Émergence fonctionnelle par auto-organisation dans les systèmes artificiels adaptive multi-agent...

Émergence fonctionnelle par Émergence fonctionnelle par auto-organisation dans les auto-organisation dans les

systèmes artificielssystèmes artificiels

Adaptive Multi-Agent Systems

Carole BERNONÉquipe SMAC (Systèmes Multi-Agents Coopératifs)

Institut de Recherche en Informatique de Toulouse

http://www.irit.fr/SMAC

2

PlanPlan

Principes généraux des systèmes multi-agents (SMA)

Exemples d’applicationsProblématiques de l’équipe SMAC

ÉmergenceAuto-organisationCoopérationThéorie des AMAS (SMA adaptatifs)

Exemple d’applicationsConclusion – Apports possibles

3

Bref historique…Bref historique…

Intelligence Artificielle (IA) – Systèmes expertsAvant 1980Programmes capables d’exécuter des tâches complexesConcentration de « l’intelligence » dans un unique systèmeSystèmes experts, représentation des connaissancesModèles de raisonnement

IA Distribuée (IAD) - Systèmes Multi-Agents (SMA)Résolution collaborative de problèmesDécentralisation des données (IAD) et du contrôle (SMA)

Tout a tendance à devenir agent…Assistants personnels, interfaces, recherche d’information,

vie artificielle, agents économiques…

Mais tout n’est pas SMA…

4

À la croisée d’influencesÀ la croisée d’influences

SMA

Psychologie socialeSociologieEconomie. . . .

Informatique répartieParallélismeIntelligence ArtificielleProgrammation. . . .

Systèmes complexes en physiqueEthologieEcologie. . . .

Vie artificielleRéseaux de neurones. . . .

5

Exemple : « algorithme de colonies de fourmis »Exemple : « algorithme de colonies de fourmis »

Insectes sociaux, intelligence collective (en essaim)

[Dorigo96]Métaheuristique d’optimisation

Recherche du plus court chemin dans un graphe

Acheminement de données dans un réseau téléphonique

Problème du voyageur de commerce

Repliement de protéinesEtc.

Auto-organisation, stigmergieProblèmes dynamiques, multi-

objectifs[Wikipédia]

6

Notion de SMANotion de SMA

Ensemble d’entités en interaction situées dans un environnement commun et devant réaliser collectivement une tâche

Contrôle décentralisé dans les entités

7

Notion d’agentNotion d’agent

Entité réelle ou virtuelle située dans un environnement qu’elle peut (partiellement) percevoir et sur lequel elle peut agir de manière autonome [Ferber95]

Environnement

PerceptionAction

Contrôle du comportementRéactif (réponse à des stimuli)Pro-actif (dirigé par le but)Social (interaction)

8

Agent réactif / cognitifAgent réactif / cognitif

Métaphore biologiquePas de modèle

symbolique représentant l’environnement

Pas de but, pas (peu) de mémoire

Comportement réflexeCommunication indirecte Interaction par

l’environnementSMA avec beaucoup

d’agentsOrganisation impliciteValidation expérimentale

Métaphore sociologiqueReprésentation explicite

des autres et de leurs connaissances

Notion de but, de mémoire

Décision délibérativeCommunication directe Interactions directes via

langages d’interactionSMA à peu d’agentsOrganisation socialeValidation formelle

9

Agent – Cycle de vieAgent – Cycle de vie

SMA

Décider

Environnement du SMA

Environnement de l’agentEnvironnement de l’agentEnvironnement de l’agentEnvironnement de l’agent

Percevoir

Agir

10

Quand utiliser un SMA ?Quand utiliser un SMA ?

Complexité inhérente de l’applicationLimitations logicielles/matériellesHétérogénéité des composantsAbsence de solution globaleModélisation de systèmes naturels/sociaux

Distribution inhérente de l’applicationDifférents domaines de connaissancesDistribution

o Des donnéeso Du contrôleo Des connaissanceso De la sémantiqueo Des ressources

11

Quand utiliser un SMA ? (2)Quand utiliser un SMA ? (2)

Contraintes d’exécutionRésolutions concurrentes, simultanées, asynchronesContraintes de fiabilité, physiques…

Besoin d’évolutivitéChangement d’échelleChangement dynamique de données, de traitementAdaptation à des modifications / à l’environnement

