un cadre méthodologique et une architecture logicielle ......implémentation et mise en œuvre de...

UNIVERSITÉ PAUL CÉZANNE AIX-MARSEILLE III

N° :

TITRE :

Un cadre méthodologique et une architecture logicielle

orientés agents pour la modélisation et la simulation

organisationnelles de chaînes logistiques

THÈSE

Pour obtenir le grade de

DOCTEUR DE L'UNIVERSITÉ PAUL CÉZANNE AIX-MARSEILLE III

Faculté des Sciences et Techniques

Discipline :

École Doctorale en Mathématiques et Informatique de Marseille (ED184)

Présenté par

Karam MUSTAPHA

22 Septembre 2011

JURY

M. ESPINASSE Bernard, Professeur, Université Paul Cézanne, Marseille (Directeur de thèse)

M. FERRARINI Alain, Maître de Conférences, Université Paul Cézanne, Marseille (Examinateur)

M. GOURGAND Michel, Professeur, Université Blaise Pascal, Clermont-Ferrand (Examinateur-Président)

M. TRANVOUEZ Erwan, Maître de Conférences, Université Paul Cézanne, Marseille (Co-Encadrant)

M. TRENTESAUX Damien, Professeur, Université de Valenciennes (Rapporteur)

Mme ZARATE Pascale., Professeur, Université Toulouse 1 (Rapporteur)

ANNÉE : 2011

TABLE DES MATIÈRES

CHAPITRE 1 : INTRODUCTION GÉNÉRALE ................................................................. 1

1. Problématique et contributions ...................................................................................... 1

2. Organisation du Manuscrit ............................................................................................ 3

CHAPITRE 2: MODÉLISATION ET SIMULATION ORIENTÉS AGENTS DE

CHAÎNE LOGISTIQUE ......................................................................................................... 5

1. Introduction ..................................................................................................................... 7

2. Les chaînes Logistiques ................................................................................................... 7

2.1 Définitions et évolution du concept de « chaîne logistique » .................................... 8

2.1.1 Définition du concept ............................................................................................. 8

2.1.2 Evolution du concept .............................................................................................. 9

2.2 Le management des chaînes logistiques (Supply Chain Management) ................... 10

2.3 La modélisation et la simulation des chaînes logistiques ......................................... 13

2.3.1 Différentes approches de modélisations ............................................................... 13

2.3.2 Grandes classes de méthodes de modélisation de chaîne logistique .................... 15

2.3.3 Le modèle SCOR ................................................................................................. 17

2.3.4 Simulation des chaînes logistiques ....................................................................... 22

3. Les systèmes multi-agents (SMA) ................................................................................ 24

3.1 Définitions générales ................................................................................................ 24

3.2 Quelques modèles d‘agent ....................................................................................... 27

3.2.1 Agents réactifs ...................................................................................................... 27

3.2.2 Agents Cognitifs ................................................................................................... 28

3.2.3 Agents Hybrides ................................................................................................... 30

3.3 Le concept d‘holon ................................................................................................... 31

3.4 Interactions entre agents dans un SMA .................................................................... 32

4. La simulation orientée agents ....................................................................................... 34

4.1 Simulations et modèles de simulation ...................................................................... 34

4.1.1 Simulation analogique et simulation numérique .................................................. 36

4.1.2 Modèles de simulation ......................................................................................... 37

4.2 La simulation orientée agents (SOA) ....................................................................... 39

4.2.1 Principes théoriques ............................................................................................. 39

4.2.2 La SOA et le temps .............................................................................................. 41

4.2.3 Domaines d‘application privilégiés de la SOA .................................................... 42

5 La conception de simulation orientée agents .............................................................. 44

5.1 Introduction .............................................................................................................. 44

5.2 Un cadre d‘étude et de comparaison de méthodes de conception de SOA .............. 45

5.3 Etude comparative de méthodes de conception de SMA ......................................... 48

5.3.1 La méthode GAIA ................................................................................................ 48

5.3.2 La méthode AGR / AALAADIN ......................................................................... 50

5.3.3 La méthode ADELFE ........................................................................................... 52

5.3.4 La méthode MOISE+ ........................................................................................... 53

5.3.5 La méthode CRIO ................................................................................................ 56

5.3.6 Comparaison des méthodes : forces et faiblesses ................................................. 57

6 La modélisation et la simulation orientées agents de chaînes logistiques ................ 60

6.1 Travaux en modélisation et simulation multi-agents de chaînes logistiques ........... 61

6.2 Le modèle MASCF .................................................................................................. 63

6.2.1 Présentation générale de MASCF ........................................................................ 63

6.2.2 Forces et limites de MASCF ................................................................................ 66

6.3 Les travaux du LSIS ................................................................................................. 67

6.3.1 Cadre méthodologique proposé par le LSIS ........................................................ 67

6.3.2 Forces et limites du cadre méthodologique du LSIS ............................................ 69

7 Synthèse et conclusion ................................................................................................... 69

CHAPITRE 3 : UN CADRE MÉTHODOLOGIQUE ORIENTÉ AGENTS POUR LA

MODÉLISATION ET LA SIMULATION ORGANISATIONNELLES DE CHAÎNES

LOGISTIQUES ...................................................................................................................... 72

1. Introduction ................................................................................................................... 74

2. Objectif et fondements du cadre méthodologique proposé ....................................... 75

2.1 Explicitation d‘aspects organisationnels structurels et dynamiques ........................ 76

2.2 Explicitation d‘observables et d‘indicateurs organisationnels ................................. 77

2.3 Modélisation et simulation multi-niveaux, multi-échelles et multi-paradigmes ...... 82

2.3.1 Modélisation et simulation multi-niveaux ............................................................ 82

2.3.2 Modélisation et simulation multi-échelles ........................................................... 82

2.3.3 Modélisation et simulation multi-paradigmes ...................................................... 83

3. Présentation générale du cadre méthodologique proposé ......................................... 84

3.1 Niveaux d‘abstraction considérés ............................................................................. 85

3.2 Cadre méthodologique proposé ................................................................................ 87

3.3 Problématique de la modélisation conceptuelle ....................................................... 89

3.4 Problématique de la modélisation opérationnelle .................................................... 90

4. Modélisation conceptuelle d’une chaîne logistique .................................................... 91

4.1 Modèle Organisationnel Conceptuel Rôle (CROM) ................................................ 91

4.1.1 Les concepts principaux du modèle CROM ........................................................ 92

4.1.2 Le méta-modèle CROM ....................................................................................... 93

4.1.3 Illustration : modèle CROM d'une chaîne logistique ........................................... 95

4.2 Modèle Organisationnel Conceptuel Agent (CAOM) ............................................. 97

4.2.1 Concepts du modèle CAOM ................................................................................ 97

4.2.2 Le méta-modèle CAOM ....................................................................................... 97

4.2.3 Illustration : modèle CAOM d'une chaîne logistique ......................................... 101

5. Modélisation opérationnelle d’une chaîne logistique ............................................... 103

5.1 Vue structurelle : modèle opérationnel agent (OPAM) ......................................... 103

5.2 Vue dynamique : comportements et interactions ................................................... 105

5.2.1 Spécification des comportements d‘agents ........................................................ 105

5.2.2 Spécification des interactions entre agents ......................................................... 108

5.3 Illustration : modélisation opérationnelle d'une chaîne logistique ......................... 109

5.3.1 Vue structurelle : modèle OPAM de la chaîne ................................................... 110

5.3.2 Vue dynamique : comportements et interactions ............................................... 110

6. Conclusion .................................................................................................................... 111

CHAPITRE 4 : UNE ARCHITECTURE LOGICIELLE POUR LA MODELISATION

ET LA SIMULATION ORGANISATIONNELLE DE CHAÎNE LOGISTIQUE ........ 113

1. Introduction ................................................................................................................. 114

2. Besoins à satisfaire par une architecture logicielle pour la simulation

organisationnelle d’une chaine logistique .......................................................................... 115

2.1 Besoins « métiers » ................................................................................................ 115

2.2 Besoins liés à la simulation .................................................................................... 116

2.3 Besoins méthodologiques ....................................................................................... 116

3. Différentes approches logicielles possibles ................................................................ 117

3.1 Approche basée sur un environnement de simulation unique ................................ 119

3.2 Approche basée sur l‘intégration de simulateurs existants .................................... 120

3.3 Approche retenue ................................................................................................... 124

4. Une architecture logicielle pour la simulation orientée organisation de chaînes

logistiques .............................................................................................................................. 125

4.1 Principes généraux ................................................................................................. 126

4.2 Choix techniques d‘implémentation ....................................................................... 132

4.2.1 La plateforme JASON ........................................................................................ 133

4.2.2 La plateforme JADE ........................................................................................... 135

4.3 Les agents du médiateur ......................................................................................... 139

4.4 Production et gestion d‘indicateurs ........................................................................ 141

5. Illustration du fonctionnement de l’architecture dans le cas d'une Chaîne

Logistique .............................................................................................................................. 145

5.1 Modèle OPAM considéré et son implémentation .................................................. 146

5.2 Illustration du fonctionnement de l‘architecture de simulation ............................. 148

6. Conclusion .................................................................................................................... 153

CHAPITRE 5 : MISE EN ŒUVRE SUR UN CAS D’ÉTUDE DE CHAÎNE

LOGISTIQUE ...................................................................................................................... 155

1. Introduction ................................................................................................................. 156

2. Présentation du cas d’étude : le cas « Raquettes » ................................................... 156

2.1 Description de la chaîne logistique du cas « Raquettes » ...................................... 156

2.2 Définition des rôles des acteurs de la chaine .......................................................... 160

2.3 Caractérisation et dimensionnement de la chaine .................................................. 161

3. Mise en œuvre du cadre méthodologique .................................................................. 165

3.1 Rappel du cadre méthodologique ........................................................................... 165

3.2 Modèle Organisationnel Conceptuel Rôle (CROM) .............................................. 167

3.3 Modèle Organisationnel Conceptuel Agent (CAOM) ........................................... 170

3.4 Modèle Opérationnel Agent (OPAM) .................................................................... 173

4. Implémentation et mise en œuvre de l’architecture logicielle ................................. 175

4.1 Présentation générale .............................................................................................. 175

4.2 Description du scénario et de la sous partie de la SC concernée ........................... 177

4.3 Implémentation des agents dans l‘architecture (ALMOSIM) ................................ 179

4.4 Implémentation des agents cognitifs en JASON .................................................... 180

4.5 Implémentation des agents réactifs en JADE ......................................................... 181

4.6 Scénario d‘interaction entre agents réactifs et agents cognitifs ............................. 182

5. Simulations : résultats et interprétations .................................................................. 189

6. Conclusion .................................................................................................................... 190

CHAPITRE 6: CONCLUSION GÉNÉRALE ET PERSPECTIVES ............................. 191

1. Bilan des travaux de recherche présentés ................................................................. 191

2. Perspectives de recherche ........................................................................................... 193

BIBLIOGRAPHIE ............................................................................................................... 195

LISTE DES FIGURES

Chapitre 2

Figure 2.1 : Exemple de chaîne logistique (SC) [LABARTHE, 2006] ................................. 9

Figure 2.2 : Quatres processus de base du SCOR [SUPPLY CHAIN COUNCIL, 2006] 19

Figure 2.3 : Modèle SCOR niveaux 2 [SUPPLY CHAIN COUNCIL, 2006] .................... 21

Figure 2.4: Cycle de vie d’une simulation (traduit de [BALCI, 1998]). ............................ 46

Figure 2.5 : méthode GAIA [WOOLDRIDGE et al., 2000] [ZAMBONELLI et al., 2003]

.................................................................................................................................................. 49

Figure 2.6 : Méthode AGR [FERBER et al., 2004] ............................................................. 51

Figure 2.7 : Méthode ADELFE [BERNON et al., 2002, PICARD, 2004] ......................... 53

Figure 2.8 : (a) Structure de l’équipe football et (b) l’attaque en MOISE+ [HUBNER et

al., 2007] .................................................................................................................................. 55

Figure 2.9 : Phases de développement du système multi-agent Ŕ concentrer de MASCF

[GOVIENDU et CHINNAM, 2007] ...................................................................................... 64

Figure 2.10 : Cadre Multi Agent de chaîne logistique multi-agents (MASCF)

[GOVIENDU et CHINNAM, 2007] ...................................................................................... 65

Chapitre 3

Figure 3.11 : Modèle d’indicateur de performance [BERRAH et al. 1995] ..................... 80

Figure 3.12 : Classification d'Indicateur [MUSTAPHA et al., 2010] ................................ 81

Figure 3.13 : Etapes de modélisation et de simulation ........................................................ 86

Figure 3.14 : Cadre méthodologique pour la modélisation et la simulation orientée

agents. ...................................................................................................................................... 88

Figure 3.15 : Méta-modèle CROM ....................................................................................... 93

Figure 3.16 : Illustration du modèle CROM dans le cas de chaîne logistique .................. 96

Figure 3.17 : Méta-modèle CAOM ....................................................................................... 98

Figure 3.18 : Modélisation de communication ................................................................... 101

Figure 3.19 : Illustration du modèle CAOM dans le cas de chaîne logistique ................ 102

Figure 3.20 : Méta-modèle OPAM ...................................................................................... 104

Figure 3.21 : Exemple de diagramme d’états .................................................................... 107

Figure 3.22 : Exemple de diagramme de séquences .......................................................... 108

Figure 3.23 : Echanges de messages entre agents délibératifs et agents réactifs. ........... 109

Figure 3.24 : Illustration du modèle OPAM dans le cas de chaîne logistique ................ 110

Figure 3.25 : Spécification des comportements et interaction entre les agents .............. 111

Chapitre 4

Figure 4.26: Fédérations en exécution (d’après [SERMENT, 2007] ............................... 121

Figure 4.27 : Architecture générale .................................................................................... 126

Figure 4.28 : Communication entre les simulateurs à partir d’un médiateur ................ 127

Figure 4.29: Architecture générale : services du médiateur ............................................ 128

Figure 4.30 : Représentation d’un message KQML .......................................................... 130

Figure 4.31 : Principes architecturaux de JASON ............................................................ 134

Figure 4.32 : Exemple de code source d’un agent JASON ............................................... 135

Figure 4.33 : Architecture distribuée d’une plateforme JADE [RIMASSA et al., 1999],

................................................................................................................................................ 136

Figure 4.34 : Principe architecturaux d’un agent Jade .................................................... 137

Figure 4.35 : Exemple de code source d’un agent Jade .................................................... 138

Figure 4.36 : Architecture détaillée d’une simulation basée sur l’intégration de

simulateurs ............................................................................................................................ 139

Figure 4.37 : Interopérabilité par partage de données ..................................................... 142

Figure 4.38 : Interopérabilité entre les plateformes .......................................................... 143

Figure 4.39 : Modèle OPAM d’une Chaîne logistique simplifiée. ................................... 147

Figure 4.40 : Deux types d’agents avec module pour l’interopérabilité ......................... 148

Figure 4.41 : Transcription du modèle OPAM dans l’architecture logicielle ................ 149

Figure 4.42 : Interaction entre les agents dans le groupe 1 (Agents Délibératifs) et les

agents du médiateur ............................................................................................................. 151

Figure 4.43 : Interaction entre les agents dans le groupe 3 (Agent réactifs et Cognitifs)

................................................................................................................................................ 152

Figure 4.44 : Interaction entres les agents dans le Groupe 2 (agents cognitifs agent

réactifs) .................................................................................................................................. 153

Chapitre 5

Figure 5.45 : Les différentes parties de la raquette de tennis .......................................... 157

Figure 5.46 : Chaîne logistique considérée ......................................................................... 159

Figure 5.47 : Exemple de chaîne logistique de cas d’étude Raquette de tennis .............. 162

Figure 5.48 : Cadre méthodologique pour la modélisation et la simulation orientée

agents. .................................................................................................................................... 166

Figure 5.49 : Illustration du modèle CROM dans le cas de chaîne logistique ................ 169

Figure 5.50 : Illustration du modèle CAOM dans le cas de chaîne logistique ................ 172

Figure 5.51 : Illustration du modèle OPAM dans le cas de chaîne logistique ................ 174

Figure 5.52 : Illustration de l’architecture dans le cas de la chaîne logistique ............... 176

Figure 5.53 : Une partie d’Illustration de l’architecture dans le cas de la chaîne

logistique ............................................................................................................................... 178

Figure 5.54 : Les agents de l’architecture ALMOSIM ..................................................... 179

Figure 5.55 : Les différents types d’agents ........................................................................ 180

Figure 5.56 : Exemple, Communication entres les agents cognitifs (ou agents JASON)

................................................................................................................................................ 181

Figure 5.57 : Communication entre les agents réactifs ..................................................... 182

Figure 5.58 : Communication entres les agents cognitifs et les agents réactifs .............. 184

Figure 5.59 : Exemple de messages échangés. ................................................................... 185

Figure 5.60 : Affichage sur la console (communication entre les agents) ....................... 186

Figure 5.61 : Interaction entre les agents JASON et JADE ............................................. 187

Figure 5.62 : Deux plateformes d’agents JASON et JADE .............................................. 188

LISTE DES TABLEAUX

Chapitre 2

Tableau 2.1 : Comparaison entre les méthodes ................................................................... 59

Chapitre 3

Tableau 3.2 : Types d’interactions dans un modèle CROM .............................................. 94

Tableau 3.3 : Type d’interactions dans le modèle CAOM ................................................. 99

Tableau 3.4 : Acteurs à des Agents ..................................................................................... 100

Tableau 3.5 : Type de message ............................................................................................ 106

Chapitre 4

Tableau 4.6 : Catégories de services assurés par le RTI ................................................... 122

Tableau 4.7 : Classification et description des indicateurs retenus ................................. 132

Chapitre 5

Tableau 5.8 : Caractéristique et qualités des raquettes de tennis .................................... 164

Tableau 5.9 : Type raquette de tennis ................................................................................ 164

Tableau 5.10 : Demande par trimestre ............................................................................... 165

Tableau 5.11 : Les paramètres d’initialisation des stocks des différents types .............. 165

1

CHAPITRE 1 : INTRODUCTION GÉNÉRALE

1. Problématique et contributions

La chaîne logistique (Supply Chain) trouve son essence dans la possibilité qu‘elle offre aux

entreprises de générer des profits supplémentaires tout en accroissant leur flexibilité et leur

réactivité. Dans ce contexte de concurrence accrue et de mondialisation, les synergies

d‘entreprises résistent plus efficacement, ainsi comme l‘avance [LEE et BILLINGTON,

1995], "La bataille pour dominer le marché ne sera pas une bataille d‘entreprises mais de

chaînes logistiques."

Les chaînes logistiques devenant de plus en plus complexes, dans la recherche de leur

performance, leur modélisation/simulation s‘avère nécessaire. En effet, la

modélisation/simulation de la chaîne logistique peut être utilisée soit à des fins descriptives ou

normatives. A des fins descriptives elle vise à aider les décideurs à mieux comprendre le

comportement et les performances de la chaîne logistique modélisée et de favoriser

l'émergence des idées de gestion. A des fins normatives elle utilise la simulation dans le but

d'améliorer le fonctionnement et la performance de la chaîne logistique en identifiant les

meilleures décisions à prendre concernant ses transformations structurelles ou

organisationnelles, ainsi que le choix de politiques managériales associées.

La modélisation/simulation orientée agent étend considérablement les capacités de

simulation à événements discrets à des fins descriptives et normatives dans le contexte des

connaissances complexes de la chaîne logistique. Les agents sont des entités autonomes aptes

à exercer leurs fonctions sans avoir besoin d‘une interaction continue de la part d‘utilisateur.

Les agents sont exploités pour la construction et ou la simulation de systèmes complexes. La

simulation orientée agent (SOA - Agent Based Simulation) est aujourd‘hui utilisée dans un

nombre croissant de domaines, citons notamment la sociologie, biologie, l‘économie, la

physique, la chimie, l‘écologie et le domaine industriel. Dans tous ces domaines, elle

remplace progressivement les différentes techniques de micro simulation et de simulation

orientée objets. Cette tendance tout d‘abord est due à la capacité de la SOA à appréhender des

modèles dynamiques très différents, composés d‘entités très simples (agents réactifs), jusqu‘à

des entités plus complexes (sous la forme d‘agents délibératifs). Le concept d‘agent permet

d‘abord de développer des modèles qui ont le principal intérêt d‘être exécutés (simulés),

permettant l‘étude du comportement du système complexe modélisé, et donc de sa

Chapitre 1: Introduction générale

2

dynamique, résultant des comportements des agents en interaction. Un autre intérêt de la

SOA, souvent mis en avant par rapport aux automates cellulaires, est la facilité avec laquelle

elle permet à un modélisateur de manipuler différents niveaux de représentation, par exemple

individus et groupe d‘individus.

De nombreux travaux de recherche s‘appuient déjà sur le paradigme agent pour proposer

une modélisation/simulation de chaînes logistiques, ce paradigme fournissant une approche

adaptée à la représentation de tels systèmes complexes permettant une prise en compte de leur

dynamique. Cependant ces travaux nous semblent présenter deux faiblesses principales.

La première limitation de ces travaux est liée à la modélisation des chaînes logistiques,

plus précisément du fait qu‘ils ne prennent pas suffisamment en compte, et de façon explicite,

certains aspects organisationnels de ces chaînes, notamment leur structure et à leur dynamique

organisationnelles, les relations entre les différents acteurs la composant, et les

comportements de ces différents acteurs, comportements généralement associés à des rôles.

Une seconde limitation de ces travaux est qu‘ils ne prennent pas explicitement en compte

les observables et les indicateurs organisationnels spécifiques à la chaîne logistique

considérée. Ces observables et indicateurs sont généralement définis par les experts du

domaine de la logistique, lors d‘une première modélisation de la chaîne (modélisation de

niveau domaine). Le fait que ces observables et indicateurs ne soient pas pris en compte lors

de la modélisation de la chaîne a des conséquences importantes au niveau de sa simulation.

En effet, ces observables et indicateurs sont des éléments importants dont il s‘agit de cerner

l‘évolution lors de la simulation. S‘ils ne sont pas pris en compte en modélisation, ils ne

pourront être étudiés lors de la simulation.

Dans ce travail de recherche, nous nous proposons de dépasser ces deux limitations et

ainsi de permettre une modélisation/simulation plus « organisationnelle » de la chaîne

logistique, comme le titre de la thèse l‘indique. Par modélisation/simulation

« organisationnelle », il faut entendre que l‘on tentera d‘intégrer explicitement la structure

organisationnelle de la chaîne logistique (qu‘elle soit stable ou temporaire) lors de la

simulation, notamment au travers la prise en compte d‘observables et d‘indicateurs associés

définis à différents niveau de détail de l‘organisation.

Plus précisément, nous proposons tout d‘abord un nouveau cadre méthodologique de

modélisation et simulation orienté agents de chaînes logistiques, prenant en compte

explicitement les aspects organisationnels, tant structurel que dynamique, ainsi que des

observables et indicateurs dans la modélisation de ces chaînes, avec leurs conséquences sur


3

leur simulation, ceci afin de mieux appréhender leurs comportements dans la recherche de

leurs performances.

Ensuite, afin de simuler les modèles de simulation de ces chaines logistiques obtenus par

ce cadre méthodologique, nous proposons une architecture logicielle multi-paradigmes

spécifique. Cette architecture a un double objectif : accompagner le processus de conception

de simulation de chaînes logistiques jusqu‘à son implémentation et exécution ; mais aussi

permettre d‘exploiter, et de réutiliser des modèles de simulations (opérationnels) préexistants

indépendamment du langage utilisé. Une approche par intégration à l‘aide d‘un médiateur

(mise en œuvre par une architecture agent) a été retenue pour atteindre ces deux objectifs.

2. Organisation du Manuscrit

Le chapitre deux constitue un état de l‘art de ce travail de recherche. Dans ce chapitre

nous nous intéressons tout d‘abord aux chaines logistiques en les définissant, en précisant la

problématique de leur management, et en présentant les différentes grandes approches de leur

modélisation et de leur simulation nécessaire à ce management. Puis convaincu que

l‘approche multi-agents était la plus pertinente pour aborder la modélisation et la simulation

de ces chaines, nous définissons ce que cette approche recouvre, tant au niveau des systèmes

multi-agents (SMA) qu‘au niveau de la simulation orientée agents (SOA). Ensuite , notre

contribution se voulant tout d‘abord méthodologique, nous nous intéressons plus

particulièrement à des travaux concernant le processus de conception d‘une SOA en générale,

ainsi que des travaux plus proches de nos préoccupations, portant sur le processus de la

modélisation et de la simulation orientées agents de chaines logistiques. Enfin nous concluons

en précisant la problématique de notre recherche.

Le chapitre trois présente notre première contribution, consistant en la proposition d‘un

nouveau cadre méthodologique de modélisation et de simulation orientées agents de chaînes

logistiques, prenant en compte explicitement les aspects organisationnels, tant structurel que

dynamique, ainsi que des observables et indicateurs dans la modélisation de ces chaînes. Tout

d‘abord nous précisons l‘objectif, les fondements ou principes, du cadre méthodologique

orienté agents que nous proposons pour la modélisation des chaines logistiques. Puis nous

présenterons de façon générale ce cadre méthodologique, notamment les différents niveaux

d‘abstraction qui le structure : niveau conceptuel et niveau opérationnel, ainsi que les

différents modèles qui le composent à chacun de ces niveaux d‘abstraction. Ensuite, nous

développons en détail l‘étape de modélisation conceptuelle du cadre méthodologique proposé,

en présentant les modèles concernés, leur articulation et le processus de leur élaboration, avec


4

une illustration concrète sur une chaîne logistique. Enfin nous développons en détail l‘étape

de modélisation opérationnelle de ce cadre méthodologique en l‘illustrant par la modélisation

d‘une chaîne simple.

Dans le chapitre quatre présentons une architecture logicielle orientée agents permettant

de simuler les modèles de simulation de ces chaines logistiques obtenus par le cadre

méthodologique proposé dans le chapitre précédent. L‘architecture logicielle multi-

paradigmes qui est proposée supporte l‘intégration de différentes plates-formes de simulation

qui assurent l‘implémentation et l‘exécution d‘agents cognitifs et d‘agents réactifs nécessaire

à la simulation de la chaine. Cette approche d‘intégration se justifie notamment par

l‘hétérogénéité des plateformes de simulation répondant chacune à des capacités et des

besoins de représentation différents selon la complexité des comportements à simuler.

L‘architecture d‘intégration proposée s‘appuie sur des travaux antérieurs au LSIS ainsi que

sur la spécification HLA (High Level Architecture), et est basée sur un médiateur assurant

l‘interaction entre les simulateurs à l‘aide d‘agents spécialisés. Ces agents sont chargés de

collecter les informations permettant de produire les observables, maintenir la structure

organisationnelle lorsque des entités organisationnelles (groupes) sont distribués sur différents

simulateurs, l‘interopérabilité entre ces simulateurs et enfin garantir la validité de la

simulation d‘un point de vue temporel. Ce chapitre se termine par une illustration sur un cas

simple des mécanismes d‘intégration et de production d‘indicateurs que permet cette

architecture dans la simulation d‘une chaîne logistique.

Le chapitre cinq illustre la mise en œuvre du cadre méthodologique et de l‘architecture

logicielle précédemment proposés. Cette illustration sur un cas d‘étude de chaîne logistique

relative à la fabrication des raquettes de tennis, cas d‘étude qui est tout d‘abord présenté. Puis

cette illustration présente les modélisations conceptuelle et opérationnelle de cette chaîne

obtenue selon le cadre de modélisation proposé. L‘implémentation de l‘architecture logicielle

à base d‘agents proposée est ensuite présentée, ainsi que sa mise en œuvre sur la chaine

logistique du cas d‘étude. Ce chapitre se termine par la présentation et l‘interprétation de

résultats de simulation associés à l‘étude de scénarios pertinents relatifs au comportement de

la chaine logistique du cas d‘étude.

Enfin, dans le chapitre six, conclusion générale, nous présentons un bilan de nos travaux

de recherche en mettant en avant nos principales contributions, et leurs limites, ainsi que les

différentes perspectives qui leurs sont associées.

5

CHAPITRE 2: MODÉLISATION ET SIMULATION

ORIENTÉS AGENTS DE CHAÎNE LOGISTIQUE

PLAN DU CHAPITRE

1. Introduction ..................................................................................................................... 7

2. Les chaînes Logistiques ................................................................................................... 7

2.1 Définitions et évolution du concept de « chaîne logistique » .................................... 8

2.1.1 Définition du concept ............................................................................................. 8

2.1.2 Evolution du concept .............................................................................................. 9

2.2 Le management des chaînes logistiques (Supply Chain Management) ................... 10

2.3 La modélisation et la simulation des chaînes logistiques ......................................... 13

2.3.1 Différentes approches de modélisations ............................................................... 13

2.3.2 Grandes classes de méthodes de modélisation de chaîne logistique .................... 15

2.3.3 Le modèle SCOR ................................................................................................. 17

2.3.4 Simulation des chaînes logistiques ....................................................................... 22

3. Les systèmes multi-agents (SMA) ................................................................................ 24

3.1 Définitions générales ................................................................................................ 24

3.2 Quelques modèles d‘agent ....................................................................................... 27

3.2.1 Agents réactifs ...................................................................................................... 27

3.2.2 Agents Cognitifs ................................................................................................... 28

3.2.3 Agents Hybrides ................................................................................................... 30

3.3 Le concept d‘holon ................................................................................................... 31

3.4 Interactions entre agents dans un SMA .................................................................... 32

4. La simulation orientée agents ....................................................................................... 34

4.1 Simulations et modèles de simulation ...................................................................... 34

4.1.1 Simulation analogique et simulation numérique .................................................. 36

4.1.2 Modèles de simulation ......................................................................................... 37

4.2 La simulation orientée agents (SOA) ....................................................................... 39

4.2.1 Principes théoriques ............................................................................................. 39

4.2.2 La SOA et le temps .............................................................................................. 41

4.2.3 Domaines d‘application privilégiés de la SOA .................................................... 42

5 La conception de simulation orientée agents .............................................................. 44

5.1 Introduction .............................................................................................................. 44

5.2 Un cadre d‘étude et de comparaison de méthodes de conception de SOA .............. 45

5.3 Etude comparative de méthodes de conception de SMA ......................................... 48

6

5.3.1 La méthode GAIA ................................................................................................ 48

5.3.2 La méthode AGR / AALAADIN ......................................................................... 50

5.3.3 La méthode ADELFE ........................................................................................... 52

5.3.4 La méthode MOISE+ ........................................................................................... 53

5.3.5 La méthode CRIO ................................................................................................ 56

5.3.6 Comparaison des méthodes : forces et faiblesses ................................................. 57

6 La modélisation et la simulation orientées agents de chaînes logistiques ................ 60

6.1 Travaux en modélisation et simulation multi-agents de chaînes logistiques ........... 61

6.2 Le modèle MASCF .................................................................................................. 63

6.2.1 Présentation générale de MASCF ........................................................................ 63

6.2.2 Forces et limites de MASCF ................................................................................ 66

6.3 Les travaux du LSIS ................................................................................................. 67

6.3.1 Cadre méthodologique proposé par le LSIS ........................................................ 67

6.3.2 Forces et limites du cadre méthodologique du LSIS ............................................ 69

7 Synthèse et conclusion ................................................................................................... 69

Chapitre 2 : Modélisation et simulation orientés agents de chaîne logistique

7

1. Introduction

Accompagner le processus de conception d‘une simulation d‘une chaîne logistique jusqu‘à

son expérimentation sur une architecture logicielle adaptée, requiert d‘appréhender

l‘ensemble des enjeux et opportunités que cet objectif soulève.

Dans l‘identification de ces enjeux et opportunités, une des difficultés rencontrées dans ce

travail de recherche résulte justement de la nature pluridisciplinaire de notre sujet de

recherche. Il s‘agit en effet de bien comprendre ce que peuvent apporter les Systèmes Multi-

Agents (SMA) d‘un point de vue méthodologique, conceptuel et logiciel à l‘ingénierie du

« complexe », ce qu‘implique la simulation de systèmes en terme de modèles et leurs

exploitation, et bien sûr déterminer les besoins soulevés par la compréhension et

l‘amélioration des performances (au sens large) des chaînes logistiques. De fait, la rencontre

entre SMA, Simulation et Chaînes Logistiques n‘est pas récente, et rend d‘autant plus difficile

son appropriation par les interconnexions qui se sont formés au fur et à mesure de ces

rencontres et les combinaisons multiples proposés par des chercheurs de communautés

scientifiques différentes.

Aussi dans ce chapitre d‘état de l‘art, nous nous intéressons tout d‘abord aux chaînes

logistiques en les définissant, en précisant la problématique de leur management, et en

présentant les différentes grandes approches de leur modélisation et de leur simulation

nécessaire à ce management. Ensuite convaincu que l‘approche multi-agents était la plus

pertinente pour aborder la modélisation et la simulation de ces chaînes, nous définissons ce

que cette approche recouvre, tant au niveau des systèmes multi-agents (SMA) qu‘au niveau de

la simulation orientée agents (SOA). Notre contribution se voulant en premier lieu

méthodologique, nous nous intéressons au processus même de conception d‘une SOA en

général, ainsi que des travaux plus proches de nos préoccupations, portant sur le processus de

la modélisation et de la simulation orientées agents de chaînes logistiques. Enfin nous

concluons en précisant la problématique de notre recherche.

2. Les chaînes Logistiques

La chaîne logistique (Supply Chain) trouve son essence dans la possibilité qu‘elle offre aux

entreprises de générer des profits supplémentaires tout en accroissant leur flexibilité et leur

réactivité. Les synergies d‘entreprises résistent plus efficacement aux pressions


8

concurrentielles comme énoncé dans [LEE et BILLINGTON, 1995], "La bataille pour

dominer le marché ne sera pas une bataille d‘entreprises mais de chaînes logistiques."

Dans cette section, nous définissons tout d‘abord le concept de chaîne logistique ainsi que

ses évolutions, et cernons brièvement le management de ces chaînes. Ensuite nous ferons un

tour d‘horizon des différentes approches de la modélisation et de la simulation des chaînes

logistiques pouvant contribuer au management de ces dernières. Enfin nous présentons le

modèle de référence SCOR qui s‘appuie sur des niveaux explicites et des indicateurs.

2.1 Définitions et évolution du concept de « chaîne logistique »

2.1.1 Définition du concept

La littérature scientifique donne de nombreuses définitions du concept de chaîne logistique ou

Supply Chain en anglais. Nous en retiendrons trois qui nous apparaissent les plus

significatives.

Pour TEIGEN et BARBUCEAUNU [TEIGEN et BARBUCEAUNU, 1996] « La chaîne

logistique est un réseau de fournisseurs, d‘entreprises, de dépôts, de centres de distribution et

de détaillants, au travers duquels les matières sont acquises, transformées, et livrées aux

clients ».

De leur côté, LEE et BILLINGTON [LEE et BILLINGTON, 1995] définissent une chaîne

logistique comme : « Un réseau d‘installations qui assure les fonctions d‘approvisionnements

en matières premières, de transformation de ces matières en composants puis en produits, et

de distribution des produits finis aux clients.»

Enfin, pour MENTZER et son équipe [MENTZER et al., 2001], « Une chaîne logistique

est un groupe d‘au moins trois entités directement impliquées dans les flux amonts et avals de

produits, de services, de finances et /ou d‘informations, qui vont d‘une source jusqu‘au

client.»

De ces trois définitions, nous retiendrons qu‘une chaîne logistique se présente comme une

organisation en réseau d‘entreprises complémentaires impliquant une circulation

bidirectionnelle de flux de matière et d‘information, comme l‘illustre la Figure 2.1.

L‘exemple de la Figure 2.1 tiré de [LABARTHE, 2006] présente les intervenants, leurs

rôles et leurs interactions dans la structure d‘une chaîne logistique. Les matières premières

issues des fournisseurs sont acheminées, via les transporteurs, vers les centres de distribution.

Ces derniers délivrent les matières premières auprès des manufacturiers. Celles-ci subissent


9

diverses étapes de transformation avant de prendre le statut de produit fini. Ces derniers sont

livrés vers les centres de distribution, dans lesquels ils sont stockés ou bien directement

dirigés vers les marchés. Les points de vente, qui constituent différentes zones de marché,

mettent ainsi à disposition les produits finis auprès des consommateurs. Les flux

informationnels, qui circulent en amont et en aval, concernent l‘ensemble des données qui

sont partagées entre les entreprises (commandes, délais, etc.).

Figure 2.1 : Exemple de chaîne logistique (SC) [LABARTHE, 2006]

2.1.2 Evolution du concept

De façon générale, dans l‘évolution du concept de chaîne logistique, on peut distinguer trois

périodes de management distinctes : la logistique séparée (avant 1975), la logistique intégrée

(de 1975 à 1990), et la logistique coopérée (depuis 1990).

A. Logistique séparée

De 1940 et 1950, la logistique concerne les fonctions physiques liées aux flux de distribution.

A partir de la fin des années 1950, la conjoncture économique met à jour l‘importance de la

fonction logistique puisse que l‘efficacité des entreprises repose sur l‘analyse et le contrôle

des coûts, [BOWERSOX et al., 1986].

Entre les années 1960 et 1970 la logistique devient une fonction de gestion matérielle et

informationnelle intégrée à l‘ensemble des autres fonctions, [BALLOU, 1992], grâce à

l‘émergence du management fonctionnel (séparation des principales fonctions de gestion de

l‘entreprise).


