Apprentissage des systèmes multi-agents
| dc.contributor.author | Nait Belaid, Ouiza | |
| dc.date.accessioned | 2017-03-28T14:18:35Z | |
| dc.date.available | 2017-03-28T14:18:35Z | |
| dc.date.issued | 2011 | |
| dc.description | 76 f. : ill. ; 30 cm. (+ CD-Rom) | en |
| dc.description.abstract | Résumé- Un Système Multi-Agent qui est l’un des aspects de l’Intelligence Artificielle Distribuée, constitue un moyen intéressant pour modéliser des comportements de groupes dans différents domaines d’applications allant de l’industrie jusqu’aux sciences humaines et ce, à l’aide d’un ensemble d’agents intelligents fonctionnant en commun et dotés de capacités de perception et d’actions sur l’environnement. Les SMA évoluent généralement dans des environnements complexes autrement dit, larges, ouverts, dynamiques et non prévisibles. Pour de tels environnements, il est très difficile et parfois impossible de définir correctement et complètement les systèmes a priori, c’est-à-dire, lors de la phase de conception, bien avant leur utilisation car, ceci exigerait de connaître à l’avance toutes les conditions environnementales qui vont survenir dans le futur, quels agents seront disponibles à ce moment et comment les agents disponibles devront réagir et interagir en réponse à ces conditions. Une manière de gérer ces difficultés est de donner à chaque agent l’habileté d’améliorer ses propres performances, ainsi que celles du groupe auquel il appartient et cela est réalisé en utilisant des algorithmes d’apprentissage qui dépendent des connaissances dont dispose le concepteur sur le domaine. Le travail traité dans ce mémoire traite de l’apprentissage des systèmes multi-agents en vue de prendre des décisions diverses selon la situation rencontrée. L’application choisie dans le cadre de ce mémoire relève du problème de tournée de véhicules impliquant, de ce fait, une optimisation en termes de temps de distance et d’économie. Il s’agit, en effet, de transmettre un flux entre des agences avec le minimum de véhicules sans violation d’aucune contrainte. Le problème est décomposé en sous-problèmes où différents agents coopèrent, collaborent, communiquent et apprennent en vue de prendre une décision en se servant de l’apprentissage. Pour cet apprentissage, le Q-Learning, a permis de trouver les meilleurs Hubs à insérer dans les itinéraires d’un véhicule allant d’une ville de départ pour servir une destination donnée en respectant les contraintes. La réalisation de ce travail a été effectuée en JAVA en utilisant la plateforme MADKIT. Mots clés : Systèmes multi-agents, apprentissage,Q-earning, tournées de véhicules avec fenêtres de temps. | en |
| dc.identifier.citation | Option : Traitement d’Images et Reconnaissance de Formes | en |
| dc.identifier.other | MAG.AUTO.32-11 | |
| dc.identifier.uri | https://dspace.ummto.dz/handle/ummto/653 | |
| dc.language.iso | fr | en |
| dc.publisher | Université Mouloud Mammeri | en |
| dc.subject | Fenêtres de temps | en |
| dc.subject | Problème : Tournées de véhicule | en |
| dc.subject | Apprentissage | en |
| dc.subject | Système multi-agent | en |
| dc.title | Apprentissage des systèmes multi-agents | en |
| dc.type | Thesis | en |