Besoin d’ouvertureAjout / retrait dynamique de composantsDéveloppement incrémental

12

Mais…Mais…

Absence de contrôle globalAbsence de vision globale

N’est pas forcément la solution idéaleN’est pas une solution miracle

13

PlanPlan

Principes généraux des systèmes multi-agents (SMA)

Exemples d’applicationsProblématiques de l’équipe SMAC

ÉmergenceAuto-organisationCoopérationThéorie des AMAS (SMA adaptatifs)

Exemple d’applicationsConclusion – Apports possibles

14

Quelques exemples dans l’industrie…Quelques exemples dans l’industrie…

Massive SoftwareAnimation graphique (de foules)

o Lord of the rings, Harry Potter, Happy feet…Magenta Technology

Planification, allocation de ressources en temps réelo Transport routier, maritime…

Internet personnaliséo Méta-recherche, réseau social « intelligents »

DynalogicSimulation urbaine, optimisation circulation

Whitestein TechnologiesTélécommunications, logistique, chaînes de

productionAOS

Plate-forme de développement de systèmes autonomes (Jack)

15

Exemples en biologie - AgentCellExemples en biologie - AgentCell

[Emonet05]Modèle étudiant les relations entre les

processus intra-cellulaires stochastiques et le comportement de cellules

Chimiotactisme numériqueEscherichia ColiExemple 1

1166 cellules, pas d’attracteur chimique

Exemple 2E. Coli nageant dans un gradient vertical d’aspartate

16

Exemple en biologie - MitoScoPExemple en biologie - MitoScoP

[Lales07]ACI IMPBioModélisation du métabolisme mitochondrialAgents réactifsExemple

Bicouche avec 2 types de lipideso À 2 queues (PC)o À 4 queues (cardiolipine)o Structure conservéeo Apparition de cloisonnements

17

PlanPlan

Principes généraux des systèmes multi-agents (SMA)

Exemples d’applicationsProblématiques de l’équipe SMAC

ÉmergenceAuto-organisationCoopérationThéorie des AMAS (SMA adaptatifs)

Exemple d’applicationsConclusion – Apports possibles

18

Équipe SMACÉquipe SMAC

Systèmes Multi-Agents Coopératifs IRIT – Thème 3

Dialogue Interaction Autonomie Coopération

Responsable Marie-Pierre GLEIZES

16 permanents2 post-doc11 doctorants

6 axes de recherche

19

Centres d’intérêtsCentres d’intérêts

Systèmes multi-agents (logiciels)Les agents interagissent et évoluent dans un

environnement communRésolution de problèmes : interactions résolutionSimulation : interactions observation

Objectif de l’équipeConcevoir des systèmes complexes adaptatifsSMA qui s’adaptent pour réagir à un environnement

dynamiqueAdaptation dirigée par auto-organisationLa fonction adéquate du système émerge

20

ConstatConstat

Applications :Complexes (contrôle aérien)Ouvertes (Internet)

Environnement :Ouverts (Internet)Évolutifs (RoboCup)

Besoin de concevoir des systèmes de plus en plus complexes

MaisProblème incomplètement spécifiéAlgorithme pas toujours connuDes « imprévus » doivent être pris en compte

21

Solution ?Solution ?

Un système doit réaliser la « bonne » fonction, celle pour laquelle il a été créé

22

Théorème de l’adéquation fonctionnelleThéorème de l’adéquation fonctionnelle

Pour tout système fonctionnellement adéquat, dans un environnement donné, il existe un système à milieu intérieur coopératif qui réalise une fonction équivalente

Systèmes fonctionnellemen

t adéquats

Systèmes coopératifs

Systèmes à milieu

intérieur coopératif

23

Solution ?Solution ?

Un système doit réaliser la « bonne » fonction, celle pour laquelle il a été crééThéorème sur l’adéquation fonctionnelle

coopération

Le système doit pouvoir s’adapter à son environnement

24

Auto-organisationAuto-organisation

Motif ou fonction du niveau global d’un système (SMA) qui émerge suite aux interactions entre composants de plus bas niveau (agents) [Camazine01]

Transformation autonome de la topologie d’un système (e.g. connexions réseau) par ses composants résultant du fonctionnement de ce réseau [Camps97]

Processus par lequel un système change son organisation interne pour s’adapter aux changements de ses buts et de l’environnement sans contrôle externe explicite. L’auto-organisation résulte souvent en un comportement émergent désirable ou non [TFGSO04].

