors, un autre plan est choisi.
6. Le nouveau plan choisi s’étend au champ d’actions à exécuter.
7. L(es) action(s) sont planifiées et exécutées.
III. IDESS: Système de simulation multi agents pour le développement rapide des
maladies infectieuses [31]
III.1 Présentation du modèle
IDESS (Infectious Disease Epidemic Simulation System) est un système capable de
construire un modèle de simulation qui permet de détecter les maladies infectieuses à partir
des données existantes d’une région géographique.
III.2 Contexte
IDESS a la possibilité de créer un modèle de simulation pour tout emplacement
géographique dans le monde, il utilise les données existantes pour générer le modèle de
simulation, Il permet de visualiser les résultats de plusieurs façons. Et d’un point de vue
génie logiciel, il permet de modifier le comportement des agents et les interactions avec les
autres.
III.3 Implémentation SMA
Ils ont implémenté l’approche dans un système multi agents spécifique à
l’application. Au cœur de cette simulation, ils ont utilisé l’agent personne (Person Agent
PA) qui agit comme une personne normale, le PA interagit avec d’autres PA dans le
modèle de la simulation et avec l’environnement en terme de l’agent ville (Town Agent
TA). PA et TA ont des paramètres et des interactions qui sont associés à chaque agent.
La figure 11 illustre comment les agents ville TA et les agents personne PA
interagissent entre eux dans leurs environnement. Les agents TA varient en fonction de
leurs consciences sur les changements de la population de la ville. L’agent TA a des
connexions avec les autres agents TA et PA. L’interaction entre les TA peut changer si une
stratégie de confinement a été invoquée en isolant ainsi l’agent TA concerné.
IDESS a permet de construire rapidement un modèle de simulation basé sur les
agents qui peut être utilisé dans l'enquête de la propagation des maladies dans un
CHAPITRE II Etat de l’art
Page 39
environnement géographique donné.
Cette approche est flexible dans sa capacité de modéliser n’importe quel
emplacement géographique en traitant la nature imprévisible de l’emplacement géo
spatiales où une éclosion d’une maladie infectieuse se produira.
Ce système est dynamique car on peut modifier et ajouter de nouveaux agents et des
informations au modèle.
Figure 11 : L’interaction entre l’agent personne PA et l’agent ville TA dans
l’environnement de la simulation [22].
IV. IFI: Système à base d’agents pour l’évacuation de bâtiment dans le cas
d’incendie [32]
IV.1 Présentation du modèle
Ce système à pour but d’une simulation à base d’agents d’évacuation de bâtiment dans
les cas d’urgence, et plus précisément ils ont simulé le bâtiment de l’IFI dans le cas de
CHAPITRE II Etat de l’art
Page 40
l’incendie.
IV.2 Contexte
Dans ce travail, ils ont modélisé et simulé l'incendie. Ils ont construit le modèle avec
la carte du bâtiment de l'IFI (3 étages avec 18 salles, 2 escaliers, et 3 sorties). L'état initial
est que tous les agents sont dans les salles. Quand le programme démarre, une situation
urgente a lieu.
Tous les agents essayent de sortir de la salle. Ils déterminent quelle est la porte la
plus proche d'eux pour sortir. Lors du déplacement ils doivent éviter les obstacles. Si la
porte qu'ils veulent passer est saturée (beaucoup d'agents veulent la passer, il n'y a plus de
place) ils doivent passer a une autre porte si disponible. Après la sortie de la salle, les
agents déterminent la direction pour se déplacer. Avec les agents qui connaissent le plan du
bâtiment, ils mesurent la distance entre eux est les escaliers. Ils prennent l'escalier le plus
proche. La stratégie est que tous les agents qui connaissent le plan, utilisent toujours le
chemin le plus court vers la sortie. Dans le cas où il y a beaucoup d'agents qui passent cet
escalier, la congestion a lieu, quelques agents qui attendent à la fin de queue vont choisir un
autre escalier. Si des agents ne connaissent pas le plan et autour d'eux il n'y a aucun agent
qui connait le plan, ils se déplacent selon 2 stratégies: toujours courir à l'ouest ou toujours
courir à l'est, s'ils rencontrent l'escalier ils descendent, par contre si dans leur voisinage, un
agent sait le plan, alors ils le suivent.
Quand les agents rencontrent un feu, ils changent leur direction, augmentent leur
vitesses et trouvent un autre chemin pour sortir. La stratégie pour choisir un autre chemin
est de prendre l'escalier le plus proche ou le feu n’est pas encore déclaré. Les autres agents
qui rencontrent ces agents vont apprendre l'information de feux et les suivent.
IV.3 Implémentation SMA
Ce travail a pour objectif de construire une simulation la plus proche de la réalité que
possible alors les auteurs [22] ont utilisé l'architecture BDI (Belief, Desire and intention)
parce que les piétons doivent communiquer et raisonner pour trouver le chemin vers la
sortie, alors les agents deviennent plus intelligents.
Dans ce modèle, l’environnement est le bâtiment de l’IFI et les feux sont considérés
CHAPITRE II Etat de l’art
Page 41
comme un agent. Il ya deux types d’agents :
1) Les agents qui connaissent le plan du bâtiment.
2) Les agents qui ne connaissent pas le plan du bâtiment.
Chaque type d’agent a un algorithme différent, mais ils ont le même processus
d'observer, de mettre à jour le monde (l'état de bâtiment et l'état de l'escalier qu'il veut
passer). Si un agent est touché par le feu qui a une chaleur minimale, il va être blessé, et si
la chaleur du feu est maximale, l’agent va mourir.
L’application est flexible, on peut changer le plan de bâtiment en modifiant le
fichier XML. On peut également changer le nombre d’agent de chaque salle, le nombre et
la position d’obstacle, de feu, le pourcentage de type d’agent et pourcentage de vitesse
d’agent. Les réactions des agents répondent aux changements de l’environnement, ils sont
raisonnables : ils peuvent éviter la congestion, éviter le feu et apprendre aux autres. Le
raisonnement des agents est suit le raisonnement de gens réel.
L’application rencontre une limite importante : Les informations échangées entre des
agents sont petites, Il y peu de communication. Si les agents communiquent beaucoup et
échangent plus d’information, le modèle devient plus réel.
V. Etude comparative
Le tableau (TABLE I) illustre une étude comparative des deux environnements. Il
montre que ces systèmes sont intelligents (le types de leurs agents est cognitif,) de
domaines différents et utilisent plusieurs modèles et technologies.
Ces modèles se composent de plusieurs agents en interaction ce qui les rend plus
réalistes et qui s’adaptent au changement de leurs environnements.
Les critères de
comparaison IDESS IFI
CHAPITRE II Etat de l’art
Page 42
Domaine le développement rapide des
modèles pour la détection des
maladies infectieuses d’une
région géographique (le
domaine biomédical).
l’évacuation de bâtiment dans le
cas d’incendie
(le domaine de secourisme).
Type de
connaissance
connaissances déclaratives et
procédurales.
connaissances déclaratives et
procédurales.
utilisation les professionnels de la santé
publique
Les responsables des forêts et des
incendies, les agents de
secourisme.
agents utilisés les agents personne PA et les
agents ville TA.
les agents qui connaissent le plan
du bâtiment. et les agents qui ne le
connaissent pas.
modèle d’agents ses agents s’adaptent à une
base de données dynamique
alors ce sont des agents
cognitifs.