10

A partir des années 1970, la fonction logistique de l‘entreprise est plus particulièrement

appréhendée par l‘optimisation des lancements d‘ordres de fabrication, des achats, des plans

de production et des systèmes de distribution [HESKETT, 1973]. SLATER en 1976, cité dans

[GANESHAN et al., 1998], soutient qu‘une approche prenant en compte la globalité des

canaux logistiques devrait considérablement réduire les coûts et améliorer la qualité des

opérations.

B. Logistique intégrée

Pendant les années 1980, les entreprises responsabilisent et unifient la plupart de leurs

fonctions autour de la logistique, [COLIN et PACHÉ, 1988]. Cette évolution donne à cette

fonction un rôle clef dans les stratégies d‘entreprise, [SHAPIRO, 1984], notamment en

coordonnant les autres fonctions pour servir la production et la distribution physique.

C. Logistique coopérée

Les années 1990 voient le développement d‘alliances externes et de partenariats, dans le but

d‘accroître la compétitivité des partenaires du système logistique, basé sur l'optimisation des

flux [CHRISTOPHER, 1992]. Dans ce type de logistique, pour consolider les avantages

stratégiques nés de ces alliances, les entreprises mettent en œuvre des modes de coopération et

de coordination entre elles [SHAPIRO, 2001].

On est ainsi passé d‘une fonction purement physique liées aux flux de distribution, à la

recherche d‘une intégration globale partant du fournisseur du fournisseur jusqu‘au client du

client. Cette logique d‘intégration s‘est accompagnée du déploiement des nouvelles

technologies de l‘information et de la communication, et a abouti au développement d‘outils

informatisés permettant de mieux manager les chaînes logistiques, outils notamment liés à

l‘optimisation et surtout la simulation de ces chaînes, que nous aborderons dans une prochaine

section.

2.2 Le management des chaînes logistiques (Supply Chain

Management)

De nombreuses définitions du management de la chaîne logistique ou Supply Chain

Management (SCM) ont été proposées dans la littérature. Chercheurs et gestionnaires ont

négociés pendant plusieurs années au sujet de la définition du management de la chaîne

logistique (CL). Certains voient dans le SCM une logistique intégrée correctement


11

implémentée alors que d'autres le considèrent comme une intégration de plus de fonctions que

la logistique.

Le Council of Logistics Management (CLM) est considéré comme étant l‘un des premiers

organismes internationaux reconnaissant la nature intégrative des CL. Il a récemment mis à

jour sa définition pour identifier que le SCM est la plus étendu parmi les fonctions de

l‘entreprise et définit la logistique comme la partie du processus de CL qui projette,

implémente, et vérifie l'écoulement efficient et le stockage efficace des marchandises, des

services, et de leur information respective du point d'origine au point de consommation afin

de répondre aux exigences des clients. [CLM, 2006].

Aujourd'hui, après 15 ans sur les premiers travaux du CLM, plusieurs définitions du

management de la CL (SCM) ont lui été attribués. GIUNIRERO et al [1996] n‘identifient que

trois typologies de SCM s'étendant des flux (unique) de marchandises, un flux de

marchandises et d'information, à une approche intégrée à valeur ajoutée. Depuis, la plupart

des définitions se sont avancées sur la vision sommaire des flux de marchandises et ils

considèrent maintenant la nature intégrative des CL. COOKE [1997] définit le SCM comme

la coordination et l'intégration réussies de toutes ces activités associées aux circulations des

marchandises de l'étape de matières premières à l'utilisateur final, pour un avantage

concurrentiel durable. Ceci inclut des activités comme le management des systèmes,

l'approvisionnement, l'ordonnancement de la production, traitement d'ordre, gestion des

stocks, transport, entreposage, et service à la clientèle. [QUINN, 1997] ajoute, qu‘un SCM

réussi coordonne et intègre toutes ces activités dans un processus sans raccord. En plus de

l‘interaction entre les différents des départements de l'organisation, SCM incluse la relation

entre les fournisseurs, des entrepreneurs, des tierces compagnies, et des fournisseurs de

systèmes d'information.

Dans cette intégration [LAMBERT et al., 1998] renforce le concept de la valeur, l‘auteur

définit le SCM par le l'intégration des principaux processus d'affaires de l'utilisateur ultime

aux fournisseurs initial qui fournissent des produits, services et informations qui pourvoit de

la valeur ajoutée aux clients et autres dépositaires, à travers cette définition l‘auteur veut

renforcer le principe de la valeur ajoutée du SCM alors que [COOPER et al., 1997] notent que

cette définition est plus large que la définition traditionnelle de la logistique et précise le

besoin d'intégration au delà de la fonction logistique.

[BALLOU et al., 2000] se sont intéressés à la réalisation de la revue les changements de

définitions de la vision de la logistique avec le temps et associent la CL à toutes les activités


12

liées à la transformation, aux flux des marchandises et des services, comprenant leurs propres

flux d'information, de la source des matières premières à l‘utilisateur ultime. De leur part, les

auteurs identifient trois dimensions du management de la CL : (i) la coordination intra-

fonctionnelle, (ii) la coordination inter-fonctionnelle et (iii) coordination inter-

organisationnelle. La première dimension se rapporte à l'administration des activités et des

processus dans la fonction logistique de la société. La deuxième se réfère à la coordination

des activités entre les secteurs fonctionnels de la société tandis que la coordination inter-

organisationnelle s‘applique à la coordination des activités de la CL qui ont lieu entre les

sociétés légalement séparées.

De leur côté [MABERT et VENKATARAMANAN et al., 1998] ajoute le procédé de

conception de produits à la définition du CL et le présente comme le réseau d'installation et

d'activités qui exécute les fonctions du développement du produit, l'approvisionnement du

matériel depuis les fournisseurs, le déplacement des matériaux entre les installations, la

fabrication des produits, la distribution des produits finis aux clients, et enfin le service après

vente. Bien que [SIMCHI-LEVI et al., 2000] identifient le dispositif systémique inhérent à la

définition de la CL, devenant ainsi l‘un ensemble d'approches qui vise à intégrer efficacement

des fournisseurs, fabricants, entrepôts, et magasins, de sorte que les marchandises soient

produites et distribuées en bonnes quantités, aux bons endroits, et au bon moment, afin de

réduire au minimum le niveau des coûts du système tout en répondant aux conditions du

niveau de service tandis que [ALBER et al., 1998] ajoutent l'élément critique des flux

financier à la CL et la définissent comme un réseau global employé pour livrer des produits et

services depuis les matières premières au clients extrêmes par la construction des flux

d'information, de distribution CL comme un réseau global employé pour livrer des produits et

services depuis les matières premières aux clients extrêmes par la construction des flux

d'information, de distribution physiques, et financiers. Dans la même continuité, [AYERS,

2000] toujours centré sur les flux, mais ajoute également une dimension de connaissance, et

déclare que le management de la CL est plus qu'une circulation des marchandises physique

«terre à terre », c'est également de l'information, circulation de l'argent, et la création et le

déploiement du capital intellectuel."

De l'importance de la coordination fonctionnelle et de la congruence stratégique,

[MENTZER et al., 2001] définissent le management de la CL comme : « la coordination

systémique, stratégique des fonctions opérationnelles classiques et de leurs tactiques

respectives à l intérieur d‘une même entreprise et entre partenaires au sein de la CL, dans le


13

but d améliorer la performance à long terme de chaque entreprise membre et de l ensemble de

la chaîne »

Bien que nous avons réalisé, ci-dessus, une revue de la littérature sur la CL englobant les

principales définitions accordées à ce concept mais nous citons brièvement d‘autres

définitions ou caractérisations du SCM de la littérature :

- SCM est la coordination des flux des matériaux et des produits à travers l'entreprise et

avec les partenaires commerciaux. Il inclut également la gestion de flux d'information,

flux financier, et des flux de processus / travail. [TYNDALL et al., 1998].

- SCM intégré est une approche orientée processus pour l'approvisionnement,

production, et la livraison des produits et des services aux clients et a une large portée

qui inclut fournisseurs des fournisseurs, des fournisseurs, des opérations internes, des

clients commerciaux, des clients du détail, et des consommateur [MENTZER et al.,

2001].

- Le SCM est caractérisé par un contrôle basé sur la gestion de réseau et l'intégration des

processus à travers les interfaces fonctionnelles, géographiques, et organisationnelles

[VAN HOEK et al., 1998].

- SCM augmente le service à la clientèle et la rentabilité par la coordination/intégration

de multiples échelons, processus, et fonctions comme les fournisseurs, achat,

fabrication, distribution, marketing/ ventes, et des clients. [AKKERMANS et al.,

1999].

2.3 La modélisation et la simulation des chaînes logistiques

Pour répondre au besoin du management des chaînes logistiques, une modélisation de ces

chaînes est nécessaire. Dans cette section nous faisons un tour d‘horizon des différentes

approches de modélisation de ces chaînes qui ont été proposées dans la littérature.

2.3.1 Différentes approches de modélisations

Une première étude conduit à considérer toutes les approches de modélisation dites

« classiques » des entreprises. Dans un cadre général, la modélisation est un processus de

représentation qui permet d‘obtenir une image approchée du système réel suite à une phase

d‘abstraction. Ce processus facilite l‘étude et la compréhension des systèmes. Modéliser un

système nécessite de faire de nombreuses hypothèses simplificatrices puisque il n‘est pas

possible de décrire de manière identique l‘environnement réel dans lequel évolue le système.


14

La modélisation de l'organisation d‘une chaîne logistique consiste à décrire son principe

de fonctionnement, afin de parfaire ses performances et sa position concurrentielle. Les

modèles, les méthodes et les outils qui sont développés dans le domaine de la modélisation

d‘entreprise sont largement utilisés pour les chaînes logistiques, qui est fortement centrée sur

les systèmes de production, avait prouvée les limites de l'entreprise qui n‘était à mesure de

mettre en exergue ses évolutions organisationnelles et opérationnelles.

Dans la littérature, on distingue principalement trois types d‘approches pour la

modélisation des chaînes logistiques : les approches organisationnelles, les approches

analytiques, et les approches basées sur la simulation.

A. Les approches organisationnelles

Les approches organisationnelles s'appuient sur le processus de modélisation basé sur la

théorie des systèmes. Les modèles de chaîne logistiques issus de ces approches ne permettent

pas d'obtenir une évaluation comportementale du système dans le temps face aux stimuli

environnementaux. Les principales approches de modélisation qui appréhendent la notion

d‘organisation de la chaîne, le font selon des points de vus hiérarchiques (approches

cartésienne et systémique) ou hétérarchiques. L‘approche cartésienne s‘appuie sur une analyse

fonctionnelle et hiérarchique des systèmes. Pour cela, elle préconise la décomposition d‘un

système en sous systèmes fonctionnels. L‘approche systémique envisage la complexification

croissante des organisations et de leurs environnements. Dans le cadre de la modélisation des

systèmes de pilotages hétérarchiques, Trentesaux [TRENTESAUX, 2002] recense quatre

approches de modélisation : l‘approche par processus représente l‘organisation comme un

ensemble d‘entité, en interaction, pour la modélisation de processus et/ou activités, l‘approche

holonique repose sur la représentation des entités de l‘organisation à partir de holons

[KOESTLER, 1967], l‘approche en émergence, et enfin l‘approche multi-agents.

Dans ces approches organisationnelles sont souvent utilisés en tant qu‘outils de

modélisation, les réseaux de Petri [WANG, 1998] et IDEF [US AIR FORCE, 1993]. De tels

outils permettent une représentation du comportement des composants des entreprises. Ils sont

basés sur différents concepts d'activités, ressources, processus, et sont intégrés à des méthodes

de modélisation d‘entreprise (Enterprise Modelling) telles que CIMOSA [AMICE, 1993],

GRAI-GIM [DOUMEINGTS et al., 1992] et PERA [WILLIAMS, 1992]. Ils permettront de

concevoir des modèles adaptés aux différentes facettes de l'entreprise étudiée, en s'appuyant

sur différents formalismes de modélisation.


15

B. Les approches analytiques

Les approches analytiques, qui s'appuient sur une représentation thématiques des chaînes

logistiques, nécessitent des approximations et sont limitées dans la prise en compte du critère

de temps. La conduite de simulations permet une observation du comportement et de la

dynamique du système par rapport au temps. On peut distinguer deux approches l‘une reliant

de la théorie du contrôle et l'autre de la recherche opérationnelle. La première approche, basée

sur des équations différentielles ou aux différences afin d‘appréhender sa dynamique dans le

temps, permet d‘évaluer les comportements du système par l‘utilisation d‘outils

mathématiques, tandis que la seconde approche, s'appuyant sur les théories de l‘optimisation,

vise à élaborer les meilleures décisions en fonction d‘un ou plusieurs critères tout en

respectant les contraintes du système modélisé.

C. Les approches basées sur la simulation

La modélisation par la simulation de la chaîne logistique est basée sur la dynamique des

systèmes, [FORRESTER, 1961]. Cette décision était motivée par le fait que la structure de la

chaîne logistique et le contrôle de flux déterminent sa performance. La modélisation et la

simulation de la chaîne logistique a ensuite été étudiée par la simulation continue et la

simulation à événements discrets. Actuellement, la simulation à événements discrets est la

plus utilisée pour la simulation des chaînes logistiques, [TERZI et CAVALIERI, 2004]. Une

nouvelle tendance exploitant l'approche d‘agent relève de la simulation à événements discrets.

Ce type de modèle est adapté aux caractéristiques dynamiques de tels systèmes complexes,

afin d‘assurer une prise en compte des non linéarités des comportements. Le recours à la

simulation, comme outil d‘analyse, favorise la compréhension du comportement du système

face à la composante temporelle.

2.3.2 Grandes classes de méthodes de modélisation de chaîne logistique

Dans cette section, on peut citer la typologie des approches de modélisation des chaînes

logistiques proposée par Dong [DONG, 2001]. Celui-ci distingue trois classes de méthodes de

modélisation de chaîne logistiques : (i) les méthodes de conception du réseau de la SC, (ii) les

méthodes heuristiques, et (iii) les méthodes basées sur la simulation.


16

A. Les méthodes de conception du réseau de la chaîne logistique

Ces méthodes déterminent la localisation des installations de production, de stockage,

d'approvisionnement, et les itinéraires que prennent les produits. Les premiers travaux dans ce

secteur, bien que le terme "CL" n'ait été pas en vogue, sont réalisés par [GEOFFRION et

GRAVES, 1974]. Ils ont proposé un modèle de conception de réseau logistique multi-produit,

pour l'optimisation des flux des produits finis depuis les usines, aux centres serveurs de

distribution et clients finals. Plus tard [GEOFFRION et POWERS, 1995] se sont intéressés à

l'évolution des stratégies de distribution au cours des vingt dernières années, décrivant

comment leur premier modèle pouvait s'adapter à plusieurs échelons et produits.

B. Les méthodes heuristiques

Ces méthodes heuristiques sont généralement employées dans les solveurs de planification de

niveau tactique et opérationnel. Elles sont employées dans la planification et

l'ordonnancement de la CL, et incluent les approches aléatoires générales de recherche telles

que les algorithmes génétiques et les algorithmes tabous. Récemment, la théorie de

contraintes est également employée dans la planification opérationnelle de la CL.

C. Les méthodes basées sur la simulation

C'est une méthode par laquelle un modèle complet de la CL peut être analysé en considérant

ses éléments stratégiques et opérationnels. Cette méthode peut évaluer l'efficacité d'une

politique pré-spécifiée avant de développer de nouvelles.

La nature dynamique des CLs rend les méthodes de simulation nécessaires pour étudier le

comportement temps-variable des CL. Comme suggéré par [SWAMINATHAN et al., 1998],

le reengineering de la SC en raison du dynamisme des affaires devient une nécessité, mais ce

n'est pas une tâche facile. L'utilisation de la simulation comme un véhicule pour comprendre

les conditions de prise de décision dans l'organisation a pris une attention et un élan

considérables ces dernières années [KUMAR et al., 1993] [MALONI et DENTON,1997].

[TOWILL et al., 1992] ont utilisées les techniques de simulations pour évaluer les effets de

diverses stratégies de la CL sur l'amplification de la demande. [TZAFESTAS et KAPSIOTIS,

1994] ont utilisés un modèle combiné d'analycité/simulation pour analyser des CL.

Toutefois, la modélisation d'entreprise ne permet pas de décrire l'ensemble des propriétés

liées à des organisations en réseau. Cette approche offre un point de vue qui permet

d'envisager l'organisation en réseau comme une entreprise unique. Par conséquent, des


17

propriétés telles que la nature distribuée de la structure organisationnelle, l'autonomie des

entités coopératives, la dynamique d'interaction, etc., ne sont généralement pas exprimés ou

expliqués.

Nous pouvons ajouter à toutes ces propriétés du fait que les entreprises doivent elles

mêmes se redéfinir et redéfinir aussi leurs réseaux pour elles-mêmes afin de répondre aux

exigences des clients et de réussir à prospérer dans la nouvelle économie fortement

concurrentielle et très exigeante. Ces transformations peuvent être résumées en expliquant que

les organisations en réseau doivent évoluer. Cela implique des ajustements, des modifications

et des transformations à travers l'ensemble de la chaîne logistique, en mettant l'accent sur le

développement de la flexibilité, la réactivité et l'agilité de la chaîne logistique des acteurs, leur

permettant d'agir en tant que valeur ajoutée, les actions des collaborateurs doivent être

coordonnées dans l'ensemble du réseau afin d‘avoir une dynamique parfaite de

l'environnement.

2.3.3 Le modèle SCOR

A. Présentation générale

Le modèle SCOR (Supply Chain Operations Reference) fournit un cadre qui permet à ses

utilisateurs de définir puis améliorer leurs pratiques de management de la SC. Il a pour but

l‘optimisation de la communication entre partenaires de la SC par l'utilisation de définitions

standards et un langage commun, ce qui facilite la comparaison entre entreprises et entre

industries similaires. Le modèle SCOR a été développé en 1996 par le Supply Chain Council

(SCC) [SUPPLY CHAIN COUNCIL, 2006]

Le modèle SCOR est un modèle de référence. À la différence des modèles d'optimisation,

aucune description mathématique formelle de la SC et aucune méthode optimale ou

heuristique pour résoudre un problème n'est donné. Le modèle SCOR propose une

terminologie de processus normalisés permettant une description générale des SC. Le modèle

SCOR s‘appuie de manière explicite sur les concepts bien connus du « reengineering » qui

analyse l‘existant et propose une solution-cible, du « benchmarking » qui compare la

performance à des entreprises similaires, et de la recherche objective des meilleures pratiques

à partir de mesures de performance, dans un cadre « transfonctionnel».

L'utilisation d'une terminologie normalisée, qui définit et unifie les termes utilisés,

améliore la communication entre les entités d'une SC. En effet, régulièrement, les définitions

non unifiées d'un terme mènent à de fausses idées ou supposition. C'est pourquoi, le SCC a


18

établi une terminologie standard pour le SCM. Dans le modèle SCOR environ 120 termes,

appelés des termes de processus (process terms), sont définis dans un glossaire.

B. Les niveaux et indicateurs du modèle SCOR

Le modèle SCOR se compose d'une terminologie de système de définitions de processus qui

sont employées pour normaliser les processus qui se rapportent au SCM. Ces processus sont

par la suite évalués par des indicateurs. L‘indicateur est classifié par son statut financier et

non financier. Son rôle est de faciliter la prise de décision et le diagnostic. Ils servent en plus

d‘étalons de mesure permettant d‘examiner et d‘indiquer la viabilité des stratégies pour la

réalisation d‘objectifs précis. Ils résument aussi une information simple et claire à propos de

systèmes complexes. Cinq processus de management constituent le cœur de SCOR, et l'on a

préféré conserver ici les termes anglo-saxons, pour respecter la présentation du [SUPPLY

CHAIN COUNCIL, 2006] illustré par la Figure 2.2 :

- Plan : planifier ou piloter selon les cas (échelle de temps différente).

- Source : approvisionner depuis un fournisseur interne ou externe.

- Make : fabriquer, assembler, produire.

- Deliver : livrer, fournir, opération inverse de Source.

- Return : retourner.

Chaque intersection de deux processus d'exécution (Source_Make_Deliver) est un lien de

la SC :

- un processus d'exécution transforme ou transporte des matières premières et/où des

produits;

- chaque processus est un client du processus précédent est un fournisseur du processus

suivant.

Les processus de planification managent ces liens fournisseurs-clients :

- le processus de planification (ou pilotage) "balance" la SC, c'est-à-dire assure les

équilibres entre les entrées et sorties pour chaque période de temps ;

- chaque intersection de deux processus d'exécution demande un processus de pilotage

ou de planification.

Les indicateurs de performance sont classés en deux catégories:

- aspects externes perçus directement par le client :

o fiabilité (taux d‘exécution parfaite des commandes, par exemple),


19

o temps de réponse ou réactivité (délai de livraison),

o flexibilité (délai ou coût de réévaluation des plannings de production, temps de

changement de série, ...).

- aspects internes :

o coûts (chiffre d‘affaires, valeur ajoutée, …),

o actifs (temps du cycle cash-to-cash, niveaux de stocks exprimés en jours de

stock, …).

Processus

Meilleures pratiques

Indicateurs de performance

Technologies

Figure 2.2 : Quatres processus de base du SCOR [SUPPLY CHAIN COUNCIL, 2006]

De plus le modèle SCOR peut se découper en 4 niveaux de modélisation qui sont détaillés

dans la section suivante.

B.1 Niveau 1 : les processus

Le niveau 1 est celui du processus d‘ensemble qui propose une architecture générale en six

macro-processus de base :

- Processus de pilotage (Plan) : processus qui équilibre la demande et l‘approvisionnement

global pour développer une ligne de conduite (actions) qui réunie les meilleures

conditions d‘approvisionnement de production et de livraison.

Modèle SCOR


20

- Processus d’approvisionnement (Source) : Processus qui acquit les biens et services

pour répondre à une demande prévue ou réelle. Il correspond à la planification des

commandes, réceptions, contrôles et mise à disposition des matières et composants

nécessaires à la fabrication.

- Processus de production (Make) : Processus qui transforment le produit à un état fini

pour répondre à une demande prévue ou réelle. Il englobe la réception des matières et

composants, la fabrication, le contrôle et l‘emballage ainsi que la gestion des sites de

production et des équipements (aménagement, entretien, qualité, capacité court terme,

ordonnancement).

- Processus de livraison (Deliver): Processus qui fournissent des produits finis et services

pour répondre à une demande prévue ou réelle, typiquement comprenant le management

des ordres, management du transport, et management de la distribution (traitement des

commandes, de la gestion des entrepôts et des manutentions).

- Processus de retour des produits et processus de support (Return): Processus liés au

retour ou à la réception des produits. Ces processus s‘étendent au support à la clientèle de

la post-livraison.

B.2 Niveau 2 : configuration de la SC

Ce niveau qui traite de la configuration de la SC propose 29 processus génériques de base :

une cartographie des relations entre ces processus est proposée. Une description simplifiée du

niveau 2 de ce modèle est fournie à la Figure 2.3 [SUPPLY CHAIN CONCIL, 2006].

- Cinq modules de pilotage (niveau tactique et opérationnel) : pilotage des

approvisionnements, pilotage de la production, pilotage des livraisons, pilotage des retours

et pilotage général ;

- Dix modules de description de processus obtenus par croisement d‘une typologie de

production (production pour stock, assemblage à la commande, fabrication à la

commande) et des trois phases (approvisionner, produire et livrer) ; six modules de

description des retours obtenues par croisement du type d‘entité concernée (client ou

fournisseur) et des types de retour (produit défectueux, surplus, pièces de maintenance).

- Neuf modules de processus de support : (1) Établissement et management des principes de

management pertinents et cohérents pour l‘ensemble de la SC, et des règles de gestion qui

en découlent, (2) Management de la mesure et de l‘amélioration de la performance globale

de la SC (les coûts, la fiabilité de la distribution, les temps de réponse, la réactivité et les


21

actives mobilités), (3) Gestion des informations agrégées et détaillées utilisées par SC, (4)

Management intégré des stocks (matières premières et composants achetés, encours,

produits finis) de la SC (niveau stratégique, tactique et opérationnel), (5) Management de

la capacité productive de la SC (acquisition, maintenance, externalisation), (6)

Management des transports, (7) Management de la configuration de la SC, en cohérence

avec le portefeuille de produits et son évolution liée à leurs cycles de vie, (8) Management

des réglementations (respect des contraintes légales et réglementaires jouant sur

l‘ensemble de la SC), (9) Management stratégique de la cohérence de la SC avec la

stratégie globale de l‘entreprise.

Figure 2.3 : Modèle SCOR niveaux 2 [SUPPLY CHAIN COUNCIL, 2006]


22

B.3 Niveau 3 : opérationnel

A ce niveau les entreprises peuvent préciser les activités des sous processus, les meilleures

pratiques, les ruptures de flux, les fonctionnalités des progiciels et des outils existants.

B.4 Niveau 4 : spécifique

Ce niveau n'est pas dans le modèle de référence. Il convient à chaque entreprise de définir les

tâches élémentaires des activités.

C. Portée et limites du modèle SCOR

Le modèle SCOR fournit un découpage multi-niveaux précis des processus de la chaîne

logistique offrant ainsi une vision plus claire de celle-ci. Le modèle présenté propose

également un ensemble de bonnes pratiques issues d'un « benchmark » auprès des entreprises

partenaires du SCC ainsi que des indicateurs de performance permettant de vérifier et de

valider la mise en œuvre de ces bonnes pratiques. Ceci constitue un guide pour la définition

des étapes de l'évolution et une aide à la définition du système d'indicateurs de performance

permettant de valider cette évolution.

Cependant, le modèle SCOR ne couvre pas tous les aspects de l'entreprise. Il n'explique pas,

par exemple, comment gérer les ressources.

De plus, il ne couvre que certaines activités des entreprises et n'apportent donc pas de

vision globale de la chaîne logistique pourtant indispensable à sa gestion, sa caractérisation et

son évolution. D'autre part, il ne traite pas spécifiquement des interactions entre processus

même si le modèle SCOR propose quelques indicateurs de performance liés à cette notion.

Enfin, ce modèle n'offre pas de démarche méthodologique permettant la modélisation du

système existant qui est pourtant un pré-requis indispensable à toute évolution.

En conclusion, SCOR est distingué pour la définition et l‘analyse des processus de

mangement au niveau du SCM, il ne permet cependant pas facilement de définir des relations

organisationnelles entre acteurs identifiés, relations qui vont décrire la structure

organisationnelle, ni de caractériser les comportements de ces mêmes acteurs.

2.3.4 Simulation des chaînes logistiques

La simulation de la chaîne logistique peut être utilisée soit à des fins descriptives ou

normatives. Le premier vise à aider les décideurs à mieux comprendre le comportement et les

performances de la chaîne logistique modélisée et de favoriser l'émergence des idées de


23

gestion. Ce dernier utilise la simulation dans le but d'améliorer le fonctionnement et la

performance de la chaîne logistique en identifiant les meilleures décisions à prendre

concernant les transformations structurelles, organisationnelles, gestion et de processus. La

modélisation multi-agents ainsi que la simulation étendent considérablement les capacités de

simulation à événements discrets à des fins descriptives et normatives dans le contexte des

connaissances complexes de la chaîne logistique.

Les approches de simulation, parfois présentées comme des approches analytiques,

s'appuient sur l'expérimentation grâce à des modèles exécutables. La simulation est une

technique permettant de comprendre et prédire le comportement des systèmes [SAUTER et

PARUNAK, 1999]. Ces approches offrent plusieurs avantages [COURTNEY et al., 1997].

Tout d‘abord, la simulation est reconnue pour favoriser l'observation plus réaliste du

comportement de chaînes logistiques [PARUNAK et al., 1999] ou de modèles économiques

complexes plus généralement [CHATURVEDI et MEHTA, 1999]. Ensuite, elle permet une

analyse de la dynamique de la chaîne logistique et elle conduit à une observation du

comportement par rapport au temps, ce qui permet en même temps, de comprendre les

processus décisionnels de l'organisation [BISWAS et NARAHARI, 2004], d‘analyser les

interdépendances entre les acteurs de la chaîne logistique, et d'analyser la cohérence entre les

modes de coordination et les politiques décisionnelles. En outre la simulation peut être

couplée avec une démarche d'optimisation, permettant la validation de la pertinence et les

conséquences de ses résultats.

Lorsqu‘on utilise les approches de simulation, on peut distinguer deux types principaux de

modélisation [PARUNAK et al., 1998], la modélisation basée sur les équations et la

modélisation multi-agents. La première exprime les relations entre les observables

(caractéristiques quantifiables des une ou plusieurs personnes) par des équations. Le modèle

est exécuté par une évaluation itérative de ces équations et en observant l'évolution des

observables. La seconde encapsule dans les individus, génériquement appelées agents, le

comportement de chaque acteur de la chaîne logistique. L'exécution de ce modèle est une

simulation du comportement, permettant les agents d‘interagir les uns avec les autres, mais

aussi avec l'environnement, ainsi de surveiller leur comportement et les observables qui sont

touchés par les actions des agents.

Ainsi, la simulation multi-agent est la seule qui permette une observation du

comportement de chaque acteur de la chaîne logistique par rapport au temps et de la

dynamique de la chaîne générée a partir de leur d'interactions. Un intérêt majeur de la


24

modélisation orientée agents est qu‘elle permet en général une simulation autorisant une étude

de la dynamique du système considéré. La représentation du système, qu‘il soit physique,

biologique, économique ou encore social, peut s‘appuyer sur différentes approches de

modélisation. L‘approche de modélisation orientée agents permet de représenter le système à

travers l‘identification et la spécification du comportement des individus en interactions qui le

composent. Ces individus peuvent évoluer et agir sans contrôle ni intervention extérieure

(autonomie), peuvent percevoir leurs environnements et répondre à ces modifications

(réactivité), initier des comportements dirigés par des buts internes (pro-activité), et interagir

avec d‘autres individus (habilité sociale).

Les sections suivants introduisent plus en détail les systèmes multi-agents et la simulation

orientée agent, qui sont associés à l‘approche de modélisation et de simulation de chaînes

logistique que nous avons retenu pour cette recherche.

3. Les systèmes multi-agents (SMA)

Les Systèmes Multi-Agents (SMA), et plus généralement l‘Intelligence Artificielle Distribuée

(IAD), sont initialement une réponse à certaines limitations de l‘Intelligence Artificielle face à

certains problèmes complexes. Ils préconisent le passage d‘une "intelligence individuelle" à

une "intelligence collective" [FERBER, 1995] en distribuant l‘expertise (i.e. un système

expert ou système à base de connaissances) sur un groupe d‘entités autonomes en interactions.

Les SMA permettent « de modéliser le comportement d‘un ensemble d‘entités expertes, plus

ou moins organisées selon des lois de type social. Ces entités ou agents, disposent d‘une

certaine autonomie, et sont immergées dans un environnement dans lequel et avec lequel elles

interagissent » [ERCEAU et FERBER, 1991].

Les domaines d‘applications des systèmes multi-agents sont nombreux : qu‘ils agissent en

tant que paradigme de modélisation ou comme solution de mise en œuvre logicielle. Dans le

cadre de ce travail la notion d‘agent intervient à ces deux niveaux.

Cette section définit tout d‘abord les concepts principaux associés au paradigme agent et

aux SMA. Ces définitions seront complétées par une description des trois grandes classes de

modèles d‘agents ainsi qu‘aux modes d‘interaction entre agents dans les SMA.

3.1 Définitions générales

La littérature scientifique nous offre des travaux reconnus comme étant précurseurs dans le

domaine de recherche des agents et des SMA. Ces écrits sont les suivants : (i) le modèle


25

d‘Acteur pour la résolution de problèmes par l‘envois de messages asynchrones, [HEWITT,

1977], (ii) l‘architecture "blackboard" pour le partage d‘informations entre agents, [ERMAN

et al., 1980], (iii) le protocole de réseau contractuel pour l‘allocation de tâches "Contract Net

protocol", [SMITH, 1980], et, (iv) le système Distributed Vehicle Monitoring Task, [LESSER

et CORKILL, 1983]. Ces études qui sont à l‘origine des systèmes multi-agents, ont fait jaillir

de nombreux concepts et définissant ainsi le paradigme "agents".

A. Systèmes multi-agents

La conception et ensuite le développement d‘un système multi-agents requièrent la définition

d‘un certain nombre d‘éléments, indépendamment du domaine d‘application ou le degré

d‘intelligence des agents. Dans [FERBER, 1995], les éléments entrant dans la composition

d‘un système multi-agents sont multiples :

Ŕ Un environnement E, définissant un espace doté généralement d‘une métrique.

Ŕ Un ensemble d‘objets O situés dans E. Ces objets sont passifs, ils peuvent être perçus,

créés, détruits et modifiés par les agents.

Ŕ Un ensemble A constitué d‘agents qui sont des objets particuliers (A ⊆ O), lesquels

représentent les entités actives du système.

Ŕ Un ensemble de relations R rassemblant des objets (et donc des agents) entre eux.

Ŕ Un ensemble d‘opérations Op permettant aux agents de A de percevoir, produire,

consommer, transformer et manipuler des objets de O.

Ŕ Les lois de l‘univers désignent des opérateurs chargés de représenter l‘application de

ces opérations et la réaction du monde à cette tentative de modification.

Concevoir un SMA impose donc de traiter ces différentes questions en tenant compte

également de la dimension interaction entre agents. On peut retrouver dans l‘approche

Voyelle AEIO, [DEMAZEAU, 2001], une approche similaire où un SMA est constitué de 4

dimensions : Agent, Environnement, Interaction et Organisation.

Ŕ Agent: concerne les modèles (ou les architectures) utilisés pour la partie active de

l'agent, depuis un simple automate à un système à base de connaissances complexe;

Ŕ Environnement: qualifie les milieux dans lesquels sont plongés les agents. Ils sont

généralement spatiaux dans la plupart des applications multi-agents;

Ŕ Interactions: concernent les infrastructures, les langages et les protocoles

d'interactions entre agents, depuis de simples interactions physiques à des interactions

langagières par actes de langage;


26

Ŕ Organisation: structure les agents en groupes, hiérarchies, relations, etc.

Les modèles d‘organisation s‘intéressent aux structures et aux règles de cohabitation entre les

agents (Hiérarchies, Auto-organisations, etc.). Les modèles d‘interaction passent par

l‘élaboration d‘un ensemble de règles en adéquation avec la granularité d‘un agent

(Communication, Coordination, etc.). Les modèles d‘environnement correspondent aux

milieux dans lesquels évoluent les agents (exemple : représentation spatiale). Les modèles

d‘agent concernent plus particulièrement la description interne des agents (Architectures,

représentation des connaissances, etc.).

B. Agents

Dans la littérature scientifique il n‘existe pas vraiment de définition consensuelle définissant

ce qu‘est un agent. Cependant, la définition la plus reprise au sein de la communauté des

systèmes multi-agents est celle proposée dans [JENNINGS et al., 1998] : « Un agent est un

système informatique, situé dans un environnement, et qui agit d‘une façon autonome et

flexible pour atteindre les objectifs pour lesquels il a été conçu.». Dans [WOOLDRIDGE et

JENNINGS, 1995], les scientifiques fixent le concept d‘agent selon les propriétés suivantes :

Ŕ L’autonomie : l‘agent agit sans l'intervention directe d‘un tiers (humain ou autres) et

n‘est soumis à aucun contrôle sur son travail, ni sur son état interne;

Ŕ La réactivité : l‘agent est attentif à son environnement de travail et capable de faire

face aux changements dans ce cadre d‘une manière propice;

Ŕ La pro-activité : l‘agent doit être capable de montrer des comportements dirigés par

des buts internes, en prenant des initiatives;

Ŕ La sociabilité : les agents sont en interaction entre eux grâce à des langages de

communication et des règles de sociabilité communes. Les agents communiquent entre

eux et créent des règles de sociabilités qui leur sont propres.

A ces propriétés « minimales » de ce que doit être un agent, peuvent s‘ajouter des

propriétés additionnelles afin de répondre aux besoins parfois spécifiques du domaine d‘étude

ou de l‘approche retenue [CHAIB-DRAA et al., 2001]. Dans [FRANKLIN et GRAESSER,

1996], [NWANA, 1996] et [BRIOT et DEMAZEAU, 2001], sont fait des tours d‘horizon des

divers usages des agents selon différents domaines. Deux écoles coexistent selon le degré

d‘intelligence et de connaissance attribué aux agents, [LABIDI et LEJOUAD, 1993]. L‘une

concerne les agents réactifs qui considèrent des agents simples réalisant des actions par


27

l‘adoption de comportements simples. La seconde concerne les agents cognitifs, ayant la

capacité de planifier et mettant ainsi en œuvre des comportements élaborés.

Dans Erceau [ERCEAU, 1993], « Les agents sont des entités physiques (capteurs,

processeurs,...) ou abstraites (tâches à réaliser, déplacements,...), qui sont capables d‘agir sur

leur environnement et sur elles-mêmes, c‘est-à-dire de modifier leur propre comportement.

Elles disposent, pour ce faire, d‘une représentation partielle de cet environnement et de

moyens de perception et de communication. ». La sous-section suivante présente les modèles

et architectures d‘agents existants.