25

Principe d’auto-organisationPrincipe d’auto-organisation

Environnement

Système

Perception Temps t : fs Temps t+1 : f*s + Action

26

Solution ?Solution ?

Un système doit réaliser la « bonne » fonction, celle pour laquelle il a été crééThéorème sur l’adéquation fonctionnelle

coopération

Le système doit pouvoir s’adapter à son environnementAuto-organisation des composants adaptation

Pas d’algorithme pour construire un système complexe adaptatifLa fonction doit émerger au macro-niveau

27

AgentAgent

Autonomie de décisionPlongé dans un environnement (évolutif)But propre (local)Essaie de l’atteindre en utilisant une vue

locale de son environnementCycle de vie (classique)

PercevoirDéciderAgir

28

Agent coopératifAgent coopératif

Attitude coopérative (moteur de l’auto-organisation)Détecte certaines situations (SNC)

o Un signal perçu est incompris ou mal compris (incompréhension, incompétence, ambiguïté)

o L’information résultant de cette perception n’est pas utile au raisonnement de l’agent (improductivité)

o Son raisonnement débouche sur des actions inutiles pour les autres agents (inutilité)

o Et d’autres situations de conflit ou de concurrenceLes traite pour revenir à un état coopératif

Il ignore la fonction globale du système

29

Modèle d’agent coopératifModèle d’agent coopératif

Module d’interaction Interface agent / environnement

Module des représentationsConnaissance partielle à propos des autres, de son

environnement ou de soi-même

Module des compétencesConnaissance commune à propos d’un certain

domaine

Module des aptitudesCapacités à raisonner sur ses représentations, ses

compétences et ses perceptions

Module de coopérationReprésente l’attitude coopérative de l’agent

30

Modèle d’agent coopératifModèle d’agent coopératif

Perception Actions Sensor

Sensor

Sensor

Sensor

Sensor

Sensor

Sensor

Sensor

Sensor

Actuators

Actuators

Actuators

Actuators

Actuators

Actuators

Actuators

Actuators

Actuators

I nteraction

Representations

Skills

Aptitudes

Cooperation

Stimuli Actions

Interaction

Perception Actions

Compétences

Aptitudes

Coopération

Capteur

Capteur

Capteur

Capteur

Capteur

Capteur

Capteur

Effecteur

Effecteur

Effecteur

Effecteur

Effecteur

Effecteur

Effecteur

Stimuli Actions

Représentations

31

Solution ?Solution ?

Un système doit réaliser la « bonne » fonction, celle pour laquelle il a été crééThéorème sur l’adéquation fonctionnelle coopération

Le système doit pouvoir s’adapter à son environnementAuto-organisation des composants adaptation

Pas d’algorithme pour construire un système complexe adaptatifLa fonction doit émerger au macro-niveauChaque composant possède sa propre fonction locale

indépendante de la fonction globale agent

Les agents forment un AMASAdaptation compétences, représentations

AMAS

32

PlanPlan

Principes généraux des systèmes multi-agents (SMA)

Exemples d’applicationsProblématiques de l’équipe SMAC

ÉmergenceAuto-organisationCoopérationThéorie des AMAS (SMA adaptatifs)

Exemple d’applicationsConclusion – Apports possibles

33

Quelques applicationsQuelques applications

Commerce électronique (Arcadia, Abrose) [Camps98]

RoboCup [Pasquet99]Routage dans des réseaux téléphoniques [Dotto99]Résolution d’équationsPrévision de crues [Sontheimer99]Programmation émergente [Georgé04]Conception de mécanismes aéronautiques

[Capera05]Réseau de neurones [Mano06]Allocation dynamique de fréquences [Cornet06]Ontologies dynamiques [Ottens07]Conception avionique [Welcomme08]…

34

Exemples d’applicationsExemples d’applications

Simulation de fourmis fourrageuses [Topin99]Robots transporteurs [Picard04]Recherche de la conformation spatiale d’une

molécule [Besse05]

35

ANTS – Fourmis fourrageusesANTS – Fourmis fourrageuses

Simulation d’une fourmilière de fourmis fourrageuses

Dans le but de comparer fourmis réelles et fourmis « coopératives »

