simulation des systèmes complexes

48
Simulation des systèmes complexes Systèmes multi-agents et gestion des ressources renouvelables Montpellier, Campus de Baillarguet 09 - 20 décembre 2002

Upload: quade

Post on 06-Jan-2016

40 views

Category:

Documents


0 download

DESCRIPTION

Simulation des systèmes complexes. Systèmes multi-agents et gestion des ressources renouvelables. Montpellier, Campus de Baillarguet 09 - 20 décembre 2002. Les origines. 89-94 Systèmes multi-agent utilisés dans le cadre des sciences de l’environnement et de l’écologie. - PowerPoint PPT Presentation

TRANSCRIPT

Page 1: Simulation des systèmes complexes

Simulation des systèmes complexes

Systèmes multi-agents et gestion des ressources renouvelables

Montpellier, Campus de Baillarguet

09 - 20 décembre 2002

Page 2: Simulation des systèmes complexes

Les origines

• 89-94 Systèmes multi-agent utilisés dans le cadre des sciences de l’environnement et de l’écologie.

• 94-99 équipe: Gestion des ressources renouvelables et environnement.

• Session de formation : – Gestion des Ressources – Simulation des systèmes complexes, SMA :

12 sessions depuis 96.

Page 3: Simulation des systèmes complexes

Applications multi-agent• Sim-Delta : pêcheries artisanales (Bousquet)

• SeaLab : Stratégies de reproduction des poissons (Le Page)

• Shadoc :Périmètres irrigués au Sénégal (Barreteau),

• Pasteur, JuMel : Pastoralisme au Sahel (Bah, Rouchier)

• Djemiong : Faune sauvage au Cameroun (Bakam)

• Kayanza : Bois de feu au Burundi (Guizol)

• Sinuse: allocation de l’eau en Tunisie (Feuillette)

• Mae Saleap: érosion/diversification en Thaïlande (Trébuil)

• Gestion des propriétés de chasse en Camargue (Mathevet)

• Bois-énergie au Sahel (Antona, Bah)

• Sylvo-pastoralisme en région méditerranéenne (Etienne)

• And bcp d’autres modèles théoriques

Page 4: Simulation des systèmes complexes

Plan du cours

• Introduction à la problématique de la complexité

• Systèmes dynamiques

• Automates cellulaires

• Théorie des jeux

• Systèmes multi agents

A. Concepts et théories

Page 5: Simulation des systèmes complexes

Concepts

• Dynamique, équilibre et attracteurs

• Contrôle et viabilité

• Décision et stratégie

• Coopération et évolution

• Emergence

Page 6: Simulation des systèmes complexes

Concepts et domaines

• Mathématiques : systèmes dynamiques, contrôle

• Physique : réseaux d’automates

• Informatique : systèmes multi-agents

• Biologie : interaction évolution

• Sciences sociales : représentations et échanges

Page 7: Simulation des systèmes complexes

Comprendre la co-adaptation entre la dynamique des ressources et l’organisation socio-economique

Comment utiliser ces modèles dans des projets de développement adaptatifs ?

Plan du coursB. Simulation Multi-Agent

et gestion des ressources naturelles:vers une démarche méthodologique

Page 8: Simulation des systèmes complexes

Simulation et gestion adaptative: une approche

• Jeu de rôle et SMA : une représentation commune

– pour apporter des connaissances sur le comportement,

– pour restituer le modèle aux acteurs et le valider,

– pour tester des scénarios par simulation

• Expériences

– allocation de l’espace entre éleveurs et agriculteurs au Sénégal [d’Aquino],

– négociations entre un éleveur et un forestier en forêt méditerranéenne [Etienne],

– périmètres irrigués au Sénégal [Barreteau]

Page 9: Simulation des systèmes complexes

Plan du cours

• Ecologie– Chasse et agriculture en Camargue (Raphaël

Mathevet, Tour du Valat)– Sylvo-pastoralisme et conservation de la nature

dans les Cévennes (Michel Etienne)