3.2 Quelques modèles d’agent

Il n‘existe là aussi pas de consensus pour définir ce qu‘est un modèle d‘agent, tant ces

modèles sont nombreux au travers de la littérature, tout comme la définition d‘agent. L‘agent

est conscient des modifications de son environnement et dispose de capacités d‘actions sur

celui-ci. Parmi les actions possibles, l‘agent devra déterminer alors la façon la plus appropriée

afin d‘atteindre ses objectifs [WOOLDRIDGE, 1999]. Outre le domaine d‘application,

certains éléments vont influer sur le choix ou la conception d‘un modèle d‘agent tel que les

besoins en termes de capacité décisionnelle, d‘Environnement, d‘Interaction et

d‘Organisation. Ce choix en définitive relèvera d‘une des trois principales architectures: les

architectures d‘agents réactifs, les architectures d‘agents cognitifs et les architectures d‘agents

hybrides.

Cette sous-section n‘a pas pour but de proposer une revue exhaustive des modèles

d‘agents existants mais d‘exposer les trois grandes classes de modèles d‘agents : les agents

réactifs, cognitifs et hybrides.

3.2.1 Agents réactifs

Ce sont des agents qui réagissent seulement à leur perception de l‘environnement et qui

agissent en fonction de cette perception. C‘est le niveau de complexité le plus bas des agents.

Ce type d‘agents ne peut pas vraiment être qualifié d‘intelligent. Les agents réactifs répondent

à la loi de stimulus/action. Leurs comportements sont régis par une série de règles qu‘ils

mettent en œuvre en réponse aux stimuli de l‘environnement. Ces agents ne possèdent pas de

représentation explicite de leur environnement. De plus, ils ne disposent pas de mémoire ni de

buts explicites et utilisent un protocole et un langage de communication réduit. Les agents

réactifs ne possèdent pas un comportement individuel intelligent, mais le comportement


28

global de la société d‘agent qui émerge de leurs interactions peut être "intelligent". La

simulation constitue un domaine privilégié pour l‘utilisation des systèmes d‘agents réactifs,

[BOUSQUET et LE PAGE, 2001].

Dans [SAUTER et al., 2002], les agents représentent des phéromones synthétiques et des

véhicules robotisés. Les véhicules robotisés utilisent les phéromones pour se déplacer au

cours de missions de combats. Dans le système MANTA (Modeling an ANThill Activity),

[DROGOUL, 1993], les agents disposent de trois types d‘opérations (perception, sélection et

activation) pour la réalisation d‘un ensemble de tâches. Celles-ci sont caractérisées par trois

paramètres (poids, seuil et niveau d‘activation) qui évoluent en fonction des stimuli de

l‘environnement. Selon cette approche, les premiers travaux réalisés s‘apparentent à

l‘architecture Subsumption présentée dans [BROOKS, 1986]. Selon cette étude, un agent est

caractérisé par un ensemble de comportements hiérarchisés en fonction de leur complexité.

Ces comportements se trouvent entre la perception et l‘action. Un comportement peut inhiber

toute action d‘un comportement de niveau inférieur. Au sein de l‘approche Eco-Résolution,

[FERBER, 1989], les agents sont à la recherche d‘un état de satisfaction en ayant recours à

trois conduites (satisfaction, agression et fuite). Si un agent est gêné par un autre agent dans

son aspiration à être satisfait, il se sent agressé, déclenchant chez lui un déplacement dans

l‘environnement (fuite).

3.2.2 Agents Cognitifs

Les agents cognitifs, appelés encore délibératifs, ont une représentation explicite de

l‘environnement et des autres agents. Ils ont conscience de leur passé et se projettent dans

l‘environnement en définissant des buts explicites. Dès lors, ces agents effectuent des

opérations complexes et mettent en place des modes de collaboration afin de résoudre les

problèmes rencontrés. L‘architecture d‘un agent cognitif se décompose en plusieurs

mécanismes de prises de décisions. L‘agent met alors en œuvre ces mécanismes qui sont

basés sur le raisonnement pour pouvoir déterminer quelles actions à accomplir, tout cela à

partir de la représentation de son environnement,

Dans [ERCEAU et FERBER, 1991], les auteurs proposent la définition suivante : « Les

systèmes cognitifs comprennent un petit nombre d‘agents, qui disposent d‘une capacité de

raisonnement sur une base de connaissances, d‘une aptitude à traiter des informations diverses

liées au domaine d‘application, et d‘informations relatives à la gestion des interactions avec

les autres agents et l‘environnement.»


29

Deux approches de conception d‘architectures d‘agents sont décrites, se basant sur la

notion d‘état mental permettant de préciser les mécanismes de décisions adoptés. Les

architectures BDI (Belief, Desire, Intention) définissent un agent au travers de ses croyances,

désirs et intentions, [RAO et GEORGEFF, 1991a et 1991b]:

Ŕ Les croyances (Belief) représentent la connaissance de l‘agent de l‘environnement et

des autres agents présent dans ce même environnement;

Ŕ Les désirs (Desire) correspondent aux différentes aspirations vers lesquels l'agent peut

vouloir transiter;

Ŕ Les intentions (Intention) représentent les états vers lesquels l'agent a choisi de

s‘engager.

C‘est en fonction des informations perçues dans l‘environnement que l‘agent modifie ses

croyances, définit les différentes options (à partir de ses désirs et de ses intentions courantes),

filtre les options possibles et met en œuvre les actions à poursuivre basées sur les intentions

qui leurs sont associées.

De nombreux systèmes s‘appuient sur une architecture de type BDI, parmi lesquels

peuvent être cités : IRMA (Intelligent Resource-bounded Machine Architecture) [BRATMAN

et al., 1987], PRS (Procedural Reasoning System) [GEORGEFF et LANSKY, 1987a et

1987b] et [GEORGEFF et INGRAND, 1989] suivi de dMARS (distributed Multi-Agent

Reasoning System) [D‘INVERNO et al., 1997], COSY [BURMEISTER et

SUNDERMEYER, 1992], ADEPT [JENNINGS et al., 2000], et enfin RETSINA (Reusable

Environment for Task- Structured Intelligent Networked Agents) [SYCARA et al., 2003].

Le développement de systèmes multi-agents orientés BDI, s‘effectue en général selon

deux approches possibles :

- soit en retenant une architecture d‘agent « ad hoc » dédiée utilisée pour traiter le

problème spécifique auquel doit répondre le SMA cognitif;

- soit en s‘appuyant sur des langages ou plateformes génériques, pas liées à une

application particulière.

Initialement, la relative immaturité du domaine de recherche multi-agents ne permettant

pas d‘avoir le recul suffisant pour pouvoir imaginer des langages génériques (à l‘exception de

la tentative de Shoham), les premiers travaux de recherche ont souvent suivi la première

approche. Depuis les années 2000, au vu du nombre important de plateformes agents qui ont

été développées, permettant d‘opter pour la deuxième approche.


30

Ainsi, SHOHAM a proposé un paradigme de programmation pour la conception d‘agents

cognitifs, appelé Agent Oriented Programming (AOP), [SHOHAM, 1993]. Ce paradigme est

constitué de trois composants : (i) un langage formel avec une syntaxe et une sémantique pour

décrire les états mentaux des agents, (ii) un langage de programmation interprété pour

programmer les agents, et, (iii) un processus d‘agentification pour traduire les applications en

agents. Chaque agent est spécifié en termes d‘ensembles : (i) de capacités, (ii) de croyances

initiales, (iii) d‘engagements initiaux, et, (iv) de règles d‘engagements (comment l‘agent agit).

Plus récemment Bordini et ses collègues [BORDINI et HÜBNER, 2006] [BORDINI et al.,

2005] ont proposé une plateforme de développement de systèmes d‘agents orienté BDI. Cette

plateforme, appelé JASON [VIEIRA et al., 2007], est basée sur un interprète d‘une version

étendue de AgentSpeak (L) [RAO, 1996].

3.2.3 Agents Hybrides

Un agent hybride se distingue par une architecture d‘agent associant un système réactif à un

système cognitif. Le système réactif réalise des activités de type réflexes et réponds aux

stimuli de l‘environnement. Ces activités ne demandent pas la mise en œuvre de

raisonnements complexes. Le système cognitif assure la réalisation d‘activités basées sur la

planification et la délibération nécessitant la mise en œuvre de raisonnements complexes.

L'approche de conception d'agents hybride essaie de répondre par l‘intégration à la

diversification des activités réalisées par un agent. Cette approche amène à la décomposition

modulaire des comportements et a pour objectif d‘assurer une gestion plus efficiente des

ressources de l'agent.

L‘architecture InteRRaP (Integration of Reactive Behavior and Rational Planning),

[MÜLLER, 1997] constitue un exemple significatif de ce type d‘approche. Elle est composée

d‘une hiérarchie de trois couches parallèles :

- la première couche, Comportements, constitue la partie réactive de l‘agent. Ce dernier

réagit aux modifications de l‘environnement en fonction de règles d‘actions définies

pour la réalisation de tâches routinières ;

- la deuxième couche, Planification Locale, constitue la partie cognitive de l‘agent.

Celle-ci permet la sélection de plans génériques orientés vers les buts;

- la troisième couche, Coopération, concerne planification coopérative pour la

modélisation et la gestion des interactions avec les autres agents (exemple : mise en

œuvre de stratégies de négociations).


31

L‘agent possède une base de connaissance hiérarchique ce qui lui assure la manipulation

des informations et la révision ses croyances. Le modèle du monde (croyances de l‘agent sur

l‘environnement) est le premier niveau de la base de connaissances, associé à la couche

Comportements. Le deuxième niveau, la couche Planification Locale, désigne le modèle

mental de l‘agent (croyances propres). Le troisième niveau, la couche Coopération, représente

le modèle social (croyances de l‘agent sur les autres agents du SMA).

Parmi les autres architectures d‘agents hybrides citons la Touring Machine où chaque

couche correspond à un niveau d‘abstraction [FERGUSON, 1992]. Elle se définie comme une

architecture horizontale selon la classification proposée dans [MÜLLER et al., 1995], puisque

les couches de réaction, planification et modélisation, se situent entre la perception et l‘action.

Le modèle ASTRO, [OCCELLO, 2003], est un modèle d‘agent disposant d‘aspects réactifs et

cognitifs tenant compte des contraintes liées au contexte de temps réel. En effet, les

architectures hybrides sont plus efficaces pour comprendre les capacités de décisions et

d‘actions des agents dans le temps durant la phase de conception du SMA. Cependant, il

n‘existe pas de véritable guide méthodologique pour guider la conception d'applications

utilisant de ce type d‘architectures. La conception d‘agents constitue une problématique

importante dans le domaine de recherche des SMA. De plus, les interactions entre agents

influent sur les architectures d‘agents à concevoir et exploiter. Les caractéristiques et les

propriétés liées au domaine d‘application de notre travail de recherche, à savoir les chaînes

logistiques, vont nous confronter à des choix relatifs aux architectures d‘agents.

3.3 Le concept d’holon

Les systèmes holoniques principalement évoqués dans la modélisation de systèmes

manufacturiers

La définition du paradigme d‘Holon proposée dans la littérature pourrait être : « Associer

un produit avec une information ». Toutefois, l‘origine de la définition du Holon est vient de

koestler qui l‘explique comme un tout et une partie d‘un tout ou d‘une organisation plus large

[KOESTLER, 1967]. Une Holarchie est la structure hiérarchique composée de Holons. Selon

le niveau d‘observation, Ce dernier peut être vu, comme une entité unique ou comme une

interaction d‘un groupe de Holons. La proximité des paradigmes Holon et SMA ont conduit

au rapprochement de deux communautés scientifiques. Il est parfois même considéré qu‘une

architecture multi-agent peut être une solution de mise en œuvre des concepts Holoniques.


32

Le processus ou les systèmes «Holoniques» sont les processus manipulant les Holons.

Depuis 1993, le terme «Holonique» a été adapté au monde de la fabrication Holoniques

(HMS : Holonic Manufacturing Systems). Les systèmes Holoniques manfacturiers sont basés

sur la métaphore du marché pour concevoir la coordination entre Holons. Les caractéristiques

et propriétés internes d‘un Holon ne sont pas pré-supposés par les systèmes Holoniques

manufacturiers [RODRIGUEZ et al., 2007].

Finalement, on définit la fabrication Holonique, par un ensemble d‘Holons dans une

hiérarchie où ceux-ci sont définis par leurs fonctions ou leurs tâches. Un Holon peut se

réguler automatiquement et réagir aux changements d‘environnement à l‘aide de stratégies

flexibles.

Par rapport aux autres modèles d‘agent, les Holons ont apporté une capacité de description

récursive : un holon peut être décrit comme composé d‘holons. De plus, les systèmes

holoniques étant largement appliqués (voire inspirés) de problématiques manufacturières, un

holon se voit souvent attribuer la possibilité de contrôler un ou plusieurs dispositifs matériels

intervenant dans un processus de production (ou de transport). Les holons constituent donc

davantage une spécification fonctionnelle qu‘un véritable modèle d‘agent. Il est à noter que

depuis le début des travaux sur les holons, le domaine des SMA s‘est emparé de ces objectifs.

Citons par exemple les travaux de [OCCELLO et DEMAZEAU, 1997] sur la récursivité ou

encore ceux de [FERBER et al., 2004] sur la dichotomie « esprit »-« corps ».

3.4 Interactions entre agents dans un SMA

L‘interaction entre agents participe à la dynamique de la société d‘agent. Dans [FERBER,

1995], l‘auteur définit l‘interaction comme une : « mise en relation dynamique de deux ou

plusieurs agents par le biais d’un ensemble d’actions réciproques, c’est un élément

nécessaire à la constitution d’organisations.». Cette notion d‘interaction est suffisamment

générale pour ne pas évoquer l‘intention des agents d‘agir (i.e. est ce que les agents

interagissent en conscience ou non), le medium diffusant l‘information c.à.d. indirectement

via l‘environnement (ex. des phéromones dans le cas de la simulation de procession de

fourmis) ou directement, ou encore la forme que peut prendre l‘interaction (signal, trace,

message, protocole…) [KONING et PESTY, 2001]. Le type d‘interaction privilégié

(coordination/coopération, compétition, …) est souvent lié à l‘objectif sous-jacent à la

constitution d‘un SMA : coordination pour la résolution distribuée de problème [DURFEE et


33

al., 1989], attraction/répulsion dans des systèmes réactifs [DROGOUL, 1993], négociation

pour l‘aide à la décision de groupe [TRANVOUEZ, 2001]).

Ainsi, deux modes principaux d‘interactions sont possibles :

- Interaction par émission de signal : inspirée des modèles biologiques, un agent émet

un signal qui sera capté par d‘autres agents qui pourront à leur tour réagir à ce signal

(soit en émettant d‘autres signaux soit en modifiant leur comportement). Un signal

peut prendre la forme d‘une trace (marque laissée dans l‘environnement), ou avoir une

signification (cri d‘alerte, appel au secours,…). Ce type d‘interaction est en souvent

associé à une architecture d‗agent réactive.

- Interaction par échange de message : les agents s‘échange des informations ou

requêtes sous la forme de message dont le contenu nécessite un traitement plus ou

moins complexes chez l‘agent destinataire. Selon la complexité de l‘interaction, les

messages peuvent être organisés en protocoles afin de garantir le bon déroulement de

l‘interaction. Parmi ces interactions citons par exemple, des processus collectifs de

coordination, de coopération ou encore de négociation.

Dans ce dernier cas, la définition de la forme et du contenu des messages peut nécessiter

une formalisation afin d‘ajouter une dimension sémantique et non plus seulement syntaxique

et ainsi avoir recours à des langages de communication. Deux principaux langages de

communication se sont imposés, ayant tous deux pour origine la théorie des actes de langage

proposée dans [SEARLE, 1969] :

- KQML (Knowledge Query Manipulation Language) développé en 1993 par le

consortium DARPA-KSE (Knowledge Sharing Effort), [FININ et al., 1994].

- ACL (Agent Communication Language) proposé en 1997 par la FIPA (Foundation for

Intelligent Physical Agents), [FIPA, 1997].

Ces langages reposent sur la définition de performatives (KQML) ou actes de

communication (ACL) dont l'énonciation constitue l‘expression d‘un acte (accomplissement

d‘une action). KQML et ACL se distinguent au niveau de la sémantique des actes du langage

utilisés. En effet, le langage ACL fortement inspiré des travaux de KQML, propose un

langage auquel s‘ajoute la définition de protocoles d‘interactions, [KONING et PESTY,

2001], dont la sémantique est basée sur ARCOL [SADEK, et al. 1997]. La FIPA propose de

nombreux protocoles dont notamment le protocole Contract-Net [FIPA, 2002], présenté dans

[SMITH, 1980].


34

Dans un contexte de simulation, le choix du mode d‘interaction dépendra du type de

phénomène ou d‘organisation étudié, ainsi que les objectifs de simulations implicites ou

explicites. La reproduction de flux de matière peut par exemple se traduire par des signaux

entre agents [LABARTHE, 2006] ou indirectement via des objets (ex. artefacts [RICCI et al.,

2007]. De même, la simulation de processus coopératifs s‘appuiera sur des échanges de

messages complexes : par leur contenu et leur protocoles.

L‘interaction peut également être un point d‘entrée dans la conception du SMA comme

dans l‘approche ADELFE [BERNON et al., 2002]. Elle constitue d‘ailleurs un objet de

recherche à part entière comme le confirme l‘organisation depuis quelques années de la

conférence MFI (Modèles Formels de l‘Interaction). Dans les approches « réactives », elle

peut être également l‘enjeu final du SMA au travers l‘observation de phénomènes émergents

[JEAN, 1997]. Dans ce dernier cas, la variété des problèmes posées rend difficile la définition

de méthodologies génériques, chaque problème donnant lieu, par exemple, à des architectures

d‘agents adhoc.

Dans la section suivante nous nous intéressons plus particulièrement à la simulation

orientée agents.

4. La simulation orientée agents

La simulation orientée agent s‘est désormais imposée dans le paysage des solutions

conceptuelles et logicielles pour l‘étude de comportements de systèmes complexes. Au travers

des interactions entre agents et leurs actions sur leur environnement (au sens large), les agents

apportent une vision à la fois macroscopique et microscopique du système simulé. Elles

peuvent également compléter et s‘associer à d‘autres approches de simulation afin d‘agréger

l‘ensemble des points de vues du système étudié.

Dans cette section, nous définissons tout d‘abord brièvement le terme générale de

« simulation », de simulation analogique et numérique, de modèle de simulation. Ensuite nous

introduisons le concept de simulation orienté agents (SOA), ses principes théoriques, les

modèles de simulation, ses relations avec le temps. Enfin nous évoquons ses grands domaines

d‘application privilégiés.

4.1 Simulations et modèles de simulation

Commençons par poser une première définition de la simulation ; pour [BRATLEY et al.,

1987] elle : « signifie faire évoluer le modèle d‘un système avec les entrées appropriées et


35

observer les sorties correspondantes ». De manière plus précise, dans le cadre de notre

recherche, nous avons retenu la définition de [DROGOUL et al., 2008] pour qui:« la

simulation est l‘activité au cours de laquelle, selon un protocole et avec un objectif précis, on

utilise un simulateur pour faire évoluer les entrées d‘un modèle dynamique, l‘exécuter, et en

recueillir les sorties. Tout modèle écrit en respectant le méta-modèle associé au simulateur et

comportant au moins un paramètre d‘entrée peut se prêter à ce processus de simulation ». On

retrouve cette notion d‘objectif dans la définition antérieure, devenue classique, proposée par

Minsky: « Pour un observateur B, un objet A* est un modèle d‘un objet A dans la mesure où

B peut utiliser A* pour répondre aux questions qu‘il se pose au sujet de A » [MINSKY,

1968].

Nous pouvons alors retenir de ces trois définitions, qu‘un modèle n‘est pas apprécié par sa

complexité ou sa précision de représentation du réel, mais par sa capacité à apporter des

réponses aux questions posées par les scientifiques qui vont se servir de ce modèle. En

relation avec l‘intention initiale de la simulation, l‘objectif de la simulation est alors de fournir

des résultats en fonctions de paramètres d‘entrées contrôlés. Ces résultats, leur nature et leur

métrique, participent à la définition de l‘objectif des expérimentateurs. Le choix du paradigme

et du langage de modélisation dépendra des connaissances du système réel disponibles.

La notion d‘objectif est ainsi relativement large. Elle peut recouvrir l‘usage que l‘on

escompte faire des résultats ou plus précisément les type d‘informations que l‘on recherche.

Dans le premier cas, une simulation peut viser des objectifs de:

- Prédiction : estimation d‘une valeur ou réponse à une observation à un choix multiple.

- Extrapolation : trouver la valeur en dehors des périmètres observés.

- Interpolation : permettre à compléter et combler la connaissance.

- Compréhension : évolué la connaissance des phénomènes ou des processus.

Indépendamment de ces objectifs globaux, la notion d‘objectif peut également plus

prosaïquement caractériser le type d‘informations attendues sur le comportement du système

simulé en cours et en fin de simulation. En fonction de leur nature, cet objectif peut conduire à

différents type de modèle et nécessiter un processus de conception particulier.

Dans la section suivante, nous nous intéresserons plus particulièrement à deux approches

de la simulation [DROGOUL, 1993] : les approches analogiques et les approches

numériques.


36

4.1.1 Simulation analogique et simulation numérique

La simulation analogique consiste à reproduire « physiquement » le système étudié à une

échelle réduite permettant à la fois d‘en maîtriser la complexité dans sa nature, les influences

possibles sur son comportement ainsi que les conséquences de ces influences afin de mieux

appréhender son fonctionnement. Approche ancienne, elle suppose une bonne connaissance

du phénomène étudiée, puisqu‘il faut être capable de reproduire les conditions réelles du

système (ou du moins celle dont on a connaissance et dont on est capable de caractériser).

L‘étude du désensablement du Mont St Michel est caractéristique de ce type d‘approche : la

construction d‘une maquette permettant de reproduire la configuration géographique et

sédimentaire du Mt St Michel, permet d‘étudier différents scénarii et d‘évaluer les

conséquences de certains choix d‘aménagement du littoral. Cette maquette permet donc de

valider des théories basées sur des modèles physiques généraux (et donc approximatifs) ou

partiels (donc ne recouvrant pas la totalité du problème posé), une modélisation exhaustive

pouvant s‘avérer trop complexe ou trop couteuse en temps de calculs.

L‘approche numérique de la simulation, encore appelée stochastique, est née de

l‘amélioration des capacités de calculs apportés par les progrès techniques de ce que les

anglophone qualifie de calculateurs (computer) [NOVELS et HACKWELL, 1991]. Elle

consiste à décrire comment certains paramètres (les causes) agissent sur d‘autres (les effets), à

travers des paramètres numériques et de relations mathématiques. Par rapport à l‘approche

analogique elle présente plus d‘avantages parmi lesquels :

Ŕ la possibilité de prise en compte de phénomènes aléatoires (par des méthodes

probabilistes);

Ŕ la facilité (mais éventuellement coûteuse temporellement) de réplication des

expériences (la destruction ou la modification de la maquette numérique pouvant être

rapidement inversée);

Ŕ la facilité d‘exploration de l‘espace des paramètres et des résultats de simulation et

leur analyse;

Ŕ la dimension mathématique, lorsqu‘elle existe, apporte avec elle toutes les méthodes et

outils de validation ou vérification des modèles.

Les travaux anciens de Lotka et Volterra [VOLTERRA, 1926] en constituent un exemple

caractéristique voire antinomique des approches orientées agents (devenu une citation

classique dans les thèses sur la simulation orienté agent). Ces chercheurs ont proposé une


37

formulation mathématique (à base d‘équations différentielles) des taux de croissance

respectifs d‘une population de prédateurs et d‘une population de proies partageant un même

environnement:

dN1/dt = r1N1 – PN1N2 dN2/dt = aPN1N2 – d2N2

P est le coefficient de prédation, N1 et N2 les effectifs des deux

populations, a est l‘efficacité avec laquelle les prédateurs convertissent la

nourriture en descendance, r1 le taux de fécondité des proies et d2 le taux

de mortalité des prédateurs.

Bien que ne prenant pas en compte les facteurs climatiques et saisonnières, ce système

permettait de formaliser un phénomène abstrait et de le transposer à des phénomènes

similaires. Ces modèles s‘intéressent cependant uniquement à des données macroscopiques,

sans tenir compte par exemple à la dimension géographique du problème : il n‘est ainsi pas

possible d‘étudier l‘influence de la répartition géographique et démographique de ces deux

populations dans un environnement. L‘émergence des approches individu centrée (et leurs

cousines multi-agents) est liée ce constat.

Dans la lignée de cette hérédité mathématique, d‘autres approches ont cherché à bénéficier

de ses avantages en ajoutant une aide à la conception des modèles au travers de formalismes

associés à des notations graphiques (diagramme état-transition, diagramme d‘Harel…). Parmi

les formalismes à événements discrets, DEVS [ZEIGLER, 1976] en est un exemple

remarquable par sa contribution et l‘étendue des évolutions et des applications qui ont suivi

[ZEIGLER, 1976]. DEVS propose une modélisation basée sur structure algébrique définissant

les relations entre les entrées et les sorties du modèle de simulation, les états du système, les

transitions (et leur règle de déclenchement) interne et externe au système/modèle permettant

de calculer le nouvel état du système lors de l‘occurrence d‘un événement, ainsi que les

conséquences sur l‘évolution des valeurs caractéristiques du système. L‘association d‘une

notation graphique de type états-transitions, facilite également la conception des modèles. Ces

approches apparaissent cependant peu adaptées pour modéliser et reproduire des

comportements délibératifs, ou favoriser l‘étude de phénomène d‘émergence ou d‘auto-

organisation.

4.1.2 Modèles de simulation

Afin qu‘un modèle puisse subir une simulation/pour qu‘un modèle soit simulable, la question

de la discrétisation du temps et/ou de l‘espace doit être soulevée. Ces caractéristiques

permettent de distinguer de nombreux types de modèles par rapport à la base de temps et des


38

variables descriptives des modèles. Question souvent secondaire en simulation orientée agent,

car implicite, la notion du temps est considérée comme incontournable dans le domaine de la

simulation qui distingue :

- les modèles à temps continu, dans lesquels le temps évolue de manière continue ;

- les modèles à temps discret, dans lesquels le temps évolue en passant d'une valeur

entière à une autre.

- De même, selon le type de variables descriptives du modèle, on parlera:

- de modèles à états discrets, lorsque les variables descriptives prennent leurs valeurs

dans un ensemble discret;

- les modèles continus, lorsque les variables descriptives prennent leurs valeurs dans

l‘ensemble des nombres réels.

Les discordances entre ces modèles mettent en exergue les obstacles que peuvent dévoiler

le couplage de modèles renfermant des échelles temporelles et spatiales de nature différente.

Les modèles de simulations étant classifiés peuvent alors être abordées en fonction de leur

déterminisme. Ces modèles peuvent être qualifiés soit de déterministe ou de stochastique :

- un modèle déterministe se doit d‘avoir un comportement monotone et assurer que

plusieurs expérimentations, avec les mêmes paramètres d‘entrée, doivent produire des

résultats similaire voire identique ;

- un modèle stochastique par contre présente un caractère plus aléatoire. Chaque

expérimentation peut donner lieu, à condition initiale égale, des résultats différents. La

réalisation de nombreuses simulation doit permettre de produire l‘équivalent de

valeurs d‘une variable aléatoire dont il faudra ensuite déterminer si elle suit un loi

particulière ou amène à un ensemble fini d‘états finaux associés à des probabilités

moyenne d‘occurrence.

Pour qu‘un modèle puisse subir une simulation, il est nécessaire que le modèle puisse être

implémenté (rendu fonctionnel d‘un point de vue informatique). Durant les nombreuses

étapes de modélisation, une simulation fonctionnelle est alors produite par les différents

acteurs qui ont interagi [DROGOUL et al., 2003] : les professionnels/experts du domaine à

savoir les informaticiens (experts informatique) et les modélisateurs (qui servent de liaison

entre les deux protagonistes). La fonction essentielle du modélisateur est d‘éclaircir les

concepts utilisés par le professionnel et de gommer les équivoques potentielles. Le recours à

des modèles de domaine, c‘est à dire maitrisé et peut être déjà existant, facilite la transition

vers la simulation elle-même, en assurant la prise en compte de la vision des experts (puisque


39

ces modèles spécialisés ont identifiés dans leur langage, les caractéristiques qui leur parait

importante dans le système étudié). L‘informaticien soumet un modèle faisant trait d‘union

entre le programme informatique et le modèle du modélisateur. Le processus n‘est pas tout à

fait séquentiel puisqu‘il passe par plusieurs étapes, allant de l‘énonciation du problème à la

prise de décision en passant par les différentes étapes de modélisation, l‘implémentation et la

simulation.

4.2 La simulation orientée agents (SOA)

La recherche en simulation orientée agents (SOA) remonte aux premiers travaux autour de

l‘IAD et en constitue l‘un des premiers terrains de jeux. L‘approche multi-agents apporte en

effet une alternative à des méthodes analytiques (lorsque c‘est possible en pratique) ou de

simulation classique (à événements ou à temps discret). Elle se justifie lorsque l‘étude porte

aussi bien sur la reproduction d‘un phénomène ou du comportement d‘un système que des

actions et interactions internes de ses composantes. Elle peut également apporter des

explications sur les liens entre les niveaux macroscopiques et microscopiques notamment

lorsque des phénomènes d‘émergence sont impliqués.

La recherche en simulation par systèmes multi-agents se révèle prolifique et donne lieu à

de multiples dénominations. On pourra la retrouver en effet sous les termes de simulation

orientée agents, à base d‘agents, contrôlée par des agents, holonique, individu centrée.

L‘usage de chaque terme s‘explique par le domaine scientifique ou d‘application dont il est

issu, mais bien souvent le terme agent apparaît comme un concept unificateur.

4.2.1 Principes théoriques

Le paradigme multi-agents intervient à deux niveaux : la modélisation et la simulation. Au

premier niveau, il s‘agit de construire des modèles multi-agents reproduisant la structure

naturellement distribuée des systèmes étudiés ou apportant une solution (alternative) de

modélisation de problèmes complexes. La distribution est alors dans ce cas définie

artificiellement. Les modélisations produites mettent en œuvre des modèles d‘agents réactifs

(comportement de type stimuli-réponse) ou cognitifs (type micro système experts), ou toute

combinaison des deux types. Ces modèles sont parfois appelés conceptuels [DROGOUL et al.

2003], car les agents ne peuvent pas intervenir au niveau opérationnel. On retrouve alors, bien

évidemment, les mêmes interrogations posées par la conception de SMA : types d‘agent,


40

modalités d‘interaction, etc. La prise en compte de l‘environnement et du temps devient

cependant encore plus nécessaire.

De fait, les premières approches de SMA réactifs répondaient à des objectifs de

simulation. La reproduction de comportements simples issus de modèles biologiques

(fourmis, termites, etc.). [DROGOUL, 1993]) a été qualifiée de simulation. La question du

temps a dans un premier temps été peu présente dans la communauté Multi-Agents. Les

modèles de simulation « réactifs » consistaient alors dans la description des comportements

d‘agents et de leurs interactions au sein d‘un environnement passif (i.e. réceptacle des actions

des agents) ou réactif (induisant une boucle de rétroaction sur les comportements d‘agents).

Cette première étape de modélisation isomorphique de systèmes biologiques a été également

suivie d‘approche plus abstraite où le concept d‘agent pouvait ne pas faire référence à une

entité « vivante » et naturellement proactive, mais à des entités encore plus basique (atome,

molécule) où l‘attribution de propriété « agent » permet de modéliser des processus

dynamique.

Les approches délibératives ont fait suite à l‘étude de processus décisionnels, dont la

modélisation et la reproduction impliquait des modèles de comportements plus complexes.

Les SMA proposent alors de valider des processus de négociation, de coopération ou encore

de coordination pouvant ensuite être transposés dans un système réel. [LE BARS, 2003]

[FRANCHESQUIN, 2001]. La complexité des comportements, de leur interdépendance et de

leurs influence sur un environnement a nécessité de recourir à des modèles sinon formels au

moins avec un niveau descriptifs accru.

Avec la maturité croissante de la recherche en SOA, le rapprochement avec la

communauté de recherche sur la simulation a conduit à mieux identifier ses propres

spécificités tout en la positionnant vis-à-vis d‘approches de simulation plus « classique ».

Ainsi, [RUSSEL et NORVIG, 2003], ajoutent comme propriétés caractéristiques à celles

citées en section 4 ; ciblées environnement (au sens multi-agents du terme) :

- Accessibilité: qualifiant le degré de perception de l‘environnement par les agents

(totale ou partielle);

- Caractère épisodique ou non de l‘environnement lié à la mémoire des agents. L‘action

d‘un agent suite à la perception d‘un événement pourra ou non tenir compte des

actions passées.

La question du temps a également pris une place plus importante, se rapprochant ainsi de

considérations classique de la théorie de la simulation.


41

Le deuxième niveau implique, la simulation c.à.d. l‘expérimentation de ces modèles, un

environnement de simulation qui pourra ou non s‘appuyer sur une architecture logicielle

distribuée. En d‘autres termes, le modèle opérationnel ne sera pas systématiquement multi-

agents mais pourra être orienté objet ou traduit dans d‘autres langages de simulation (DEVS

par exemple) [QUESNEL et al., 2007]. La dimension agent présente l‘avantage de pouvoir

traduire facilement le modèle en langage informatique. De plus elle rend compte au niveau

microscopique des phénomènes (éventuellement émergents) au niveau macroscopique.

Enfin, l‘intégration de l‘utilisateur peut être facilitée voire souhaitée aussi bien en phase

de conception de modèle qu‘en cours de simulation (qualifiés alors de participatif), tant pour

gagner son adhésion aux conclusions de l‘analyse de la simulation que pour améliorer la

vraisemblance des modèles. Ces approches participatives ont parfois rapprochés modèles

réactifs et délibératifs en donnant la possibilité de faire interagir des agents « humains », aux

capacités cognitives significatives, avec un environnement (au sens écologique) modélisé par

des agents réactifs. Ces approches soulèvent des défis nouveaux rapprochant ainsi de

considérations pédagogiques (rapprochant les SOA de la communauté EIAH –

Environnement Informatique pour l‘Apprentissage Humain ou E-Leaning) et architecturales

lorsqu‘il devient nécessaire d‘intégrer des modèles de simulations hétérogènes.

4.2.2 La SOA et le temps

La question du temps dans les SMA a été peu abordée au début : la référence par exemple à

une horloge temporelle commune à parfois été perçue comme ajoutant un contrôleur

centralisé antinomique avec la notion d‘autonomie ou le caractère asynchrone d‘une

organisation multi-agents. La synchronisation des comportements apparaissait essentiellement

dans la simulation d‘agents réactifs, au niveau de son implémentation logicielle. Les actions

simultanées de l‘ensemble des agents modélisés étaient ainsi « simulée » par l‘exécution

itérative des agents réactifs souvent implémentés avec un langage Orienté Objet.

Ainsi écartée, la notion du temps est associée à un cycle d‘exécution avec l‘hypothèse

implicite que l‘ordre d‘exécution des agents (considération « logicielle ») n‘a pas d‘influence

sur le résultat de la simulation et donc la validation des modèles. Dans le cas contraire, l‘ajout

d‘une dimension aléatoire (à l‘image des modèles de simulation stochastiques) a été proposé

(ordre aléatoire des agents) sans pour autant adresser totalement le problème du temps. Cette

question est maintenant explicitement abordée avec notamment l‘identification de situation à

risque [TREUIL et al., 2008] [MICHEL et al. 2009]. Les solutions possibles vont de la mise


42

en place d‘algorithme complexes ciblant une situation particulière (actions d‘agents sur un

même objet – une ressource à consommer par des agents animaux par exemple), au recours à

des modèles relativement générique séparant l‘aspect action (décision d‘agir) et la

conséquence de cette action sur l‘environnement (influence) [MICHEL, 2006]

Aux architectures type BDI, s‘est ajoutée la question de la coordination des actions dans le

temps ainsi que le coût temporel du processus de délibération de l‘agent notamment lorsque

ces comportements délibératifs sont associés à des simulations où le temps est pris en compte.

Le recours à des architectures hybride est parfois considéré comme nécessaire afin de

proposer des comportements « rapides » face à une situation d‘urgence (i.e. délai de réaction

« logiciel » donné par l‘environnement). Un autre approche consiste à gommer l‘hétérogénéité

des modèles de simulation en s‘appuyant sur un modèle de simulation « informatique »

exprimé dans un formalisme tiers intégrant explicitement les notions de temps et de causalité.

L‘environnement Mimosa1 par exemple [MÜLLER, 2004], propose de traduire les différents

modèles de comportement d‘agents en un modèle DEVS afin de bénéficier des propriétés que

ce langage propose notamment au niveau temporel.

Enfin, il est possible de considérer ces différents modèles de simulation comme des

environnements de simulation indépendants [SERMENT, 2007] : la coordination des

environnements est alors assurée de la même manière que des simulations classiques et vue

comme un problème d‘interopérabilité. Ainsi, le standard HLA [DMSO, 1998], standard

IEEE 1516, propose une architecture logicielle et une spécification d‘interface pour la

simulation distribuée afin de faciliter l‘interopérabilité et la réutilisation de simulations dans

un contexte distribués. La notion d‘interopérabilité ne se limite pas à des problèmes de

compatibilité de formats de données ou d‘appels de fonction, et traite explicitement la

question de l‘échange d‘évènements entre simulateurs et leur synchronisation. Cette dernière

solution est particulièrement utile lorsqu‘une SOA est associée à d‘autres types de simulation.

4.2.3 Domaines d’application privilégiés de la SOA

La simulation orientée agent est utilisée dans de nombreux domaines d‘application [TREUIL

et al., 2008], [MICHEL et al.,2009]. Un panorama rapide est présenté ci-après.