But globalRamener le plus de nourriture au nidNon explicitement donnéCette fonction doit émerger

But localFourrager et ramener de la nourriture

Communication IndirecteDépôt de phéromone

36

Attitude sociale chez un agent-fourmiAttitude sociale chez un agent-fourmi

Environnement dynamiqueApparition / disparition de nourriture

Comportement coopératifÉviter les situations non coopératives (SNC) Jugées de son point de vue (local)

Les énumérer pour pouvoir les traiter

Exemple de SNC : concurrenceEntre une piste de phéromone et de la nourritureEntre deux sources de nourritureEntre le nid et de la nourriture

37

SNC de concurrence (1)SNC de concurrence (1)

Deux choix possiblesContinuer à suivre la pisteAller vers la source de

nourriture

Ne pas être en concurrenceAller vers la source de

nourriture

38

SNC de concurrence (2)SNC de concurrence (2)

Deux choix possiblesAller vers la source exploitéeAller vers l’autre source

Ne pas être en concurrenceAller vers l’autre source

(même s’il y en a moins)

39

SNC de concurrence (3)SNC de concurrence (3)

Deux solutionsRentrer directement au nidRentrer en déposant plus de

phéromone

Communication spontanéeRentrer en déposant plus de

phéromone

40

Fourmis oecophylles – Agents-fourmis Fourmis oecophylles – Agents-fourmis

Environnement avec 5 agrégats

0

200

400

600

800

1000

1200

1400

1600

1800

2000

0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000

Cycles

Nou

rrit

ure

ram

enée

au

nid

Fourmis oecophylles 1 Robots-f ourmis 1

41

Fourmis oecophylles – Agents-fourmisFourmis oecophylles – Agents-fourmis

Environnement avec 100 agrégats

0

200

400

600

800

1000

1200

1400

1600

1800

2000

0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000

Cycles

Nou

rrit

ure r

am

ené

e a

u ni

d

Fourmis oecophylles 1 Robots-Fourmis 1

42

ANTS - DémonstrationANTS - Démonstration

43

RobotsRobots

Robots transporteursDeux pièces séparées par deux couloirs

Couloirs de la largeur d’un robot

Tâche allouée à un robot : Prendre une boîte dans une pièceLa déposer dans l’autre pièce

Perception localePas de communication directe

44

Robots – Démonstration (début)Robots – Démonstration (début)

45

Situations jugées non coopérativesSituations jugées non coopératives

Ne pas pouvoir avancerEn face d’un murEn face d’un autre robot allant dans la direction

opposéeRésoudre ce conflit

o Se déplacer de côtéo Le robot le plus proche de son but a l’avantage

Devoir reculer (donc s’éloigner de son but)Car on est obligé de laisser la placeRésoudre cette inutilité

o Se déplacer de côté (si possible)o Avancer tant que c’est possible OU jusqu’à rencontrer

un autre robot qui recule et est plus près de son but

46

Comportement émergentComportement émergent

Evitement des autres robots codéSens de circulation émergent

Non codé explicitementNe peut être déduit du code des agents

47

Bio-S: Conformation spatiale de protéinesBio-S: Conformation spatiale de protéines

Molécule = atomes liés par deux types de liaisons

Interactions fortesMise en commun d’électronsDéfinissent des distances inter-

atomiques quasiment stables

Interactions faiblesNatures diverses

o Interactions de van der Waalso Interactions électrostatiqueso Liaisons di-hydrogèneso ….o Effets du solvant

Effet si nombreuses et entre voisins

48

Énergie des liaisons faiblesÉnergie des liaisons faibles

Fonction d’énergie potentielle Interactions de van der Waals

o Équilibre (rayon de vdW)Suit une loi (Lennard-Jones,

choisie)o Empirique, paramètres équation

inconnueÉnergie potentielle globale

d’une moléculeSomme des énergies « faibles »

entre couples d’atomesLa conformation spatiale est

obtenue enMinimisant l’énergie potentielle

de la moléculeTout en respectant les

contraintes des liaisons fortes

49

ApprochesApproches

Problème NP-completMolécules réelles : repliement en 10-6 sHypothèse : un jour pour simuler une nanoseconde

30 années CPU !!

