Avec l'avènement du véhicule autonome et la mutation que va connaître le secteur automobile dans les dix prochaines années, la simulation de trafic routier a pris un nouvel essor. C'est notamment l'un des rares moyens pour tester un véhicule autonome in silico [7]. Pour y parvenir, les générateurs actuels doivent augmenter leur réalisme. Nous soutenons ici que l'un des points majeurs de ce réalisme concerne la capacité des générateurs à produire des accidents dans l'environnement du véhicule testé. À notre connaissance, aucun des générateurs existants ne prend en compte cette considération nécessitant une description plus fine que celle habituellement utilisée pour décrire le comportement de conduite. Nous décrivons dans cet article un modèle de comportement paramétrique permettant une telle performance, et montrons qu'il répond aux faits stylisés reconnus en accidentologie.
Les problèmes d'appariement ou d'affectation ont depuis quelques années fait l'objet de modélisation multi-agents variées. Celles-ci visent notamment à renforcer le caractère privé des préférences ou des contraintes de chaque individu, et facilitant la distribution des méthodes de résolution. Néanmoins, cette agentification des problèmes ainsi abordés nous semble rester en deçà des possibilités offertes par une modélisation multi-agents, en s'appuyant peu sur la structure organisationnelle dont on peut doter un SMA. Dans cet article, nous proposons au contraire de partir de la capacité des SMA multi-niveaux à représenter des points de vue intermédiaires entre l'individu et le collectif, pour exprimer dans un formalisme homogène des problèmes d'appariement ou d'affectation variés. Nous montrons comment cette modélisation permet de choisir des métriques pertinentes pour évaluer le bien-être de groupes d'agents et leur permettre de construire des solutions qui améliorent le bien-être global sans divulguer toutes leurs informations individuelles. Enfin, nous esquissons des principes généraux pour la construction de solveurs distribués pour ce type de modélisation.
L'allocation optimale de m ressources entre n agents est un problème d'IA important pour la négociation automatique. La question centrale est de savoir comment les agents doivent interagir afin d'induire une allocation de ressources socialement optimale pour la société. Il existe dans la littérature de nombreuses propositions permettant d'évaluer la valeur du bienêtre de la société en fonction du bien-être de ses membres, en général évaluée dans ce cadre à l'aide d'une fonction d'utilité. Parmi ces propositions, le bien-être de Nash bénéficie de bonnes propriétés pour une société d'agents égalitaire. Il garantit une distribution équitable des ressources aux agents tout en respectant leurs préférences. On peut alors s'étonner que l'évaluation du bien-être collectif à l'aide de la fonction de Nash soit si peu utilisée en pratique. Dans un premier temps, cet article illustre par de nombreux contre-exemples les difficultés liées au calcul de la valeur optimale du bien-être de Nash, difficultés qui expliquent sans doute sa faible utilisation pratique. Dans un second temps, nous décrivons notre solution distribuée s'appuyant sur des comportements d'agents, et les résultats obtenus sur des instances difficiles que notre approche “anytime” est jusqu'à présent seule à résoudre efficacement. The allocation of m resources between n agents is an AI problem with a great practical interest for automated trading. The general question is how to configure the behavior of bargaining agents to induce a socially optimal allocation. The literature contains many proposals for calculating a social welfare but the Nash welfare seems to be the one which has the most interesting properties for a fair agent society. It guarantees that all resources are fairly distributed among agents respecting their own preferences. This article shows first that the computation of this welfare is a difficult problem, contrary to common intuition, illustrated by many counterexamples. In a second step, we describe our distributed multi-agent solution based on a specific agent's behavior and the results we get on difficult instances. We finally claim that this anytime solution is the only one able to effectively address this problem of obvious practical interest.