Des agents délibératifs de type
BDI.
Type d’application
et technologie
application JAVA+Google
Maps API
Application JAVA avec la
plateforme Repast+ des fichiers
XML.
TABLE I : Une Etude Comparative Entre Les deux Environnements
VI. Conclusion:
Pour faire face à l’interaction des simulations dans les systèmes intelligents, nous
avons touché des différents domaines d’application des simulations multi agents, et une
CHAPITRE II Etat de l’art
Page 43
connaissance profonde des caractéristiques de chaque modèle.
CHAPITRE Chapitre : 03
M-Learning
3
CHAPITRE III M- Learning
Page 45
I. Introduction
Le Mobile Learning (M-Learning) est un domaine de recherche récent, combinant E-
Learning et informatique mobile.
II. Définitions officielles [33]
II.1. E-Learning
L’e-Learning définit tout dispositif de formation qui utilise un réseau local, étendu ou
l’Internet pour diffuser, interagir ou communiquer, ce qui inclut l’enseignement à distance,
en environnement distribué, l’accès à des sources par téléchargement ou en consultation sur
le net. Il peut faire intervenir du synchrone ou de l’asynchrone, des systèmes tutorés, des
systèmes à base d’autoformation, ou une combinaison des éléments évoqués.
L’e-Learning est donc un sous-ensemble de la formation ouverte et à distance qui
s’appuie sur les réseaux électroniques. Il correspond parfaitement avec la définition de
l’enseignement de troisième génération expliqué juste auparavant.
II.2. M-learning
Le M-Learning est la suite logique du e-Learning. Dans ce sens il désigne le fait de
fournir des cours ou des objets pédagogiques par le biais de périphériques mobiles tels que
les Pocket PC, les téléphones portables ou encore les Palm Pilot. Les utilisateurs auront
donc des leçons en formats réduits mais le principal avantage d’une telle solution reste
l’accessibilité à toute heure de la journée et depuis n’importe quel lieu pourvu qu’un réseau
soit à proximité.
Aujourd’hui la connaissance des étudiants en matière de technologie mobile
(accessibilité, facilité d’utilisation, rapidité d’adaptation) rend le m-Learning possible.
III. Les Caractéristiques du M-learning [33]
III.1. La mobilité
Dans une situation de mobile Learning on peut se poser la question de "qui/quoi est
mobile ?" (De la même façon que dans une situation d'enseignement à distance on se
demande "qui/quoi est à distance ?") Où est la mobilité ? S'agit-il de la mobilité de
CHAPITRE III M- Learning
Page 46
l'apprenant, de l'enseignant, de la mobilité des dispositifs utilisés, de la mobilité du lieu ?
Qu'est-ce que la mobilité ? Est-ce que c'est changer de lieu de temps en temps (exemple 1)
ou est-ce se déplacer en apprenant (exemple 2) ?
Exemple 1 : un enseignant qui le matin fait un cours à distance depuis son domicile
et l'après-midi un cours à distance depuis son bureau.
Exemple 2 : un enseignant qui interagit avec des étudiants pendant un déplacement
en train.
On voit que l'on peut définir différents "degrés" de mobilité.
Dans le cas où un des acteurs est mobile on parlera de "nomadisme".
Une personne nomade, apprenant ou enseignant est une personne qui se
déplace physiquement d'un endroit à un autre. L'acte de formation va se
produire soit au cours du déplacement, soit aux points de départ et/ou
d'arrivée du déplacement.
III.2. Le Lieu de formation
Quels sont les lieux concernés par la situation de formation, un lieu sur le campus, le
domicile personnel, un lieu en entreprise ? Ce lieu peut être géographique ou logique («
dans ma voiture », « devant l’appareil à dépanner », etc.). Quel est le lieu où se situe chaque
acteur à un moment donné, et éventuellement quel est le lieu du contenu pédagogique ?
Une des questions qui se pose aussi dans les situations de M-Learning est de déterminer si
le lieu où se situe l'acteur est important pour l'apprentissage. Est-ce qu'il s'agit de réviser un
cours de langues dans le bus ou est-ce qu'il s'agit d'apprendre à faire des mesures dans un
site naturel ou d'apprendre à dépanner une machine dans une usine ?
Dans le premier cas, le lieu n'a pas d'importance, l'apprentissage peut se produire dans
tout lieu où se trouve l'apprenant. Dans le deuxième cas, le lieu est non seulement important
mais est une des conditions de l'apprentissage, étant donné qu'il contient une partie du
"contenu pédagogique".
Le lieu peut aussi être important pour la localisation des acteurs, c'est à dire que les
acteurs doivent être présents au même moment au même endroit. C'est le cas des
applications de type amphi interactif.
CHAPITRE III M- Learning
Page 47
III.3. Le Contexte de la formation
L'application mobile est par définition amenée à se trouver à l'extérieur de la salle de
classe, donc dans des environnements très variés et riches, des environnements "vivants".
A l'aide de capteurs, elle devient informée des paramètres de la situation dans laquelle elle
se trouve. Par exemple le dispositif peut être doté d'un capteur de type GPS qui permet de
détecter la localisation de l'utilisateur.
III.4. Les types de dispositifs
Nous distinguons quatre types de dispositifs:
A- Dispositif fixe : non déplaçable, toujours connecté, pas de problème
d'autonomie. Exemples : ordinateur de bureau, borne interactive dans un campus.
B- Dispositif portable : transportable, dispose d'une autonomie (plusieurs
heures), connecté de façon non permanente par liaison filiaire ou radio (WIFI). Exemples :
ordinateur portable.
C- Dispositif mobile : léger, la connexion peut être quasi-permanente.
Exemples : PDA, téléphone mobile, E-book, Tablet-PC.
D- Dispositif porté : Il fait quasiment partie des vêtements, est disponible à
tout moment et permet d'avoir les mains libres. Les moyens d'interaction sont
complètement différents de ceux des types de dispositifs précédents. Exemple : ordinateur
porté avec visualisation dans des lunettes.
IV. Les avantages du M-learning
Les bénéfices du M-Learning sont assez nombreux on en citera quelques un:
A- Etendre l'enseignement et l'apprentissage dans des espaces au-delà de la salle de
classe,
B- Donner aux enseignants et apprenants une flexibilité accrue et de nouvelles
possibilités d'interactions,
C- Supporter des expériences d'apprentissage collaboratives, accessibles, intégrées
au monde au-delà de la salle de classe,
CHAPITRE III M- Learning
Page 48
D- Faciliter l'apprentissage sur le lieu de travail : les personnes peuvent continuer
leur tâche tout en se formant (donc augmenter l'efficacité sur le lieu de travail et
donc la productivité),
E- Faciliter l'accès à la formation dans les zones rurales ou éloignées
F- Faible coût, Portabilité
V. Inconvénients [24]
Le passage du E-Learning au M-Learning soulève plusieurs problèmes dont la nature
de la mobilité, les limites de l’interface d’accès, la faiblesse de la bande passante et la
diversité des équipements.
