Systèmes Multi-agentsdbenmerzoug.e-monsite.com/medias/files/dos-chap5-1.pdf · Exemple: k plus...

1

Systèmes Multi-agents

Dr. Djamel Benmerzoug Email : [email protected]

Maitre de Conférences A, Laboratoire LIRE

Département TLSI Faculté des NTIC

Université Constantine 2 – Abdelhamid Mehri

Master 2 SITW

DoS - Master 2 SITW


Plan: Intelligence Artificielle (IA) Intelligence Artificielle Distribuée (IAD) Technologie Agent Systèmes Multi-agents (SMA) SMA et intégration d’applications DoS - Master 2 SITW 2

L’intelligence artificielle (IA) L’IA Désigne la simulation des mécanismes de

la pensée par un ordinateur Reproduire un raisonnement par des moyens

informatiques Un ensemble de réalisations et de recherches

qui essaient de simuler artificiellement les performances humaines

L'émergence des systèmes ''adaptatifs''

DoS - Master 2 SITW 3

L’intelligence artificielle (IA) Les systèmes experts

Un système expert est un logiciel capable de répondre à des questions, en effectuant un raisonnement à partir de faits et de règles connus. Il peut servir notamment comme outil d’aide à la décision.


L’intelligence artificielle (IA) Un système expert se compose de 3

parties : Une base de faits ; Une base de règles ; Un moteur d’inférence.


L’intelligence artificielle (IA)


L’intelligence artificielle (IA) Faits et règles

Faits Ensemble de vérités connues

Règles Partie condition : prémisses Partie action : conclusion, calcul, affichage ... Éventuellement : coefficient de confiance

SI condition ALORS action [coefficient]


L’intelligence artificielle (IA) Le moteur d’inférence

Le moteur d’inférence est capable d’utiliser faits et règles pour produire de nouveaux faits, jusqu’à parvenir à la réponse à la question posée.

La plupart des systèmes experts existants reposent sur des mécanismes de logique formelle et utilisent le raisonnement déductif.


L’intelligence artificielle (IA) Généralement, ils utilisent la règle

d'inférence suivante : Si P est vrai (fait) et si on sait que P

implique Q (règle) alors, Q est vrai (nouveau fait ou conclusion).


L’intelligence artificielle (IA) Pourquoi un Système Expert ?

Problèmes mal formalisés ou dont la formulation évolue Médecine : nouveaux examens, nouvelles

connaissances, nouvelles thérapies

Pas d’algorithme connu (ou algorithme trop complexe) Reconnaissance de l’écriture Jeu d’échecs Affectation des ressources, ordonnancement


L’intelligence artificielle (IA) Mode de raisonnements

Il existe de nombreux types de moteurs, capables de traiter différentes formes de règles logiques pour déduire de nouveaux faits à partir de la base de connaissance.

On distingue souvent trois catégories: Les moteurs - dit à « chaînage avant » -

qui partent des faits et règles de la base de connaissance, et tentent de s’approcher des faits recherchés par le problème.


L’intelligence artificielle (IA) Les moteurs - dits à « chaînage arrière » -

qui partent des faits recherchés par le problème, et tentent par l’intermédiaire des règles, de « remonter » à des faits connus,

Les moteurs - dits à « chaînage mixte » - qui utilisent une combinaison de ces deux approches chaînage avant et chaînage arrière.


L’intelligence artificielle (IA) L’apprentissage automatique

L'apprentissage automatique fait référence au développement, à l’analyse et à l’implémentation de méthodes qui permettent à une machine d’évoluer grâce à un processus d’apprentissage, et ainsi de remplir des tâches qu’il est difficile ou impossible de remplir par des moyens algorithmiques plus classiques.

Objectif : extraire et exploiter automatiquement l'information présente dans un jeu de données.


L’intelligence artificielle (IA) Types d’apprentissage

Les algorithmes d’apprentissage peuvent se catégoriser selon le type d’apprentissage qu’ils emploient : L'apprentissage supervisé L'apprentissage non-supervisé L'apprentissage par renforcement


L’intelligence artificielle (IA) L’apprentissage supervisé

Un expert est employé pour étiqueter correctement des exemples.

L’apprenant doit alors trouver ou approximer la fonction qui permet d’affecter la bonne étiquette à ces exemples.

L’apprentissage non supervisé Aucun expert n’est disponible. L'algorithme doit découvrir par lui-même la

structure des données. 15 DoS - Master 2 SITW

L’intelligence artificielle (IA) Apprentissage par renforcement (AR)

L’algorithme apprend un comportement étant donné une observation.

L'action de l'algorithme sur l'environnement produit une valeur de retour qui guide l'algorithme d'apprentissage.


L’intelligence artificielle (IA) Pourquoi l’AR ?

