L'objectif de ce travail est de présenter une méthode efficace d'apprentissage visant à optimiser le comportement d'agents dans un système multiagents présentant un mécanisme d'auto-organisation. Celui-ci lui permet de modifier son comportement pour réagir à l'apparition d'agents non fiables. Cet apprentissage porte sur l'importance des différents critères qui influent sur les déplacements et les communications des agents présents dans un tel système. Pour ce faire, ce travail décrira les notions fondamentales entourant la théorie sur les systèmes multi-agents, présentera le concept d'apprentissage et étudiera les différentes méthodes qui permettent d'appliquer celui-ci dans différents systèmes. L'algorithme d'apprentissage qui sera détaillé est le Q-Learning, un algorithme d'apprentissage par renforcement. L'étude de cas présentée dans le présent mémoire est l'intégration de cet algorithme d'apprentissage dans un modèle existant, Danger Mapping, qui permet de simuler un système multi-agents auto-organisé grâce à la plateforme GAMA. Au terme de celle-ci, les résultats seront comparés avec ceux, théoriques, obtenus en appliquant un algorithme génétique pour optimiser l'importance accordée aux règles de comportement.
| la date de réponse | 4 sept. 2013 |
|---|
| langue originale | Français |
|---|
| L'institution diplômante | |
|---|
| Superviseur | Jean-Noel Colin (Promoteur) |
|---|
Apprentissage dans un système d'auto-organisation
Pardoen, M. (Auteur). 4 sept. 2013
Student thesis: Master types › Master en sciences informatiques