Lorsque l'on simule des systèmes complexes, il est souvent nécessaire de considérer des entités à différentes échelles d'organisation, et prendre en compte la façon dont cellesci s'inter-influencent. Le choix des échelles est conditionné par des contraintes méthodologiques qui incluent les objets manipulés par les thématiciens, la disponibilité des données, la question d'intérêt et également des contraintes algorithmiques. Différentes manières d'aborder les structures multi-échelles et les influences entre niveaux peuvent être identifiées. Dans un premier temps, nous présentons trois modèles multi-agents de dynamiques multi-échelles existants, centrés sur la croissance d'une tumeur cancéreuse, l'évolution de la distribution spatiale d'une population urbaine et l'évolution d'un réseau de villes. Nous proposons ensuite une grille de lecture de manière à comparer les différentes formes prises potentiellement par la notion de multi-échelles. Simulating complex natural or social systems often implies to consider entitites at several levels of organisation, and take into account the way they influence each other. The choice of scales is driven by both methodological and thematic constraints which among others include the objects of significiance for the specialists, availability of relevant data for comparison, question of interest and algorithmic considerations. These multi-scale structures and the inter-levels influences can be modeled in several ways. Firstly we present three existing examples of multi-scale modeling, addressing the growth of a tumor cell, the evolution of a urban system over a long period, and the spatial repartition of urban population in Bogotá. Then we generalize the underlying agent-based architectures in order to illustrate the possibility of application on other modeling questions.
Nous présentons dans cet article un mécanisme d'apprentissage du comportement des appareils électriques dans le contexte d'une maison intelligente. L'objectif de ce mécanisme est de réduire la consommation d'énergie des appareils à effet différé (par exemple le chauffage) tout en maximisant le confort des habitants. Notre approche utilise un modèle prédictif de l'activité d'une famille au sein de son logement. Ce modèle est construit à partir des informations locales perçues par les appareils électriques. Après avoir présenté en détail notre mécanisme, nous procédons à l'évaluation de celui-ci au sein de la plateforme de simulation SMACH. La qualité du modèle prédictif est évaluée par sa capacité à prévoir les déplacements d'une famille sur différents intervalles de temps. La stratégie apprise par les appareils électrique est quant-a-elle comparée au sein du simulateur à la stratégie proposée par notre partenaire EDF. Les résultats obtenus, bien que préliminaires, indiquent que notre approche est à même de réduire la consommation électrique tout en maintenant un bon niveau de confort des habitants. In this paper we propose a learning mechanism to build the behavior of electrical appliances in a smart home context. The aim of that mechanism is to reduce the consumption of appliances whose effect is delayed (for example the heating) while maximizing the inhabitants comfort. Our approach is based on a predictive model of home humans' activities. That model is built from local information sensed by the appliances. First we detail our mechanism, then we present its evaluation on the SMACH simulation platform. The accuracy of the model is evaluated on its ability to predict the displacements of a family. Evaluations are performed on several time frames. The strategy that is learned by the electrical appliances is compared with the one proposed by our partner EDF. Preliminary results show that our approach is able to reduce the electrical consumption without significatively lowering the comfort of inhabitants.
Les simulations à base d'agents (MABS) ont été utilisées avec succès pour modéliser des systèmes complexes dans de nombreux domaines. Néanmoins, un problème des MABS est que leur complexité augmente avec le nombre d'agents et de types de comportements différents considérés dans les modèles. Pour des systèmes de taille moyenne à grande, il est impossible de valider, voire même d'observer simplement les trajectoires des agents individuels lors d'une simulation. Les approches de validation classiques, où seuls des indicateurs globaux sont calculés, sont trop simplistes pour permettre d'évaluer le modèle de simulation avec un degré de confiance suffisant. Il est alors nécessaire d'introduire des niveaux intermédiaires de validation et d'observation. Dans cet article, nous proposons l'utilisation de la classification automatique de données (clustering) combinée à la caractérisation automatisée de clusters pour construire, décrire et suivre l'évolution de groupes d'agents en simulation. La description de clusters est utilisée pour générer des profils d'agents qui sont réintroduits dans les simulations avec l'objectif d'étudier la stabilité des descriptions et des structures des clusters sur plusieurs simulations et de décider de leur capacité à décrire les phénomènes modélisés. Ces outils permettent au modélisateur d'avoir un point de vue intermédiaire sur l'évolution du modèle. Ils sont suffisamment flexibles pour être appliqués à la fois hors ligne et en ligne comme le montrent les analyses réalisées à la fois sur des simulations Netlogo et sur des logs de simulations. Multi agent based simulations (MABS) have been successfully exploited to model complex systems in different areas. Nevertheless a pitfall of MABS is that their complexity increases with the number of agents and the number of different types of behaviours considered in the model. For average and large systems it is impossible to validate the trajectories of single agents in a simulation. The classical validation approaches, where only global indicators are evaluated, are too simplistic to give enough confidence on the simulation's model. It is then necessary to introduce intermediate levels of validation. In this paper we propose the use of data clustering and automated characterization of clusters in order to build, describe and follow the evolution of groups of agents in simulations. The description of clusters is used to generate profiles of agents that are reintroduced in simulations in order to study the stability of the descriptions and structures of clusters over several simulations and decide their capability to describe the modelled phenomena. These tools provides the modeller with an intermediate point of view on the evolution of the model. They are flexible enough to be applied both offline and online, and we illustrate it with both a NetLogo and a CSV-simulation log example.
Les sources d'énergie renouvelable (EnR) ont des caractéristiques qui limitent l'intégration de la production à la consommation électrique. Des travaux récents ont montré la pertinence des systèmes multi-agents pour la gestion de la production renouvelable et/ou distribuée. Le projet Winpower 1 a pour objectif l'intégration de la production d'un ensemble de fermes éoliennes off-shore (et autres producteurs d'EnR). Pour optimiser leur interaction avec le marché de l'énergie, Winpower propose une association avec des centres de stockage et une interconnexion HVDC (réseau à courant continu à haute tension). Pour piloter l'ensemble, nous proposons une approche hiérarchique qui permet d'une part de gérer les dynamiques locales et d'autre part d'optimiser l'interaction avec le marché tout en respectant les contraintes globales du réseau (stabilité, pertes). Nous présentons nos travaux sur l'architecture multi-agent et les protocoles de communication conçus pour le pilotage de haut niveau du systèmeWinpower. The integration of the renewable production in the consumption is limited by the characteristics of the Renewable Energy Sources (RES). Recent studies have shown the relevance of multi-agent systems for the management of distributed renewable generation. Winpower1 is a project which aims at offshore wind energy integration through a high voltage DC network. In order to optimize their interaction with the energy market, Winpower proposes to associate a set of off-shore wind plants with mass storage. We propose a hierachical approach that allow both to manage renewable generation local dynamics and to optimize interaction with the market while handling global constraints of the network (stability, losses). We present our work on the multi-agent architecture and communication protocols designed for the high-level management of the Winpower system.