• Economie– Relations entre transhumants et sédentaires au

Cameroun (Juliette Rouchier, CNRS CREQAM)– Filière bois-énergie au Sahel (Martine Antona,

CIRAD TERA-REV)

C. Applications

Page 10: Simulation des systèmes complexes

Une approche de la complexité

Page 11: Simulation des systèmes complexes

La problématique de la complexité

Interactions et points de vues

Page 12: Simulation des systèmes complexes

Complexité et gestion des ressources

Page 13: Simulation des systèmes complexes

Modélisation et dynamiques collectives

Environnement(ressourcescommunes)

??

?

?

Page 14: Simulation des systèmes complexes

Environnement(ressourcesCommunes)

?

?

Page 15: Simulation des systèmes complexes

Hypothèses de travail

• Les processus individuels et collectifs de gestion des ressources communes et de l’environnement reposent:– Sur des représentations partagées des interactions entre

les acteurs et l’écosystème.

• Vers des modélisations pour:– Articuler des points de vue multiples ;– Articuler des niveaux multiples (du local ou global) ;– Permettre des analyses rétrospectives et prospectives ;– Être intelligible par les acteurs (par et pour les acteurs!).

Page 16: Simulation des systèmes complexes

Définition des systèmes complexes

• Définition:– Système complexe: ensemble d’éléments en

interactions entre eux et avec l’extérieur :• Distinction entre l’ensemble (le système) et le reste

(l’environnement/l’extérieur): dépendance à la question• Prédominance des interactions : plus que la somme

des parties.

• Autres caractéristiques:– Descriptions à des niveaux multiples (a minima:

élément/système)– Formation de structures– Émergence

Page 17: Simulation des systèmes complexes

Approches des systèmes complexes

• Analytique : élément par élément (économie néo-classique, parcelle, individu, etc.)

• Holistique ou systémique : comportement global du système (macro-économie, modèles à compartiments, modèles statistiques)

• Constructiviste : articulation entre les comportements individuels des éléments (local) et le comportement global du système (global).

Page 18: Simulation des systèmes complexes

Pourquoi l’approche constructiviste ?

• On connaît les comportements individuels et on veut inférer le comportement global:– Ingénierie sociale, aide à la négociation

• On connaît le comportement global et on cherche une explication à partir des comportements locaux:– Articulation local-global, aide à la décision

• Pertinence pour les écosystèmes et les sociosystèmes– Défi de la complexité : comportements loin de l’équilibre– Intelligibilité : description intuitive en termes d’objets et

d’acteurs plutôt que de variables et d’équations

Page 19: Simulation des systèmes complexes

Théorie des jeux

Page 20: Simulation des systèmes complexes

Jeux discrets à deux joueurs

Deux joueurs (A et B), des stratégies (X,Y,Z,T)

des gains (a,b,c,d,e,f,g,h)

a,b

A joue X

A joue Y

B joue Z B joue T

e,fg,hc,d

Page 21: Simulation des systèmes complexes

Jeu symétrique

• A et B disposent des mêmes stratégies

• les gains et pertes sont réciproques

a,b

A joue X

A joue Y

B joue X B joue Y

d,db,ac,c

Page 22: Simulation des systèmes complexes

Jeu à somme nulle

b,-b

A joue X

A joue Y

B joue X B joue Y

0,0-b,b0,0

Page 23: Simulation des systèmes complexes

Roc, ciseaux, papiers

-1,1

A joue R

A joue C

B joue R B joue C

0,01,-10,0

B joue P

1,-1A joue P -1,1

-1,1

1,-1

0,0

Page 24: Simulation des systèmes complexes

Equilibres

• Une stratégie conservatoire est celle d’un joueur qui minimise sa pire perte

• Un équilibre non-coopératif (ou de Nash) est un couple de stratégies tel que si un seul des joueurs change de stratégie, ses pertes augmentent

• Un optimum de Pareto est un couple de stratégies tel que tout changement de stratégie d’un joueur se traduit par une perte pour l’un ou pour les deux

Page 25: Simulation des systèmes complexes

• Strategie conservatoire:

S’arrêter / Traverser

Tout couple sauf Trav. / Trav.