Approches existantesFolding@home : distribue le calcul sur un réseau

mondialRosetta : compare une conformation donnée à une

base de données

Mais…On ne connaît pas tout à propos de la moléculeL’énergie potentielle n’est pas connue

Résolution par émergenceIdéal : …en un temps limité…

50

Approche par AMASApproche par AMAS

Résolution par émergenceEnergie globale de la molécule inconnueAgent = atome

Ne connaît pas l’énergie globale de la moléculeA une vue locale (ses voisins)Essaie de minimiser son énergie locale

Se déplace pour rester coopératifPour réduire l’énergie potentielleTant que son énergie n’est pas minimaleSans pénaliser ses voisins (augmenter leur énergie)

Ce qui se traduit par cette SNCDétection : être lié à un atome de plus haut niveau

d’énergieAction : se déplacer pour réduire cette énergie

51

Entrées / Sortie du systèmeEntrées / Sortie du système

EntréesDescription de la molécule (format PDB)Conformation non stable (positions aléatoires)

SortieConformation stable

52

Évolution dans le tempsÉvolution dans le temps

Adaptation des agents après une phase préliminaire Stabilisation de l’énergie globale

53

Impact de la taille de la moléculeImpact de la taille de la molécule

0

1000

2000

3000

4000

0 20 40 60 80 100 120

Number of atoms

Num

ber

of cy

cles

010203040506070

Tim

e (H

)

Number of cycles Time (H)

Temps de résolution : linéaire Technique efficace

54

Bio-S : DémonstrationBio-S : Démonstration

55

Partenariat en cours…Partenariat en cours…

Projet microMéga ANR 2005-2008Modélisation du comportement d’une levureSMA adaptatif dont les agents représentent

o des éléments (quantité, masse, énergie)o des gèneso des transporteurso des catalyseurs et des synthétiseurs

56

Exemple : GlycolyseExemple : Glycolyse

57

Partenariat en cours…Partenariat en cours…

Projet microMéga ANR 2005-2008Modélisation du comportement d’une levureSMA adaptatif dont les agents représentent

o des éléments (quantité, masse, énergie)o des gèneso des transporteurso des catalyseurs et des synthétiseurs

Comportement « nominal » des agents : définiComportement « adaptatif » : pose problème (bruit)

Thèse inter-site Insa/UpsSylvain VideauSMA adaptatif pour contrôler un bio-procédé

58

PlanPlan

Principes généraux des systèmes multi-agents (SMA)

Exemples d’applicationsProblématiques de l’équipe SMAC

ÉmergenceAuto-organisationCoopérationThéorie des AMAS (SMA adaptatifs)

Exemple d’applicationsConclusion – Apports possibles

59

Apports possibles des SMAApports possibles des SMA

Niveau d’abstraction plus bas que les modèles mathématiques

Description au niveau individuModularité, mise au point incrémentaleOuverture, adaptation, émergence

Moins formel Plus de puissance de calcul nécessaire

Émergence fonctionnelle par Émergence fonctionnelle par auto-organisation dans les auto-organisation dans les

systèmes artificielssystèmes artificiels

Merci pour votre attention

http://www.irit.fr/SMAC

61

RéférencesRéférencesRéférences internes à SMAC

[Besse 05] C. Besse, Recherche de conformation de molécules et apprentissage du potentiel de Lennard-Jones par systèmes multi-agents adaptatifs, Rapport de Master Recherche IARCL, Université Paul Sabatier, juin 2005.

[Camps 97] V. Camps, M.P. Gleizes, S. Trouilhet, Properties Analysis of a Learning Algorithm for Adaptive Systems, First International Conference on Computing Anticipatory Systems, Liège, Belgium, August 1997.

[Camps 98] V. Camps, Vers une théorie de l'auto-organisation dans les systèmes multi-agents basée sur la coopération : application à la recherche d'information dans un système d'information répartie, Thèse de Doctorat de l'Université Paul Sabatier N°2890, IRIT, Toulouse, Janvier 1998.

[Capera 05] D. Capera, Systèmes multi-agents adaptatifs pour la résolution de problèmes : Application à la conception de mécanismes, Thèse de Doctorat de l'Université Paul Sabatier, IRIT, Toulouse III, 23 juin 2005.