L‘étude des écosystèmes, anthropisés ou non, allant de la société d‘insectes à la gestion de

ressources naturelles, a fortement inspiré la recherche en simulation multi-agents dés ses

débuts. L‘écologie met de fait en avant la forte dépendance entre les différents systèmes

1 http://mimosa.sourceforge.net/


43

biologiques (végétaux, insectes, animaux voire humains) et leur milieu naturel. La conception

de sociétés d‘agents permet de reproduire le comportement de chaque sous-système en

interaction tout en intégrant les dynamiques internes à l‘origine de ces comportements. Ces

sous-systèmes sont généralement mis en œuvre via des architectures réactives. L‘ajout du

facteur humain peut conduire à recourir à des modèles cognitifs pour montrer les

conséquences de différents modes de rationalité sur l‘évolution de l‘écosystème. Il peut

également assurer la stabilité de ce système (exemple: gestion d‘un parc naturel) [SERMENT

et al. 2007].

Les sciences économiques et sociales expérimentent aussi le paradigme agent dans l‘étude

de théories économiques (en particulier micro-économiques), de phénomènes sociologiques,

en théorie des jeux ou encore en simulation financière [PHAN et AMBLARD, 2007]. Le

terme « artificial economics » a d‘ailleurs consacré l‘existence à part entière de ce champ de

recherche. Les applications ont porté aussi bien sur des comportements de marchés, formation

de coalition ou de réseaux, diffusion d‘opinion politique, formation des normes, etc. [PHAN,

2004].

Les systèmes socio-techniques par leur nature distribuée, du fait que les performances

globales dépendent des performances locales et qu‘ils font face à des environnements

changeants, présentent toutes les caractéristiques d‘un problème multi-agents. La simulation

multi-agents s‘est donc rapidement intéressée à l‘étude des systèmes de production ou encore

aux chaînes logistiques [BUSSMANN et al., 2004] [GALLAND et al. 2005]. Les travaux

étudient leur comportement en vue d‘améliorer leur productivité ou leur robustesse face aux

perturbations. La validation de stratégie de contrôle de ces systèmes peut requérir des

simulations complexes hétérogènes dans lesquelles des SMA cognitifs réagissent aux stimuli

de SMA réactifs reproduisant les réactions du système de production aux décisions du

système dit « décisionnel » [LABARTHE et al., 2007].

Dans le domaine de la Physique, l‘approche agent a été utilisée dans l‘étude du

comportement de matériaux granulaires i.e. la formation ou la rupture d‘états d‘équilibre

(modèle GranuLab), la modélisation de l‘écoulement d‘eau sur des reliefs variés (modèle

Rivage par exemple), la reproduction de phénomènes astrophysique, ou de la structure

moléculaire.

On peut retrouver des approches similaires en Biologie. Une société d‘agents peut

modéliser des processus biologiques (évolution de populations d‘animaux) ou biochimiques


44

(processus métaboliques comme la glycolyse par exemple ou la dynamique de sociétés

bactériennes) [MONTAGNA et al., 2008].

A la croisée des problèmes de physique, sociotechniques et écologique, la simulation orienté

agent s‘est également intéressée à la sécurité et la gestion des risques naturels et/ou

industriels. Le risque d‘inondation ou d‘accident industriels fait intervenir aussi bien des

capacités de modélisation de propriétés physiques (écoulement de l‘eau, propagation d‘une

vague ou de gaz, etc.), biologique (impact sur l‘écosystème), que du comportement humain.

La modélisation et la simulation du trafic routier est également un champ d‘application

pertinent.

Ces domaines d‘applications sont sources d‘études de systèmes complexes. Cette

complexité s‘explique aussi bien par les niveaux de description possible (du niveau d‘une

molécule à celui d‘un organisme vivant), des lois régissant chaque niveau de description

(physiques, biologique, financière, mécanique, etc.), des interactions complexes à chaque

niveau et entre les niveaux (organisation hiérarchique ou fortement couplée). A ces difficultés

s‘ajoutent les contraintes d‘échelles (temporelle, géographique, etc.) reliant ces différents

niveaux que les différentes modélisations doivent vérifier tout en contournant les difficultés

pratiques de calculs numériques (notamment en terme de durée de traitement). Ces

simulations peuvent mobiliser un grand nombre d‘agents (de la dizaine au million) en général

de type réactif dès lors que l‘on dépasse la centaine. A noter que l‘implémentation

informatique peut abandonner en cours de route la notion d‘agent en le réduisant à son état et

aux changements d‘états auquel il a droit.

5 La conception de simulation orientée agents

5.1 Introduction

La conception de SOA est un processus complexe, reposant sur différentes étapes, allant de

l‘expression de besoins, à la conception de modèles de simulations orientés agents, et leur

exécution informatique. L‘articulation entre ces différentes étapes est définie dans le cadre

d‘une méthode ou méthodologie.

Un objectif principal de ce travail de thèse étant de proposer un cadre méthodologique

orienté agent pour la simulation de chaînes logistiques prenant en compte des aspects

organisationnels associés à ces dernières.


45

Cette section étudie et compare différentes méthodes existantes de conception de SOA,

des méthodes générales, c‘est à dire indépendantes du domaine d‘application. Ces méthodes

étudiées, nous les comparons ensuite entre elles. Nous définissons tout d‘abord le cadre dans

lequel nous étudierons ces différentes méthodologies et les comparerons.

5.2 Un cadre d’étude et de comparaison de méthodes de

conception de SOA

Une méthodologie est une démarche progressive qui commence par la définition des besoins

préalables de l‘utilisateur afin d‘implémenter un système capable de satisfaire les besoins

initiaux. Pour ce faire, elle consiste en : (i) une définition de l‘espace du problème auquel la

méthodologie est applicable, (ii) un ensemble de modèles qui représente différents aspects du

domaine du problème ou une solution aux différents étapes, (iii) un ensemble de méthodes qui

transforment les instances d‘un modèle en un autre modèle, (iv) un ensemble de directives

procédurales qui définissent un ordre pour l‘application systématique des étapes de la

méthodologie.

La question du processus de conception a été formulée par Balci dans comme une

succession d‘étapes d‘élaboration d‘objectifs ou de modèles impliquant des sous objectifs et

des acteurs spécifiques ainsi que des retours en arrière éventuels [BALCI, 1998]. Comme

l‘illustre la Figure 2.4, une fois la frontière de l‘étude et le périmètre du système définis, les

modèles suivants pourront être produits:

- Un modèle conceptuel : abstraction du système réel il est produit par les thématiciens

(i.e. les experts du domaine d‘étude duquel relève le domaine) en fonction du

problème posé tel et défini;

- Un ou plusieurs modèles de communication généralement décrits dans des

formalismes moins spécialisés permettant le dialogue entre les experts du domaine et

les informaticiens qui vont devoir implémenter le modèle;

- Un modèle programmé qui est le modèle écrit dans un langage de programmation;

- Un modèle d’expérience qui est la représentation d‘expériences constituées du modèle

programmé associé à des jeux de données décrivant les paramètres et données externes

au modèle devant intervenir au cours de la simulation.

L‘analyse des résultats de ces expérimentations permettra de modifier ces modèles en vue

de les corriger, les calibrer, valider voire de répondre à de nouvelles questions.


46

Figure 2.4: Cycle de vie d‘une simulation (traduit de [BALCI, 1998]).

Cette démarche cohérente se doit de fournir un ensemble approprié d‘abstractions pour

identifier, formuler et décrire un problème ainsi que sa solution éventuelle.

En ce qui concerne notre objectif de recherche, il faut établir les besoins conceptuels et

opérationnels soulevés par la simulation de Chaînes Logistiques (CL). Nous reviendrons en

détail sur ces besoins dans le chapitre 3, mais d‘ores et déjà peuvent être cités :

- Accompagner, autant que se peut, l‘ensemble du processus de conception : de

l‘identification des objectifs de simulation à son exécution.

- Ouverture aux modélisations issues du domaine d‘application : c'est-à-dire intégrer

dans le processus de conception qu‘il faudra traduire ou adapter des modèles pré-

existants;


47

- Tenir compte de la structure organisationnelle d‘une CL puisqu‘elle est le siège de

la dynamique des mécanismes de coopération, négociation ou encore de

coordination qui donnent sa capacité d‘adaptation à une CL ;

- Ne pas imposer un modèle unique de représentation de comportements d‘agent,

afin de tenir compte des niveaux de complexité variable des entités composant la

chaîne logistique. La démarche de conception ainsi que la simulation devra

intégrer différent paradigme de modélisation;

- Intégrer et conserver les objectifs finaux de simulation (observables).

Ainsi, pour étudier des méthodes de conception de SOA et les comparer ensuite, nous

nous intéresserons plus particulièrement : (i) aux méta-modèles regroupant les concepts

qu‘elles impliquent, (i) au processus de développement qu‘elles préconisent, et (iii) enfin aux

techniques et outils qu‘elle propose pour la phase d‘implémentation. Nous adaptons en cela,

les critères de comparaisons retenus par [Gaud 2007] à savoir :

- Processus de développement : Ce critère concentre sur l‘analyse du processus de

développement. Il vise à déterminer si le modèle de processus utilisé est clairement

défini, et si la méthodologie étudiée couvre l‘intégralité du processus de

développement.

- Concepts : Ce critère se focalise sur l‘étude du méta modèle afin d‘étudier ce que

recouvre, dans ces travaux, les concepts d‘agent et d‘organisation sont supportés.

- Structure du système : Ce critère s‘intéresse à la capacité de representation de la

structure du système (dans notre cas la chaîne logistique) notamment selon

plusieurs niveaux d‘abstraction (une hiérarchie par ex.).

- Respects des standards : Ce critère est lié à des enjeux d‘interopérabilité afin

d‘identifier des difficultés particulières d‘intégration de systèmes ou de la

compatibilité des modèles entre eux.

- Outils et implantation : L‘objectif de notre travail étant d‘accompagner le

processus de conception d‘une simulation d‘une chaîne logistique, il s‘agit de

mesure le niveau de cet accompagnement dans ces méthodes ou architectures.

Dans les sections suivantes nous étudierons tout d‘abord différentes méthodes de

conception de SMA générales, c‘est à dire indépendantes du domaine d‘application, avant de

les comparer.


48

5.3 Etude comparative de méthodes de conception de SMA

Il existe de nombreuses méthodes de conception de SOA. Parmi ces méthodes nous avons

choisi d‘étudier les méthodes suivantes : GAIA [WOOLDRIDGE et al., 2000,

ZAMBONELLI et al., 2003], AGR/AALAADIN [FERBER et al., 2009], ADELFE

[BERNON et al., 2002] [PICARD, 2004], MOISE+ [HÜBNER et al., 2007] et enfin la

méthode CRIO [GAUD et al., 2008]. Parmi ces cinq méthodes, seule la dernière peut être

considérée comme une méthode de conception de SOA. Cependant ces cinq méthodes nous

ont paru intéressantes à étudier dans le cadre de notre recherche, de par leur capacité à

pouvoir prendre en compte les aspects organisationnels des chaînes logistiques.

5.3.1 La méthode GAIA

La méthode GAIA, proposée par Wooldridge [WOOLDRIDGE et al., 2000][ ZAMBONELLI

et al., 2003] utilise une approche centrée sur l‘organisation pour analyser et concevoir un

SMA. Les agents modélisés dans GAIA, pouvant être hétérogènes, sont des systèmes

computationnels à gros grain, qui vont essayer de maximiser une mesure de qualité globale.

Elle se caractérise par :

- Processus de développement : GAIA est devenue une méthode de référence

incontournable, mais se focalise sur les phases d‘analyse et de conception. Dans

GAIA, un système est vu comme une organisation d‘agents. La phase d‘analyse a

donc pour but d‘identifier les rôles et définir leurs interactions. La phase de

conception précise ces deux modèles (rôle et interaction), en associant aux rôles

des types d‘agents pour créer des modèles d‘agents.

- Concepts : Cette méthode est conçue, comme l‘illustre la Figure 2.5, à partir

d‘analyse du système selon 2 couches. La première couche représente le processus

d‘analyse et la deuxième la phase de conception :

o Le processus d‘analyse est découpé en deux phases : phase de définition

des rôles (Roles model) et phase de définition des interactions (Interactions

model). Un rôle est défini comme une description abstraite de la fonction

qu‘une entité peut avoir au sein d‘un système. Chaque rôle est décrit par :

des permissions qui identifient les ressources que le rôle a la

possibilité d‘utiliser;

des responsabilités qui définissent les fonctionnalités du rôle, et

donc ce qu‘il est capable de réaliser;


49

des protocoles qui symbolisent les interactions entre les rôles. Ils

sont conçus dans la phase de définition des interactions.

Figure 2.5 : méthode GAIA [WOOLDRIDGE et al., 2000] [ZAMBONELLI et al., 2003]

o La couche de conception est décrite en trois modèles : celui des agents

(Agent Model), celui des services (Services Model) et celui des

accointances (Acquaintance Model) :

Le modèle d‘agent (Agent Model) définit les différents types

d‘agents existants dans le système et les instances correspondantes.

Elle est définie à partir de la couche précédente. L‘agent possède les

permissions, les responsabilités et les protocoles de chacun des

rôles agrégés;

Les services (Services Model) énumèrent, les différents services

assurés par chaque rôle;

les accointances (Acquaintance Model) déterminent par des

graphes, les voies de communications possibles entre les agents en

s‘appuyant principalement sur les protocoles.

- Structure du système : GAIA ayant pour but de construire une organisation

multi-agent « plate », ne propose pas explicitement de gérer plusieurs niveaux

d‘abstraction ou une récursivité des descriptions de rôles (voire du système). Les

rôles restent l‘objectif premier de la modélisation sans aller jusqu‘à une

décomposition en sous organisations (i.e. groupes). [JUAN, 2005] propose par

exemple d‘utiliser AGR/Aalaadin pour traiter cet aspect.


50

- Respect des standards : La modélisation dans GAIA s‘appuie sur les langages

AUML et UML.

- Outils et Implantation : GAIA ne propose pas de solution d‘implantation et donc

d‘outils associés. Des travaux complémentaires ont cependant cherché à

compenser cette lacune (cf. par ex. [PAYLOS et al., 2002] pour un couplage avec

Jade).

5.3.2 La méthode AGR / AALAADIN

La méthode AALAADIN introduit un méta-modèle multi-agent fondé sur les notions d‘Agent

de Groupe et de Rôle (AGR). [FERBER et al., 2009] [FERBER et al., 2004][FERBER et

GUTKNECHT, 1998], [GUTKNECHT, 2000]. Elle se caractérise par :

- Processus de développement : AGR est une démarche méthodologique est

définie pour le cadre organisationnel des applications multi-agents. AGR ne

propose cependant pas de guide méthodologique pour la construction de ses

modèles. Comme GAIA, l‘objectif est de construire une organisation multi-agents

à un niveau d‘agent « conceptuel » ie s‘arretant juste avant l‘étape de

développement. Le choix de l‘architecture interne des agents relève donc du

concepteur mais peut s‘appuyer cependant sur un environnement qui supporte le

modèle organisationnel..

- Concepts : AGR est un méta-modèle organisationnel pour les SMA. Les concepts

sont introduits dans le diagramme UML présenté sur la Figure 2.6. Les concepts

d‘agent, de groupe et de rôle en constituent la base. Un agent est une entité

autonome qui joue des rôles dans des groupes. Un agent peut avoir plusieurs rôles

et être membre de plusieurs groupes. Un rôle est une représentation abstraite d‘une

fonction, d‘un service ou d‘une identification d‘un agent au sein d‘un groupe. Un

rôle peut être joué par plusieurs agents. Le rôle est une représentation abstraire de

la fonction de l‘agent. Une structure de groupe est définie comme un triple : S=<R,

G, L>. R est l‘ensemble des identifiant des rôles. G est le graphe des interactions.

L est le langage d‘interaction. Une structure organisationnelle est définie comme

un ensemble de structures de groupe, définissant un modèle organisationnel multi-

agent. Dans le méta-modèle AGR, deux niveaux d‘abstraction organisationnelle

sont pris en compte : l‘organisation et le groupe. Le groupe représente un ensemble

d‘agents rassemblés par un objectifs ou caractéristiques communes..


51

Le principe de conception d‘une organisation multi-agents consiste à identifier les

groupes et les rôles le composant, la structure organisationnelle résultant de

l‘union de ces groupes ainsi que des intersections entre les groupes (lorsque des

rôles de groupes différents sont reliés entre eux ie associé à un même agent). La

dynamique de groupe (ie création, destruction, arrivée et départ de nouveaux

agents…) doit être également spécifiée.

Figure 2.6 : Méthode AGR [FERBER et al., 2004]

- Structure du système : AGR considère la propriété de récursivité des agents.

Cependant, la notion de groupe peut permettre de représenter un équivalent en

utilisant des rôles transversaux entre deux groupes, où un rôle dans un groupe sera

associé à un autre rôle qui représentera son groupe dans un autre groupe.

- Respect des standards : AGR se base sur le langage UML.

- Outils et Implantation : AGR est associé à la plate-forme d‘implantation Madkit

qui fournit les concepts de base nécessaires à l‘implantation du modèle

organisationnel. L‘organisation d‘un système multi-agents ayant une architecture

AGR peut être facilement générée sous Madkit [GUTKNECHT et FERBER,

2000].


52

5.3.3 La méthode ADELFE

La méthode ADELFE (Atelier de DÉveloppement de Logiciels à Fonctionnalité Émergente)

[BERNON et al., 2002][PICARD, 2004]. ADELFE est une méthode spécialisée dans l‘étude

des aspects adaptatifs et auto-organisateurs des SMA. Elle repose un processus, une notation

et des outils. Elle se caractérise par :

- Processus de développement : ADELFE supporte les phases d‘analyse et de

conception. Au niveau de la méthode ADELFE, quatre phases de développement

sont couvertes : la collecte des besoins préliminaires, la collecte des besoins

finaux, l‘analyse et la conception. ADELFE a représenté son processus de

développement de manière explicite

- Concepts : ADELFE n‘est pas orientée organisation et donc ne la représente pas

explicitement. Les concepts dans ADELFE sont introduits dans le diagramme

UML présenté sur la Figure 2.7. ADELFE est une méthode coopérative, l‘agent

coopératif est basé sur la perception de l‘environnement, la connaissance et de

croyances. L‘agent a des caractéristiques qui sont des propriétés physiques. Une

caractéristique peut être quelque chose que l‘agent peut faire pour changer ou

mettre à jour ses propriétés. Chaque agent possède des représentations du système

qui correspond à des croyances au sujet des autres agents, de l‘environnement

physique qui l‘entoure et de lui même. Ces représentations permettent à l‘agent de

définir son comportement. Un agent peut communiquer avec les autres agents ou

avec son environnement. La communication directe avec les agents fait appel aux

patterns des protocoles d‘interaction. L‘agent possède un ensemble de

compétences et d‘aptitudes, les compétences étant des connaissances particulières

lui permettant de réaliser une fonction. L‘activité de l‘agent, basée sur un ensemble

de règles de coopération qui lui permettent d‘identifier et de résoudre des

situations non coopératives.

- Structure du système : ADELFE ne permet pas la modélisation d‘un système à

différents niveaux d‘abstraction. Son processus de structuration du système est

directement inspiré de l‘orienté-objet. Il est basé sur l‘exploitation des diagrammes

de cas d‘utilisation et de séquence.

- Respect des standards : La modélisation dans ADELFE s‘effectue avec les

langages de modélisation UML et AUML.


53

- Outils et Implantation : Adelfe propose un outil d‘aide à la conception

"OpenTool" [GLEIZES et PICARD, 2003]. OpenTool est outil graphique qui

supporte la notation UML et AUML pour la représentation des protocoles

d‘interactions.

Figure 2.7 : Méthode ADELFE [BERNON et al., 2002, PICARD, 2004]

5.3.4 La méthode MOISE+

La méthode Moise+ (Model of Organization for multI-agent SystEms) [HUBNER et al.,

2007] est en fait un modèle organisationnel. Elle se caractérise par :

- Processus de développement : Il se concentre essentiellement sur les aspects de

conception.

- Concepts : Moise+ est un modèle organisationnel spécifiant un ensemble de

contraintes pour les agents selon trois dimensions : une spécification structurelle,

une spécification fonctionnelle et une spécification déontique. La spécification

structurelle est construite sur les concepts de rôle, de liens entre rôle et de groupes.

Comme illustré sur la Figure 2.8 (a), une spécification structurelle se représente

graphiquement et nous permet de constater que les groupes sont composés de

rôles, que ces rôles sont hiérarchisés et qu‘ils peuvent être liés entre eux avec

quatre types de liens. Les rôles sont des labels utilisés pour assigner un ensemble

de contraintes sur le comportement des agents les jouant. Les liens sont des

relations entre deux rôles qui contraignent directement les agents dans leurs


54

interactions avec les autres agents jouant les rôles correspondants. Les groupes

sont des ensembles de liens, de rôles et de relations de compatibilité entre rôles.

En ce qui concerne la spécification fonctionnelle, les concepts de bases sont le

schéma, le plan, le but et la mission. Comme illustré sur la Figure 2.8 (b), un

schéma social est composé d‘un ensemble de buts, de plans et de missions et

représente une fonction d‘un ou de plusieurs agents au sein de l‘organisation. Le

schéma a un but racine qui sera le but à atteindre pour exécuter le schéma social.

Les buts sont découpés en plans, c‘est-à-dire en ensembles de sous-buts qu‘il faut

atteindre séquentiellement, en parallèle, ou au choix (seulement l‘un d‘entre eux).

Enfin les missions regroupent les buts en ensembles cohérents au sein d‘un même

schéma pour être assignées aux rôles.

La spécification déontique est composée d‘un ensemble d‘expressions mettant en

relation les deux autres spécifications (un rôle et une mission) paramétrées par un

opérateur déontique (Obligation, Permission ou Interdiction) et une contrainte

temporelle. Ces relations rendent explicites la dimension normative des rôles que

joueront les agents en définissant par exemple l‘Obligation pour le rôle R1

d‘accomplir la mission m1 avant la date t. Ces expressions contraignent les agents

sur la possibilité de s‘engager sur une mission ou d‘atteindre un but suivant le rôle

qu‘ils jouent.

La spécification de ces trois dimensions forme une spécification d‘organisation

(OS) tandis que l‘instanciation des trois dimensions à l‘aide d‘agents jouant les

rôles et donc contraints par l‘organisation représente une entité organisationnelle

(OE). A un instant t de l‘évolution de l‘OE, chaque agent se voit contraint

d‘accomplir ou de ne pas accomplir une mission.

Par rapport aux modèles vus dans la section précédente, nous remarquons que

Moise+ utilise à la fois une spécification de la structure et de la fonction du SMA

ainsi qu‘une spécification déontique. De plus, même si la fonctionnalité du

système n‘est pas aussi poussée que dans TÆMS (Task Analysis, Environment

Modeling, and Simulation) [PRASAD et al., 1996], la structure est une des plus

complètes vue jusqu‘à maintenant et les expressions déontiques se basent sur ces

deux spécifications pour définir précisément les droits et devoirs non pas des

agents mais des rôles que ces agents joueront. Suivant si l‘agent joue un ou

plusieurs rôles, l‘agent sera plus ou moins contraint à accomplir ou non des


55

missions définies dans les fonctions du système. Cependant, AGR comme GAIA

spécifie les interactions entre les agents (ou les rôles selon le point de vue), ce que

Moise+ ne fait pas directement puisqu‘il ne définit aucun protocole mais des

contraintes sur les communications entre rôles grâce aux liens.

Figure 2.8 : (a) Structure de l‘équipe football et (b) l‘attaque en MOISE+ [HUBNER et al.,

2007]

La séparation en trois spécifications distinctes apporte une plus grande flexibilité

au modèle et permet d‘assigner plus explicitement des buts à atteindre aux rôles

contrairement à la description des activités de GAIA associées directement à

chaque rôle. STEAM [TAMBE, 1997] est plus proche de Moise+ dans le sens où

ce modèle définit une dimension structurelle et une fonctionnelle. Le lien entre ces

deux dimensions est cependant fait à l‘aide des domaines regroupant rôles et buts.

Nulle part il est fait mention d‘obligation pour un rôle d‘atteindre un ou plusieurs

buts de son domaine. Les règles présentes permettent seulement la gestion des

rôles, des communications et des buts. L‘aspect normatif du modèle n‘est donc pas

explicite. Concernant Moise+, il manque quant à ce modèle une spécification des

protocoles permettant de définir les interactions entre rôles et la possibilité de

normé ces interactions.

- Structure du système : MOISE+ facilite la modélisation d‘un système à différents

niveaux d‘abstraction puisqu'il y a la notion de groupe et sous-groupe.


56

- Respect des standards : la modélisation dans MOISE + repose sur les notations

graphique celle qui est utilisée dans les figures précédentes.

- Outils et Implantation : MOISE+ n‘adresse pas la phase d‘implantation.

5.3.5 La méthode CRIO

La méthode CRIO, contrairement aux précédentes est plus orientée SOA. Elle cherche à

exploiter les propriétés hiérarchiques des systèmes complexes pour les analyser et les

modéliser [GAUD et al., 2008] pour simulation. Elle se caractérise par :

- Processus de développement : Il se concentre essentiellement sur les aspects de

conception et l‘analyse.

- Concepts : La méthode CRIO adopte une approche organisationnelle dont la

notion de comportement est l‘abstraction qui en constitue la base. CRIO est un

méta-modèle organisationnel destiné à la modélisation de systèmes complexes

ouverts et de grande échelle. Un méta-modèle se doit de définir de manière

exhaustive l‘ensemble des concepts manipulés dans le processus de

développement. Le méta-modèle CRIO est issu de l‘intégration et l‘extension de

deux méta-modèles existants. Le premier RIO a été proposé dans [HILAIRE,

2000] et fut conçu pour la modélisation organisationnelle de systèmes multi-agents

non hiérarchiques. Le second est le "framework" générique pour la modélisation

de systèmes multi-agents holoniques proposé dans [RODRIGUEZ, 2005]. RIO tire

son nom des trois principaux concepts sur lesquels il repose : Rôle, Interaction, et

Organisation. CRIO, quant à lui précise et redéfinit certains des concepts

précédemment introduits dans RIO et leur adjoint celui de capacité. A cela il

intègre ensuite les concepts holoniques.

- La capacité possède une double fonction dans le métamodèle CRIO. (i) Elle

constitue tout d‘abord une interface entre l‘agent et le rôle, permettant de définir le

comportement du rôle en faisant abstraction de l‘architecture d‘agent. (ii) Elle

permet également, dans le processus de modélisation, d‘effectuer l‘interface entre

deux niveaux d‘abstraction adjacents dans la hiérarchie organisationnelle du

système.

- Structure du système : CRIO supporte la composition ou la notion de Holon. En

revanche l‘approche organisationnelle qu‘il adopte, permet de modéliser un

système à différents niveaux d‘abstraction.


57

- Respect des standards : La modélisation dans CRIO repose sur les langages de

modélisation UML.

- Outils et Implantation : CRIO est associé à la plate-forme d‘implantation JANUS

qui fournit les concepts de base nécessaires à l‘implantation du modèle

organisationnel.

5.3.6 Comparaison des méthodes : forces et faiblesses

Dans cette section nous établissons une comparaison entre les méthodes multi-agents

existantes étudiées précédemment, et plus particulièrement celles qui intègrent la phase gigue,

de modélisation et de traduction sur un environnement logiciel que requiert la simulation

multi-niveau, multi-paradigme d‘une Chaîne Logistique.

Toutes les approches utilisent les rôles afin de promouvoir la souplesse du processus de

développement, à différents niveaux. La plupart de celles-ci exploitent les rôles pour séparer

clairement les questions relatives à la vie de l‘agent, tel que la mobilité, sa sociabilité, ses

interactions, en fonction du contexte (par ex. selon les groupes ou sous sociétés auxquels il

appartient). Ces méthodes couvrent de manière variable le cycle de vie d‘un agent (analyse,

conception, développement). Lorsqu‘une méthode ne traite pas spécifiquement de modèle de

simulation (notamment d‘un point de vue temporel ou ouverture à d‘autres paradigmes de

modélisation), elle peut toutefois proposer des éléments de réponses pour la phase d‘analyse

du système réel.

Logiquement les questions centrales de l‘identification des rôles, de leurs interactions

entre dans les prérequis de chacune des méthodes. La notion d‘organisation ne l‘est pas

autant, mais surtout reste comme avec GAIA, à un seul niveau d‘abstraction (organisation

« plate »). En ADELFE par exemple, les agents sont considérés comme des composants

logiciels qui s‘auto-organisent pour configurer les applications. L‘organisation de SMA n‘est

pas spécifiée d‘une façon explicite, mais elle est conséquence des interactions entre les agents.

Le concepteur doit exprimer sa structure organisationnelle sous forme de règles de

coopération propres à chaque agent..

Avec la notion de groupe, AGR peut répondre à ce besoin, mais ne gère pas la transition

entre les modèles et l‘implémentation dans MadKit (environnement intégrant les concepts

AGR). Moise+ est un modèle organisationnel, qui se concentre essentiellement sur les

aspects de conception. L‘aspect structurel de MOISE correspond globalement à l‘approche

décrite dans AGR. Sur ce point, MOISE étend AGR notamment par la définition de la notion


58

d‘héritage et de composition entre rôles. La dimension fonctionnelle (Plans sociaux) de

MOISE+ est une sorte de description de tâches/ activités/ processus basées sur la

décomposition en but. L‘une de ces principales missions est d‘affecter des rôles à l‘aide de

lien déontique.

CRIO définit un méta-modèle organisationnel destiné à la modélisation de systèmes

complexes. Celui-ci permet aussi d'exploiter les hiérarchies dans les systèmes complexes pour

les modéliser et les analyser et aborde également la question de la gestion du temps.

Cependant CRIO ne propose pas de guide pour la constitution de l‘organisation : les critères

sont davantage liés aux propriétés des entités formant l‘organisation que l‘objectif de la

simulation c'est-à-dire les résultats qu‘il doivent produire. De même il considère un

environnement homogène et n‘intègre pas le besoin d‘interagir avec d‘autres environnements

de simulation.

Les travaux précédents du LSIS, autour de la thèse d‘Olivier LABARTHE tiennent

compte de ses derniers objectifs mais suivent un processus de décomposition statique ie

déterminé une fois pour toute (ie système décisionnel versus système physique). De même la

notion d‘organisation n‘est pas explicitée.

Les limites de ces méthodes peuvent être synthétisées par les points suivants : (i)

l‘absence d‘une démarche qui assure le passage du niveau conceptuel vers le niveau

d‘implémentation; (ii) le passage de la conception à l‘implémentation est coûteux en temps et

en efforts de développement; (iii) prise en compte de l‘organisation et (iv) multi-modélisation

et v) gestion du temps.


59

A: Analyse, C: Conception, D : Développement, Haut: Support de génération de code, Moyen: Cadre « Modèle»

méthodes

Critères CRIO GAIA AGR ADELFE MOISE (A&A)

Cycl

e

de

vie

Couverture du cycle de vie A & C & D A & C A & D A & C & D A&C&D

Con

cep

tion

Modèle organisationnelle Oui Oui Oui Non

Oui

Multi-niveaux Oui Oui Oui Non Oui

Modélisation multi-paradigme Non Non Non - Non

Support d‘Ontologie Oui - Oui Non Oui

Notation graphique UML UML-AUML UML UML-AUML

OML (ie

spécifique)

Dév

elop

pem

en

t

Environnement de

développement Oui Janus Non Oui MadKit Oui Adelfe

OUI

Simulation multi-échelle Oui Non Oui Non Non

Gestion des différentes échelles

temporelles Oui Non envisagé avec

Mimosa Non Non

Support d‘implémentation Haut Non Haut Haut Moyen

Tableau 2.1 : Comparaison entre les méthodes


60

6 La modélisation et la simulation orientées agents de

chaînes logistiques

Un intérêt majeur de la modélisation orientée agents est qu‘elle permet en général une

simulation autorisant une étude de la dynamique du système considéré. L‘approche de

modélisation orientée agents permet de représenter le système à travers l‘identification et la

spécification du comportement des individus en interactions qui le composent. Ces individus

peuvent évoluer et agir sans contrôle ni intervention extérieure (autonomie), peuvent

percevoir leurs environnements et répondre à ces modifications (réactivité), initier des

comportements dirigés par des buts internes (pro-activité), et interagir avec d‘autres individus

(habilité sociale).

Modéliser une chaîne logistique consiste à décrire sa structure et son fonctionnement afin

de l‘étudier en vue d‘améliorer ses performances et sa position concurrentielle. Dans une

modélisation orientée agent d‘une chaîne logistique, il ne s‘agit pas de construire un modèle

multi-agent ex-nihilo d‘un système réel, nécessitant par exemple de passer par une phase

d‘expression des besoins très générale, mais plutôt d‘associer un agent à chaque entité de la

chaîne logistique et de modéliser leur interactions, afin d‘étudier le comportement de la

chaîne par simulation, pour en améliorer son management.

Le choix de l‘approche agent pour la modélisation de chaînes logistiques est motivé par le

fait que c‘est un système où l‘organisation est distribuée (système économique et social

constitué d‘un ensemble d‘entreprises inter-agissantes) et donc la prise de décisions

distribuée(processus de coopération, de coordination et de négociation), où les interactions

sont dynamiques or la modélisation orientée agents est particulièrement adaptée pour la

représentation d‘organisations qui disposent de structures modulaires où la prise de décision

est distribuée et l‘environnement est fortement dynamique.

Dans cette section nous faisons tout d‘abord un rapide historique des divers travaux en

modélisation multi-agents de chaînes logistiques. Ensuite nous étudions plus en détail deux

approches méthodologiques ou méthodes de modélisation et de simulation orientées agents de

chaîne logistique. D‘autres méthodes existent, seule ces deux méthodes nous ont semblé

significatives pour la problématique générale de notre recherche. Il s‘agit tout d‘abord de la

méthode ou modèle MASCF [GOVIENDU et CHINNAM, 2007] et ensuite des travaux

développés au sein du LSIS, notamment autour de la thèse de Olivier Labarthe [LABARTHE

et al, 2004, 2005, 2006, 2007].


61

6.1 Travaux en modélisation et simulation multi-agents de


Les chercheurs ont étudié les systèmes multi-agents afin de mieux modéliser les différents

problèmes de la chaîne logistique. Dans cette section ; nous allons présenter quelques-unes

des recherches en cours.

[FOX et al., 2000] examinent la construction de l'architecture logicielle à base d'agents

intelligents pour la gestion des chaînes logistique aussi bien au niveau tactique

qu‘opérationnel. Ils développent une « agent building shell (ABS) » qui fournit des

composants génériques, réutilisables, garantissant les services pour appuyer le travail de

coopération perturbée par des événements stochastiques.

Une Vue d'ensemble de la MASCOT [SADEH et al., 2001] (Multi-Agent Supply chain

COordination Tool) - une architecture de planification et d'ordonnancement reconfigurable,

multi-niveau à base d‘agents - est présentée dans [SADEH et al., 2001]. Les principaux

éléments de l'architecture de soutien en temps réel dans l'ordonnancement à capacité finie et le

développement de nouveaux protocoles de coordination sont discutés.

[WAGNER et al., 2003] montrent comment les agents TAEMS, lorsqu'ils sont équipés de

mécanismes de coordination, permettent d'automatiser et de gérer une chaîne logistique

dynamique. Ils démontrent que les agents permettent d'accroître la souplesse et permettent à la

chaîne logistique de donner de meilleures réponses dans les négociations et les raisonnements

entre producteurs et consommateurs.

[LIN et SHAW, 1998] proposent une approche par un système d‘information multi-agent

d'information dans la réingénierie des processus d'exécution des commandes (OFP – Order

Fulfillment Processus), des réseaux de la chaîne logistique (SCN- Supply Chain Network).

Une plate-forme de simulation multi-agent, SWARM, a été améliorée pour mener des

expériences de simulation pour aider aux efforts importants de réingénierie et pour identifier

et évaluer des stratégies d'amélioration potentielle. [NISSAN, 2001] présente une chaîne

logistique d‘agents intelligents de conduite des affaires pour le compte des utilisateurs des

produits, les acheteurs et les fournisseurs. Dans le contexte de l‘intégration de la chaîne

logistique dans une grande entreprise, le processus de conception d‘une chaîne logistique à

base d'agents, sa structure, et le comportement de fédération des agents sont discutés.

Dans l'un des premiers documents et les plus fréquemment cités, [SWAMINATHAN et

al., 1998] présentent une plate-forme pour l'élaboration de modèles fidèles de simulation de

chaîne logistique avec un minimum de temps et d‘efforts. Il s'agit de composer des modèles à


62

partir d'une bibliothèque de logiciels primitifs, représentant les agents de la chaîne,

réutilisables, à domaine spécifique, avec leurs objets éléments de contrôle, et leurs protocoles

d'interaction. Ils discutent un prototype de Cross-Docking, et comparent les multi-agents et les

approches classiques de modélisation. Bien que les auteurs mentionnent une application à

grande échelle au sein d'IBM, ils ne présentent pas des détails complets, les résultats, ne

discutent les détails du système. Une plateforme qui intègre les différents éléments d'une

chaîne logistique représentés de façon unifiée, intelligente, et orientée objet est proposée par

[JULKA et al., 2002]. Elle est conçue afin de modéliser, surveiller, gérer et aider à analyser

les politiques métiers au sein d'une chaîne logistique. Ils démontrent son application à travers

un prototype de système d‘aide à la décision, qui étudie les effets des politiques internes, des

événements exogènes et modifications des installations de la raffinerie.