0,-2

S’arrêter

Traverser

S’arrêter Traverser

-3,-3

-2,0-1,-1

Exemple : le croisement

S’arrêter

• Equilibre de Nash :

•Optima de Pareto :

-6-2

-2 -2

Page 26: Simulation des systèmes complexes

Dilemme du Prisonnier

3,0

Cooperation

Trahison

Cooperation Trahison

1,1

0,32,2

Deux détenus sont emprisonnés séparément. Ils sont accusés de complicité pour dans une affaire criminelle. Afin de persuader un prisonnier d’avouer et de dénoncer son complice, le marché suivant (exprimé dans la matrice en terme d’année de remise de peine) est proposé • D’un point de vue individuel:séparément à chacun d’entre eux. Ils doivent prendre leur décision sans pouvoir communiquer directement.

il vaut mieux trahir

• D’un point de vue collectif:

3

4

2

3

il vaut mieux coopérer

Page 27: Simulation des systèmes complexes

• Ce genre de situations se rencontre fréquemment dans la vie: concurrence entre deux entreprises, conflits de personnes, comportement social de certains animaux, guerre des tranchées durant la guerre 14-18, etc... [Axelrod, 1992]

• Ce modèle très simple de la théorie des jeux semble appréhender en miniature les tensions entre cupidité individuelle et intérêts de la coopération collective. Pour cette raison, il est devenu un des modèles les plus utilisés en sociologie, biologie et économie.

Dilemme du prisonnier et modélisation

Page 28: Simulation des systèmes complexes

Dilemme du prisonnier et tragédie des communs

[Hardin 1968]

• Privatisation des bénéfices, socialisation des pertes dues à la dégradation de l’environnement

• Le coût social est vu comme une externalité: il n’est pas inclus dans le marché

!!! La propriété commune n’implique pas l’accès libre !!!

Page 29: Simulation des systèmes complexes

Le dilemme du prisonnier itéré

• Le dilemme du prisonnier devient plus intéressant et plus réaliste lorsque la durée de l'interaction n'est pas connue. On peut alors envisager de se souvenir du comportement d'un joueur à son égard et développer une stratégie en rapport (caractère adaptatif)– Par exemple, si je sais que mon adversaire ne coopère jamais,

mon intérêt sera de ne pas coopérer non plus

– Par contre si je sais que mon adversaire coopérera toujours quoi qu'il arrive, j'aurai intérêt à être vicieux et ne jamais coopérer

• La stratégie « Donnant donnant » (Tit for Tat) consiste à coopérer au premier coup puis à systématiquement copier le comportement de son interlocuteur à la rencontre précédente, s'avère particulièrement robuste

Page 30: Simulation des systèmes complexes

Jeux évolutionnaires• Stratégie: phénotype comportemental

• Soit p une proportion d’individus adoptant une stratégie alternative J au milieu d’individus (1-p) se comportant selon la stratégie dominante I.

• Le gain de I opposé à J est noté E(I,J). Il s’exprime en terme d’augmentation de la fitness, notée W

E(I,I)

E(J,I) E(J,J)

E(I,J)Strategie I

Strategie J

Strategie I Strategie J

Page 31: Simulation des systèmes complexes

ESS• ESS (Evolutionary Stable Strategy): une stratégie

telle que, si tous les membres d’une population l’adoptent, alors aucune stratégie alternative mutante ne peut envahir (sous l’effet de la sélection naturelle) cette population

• W0 étant la fitness initiale de tous les individus, les fitness de chacune des stratégies sont:

W(I) = W0 + (1-p)E(I,I) + pE(I,J)

W(J) = W0 + (1-p)E(J,I) + pE(J,J)