V.1. La nature de la mobilité
Dans le e-Learning, la mobilité peut designer le fait que l’apprenant peut travailler
dans un endroit donné, se déconnecter, aller ailleurs et se reconnecter pour poursuivre son
apprentissage, entre les deux il est hors du réseau et ne peut être joint. Le M-Learning vise
plus loin et recherche la continuité de la communication
Ce rêve d’une communication continu soulève plusieurs interrogations, d’un strict
point de vue communication, comment couvrir sans discontinuité, vingt-quatre heures sur
vingt-quatre, sept jours sur sept touts les points du globe, tout en desservant une clientèle
aussi large que variée dans ses besoins que celle visée par le M-Learning ? Dans ce
contexte, plusieurs aspects techniques peuvent être abordés : itinérance globale, handover,
continuité de la connexion, gestion des fréquences et traitements des interférences, haute
disponibilité, etc.
V.2. Limites de l’interface d’accès
Les écrans des téléphones cellulaire et autres PDA sont trop petits pour recevoir du
contenu éducatif. Dans l’état actuel des choses, ils forceraient l’apprenant à un défilement
continu qui peut s’avérer très vite fatiguant .Or on sait que l’un des risques majeurs qui
guette le M-learner est la démotivation, qui mène souvent à l’abandon.
Un autre problème est celui du clavier, lui aussi trop petit et inadapté, surtout pour
saisir des données dans une session interactive. Sous sa forme actuelle, il occasionnera une
perte de temps considérable, c’est ce qui va a l’encontre des buts visés. De plus, la capacité
CHAPITRE III M- Learning
Page 49
de stockage reste faible, ce qui nécessite la mise en place d’une mémoire vive d’une grande
capacité voir d’un disque dur. Aussi faut-il prévoir un système d’exploitation léger mais
approprié
Enfin, ces appareils ne supportent pas tout les medias avec la qualité de service
requise par un usage éducatif. Or, l’efficacité est donc la généralisation du M-Learning
exige d’aller au-delà du support textuel.
V.3. Faiblesse de la bande passante
La bande passante des liaisons radio sont très faibles pour ce genre d’usage, en outre,
l’ambition d’une connexion continue ne saurait s’accommoder des communications
intermittentes actuelles.
V.4. Diversité des équipements
Les équipements ne sont pas toujours compatibles en tous points, ce qui pose le
problème de la standardisation, sans un effort sur ce plan, le M-Learning ne pourra se
développer rapidement
VI. Les types de dispositifs mobile utilisés pour le M-learning
Deux grandes catégories permettent de classifier l’ensemble du matériel existant. La
première englobe l’ensemble du matériel aux hautes performances technologiques, comme
les ordinateurs portables et les blocs-notes. De ce fait, elle se rapproche des méthodes
pédagogiques faisant appel à des ordinateurs fixes.
La seconde catégorie, constituée d’appareils plus petits, tels les ordinateurs de poche
(palm,pocket PC, BlackBerry,Ipod) les téléphones cellulaires et les consoles de
jeux,impose par ses contraintes technologiques une refonte de la présentation des sujets
d’enseignement abordés en fonction des contraintes techniques.
VII. Exemple d’applications du M-Learning
VII.1. Apprentissage des langues (projet ELDIT)
Le système ELDIT est destiné à l'apprentissage de l'italien et de l'allemand dans la
région bilingue du sud tyrol en Italie. La version mobile contient un dictionnaire de langue
CHAPITRE III M- Learning
Page 50
et des corpus de textes avec questions de compréhension. Elle est fournie aux candidats aux
concours administratifs qui peuvent l'utiliser librement n'importe quand et dans n'importe
quel lieu [35]
VII.2. Amphi interactif
Un enseignant dans un amphi fait cours devant un grand nombre d'étudiants à l'aide
d'un ordinateur portable. Chaque étudiant est équipé d'un PDA fourni par l'organisme de
formation pour la durée des études.
L'enseignant à intervalle régulier "sonde" l'ensemble des étudiants pour connaître leur
compréhension du cours. Les étudiants répondent à l'aide de leur PDA.
Ultérieurement, les étudiants pourront réviser le cours stocké sur serveur depuis leur
PDA ou un autre ordinateur [36]
VII.3. Bureau Virtuel étudiant (BVE) [37]
Les étudiants de la région Rhône-Alpes grâce à ce projet disposent d'un bureau
virtuel, c'est à dire peuvent retrouver leurs données personnelles quelque soit l'endroit où ils
se trouvent.
Figure 12: page d’accueil du site BVE.
CHAPITRE III M- Learning
Page 51
VII.4. Apprentissage collaboratif à domicile (projet Genius)
Genius est un projet d'enseignement à distance dont certaines expérimentations
comportaient une part de mobilité. Des enseignants animent une séance d'apprentissage
collaboratif entre étudiants situés dans plusieurs pays, France, Espagne, Grèce.
L'enseignant principal, français, est situé dans un bureau sur le campus et communique à
l'aide de son ordinateur portable. Les étudiants français ont eu le choix du lieu de leur
apprentissage. Ils sont soit dans une salle d'ordinateurs du campus soit dans leur chambre
d'étudiant sur le campus et connectés par le réseau du campus. Un des étudiants est dans la
salle d'ordinateurs mais muni de son ordinateur portable personnel [38].
VII.5. Apprentissage sur le terrain (projet Gipsy)
Un enseignant et des étudiants sont "sur le terrain" c'est à dire dans une zone naturelle
pour des travaux pratiques de Systèmes d'Information Géographique, Biologie ou
Archéologie. Ils sont équipés de PDA et de GPS et parcourent à pied le terrain pour relever
ses paramètres à l'aide de capteurs [39].
VII.6. HMTD : Apprentissage sur le lieu de travail
Employé d’une société de service, un technicien de maintenance est chargé
d’intervenir sur un équipement d’un client qu’il ne connaît pas ou peu. Le technicien utilise
un dispositif mobile pour se connecter au site web de sa société ce qui lui permet d’accéder
à l’historique des interventions sur l’équipement. Les informations de contexte (type
d’équipement, version) peuvent être saisies par le technicien, récupérées par la lecture de
tags RFID collés ou encore par un échange direct entre l’équipement et l’ordinateur mobile.
Le technicien accède ainsi à la documentation précise (adaptée à la version spécifique de
l’équipement du client) et aux procédures de dépannage correspondantes qu’il peut
exécuter pas-à-pas. Il s’agit d’une application de type « Just-in-Time Learning ».
L’ordinateur peut être un TabletPC ou un PDA complété par un affichage sur des
lunettes permettant au technicien de suivre la procédure tout en libérant ses mains pour son
CHAPITRE III M- Learning
Page 52
activité principale de dépannage. Il peut aussi utiliser des commandes vocales pour faire
défiler les informations sur les lunettes [3:].
VII.7. Kidsroom
Dans cette application, des enfants sont situés dans une pièce spéciale et guidés dans
un jeu interactif avec une histoire racontée. Les actions et les voix sont détectées à l'aide de
capteurs invisibles si bien que les enfants peuvent se mouvoir librement. L'histoire continue
en fonction des actions des enfants [41].