Il est très utile dans le cadre de problèmes où : des stratégies comportementales efficaces sont

inconnues a priori ou sont difficilement automatisables lorsqu’il y a de l’incertain dans la manière dont

l’environnement évolue

L’AR se distingue des autres approches d’apprentissage par plusieurs aspects : L’apprentissage se fait sans supervision Il repose sur le principe d’essai/erreur

17 DoS - Master 2 SITW

L’intelligence artificielle (IA) Apprentissage par renforcement (AR)

Quelques algorithmes La méthode des k plus proches voisins Les réseaux de neurones Les arbres de décision Les algorithmes génétiques


L’intelligence artificielle (IA) Méthode des k plus proches voisins Principe: On dispose d'une base de données

d'apprentissage constituée de m couples «entrée-sortie ». Pour estimer la sortie associée à une nouvelle

entrée x, la méthode consiste à prendre en compte les k échantillons d'apprentissage dont l'entrée est la plus proche de la nouvelle entrée x, selon une distance à définir


L’intelligence artificielle (IA) Distance

Euclidienne:

Euclidienne pondérée:


Exemple: k plus proches voisins

Exemple : Web service de bonne qualité ou non ?





Etape1 : calculer les distances par rapport à la nouvelle entrée



Etape2 : Déterminer les k plus proches voisins de la nouvelle entrée (k=3) X1 = "GoogleTranslate" (avec une distance de

4.35) , Y1 = "Bonne qualité" X5 = "SystranTranslator" (avec une distance

de 23.02), Y5 = "Bonne qualité" X3 = « BabylonTranslator" (avec une distance

de 32.17), Y3 = "Mauvaise qualité"



Etape3 : Déterminer la classe majoritaire entre

les 3 voisins

La classe majoritaire entre les 3 exemples est (X1,

X5), avec la sortie : "Bonne qualité". Donc, la classe

de X6 est "Bonne qualité".




L’intelligence artificielle Distribuée (IAD)

L’intelligence artificielle distribuée (IAD) La branche de l’IA qui s’intéresse à la

modélisation du comportement «intelligent» par la coopération entre un ensemble d’agents

L’intelligence artificielle classique, modélise le comportement intelligent d’un seul agent.

Passage du comportement individuel aux comportements collectifs pour combler les limites de l’IA classique à résoudre des problèmes complexes.



I.A.D. – Pourquoi distribuer ? La plupart des applications ou problèmes réels

font intervenir des systèmes physiquement et fonctionnellement distribués.

Distribution fonctionnelle dans les activités humaines (décomposition du problème en fonction des spécialités)



I.A.D. – Pourquoi distribuer ? Évolution de l’informatique vers le Pervasive

Computing (informatique ubiquitaire ou diffusé)


La technologie Agent

Définition d’un agent Un agent est une entité physique ou virtuelle

qui agit dans un environnement, communique directement avec d’autres agents, possède des ressources propres, est capable de percevoir partiellement son environnement et possède des compétences.

En fonction des ressources, des compétences et des communications, un agent tend à satisfaire ses objectifs.



Un agent effectue continuellement trois fonctions : Perception de l’environnement ; Interprétation de ces perceptions ; Détermination des actions possibles.



Propriétés de l’agent Réactivité : Percevoir l’environnement et

répondre, en temps réel Proactivité : Capacité de prendre l’initiative /

comportement orienté but Sociabilité : Capacité d’interagir avec d’autres

agents ou utilisateurs Autonomie: un agent est indépendant de

l’utilisateur et des autres agents. DoS - Master 2 SITW 32


Types d’agents Agent réactif: les décisions prises par les

agents sont basées sur une correspondance entre les situations et les actions (Architecture simple).

Agent cognitif: les décisions prises par les agents sont basées sur des déductions logiques (Architecture complexe)

Agent hybride DoS - Master 2 SITW 33


Agent cognitif vs réactif




Systèmes Multi-agents (SMA)

Définition d’un SMA Un système multi-agents est un ensemble

organisé d’agents. Il est constitué d’une ou plusieurs organisations

qui structurent les règles de cohabitation et de travail collectif entre agents.

Dans un même système, un agent peut appartenir à plusieurs organisations.



Propriétés des SMA: Chaque agent a des informations et des

capacités limitées pour résoudre un problème

Pas de système central de contrôle Données décentralisées Calcul asynchrone



Interaction Mise en relation dynamique de 2 ou plusieurs

agents par le biais d’un ensemble d’actions réciproques

Echange des séries de messages en respectant des protocoles biens précis: protocoles de coordination, de coopération et de négociation.



Communication entre agents Un agent doit être capable de communiquer

avec les autres agents. Les agents doivent avoir des capacités à

manipuler un langage commun. 2 types de communication :

Communication indirecte : Partage d’informations via l’environnement,

Communication directe : envoi de messages,



Pour échanger les informations et les connaissances, les agents utilisent des ACL (Agent Communication Language).

