Modèles de substitution pour les modèles à base d’agents : enjeux, méthodes et applications

La simulation multi-agent permet de modéliser et d’analyser les comportements dynamiques ainsi que les interactions d’entités autonomes évoluant dans des environnements complexes. Toutefois, sa mise en œuvre peut être freinée par des coûts computationnels élevés, limitant son applicabilité à grande échelle. Les modèles de substitution offrent une alternative prometteuse en remplaçant ces simulations coûteuses par des approximations plus légères et efficaces. Cet article explore les motivations et les différentes approches permettant d’approximer les simulations agents, en s’appuyant sur l’apprentissage machine, la quantification des incertitudes et les stratégies d’analyse de sensibilité explicables. À travers une étude de cas, nous mettons en évidence les défis liés à la fiabilité et à l’interprétabilité de ces modèles, en comparant leurs performances et leurs limites. Enfin, nous proposons des perspectives pour l’intégration d’outils d’apprentissage machine dans divers domaines.