VIII. Conclusion
Le M-Learning est un domaine encore embryonnaire et encore très complexe, ses
limites ne sont pas encore délimitées mais il demeure que sans nul doute l’avenir de
l’éducation ou du moins, c’est un très bon complément en matière d’apprentissage, que ce
soit dans l’éducation ou même dans le monde du travail.
CHAPITRE 4 Chapitre : 04
Complex SIMUL
CHAPITRE V Complex SIMUL
Page 54
I. Introduction
Nous présentons dans ce chapitre une description générale des fonctionnalités de
notre simulateur multi agents de cas d’urgence.
Cette étape va déterminer la valeur scientifique du projet et elle consiste dans un
premier temps à identifier à priori les agents qui vont composer le système (architecture
générale) ensuite elle va décrire les rôles de chaque agent et les différentes interactions
entre les agents (architecture détaillée).
II. Présentation de notre système
L’objectif principal de notre projet est de simuler un cas d’urgence en se basant sur
la simulation des systèmes complexes et en utilisant le raisonnement pratique de l’être
humain.
II.1 Le cas d’urgence utilisé
Nous allons choisir la crise cardiaque comme cas d’urgence puisqu’elle est la
principale cause de décès au monde. Les crises cardiaques se produisent lorsqu'il y a
blocage soudain et complet du débit sanguin à une partie du muscle cardiaque. Chaque
minute, chaque jour, une personne meurt d'une crise cardiaque. La rapidité du traitement est
très importante pour les victimes de la crise cardiaque [41].
II.2 Les cas d’urgence en Algérie [32]
Chaque année, des milliers de vies humaines pourraient être épargnées si seulement
une partie de la population connaissait les gestes d’urgence. Combien de personnes
décèdent chaque jour des suites d’un accident de la route, d’un accident domestique ou de
travail. Or que la moitié de ces tragédies pourraient être évitées, si davantage de personnes
savaient pratiquer les gestes élémentaires de sauvetage en attendant l’arrivée des premiers
secours. Si on fait un sondage autour de nous, nombreux sont ceux sensibilisés à ce
problème, puisque les gens jugent qu’il est important de se former aux premiers secours.
Mais, de la théorie à la pratique, l’écart est grand et, dans la réalité, très peu sont initiés à
l’urgence. De nombreux travaux scientifiques ont prouvé l’intérêt du premier sauveteur lors
CHAPITRE V Complex SIMUL
Page 55
de la chaîne de survie. Les experts de la Croix-Rouge estiment «que si le secouriste du
premier instant est relayé rapidement par des secours spécialisés, dotés entre autres
d’appareils de défibrillation semi-automatique, les chances de survie d’une victime d’un
arrêt cardiaque sont augmentées de 20 %. En revanche, si ce premier secouriste est absent
du lieu de l’accident, ces chances se réduisent à 2 à 3 %». En effet, pour être efficace, un
choc électrique doit être administré dans les 5 premières minutes qui suivent l'arrêt
cardiaque. Or, dans les grandes villes, les secours n’arrivent sur les lieux que beaucoup plus
tard. La diffusion de ces appareils aux policiers et aux pompiers bien sûr, mais aussi aux
personnes en contact avec le public comme le personnel aérien permettrait de préserver
encore davantage de vies. Les secours en Algérie sont très mal organisés et des solutions
concrètes doivent être trouvées sans trop tarder. Ainsi, la connaissance des gestes de
premiers secours doit aujourd’hui être une priorité de santé publique. Et pour toucher un
grand nombre de personnes et faire en sorte que cet enseignement fasse partie intégrante de
notre éducation à la citoyenneté, il est nécessaire de commencer l’apprentissage de
comportements adaptés dès l’école.
II.3 La réanimation cardiorespiratoire (CPR) [33]
La réanimation cardiorespiratoire (CPR) est une combinaison des compressions
thoraciques avec la respiration artificielle faite sur les victimes que l'on pense être en arrêt
cardiaque. Lorsque survient un arrêt cardiaque, le cœur cesse de pomper le sang. La CPR
peut prendre en charge une petite quantité de flux sanguin vers le cœur et le cerveau afin de
"gagner du temps " jusqu'au rétablissement de la fonction cardiaque normale.
II.4 Les signes de la crise cardiaque [34]
La réanimation cardiorespiratoire (CPR) rapide peut sauver des vies. Le traitement
rapide visant à briser les caillots peut grandement augmenter les chances de survie de la
personne qui subit une crise cardiaque. Puisque le traitement rapide peut faire une
différence, il est important de connaître les premiers signes de la crise cardiaque. En cas de
crise cardiaque, vous pouvez ressentir un ou plusieurs des symptômes suivants:
1) Un malaise au centre de la poitrine qui dure plus de 5 minutes ou qui disparaît et
CHAPITRE V Complex SIMUL
Page 56
réapparaît. Il prend la forme d'une pression inconfortable, d'un serrement, d'une
sensation de lourdeur ou d'une douleur.
2) Un inconfort dans d'autres parties du corps, par exemple douleur ou inconfort dans un
ou dans les deux bras, dans le cou, au niveau de la mâchoire ou de l'estomac.
3) Un essoufflement souvent accompagné d'un malaise à la poitrine, mais qui peut
survenir avant le malaise. Parmi les autres signes, nommons les sueurs froides, les
nausées et une sensation de flottement.
II.4 L’architecture de notre système
Notre simulateur Complex SIMUL comprend des agents réactifs qui vont travailler
d’une façon complémentaire et cohérente et des agents délibératifs de type BDI (Belief,
Desire and Intention) qui vont intégrer la notion de raisonnement pratique de l’être humain
et qui représentent le processus cognitif. Notre système comprend trois types d’agents
différents (Fig 13) :
L’agent victime : c’est un acteur passif, il peut prendre trois cas différents (un malade avec
un visage bleu, rouge ou une victime décédée), il est réactif, il réagit aux actions de l’agent
secouriste (le déplacer, le secourir…).
L’agent environnement : c’est l’agent qui désigne le lieu de l’accident, il est de type
réactif et il est dynamique (la route, la verdure,…).
L’agent secouriste : c’est l’acteur actif de notre situation d’urgence, il se compose de trois
types d’agents :
1) L’agent médecin et l’agent de secours : sont des secouristes de type agent expert, ils
sont des agents réactifs.
2) L’agent non expert : c’est un agent de type BDI (Belief, Desire and intention) c-à-d, cet
agent a des croyances sur le monde dans lequel il évolue, il doit satisfaire des désirs en
effectuant des intentions.
CHAPITRE V Complex SIMUL
Page 57
Figure. 13 : Le simulateur Complex SIMUL.