Tout langage multi agent est représenté par une structure de donnée comprenant les champs : Emetteur Récepteur Langage utilisé : langage dans lequel le contenu de message est rédigé Contenu du message L’ontologie : le vocabulaire dans un domaine donné pour que les

agents puissent se comprendre



De nombreux langages de communications entre agents (ACL) se sont développés. KQML (93, 97) FIPA-ACL (97, 99, 2000)



KQML (Knowledge Query and Manipulation Language) KQML a été conçu comme étant à la fois un

format de message et un protocole de transfert de messages venant aider les agents intelligent au partage et échange de données de haut niveau tout en étant indépendant des machines.



KQML : la syntaxe


Systèmes Multi-agents (SMA) KQML : les performatives 36 performatives répartis en 3 catégories :

Les 18 performatives de discours : servent à échanger des connaissances et des informations (ask-if, ask-one, tell, describe, stream-all … )

Les 11 performatives d’interconnexion : aide à la mise en relation des agents entre eux (register, unregister, broadcast …)

Les 7 performatives d’exception : servent à changer le déroulement normal des échanges (error, sorry, standby …)



Exemples KQML: Soient E : l'agent émetteur, R : l'agent récepteur et C : le contenu du

message

ask-one : E veut que seulement R réponde à sa question C ask-if : E veut savoir si la réponse à la question précisée en

C se trouve dans la base de connaissances (BC) de R tell : E affirme au R que C est dans la BC de E broadcast : E veut que R transmette à son tour la

performative à toutes ses connexions error : E considère le message précédent de R comme mal formé

sorry : R ne peut pas fournir plus d’information 45 DoS - Master 2 SITW

Systèmes Multi-agents (SMA) Exemples KQML:

l’ agent A veut connaître toutes les personnes définies comme étant des hommes.

46

l’ agent B répond que Socrate est un homme.

DoS - Master 2 SITW

Systèmes Multi-agents (SMA) L’agent A veut informer l’agent B que le prix

de bouquin "Web Service" est fixé à 1000 DA.

47

L’agent A demande à l’agent B de transférer le message précédent à

l’agent C.

(tell

:sender A

:receiver B

:language java

:ontology e-commerce

:content prix("Web Service", 1000)

)

(forward

:from A

:to C

:sender A

:receiver B

:language KQML

:ontology kqml-ontology

:content (tell

:sender A

:receiver B

:language java

:ontology e-commerce

:content prix("Web Service", 1000)

)

) DoS - Master 2 SITW


Plates-formes SMA & KQML AgentBuilder

http://www.agentbuilder.com

JAT : Java Agent Template http://www-cdr.stanford.edu/ABE/JavaAgent.html

Java Intelligent Agent Library http://www.bitpix.com/business/main/bitpix.htm


http://www.agentbuilder.com/


La norme FIPA La FIPA (Foundation for Intelligent Physical

Agents) est une organisation en 1996 dont l'objectif est de produire des standards pour l'interopérabilité d’agents logiciels hétérogènes.

FIPA ACL : Syntaxe similaire à celle de KQML.



La norme FIPA



Plates-formes SMA & FIPA JADE : http://jade.tilab.com/

Langage utilisé : Java. FIPA ACL pour la communication.


http://jade.tilab.com/




SMA et Intégration d’applications

Les défis de SOA: Communication des agréments sémantiques Environnements ouverts, Interactions

complexes Flexibilité …………


Standards des services Web WSDL, SOAP, BPEL

Limitations Inexistence de sémantique des messages échangés (message

sequencing and correlation) Composition manuelle des services Inefficacité en cas d'interactions complexes

Systèmes multi-agents (SMA)

Entités autonomes, interagissent dans un environnement pour la résolution collective de problèmes



Problématique Comment modéliser le scénario d’intégration à l’aide

de mécanismes de coordination multi-agent ? Comment intégrer les processus métiers au moment

d’exécution ?

Apports de la technologie Agent Une approche orientée agent pour la modélisation du

scénario d’intégration Une architecture basée agent pour l’intégration

d’applications DoS - Master 2 SITW 55


Legacy System

Data Base

ERP, CRM

Web

Application

Java

Application

.NET

Application

HTTP

RMI

.NET REMOTING

CORBA

ODBC

JCA

MAS


DoS - Master 2 SITW

Références Djamel Benmerzoug: A Specification and Validation Approach for

Business Process Integration based on Web Services and Agents. 2007

Djamel Benmerzoug: A Petri-Net Based Formalisation of Interaction Protocols Applied to Business Process Integration. 2008

Djamel Benmerzoug: Formalisation and verification of interaction protocols for business process integration: a Petri net approach. 2008

Djamel Benmerzoug: Agent Approach in Support of Enterprise Application Integration. 2013

Djamel Benmerzoug: Modèles et outils formels pour l’intégration d’applications d’entreprises. Thèse de doctorat (Université Paris 6), 2009

57

http://dblp.uni-trier.de/db/conf/vveis/msvveis2007.html#BenmerzougBK07











Date post:	14-Aug-2020
Category:	Documents
Upload:	others
View:	0 times
Download:	0 times

Systèmes Multi-agentsdbenmerzoug.e-monsite.com/medias/files/dos-chap5-1.pdf · Exemple: k plus...

Documents