[JIAO et al. 2006] proposent un système de négociation multi-agents, multi-contrat pour

la coordination globale de la chaîne logistique de fabrication. Le système est implémenté en

utilisant la plateforme de développement d‘agents, JADE basé sur l'architecture du tableau

noir dans une société de fabrication de téléphones mobiles. Un système d‘agents flexible qui

peuvent s'adapter aux changements de transaction induits par de nouveaux produits ou des

partenaires commerciaux a été présenté dans [AHN et al., 2003]. Leur approche a été

démontrée à l'aide d‘un prototype d'une chaîne logistique des PCs.

[GJERDRUM et al., 2001] ont appliqué des techniques de modélisation multi-agent pour

simuler et contrôler un système simple axée sur la demande du réseau de chaîne

d'approvisionnement. Ils utilisent Java Agent Template Lite (JATLite) pour la modélisation

du système multi-agent et l'optimisation des composantes de fabrication à l'aide d‘un système

générale de planification des lots (gBSS – general Batch Scheduling System).

Bien que la technologie multi-agent existe depuis un certain temps et gagne en popularité,

il nous a été très difficile de trouver dans la littérature des travaux qui se rapporte aux

applications de qualité industrie en général, et les applications dans la chaîne logistique

en particulier. À l'exception de quelques documents (par exemple, [FOX et al., 2000];

[SWAMINATHAN et al., 1998]) qui discutent de l'importance du développement de

composants génériques et les aspects de réutilisation, la plupart des applications semblaient

offrir une solution de modélisation spécifique à un problème particulier.

Des articles comme [SADEH et al., 2001] et [WAGNER et al., 2003] fournissent une

discussion sur les questions d'architecture, mais l'accent a été mis sur des aspects spécifiques

tels que la coordination ou l‘ordonnancement en temps réel. De la littérature, il apparaît que la


63

plupart des applications sont axées sur la recherche dans la nature. Il existe quelques

prototypes industriels qui ont utilisé un langage de programmation (Par exemple, Java), un

logiciel commercial, ou un freeware / boîtes à outils open-source (par exemple, Swarm,

JATLite, JADE) pour leur développement.

La littérature ne semble pas envisager, explicitement, l'analyse et la conception (Aspects

les plus importants dans le développement d'applications de qualité industrielle), mais semble

prendre directement la mise en œuvre d‘exigences pré-déclarées. Nous n'avons pas trouvé

dans la littérature que des opinions considérant le développement des systèmes multi agents

dans la chaîne logistique comme un processus générique. Comme une étape dans cette

direction, les chercheurs ont commencé à développer des méthodes génériques, et boîtes à

outils pour les systèmes multi-agents.

6.2 Le modèle MASCF

Le modèle MASCF est basé principalement sur l'analyse du système et les phases de

conception du modèle de simulation orientée agents. MASCF repose d‘une part sur le modèle

des chaînes logistique SCOR déjà présenté dans la section 2.3.2., et d‘autre part sur GAIA, la

méthode générale de conception de SMA présentée dans la section 5.3.1. Cette section

présente le modèle MASCF, en précisant comment SCOR y améliore la précision et

l'efficacité de GAIA, et cerne ses forces et ses limites

6.2.1 Présentation générale de MASCF

Comme l'illustre la Figure 2.9, le processus de développement d‘un SMA, (tout comme celui

de n'importe quel autre logiciel) requière l'exécution de quatre phases: le recueil des

exigences, l‘analyse du système, la conception du système (architecturale et détaillée), et la

mise en œuvre. Les travaux de Govindu et Chinnam [GOVIENDU et CHINNAM, 2007] se

sont principalement axés sur la conception et l‘implémentation d‘une plateforme à base

d‘agents logiciels.

Dans les phases d‘analyse du système et de conception, les MASCF combine de façon

créative les caractéristiques de SCOR pour améliorer la précision et l'efficacité de la méthode

Gaia. La phase de collecte de besoins va au-delà de son champ d'application, et ainsi la phase

de mise en œuvre.

Comme indiqué par la Figure 2.10, l'application de la plateforme commence à construire

une entrée pour la phase d‘analyse en partant des besoins du système, et cela en combinant à


64

la fois SCOR et GAIA. Il se termine par l'achèvement de la phase de conception détaillée

ayant généré une sortie sous forme d‘agent, et de modèles de services. A la différence de

Gaia, le MASCF n‘exige pas l‘usage d‘une plate-forme de développement spécifique, et

permet la mise en œuvre utilisant n‘importe quelle boîte à outils générique pour les multi-

agents, pour peu qu‘elle soit appropriée.

Figure 2.9 : Phases de développement du système multi-agent – concentrer de MASCF

[GOVIENDU et CHINNAM, 2007]

Le modèle MASCF utilise surtout SCOR dans la phase d'analyse et dans une moindre

mesure, dans la phase de conception architecturale. Cependant SCOR n‘est pas utilisé dans la

conception détaillée. La phase d'analyse impliquant les SCOR transforme les entrées des

exigences du système en sorties d‘informations pour la définition des rôles basés sur SCOR,

leurs interactions, et leurs attributs. Cette information devient une entrée aux différents

modèles à développer dans la phase d'analyse utilisant la méthode GAIA.

La procédure d'analyse utilisant GAIA reste la même que dans la méthode GAIA

originale. La seule exception de l'analyse fondée sur GAIA est de rendre plus précises les

entrées à base de SCOR en plus des exigences habituelles du système. En conséquence, la

sortie de la phase d'analyse serait également plus précise et conforme aux définitions de

processus standard de SCOR. Une fois la phase d'analyse utilisant GAIA terminée, elle génère

une sortie sous forme d‘attributs basés sur le SCOR et relatifs à l'environnement, les rôles, les

interactions et les règles d'organisation pour toutes les sous-organisations du système de

chaîne logistique. Cette sortie devient une entrée à la phase de conception architecturale. En

outre, il pourrait y avoir des entrées supplémentaires SCOR relatives à ces rôles et à ces

interactions qui sont d'ordre organisationnel, très spécifiques et non prises en compte dans la

phase d'analyse. À part ces entrées supplémentaires, plus spécifiques, la phase de conception

architecturale dans le cadre reste le même que dans méthode GAIA. La sortie de la phase de

conception architecturale sera une contribution à la phase de conception détaillée. Etant donné


65

que les SCOR y sont exclus, la phase de conception détaillée resterait la même que dans la

méthode et GAIA génèrera une sortie sous la forme d'agents et de modèles de services pour le

système multi-agent de la chaîne logistique en cause.

Figure 2.10 : Cadre Multi Agent de chaîne logistique multi-agents (MASCF) [GOVIENDU et

CHINNAM, 2007]

Après avoir présenté les détails le cadre, nous allons maintenant concentrer notre

discussion sur comment SCOR améliore la précision et l'efficacité de GAIA.

La méthode autonome GAIA ne propose que des directives générales pour le

développement de tout système multi-agents. Ces directives générales sont très conceptuelles,

et sont destinées à fournir des orientations pour la réalisation de l'analyse et la conception,

laissant ainsi aux analystes individuels / développeurs, de prendre beaucoup de décisions.

Bien que l'information des systèmes du monde réel aide à apporter plus de clarté, les

développeurs auraient encore à traiter plusieurs variantes possibles pour chaque élément du

système multi-agent, que ce soit dans la définition des rôles, les interactions, les sous-

organisations, l‘environnement ou des règles de l'organisation. Ils doivent également faire

face à la modélisation de la bonne résolution (niveau global ou au niveau détaillé). Cela fait

de la conception de systèmes multi-agent une tâche très complexe.


66

En outre, la modélisation dans les situations du monde réel n'a jamais statique, en effet, la

modification, expansion, et réduction de la portée dépendent de temps en temps de l'évolution

des besoins. Toutes ces possibilités énumérées, nous pensons que si des descriptions plus

précises et plus d‘informations sont apportées dans ces activités, la modélisation des systèmes

multi-agents de la chaîne logistique restera une tâche complexe et fastidieuse. Même si les

développeurs individuels jouent toujours un rôle essentiel dans la plateforme, l‘apport de

précision grâce à des descriptions de processus standard, aiderait à réduire la complexité dans

une large mesure. C'est ici que le SCOR joue un rôle majeur dans ce cadre MASCF. Il

s‘aligne avec la méthode Gaia dans la définition de chaque élément du système. L‘analyse à

base de SCOR convertit les exigences du système en entrées plus précises, spécifiques,

structurées et bien définies pour l'analyse en utilisant la méthode GAIA. Cette entrée permet à

GAIA d‘apporter une analyse mieux structurée et la sortie qu'il offre serait beaucoup plus

précise. Il aide à une meilleure réalisation de la phase de conception.

6.2.2 Forces et limites de MASCF

Le modèle MASCF est conçu de façon à adopter les éléments d'un modèle de processus de

référence générique, SCOR, pour améliorer la précision d'une méthode générique de

conception, GAIA, dans le développement de SMA de la chaîne logistique. De par l‘usage

conjoint de GAIA et du modèle SCOR, modèle MASCF nous semble très intéressant pour la

modélisation et la simulation de chaînes logistiques, les principales forces de ce modèle sont

qu‘il est :

- Générique : applicable pour modéliser une large gamme de la chaîne logistique par

systèmes multi-agents.

- Centré sur les processus : introduit la notion de processus centré sur la métaphore

d‘organisation et la met en œuvre en utilisant SCOR.

- Méthodologique : il suit les étapes d‘un processus de modélisation bien défini.

- Complet : couvre tous les aspects des opérations de chaîne logistique, et traite à la fois

des aspects macro (liés à la société) et micro (agents) dans le développement des

systèmes multi-agents.

- Neutre : à la fois à l'égard du domaine cible de la chaîne logistique et de l'architecture

d'agents au sein du système multi-agents.

- Scalable : Applicable pour le développement à grande échelle dans le monde réel des

systèmes de chaîne d'approvisionnement de SMA.


67

Néanmoins le modèle MASCF nous apparaît présenter des limites, elles aussi liées à

l‘usage conjoint de la méthode GAIA et et du modèle SCOR. Ces limites sont :

- MASCF ne s'engage pas à des techniques spécifiques pour la modélisation (par

exemple, les rôles, l'environnement, et les interactions) étant donné que les normes

multi-agents sont encore en évolution.

- Il est technologiquement neutre et ne traite pas directement de la mise en œuvre

informatique.

- Les activités liées à la collecte des exigences et à la modélisation sont en dehors de

son champ d'application.

- MASCF couvre toutes les opérations définies dans le modèle SCOR. Du fait que

SCOR est un model opérationnel de référence, il ne couvre pas tous les processus ou

activités (par exemple, de génération de demande, le support client après livraison, et

de l'administration). Toutefois, comme le modèle MASCF est basé sur une méthode

générique à savoir GAIA, il serait encore possible de modéliser d'autres aspects (par

exemple, tactique et stratégique) des systèmes non couverts par SCOR.

6.3 Les travaux du LSIS

Après s‘être intéressé à la modélisation et la simulation de la gestion des perturbations en

ordonnancement [ESPINASSE et TRANVOUEZ, 1998] [TRANVOUEZ et al. 2001], depuis

une dizaine d‘années, le LSIS s‘intéresse à la modélisation et la simulation orientée agents des

chaînes logistiques [ESPINASSE et al., 2000] [FERRARINI et al., 2001] [LABARTHE et al.,

2007] [MONTEIRO et al., 2008], ainsi qu‘à la gestion des perturbations sur ces dernières

[FERRARINI et FOURNIER, 2009].

Les travaux méthodologiques développés au sein du LSIS sur la modélisation et la

simulation sont principalement liés à la thèse de Olivier Labarthe [LABARTHE, 2006] et des

publications qui l‘ont accompagnées [LABARTHE et al., 2004, 2005, 2006, 2007]. Ces

travaux méthodologiques proposent principalement un cadre méthodologique orienté agents

pour la modélisation et simulation de chaînes logistiques [LABARTHE et al., 2006]. Cette

section présente ce cadre méthodologique et cerne ses forces et ses limites.

6.3.1 Cadre méthodologique proposé par le LSIS

Le cadre méthodologique orienté agents pour la modélisation et simulation de chaînes

logistiques proposé par le LSIS [LABARTHE et al., 2006] est structuré selon trois niveaux


68

d‘abstraction et s‘articule autour de trois modèles : (i) un modèle de domaine, (ii) modèle

conceptuel, (iii) et un modèle opérationnel. Il se concentre essentiellement sur les aspects de

conception et l‘analyse.

La modélisation orientée agents de la chaînes logistique repose sur la transformation du

modèle de domaine. Les éléments du modèle de domaine sont représentés dans le modèle

conceptuel par des agents et des objets. Il s‘agit de spécifier les agents au niveau conceptuel

afin de les rendre opérationnel. La transformation des éléments selon deux types d‘agents

d‘un niveau conceptuel : l‘Agent-Acteur et l‘Agent-Activité. L‘Agent - Acteur représente un

centre NetMan (Networked Manufacturing) [LABARTHE et al., 2007] et l‘Agent-Activité

représente un processus de transformation de distribution ou de stockage réalisé par un Agent-

Acteur. A travers la phase de spécification l‘informaticien transforme les agents conceptuels

sur la base d‘architectures d‘agents adaptées à la modélisation opérationnelle. Cette phase

repose sur la définition des processus décisionnels et opérationnels. Chaque agent conceptuel

est représenté par un modèle d‘agent composé de deux architectures logicielles d‘agents : les

agents cognitifs et les agents réactifs.

Le modèle de l‘Agent-Acteur représente un acteur du système réel, par son aspect

comportemental, par son rôle social et par les responsabilités qu‘il exerce au sein de

l‘organisation [LABARTHE et al., 2006] .Le modèle de l‘Agent Acteur définit une relation de

dépendance entre deux ou plusieurs agents. Il compose deux types d‘agents caractérisés par

une structure interne et des fonctionnalités différentes. Un Agent Acteur en représenté par un

seul agent cognitif ou bien par un seul agent réactif selon les spécificités et les caractéristiques

du système à simuler.

Le modèle de l‘Agent-Acteur permet de représenter les comportements des agents d‘un

point de vue local et d‘un point de vue social. Le niveau local recouvre les comportements

individuels de l‘agent mis en œuvre pour l‘atteinte de ses objectifs propres. Le niveau social

concerne les comportements collectifs des agents pour la réalisation d‘objectifs communs.

Le modèle de l‘Agent-Acteur est défini en tant que composition d‘agents élémentaires en

interactions. Dans le modèle Agent-Acteur il y a deux formalismes de spécification des

comportements. Les comportements des agents réactifs sont spécifiés à l‘aide du langage de

modélisation AUML, tandis que les comportements des agents cognitifs sont spécifiés à l‘aide

d‘un formalisme spécifique développé au LSIS.


69

6.3.2 Forces et limites du cadre méthodologique du LSIS

La principale force du cadre méthodologique proposé par le LSIS est de s‘appuyer sur une

modélisation de domaine, de couvrir la conception et le développement de modèles de

simulation orientés agents adaptés aux spécificités des chaînes logistiques. De plus le modèle

de l‘Agent-Acteur permet une traduction facilitée entre le modèle de domaine et le modèle

agent de par sa structuration. Enfin l‘approche acteurs/agents permet de séparer les

considérations décisionnelles et opérationnelles lors des étapes de modélisation et

d‘opérationnalisation.

Cependant ce cadre méthodologique nous semble présenter deux principales faiblesses,

principalement liées à la modélisation même des chaînes logistiques, et à leur simulation :

- La première faiblesse au niveau de la modélisation des chaînes logistiques est liée au

fait que ces travaux méthodologiques ne nous semblent pas suffisamment prendre en

compte les aspects purement organisationnels d‘une chaîne logistique. En effet, ces

travaux ne prennent pas en compte, de façon explicite, la structure et la dynamique

organisationnelle de la chaîne, notamment l‘évolution des relations entre les différents

acteurs la composant, et les comportements liés à l‘appartenance à des groupes de

compétences de ces différents acteurs, comportements généralement associés à des

rôles.

- Une seconde faiblesse de ce cadre, toujours liée à la modélisation même des chaînes

logistiques, est qu‘il ne prend pas explicitement en compte les observables et les

indicateurs spécifiques à l‘organisation de la chaîne logistique considérée. Ces

observables et indicateurs sont généralement définis par les experts du domaine de la

logistique, lors d‘une première modélisation de la chaîne étudiée (modélisation de

niveau domaine). Le fait que ces observables et indicateurs ne soient pas pris en

compte dès le premier niveau de modélisation a des conséquences importantes au

niveau de la simulation de la chaîne. En effet, ces observables et indicateurs sont des

éléments importants dont il s‘agit de cerner l‘évolution lors de la simulation.

7 Synthèse et conclusion

Dans notre état de l‘art, nous avons tout d‘abord défini le concept de chaîne logistique, et

cernés le management de la chaîne logistique, ainsi que le besoin de modéliser ces chaînes et

simuler la dynamique de leur comportement.


70

La prise en compte de la dynamique est une étape importante dans la création des modèles

pour la simulation. Les propriétés qui caractérisent les SMA apparaissent "naturelles" pour

l‘étude et la représentation comportementale des entités qui constituent la chaîne logistique,

entités soumises à la nature dynamique des interactions. Les systèmes multi-agents offrent la

possibilité de représenter et d‘exprimer explicitement les individus, leurs comportements et

leurs interactions. La simulation par système multi-agents s‘appuie sur la spécification du

comportement d‘entités autonomes dont les interactions définissent le comportement du

système.

Un nombre croissant de travaux portent sur la modélisation et/ ou la simulation de chaînes

logistiques par SMA. Les agents sont essentiellement utilisés pour la représentation des

entités de la chaîne logistique. La spécification de leurs comportements est déterminée par le

niveau d‘abstraction du modèle. De fait, les rôles joués par les agents et leur nombre sont

différents d‘un projet à l‘autre. Les agents possèdent des compétences, des comportements,

des capacités de communication et de prise de décisions qui s‘étendent de la gestion d‘une

ressource matérielle à la gestion stratégique d‘une entreprise.

Les méthodologies de conception de SMA générales s‘intéressent à des problèmes de

conception de systèmes multi-agents relatifs à : l‘identification des agents, la spécification des

capacités de raisonnement, l‘organisation du système multi-agents et la représentation des

interactions entre agents. Elles ont pour objectifs de guider le concepteur dans les phases

d‘analyse et de conception de systèmes multi-agents.

Les difficultés inhérentes à la modélisation de la chaîne logistique sont principalement

dues aux causes suivantes : (i) l‘hétérogénéité des entités qui la composent, (ii) la complexité

des interactions, (iii) la prise en compte de l‘environnement, et (iv) la diversité des structures

organisationnelles.

De nombreux projets de recherche s‘intéressent à l‘analyse du comportement de la chaîne

logistique dans le cadre de l‘échange de données. Au niveau de la conception des modèles

pour la simulation, la demande est généralement spécifiée comme un paramètre d‘entrée.

Cependant, dans un contexte de personnalisation des produits, cette demande est difficile à

obtenir par l‘exploitation de modèles prédictifs classiques du fait du manque de données ou

d‘historiques.

La prise en compte de la dynamique est une étape importante dans la création des modèles

pour la simulation. Les propriétés qui caractérisent les systèmes multi-agents, apparaissent

"naturelles" pour l‘étude et la représentation comportementale des entités qui constituent la


71

chaîne logistique, entités soumises à la nature dynamique des interactions. Les systèmes

multi-agents offrent la possibilité de représenter et d‘exprimer explicitement les individus,

leurs comportements et leurs interactions. La simulation par système multi-agents s‘appuie

sur la spécification du comportement d‘entités autonomes dont les interactions définissent le

comportement du système.

L‘objectif général de notre recherche est d‘accompagner le processus de modélisation et

de simulation d‘une chaîne logistique jusqu‘à son expérimentation. L‘atteinte de cet objectif

nécessite d‘une part la proposition d‘un cadre méthodologique spécifique, et d‘autre part la

proposition d‘une architecture logicielle adaptée à ce cadre, permettant l‘exécution des

simulations de ces chaînes.

Aussi en nous appuyant sur les divers travaux présentés dans cet état de l‘art, dans la

poursuite des travaux développés au LSIS, le chapitre trois présentera notre contribution au

niveau méthodologique consistant à proposer un cadre méthodologique de modélisation de

chaînes logistiques modélisant de façon explicite des indicateurs, et des aspects

organisationnels liés à ces chaînes.

Etroitement lié à ce cadre méthodologique proposé, le chapitre quatre présentera notre

contribution relative à la proposition d‘une architecture logicielle permettant la simulation de

chaînes logistiques avec la prise en compte de ces indicateurs et ces aspects organisationnels.

72

CHAPITRE 3 : UN CADRE MÉTHODOLOGIQUE

ORIENTÉ AGENTS POUR LA MODÉLISATION

ET LA SIMULATION ORGANISATIONNELLES

DE CHAÎNES LOGISTIQUES

PLAN DU CHAPITRE

1. Introduction ................................................................................................................... 74

2. Objectif et fondements du cadre méthodologique proposé ....................................... 75

2.1 Explicitation d‘aspects organisationnels structurels et dynamiques ........................ 76

2.2 Explicitation d‘observables et d‘indicateurs organisationnels ................................. 77

2.3 Modélisation et simulation multi-niveaux, multi-échelles et multi-paradigmes ...... 82

2.3.1 Modélisation et simulation multi-niveaux ............................................................ 82

2.3.2 Modélisation et simulation multi-échelles ........................................................... 82

2.3.3 Modélisation et simulation multi-paradigmes ...................................................... 83

3. Présentation générale du cadre méthodologique proposé ......................................... 84

3.1 Niveaux d‘abstraction considérés ............................................................................. 85

3.2 Cadre méthodologique proposé ................................................................................ 87

3.3 Problématique de la modélisation conceptuelle ....................................................... 89

3.4 Problématique de la modélisation opérationnelle .................................................... 90

4. Modélisation conceptuelle d’une chaîne logistique .................................................... 91

4.1 Modèle Organisationnel Conceptuel Rôle (CROM) ................................................ 91

4.1.1 Les concepts principaux du modèle CROM ........................................................ 92

4.1.2 Le méta-modèle CROM ....................................................................................... 93

4.1.3 Illustration : modèle CROM d'une chaîne logistique ........................................... 95

4.2 Modèle Organisationnel Conceptuel Agent (CAOM) ............................................. 97

4.2.1 Concepts du modèle CAOM ................................................................................ 97

4.2.2 Le méta-modèle CAOM ....................................................................................... 97

4.2.3 Illustration : modèle CAOM d'une chaîne logistique ......................................... 101

5. Modélisation opérationnelle d’une chaîne logistique ............................................... 103

5.1 Vue structurelle : modèle opérationnel agent (OPAM) ......................................... 103

5.2 Vue dynamique : comportements et interactions ................................................... 105

5.2.1 Spécification des comportements d‘agents ........................................................ 105

5.2.2 Spécification des interactions entre agents ......................................................... 108

5.3 Illustration : modélisation opérationnelle d'une chaîne logistique ......................... 109

73

5.3.1 Vue structurelle : modèle OPAM de la chaîne ................................................... 110

5.3.2 Vue dynamique : comportements et interactions ............................................... 110

6. Conclusion .................................................................................................................... 111

Chapitre 3 : Un cadre méthodologique orienté agents pour la modélisation et la simulation de


74

1. Introduction

Comme nous l‘avons vu lors du chapitre précédent d‘état le l‘art, de nombreux travaux de

recherche s‘appuient sur le paradigme agent pour proposer une modélisation et/ou une

simulation de chaînes logistiques. En effet, ce paradigme fournit une approche adaptée à la

représentation de tels systèmes complexes permettant une prise en compte de leur dynamique.

La conception de modèles orientés agents pour la modélisation et/ou la simulation de chaîne

logistiques est une tâche complexe qui nécessite la mise en œuvre de connaissances et de

compétences spécifiques.

Pour aider le concepteur dans la conception de ces modèles, une démarche

méthodologique reposant sur l‘élaboration de divers modèles est nécessaire. Nous appellerons

« cadre méthodologique », l‘ensemble de ces modèles articulés entre eux, permettant de

baliser le processus de modélisation de chaînes logistiques, devant conduire à leur simulation

informatique.

Dans la revue de littérature, nous avons présenté différents travaux de recherche consacrés

à la définition de méthodologies guidant les concepteurs dans le développement de modèles

multi-agents en général. Nous avons aussi présenté un ensemble de travaux méthodologiques

centrés sur la modélisation et la simulation orientées agents de chaînes logistiques.

Ces travaux méthodologiques, dont certain ont été conduits dans notre laboratoire de

recherche le LSIS, constituent une première avancée dans l‘élaboration de modèles orientés

agents pour la modélisation et/ou la simulation de chaîne logistiques. Cependant ces travaux

nous semblent présenter un certain nombre de faiblesses, des faiblesses liées à la modélisation

même des chaînes logistiques, et à leur simulation.

La première faiblesse au niveau de la modélisation des chaînes logistiques est liée au fait

que ces travaux méthodologiques ne nous semblent pas suffisamment prendre en compte les

aspects purement organisationnels d‘une chaîne logistique, notamment de façon explicite la

structure et la dynamique organisationnelle de la chaîne. Une seconde faiblesse porte sur la

prise en compte explicitement des observables et indicateurs spécifiques à l‘organisation de la

chaîne logistique considérée. Le fait que ces observables et indicateurs ne soient pas pris en

compte dès le premier niveau de modélisation a des conséquences importantes au niveau de la

simulation de la chaîne notamment par le fait qu‘ils ne pourront pas être clairement étudiés

lors de la simulation.



75

Enfin au niveau de la simulation des chaînes logistiques, si l‘on enlève la conséquence de

la non prise en compte des observables et indicateurs portant sur l‘organisation précédemment

évoquée, la principale faiblesse nous semble résider dans le fait que les architectures de

support à la simulation proposées, peuvent paraître assez rigides, et notamment ne pas

suffisamment permettre l‘intégration, la réutilisation, de modèles de simulation pouvant être

développées dans d‘autres outils de simulation.

Dans ce chapitre, nous proposons un nouveau cadre méthodologique de modélisation et

simulation orienté agents de chaînes logistiques, tentant de répondre à ces faiblesses,

notamment en prenant en compte explicitement les aspects organisationnels, tant structurel

que dynamique, ainsi que des observables et indicateurs dans la modélisation de ces chaînes,

avec leurs conséquences sur leur simulation. Dans le chapitre suivant, nous proposons une

architecture logicielle de support à l‘exécution des modèles de simulation élaborés selon ce

cadre méthodologique proposé.

Dans la deuxième section de ce chapitre nous précisons l‘objectif, les fondements ou

principes, du cadre méthodologique orienté agents que nous proposons pour la modélisation

des chaînes logistiques. Dans la troisième section nous présenterons de façon générale ce

cadre méthodologique, notamment les différents niveaux d‘abstraction qui le structure :

niveau conceptuel et niveau opérationnel, ainsi que les différents modèles qui le composent à

chacun de ces niveaux d‘abstraction. Dans la quatrième section, nous développons l‘étape de

modélisation conceptuelle du cadre méthodologique proposé, en présentant les modèles

concernés, leur articulation et le processus de leur élaboration, avec une illustration concrète

sur une chaîne logistique. Dans la section cinq nous présentons en détail l‘étape de

modélisation opérationnelle de ce cadre méthodologique en l‘illustrant par une modélisation

d‘une chaîne simple.

2. Objectif et fondements du cadre méthodologique

proposé

La simulation des chaînes logistiques, notamment orientée agents, est de plus en plus utilisée

pour étudier leur dynamique pouvant être très complexe. Comme nous l‘avons vu dans le

chapitre précédent, peu de travaux de recherche proposent un cadre général relatif à la fois la

conception et la réalisation d‘une telle simulation. Parmi les travaux préconisant le paradigme

orienté agents, citons tout d‘abord la méthodologie MASCF (Multi-Agent Supply Chain

Framework) [GOVINDU ET CHINNAM, 2007], qui adapte le modèle SCOR (Supply Chain



76

Operation Reference) à une structure méthodologique générique pour le développement d‘un

système multi-agents selon la méthode Gaia. Citons aussi les travaux développés au

laboratoire LSIS [LABARTHE et al., 2007] qui proposent un cadre méthodologique pour la

modélisation et la simulation des chaînes logistiques, cadre reposant sur plusieurs niveaux

d‘abstraction assurant un continuum dans l‘expression des modèles issus du domaine, et ce,

jusqu‘à leur mise en œuvre pour la simulation.

Comme nous l‘avons déjà évoqué, ces travaux présentent différentes faiblesses tant au

niveau de la modélisation (aspects organisationnels et indicateurs) des chaînes logistiques

qu‘au niveau de leur simulation qui doit en résulter (intégration, réutilisation). L‘objectif

général du cadre méthodologique proposé dans cette recherche est de palier certaines de ces

faiblesses, plus précisément il s‘agit plus de permettre la modélisation et la simulation de

chaînes logistiques prenant mieux en compte les aspects organisationnels et les finalités

d‘étude de ces chaînes.

Pour atteindre cet objectif, le cadre méthodologique proposé est fondé sur trois grands

principes : (i) une description organisationnelle de la chaîne, (ii) une identification explicite

d‘observables, et (iii) une approche multi-niveaux dans laquelle cette description

organisationnelle et cette identification des observables seront faites à des niveaux de détail

et/ou d‘organisation différents, jugés pertinents pour la modélisation et la simulation de la

chaîne. Dans les sous-sections suivantes nous développons ces trois grands principes sur

lesquels est fondé notre cadre méthodologique.

2.1 Explicitation d’aspects organisationnels structurels et

dynamiques

Les travaux actuels sur la modélisation et la simulation agent de chaînes logistiques sont plus

orientés vers les études quantitatives et les performances des chaînes en fonction de différents

contextes et différentes politiques de gestion, mais ne s‘intéressent pas explicitement à

l‘aspect organisationnel du problème, notamment les relations entre les différents acteurs la

composant. D‘autre part, ces travaux ne mettent pas forcément en évidence la dynamique

organisationnelle de la chaîne, notamment celle qui est liée aux comportements des différents

acteurs, comportements associés en général à des rôles pouvant être multiples ainsi que par

leur appartenance à des groupes de compétences.

Dans le chapitre d‘état de l‘art précédent, nous avons fait une comparaison entre

différentes méthodologies multi-agents existantes, en particulier celles incluant une phase



77

d‘implémentation. La plupart de ces méthodes utilisent les rôles afin de rendre le

développement plus flexible, en ayant souvent recours à des niveaux d‘abstraction ou de

détail (hiérarchiques). Elles exploitent les rôles soit pour décomposer ou contextualiser les

comportements d‘agent et ajoutent souvent des contraintes au travers de règle ou de normes.

De plus, dans ces méthodes, le temps n‘est en général pas traité - excepté dans CRIO

[GAUD et al., 2008], et une granularité homogène (un seul type d'agents) sont la plupart du

temps supposés. Quand les agents délibératifs et les agents réactifs reproduisent des

comportements d'horizon temporel différents, alors la synchronisation s‘impose et doit être

spécifiée lors la phase de modélisation, avec éventuellement des conséquences au niveau de

l‘implémentation logicielle.

La description de l'organisation de la chaîne logistique, sa structure organisationnelle et sa

dynamique, doit être faite dès le début de la modélisation de la chaîne, afin de proposer les

observables appropriés à ses composants, et du fait que cette organisation préexiste au modèle

d'agent. Enfin, en ce qui concerne la dynamique organisationnelle, les comportements

coopératifs sont les outils de base pour reproduire des situations de coopération dans une

chaîne logistique réelle comme pour traiter des événements perturbateurs, permettant à la

chaîne de s‘adapter [TRANVOUEZ et FERRARINI, 2006].

Une architecture délibérative et réactive d'agents, architecture composée d‘agents

délibératifs et d‘agents réactifs en interaction, résulte directement du besoin de valider de tels

comportements coopératifs. Dans [LABARTHE et al., 2007] il est proposé de mixer différents

types de comportements (réactifs et délibératifs), afin de permettre d‘étudier comment les

comportements locaux peuvent impacter le comportement global de la chaîne logistique.

Cependant, des aspects organisationnels ont principalement été pris en considération au

niveau du logiciel de simulation.

Ainsi, le cadre méthodologique que nous proposons doit explicitement prendre en compte

dans la modélisation de la chaîne logistique, sa structure organisationnelle et sa dynamique,

notamment les relations organisationnelles pouvant exister entre les acteurs de la chaîne, ainsi

que la modélisation des comportements réactifs et délibératifs et les différents rôles de ces

acteurs.

2.2 Explicitation d’observables et d’indicateurs organisationnels

Les travaux liés à la modélisation des chaînes logistiques étudiés dans l‘état de l‘art ne

définissent pas explicitement d‘observables organisationnels spécifiques à une chaîne



78

logistique considérée, observables caractérisant tant sa structure que sa dynamique comme

nous l‘avons vu dans le chapitré précédents.

Les observables organisationnels d‘une chaîne logistique sont généralement définis par les

experts de la logistique, lors d‘une première modélisation de la chaîne (modélisation de

niveau domaine). Comme nous l‘avons déjà évoqué, le fait que ces observables et indicateurs

ne soient pas pris en compte dans la phase de modélisation de la chaîne a des conséquences

importantes au niveau de la simulation de la chaîne. En effet, ces observables sont des

éléments organisationnels de la chaîne importants, dont il s‘agit de cerner l‘évolution lors de

la simulation (taux de rotation des stocks, niveau de service client…). Aussi s‘ils ne sont pas

pris en compte en modélisation, ils ne pourront être pleinement ou simplement étudiés lors de

la simulation. Afin de mieux cerner les enjeux posés par l‘identification des observables et la

production d‘indicateur nous rappelons ci-après quelques définitions en nous inspirant du

cadre d‘analyse proposée par [LETOUZEY, 2001]

Les observables sont des données, des informations, devant être mises en avant dans les

résultats de simulation pour être plus particulièrement étudiés dans leur évolution. L'objectif

principal est de reproduire le comportement de la chaîne logistique selon des niveaux de détail

requis pour produire les observables désirés par un utilisateur observateur. Les observables

décrivent ainsi des informations ou des indicateurs, simples ou agrégés (à différents niveaux

hiérarchiques), décrivant les états des entités de la chaîne logistique, les performances, ainsi

que les processus ou les décisions (stratégies d‘ordonnancement, stratégies de gestion de

stock, etc.), et leurs conséquences (évaluation des performances de leurs résultats sur la

chaîne). Ces observables organisationnels sont généralement mesurés selon des indicateurs,

notamment de performance, qui permettront de constituer des métriques d‘observation et

évaluation de la chaîne lors de sa simulation.

En management un indicateur se définit comme une information ou un ensemble

d‘informations contribuant à l‘appréciation d‘une situation. Il peut être défini comme un

événement, un fait observable, mesurable et déterminé par un calcul qui l‘identifie de façon

qualitative ou quantitative. A partir de cela, nous considérons un indicateur organisationnel

comme l‘information choisie associée à un phénomène organisationnel, destinée à en observer

périodiquement les évolutions au regard d'objectifs. Ainsi, ces indicateurs sont des données

quantitatives qui caractérisent une situation en évolution (une action ou des conséquences

d'une action) afin d'évaluer et comparer leur statut à différentes dates.



79

Si la notion d‘indicateur n‘est pas nécessairement associée à une mesure de performance,

les indicateurs de performance sont largement utilisés en management, notamment pour

l‘élaboration de divers tableaux de bords. Un indicateur de performance (Key Performance

Indicator) [RECH, 2005] est une mesure ou un ensemble de mesures orientées sur un aspect

critique de la performance globale de l'organisation. Le but principal d'une évaluation des

performances d'un système est de mesurer l'écart entre les performances réelles et les

performances souhaitées, et de juger le caractère plus ou moins acceptable de cet écart [LE

DAIN et NDAO, 1997]. En conséquence, un indicateur de performance est une donnée

quantifiée qui mesure l‘efficacité et/ou l‘efficience de tout ou partie d‘un processus ou d‘un

système (réel ou simulé) par rapport à une norme, un plan ou un objectif, déterminé et accepté

dans le cadre d‘une stratégie d‘entreprise.

Une première caractéristique fondamentale de l‘indicateur de performance est qu‘il est

généralement défini par rapport à un objectif [BERRAH, 1997] [BITTON, 1990], en

conséquence son évaluation se fait par comparaison à une référence. Le but principal d'une

évaluation des performances d'un système est de mesurer l'écart entre les performances réelles

et les performances souhaitées, et de juger le caractère plus ou moins acceptable de cet écart

[LE DAIN et NDAO, 1997]. Une autre caractéristique de l‘indicateur de performance est son

aspect quantifié [LE DAIN et NDAO, 1997] [BERRAH, 1997] [BITTON, 1990], il est avant

tout une mesure, pas nécessairement directe, et pouvant nécessiter une recherche

d'information à des niveaux plus ou moins élevés du système évalué.

Ainsi l'indicateur de performance est caractérisé par un objectif, une mesure d'efficacité et

des variables d'action [BERRAH et HAURAT, 1997]. L'objectif représente l'état espéré, la

mesure l'état réel et la variable d'action l'un des leviers sur lesquels on peut agir en fonction de

l'écart entre l'objectif et la mesure [BERRAH et al., 2000].

D‘une façon générale, on distingue dans la littérature deux grands types d‘indicateurs :

- Indicateur de résultat : il se réfère à la qualité du produit ou de la prestation, ce type

d‘indicateur indique une valeur à un moment donné et reflète la réalité. Généralement

sa lecture se fait dans la durée, la propension à l‘efficacité ou non résulte en effet du

cumul de ces données dans le temps (par exemple pour un résultat de production de

6000 chaises par jour).

