En simulation, le couplage est l'assemblage de modèles et d'outils dédiés à la simulation d'un ensemble de systèmes, afin de simuler des systèmes plus globaux. Dans le cas des simulations individus-centrées, il peut être (i) entre les simulations, (ii) entre les individus ou (iii) entre des comportements d'individus. Les solutions de couplage existantes répondent aux enjeux de synchronisation et d'interopérabilité des deux premiers types. Ce papier propose d'adresser les trois types de couplages possibles entre simulations individus-centrées par l'utilisation d'un nouveau modèle qui prend en compte toutes les contraintes, à l'aide d'une spécification formelle des contraintes d'interopérabilité et de synchronisation que nous proposons.Nous illustrons nos propositions par un exemple de couplage d'un modèle de décision de recherche de places de stationnement et d'une simulation de trafic.
La coopération de collectifs pose le problème de l'utilisation ou du contrôle de productions collectives par des collectifs décentralisés. Elle dépasse donc l'interopérabilité des collectifs. Cet article présente les bases d'un modèle pour une coopération entre systèmes multi-agents préexistants. La non perturbation du fonctionnement initial des systèmes à faire coopérer est posée comme principe directeur pour le modèle. Cette contrainte nous a conduits à introduire la notion de sonde virtuelle, afin d'appréhender collectivement les productions d'un collectif et de les influencer au travers de capteurs et d'effecteurs virtuels distribués sur les systèmes multi-agents existants. L'utilisation du modèle est illustrée sur des collectifs embarqués.
Les systèmes embarqués décentralisés connaissent un essor très important. Les SMA peuvent contribuer à améliorer les qualités de services et les performances offertes par ces systèmes. Pour réussir un passage à l'échelle, il est nécessaire de fournir des outils permettant la mise au point des agents embarqués sans imposer le développement d'un très grand nombre d'unités. L'introduction d'une étape de simulation conjointe logicielle/matérielle dans le cycle de développement peut donc être intéressante. Cet article et la démonstration associée traitent de l'outil MASH et de son utilisation pour la mise au point de SMA embarqués. Ils permettront d'ouvrir une discussion sur les différents apports des différents types de simulation proposés par cet outil. Multiagent systems can help to improve the quality of services offered by embedded decentralized systems and to improve their performances. This article and its associated demonstration deals with the use of a sw/hw joint simulation during the development of embedded multiagent systems. The paper describes the tool "MASH". The demonstration allows to open a discussion about the various contributions of the different types of simulation allowed by this tool.
Dans une simulation multi-agents, l'environnement est souvent considéré comme un élément secondaire par rapport aux comportements des agents, et ces derniers monopolisent l'essentiel des efforts de modélisation. Il en résulte des environnements limités, le plus souvent bornés ou cycliques, et qui présentent une diversité trop pauvre pour permettre de généraliser les résultats de simulation. Un environnement adéquat devrait plutôt être riche (composé de beaucoup d'objets différents) et de grande taille. Mais les réalisations en ce sens occasionnent une charge mémoire et des temps de calculs importants lors des simulations, ce qui freine leur utilisation. Nous proposons ici une solution fondée sur une approche génie logiciel de type « génération procédurale », qui permet la production automatique d'environnements : consistants, cohérents, non-bornés, et non cycliques. Et ce, sans qu'il soit pour autant nécessaire de surcharger d'une part le travail des modélisateurs, et d'autre part les ressources disponibles pour exécuter la simulation. In multiagent simulations, environment is considered to be a minor concern compared to agents' behavior, which is the center of attention during the modeling process. Therefore environments are often basic, most of the times bounded or cyclical. Moreover, they are not detailed enough to support generalization of simulation results. Environment should be rich (contain many different objects) and large-sized. Until now such environments systematically imply heavy costs on memory usage and high processing time during simulation, which refrains their deployment.We propound here a solution, which automatically produces environments that are consistent, coherent, not bounded, non-cyclical. This solution is based on the software engineering approach “Procedural Generation”. Neither extra-work from modelers nor extra computing resources is required to proceed with the simulation.