III. Pourquoi un agent BDI ?
Le modèle BDI a ses fondements théoriques dans les travaux en philosophie de
Bratman (1987) et Dennett (1989) qui présentent les trois composants de base permettant
de capturer l’interprétation courante du raisonnement humain : les croyances représentant le
savoir de l’agent sur son environnement et son propre état interne ; les désirs ou plus
spécifiquement les buts (des désirs que l’agent veut réaliser) ; et les intentions qui sont
l’ensemble des plans ou séquences d’actions que l’agent veut suivre afin de réaliser ses
buts. Cette architecture est la plus évaluée, au point de vue théorique, un agent BDI peut
accomplir n’importe quel type de tâche, l’architecture permet à ces agents de résoudre des
problèmes complexes. Cohen et al affirment qu’en permettant un niveau d’engagement à un
ensemble d’intentions pour réaliser un but à long terme, le modèle BDI se distingue des
modèles qui permettent uniquement un comportement réactif. Cette notion d’engagement
est donc un composant essentiel du modèle BDI [45]. Rao et Georgeff [46] montrent qu’il
doit aussi y avoir une certaine forme de processus rationnel pour décider quelles intentions
CHAPITRE V Complex SIMUL
Page 58
sélectionner selon les circonstances. Bien que la manière spécifique de réaliser cela varie
d’une implémentation à une autre. L’architecture BDI offre les caractéristiques de base
suivantes :
Adaptabilité : Les plans ne sont pas complètement spécifiés et peuvent être constitués de
sous-buts imbriqués, ce qui rend l’agent flexible et lui permet de s’adapter à un
environnement changeant.
Robustesse : L’utilisation d’une hiérarchie de plans signifie que si un plan échoue,
potentiellement à cause de changements dans l’environnement pendant son exécution,
l’agent est capable de se ressaisir en exécutant un autre plan applicable s’il en a un
disponible.
Programmation abstraite : Le programmeur spécifie les croyances, désirs et intentions
(concept de haut niveau d’abstraction), ce qui permet de créer des systèmes complexes tout
en maintenant un code transparent et facile à comprendre.
Orientation vers les buts : L’utilisation d’une approche basée sur les buts par rapport à
une approche basée sur la tâche, signifie qu’un agent sait pourquoi il exécute une tâche, ce
qui lui permet d’expliquer son comportement d’une manière intuitive.
Dans cette architecture, les agents possèdent une fonction qui permet d’évaluer l’utilité
de chaque action. Contrairement à l’architecture des agents cognitifs ou les agents posent
des actions aléatoires lorsqu’ ils n’étaient pas en mesure d’atteindre leurs buts, les agents
BDI peuvent déterminer l’action (ou les actions) à effectuer pour se rapprocher le plus
possible du but à atteindre. Cela signifie que lorsqu’ un agent ne peut pas atteindre son but
en posant une action, alors il sélectionnera l’action qui se rapprochera le plus possible du
but à atteindre ou l’action qui lui permettra d’atteindre ce but le plus rapidement.
II. Le fonctionnement de l’agent non expert comme agent BDI (Figure 14)
Notre agent englobe une file d’événements (les actions de secours pour l’agent ) en
stockant les événements internes du système, des croyances (connaissances de l’agent), une
CHAPITRE V Complex SIMUL
Page 59
librairie de plans (savoir-faire de l’agent), une pile de désirs (buts de l’agent) et une pile
d’intentions (plans instanciés pour atteindre les buts). Le cycle de l’interpréteur BDI
commence par actualiser la file d’événements et les croyances de l’agent. Il active alors de
nouveaux désirs en sélectionnant les plans de la librairie, donc notre agent a la possibilité
de décider en exécutant la première action sélectionnée de la pile des intentions, et ainsi de
suite. Cet agent doit (voir la figure 14) :
1) Observer l’agent environnement et l’agent victime pour connaitre les risques possibles.
2) Signaler une alerte (appel téléphonique par exemple).
3) Dresser un plan sélectionné (et ça dépend de ses désirs).
4) Sélectionner une intention en exécutant l’action du plan correspondant (par exemple le
schéma ABC).
Figure 14 : L’agent BDI de Complex SIMUL.
Notre agent non expert va apprendre pendant la simulation en utilisant son
CHAPITRE V Complex SIMUL
Page 60
téléphone portable à travers le M Learning en utilisant le schéma ABC.
Nous avons utilisé la notion de priorité pour les agents de secours, l’agent
médecin a la plus haute priorité qui est égale à la valeur 10 puis l’agent de secours qui ne
dépassera pas la valeur 6 de priorité, mais l’agent non expert va prendre la valeur la plus
basse de priorité qui s’initialise à zéro (0) ensuite après chaque succès de secours du même
cas cette valeur va s’incrémenter de 1 et ainsi de suite. La priorité de l’agent non expert est
inférieure ou égale à la priorité de l’agent de secours (inferieur ou égale à 6) mais ces deux
dernières priorités sont toujours inférieures à celle de l’agent médecin.
V. L’application Mobile
L’application mobile reste une interface entre l’utilisateur et le système, elle a été
construite de tel sorte qu’elle soit la plus simple possible, afin de ne pas décourager
l’utilisateur de cette application, et parce qu’aussi, le téléphone mobile ne donne pas un
choix très large dans l’affichage des données. L’application est donc une sorte de
questionnaire (oui/non) auquel l’utilisateur doit répondre afin de cerner l’étape à atteindre,
et de recevoir les instructions à faire dans les brefs délais, les questions posées peuvent
paraitre très simpliste, c’est parce qu’on est parti du principe que l’utilisateur de cette
application est surement une personne qui n’a pas de connaissance très établies dans le
domaine de secourisme, et donc on ne doit pas utiliser beaucoup de termes techniques.
L’organigramme du questionnaire a été composé en 3 étapes selon le schéma ABC [37].
Les nombreux participants à des cours des premiers secours ont mémorisé le moyen
mnémotechnique RRSS (répond-il, respire-t-il, saigne-t-il, son pouls est-il perceptible).
RRSS était une invention purement helvétique. Dans les nouveaux cours, c'est l'abréviation
internationale «ABC» (Airways, Breathing, Circulation – Libérer les voies respiratoires,
Respiration artificielle, Circulation) qui est enseignée. La grande différence entre l'ancien et
le nouveau schéma réside dans le fait qu'avec «RRSS» on faisait une appréciation de l'état
du patient, tandis qu'«ABC» introduit des mesures immédiates, d'où une aide plus rapide
[38].
Le schéma ABC est le sigle anglais d’un moyen mnémotechnique pour mémoriser l'ordre
CHAPITRE V Complex SIMUL
Page 61
des premiers soins à apporter en cas d'accident. L’algorithme utilisé consiste à protéger la
victime et le secouriste du danger (par exemple du milieu de la route), puis faire une alerte
téléphonique, et après démarrer le secours selon la méthode ABC.
A (for airways) : dégager les voies respiratoires (Figure 15).
B (for breathing) : faire repartir la respiration (Figure 16).
C (for cardiac) : mesurer la présence de rythme cardiaque (Figure 17).
V. 1 La 1ère
étape A
Figure 15 :L’étape A.
CHAPITRE V Complex SIMUL
Page 62
V. 2 La 2ème
étape B
Figure 16 :L’étape B.
V. 3 La 3ème
étape C
CHAPITRE V Complex SIMUL
Page 63
Figure 17 :L’étape C.
VI. Complex SIMUL avec l’application Mobile
Figure 18 : Complex SIMUL avec l’application Mobile.