- Indicateur de processus : c‘est une mesure qui donne l‘ensemble à mettre en œuvre

pour atteindre un objectif déterminé, sur une période déterminée. Indique le respect



80

des processus existant, par exemple le délai (par exemple pour les travaux en cours au

sein d'un processus de production).

A ces deux types d‘indicateurs de performance peut se rajouter des indicateurs externes,

comme les indicateurs associés à la satisfaction du client. Les indicateurs de résultats et de

processus peuvent être répartis en trois grandes familles :

- Stratégique (par exemple pour une augmentation des ventes de 10% il ya aura des

indicateurs précis par produit, par vente, par vendeur, par territoire).

- Tactique (par exemple pour l'atteinte de résultats au niveau de l'amélioration continue

à l'intérieur de l'entreprise; pour améliorer le temps de 'setup' d'une machine).

- Opérationnel (par exemple pour déterminer et améliorer les temps d'opération au sein

d'un processus).

On trouve aussi dans [BERRAH, 1997] et [BERRAH et al., 1995] la proposition d‘un

modèle d‘indicateur de performance articulé autour de trois facettes : objectifs, évaluation et

appréciation (Figure 3.11) :

Figure 3.11 : Modèle d‘indicateur de performance [BERRAH et al. 1995]

- la facette objectif concernant la formalisation de l'objectif : spécification du domaine

d'analyse (univers du discours, qualitatif ou quantitatif) puis détermination de la valeur

à atteindre;



81

- la facette évaluation concernant la mesure : acquisition puis évaluation par rapport à

l'objectif;

- la facette appréciation concernant l'interprétation de la mesure par l'utilisateur :

vérification de la validité de la mesure (conditions de la mesure) et remise en cause de

l'objectif, en fonction des connaissances et de l'expertise de l'utilisateur.

Ce modèle nous apparaît original car il propose d'intégrer l'évaluation de données

qualitatives, alors que l'indicateur de performance précédemment défini était essentiellement

une donnée quantifiée. Cet aspect qualitatif, que l'on retrouve également au niveau de

l'objectif associé, est un point intéressant des indicateurs, quoique très discuté. Bien que

souvent ignoré par la recherche, il est très présent dans l'industrie où il est parfois difficile de

formuler précisément l'objectif à atteindre.

A partir de cela, nous pouvons considérer que, comme l‘illustre la Figure 3.12

[MUSTAPHA et al., 2010], l‘indicateur de performance peut être caractérisé par : (i) une

catégorie spécifiant le type d‘objectif pour lequel il a été défini, par exemple décrire une

activité, une productivité, une qualité, des coûts, des délais, (ii) un type qui peut être soit

quantitatif ou qualitatif et ainsi nécessiter la définition de ses unités et les valeurs autorisées

(un nombre réel si de type quantitatif et liste des valeurs si de type qualitatif), et enfin (iii) par

une ou plusieurs fonctions comme un objectif de mesure (résultats, processus, satisfaction

client, etc.), un domaine de mesure (activité, projet, entreprise, etc.), ou encore une catégorie

d‘utilisateur (direction générale de l‘entreprise, direction du projet, chefs de projet, etc.).

Figure 3.12 : Classification d'Indicateur [MUSTAPHA et al., 2010]



82

2.3 Modélisation et simulation multi-niveaux, multi-échelles et

multi-paradigmes

Le cadre méthodologique pour la modélisation et la simulation de chaîne logistiques que nous

proposons préconise une modélisation de la chaîne logistique intégrant des modélisations de

composants de celle-ci réalisées à différents niveaux de détail. En effet la prise en compte

explicite d‘une part d‘aspects organisationnels de la chaîne logistique, aspects tant structurels

que dynamiques, avec notamment l‘explicitation de rôles et de comportements de types

réactifs ou délibératifs des composants de la chaînes, et d‘autre part d‘observables et

d‘indicateurs associés à la chaîne ou à ses différents composants, font qu‘il est nécessaire de

préconiser une modélisation à la fois multi-niveaux de détails et multi-échelles, avec ses

conséquences au niveau de la simulation.

2.3.1 Modélisation et simulation multi-niveaux

Une chaîne logistique est composée de divers composants pouvant être décrit de façon

organisationnelle tant en ce qui concerne ses aspects structurels que dynamiques. Ces

composants peuvent être décrits par des comportements réactifs et/ou délibératifs avec plus ou

moins de détails, selon le choix du modélisateur. Ces composants peuvent aussi, à leur tour,

être décomposés en composants, plus fins eux-mêmes organisés. On peut alors parler de

niveaux d‘organisation différents voir emboités. Des observables spécifiques à ces

composants de différents niveaux de détail et/ou d‘organisation peuvent aussi être définis.

Ainsi la description de la chaîne logistique dans son ensemble, ainsi que la description des

composants de la chaîne, pourra impliquer différents niveaux d'organisation avec plus ou

moins de détails. Chaque niveau doit être centré sur ses besoins spécifiques en matière de

représentation du comportement observable, mais les différents niveaux doivent être liés entre

eux. Par conséquent, les détails peuvent aller de l'organisation d'une cellule de production ou à

l'efficacité d‘une machine, jusqu'à ou à un niveau supérieur de l‘entreprise tel la gestion de la

flotte de transport ou de la stratégie vente d'achat d‘une entreprise de chaîne logistique.

2.3.2 Modélisation et simulation multi-échelles

Une modélisation multi-niveaux de la chaîne logistique, pouvant impliquer différents niveaux

d'organisation avec plus ou moins de détails, nécessite d'être capable de modéliser et surtout

simuler ces différents comportements à différentes échelles notamment temporelles.

Cependant, tous les composants sur les différentes échelles de la chaîne logistique ne peuvent



83

être pertinents et efficaces du point de vue de la complexité de la modélisation ou du point de

vue technique. Par conséquent, la modélisation et la simulation doit permettre l‘élagage de la

structure organisationnelle de la chaîne, et de considérer différentes échelles de simulation.

Ainsi dans la simulation d‘une chaîne logistique un acteur entreprise peut être complètement

simulée tout le long de son niveau d'organisation, alors que la simulation d‘un autre acteur

entreprise puisse se résumer à une seule entité de simulation, sans que cela n‘empêche ces

deux acteurs entreprises d‘interagir.

Au niveau de la simulation de la chaîne logistique, une gestion d‘échelles temporelles

différentes s‘avère nécessaire. En effet, les composants de la chaîne logistique peuvent

réaliser des activités dans en temps réel (simulé) ; (par exemple la surveillance d'une machine

de production ou d'un camion) ou avoir une durée plus longue (par exemple, un processus de

rééchelonnement). La simulation doit donc faire face à des ordonnanceurs locaux (chacune

dédiée à un niveau d'organisation ou un groupe d'entités simulées), tout en assurant un

comportement global cohérent de la SC (en termes de contrainte de temps et de causalité).

2.3.3 Modélisation et simulation multi-paradigmes

Comme nous l‘avons vu, une modélisation multi-niveaux de la chaîne logistique peut

impliquer différents niveaux d'organisation avec plus ou moins de détails, nécessite d'être

capable de modéliser et simuler ces différents comportements. Les comportements des

composants de la chaîne logistique peuvent être couplés et nécessiter une modélisation

spécifique plus ou moins complexe.

Ainsi, en fonction du niveau d‘organisation et de détail retenu par le modélisateur, pour un

composant donné de la chaîne logistique, un paradigme de modélisation sera plus ou moins

adapté. Ainsi un modèle réactif sera plus particulièrement adapté à la modélisation d‘une

ressource simple comme une machine production, un camion, un modèle mathématique

pourra être retenu pour modéliser une gestion de stocks, un modèle multi-agents pourra être

retenu pour modéliser une négociation avec des fournisseurs, etc.

La conséquence de cette modélisation multi-paradigmes au niveau de la simulation de la

chaîne est qu‘il est nécessaire quelle permette une intégration de logiciels de simulation

existants, pouvant simuler chacun un composant de la chaîne particulier qui aura été modélisé

selon un paradigme particulier. Ceci nécessitera une interopérabilité entre les modèles de

simulation, ainsi qu‘une interopérabilité logicielle entre les divers logiciels associés aux

divers composants de la chaîne lors de la simulation.



84

En raison de la nature de la chaîne logistique (SC) et des exigences de simulation,

l'architecture de logiciels distribués est nécessaire. Deux approches principales sont possibles:

L’architecture à base d’agents génériques (homogènes) avec le langage de

modélisation dédié [GAUD et al., 2008] [HÜBNER et al., 2008].

Les simulations distinctes coordonnées, en particulier lorsque des paradigmes

différents sont utilisés, à travers des mécanismes d'interopérabilité et des protocoles

comme HLA [CHATFIELD et al. 2007] [OUNNAR et al., 2008].

Comme nous le verrons plus en détail dans le chapitre suivant, nous combinerons ces deux

approches. Ainsi, nous adopterons tout d‘abord une approche de modélisation

organisationnelle centrée d‘individu qui est assez simple pour être liées au langage dédié

modélisation relevant du domaine des chaînes logistiques, et produiront des modèles qui

pourront ensuite être traduit dans d‘autres paradigmes de modélisation avec leur langage

spécifique.

De plus nous proposeront un « framework » logiciel ou « cadriciel » à base d‘agents,

constituant une infrastructure d‘intégration spécifique, qui assurera l‘interopérabilité, la

cohérence des différents modèles de simulations, ceci indépendamment de l'environnement

logiciel dans lequel ils auront été exécutés, comme dans [ESPINASSE et al., 2007] dans un

contexte aide à la décision environnementale.

3. Présentation générale du cadre méthodologique proposé

Face à la complexité de conception de simulation orientées agents, il s‘agit d‘assister les

modélisateurs en leur proposant une démarche composées d‘étapes, lors desquelles seront

développés des modèles, selon des objectifs de modélisation spécifiques, et formalisés dans

des formalismes adaptés, ceci de la modélisation du domaine des chaînes logistique à leur

simulation informatique.

Dans cette section, nous présenterons de façon générale notre cadre méthodologique, en

introduisant tout d‘abord les différents niveaux d‘abstraction le structurent et définissent des

grandes étapes de notre démarche. Ensuite sont définies la problématique générale des deux

principales étapes de la démarche, la modélisation conceptuelle et la modélisation

opérationnelle, en introduisant les différents modèles sur lesquels elles reposent.



85

3.1 Niveaux d’abstraction considérés

Les travaux de recherche présentés lors de la revue de littérature proposent différentes

approches de modélisation de la chaîne logistique. Ces approches reposent sur un mécanisme

de représentation positionnant la phase d‘abstraction entre le système réel et le modèle multi-

agents.

Nous proposons une démarche de modélisation incrémentale selon laquelle différents

modèles sont élaborés à des niveaux d‘abstraction différents. Dans un premier temps, le

système réel est représenté selon une approche de modélisation liée au domaine de l‘étude.

Dans un second temps, nous avons recours au paradigme agent pour traduire le modèle de

domaine en un modèle multi-agents. Ceci, afin de prendre en considération l‘ensemble des

propriétés relatives au domaine de l‘étude dés la phase d‘abstraction. La transformation du

modèle de domaine en modèle multi-agents favorise le transfert des connaissances rapportées

par l‘expert du domaine, tant au niveau de la représentation des individus qu‘au niveau de la

représentation de leur organisation.

Trois intervenants majeurs dans le processus général de la modélisation et simulation de

chaînes logistiques ont été définis dans [MEURISSE et VANBERGUE, 2001] : le

thématicien, le modélisateur et l‘informaticien. Ces intervenants travaillent conjointement

dans le but de concevoir et de manipuler des modèles aux objectifs différents. Le thématicien

définit les besoins de simulation et se charge de la description du système par la conception

du modèle de domaine. Le modélisateur transforme le modèle de domaine en un modèle

conceptuel, et s‘appuie pour cela sur le paradigme agent. L’informaticien pour sa part

s‘intéresse à l‘opérationnalisation du modèle conceptuel pour l‘implémentation d‘agents

logiciels au sein d‘un environnement de simulation. De plus l‘informaticien conçoit un

environnement d‘expérimentation pour l‘exploitation des simulations et des résultats associés.

Ces modèles différents modèles impliqués dans le processus général de la modélisation et

simulation de chaînes logistiques peuvent être structurés selon différents niveaux de

conceptions, ou niveaux d‘abstraction, déjà été définis dans [LABARTHE et al., 2007], et qui

sont les suivants :

- Le niveau domaine a pour objet de formaliser les connaissances manipulées par

l‘expert de domaine sur les chaînes logistiques. Il s‘agit de décrire la structure du

réseau manufacturier ainsi que les comportements de ses acteurs. Ce niveau requiert

l‘utilisation de formalismes relevant du domaine de l‘étude.



86

- Le niveau conceptuel traduit le modèle de domaine en s‘appuyant sur une approche

de modélisation orientée agents. Le modélisateur fait abstraction des considérations

techniques liées à l‘exécution de simulations. La modélisation conceptuelle repose sur

plusieurs modèles précisant la nature des agents et l‘architecture du système multi-

agents.

- Le niveau opérationnel a pour objet de traduire le modèle conceptuel afin de le

rendre opératoire. Il s‘agit pour l‘informaticien d‘opérationnaliser le modèle

conceptuel agent. Chaque agent identifié au niveau conceptuel est spécifié et

implémenté selon les contraintes liées à l‘environnement de développement.

- Le niveau exploitation s‘intéresse à la mise en œuvre du modèle opérationnel au sein

d‘un système informatique. Il s‘agit, toujours pour l‘informaticien, de prendre en

compte les contraintes techniques ignorées au niveau opérationnel. Ainsi le système

multi-agents sera déployé au sein d‘un environnement logiciel autorisant son

exécution pour la conduite d‘expérimentations par simulations.

La « colonne vertébrale » du cadre méthodologique proposée est ainsi définie par la mise

en relief de l‘ensemble des niveaux d‘abstraction. A ces niveaux, correspondent des grandes

étapes du processus de modélisation et de simulation, étapes prises en charge par les trois

intervenants (thématicien, modélisateur et informaticien). L‘articulation de ces étapes est

illustrée à la Figure 3.13.

Figure 3.13 : Etapes de modélisation et de simulation



87

L‘enchaînement de ces étapes offre une vue d‘ensemble des niveaux de conception pour la

modélisation et la simulation orientées agents. Il s‘agit par la suite de définir le cadre

méthodologique.

3.2 Cadre méthodologique proposé

La complexité du processus de modélisation, ainsi que sa mise en œuvre, nous amènent à

proposer une approche de modélisation basée sur une structure supplémentaire, dans laquelle

les différents modèles sont développés. Selon cette approche, le système réel est d'abord

représenté par une modélisation de domaine de chaîne logistique (par exemple un modèle

NetMan [LABARTHE et al., 2007], un modèle UEML2 (Unified Enterprise Modeling

Language) etc. permettant de représenter les aspects organisationnels.

La démarche de modélisation globale repose sur une approche incrémentale durant

lesquels différents modèles sont élaborés. Dans la Figure 3.14, nous précisons les champs

d‘intervention des experts, les différents modèles et les transitions entre les deux étapes de

modélisation et la simulation orientée agents, ceci au travers du cadre méthodologique

proposé.

Le cadre méthodologique proposé se veut prendre en compte les aspects organisationnels,

tant structurels que dynamiques des chaînes logistiques. Il est structuré selon les différents

niveaux d‘abstraction introduits précédemment. [MUSTAPHA et al., 2010(a)] [MUSTAPHA

et al., 2010(a)]

Dans le processus de modélisation et de simulation de chaîne logistiques, notre cadre

méthodologique distingue trois principales étapes : l‘étape de modélisation conceptuelle,

l‘étape de modélisation opérationnelle, et l’exploitation.

L‘étape de modélisation conceptuelle conduit à l‘élaboration tout d‘abord d‘un Modèle

Organisationnel Conceptuel Rôle (ou CROM – Conceptual Role Organizational Model), puis

à partir de celui-ci, d‘un Modèle Organisationnel Conceptuel Agent (ou CAOM – Conceptual

Agent Organizational Model). L‘étape de modélisation opérationnelle est composée du

Modèle OPérationnel Agent (ou OPAM – OPerational Agent Model). Enfin, l‘étape

d‘exploitation est constituée du système multi-agents et du cadre d‘expérimentation.

Dans les sous-sections suivantes nous introduisons la problématique générale des deux

étapes majeures de notre cadre méthodologique, les étapes de modélisation conceptuelle et de

modélisation opérationnelle. Ces étapes seront détaillées dans les sections suivantes de ce

2 www.ueml.org



88

chapitre. L‘étape de modélisation de domaine ne sera pas traitée dans le cadre de cette

recherche, nous renvoyons le lecteur sur la littérature consacrée à la modélisation d‘entreprise,

notamment dans [LABARTHE, 2006]. En ce qui concerne l‘étape d‘exploitation, elle sera

abordée dans le chapitre suivant relatif à l‘architecture logicielle de support à la simulation.

Figure 3.14 : Cadre méthodologique pour la modélisation et la simulation orientée agents.



89

3.3 Problématique de la modélisation conceptuelle

La problématique générale de l‘étape de modélisation conceptuelle est de traduire la

modélisation de domaine de la chaîne logistique considérée en une modélisation orientée

agents, en faisant abstraction des considérations techniques liées à l‘exécution de simulations.

D‘une façon générale, la modélisation conceptuelle part d‘une modélisation de domaine

de la chaîne logistique déjà réalisée par un expert du domaine, selon un formalisme spécifique

au domaine. Ensuite, il s‘agit pour le modélisateur, en collaboration avec l‘expert, de traduire

ce modèle de domaine de la chaîne en un modèle conceptuel. Cette traduction repose sur le

concept organisationnel central de rôle, qui permettra de modéliser les aspects

organisationnels (structurels et dynamiques) de la chaîne ainsi que les observables et

indicateurs associés. Cette traduction permet de mettre en évidence la structure de

l'organisation en détachant le modèle des aspects "métiers" trop contraignants tout en gardant

une représentation forte de l'organisation et des relations structurelles et dynamiques entre les

composants de cette organisation. Enfin, il s‘agit à l‘informaticien, en collaboration avec le

modélisateur, de traduire cette modélisation conceptuelle centrée rôles de la chaîne, en une

modélisation conceptuelle orientée agents.

Plus précisément cette modélisation conceptuelle repose sur l‘élaboration de deux

modèles développé consécutivement : le Modèle Organisationnel Conceptuel Rôle (CROM -

Conceptual Role Organizational Model), puis le Modèle Organisationnel Conceptuel Agent

(CAOM - Conceptual Agent Organizational Model), permettant de façon progressive et via le

concept de rôle, d‘agentifier le modèle de domaine de la chaîne logistique.

L‘élaboration du modèle CROM repose sur l'identification des entités actives et leur

organisation à partir du modèle de domaine selon le concept des rôles et des groupes. Ce

modèle met en évidence la structure organisationnelle de la chaîne logistique ainsi que les

relations structurelles et dynamiques entre les entités qui composent cette chaîne logistique.

Ce modèle est ensuite transposé dans le paradigme agents, dans l‘élaboration d‘un premier

modèle agent de la chaîne, le modèle CAOM. Ce modèle est défini sur la base des

observables dont l'utilisateur a besoin pour la préparation de la mise en œuvre de la

simulation. La clé importante de l‘élaboration du modèle CAOM est l‘identification et la

caractérisation des agents concourants à décrire la chaîne logistique dans ses aspects

organisationnels, tant structurels que dynamiques, selon différents niveaux d‘organisation et

de détails, et selon une perspective d‘observation spécifique.



90

3.4 Problématique de la modélisation opérationnelle

La problématique générale de l‘étape de modélisation opérationnelle est de traduire le modèle

conceptuel orienté agent obtenue à l‘issue de la modélisation conceptuelle dans un modèle

orienté agents opératoire. Il s‘agit pour l‘informaticien d‘opérationnaliser le modèle

conceptuel agent CAOM. Chaque agent identifié au niveau conceptuel doit être spécifié et

implémenté selon les contraintes liées à l‘environnement de développement.

Cette modélisation opérationnelle repose principalement sur l‘élaboration d‘un modèle, le

Modèle OPérationnel Agent (OPAM – OPerational Agent Model). Nous voyons dans la

section 5 dédiée à la modélisation opérationnelle, que ce modèle OPAM n‘est pas suffisant

pour couvrir toutes les spécifications attendues à ce niveau opérationnel, aussi d‘autres

modèles ou diagrammes le complèteront.

Le passage de la modélisation conceptuelle et la modélisation opérationnelle se fait au

travers de la « spécification ». Nous proposons de découper cette spécification en deux

temps : (i) traduire le modèle de rôles en Modèle Organisationnel Conceptuel Agent (ou

CAOM – Conceptual Agent Organizational Model) (agentification) et ensuite (ii) spécifier un

modèle opérationnel agent à partir de ce modèle conceptuel agent.

A partir du Modèle OPérationnel Agent (ou OPAM – OPerational Agent Model),

l‘informaticien s‘intéresse à la conception du système multi-agent. Il s‘agit pour

l‘informaticien de rendre exécutable le modèle opérationnel en l‘implémentant au sein d‘un

environnement de développement agents. Cette dernière étape de conception nécessite la

réalisation de nombreux tests pour la validation du système multi-agents.

Notons que dans les travaux développés dans [LABARTHE et al., 2007], les observables,

potentiellement liés à la structure organisationnelle du système réel ne sont pas explicitement

décrits au niveau de la modélisation (conceptuelle et opérationnelle). Ils ne sont mentionnés

qu‘au niveau du modèle de système multi-agents, c‘est-à-dire qu‘ils n‘apparaissent qu‘au

moment de la mise en œuvre. Dans le cadre méthodologique que nous proposons, ces

observateurs sont rattachés aux aspects organisationnels de la chaîne, ils sont alors spécifiés

dès la modélisation conceptuelle.

Un autre objectif visé par ce cadre méthodologique au niveau opérationnel est de

permettre une simulation de composants de la chaîne, à différents niveaux d‘organisation

et/ou de détail, sur différentes plates-formes logicielles associées à différents paradigmes de

modélisation, et ainsi de faciliter le processus de traduction vers ces différents paradigmes et



91

leur mise en œuvre. Cela nécessite une architecture logicielle, multi-modèle, multi-paradigme

et un cadre méthodologique pour faciliter la construction de la simulation d'une chaîne

logistique.

4. Modélisation conceptuelle d’une chaîne logistique

Tout d‘abord rappelons que la problématique générale de l‘étape de modélisation conceptuelle

est de traduire la modélisation de domaine de la chaîne logistique considérée en une

modélisation orientée agents, en faisant abstraction des considérations techniques liées à

l‘exécution de simulations. Cette traduction repose sur le concept organisationnel central de

rôle, qui permettra de modéliser les aspects organisationnels (structurels et dynamiques) de la

chaîne ainsi que les observables et indicateurs associés, et conduira ensuite à l‘identification

des agents.

Pour conduire cette modélisation conceptuelle, nous supposons qu‘une modélisation de

domaine a déjà été faite, c‘est à dire qu‘il existe un modèle de domaine de la chaîne

logistique, modèle qui aura pu être développé dans un formalisme relevant du domaine du

génie industriel, plus précisément de la modélisation d‘entreprise.

Cette modélisation conceptuelle repose sur l‘élaboration de deux modèles unifiés

développés consécutivement : le Modèle Organisationnel Conceptuel Role (CROM -

Conceptual Role Organizational Model), puis le Modèle Organisationnel Conceptuel Agent

(CAOM - Conceptual Agent Organizational Model). Les modèles CROM et CAOM sont des

modèles unifiés dans la mesure où ils se suffisent à eux-mêmes, c‘est à dire qu‘ils ne

nécessitent pas le développement complémentaire d‘autres modèles ou diagrammes.

Dans cette section nous présentons ces deux modèles de la modélisation conceptuelle qui

permettent progressivement et au travers du concept de rôle, d‘agentifier le modèle de

domaine de la chaîne logistique. Tout d‘abord le modèle CROM (Conceptual Role

Organizational Model) puis le modèle CAOM (Conceptual Agent Organizational Model).

Pour chacun de ces modèles nous rappelons ses objectifs, ses concepts fondateurs, son méta-

modèle, et illustreront son élaboration sur une chaîne logistique simple.

4.1 Modèle Organisationnel Conceptuel Rôle (CROM)

Ce modèle a pour objectif de modéliser au travers du concept central de rôle, la chaîne

logistique avec ses aspects organisationnels, tant structurels que dynamiques, ainsi que les

observables associés. Nous présentons tout d'abord les concepts principaux sur lesquels



92

repose ce modèle CROM, puis son méta-modèle. Enfin, nous présentons un exemple

illustratif d‘élaboration d'un modèle CROM pour une chaîne logistique simple.

4.1.1 Les concepts principaux du modèle CROM

Le modèle CROM permet de modéliser une chaîne logistique avec ses aspects

organisationnels, au travers du concept central de rôle. Ces aspects organisationnels

concernent la structure même de la chaîne, ainsi que les relations structurelles et dynamiques

entre les entités qui la composent. Les concepts principaux sur lesquels repose ce modèle

CROM s‘inspirent de travaux existants déjà cités dans l‘état de l‘art. Ainsi ces concepts

principalement étendent les travaux du LSIS en la matière [LABARTHE et al., 2006]. Il

s‘inspire des concepts du méta-modèle organisationnel CRIO [GAUD et al., 2008],

notamment du concept de capacité, concept possédant de constituer une double interface: (i)

tout d‘abord entre l‘agent et le rôle, permettant de définir le comportement du rôle en faisant

abstraction de l‘architecture de l‘agent sous-jacent, et (ii) ensuite entre deux niveaux

d‘abstraction adjacents dans la hiérarchie organisationnelle du système.

Le modèle CROM doit permettre de préciser un certain nombre de propriétés au niveau

conceptuel qui pourront définir, notamment, la structure organisationnelle au niveau

conceptuel pour qu‘on puisse en tenir en compte lors de la traduction en un modèle

opérationnel. Se centrant essentiellement sur des aspects de conception et d‘analyse, le

modèle CROM intègre les concepts majeurs d‘acteur, de groupe, de rôle, de service et de

relation, définis ainsi :

- L'acteur est une entité active de l'organisation;

- Le groupe représente un ensemble de rôles joués dans l'organisation;

- Le rôle représente le concept joué par un acteur ("abstraction d'un comportement dans

le contexte d'une organisation" [FERBER et al., 2009];

- Un service représente une fonction réalisée par un acteur [WOOLDRIDGE et al.,

2000];

- Une relation représente une interaction entre entités.

Ces concepts étant utilisés pour traduire des modèles de domaine de chaîne logistique

élaborés par ailleurs par des experts du domaine de la logistique, un modèle CROM est

associé à une ontologie du domaine des chaînes logistiques. Cette ontologie peut proposer une

bibliothèque de la hiérarchie des rôles, recueillir les différents rôles à utiliser, notamment la



93

chaîne ainsi que le type prédéfini des groupes (par exemple l'organisation des services

différents de production).

4.1.2 Le méta-modèle CROM

Les concepts sur lesquels repose le modèle CROM sont définis au travers d‘un méta-modèle.

Ce méta-modèle définit le plus précisément possible l‘ensemble des concepts impliqués dans

un modèle CROM et leurs relations sémantiques. Le méta-modèle CROM est formalisé par le

diagramme de classe UML présenté dans la Figure 3.15. D‘un point vue structure

organisationnelle une chaîne logistique sera décrite dans un modèle CROM par les concepts

suivants : Organisation, Niveau, Groupe (Structurel et dynamique), Acteur, Rôle et Relation.

Figure 3.15 : Méta-modèle CROM

Dans un modèle CROM l‘organisation d‘une chaîne logistique est composé de niveaux

(hiérarchiques) qui détiennent un ou plusieurs groupes, chaque groupe contenant les acteurs

jouant des rôles. Notons qu‘un acteur joue un rôle dans un groupe, mais peut aussi jouer le

même rôle dans les différents groupes. Inversement, le même rôle peut être joué par plusieurs

acteurs.



94

L‘organisation, le groupe, et les acteurs peuvent générer des observables (quantitatifs ou

qualitatifs). Un rôle fournit des services à d'autres rôles du même groupe, tandis qu'un service

peut exiger des capacités (tel que définies dans le modèle de domaine). Des relations peuvent

se tisser entre acteurs et/ou rôles. Elles représentent un flux d'informations et/ou flux

physiques (produits, produits semi-finis, matières premières, etc.).

Il existe dans un modèle CROM deux types de groupes d‘acteurs jouant des rôles :

- les groupes structurels associés à une description isomorphe de l'organisation

structurelle de la chaîne logistique;

- les groupes dynamiques, caractérisé par une durée de temps ou un objectif partagé par

des acteurs de différents groupes structurels.

Type de

relation

Catégorie de la

relation Type de flux

Notation

graphique Description

Str

uct

ure

l

Collaboration

Information

Représenter les processus de

collaboration entre les acteurs d'une

même sous-structure telle que la

planification coopérative (implique une

certaine autonomie)

Contrôle

Information

Un acteur (hiérarchique) a un contrôle

sur un autre c'est à dire qu'il peut

ordonner aux autres à faire des tâches

spécifiques.

Ordonnancement

Information

Matériels

Organiser la réalisation des tâches, en

prenant en considération les contraintes

de temps (délais, ...)

Planification

Information

Matériels

La planification est la mise en œuvre

des objectifs au fil du temps.

Fon

ctio

nn

el (

Dyn

am

iqu

e)

Contractuelle

Information

L'interaction générale entre les acteurs

appartenant à différents groupes

dynamiques. La relation peut être

limitée dans le temps. par exemple, les

aspects métiers tels que le

commandement en passant entre un

client et son fournisseur

Tableau 3.2 : Types d‘interactions dans un modèle CROM

On distingue deux types d‘interactions dans un modèle CROM : les relations structurelles

correspondant à des interactions permettant de développer une collaboration, des contrôle, un



95

ordonnancement et une planification, et les relations dynamiques associées à des interactions

contractuelles. Notons que les relations structurelles et fonctionnelles des sous-types reliées à

la même distinction : un groupe de structure ne détient ainsi que la relation structurelle. Le

Tableau 3.2 présente plus en détail ces deux types de relations (interactions) possibles dans un

modèle CROM, avec les types de flux concernés, et les notations graphiques adoptées.

Les observables sont caractérisés par ses catégories comme l‘activité, productivité,

qualité, coûts, délais (quantitative ou qualitative).

Sur la base de concepts CROM (acteurs, des groupes et niveaux hiérarchiques), chaque

niveau est défini par ses groupes, leurs acteurs et leurs rôles. Les rôles sont caractérisés par

un service qu'ils mettent en mouvement.

Ainsi, la structure d‘un groupe est définie comme un quintuplé: Gi = (Aci, Ri, Si, Rei, T),

où :

- Aci est l'ensemble des acteurs représentés par le groupe Gi ;

- Ri est l'ensemble des rôles joués par des Aci ;

- Si est l'ensemble des services des rôles;

- Rei est l'ensemble des relations entre les acteurs;

- T représente l'horizon de temps. Chaque niveau a un horizon temporel (court terme,

moyen terme, à long terme) qui sera utile pour la simulation.

4.1.3 Illustration : modèle CROM d'une chaîne logistique

Pour illustrer l‘élaboration des différents modèles de notre cadre méthodologique, nous

modéliseront une chaîne logistique simple composée de trois acteurs : un fournisseur, nommé

Compagnie 1, un transporteur, nommé Compagnie 2, et un client, nommé Compagnie 3.

Le modèle CROM de cette chaîne logistique, illustré à la Figure 3.16, est un modèle

structurel divisé en trois niveaux hiérarchique. Un acteur de la chaîne pourra être modélisé par

un ou plusieurs groupes structurels positionnés chacun à un niveau hiérarchique donné. Au

niveau de la chaîne, chaque niveau se compose ainsi d‘un ou plusieurs groupes, pouvant être

des groupes structurels ou des groupes dynamiques.

Dans un premier niveau, Compagnie 1, Compagnie 2, Compagnie 3 sont trois acteurs liés

par une relation de type « collaboration » dans le groupe dynamique G1 au niveau N1.

Chacun de ces trois acteurs compagnies est représenté par un groupe d‘acteurs jouant des

rôles à un niveau hiérarchique spécifique. Par exemple l‘acteur Compagnie 1, peut collaborer



96

en négociant avec l‘acteur Compagnie 2 au niveau N1. Tandis qu‘au niveau N2, cet acteur

Compagnie 2 contrôle ses capacités de production/assemblage avec un autre acteur qui est son

Directeur de production/assemblage. Ce dernier acteur prend des décisions à court terme à ce

niveau N2, et il contrôle en temps réel l‘exécution de ces décisions par des acteurs plus fins

qui sont Machine 1, Machine 2, Machine n modélisés sur le niveau N3.

Figure 3.16 : Illustration du modèle CROM dans le cas de chaîne logistique

Dans cet exemple, est décrit un processus VMI (Vendor Management Inventory) dans

lequel la Compagnie 2 utilise Compagnie 1 comme une ressource d'actions en cas de besoin.

Considérant que l'acteur Stock appartient à la Compagnie 1 (relation structurelle) joue le



97

même rôle <stock> dans un groupe dynamique constitué avec l'acteur de camions de

Compagnie 2. Une relation de type contrôle spécifie les flux d'informations que les acteurs

échangent pour atteindre leurs objectifs.

4.2 Modèle Organisationnel Conceptuel Agent (CAOM)

Le modèle conceptuel organisationnel agent (CAOM) est une traduction du modèle

conceptuel organisationnel rôle (CROM) dans une modélisation orientée agents. Les agents

spécifiés au niveau du CAOM ne sont pas détaillés, ils le seront dans le modèle opérationnel,

selon des architectures agents spécifiques (cf. Figure 3.14).

Cette modélisation opérationnelle, est classique dans la conception de génie logiciel

orienté agent associe les rôles avec les agents en fonction de l'approche de modélisation

choisi. Nous présentons tout d'abord les concepts fondateurs de ce modèle CAOM, puis son

méta-modèle. Enfin, nous présentons un exemple illustratif d‘élaboration d'un modèle CAOM

pour une chaîne logistique simple.

4.2.1 Concepts du modèle CAOM

L‘objectif de CAOM est de spécifier les comportements de chaque acteur du modèle CROM.

Il s'agit de filtrer d‘une part les comportements d‘un « système physique » du monde réel et

d‘autre part les comportements d‘un « système complexe » dans lequel des processus de

décisions complexes interviennent.

Cette traduction permet aussi de mettre en évidence les observables, valeurs

quantitatives/qualitatives pertinentes au regard des objectifs de représentation du système, et

qui peuvent préciser la nature des comportements à simuler.

Les concepts sur lesquels repose le modèle CAOM sont assez similaires à ceux associés

au modèle CROM. Les principales différences résident dans l‘apparition du concept d’agents

et de ses sous types (réactif, délibératif et hybride), concept qui se substitue au concept

d’acteur du modèle CROM, et le concept d’interaction entre agents qui remplace celui de

relation entre acteurs dans le modèle CROM.

4.2.2 Le méta-modèle CAOM

Le méta-modèle suivant dans la Figure 3.17 illustre ces concepts qui constituent les blocs de

construction d'un modèle CAOM.



98

Comme le précise le méta-modèle, une organisation est structurée selon des niveaux

(hiérarchiques) qui contiennent un ou plusieurs groupes, qui à leur tour se composent d‘un ou

plusieurs agents jouant un seul rôle. Ainsi, dans un modèle CAOM, un agent joue un rôle

unique dans un groupe. Notons qu‘un agent peut jouer le même rôle dans des groupes

différents, et qu‘un même rôle peut être joué par plusieurs agents dans un même groupe.

L‘organisation, le groupe, et les agents peuvent générer des valeurs observables

(quantitatifs ou qualitatifs). Un rôle fournit des services à d'autres rôles du même groupe,

tandis qu'un service peut exiger des capacités (tel que défini dans le modèle de domaine). Il

existe une ontologie de domaine pour chaque rôle. Les interactions reliant les agents peuvent

s‘établir entre l'agent et/ou des rôles.

Il existe deux types de groupes : les groupes structurels, correspondant à une description

isomorphe de l'organisation de la chaîne logistique, et des groupes dynamiques, caractérisés

par une durée de temps ou un objectif partagé par des agents de différents groupes structurels.

Figure 3.17 : Méta-modèle CAOM

On distingue deux sous-types d'interactions, des interactions de nature informationnelles

et des interactions de nature physique. Ces deux types d‘interactions sont caractérisés dans le

Tableau 3.3.



99

Type

d'interaction

Catégories de

l'interaction

notation

graphique

Description

Ph

ysi

qu

e

Matériel C‘est l‘échange des matériels entre les acteurs

représentés par les agents réactifs, par exemple,

livraison de matériel (entre Stock et Camions)

Info

rmati

on

Simple Simple échange d'informations pour réaliser des

tâches, la répartition des tâches ou le partage des

connaissances.

Complexe

Suppose que les agents doivent coordonner leurs

actions afin de combiner leurs compétences pour

résoudre des taches complexes. Par exemple les

activités industrielles nécessitant une approche

distribuée, ce genre de systèmes de contrôle, la

conception et la fabrication de produits industriels,

un contrôle distribué. [FERBER et al., 2009].