Le modèle MWAC utilise un processus d'autoorganisation multi-agent pour assurer la gestion des communications dans un réseau de capteurs. Pour une organisation donnée, ce modèle n'offre qu'une seule route pour acheminer les messages d'un noeud vers la station de collecte. Le travail que nous présentons ici est une amélioration du modèle MWAC utilisant l'algorithme d'optimisation par colonie de fourmis, dans le but de trouver des routes alternatives à celle de MWAC. Les fourmis ne sont pas déployées dans le SMA, par contre, chaque fourmi est en interaction avec les agents pour obtenir de meilleurs compromis dans le choix des routes et permettre une communication efficace. The MWAC (Multi-Wireless-Agent Communication) model propose to enable reliable communications between sensors. This model, based on a self-organization process, is operational and has been usefully deployed on real world wireless instrumentation systems. However, for some applications, MWAC presents an important limitation. In fact, for a given emergent structure, the process offers only one path to join the workstation which collects all the data. This paper presents an improvement of this model to increase the path proposal using ant colony optimization. Ants are deployed over the multiagent system. Each ant is in interaction with agents to give a better compromise during the route selection.
L'observation des systèmes complexes artificiels à grande échelle est difficile en raison de leur dimension et de leur ouverture. L'utilisation d'une organisation multi-échelle pour ces systèmes peut être une solution permettant de les rendre plus accessibles. Les systèmes multiagents (SMA) sont bien adaptés à la modélisation de tels systèmes. Leurs capacités d'organisation permettent d'introduire des structures à plusieurs niveaux d'observation. Ce papier propose un mécanisme SMA multi-niveau basé sur la récursivité pour l'observation des systèmes complexes artificiels. Ce mécanisme est développé comme un framework décentralisé générique permettant aux agents réels de communiquer par son intermédiaire pour construire plusieurs niveaux d'observation. Ce framework est appliqué à l'observation d'un réseau de capteurs sans fil. Observation of large scale complex systems is difficult because of their extension and openness. A multi-scale organization for these systems can be a solution to make them more accessible. Multi-agent systems are well suited for large complex systems modelling. Their organizational capabilities allow introducing multilevel multi-agent structures. This paper proposes a multi-level multi-agent mechanism based on recursion for management, observation and integration of large scale complex systems. It is developed as a decentralized application free framework which allows to real MAS to communicate with agents in abstract layers. As an illustration, the framework is applied to a wireless sensor network supervision system.
La communication en réseaux ad hoc, tels que des réseaux de capteurs sans fil, nécessite la mise en oeuvre d'algorithmes décentralisés de routage impliquant que les noeuds du réseau adoptent un comportement précis. Le fonctionnement global du réseau dépend alors du bon comportement local des agents. Il en devient vulnérable à des comportements locaux déviants pouvant être causés par des pannes ou par l'intrusion d'agents malveillants. Nous proposons dans cet article une adaptation d'un protocole de routage pour réseaux de capteurs sans fil, le modèle MWAC, qui introduit un mécanisme décentralisé de gestion de la confiance de manière à détecter et éviter les noeuds déviants. L'algorithme de gestion de la confiance proposé suit une approche originale du fait qu'il est adapté à des agents déployés sur des infrastructures aux ressources limitées en énergie, mémoire et capacité de communication, caractéristiques des réseaux de capteurs sans fil. Il est notamment utilisable dans des systèmes multiagents ne pouvant bénéficier d'infrastructures d'authentification et dans lesquels l'identité des agents est incertaine. Communication in ad hoc networks, such as Wireless Sensor Networks (WSN), requires the implementation of decentralized algorithms to manage routing. The global issue of such algorithms rely strongly on the correct behavior of nodes. This increases the vulnerability of the system regarding malicious intrusions or local failures. We propose in this article an adaptation of a routing protocol for WSN, the MWAC model, by introducing decentralized trust mechanisms in order to detect and avoid deviant nodes. The trust management algorithms follow an original approach as they are suited to a context of limited ressources in energy, memory and communication. They are thus suited to be used in multi-agent systems where authentication is not possible, and in which the agents' identity is uncertain.
Plus que dans toutes applications logicielles, les exigences extra-fonctionnelles relatives au déploiement sont cruciales pour concevoir des systèmes multi-agents embarqués. Ces exigences doivent être exprimées au niveau des spécifications sous la forme de qualités attendues pour le système. La méthode DIAMOND vise la conception et l'implantation de SMA embarqués. Cet article présente et détaille le fonctionnement de son activité de recueil des besoins extra-fonctionnels puis leur intégration aux agents. Designing embedded multiagent systems implies to deal with extra-functional requirements related to the system deployment. Physical architecture requirements must be expressed as a quality attribute for a multiagent system. This article presents and discusses the extrafunctional requirement definition as defined in the DIAMOND method.