Dés le démarrage de notre simulateur Complex SIMUL, l’agent de secours BDI va
appeler une application Mobile à travers un questionnaire (Oui/Non) (1), en communiquant
avec l’agent périphérique mobile (un agent de type réactif) (2), il a pour but de servir
l’interface entre l’application mobile et l’agent mobile (3), et il va envoyer une requête à
l’agent mobile pour chercher le nom de l’étape demandée, cet agent reste en attente des
messages de l’agent mobile, ce dernier va appeler un autre agent réactif (agent
intermédiaire) (4) pour que l’agent mobile se déplace au site du serveur Web et lance le
script PHP (5) afin d’interroger le serveur de Données pour avoir l’énoncé de l’étape
CHAPITRE V Complex SIMUL
Page 64
concernée (le contenu du cours) (6). Une fois le cours reçu, il le renvoi à l’agent mobile,
qui l’encapsule et il se déplace à son site initial, puis il transfert la réponse à l’agent
périphérique mobile, et ce dernier va l’afficher, et enfin l’agent BDI va la recevoir et la
stocker dans sa propre base de données. La figure 17 illustre le déroulement de toutes les
étapes.
VII. Conclusion
Dans ce chapitre, nous avons exposé la méthodologie pour la conception de notre
simulation, nous avons mis en place une simulation multi-agent et une application M-
Learning qui est souple et suffisamment intuitif pour aider un sauveteur de premiers
secours à sauver la vie d'une victime d'une crise cardiaque parce que la vitesse de traitement
est très importante.
CHAPITRE 5
Chapitre : 05
Les scénarios de
Complex SIMUL
CHAPITRE V Les scénarios de Complex SIMUL
Page 66
I. Introduction
Dans ce cinquième et dernier chapitre, nous présentons l’implémentation de notre
simulateur, nous enchaineront avec les détails techniques, comme l’explication de certaines
parties du code, et nous détaillerons les captures écran de notre simulateur Complex SIMUL.
II. Présentation de l’application
La figure 19 illustre la présentation des quatres agents (les turtles) de Complex SIMUL :
Figure 19 : La présentation des agents de Complex SIMUL.
Pour présenter les agents, nous avons écrit le code suivant sous Netlogo.
CHAPITRE V Les scénarios de Complex SIMUL
Page 67
La figure 20 présente l’environnement (le patche) :
Figure 20: La présentation de l’environnement
Voici le code correspond au patche
CHAPITRE V Les scénarios de Complex SIMUL
Page 68
Une fois un agent normal devient malade (victime), il change sa forme (voir figure 21).
Figure 21 : Le démarrage de la crise cardiaque.
CHAPITRE V Les scénarios de Complex SIMUL
Page 69
Notre algorithme va calculer les distances entre chaque agent normal et l’agent victime, si
deux distances sont égales, alors il va voir les priorités des agents (les priorités des agents
normaux est inférieure ou égale à 6, les agents de secours est fixée à 6, et le docteur
(médecin) est égale à 10) , comme il est présenté dans la figure 22. Dans ce cas, Complex
SIMUL va faire appel à l’application mobile.
La figure 23 présente la page d’accueil de l’application mobile.
Les figures de 24 à 27 illustrent quelques scénarios selon un questionnaire (Oui/Non).
Figure 22 : Le démarrage du secourisme selon la notion de la priorité et la distance.
CHAPITRE V Les scénarios de Complex SIMUL
Page 70
Figure 23 : L’écran d’accueil de l’application mobile.
Figure 24 : Exemple d’une question posée au secouriste (étape A) et d’une réponse par
CHAPITRE V Les scénarios de Complex SIMUL
Page 71
oui.
Figure 25 : Exemple d’une solution d’une réponse par oui.
CHAPITRE V Les scénarios de Complex SIMUL
Page 72
Figure 26: Exemple d’une question posée au secouriste (étape A) et d’une réponse par
non.
Figure 27 : Exemple d’une solution d’une réponse par non (étape B).
III. Conclusion
L’implémentation de Complex SIMUL a été réalisée avec la plate forme de simulation
(Netlogo) et les plates formes d’exécutions (Jade et Jade leap). Nous avons ciblé des personnes
qui n’ont pas des connaissances bien établies dans le domaine de secourisme, en évitant
l’utilisation des mots techniques.
Conclusion générale
Notre simulateur « Complex SIMUL » est une simulation à base d’agents qui
s’occupe du comportement humain pour intégrer le paradigme de cognition et plus
précisément du raisonnement pratique qui est important dans certains domaines, en
particulier en sciences humaines ou sociales.
Nous avons mis en œuvre un simulateur cognitif qui simule un cas d’urgence médicale
très délicat qui est la crise cardiaque (la principale cause de décès au monde). Complex
SIMUL facilite la notion de secourisme aux personnes qui n’ont pas des connaissances bien
établies dans le domaine.
La solution que nous avons proposé dans ce mémoire de magister est d’utiliser des
agents de type BDI qui définissent les trois composants de base permettant de capturer
l’interprétation courante du raisonnement humain : les croyances représentant le savoir de
l’agent sur son environnement et son propre état interne, les désirs ou plus spécifiquement
les buts (des désirs non conflictuels que l’agent a décidé de réaliser), et les intentions qui
sont l’ensemble des plans ou séquences d’actions que l’agent veut suivre afin de réaliser ses
buts. Cette architecture est la plus idéale pour simuler le raisonnement pratique de l’être
humain, mais elle est très difficile à implémenter au niveau de l’apprentissage. Nous avons
choisit l’apprentissage mobile pour enrichir la base de connaissances du secouriste, en
utilisant la simulation des systèmes complexes.
Une étape future de nos recherches consistera à continuer notre simulation en
améliorant la qualité des connaissances dans le domaine du secourisme et en respectant les
points suivants :
Toucher des cas particuliers des victimes de crise cardiaque (les femmes enceintes,
les enfants, les vieux,…).
Proposer d’autres cas d’urgences médicales.
Utiliser une autre plate forme de simulation comme GAMA et comparer les
résultats.
Intégrer des outils qui facilitent la conception des agents BDI.
Mettre en application sur le terrain de notre simulateur.
ANNEXES
Annexe
ANNEXE
Page 76
Annexe 1 : La plateforme NetLogo
I. Présentation [38]
NetLogo est un environnement de modélisation programmable permettant de
simuler des phénomènes naturels et sociaux. Il a été créé par Uri Wilenski en 1999 et son
développement est poursuivi de manière continue par le Center for Connected Learning and
Computer-Based Modeling. NetLogo convient tout particulièrement à la modélisation de
systèmes complexes évoluant au cours du temps. Les « modélisateurs » peuvent donner des
instructions à des centaines ou des milliers d'« agents » opérant indépendamment les uns
des autres. Ce qui permet d'explorer les liens entre les comportements des individus à leur
niveau et les schémas généraux (comportements de groupe ou de masse) qui émergent des$
interactions entre de nombreux individus. Netlogo est un langage de simulation d'agents, il
est donc un peu particulier. Bien sûr les notions classiques de programmation existent (les
boucles, les tests, les variables, etc...) mais il existe en plus les concepts suivants :
Les agents : ce sont les entités qui vont interagir dans la simulation. Netlogo considère 3
types d'agents :
Les tortues : Netlogo les nomme « turtles », c'est typiquement tout ce qui « vit » dans la
simulation (animaux, plantes, robot, tout ce qui va interagir et « réfléchir »...).
Les « patches » : c'est l'espace dans lequel les tortues vivent. Ce sont carrés qui constituent
l'espace où peuvent évolué les agents.