Tableau 3.3 : Type d‘interactions dans le modèle CAOM

De façon similaire aux modèles l'AGR [FERBER et al., 2009] et CRIO [GAUD et al.,

2008], la structure d‘un groupe d‘agents dans le modèle CAOM peut être défini par un

quadruplet : Gi = (Ai, Si, Ii, T), où :

- Ai est l‘ensemble des agents appartenant au groupe Gi;

- Si est l'ensemble des services des agents ;

- Ii est l'ensemble des interactions entre les agents ;

- T représente la simulation du temps à identifier l'échelle de temps (court terme, moyen

terme, à long terme) comme défini dans le CROM.

Le passage d‘un modèle CROM à un modèle CAOM repose sur une agentification

effectuée à partir des rôles des acteurs définis dans le modèle CROM. Les rôles d‘acteurs du

modèle CROM peuvent être combinés en caractérisant un ou plusieurs agents, selon le type de

comportement qui devrait être étudiée « simple » ou « intelligents ».

Le Tableau 3.4 résume les différents critères utilisés pour décider de l‘agentification à

partir des rôles d‘acteurs définis dans le modèle CAOM. Par exemple, dans le modèle Agent-

Acteur "mécanique" les rôles sont décrits avec des agents réactifs, (mis en œuvre dans JADE

[RIMASSA et al., 1999], tandis que le rôle des comportements complexes est édicté par

l'agent délibératifs (plate-forme JASON [BORDINI et HÜBNER, 2006] [BORDINI et al.,



100

2005] [VIEIRA et al., 2007]. Dans le cas de l‘architecture CRIO (agent/holon) le choix est

fait de soutenir le modèle CAOM, puis les rôles peuvent être décrits avec l'agent hybride.

CROM CAOM

Rô

les

de

l’a

cteu

r

Agent Comportement (Critères de traduction)

Agent Réactive

<AR>

Si le comportement simple est requis, un type de comportement stimulus-

réponse est suffisant. Ceci peut être décrit plus tard avec un diagramme

d'état UML. (Par exemple une machine de production)

Agent délibérative

<AD>

Si la prise de décision et de négociation sont nécessaires, il faudra alors les

capacités d'un agent de délibération à percevoir son environnement et le

comportement des autres agents. Exemple: directeur de production

(Exemple CROM)

Agent hybride

<AH>

Les comportements réactifs et les comportements délibératifs sont

nécessaires. Par exemple, une machine "intelligente" capable de coopérer

avec d'autres machines quand des les événements perturbateurs se

produisent.

Tableau 3.4 : Acteurs à des Agents

La deuxième tâche de ce passage du modèle CROM au modèle CAOM concerne la

transformation de la relation entre les acteurs CROM. Ainsi, les relations CROM sont

transposées dans un monde d‘agents tout en conservant leur classification (cf. Tableau 3.4).

La Figure 3.18 montre un exemple d'un diagramme de séquence UML utilisé pour

modéliser la communication entre les agents au cours de la réalisation d'une stratégie de

résolution de rupture de coopération.

Au début, Compagnie 1 envoi une demande de coopération à compagnie 2 et Compagnie

3 (par exemple envoi de la date limite de réception ou de livraison de la tâche après utilisation

des stocks) qui reçois la demande de coopération (Figure 3.18 (1)).

Il y a ensuite proposition de solutions issues du processus de coopération. Puis réception

de(s) proposition(s) de solution(s). Si la réception du message « Permutation impossible avec

la tâche », alors suppression de la solution correspondante à la liste des tâches proposées. S‘il

y a un manque de temps alors on envoi le message « Arrêt des calculs». Si on réceptionne le

message « Fin des calculs» alors entrée en phase de décision. (Figure 3.18 (2)).

Cette phase de décision consiste en une sélection d‘une solution de la liste des solutions

potentielles. L‘envoi du message « Permutation confirmé avec la tâche » à l‘unité de

résolution retenue.



101

Figure 3.18 : Modélisation de communication

Enfin, si on réceptionne le message « Permutation confirmée avec la tâche », alors si

toujours valide, on envoie un message de « Confirmation de coopération avec la tâche »,

sinon on envoie un message de « Coopération impossible». (Figure 3.18 (3)).

4.2.3 Illustration : modèle CAOM d'une chaîne logistique

Nous reprenons la modélisation de la chaîne logistique simple que nous avons déjà utilisé

pour illustrés les modèles CROM. La figure suivante (Figure 3.19) illustre un modèle CAOM

dérivé du modèle CROM élaboré précédemment. Ce modèle CROM décrit la structure

organisationnelle de la chaîne logistique considérée selon une approche agents.

(1)

(2)

(3)



102

Figure 3.19 : Illustration du modèle CAOM dans le cas de chaîne logistique

La structure est divisée en 3 niveaux. Chaque niveau se compose d'une ou plusieurs

groupes (structurale ou dynamique) des agents. Dans le premier niveau, Compagnie 1,

Compagnie 2 et Compagnie 3 sont trois compagnies agents liés par une interaction

(complexes); chacune de ces compagnies est représenter par un groupe d'agents qui jouent un

rôle à différents niveaux hiérarchiques. Figure 3.19, donne une représentation graphique

description d'un modèle CAOM avec des agents réactifs et délibératifs.

En outre, un processus VMI (Vendor Management Inventory) est décrit, parce que le

comportement de Compagnie 3 est limitées, il est représenté par un agent réactif, il utilise



103

Compagnie 2 en tant que ressource de camion en cas de besoin. L'interaction physique

spécifie la circulation de l'information à l'usage agent pour accomplir leurs objectifs.

La section suivante développe plus en détail la modélisation opérationnelle du cadre

méthodologique proposé, en présentant les modèles concernés, leur articulation et processus

d‘élaboration, avec une illustration concrète sur une chaîne logistique.

5. Modélisation opérationnelle d’une chaîne logistique

Rappelons tout d‘abord que la problématique générale de cette étape de modélisation

opérationnelle est de traduire le modèle conceptuel orienté agent obtenue à l‘issue de la

modélisation conceptuelle dans un modèle orienté agents opératoire. Il s‘agit pour

l‘informaticien d‘opérationnaliser le modèle conceptuel agent CAOM, pour lequel chaque

agent devra être spécifié et implémenté selon les contraintes liées à l‘environnement de

développement.

Contrairement aux modèles du la modélisation conceptuelle (CROM et CAOM) qui

étaient unifiés, un seul diagramme ne sera pas suffisant pour couvrir toutes les spécifications

attendues à ce niveau opérationnel. La vue structurelle de cette modélisation opérationnelle

sera couverte par un diagramme ou modèle nommé OPAM (OPAM – OPerational Agent

Model), directement dérivé du modèle CAOM. Pour la vue dynamique, se rajouteront d‘autres

diagrammes complémentaires, notamment des diagrammes d‘états et des diagrammes de

séquences (UML/AUML), pour spécifier les comportements des agents et leurs interactions.

Dans cette section nous présentons tout d‘abord le modèle associé à la vue structurelle de

cette modélisation opérationnelle, le modèle OPAM, avec ses concepts et son méta-modèle,

définissant un environnement d‘agents réactifs et un environnement d‘agents délibératifs,

ainsi que la démarche retenue pour passer d‘un modèle CAOM à un modèle OPAM. Ensuite

nous montrons comment sur la vue dynamique de cette modélisation opérationnelle, les

comportements d‘agents et les interactions entre agents sont spécifiés, en utilisant notamment

des diagrammes d‘états ou de séquences. Enfin, nous présentons un exemple illustratif

d‘élaboration d‘une modélisation opérationnelle pour une chaîne logistique simple.

5.1 Vue structurelle : modèle opérationnel agent (OPAM)

La modélisation opérationnelle spécifie une solution d‘implémentation du modèle conceptuel

agent (CAOM). Cette étape conduit à l‘élaboration d‘un modèle OPAM impliquant

notamment des choix d‘architectures d‘agents.



104

Figure 3.20 : Méta-modèle OPAM

Les concepts du modèle OPAM sont formalisés dans le méta-modèle (diagramme de

classe UML) présenté à la Figure 3.20. Ce méta-modèle est composé de deux environnements

d‘agents : environnement réactifs et environnement délibératifs (ou cognitifs). Ces

environnements contiennent un ou plusieurs agents (réactifs ou délibératifs). Pour chaque

agent il y des comportements qui peuvent défini par un diagramme « statchart ». Il existe

aussi une interaction entre les agents dans chaque environnement.

Pour la représentation des agents et de leurs comportements au niveau opérationnel, nous

différencierons les agents, cette différentiation étant par les observables. On distinguera ainsi

deux environnements d‘agents : un environnement d’agents réactifs et un environnement

d’agents délibératifs (cognitifs).

Les agents délibératifs : ces agents présents dans l'environnement délibératif agissent de

manière autonome pour l‘atteinte de leurs objectifs. Ils disposent d‘une représentation

explicite de l‘environnement et possèdent des capacités de raisonnement. Ils peuvent jouer

plusieurs rôles au sein du système multi-agents, par la mise en œuvre de multiples plans.

Les agents réactifs : ces agents présents dans l'environnement réactif agissent en réponse

aux stimuli de l‘environnement.

Afin de décrire les liens existants entre les deux environnements d‘agents, nous proposons

une architecture d‘agent définie en tant que composition d‘agents en interactions, agents de

nature cognitive et agents de nature réactive. Les agents délibératifs adoptent des

comportements complexes et les agents réactifs adoptent les comportements simples.



105

5.2 Vue dynamique : comportements et interactions

Comme nous l‘avons déjà dit, un seul diagramme, le modèle OPAM n‘est pas suffisant pour

couvrir toutes les spécifications attendues à ce niveau opérationnel, notamment les

comportements d‘agents et les interactions entre agents, associés à la vue dynamique de la

modélisation opérationnelle.

5.2.1 Spécification des comportements d’agents

La modélisation opérationnelle nécessite la description détaillée des comportements d‘agents

ainsi que le contenu de leurs interactions. Le choix d‘architecture d‘agent ayant été effectué

au niveau conceptuel, il s‘agit de spécifier comment (i.e. quels plans) leur permettent

d‘assurer les rôles et services.

Chaque agent conceptuel est représenté par un modèle d‘agent composé d‘une de deux

architectures logicielles d‘agents : architecture cognitive et réactive. Cette distinction, au

niveau des architectures logicielles d‘agents, nous amène à considérer deux plateformes

d‘agents. Chaque plateforme regroupe les agents de même type qui disposent

d‘environnements de simulation spécifiques.

La conception du modèle opérationnel agent permet de définir les modèles d‘agents

impliqués dans le système multi-agents. Cette étape de modélisation intègre la phase de

spécification des agents et s‘appuie pour cela sur des formalismes de représentation adaptés. Il

s‘agit de représenter les comportements des agents, pour cela nous retenons l‘utilisation de

deux formalismes de spécification de comportements. Les comportements des agents réactifs

et délibératifs sont spécifiés à l‘aide du langage de modélisation AUML (Agent Unified

Modeling Language) [ODELL et al., 2001].

Les interactions entre agents délibératifs et agents réactifs se formalisent par l‘envoi et la

réception de messages, plusieurs types de message sont présentés dans le tableau ci-dessus

(Tableau 3.5). La représentation des actions de communication s‘appuie sur les diagrammes

de séquences issus du langage de modélisation AUML pour la visualisation du type de

messages échangés et leur contenu.

Le langage de modélisation Agent-UML (AUML - Agent Unified Modelling Language)

est utilisé pour la conception de systèmes multi-agents [ODELL et al., 2000]. Basé sur le

langage UML utilisé pour les développements des différents composants de systèmes selon

l‘approche objets, AUML propose un langage de modélisation orienté agents. AUML

capitalise les travaux d‘UML en intégrant les différences qui existent entre les agents et les



106

objets. Par rapport aux objets, les agents disposent d‘un ensemble de propriétés

caractéristiques leur permettant notamment de réaliser des actions pour l‘atteinte de leurs buts

(exemple : l‘autonomie). Ces différences mettent en avant l‘insuffisance d‘UML pour

modéliser les agents et les systèmes multi-agents. A titre d‘exemple, AUML remplace la

notion de méthode par celle de service et la notion de classe par celle de but.

Nom - Type Description

Demande groupe d‘agent Message utilisé par les agents qui veulent remettre à jour leur connaissance sur

les groupes.

Réponse groupe d‘agents Message utilisé par un agent pour signaler la liste des groupes que cet agent

peut contacter.

Connaître l‘agent Message qui permet de connaître les agents qui sont dans le même groupe ou

dans les autres groupes (Message entre les agents dans les groupes)

Conflit Message qui permet de résoudre un conflit (entre les agents)

Répondre « Informer» Message qui permet à un agent de répondre à la requête, il fournit son

identifiant, son rôle et son groupe.

Requête Demande d‘un agent à un autre agent d‘exécuter un plan.

Demande d‘informer Requête d‘un agent à un autre agent. L‘agent à l‘initiative de la communication

à besoin d‘une information à un autre agent,

Information Échange d‘informations

Négociation Communication entre les agents, il fournit aussi l‘identifiant, le rôle et le groupe

Coopération Communication entre les agents pour finaliser une tâche.

Tableau 3.5 : Type de message

Les diagrammes proposés dans AUML concernent essentiellement la modélisation des

agents (diagrammes de classes), la représentation de leurs comportements (diagrammes

d‘états) et sur les protocoles d‘interaction (diagrammes de séquences). Les diagrammes de

classes sont utilisés pour représenter les entités du système réel (agents, objets) ainsi que leurs

relations. Les diagrammes d‘états sont utilisés pour représenter la dynamique du système réel

en décrivant les états et les actions des agents. Les diagrammes de séquences sont utilisés

pour représenter les échanges de messages entre les agents.

Nous retenons l‘utilisation des diagrammes d‘états pour représenter les comportements

des agents réactifs et délibératifs. Les diagrammes d‘états servent à représenter des automates

à états finis sous forme de graphes d'état, reliés par des arcs orientés qui décrivent les

transitions. Les états permettent de décrire les différentes actions réalisées par un agent réactif

et un agent délibératif en réponse aux stimuli de l‘environnement. Une transition représente le

passage d'un état vers un autre.



107

Une transition est déclenchée par l'arrivée d'un événement. La Figure 3.21 propose sur un

exemple, la représentation du comportement d‘un agent réactif pour la réalisation d‘une

activité de livraison de produits suite à la réception d‘un ordre. Lorsqu‘une commande ne peut

être complétée, elle est retardée et placée en attente. Chaque réception de produits conduit

l‘évaluation des commandes en souffrance afin d‘identifier si les ordres retardés peuvent être

complétés.

Figure 3.21 : Exemple de diagramme d‘états

Ce type de diagramme représente de manière dynamique les actions réalisées par un agent

réactif et un agent délibératif. Les diagrammes d‘état offrent un formalisme pour décrire le

comportement des agents réactifs et des agents délibératifs. Chaque état concerne une action

réalisée par l‘agent. La transition est associée à un événement issu de l‘environnement ou bien

résultant d‘une action de l‘agent. Les stimuli représentent les interactions avec d'autres agents

(réactifs et/ou délibératifs) ou des objets situés dans le système multi-agents.

Au sein du Modèle Opérationnel Agent, les agents communiquent par échanges de

messages. Nous retenons les diagrammes de séquence pour représenter les échanges de

messages. Ce type de représentation permet de visualiser le type de messages échangés, leur

contenu, ainsi que le processus d‘activités qu‘ils déclenchent. La bande d‘activation

représente les périodes d'activité des agents. Les flèches représentent les messages échangés

entre les agents. La Figure 3.22 illustre un exemple d‘échange de messages entre deux agents,

source [Odell et al., 2000].



108

Figure 3.22 : Exemple de diagramme de séquences

5.2.2 Spécification des interactions entre agents

Au sein du Modèle Opérationnel Agent les interactions entre les agents cognitifs et les agents

réactifs se formalisent par l‘envoi et la réception de messages. Les interactions entre agents

peuvent se décliner selon trois possibilités : (i) les interactions entre agents délibératifs, (ii) les

interactions entre agents délibératifs et agents réactifs, définis en fonction des liens de

responsabilité, et (iii) les interactions entre agents réactifs.

Dans le cas des interactions entre agents délibératifs, agents réactifs et agents

délibératifs/réactifs, les diagrammes de séquences AUML sont utilisés pour modéliser les

communications. Il s‘agit de représenter les messages échangés en spécifiant une partie des

champs des messages. L‘exemple suivant montre les communications entres les différents

agents (Figure 3.23).



109

Figure 3.23 : Echanges de messages entre agents délibératifs et agents réactifs.

5.3 Illustration : modélisation opérationnelle d'une chaîne

logistique

Comme nous l‘avons déjà vu, contrairement à la modélisation conceptuelle, la modélisation

opérationnelle reposera sur plusieurs diagrammes associés soit à la vue structurelle, soit à la

vue dynamique de cette modélisation. Pour la vue structurelle le modèle OPAM sera dérivé

du modèle CAOM de la modélisation conceptuelle. Pour la vue dynamique, divers

diagrammes de séquences et d‘états permettront de spécifier les comportements des agents du

modèle OPAM, ainsi que leurs interactions.

Nous reprenons la modélisation de la chaîne logistique simple que nous avons déjà utilisé

pour illustrés les modèles CROM et CAOM de la modélisation conceptuelle.



110

5.3.1 Vue structurelle : modèle OPAM de la chaîne

Pour l‘élaboration du modèle OPAM de notre chaîne logistique simple, la structure du modèle

de classes du modèle CAOM est divisée en deux partitions, une pour les agents délibératifs et

l‘autre pour les agents réactifs.

Figure 3.24 : Illustration du modèle OPAM dans le cas de chaîne logistique

Comme l‘illustre la Figure 3.24, dans l‘environnement d‘agents délibératifs, nous plaçons

l‘Agent Compagnie 1 et l‘Agent Directeur de production, et ces deux agents sont reliés par

une interaction de type message. L‘agent Compagnie 2 est considéré comme un agent hybride

parce qu‘il joue deux rôles différents, un rôle délibératif dans l‘environnement délibératif et

un rôle réactif dans l‘environnement réactif.

5.3.2 Vue dynamique : comportements et interactions

A titre illustratif, voici la spécification d‘un comportement d‘agent et d‘une interaction entre

les agents spécifiés par des diagrammes d‘états et de séquence.



111

Figure 3.25 : Spécification des comportements et interaction entre les agents

Ce diagramme montre l‘échange des messages entre les différents types d‘agents (réactifs

et cognitifs). Le but de cet exemple est de fabriqué un produit, tout d'abord l‘Agent

Compagnie 1 il envoi une commande à l‘Agent Directeur de Production pour fabriqué ce

produit. Ce dernier s‘occupe à exécuter et envoyé cet ordre vers les Agents Machines pour

fabriquer les produits. Ensuite, le produit fini sont livrés vers le stock qu‘ils soient disponibles

pour l‘étape suivante (assemblage, transporteur..).

6. Conclusion

Modéliser des systèmes complexes nécessite la définition de nombreuses hypothèses

simplificatrices. Le problème de modélisation se trouve reformulé, puisqu‘il ne s‘agit pas de

construire un modèle multi-agent ex-nihilo d‘un système réel, nécessitant par exemple de

passer par une phase d‘expression des besoins très générale. Comme toute organisation

humaine, la solution d‘associer un agent à une entité de la chaîne logistique s‘impose assez

vite, ne serait-ce que pour des raisons de compréhension ou d‘interprétation par l‘expert de

domaine ne disposant pas de compétences en ingénierie multi-agents. La proposition d‘un



112

cadre méthodologique s‘intéresse à la définition des étapes de conception nécessaires à

l‘élaboration de modèles multi-agents, tant au niveau conceptuel qu‘au niveau opérationnel.

La Modélisation Conceptuelle de chaînes logistiques offre une représentation du modèle

de domaine. Cette modélisation repose sur plusieurs modèles, Modèle Organisationnel

Conceptuel Rôle et Modèle Organisationnel Conceptuel Agent ; Le modèle conceptuel offre

une représentation des éléments du Modèle Structurel et de leurs comportements définis dans

le Modèle Dynamique.

La Modélisation Opérationnelle Agent propose une représentation détaillée du Modèle

Organisationnel Conceptuel Agent. Pour la représentation des agents et de leurs

comportements au niveau opérationnel, nous proposons une approche de modélisation

permettant de différencier les agents, ce type de modélisation est dirigées par l‘observables.

Cette approche de modélisation est composée de deux environnements d‘agents : un

environnement d‘agents réactifs et un environnement d‘agents délibératifs.

Afin de décrire les liens existants entre les deux environnements d‘agents, nous

proposons, dans le chapitre suivant les environnements de développement pour les différents

types d‘agents, et une architecture d‘agent définie en tant que composition d‘agents en

interactions, agents de nature cognitive et agents de nature réactive. Les agents délibératifs

adoptent des comportements complexes et les agents réactifs adoptent les comportements

simples.

113

CHAPITRE 4 : UNE ARCHITECTURE LOGICIELLE

POUR LA MODELISATION ET LA SIMULATION

ORGANISATIONNELLE DE CHAÎNE

LOGISTIQUE

PLAN DU CHAPITRE

1. Introduction ................................................................................................................. 114

2. Besoins à satisfaire par une architecture logicielle pour la simulation

organisationnelle d’une chaine logistique .......................................................................... 115

2.1 Besoins « métiers » ................................................................................................ 115

2.2 Besoins liés à la simulation .................................................................................... 116

2.3 Besoins méthodologiques ....................................................................................... 116

3. Différentes approches logicielles possibles ................................................................ 117

3.1 Approche basée sur un environnement de simulation unique ................................ 119

3.2 Approche basée sur l‘intégration de simulateurs existants .................................... 120

3.3 Approche retenue ................................................................................................... 124

4. Une architecture logicielle pour la simulation orientée organisation de chaînes

logistiques .............................................................................................................................. 125

4.1 Principes généraux ................................................................................................. 126

4.2 Choix techniques d‘implémentation ....................................................................... 132

4.2.1 La plateforme JASON ........................................................................................ 133

4.2.2 La plateforme JADE ........................................................................................... 135

4.3 Les agents du médiateur ......................................................................................... 139

4.4 Production et gestion d‘indicateurs ........................................................................ 141

5. Illustration du fonctionnement de l’architecture dans le cas d'une Chaîne

Logistique .............................................................................................................................. 145

5.1 Modèle OPAM considéré et son implémentation .................................................. 146

5.2 Illustration du fonctionnement de l‘architecture de simulation ............................. 148

6. Conclusion .................................................................................................................... 153

Chapitre 4 : Une architecture logicielle pour la modélisation et la simulation

organisationnelle de chaînes logistique

114

1. Introduction

L‘objectif de ce chapitre est de présenter la solution logicielle retenue pour accompagner le

processus de conception et de production de simulations de chaînes logistiques orientées

organisation et basées sur une modélisation multi-agents. Il s‘agit de proposer une architecture

logicielle qui facilite la production de ces simulations en intégrant les besoins fonctionnels et

logiciels liés à la simulation de chaînes logistiques.

Les différentes étapes du cadre méthodologique présentées dans le chapitre précédent,

aboutissent à une modélisation opérationnelle cristallisée par le modèle OPAM et caractérisée

par :

- L‘affinement de l’organisation multi-agents : décomposée en deux sociétés distinctes

mais en interaction : l‘une dite cognitive (ou délibérative) simulant des processus

décisionnels, et l‘autre dite réactive, simulant des processus simple ou fortement

automatisés.

- La spécification des comportements des agents : dans des langages adaptés à la

granularité des agents, il s‘agit de décrire comment l‘agent doit se comporter au cours

de la simulation sans préjuger de la manière dont ils seront effectivement mis en

œuvre (langage de programmation, langage de simulation, environnement, etc.).

- La spécification des interactions entre agents : desquelles résulte la dynamique de la

simulation. Ces interactions présenteront des problématiques de mise en œuvre

différentes selon que sont impliqués des agents d‘une même société ou de deux

sociétés différentes (réactive et cognitive).

Le modèle OPAM représente ainsi un premier niveau de solution d‘implémentation du

modèle conceptuel (CAOM). Il s‘agit maintenant de le mettre en œuvre avec une architecture

logicielle adaptée.

Dans ce chapitre nous présentons tout d‘abord les besoins de différentes natures auxquels

doit répondre une telle architecture. Puis nous présentons différentes approches logicielles

possibles, et argumentons l‘approche « intégrative » que nous avons retenue. Ensuite nous

présentons en détail l‘architecture logicielle que nous proposons pour la simulation

organisationnelle de chaines logistiques. Enfin, avant de conclure, nous illustrons le

fonctionnement de cette architecture sur un exemple de simulation d‘une chaine logistique

très simple.



115

2. Besoins à satisfaire par une architecture logicielle pour

la simulation organisationnelle d’une chaine logistique

Un environnement de simulation a pour objectif à la fois de faciliter la manipulation de

modèles de simulation et de contrôler leur exécution en vue d‘exploiter leurs résultats. Afin

d‘accompagner le processus de conception de simulation orientée organisation de chaînes

logistiques, présenté dans le chapitre précédent, différents besoins doivent être traités, aussi

bien en terme conceptuel que logiciel. Ces besoins peuvent être résumés en trois grandes

catégories :

- Besoins « métiers » liés au domaine d’étude (et des pratiques liées) i.e. des chaînes

logistiques :

o Gestion (conception, exécution) de modèles exprimés dans des langages de

modélisation variés (modèles de simulation « hérités », etc.).

o Intégration logicielle et sémantique de ces modèles.

- Besoins liés à l’objectif de simulation :

o Gestion du temps.

- Besoins résultants du cadre méthodologique proposé :

o Production des observables.

o Gestion des groupes.

Ces différents besoins adressent ainsi à des niveaux d‘abstraction différents, et concourent

à la mise en œuvre opérationnelle de modèles (i.e. jusqu‘à leur exécution) produits à l‘aide du

cadre méthodologique. Les sous-sections suivantes développent ces besoins et présentent

quelques travaux pouvant y répondre.

2.1 Besoins « métiers »

Comme évoqué en section précédente, le système complexe que constitue une chaîne

logistique impose de tenir compte de nombreuses contraintes. Il s‘agit de pouvoir modéliser et

simuler un système selon différents niveau d‘analyse en fonction des fonctions de la chaîne

logistique (au sens métier, i.e. production, logistique, stock, etc.), ainsi que leur niveau de

mise en œuvre (décisionnel, opérationnel). De fait, la nature des processus, des calculs ou

processus décisionnels mis en œuvre impose une grande variabilité de modalité de

représentation des comportements des entités de la chaîne logistique. Ceci se traduit par des

modèles exprimés dans des langages de modélisation adaptés, qu‘il faut pouvoir alors intégrer



116

c'est-à-dire rendre ou maintenir compatibles à un niveau conceptuel et opérationnel. Le

paradigme multi-agent nous paraît le permettre.

Ce besoin issu d‘une analyse a priori du système peut également, de manière plus

pragmatique, résulter d‘investissements en termes d‘effort d‘analyse et de modélisation

antérieurs. Ainsi, des modèles « hérités » (issus de legacy systems) peuvent avoir été produits

et présenter un intérêt dans une expérience particulière de simulation [CHATFIELD et al.,

2007]. Ces modèles peuvent avoir été développés dans des langages de modélisation et/ou de

programmation différents (par exemple avec AnyLogic3, Arena

4, etc.). Cette approche

d‘intégration de logiciel « prêt à l‘emploi » (ou COTS – Components Off The Shelves ou

encore (CSPs - Commercial-Off-The-Shelf Simulation Packages), présente des difficultés

spécifiques [BOER et al., 2008] [TAYLOR et al. 2009]. La simulation finale devant exploiter

l‘ensemble des modèles disponibles et assurer une bonne interaction entre ces modèles.

Si l‘intégration conceptuelle de ces modèles a pu être gérée dans les étapes de

modélisation précédente, il reste à maintenir cette intégration au niveau logiciel, ainsi qu‘à

gérer l‘éventuelle interopérabilité entre les systèmes logiciels dans lesquels évoluent ces

modèles (partage de données, redirection d‘évènements, etc.).

2.2 Besoins liés à la simulation

La nature distribuée de la simulation de chaîne logistique, ainsi que la prise en compte du

besoin précédent, conduit à répartir la charge de simulation sur plusieurs simulateurs. Dés lors

que le mot « simulation » est posé, la question du temps devient incontournable et s‘impose

au sein et entre les simulateurs. Il faut alors pouvoir synchroniser les simulateurs pour éviter

un comportement incohérent de la simulation dans sa globalité et donc des résultats de

simulations erronés [FUJIMOTO, 2000].

Ce problème n‘est pas spécifique à la simulation de chaînes logistiques et a déjà été posé.

Différentes solutions existent notamment en termes d‘algorithme de synchronisation,

d‘architecture logicielle.

2.3 Besoins méthodologiques

Aux besoins métiers de la chaîne logistique et de simulation, s‘ajoutent ceux directement liés

aux propositions conceptuelles du cadre méthodologique présenté dans le chapitre précédent.

Ces besoins nouveaux peuvent se résumer à la gestion des groupes et des observables.

3 http://www.xjtek.com 4 http://www.arenasimulation.com

http://www.xjtek.com/

http://www.arenasimulation.com/



117

La gestion des groupes pose problème à différent niveaux en fonction du contexte de

simulation. L‘architecture de simulation doit ainsi proposer des primitives de gestion de

groupe (création, demande d‘entrée dans un groupe, gestion des rôles dans un groupe,

communication intergroupe, etc.) dans un contexte d‘hétérogénéité logicielle. Si des

propositions ont déjà été faites au sein d‘environnement « totalement » multi-agent (exemple,

MadKit [GUTKNECHT et FERBER, 2000]), la question de la conservation de l‘identité de

groupe, tel que définis et maintenus dans les modèles CROM, CAOM puis OPAM, dans des

environnements logiciels non agent est plus délicate. A moins de prévoir, et modifier

fortement, les modèles de simulation antérieurs, il faut pouvoir assurer cette identité de

groupe à l‘extérieur des environnements de simulation. Ce point peut également être

important pour le respect du besoin de la production d‘observables.

La production d‘observables, simples ou agrégés, identifiés et définis dans les étapes

précédentes du cadre méthodologique, constitue un enjeu important au niveau architectural,

notamment lorsque plusieurs environnements logiciels sont concernés. Cette production

d‘information peut avoir un impact sur la performance de la simulation : une approche naïve

pourrait par exemple ne pas tenir compte du coût de transport de message au sein et entre les

simulateurs et augmenter la charge de simulation. D‘un point de vue architectural, il faut alors

trouver une solution assurant la cohérence et la validité des données produites et ce à un coût

(en terme de temps d‘exécution) raisonnable.

Ayant identifié les différents besoins que doit remplir un simulateur capable

d‘accompagner le processus de conception de simulation proposé dans le cadre

méthodologiques, nous étudierons dans les sections suivantes les solutions existantes pouvant

répondre en tout ou partie à ces besoins.

3. Différentes approches logicielles possibles

Cette recherche se développant au sein du laboratoire LSIS, il nous apparaît légitime de

rappeler les travaux développés notamment dans le cadre de la thèse d‘Olivier Labarthe

[LABARTHE, 2006]. Ces travaux ont déjà été présentés dans le chapitre deux d‘état de l‘art

(section 6.3). L‘architecture logicielle de la plateforme de simulation de chaîne logistique

proposée dans ces travaux est caractérisée par :



118

- Une société d‘agents (type BDI) développée avec MAJORCA5 [TRANVOUEZ, 2001]

pour l‘exécution des agents cognitifs, auxquels s‘ajoutent des agents de services

(gestion d‘annuaire, etc.).

- Anylogic pour la simulation de la société réactive : chaque agent (réactif) est en fait un

modèle orienté objet (Active Object) d‘Anylogic.

- Un Agent Events Scheduler assurant l‘interopérabilité entre les deux sociétés

consistant à traduire des messages ACL (entre les agents cognitifs) en événements

(associé à un objet message contenant les informations utiles) renvoyés aux Active

Objects correspondants.

- une base de données : pour la gestion des scénarii et des résultats de simulation.

Cette architecture logicielle est en accord avec le cadre méthodologique proposé dans

[LABARTHE, 2006], cadre considérant une chaîne logistique comme étant composée d‘une

partie décisionnelle et d‘une partie physique. La partie décisionnelle décrivant des

comportements des niveaux supérieurs de la hiérarchie, alors que la partie physique décrit la

partie exécutive de la chaîne logistique (les machines de production, les véhicules de

transports, etc.). De fait, la simulation repose sur deux niveaux hiérarchiques avec des

échanges de messages relativement homogène ; des ordres venant de la partie décisionnelle et

des informations de la partie physique. Cette homogénéité se traduit par un mécanisme

d‘intégration relativement simple en ce qu‘il consiste à relayer les messages en les traduisant

en événement dans la partie « physique » et en faits (Jess) dans la partie décisionnelle.

Dans notre recherche, comme l‘a montré le chapitre précédent, si un agent « décisionnel »

au sens de ces travaux précédents ne présentait pas d‘intérêt pour la simulation, il se trouverait

simulé sous la forme d‘un agent simple, réactif, et ainsi se retrouverait dans ce qui était la

partie physique du système antérieur. La modélisation organisationnelle, par la génération

d‘observables, pose alors la question du maintien de l‘ « identité » du groupe ainsi réparti sur,

par exemple, deux environnements différents. Cette identité implique la possibilité de

récupérer des informations, ainsi que relayer des messages de natures différentes selon le lien

d‘interaction et le type d‘agents considérés. A cette difficulté s‘ajoute également, les

contraintes temporelles propres à chaque environnement de simulation. Il s‘agit de garantir la

synchronisation des agents où qu‘ils se trouvent.

Ainsi, la spécificité de notre cadre méthodologique, apporte de nouveaux besoins non

couverts par l‘architecture proposée dans [LABARTHE, 2006], rendant nécessaire une

5 Consistant en une instanciation du moteur d‘inférence Jess (http://www.jessrules.com/), d‘un module de

communication et d‘un gestionnaire de plan.



119

nouvelle réflexion sur les choix architecturaux. Au vu des besoins de différentes natures

identifiés dans la section précédente, l‘exécution des modèles de simulations OPAM peut être

réalisée de trois façons différentes :

- Traduire les modèles dans un seul environnement de simulation.

- Disposer ou définir d‘un environnement générique et ouvert à d‘autres langages et

modèles de simulation (i.e. moteur de simulation générique).

- Proposer une architecture d‘intégration.

Les deux premières façons reviennent à retenir un seul environnement de simulation, alors

que la troisième réutilise des modèles de simulation exécutés sur des simulateurs pouvant être

différents et pose le problème de leur intégration. Nous étudions dans les sections suivantes

chacune de ces deux approches basées, soit sur un environnement de simulation unique, soit

sur l‘intégration de simulateurs existants.

3.1 Approche basée sur un environnement de simulation unique

Comme nous venons de le voir une première approche de l‘exécution des modèles de

simulations OPAM peut être faite soit en traduisant les modèles dans un seul environnement

de simulation, soit en disposant ou définissant un environnement générique et ouvert à

d‘autres langages et modèles de simulation (moteur de simulation générique). La différence

entre ces deux options se situant au niveau du degré de généricité de la solution logiciel.

Dans les deux cas, il faut choisir un environnement de simulation avec un langage de

simulation ouvert permettant de représenter les différents types de comportement : c'est-à-dire

à la fois des comportements simples (représentable par des machines à état ou autres

diagrammes équivalent) et des comportements plus complexes, manipulant des connaissances

et relevant davantage de l‘intelligence artificielle (IA), et ainsi plus éloignées de la

« simulation » classique. Ces derniers comportements, s‘appuyant sur des protocoles de

coordination potentiellement complexes, doivent également tenir compte des besoins

organisationnels issus de la partie méthodologique de notre contribution. Ainsi,

[CHATFIELD et al., 2007], proposent un environnement de simulation de chaînes logistiques,

basé sur une description « à plat » de la hiérarchie et l‘identification des interactions entre les

acteurs de la chaîne. La modélisation consiste à associer aux acteurs des comportements

représentés (et implémentés) sous la forme d‘une librairie de classes Objet (Java). On retrouve

les limites mentionnées concernant la prise en compte de l‘organisation et de représentation

de connaissances.



120

Il existe de nombreux paradigmes de modélisation pour la simulation (orienté objet,

événements discrets, individu centré, etc.), ainsi que de langages et d‘environnements

logiciels de simulation (Anylogic6, Arena

7, NetLogo

8) la plupart commercialisés. Il n‘existe

pas vraiment de langage standard de simulation à l‘image de ce qu‘à pu constituer UML pour

la modélisation Objet. Certains de ces environnements supportent différents langages de

simulation. Lorsque plusieurs langages de modélisation sont proposés, et si tant est qu‘ils

conviennent au besoin de modélisation (ce qui n‘est pas le cas d‘ores et déjà pour la

dimension IA de notre simulation), il faudrait alors traduire les modèles déjà produits

(lorsqu‘ils existent) dans des modèles sans doute équivalent mais requérant tout de même une

charge de travail supplémentaire, avec le risque potentiel, d‘ajouter des biais de modélisation.

A l‘inverse, l‘existence de modules de modélisation déjà disponibles, permettant

d‘importer, de réutiliser des modèles prédéfinis pourrait constituer une alternative. La

stratégie commerciale des éditeurs semble aller en l‘encontre d‘une recherche de

compatibilité, même lorsque des approches type HLA (cf. ci après) pourraient le proposer

[BOER et al., 2008]. De même, la particularité de devoir gérer des comportements « IA » ne

correspond pas ou peu avec la démarche des simulateurs existants.