[Cornet 06] F. Cornet, Etude d'un problème d'allocation de fréquences par systèmes multi-agents adaptatifs, Rapport de Master Recherche IARCL, Université Paul Sabatier, juin 2006.

[Dolto 99] F. Dotto, L. Trave-Massuyes, P. Glize, Acheminement du trafic d'un réseau téléphonique commuté par une approche multi agent adaptative, Congrès CCIA, Girona.

[Georgé 04] J.P. Georgé, Résolution de problèmes par émergence, Etude d'un Environnement de Programmation Emergente, Thèse de Doctorat de l'Université Paul Sabatier, IRIT, Toulouse III, 6 juillet 2004.

[Mano 06] J.P. Mano, Etude de l’émergence fonctionnelle au sein d’un réseau de neuro-agents coopératifs, Thèse de Doctorat de l'Université Paul Sabatier, IRIT, Toulouse III, 30 mai 2006.

62

Références (2)Références (2)[Ottens 07] K. Ottens, Un système multi-agent adaptatif pour la construction d'ontologies à partir de textes, Thèse de Doctorat de l'Université Paul Sabatier, IRIT, Toulouse III, 2 octobre 2007.

[Pesquet 99] B. Pesquet, M.P. Gleizes, P. Glize, Une équipe de robots footballeurs auto-organisée : les SMACkers, Intelligence artificielle située, cerveau, corps et environnement, A. Drogoul & J.A. Meyer coordonnateurs, Editions Hermès, 1999.

[Picard 04] G. Picard, Cooperative Agent Model Instantiation to Collective Robotics, In 5th International Workshop on Engineering Societies in the Agents World (ESAW 2004), Toulouse, France, M.P. Gleizes, A. Omicini, F. Zambonelli (Eds), Springer Verlag, LNCS 3451, 209-221.

[Sontheimer 99] T. Sontheimer, Modèle adaptatif de prévision de crues par systèmes multi-agents auto-organisateurs, Rapport de stage Institut Universitaire Professionnalisé, 1999, Diren.

[TFGSO 04] Rapport du groupe de travail d’AgentLinkIII « Self-organisation in Multi-Agent Systems ».

[Topin 99] X. Topin, V. Fourcassie, M.P. Gleizes, G. Theraulaz, C. Régis, P. Glize, Theories and Experiments on Emergent Behaviour: From Natural to Artificial Systems and Back, Proceedings on European Conference on Cognitive Science, Siena, 1999.

[Welcomme 08] J.B. Welcomme, MASCODE : un système multi-agent adaptatif pour concevoir des produits complexes. Application à la conception préliminaire avion, Thèse de l’Université de Toulouse, 31 mars 2008.

63

Références (3)Références (3)Références extérieures à SMAC

[Camazine 01] S. Camazine, J.L. Deneubourg, N. Franks, J. Sneyd, G. Theraulaz G., E. Bonabeau, Self-Organization in Biological Systems, Princeton University Press, 2001.

[Dorigo 96] M. Dorigo, V. Maniezzo, A. Colorni, Ant System: Optimization by a Colony of Cooperating Agents, IEEE Transactions on Systems, Man, and Cybernetics - Part B, 26(1):29-41.

[Emonet 05] T. Emonet, C. M. Macal, M. J. North, C. E. Wickersham, P. Cluzel, AgentCell: a Digital Single-cell Assay for Bacterial Chemotaxis, Bioinformatics Advance Access, Bioinformatics, 21, 2714-2721.

[Ferber 95] J. Ferber, Les systèmes multi-agents. Vers une intelligence collective, InterEditions, 1995.

[Lales 07] C. Lales, Modélisation gros grain et simulation multi-agents. Application à la membrane mitochondriale, Thèse de Doctorat de l’Université de Bordeaux I, décembre 2007.

Liens utilesMassive Software : http://www.massivesoftware.com/Magenta Technology : http://www.magenta-technology.com/fr/Dynalogic : http://www.dynalogic.fr/Whitestein Technologies : http://www.whitestein.com/AOS : http://www.agent-software.com/AgentCell : http://emonet.biology.yale.edu/agentcell/MitoScoP : http://www.phys-mito.u-bordeaux2.fr/ACI/

Le contenu de quelques diapositives est inspiré de celles des cours sur les SMA de :V. Chevrier (Loria)O. Boissier et L. Vercouter (Emse)