L' « observer » : l'observateur, c'est à dire nous.
● Notion de « parallélisme »: tout s'exécute « en même temps ». Netlogo met tout en place
pour que tout se passe comme si tous les agents interagissaient en même temps. Le seul
découpage que fait Netlogo est sur le déroulement du temps. Le temps est découpé en
«ticks» (instants) où tous les agents s'animent « en même temps ».
● « interactivité »: on peut interagir avec la simulation en cours d'exécution en écrivant des
commandes via le « command center » (en bas de l'interface)
ANNEXE
Page 77
Figure 1 : la page d’accueil du site officiel de Netlogo.
II. Le « command center » [39]
Le « command center » est la partie basse de la fenêtre de Netlogo.
On peut y donner les mêmes instructions que dans le programme qui définit la simulation.
Cela fait du « command center » un très bon outil pour tester rapidement des idées et se
faire la main avec le langage.
Figure 2 : Le « command center » de Netlogo.
ANNEXE
Page 78
Annexe 2 : La plateforme JADE [40]
I. Introduction
Le meilleur moyen pour construire un système multi-agent(SMA) est d'utiliser une plate-
forme multi-agent. Une plate-forme multi-agent est un ensemble d'outils nécessaire à la
construction et à la mise en service d'agents au sein d'un environnement spécifique. Ces
outils peuvent servir également à l'analyse et au test du SMA ainsi créé. Ces outils peuvent
être sous la forme d'environnement de programmation (API) et d'applications permettant
d'aider le développeur. Nous allons étudier dans cette partie la plate-forme JADE (Java
Agent DEvelopment framework).
II. Brèves descriptions de JADE
JADE (Java Agent DEvelopement framework) est une plate-forme multi-agent créé par le
laboratoire TILAB et décrite par Bellifemine et al. Dans. JADE permet le développement
de systèmes multi-agents et d'applications conformes aux normes FIPA .Elle est
implémentée en JAVA et fourni des classes qui implémentent « JESS » pour la définition
du comportement des agents. JADE possède trois modules principaux (nécessaire aux
normes FIPA).
DF « Director Facilitor » fournit un service de « pages jaunes» à la plate-forme ;
ACC «Agent Communication Channel » gère la communication entre les agents ;
AMS « Agent Management System » supervise l'enregistrement des agents, leur
authentification, leur accès et l'utilisation du système.
Ces trois modules sont activés à chaque démarrage de la plate-forme.
III. La norme FIPA
La FIPA (Foundation for Intelligent Physical Agents) est une organisation à but non
lucratif fondée en 1996 dont l'objectif est de produire des standards pour l'interopération
d'agents logiciels hétérogènes. Par la combinaison d'actes de langages, de logique des
ANNEXE
Page 79
prédicats et d'ontologies publiques, la FIPA cherche à offrir des moyens standardisés
permettant d'interpréter les communications entre agents de manière à respecter leur sens
initial, ce qui est bien plus ambitieux que XML, qui ne standardise que la structure
syntaxique des documents.
IV. Langage de communication de la plate-forme JADE
Le langage de Communication de la plate-forme JADE est FIPA-ACL(Agent
Communication language). La classe ACLMessage représente les messages qui peuvent
être échangés par les agents. La communication de messages se fait en mode asynchrone.
Lorsqu'un agent souhaite envoyer un message, il doit créer un nouvel objet ACLMessage,
compléter ces champs avec des valeurs appropriées et enfin appeler la méthode send().
Lorsqu'un agent souhaite recevoir un message, il doit employer la méthode receive() ou la
méthode blocking Receive().
V. Agent Sniffer
Quand un utilisateur décide d'épier un agent ou un groupe d'agents, il utilise un agent
sniffer. Chaque message partant ou allant vers ce groupe est capté et affiché sur l'interface
du sniffer. L'utilisateur peut voir et enregistrer tous les messages, pour éventuellement les
analyser plus tard. L'agent peut être lancé du menu du RMA ou de la ligne de commande
suivante : Java jade.Boot sniffer:jade.tools.sniffer.sniffer
ANNEXE
Page 80
Figure 3 : L'interface de l'agent Sniffer
Annexe 3 : JADE-LEAP [41]
I. Présentation
A la fin de l'année 1999, un groupe constitué des acteurs principaux du secteur de la
télécommunication mobile se crée pour développer une plateforme conforme aux normes
FIPA pouvant être utilisée sur les supports mobiles. Début 2000, un projet nommé LEAP
(Lightweight Extensible Agent Platform) est créé. Celui-ci a comme but premier la création
d'un middleware suffisamment léger pour les supports ayant des contraintes avec leurs
ressources. Après quelques évaluations, JADE est choisi comme plateforme de base.Le
travail de ce groupe débouche finalement sur une extension de JADE. L'implémentation de
cette extension est en fait une réécriture de certaines parties du noyau de JADE.
On obtient avec cette extension un environnement modifié d'exécution nommé
JADELEAP se déclinant en une version Java SE, personal Java (pJava) et MIDP. JADE et
JADE-LEAP pour Java SE fournissent la même API. D'un point de vue externe, la
différence entre les deux est surtout visible dans l'administration de l'exécution. D'un point
de vue interne, ils diffèrent radicalement. JADE-LEAP pour MIDP peut être considéré
comme une version de JADE-LEAP pour Java SE à laquelle on aurait enlevé quelques
fonctionnalités. JADE-LEAP permet l'utilisation de deux modes d'exécutions : indépendant
(stand-alone) ou séparé (split). Le mode indépendant est conseillé pour la version Java SE,
supporté par la version pJava et non supporté par la version MIDP. La version séparée est
supportée par la version Java SE, conseillée pour la version pJava et est obligatoire pour la
version MIDP. Quand on démarre LEAP en utilisant l'exécution séparée, l'utilisateur crée
une fine couche appelée front-end qui offre les mêmes fonctionnalités qu'un container.
Mais, le frontend n'implémente qu'une partie de ces fonctionnalités et délègue le reste à un
processus distant nommé back-end. L'union du front-end et du back-end forme un
container. Ces deux parties communiquent par une connexion dédiée. Le mode indépendant
consiste en l'utilisation d'un container non-séparé.
ANNEXE
Page 81
Figure 4 : Présentation de JADE LEAP
Page 82
Bibliographie
[1] Dugdale, J., Pavard, B., Soubie, J.L, "A Pragmatic Developpment of a Computer
Simulation of an Emergency Call centre". Designing Cooperative Systems. Frontiers in
Artificial Intelligence and Applications. (Eds) Rose Dieng and Al. IOS Press. 2000.
[2] Ecollan P. «Mise en œuvre de soins médicaux immédiats en présence d'un nombre
important de victimes à Paris: Le plan blanc ». Thèse de Doctorat en médecine, faculté de
médecine PITIE-SALPETRIERE – France. 1989.
[3] N. Bellamine-Ben Saoud, S. Darcy, J. Dugdale, B. Pavard and M. Ben Ahmed.
« Simulation multi-agents de situation de secours d'urgence ». In Proceedings of the 10th
Journees Francophones d’Informatique Medicale. Tunis 4 - 5 September 2003.
[4] Boucher A, Nguyen Nhu Van. « L’interaction dans simulation multi agents ». Hanoi.