• I est une ESS si elle satisfait une des deux conditions suivantes:

E(I,I) > E(J,I)

E(I,I) = E(J,I) et E(I,J) > E(J,J)

Page 32: Simulation des systèmes complexes

• Maynard Smith et Price (1973)

• Comportement reproductif des animaux

• Deux stratégies– Hawk: provoque et poursuit la lutte jusqu’à la blessure ou la

retraite de l’opposant (H)– Dove : engage le duel mais bat en retraite si l’autre escalade (D)

Le jeu Faucon - Colombe

0.5(V-C)

0 V/2

VStrategy H

Strategy D

Strategy H Strategy D

E(H,H) E(H,D)

E(D,D)E(D,H)

Si V >= CAlors H = ESS

Page 33: Simulation des systèmes complexes

Stratégie mixte

• Stratégie I: se comporter selon la stratégie H avec la probabilité P et selon la stratégie D avec la probabilité 1-P

• Si I est une ESS, alors E(H,I) = E(D,I), d’où:PE(H,H) + (1- P)E(H,D) = PE(D,H) + (1- P)E(D,D)

0.5(V-C)P + V(1-P) = 0.5V(1-P)

P = V/C

• Stratégie mixte et polymorphisme génétique

Page 34: Simulation des systèmes complexes

Automates

Page 35: Simulation des systèmes complexes

Définition

• Un automate est la donnée de

– S ensemble des états

– I ensemble des entrées

– O ensemble des sorties

– Une fonction d’évolution ou fonction d’état

– Une fonction de sortie

Page 36: Simulation des systèmes complexes

Représentation schématique

Page 37: Simulation des systèmes complexes

Le distributeur de boissons

T Input State Output0 Nothing Waiting Menu1 Ask coffee Waiting Menu2 Nothing Need = 2 Menu3 Nothing Need = 2 Need 2F4 1F coin Need = 2 Need 2F5 Nothing Need = 1 Need 2F6 Nothing Need = 1 Need 1F7 1F coin Need = 1 Need 1F8 Nothing Need = 0 Need 1F9 Nothing Waiting Coffee10 Nothing Waiting Menu

Page 38: Simulation des systèmes complexes

Réseaux d’automates

• Définition

Un réseau d’automates est un groupe d’automates; les entrées des uns sont les états des autres

• Différentes architectures – régulière, – connectivité totale, aléatoire, structures en

couches, structure ad hoc

Page 39: Simulation des systèmes complexes

Architectures

Page 40: Simulation des systèmes complexes

Fonction d’état

• 0000->0• 0001->1• 0010->0• 0100->1• ….• 1111->0

Page 41: Simulation des systèmes complexes

Fonctions d’états: tables

• Etat du nœud prend des valeurs déterminées, 1 et -1

• Interactions entre deux nœuds Wij donné constant

• Pour chaque nœud on compare 1sinon 1 alors 0 - N NsNW iiiij

Page 42: Simulation des systèmes complexes

Automates cellulaires

1. Architecture régulière

2. Fonction d’état uniforme et discrète

3. Mode de fonctionnement synchrone et déterministe

Page 43: Simulation des systèmes complexes

Dimension 1

Page 44: Simulation des systèmes complexes

Dimension 1: parité

Page 45: Simulation des systèmes complexes

Classification de Wolframm

• Classe 1 : converge vers un état fixe

• Classe 2 : converge vers un cycle

• Classe 3 : désordonné

• Classe 4 : chaotique

Page 46: Simulation des systèmes complexes

Classification de Wolframm

Page 47: Simulation des systèmes complexes

Exemple en dimension 2« Matière excitée »

Page 48: Simulation des systèmes complexes

Réseau de percolation

• Matrice régulière constituée de points blancs, noirs ou rouges. Initialement une proportion p de blancs et 1-p de noirs

• On met un rouge, à chaque pas les voisins d’un rouge deviennent rouges

• On cherche la valeur de p pour laquelle on pourra aller d’un bord à l’autre