Rapport pour le TIPE deuxième semestre. Institut de la francophonie pour
l’informatique.2007.
[6] Ferber J. « Les systèmes multi-agents. Vers une intelligence collective ». Paris. 1995.
[7] LE BARS M., « Un Simulateur Multi-Agent pour l’Aide à la Décision d’un Collectif ».
Thèse de Doctorat Université PARIS IX-Dauphine UFR Sciences des organisations. 2003.
[8] Maes P. « Agents that Reduce Work and Information Overload». Communications of
the ACM. Vol. 37, No.7, pp. 31-40, 146, ACM Press, July 1994.
[9] Wooldridge M., Ciancarini P. «Agent-Oriented Software Engineering: The State of the
Art». Lecture Notes in AI, Springler-Verlag. 2000.
[:] Wooldridge M. «Intelligent Agents: Multiagent systems», Weiss G., Ed.: MIT Press.
1999.
[21] Chaib-Draa B., Jarras I., Moulin B. «Systèmes multi-agents : principes généraux et
applications» Principes et architectures des systèmes multi-agents, J.-P. Briot et Y.
Demazeau (Eds.) Hermès. 2001.
[22] Boissier O. «Modèles et architectures d’agents : Principes et architectures des
systèmes multi-agent». J-P Briot et Y.Demazeau, (Eds.) Hermes. 2001.
[23] Pomerol J-C. «Artificial Intelligence and Human Decision Making». European Journal
of Operations Research. 1997.
Page 83
[24] Bratman M. E, Israel D. J, and Pollack M. «Plans and resource-bounded practical
reasoning». Computational Intelligence. 1988.
[15] Kumar D., Shapiro S.C. «The OK BDI Architecture». IJAIT, International Journal Of
Artificial Intelligence Tools. 1994.
[16] Rao A., Georgeff M. «BDI Agents: From Theory to Practice». Proceedings of the First
International Conference on Multi-Agent Systems (ICMAS-95), Menlo Park,California.
1995.
[17] Busetta P., Ramamohanarao K. «The BDIM Agent Toolkit Design». Thèse de
Doctorat. Victoria, Australia. 1998.
[18] O'Hare G. M. P., Jennings N. R. «Foundations of Distributed Artificial Intelligence».
John Wiley & Sons, Inc., New York, USA. 1994.
[19] Winikoff M., Padgham L., Harland J. «Simplifying the Development of Intelligent
Agents». 14th Australian Joint Conference on Artificial Intelligence (AI'01),
Adelaide,Australia. 2001.
[1:] Georgeff M., Pell B., Pollack M., Tambe M., Wooldridge M. «The Belief-Desire-
Intention Model of Agency». Intelligent Agents, Müller J. -P., Singh M., and Rao A., Eds.
Springler-Verlag Lecture notes in AI. 1999.
[31] Dean Yergens, Julie Hiner, Jörg Denzinger et Tom Noseworthy. «Multi Agent
Simulation System for Rapidly Developing Infectious Disease Models in Developing
Countries». The Fifth International Joint Conference on Autonomous Agents and Multi-
agent Systems (AAMAS’2006). JAPAN. 2006.
[32] Nguyen Thi Thuy, Tuong Vinh. « SMA pour la simulation à base d’agents
d’évacuation de bâtiment dans les cas d’urgence ». Rapport final. Promotion 14, IFI,
Institut de la francophonie pour l’informatique. Hanoi. Juillet 2009.
[33] David B., « Mobile-Learning pour des activités professionnelles ». Cours architecture
informatique, école d’été du CNRS « EIAH ». juillet 2006.
[24] Pierre. S, « Réseaux et systèmes informatiques mobiles ». Fondements, architecture et
applications, Presses Internationales Polytechnique, pp 560-573, 2003.
[35] Trifonov. A, Knapp, Rochentti. « E-learning versus M-learning: Experiences, a
Prototype and First Experimental Results». Proceedings of World Conference on
Page 84
Educational Multimedia, Hypermedia and Telecommunications (ED-Media 2005),
Montreal, Canada. pp. 4751-4758. June-July 2005.
[36] Mercier.F, David. B.T, Chalon.R, Berthet. J. P, «Amphithéâtres interactifs dans
l'enseignement supérieur». In TICE 2004, 4ème colloque international sur les Technologies
de l'Information et de la Connaissance dans l'Enseignement supérieur et l'industrie.
Compiègne, France, Octobre 2004.
[37] « BVE : Bureau Virtuel Etudiant». Projet de la région Rhône-Alpes. 2005. Disponible
dans le site: http://www.cr-rhone-alpes.fr/, consulté le 12-10-2010.
[38] Meyer. C, Pierson. J.M , «WARD Synchronous Sessions with Collaborative Work for
Distance Learning in Multicultural Context». In CALIE 2004,
[39] Toward. L. «True Mobile Learning: What Do We Need in Remote Areas? »
EDUCAUSE Annual Conferences, 2005. Disponible sur le site :
http://www.educause.edu/LibraryDetailPage/666?ID=EDU05128, consulté le 12-10-2010
[3:] Masery.G, Champalle. O, David. B, « Démarche d’aide au choix de dispositifs pour
l'ordinateur porté». In Actes de Ergo IA 2006, Biarritz, 11-12-13 octobre 2006.
[41] Wangyuan-Kai, «Context Awareness and Adaptation in Mobile Learning». In 2nd
IEEE International Workshop on Wireless and Mobile Technologies in Education
(WMTE'04), p. 154. 2004.
[41] Le site : http://pumi.blog.free.fr/index.php?post/2011/03/12/Un-%C3%A9ducateur-
canin-sauve-un-chien-par-la-m%C3%A9thode-CPR-(R%C3%A9animation-
cardiorespiratoire). Consulter le 01-05-2011.
[42] McKesson Provider Technologies, « La crise cardiaque : Signes annonciateurs
précoces », 2006.
[43] Cohen P. R., Levesque H. J, « Intention is Choice with Commitment », Artificial
Intelligence Journal, 1987.
Page 85
[44] Rao A. S., Georgeff M. P, « Modeling Rational Agents within a BDI-Architecture », in
J. A. Allen, R. Fikes, E. Sandewall (eds), KR’91, Morgan Kaufmann, p. 473-484, 1991.
[45] « Les premiers secours selon le schéma ABC » disponible dans le site :
http://www.creapharma.ch/urgence_numero.htm. Consulter le 15-06-2011
[36] Lamia B, « Journal d'un médecin : Pourquoi apprendre les gestes d'urgence », article :
Revue de Presse, écrit le 18/09/2011.
[37] Werner Bühler Bilten « nouveau schéma d’action : de RRSS à ABC », article : Journal
des sapeurs-pompiers suisses, 08-2003.
[38] le site : http://homepage.mac.com/jr.luthi/Sites/NetLogo_ESM/docs/index.html.
Consulter le 10-03-2011.
[39] Hubert Wassner , « Tutorial Netlogo & introduction au mini jeu ».
[40] le site : www. jade.tilab.com. Consulter le 05-08-2011
[41] le site: http://sites.google.com/site/tuannguyenlatrobe/research/running-jade-leap-on-
j2me. Consulter le 05-08-2011
Top Related