Il parait ainsi difficile de pouvoir disposer d‘une solution « prête à l‘emploi ». La seconde

approche, basée sur l‘intégration de simulateurs existants, apparaît comme une solution de

compromis réaliste, réduisant l‘investissement architectural à la définition d‘une infrastructure

logicielle d‘intégration.

3.2 Approche basée sur l’intégration de simulateurs existants

Afin de mieux cerner les enjeux conceptuels et techniques, nous revenons sur la solution

retenue dans d‘autres travaux déjà réalisés du LSIS notamment dans le cadre de la thèse de J.

Serment [SERMENT, 2007].

L‘objectif de cette thèse était d‘intégrer différent systèmes logiciels concourant à la

conception d‘un Système d‘Aide à la Décision Environnemental. Dans le cadre de ce travail,

la simulation impliquait différents modèles de simulation exécutée par des simulateurs

différents, mais également d‘autres systèmes logiciels, notamment un SIG. L‘intégration y est

assurée principalement par invocation de service pour gérer l‘interopérabilité entre, par

exemple, un module de simulation et un module de visualisation. Cette solution d‘intégration,

6 http://www.xjtek.com 7 http://www.arenasimulation.com 8 http://ccl.northwestern.edu/netlogo/

http://www.xjtek.com/

http://www.arenasimulation.com/

http://ccl.northwestern.edu/netlogo/



121

supportée par un SMA et qui s‘inspire sur l‘architecture HLA (High Level Architecture),

apparaît intéressante dans notre contexte de simulation organisationnelle de chaînes

logistiques.

Rappelons que l‘architecture HLA constitue un standard reconnu IEEE 1516 [IEEE,

2000], plus particulièrement dédié à la construction de simulations suffisamment complexes

pour recourir à plusieurs simulateurs (simulation distribuée). Chaque simulateur produit des

données éventuellement exploitées en retour par d‘autres simulateurs : la distribution du

contrôle et des données est alors incontournable et se confronte alors au besoin de

synchronisation des simulateurs garantissant la validité des résultats de simulation.

Développée à l‘initiative et sous le contrôle de l'Office pour la Modélisation et la

Simulation de la Défense américaine (DMSO), HLA constitue une réponse à des besoins réels

rencontrés par cet office dans la constitution de simulations complexes mêlant micro et macro

simulation, avec des degrés divers de dépendance entre les simulateurs (relation

fournisseur/client de données, respect de la temporalité ou causalité des évènements). Cette

architecture est donc très générique mais présente des faiblesses que nous rappellerons en

conclusion.

Figure 4.26: Fédérations en exécution (d‘après [SERMENT, 2007]



122

L‘architecture HLA constituée de trois principaux éléments : les fédérés, le RTI (Run

Time Infrastructure), et les fédérations (Figure 4.26):

- Fédération : est une simulation composée d‘un groupe de simulateurs ou fédérés

interagissant via un médiateur (RTI).

- Fédéré : représente un simulateur au sein d‘une fédération. Les fédérés sont constitués

d‘un simulateur et d‘une implémentation de l‘interface assurant l‘interface avec le

RTI. Chaque fédérés possède des fonctions interne (assurent la simulation local) et

externes (assurent la connexion avec les autres fédérés à travers le RTI).

- RTI (RunTime Infrastructure) : est une infrastructure permettant aux fédérés de

coordonner des opérations et des échanges de données durant l‘exécution d‘une

simulation globale. Il gère aussi les interactions et des objets partagés entre fédérés,

l‘ajout ou le retrait de simulateurs dans la simulation. Enfin, il assure la

synchronisation du temps et la communication entre fédérés. Les services rendus par

le RTI sont synthétisés dans le tableau suivant.

Catégorie de

services

Services et descriptions

Gestion de la

fédération

Création, la destruction, l‘exécution, la mise en pause, l‘enregistrement

ou la restauration de fédérations. Ces services permettant également aux

fédérés de rejoindre ou quitter une fédération.

Gestion de

déclarations

Services permettant aux fédérés de communiquer (publier) leurs

données (objets) et interactions qu‘ils proposent à la fédération, ou

celles d‘autres fédérés qu‘ils souhaitent utiliser (souscrire un

abonnement).

Gestion d’objets Services utilisés pour créer une nouvelle instance d‘objet HLA,

supprimer une instance, modifier les valeurs des attributs.

Gestion de

propriété

Services concernant les propriétés d‘attributs pour acquérir ou modifier

un privilège sur un attribut d‘un objet.

Gestion du

temps

Services concernant la gestion du temps et notamment la

synchronisation entre les différents fédérés. Ils permettent aux fédérés

de choisir le mode de gestion des évènements désiré (parmi ceux

supportés par le RTI), de faire appel aux services d‘incrémentation du

temps de simulation correspondant, de connaître son temps local de

simulation.

Gestion de la

distribution de

données (DDM)

Les services DDM tentent de réduire le nombre d‘échanges de données

sur le réseau

Tableau 4.6 : Catégories de services assurés par le RTI



123

Il est intéressant de faire un parallèle entre la gestion d‘un SMA et d‘une fédération HLA,

et de constater des similitudes, sans toutefois être surprenant du fait des enjeux similaire de

gestion de la distribution sur un ensemble d‘entité. Ainsi, la gestion de la fédération est à

rapprocher à la gestion de groupes tel que proposé dans AGR [FERBER et al., 2009].

La gestion de déclaration fait également penser aux missions remplies par les agents dits

annuaires (par ex. Pages Blanches, Page Jaunes, etc.). La gestion d‘objets partagés peut être

comparée à la gestion d‘Artefacts dans A&A et plus généralement dans [HÜBNER et al.,

2010] et A&A [MONTAGNA et al., 2008]. Enfin, la gestion de la distribution de données

constitue une autre face du problème de l‘optimisation des échanges entre entités … elle est

en général traitée dans les SMA au niveau de l‘environnement de développement de SMA

(par exemple échanges de références sur des objets « Message » au sein d‘un « noyau » et par

TCP/IP ou invocation de méthodes à distance - RMI – entre noyaux). La différence se situe au

final à plusieurs niveaux :

- La manière dont ces services sont mis en œuvre : par invocation de service par ex.

dans HLA (donc ordre comminatoire) ou par échange de message (demande a priori

acceptée), ou combinaison des deux. Ainsi, dans GRIDS [SUDRA, 2001], ou ARTI

[TAN et al., 2000] les agents communiquent entre eux mais encapsulent des

simulateurs. Cette encapsulation peut être gérée par exemple selon la proposition de la

FIPA sur l‘agentification de service [FIPA, 2002] (cf. [SERMENT, 2007] pour une

présentation détaillée).

- La prise en compte explicite du temps : le temps est rarement pris en compte par les

approches agents… Lorsqu‘elle l‘est, dans les plateforme MIMOSA [MULLER,

2004] [MULLER, 2010] et VLE [QUESNEL et al., 2007, elle est conditionnée à une

homogénéisation des modèles de simulation (à rapprocher des discussion de la section

précédente) en s‘appuyant sur DEVS par exemple.

- Le niveau de description du partage d’objet : très formel et structuré dans HLA, mais

on peut trouver une approche s‘en rapprochant dans [HÜBNER et al., 2010], A&A

[MONTAGNA et al., 2008] et Moise [HUBNER et al., 2007]).

- La granularité des entités gérées : en pratique, HLA considère un nombre restreint de

simulateurs et en tous les cas, de forte granularité… mettant en œuvre des simulateurs

complexes. A l‘opposé, une approche agent s‘appuie sur une distribution des calculs

sur des entités plus simple. Ceci s‘explique facilement, dans la différence des

approches de la distribution, mais a des conséquences lourdes sur le nombre de

message/événements envoyés ou données partagés.

http://www.informatik.uni-trier.de/~ley/db/indices/a-tree/h/H=uuml=bner:Jomi_Fred.html




124

La complexité de la mise en œuvre de HLA, du fait de son objectif de généricité et des

motivations initiales de son développement, et tous les inconvénients que cela implique, peut

freiner sa diffusion. Aussi, Taylor et ses collègues (Taylor et al. 2008) ont également tenté de

proposer ce qui peut devenir un standard pour l‘intégration de simulateurs. On retrouve les

mêmes problèmes de synchronisation entre simulateurs, de partage de données.

L‘optimisation des temps de calculs est obtenu par une architecture de type Grid et orientée

service. Le parallèle avec une distribution de la simulation sur des agents disséminés sur un

réseau d‘ordinateur est alors naturel, et apporte une solution alternative à ces différentes

approches9.

3.3 Approche retenue

L‘objectif de notre recherche est de proposer un cadre méthodologique facilitant la conception

(et la réutilisation) de modèles de simulation orientée organisation et incluant des modèles

multi-agents (notamment pour la reproduction de processus de décision complexes). Comme

nous l‘avons vu, il s‘agit ainsi de faciliter le passage des modèles opérationnelles (OPAM

notamment) à une simulation effective avec la production d‘observables identifiés en amont

de la démarche. La mise en œuvre de ces modèles peut être réalisée selon différents

paradigmes et langage de modélisation. La prise en compte explicite de l‘organisation initiale

de la chaîne logistique est rendue difficile lorsque les groupes, structurant cette organisation,

sont distribués sur un ensemble hétérogène de modèles eux même potentiellement exécutés

sur différents environnements de simulation.

L‘approche que nous avons retenu relève ainsi d‘une approche d‘intégration, adapté à ce

contexte, et transpose une partie des concepts usuels de l‘intégration de logiciel en général et

de HLA en particulier. Ainsi, une approche basée sur un médiateur s‘est imposée en tenant

compte des contraintes de la simulation [TAYLOR et al., 2009] et des objectifs spécifiques de

notre cadre méthodologique.

L‘architecture logicielle de simulation que nous proposons pour la simulation

organisationnelle de chaînes logistique sera alors constituée d‘un ensemble de simulateurs et

d‘un médiateur. Ce médiateur aura un rôle majeur dans le processus d‘intégration, en assurant

plus précisément les fonctions suivantes :

- Gestion des données partagées i.e. données produites par un composant intégrable de

l‘architecture (ici un simulateur) et nécessaire (i.e. requis) ou utile (i.e. identifié

9 A noter que des travaux combinant ces différentes approches existent également, citons par ex. l‘infrastructure

GRIDS ((Generic Runtime Infrastructure for Distributed Simulation) [Sudra , 2000], base sur un SMA.



125

comme tel et donc fourni proactivement) à un autre, mais également production des

indicateurs correspondant aux observables retenus pour cette simulation. Ce dernier

point devra être également possible au niveau des groupes (indicateurs globaux)

indépendamment de la manière dont les entités, contenues dans ces groupes, sont

modélisés et simulés (i.e. sur différents simulateurs).

- Gestion du temps : assurer la synchronisation des simulateurs et/ou des

événements/message circulant en et entre eux.

- Gestion des agents : au sens large, c.à.d. toute les fonctions requises pour qu‘un SMA

fonctionne (création, activation, communication, etc.).

- Gestion de l’interopérabilité : entre les simulateurs pour pouvoir transmettre les

informations au bon format.

- Gestion de l’intégrité organisationnelle : i.e. faire en sorte que les interactions

identifiées dans les modèles CROM et CAOM au sein des groupes soient maintenues

au niveau des différents

La section suivante présente plus en détail l‘architecture logicielle de simulation que nous

proposons pour la simulation organisationnelle de chaînes logistique, en mettant plus

particulièrement l‘accent sur ce module logiciel majeur qu‘est le « médiateur ».

4. Une architecture logicielle pour la simulation orientée

organisation de chaînes logistiques

La section précédente montré tout l‘intérêt de recourir à un médiateur et a identifié les

principales fonctions qu‘il devait assurer. Cette section détaille ces fonctions, leurs

interactions avec les simulateurs, et enfin comment ils peuvent être réalisés à l‘aide d‘une

infrastructure multi-agents. Dans l‘élaboration de ce médiateur nous nous inspirerons plus

particulièrement de travaux réalisés autour de la thèse de Julien Serment [SERMENT 2006],

et plus particulièrement de l‘infrastructure d‘intégration IMAGIN qui y est proposée et qui

s‘inspire de l‘architecture HLA déjà évoquée.

Dans un premier temps nous développons les principes généraux sur lesquels repose notre

architecture à base de médiation, en développant plus en détail les grandes fonctions assurées

par le médiateur. Ensuite nous présentons les choix technologiques qui ont été fait pour son

implémentation, puis l‘architecture multi-agents interne de notre médiateur sera détaillée.

Enfin nous développons comment est faite notamment au niveau du médiateur la production

et la gestion d‘indicateurs dans notre architecture de simulation.



126

4.1 Principes généraux

L‘architecture logicielle [MUSTAPHA et al., 2011] que nous proposons pour la simulation

organisationnelle de chaînes logistique est basée sur l‘intégration de simulateurs par

médiation, en s‘inspirant des travaux antérieurs du LSIS et de la spécification HLA. Il s‘agit

dans cette proposition de gagner en généricité dans le couplage des simulateurs, d‘intégrer

l‘objectif de production d‘observables identifiés en amont de la démarche méthodologique

présentée dans le chapitre 3, tenant compte de la structure organisationnelle de la chaîne

logistique, et ce en facilitant au mieux le passage de l‘idée de simulation à son implantation

logicielle et son expérimentation. Le recours à un médiateur facilitant l‘intégration

d‘environnements de simulation hétérogènes s‘imposent.

Ainsi que l‘illustre la Figure 4.27, ce médiateur assure le lien entre ces simulateurs,

permettant ainsi de bénéficier de leurs avantages spécifiques (simulations existantes, expertise

des experts, spécificité des comportements à simuler …), tout en ajoutant les objectifs

supplémentaires, identifiés grâce à la démarche méthodologique, de maintien de la structure

organisationnelle et la production d‘observables.

Figure 4.27 : Architecture générale

Ces simulateurs devront être capables de simuler les modèles produits par les étapes

précédentes de la démarche méthodologique. Le médiateur doit alors permettre l‘interaction

entre ces simulateurs. Ces interactions peuvent concerner l‘échange de résultats (partiels) de

simulation, la synchronisation des simulateurs, etc. La Figure 4.28 illustre une interaction

Plateforme N

Base de

donnée

Plateforme 1

Plateforme 3

Plateforme 2

Médiateur



127

« classique » entre deux simulateurs, dans le cadre de partage d‘information au cours d‘une

simulation [SERMENT et al. 2007] :

1- Demande/Production d’un résultat de simulation d‘un simulateur auprès du

médiateur. Le simulateur 1 peut émettre un besoin d‘information (explicite ou détecté

comme tel) ou produire un résultat de simulation (idem) qui sera traité/intercepté par

le médiateur ;

2- Le médiateur recherche alors si un simulateur (en l‘occurrence le Simulateur 2) a

besoin/peut être intéressé par ces données ;

3- Et transfère les données au Simulateur 2, ou, dans le cas d‘une demande de résultat,

se charge de récupérer les données demandées ou transmettre la demande de donnée ;

4- Le Simulateur 2, en cas de demande de résultat de simulation produit à son tour ces

données qui suivent le chemin inverse pour arriver au Simulateur 1.

Figure 4.28 : Communication entre les simulateurs à partir d‘un médiateur

Ce fonctionnement du médiateur cache des difficultés à la fois logicielles et conceptuelle

(i.e. syntaxique et sémantique). L‘interopérabilité logicielle est un problème également

classique pour lequel de nombreuses solutions existent, en fonction du degré d‘ouverture des

simulateurs (couplage faible/fort, approche RTI /HLA…). D‘un point de vue conceptuel, il

s‘agit de vérifier que l‘échange des informations se fait correctement (quoi et quand) et assure

l‘intégrité de la simulation. De même, l‘approche orienté agent de notre modélisation et de la

simulation suivie tout au long de la démarche méthodologique, implique l‘existence d‘au

moins un « simulateur » multi-agents. Il faut donc également tenir compte de ce besoin,



128

d‘autant que ces agents contribuent également à la représentation de la structure

organisationnelle de la chaîne logistique et la production d‘observables.

Dans ce but, nous avons identifié cinq missions principales du médiateur (cf. Figure 4.29)

qualifiés de service, dans le reste du document. Ces services sont :

- Gestion de l’interopérabilité ;

- Gestion du temps ;

- Gestion des agents ;

- Communication inter-agent ;

- Gestion du modèle organisationnel ;

- Gestion d’Indicateurs ;

Le rôle de chacun de ces services est détaillé ci après.

Figure 4.29: Architecture générale : services du médiateur

1. Gestion de l’interopérabilité

L‘interopérabilité a pour objectif de permettre à plusieurs systèmes logiciels, de même nature

ou hétérogènes, de communiquer voire se coordonner. Elle peut s‘appuyer sur des standards

définissant les pré-requis (en terme d‘interface, de protocoles…) nécessaires a priori pour que

deux systèmes puisse interagir. Elle peut également être le résultat d‘une conception ad hoc en

réponse à un problème ou des architectures logicielles spécifiques. Dans notre architecture, le

module assurant l‘interopérabilité regroupe l‘ensemble des dispositifs (librairies, wrappers,

Simulateur N

Base de

donnée

Simulateur 1

Simulateur 3

Simulateur 2

Utilisateur (s)

Médiateur

Gestion du modèle organisationnel

Gestion d'interopérabilité Logicielle

Gestion Communication inter-agent

Gestion du temps

Gestion d’agents

Gestion des indicateurs



129

services web…) chargés de gérer au niveau logiciel les transferts d‘information ou autres

invocation de services entre Simulateurs.

2. Gestion du temps

Cette question est rarement évoquée en simulation multi-agents du fait que la nature

distribuée de la simulation est souvent plus conceptuelle que logicielle. Ainsi, la gestion du

temps est soit implicitement centralisée dans les SMA réactifs (les cycles de simulation – ie

exécution à tour de rôle de tous les agents pour « une action » - revenant à une simulation à

temps discret) soit non gérés dans les systèmes délibératifs si ce n‘est en terme relatifs

(répondre avant x unités de temps). Dès lors que l‘on considère l‘interfaçage avec des

simulateurs « non-agents », la gestion du temps de simulation devient une mission importante

du médiateur. Nous reprenons l‘approche retenue dans la plateforme IMAGIN [Serment

2006] à savoir la possibilité d‘implémenter différents mode de gestion du temps : gestion

pessimiste du temps avec contrôle du déroulement de temps de simulation dans chaque

simulateur en fonction de l‘arrivée d‘événements, discrétisation du temps en fonction des

différents pas de temps de chaque simulateurs, recours à un groupe d‘agents pour gérer le

temps [FIANYO, 2001].

3. Gestion des agents

Ce module est classique dans les SMA, en ce qu‘il assure l‘ensemble des fonctions

nécessaires à la gestion du cycle de vie des agents : adressage, lancement, arrêt, etc. Il permet

par exemple, d‘ajouter, de modifier, ou de supprimer dynamiquement des agents, il maintient

un annuaire de ces agents tenant compte notamment du simulateur dans lequel ils évoluent

(réellement ou conceptuellement i.e. au sein d‘un environnement non-agent).

4. Communication inter-agent

Ce module assure la communication, i.e. le bon acheminement des messages ou signaux, entre

les agents indépendamment de leur « localisation » et ce aussi bien à un niveau logiciel que

syntaxique. Le niveau logiciel peut nécessiter l‘invocation du module responsable de

l‘interopérabilité entre simulateurs, et ainsi assurer le routage « physique » du message. Au

niveau syntaxique, il s‘agira d‘une part de trouver la localisation de l‘interlocuteur

(simulateur), de traduire éventuellement ce message pour qu‘il soit exploitable par le

destinataire (exemple, message ACL message simple type signal) en se basant sur les

informations qu‘il aura maintenue dans un annuaire. Il peut également gérer un annuaire type



130

page jaune intégrant des informations sur les capacités et/ou rôles joués par les agents de la

simulation. La Figure 4.30 rappelle la structure d‘un message KQML auquel recourront les

agents délibératifs (cf. section suivante).

KQML (Knowledge Query Manipulation Language), premier standard de

communications muli-agents, recouvre l‘ensemble des besoins d‘une communication riche

entre agent : un langage de communication structuré (définissant le format d‘un message), des

protocoles de communications (i.e. séquence normative de messages) et des considérations

logicielles et réseau sur le transport physique de ces messages. Un message KQML est

structuré comme suivant :

( <Performatif>

: content

: force

: in-reply-to

: langage

: ontology

: receiver

: in-reply-with

: sender

)

Intention du message (issu de la théorie des actes de langage)

Le contenu du message (une requête, une information…)

Degré d‘engagement de l‘agent émetteur dans ce message

Etiquette identifiant le message ayant conduit à cette réponse

Langage utilisé pour formuler le contenu

Ontologie associé au message/protocole

Destinataire du message

Si une réponse est attendue, spécifie l‘étiquette in-reply-to en retour

Destinataire du message

Figure 4.30 : Représentation d‘un message KQML

5. Gestion du modèle organisationnel

Ce module gère et maintient la structure organisationnelle définie et maintenue au fur et à

mesure du raffinement des modèles produits lors du déroulement de la méthode de conception

de simulation de chaîne logistique. Ce module gère donc, ce qui est maintenant classique en

SMA, les demandes d‘agents de jouer un rôle dans un groupe (à l‘image de ce qui est fait dans

MadKit avec le modèle AGR).

A cette gestion des rôles, s‘ajoute également des considérations supplémentaires propres à

nos préoccupations. Ainsi, ce module devra également assurer la cohérence de l‘identité du

groupe alors que les agents le composant pourront se situer dans des simulateurs différents.

De fait, la production des indicateurs devra s‘appuyer sur ces informations (cf. sections

suivantes) pour pouvoir obtenir les données nécessaires.



131

6. Gestion des indicateurs

L‘objectif est de produire les indicateurs caractérisant les observables définis lors de la

modélisation conceptuelle de la chaîne logistique étudiée. Ce module est responsable de la

production des indicateurs identifiés dans les étapes précédentes du cadre méthodologique

décrit dans le chapitre précédent. Il s‘agit de s‘assurer la récupération des données

nécessaires, leur transformation en une donnée globale et la diffusion de ces données

consolidées.

Un indicateur portera donc sur un aspect particulier de la chaîne, impliquant un certain

nombre d‘agents (ou de groupes) représentant des acteurs et/ou entités de la chaîne, de

méthodes de calculs de ces indicateurs, et ce le plus indépendamment possible de la source

des données nécessaires à sa production. Le tableau suivant liste les catégories d‘indicateurs

retenus illustrés par des exemples d‘indicateurs et leur mode de calcul dans le cadre de l‘étude

de chaînes logistiques.

Catégories Indicateurs

(Objet et Méthode de calcul) Activité 1. Volumes traités = Nombre de commandes

Productivité

1. Taux d’utilisation des ressources = Taux ressource utilisé / Taux

ressource total.

2. Délai moyen de lancement ou modification = Moyenne des délais de

livraison des nouveaux produits ou des modifications validés/ le mois, le

trimestre ou l‘année.

3. Taux de ponctualité des lancements ou modifications = Nombre de

lancements ou modifications dans les délais/ Nombre de lancements ou

modifications.

Qualité

1. Qualité du produit. : total produits conformes / total produits fabriqués

2. Qualité du service = Nombre des commandes livrées à temps/ nombre

total de commandes.

3. Qualité du service de fournisseurs = Nombre de commandes

d'approvisionnement livrées dans les conditions demandées / Nombre de

commandes totales.

4. Qualité du service de production = Nombre d'ordres de fabrication

soldés dans les conditions demandés/ nombre total d'ordre de fabrication

(Conditions demandées = respect des quantités et du premier délai

défini).

5. Qualité du service de clients = Nombre de commandes livrées

complètes dans les conditions demandées / Nombre de commandes

totales expédiées (Conditions demandées = respect du premier délai

défini avec le client, des quantités).

6. Qualité de transport = Nombre des commandes transportées/ nombre

total de transport.



132

Coûts

1. Coût unitaire.

2. Coût total = ∑ (Coût de chaque unité).

3. Coût de production = coûts d‘acquisition + charges de production.

4. Coût de transport (des ventes) = Dépenses annuelles en transport/Valeur

des ventes annuelles.

5. Coût de stockage: en % flux annuels: Valeur du stock/ valeur du flux

annuel.

6. Coût de stockage: Taux de rotation du stock: Valeur du flux/ valeur du

stock.

7. Coût de commande: dépenses annuelles en commande/ valeur des

commande annuelles.

8. Coût de distribution: ensemble des charges de distribution afférentes aux

ventes de la période.

Délais 1. Délai de livraison

2. Délai de réponse

Tableau 4.7 : Classification et description des indicateurs retenus

La section suivante présente les choix technologiques qui ont été faits pour

l‘implémentation de notre architecture de simulation.

4.2 Choix techniques d’implémentation

La section précédente a identifié les grandes fonctions de l‘architecture logicielle d‘un

environnement de simulation orienté agent et organisation. La complexité de la mise en œuvre

en termes de conception détaillée et d‘implémentation, nous a amené à nous focaliser sur les

missions nouvelles de l‘architecture que des précédents travaux avaient déjà abordées. Ainsi,

les modules d‘interopérabilité et de gestion du temps n‘ont pas été traité dans le prototype

développé pour tester la pertinence de notre démarche pour pouvoir mieux traiter les

nouveaux besoins liés à la gestion de la structure organisationnelle et la production

d‘indicateurs.

L‘environnement de simulation orienté agents proposé, s‘appuie sur deux plateformes

multi-agents, simplifiant dans un premier temps les besoins d‘interopérabilité. Cette section

détaille donc une implémentation orientée agent du médiateur en interactions avec ces deux

environnements de simulation chargés chacun de mettre en œuvre des comportements

d‘agents spécifiques. Le problème de l‘hétérogénéité dans environnements est donc maintenu

en écartant des enjeux plus techniques pour lesquels des solutions existent déjà. Nous

introduisons dans premier temps le fonctionnement général du médiateur et des agents le

composant, avant d‘illustrer sur un exemple simple les mécanismes assurant l‘intégrité de la



133

simulation. Le chapitre suivant développera davantage ces mécanismes sur un cas d‘étude

plus complet.

Après avoir présenté rapidement les choix technologiques pour simuler les comportements

délibératifs et réactifs identifiés dans les modèles opérationnels du cadre méthodologique,

nous détaillons l‘architecture orientée agent du médiateur avant de s‘intéresser au mécanisme

de production d‘indicateur.

L‘objectif de la simulation de chaîne logistique impliquant des comportements

hétérogènes en termes de complexité des comportements mis en œuvre, nous avons retenus

deux plateformes différentes pour réaliser ces comportements : Jade et JASON.

4.2.1 La plateforme JASON

Jason est un environnement multi-agents orienté BDI (Belief – Desire – Intention) [RAO et

GEORGEFF, 1991a et 1991b]: implémenté en Java. Jason [BORDINI, R. et HÜBNER, 2006]

[BORDINI et al., 2005] est un interprète d‘une version étendue [VIEIRA et al., 2007] de

AgentSpeak [RAO, 1996] associé au support maintenant classique au déploiement d‘agents

notamment en terme de gestion des communications inter agents. Jason est disponible en open

source et utilise jEdit10

comme IDE.

Par rapport à l‘environnement Majorca [TRANVOUEZ, 2002], Jason apporte un

fondement théorique [BORDINI et al., 2005] sur la définition et l‘exécution des

comportements tout en se basant comme Majorca, BDI oblige, sur la définition de plans. Cette

capacité permet de doter un agent délibératif d‘un arsenal de comportements permettant de

modéliser et simuler des processus complexes de résolution de problèmes, de coopération ou

encore de négociation.

JASON qui est parfaitement aux besoins de représentation de comportements complexes,

s‘appuie également sur :

- Un langage de programmation orienté agent : une extension de AgentSpeak ;

- Des messages KQML : permettant des échanges de message avec un contenu

complexe notamment en relation avec des protocoles de communication ;

- Des plans de contingences : ajoutant un mode réactif aux agents (en cas de

changement de condition de l‘environnement remettant en cause les plans en cours

d‘exécution) ;

- Ouverture du « moteur de décision » : c.à.d. de l‘équivalent d‘un moteur d‘inférence,

chargé de gérer l‘exécution des plans. L‘utilisateur peut modifier ce moteur en se

10 http://www.jedit.org/



134

basant notamment sur des annotations de plans permettant de mettre en œuvre des

processus de décision lors du choix du plan à réaliser (par ex. sélection d‘une stratégie

de résolution de problème – i.e. plan - en fonction du contexte) ;

- Un environnement de développement d‘agents ;

- Et enfin une capacité d‘extensibilité de la plateforme en intervenant directement sur

les classes java utilisées pour développer les agents.

Les figures suivantes, apportent un éclairage supplémentaire sur l‘architecture et la

programmation avec JASON.

Un agent JASON, comme l‘indique la Figure 4.31, est donc constitué (de manière

simplifiée) de Croyances (base de faits), de Désirs (buts) et d‘Intentions (Plans). L‘arrivée

d‘un évènement (nouvelle croyance – éventuellement issue de ses percepteurs – ou nouveau

sous-buts) enclenche une mise à jour/révision des croyances. De cette mise à jour, de

nouveaux (sous) buts peuvent être déduits. La fonction de délibération identifie les plans à

même de le satisfaire et en sélectionne un, le place dans la liste des plans à exécuter et donc

met à jour la liste des intentions (i.e. agenda des plans). La fonction d‘action exécute le plan

suivant, l‘ordre des plans ayant pu être modifié par l‘opération précédente. Le cycle se répète

tant que des buts restent (et peuvent l‘être) à satisfaire. L‘échange des messages, nous l‘avons

vu, se fait en KQML.

Figure 4.31 : Principes architecturaux de JASON



135

La figure suivante donne un exemple de code source d‘un agent Jason. Ce code est

simplifié, mais il permet de reconnaître des croyances ou faits (nom de l‘agent : agent-

supplier ), des buts ( !registration) et des plans. Un plan est défini par l‘évènement

déclencheur (un but par exemple : +registration), une condition ( : true ici donc

toujours vérifiée) et le corps de la règle contenant les actions à entreprendre (ici envoi de

message essentiellement).

Figure 4.32 : Exemple de code source d‘un agent JASON

Construire un agent JASON, consiste ainsi à définir ce qu‘il sait, ce qu‘il veut et comment il

peut l‘obtenir dans un langage déclaratif. Ayant posé les motivations et le principe d‘une

programmation avec JASON, nous faisons de même dans la section suivante avec la

deuxième plateforme : Jade.

4.2.2 La plateforme JADE

La plateforme JADE (Java Agent DEvelopment framework) est un environnement de

développement de SMA conforme aux normes de la FIPA très diffusé. JADE inclus un

ensemble d‘outils inclus facilitant les différentes phases de développement SMA [RIMASSA

et al., 1999]. La Figure 4.33 ci après donne l‘organisation générale d‘un SMA développé avec

JADE.

JADE fournit, à l‘instar d‘autres environnements comme MadKit, une infrastructure

gérant la communication, la gestion du cycle de vie des agents, ainsi qu‘un ensemble d‘agents

name(agent-supplier)

!produce(productX,10).

!registration.

/* Plans */

+!registration

:true

jadedf.register("Gestionnaire1","Registration1");

jadedf.register("Get-Info","Quality").

+!produce(Product,Qty)

: true

.wait(15000);

-+target(Product,Qty);

.print("A message has been sent to 'production_manager' to produce: [Product: ",Product," ; Quantity: ",Qty,"].");

.send(production_manager, achieve, produce1(Product,Qty)).

+!kqml_received(Sender, cfp, Ready, MsgId)

: Sender==gestionnaire1

.send(Sender, tell, "Register", MsgId).



136

« utilitaires » assurant le bon fonctionnement d‘un SMA. La programmation se fait

directement en Java, et malgré un système de gestion de comportements (des classes

Behaviour associées à un agenda interne à chaque agent permettant la gestion de l‘activation –

éventuellement cyclique - de ces comportements), ne facilite pas le développement de

comportements complexes.

Figure 4.33 : Architecture distribuée d‘une plateforme JADE [RIMASSA et al., 1999],

Les agents utilitaires sont rappelés ci-dessous :

- DF «Director Facilitor» fournit un service de « pages jaunes» à la plate-forme ;

- ACC «Agent Communication Channel» gère la communication entre les agents ;

- AMS «Agent Management System» supervise l'enregistrement des agents, leur

authentification, leur accès et l'utilisation du système.

- RMA « Remote Management Agent » : gère la mobilité « physique » des agents au

sein d‘un réseau de Main container

- Un Sniffer Agent est un agent qui intercepte les messages ACL envoyés et les

représente graphiquement en utilisant une notation semblable aux diagrammes de

séquence UML.

Réseau

A2 A3

Container 1

AMS DF

Main Container

A4

Container 2

AMS DF

Main Container

A5

A1

Plateforme 1

Plateforme 2

Is registered with

Is registered with



137

- L‘Introspector Agent est un agent qui permet de contrôler l‘activité d‘un agent : son

cycle de vie, ses messages ACL échangés et les comportements exécutés.

Un agent Jade est de fait une sous classe de la classe Agent : la programmation de l‘agent

se fait donc directement en Java en s‘appuyant sur des librairies dédiées. De manière plus

abstraite, un agent Jade sera composé de croyances et de capacités (attributs d‘objet) et d‘un

ensemble de comportements (i.e. classes héritant de la classe Behaviour). C‘est

l‘ordonnanceur de comportement qui définira l‘ordre des comportements de l‘agent et donc la

séquence d‘actions qu‘il entreprendra. Le gestionnaire du cycle de vie des agents se situe au

niveau du Container et gère l‘ensemble des agents. Les agents communiquent via des

messages ACL.

Figure 4.34 : Principe architecturaux d‘un agent Jade

Le code source ci après donne un aperçu de la programmation en Java. Très simplifié, il

montre la nécessiter de définir un ensemble de comportements (classe

DoSimpleReceiveBehaviour), où se trouveront implantés les différentes actions que

l‘agent est amené à réaliser. Cette présentation, sans doute technique, a pour objet de

souligner la différence de niveau d‘abstraction dans la programmation entre JASON et Jade.



138

Cette différence reflète d‘ailleurs la différence de rôle attribué à chacun des environnements :

la mise en œuvre de processus décisionnels dans Jason, et des comportements plus simple

dans Jade.

Figure 4.35 : Exemple de code source d‘un agent Jade

Un SMA est alors constitué de « Main containers », i.e. noyaux d‘exécution d‘une société

d‘agents, d‘une ou plusieurs instanciation d‘agents services, et bien sur des agents propres au

domaine d‘application (i.e. acteurs de la CL). Jade ne considère pas spécifiquement les

besoins propres à la simulation notamment d‘un point de vue gestion du temps (à noter

quelques tentatives allant dans ce sens comme [PAWLASZCZYK et TIMM 2006]. Ceci nous

l‘avons vu s‘explique par rapport au type d‘applications multi-agents généralement

développées. Sa facilité d‘interopérabilité avec JASON a cependant conforté ce choix de

plateforme. Le renforcement des autres fonctions du médiateur, permettra éventuellement de

considérer d‘autres plateformes après avoir effectué une première validation de l‘approche

proposée.

/*Agent Stock*/

public class Stock1 extends Agent {

class DoSimpleReceiveBehaviour extends SimpleBehaviour {

private boolean finished = false;

private Integer Parts = 0;

public DoSimpleReceiveBehaviour(Agent agent){

super(agent);}

public void action() {

ACLMessage msg = receive();

if (msg!= null){

System.out.println(getLocalName() + ": Received the following delivery: ");

System.out.println(msg.toString());

Parts = Parts+1; }

if (Parts == 3){

System.out.println(getLocalName() +

": All parts are received, ready to assemble.");

finished = true; }

else{

System.out.println(getLocalName() + ": Waitting for delivery.");

block();

}

}

public boolean done() {

return finished; }

protected void setup() {

DoSimpleReceiveBehaviour behaviour = new DoSimpleReceiveBehaviour(this);

addBehaviour(behaviour);

}

}



139

4.3 Les agents du médiateur

La plateforme de simulation orientée agent et organisation, dont nous avons entrepris le

développement, est donc basée sur deux Simulations Orientées Agents (SOA) et un

médiateur. Ce dernier sera également mis en œuvre par des agents aux capacités spécifiques et

dont les interactions assureront l‘intégration des deux simulateurs. Le problème de

l‘intégration, nous l‘avons vu, sera moins logiciel que sémantique : i.e. faire échanger les

bonnes informations entre les simulateurs pour réaliser les objectifs définis en amont de la

démarche méthodologique.

Comme l‘illustre la Figure 4.36, cette plateforme sera constituée de : (i) JASON pour

l‘exécution des agents cognitifs, (ii) JADE pour l‘exécution des agents réactifs, (iii) un

Médiateur pour assurer l‘interopérabilité, et, (iv) une base de données pour l‘enregistrement

des paramètres des scénarii et la sauvegarde des résultats de simulation. Les modèles OPAM

des différents agents cognitifs et réactifs sont traduits dans des langages de programmation

adaptés dans chaque plateforme (i.e. langage AgentSpeak pour Jason, et Java dans Jade). Les

agents sont développés séparément dans chaque environnement, avec des outils adéquats,

reproduisant ainsi les contraintes spécifiques de développement qui aurait pu être rencontré

avec d‘autre type de simulateurs (à la différence d‘une interopérabilité simplifiée du fait des

choix de Jade et Jason).

Figure 4.36 : Architecture détaillée d‘une simulation basée sur l‘intégration de simulateurs

Base de

donnée

JASONMédiateur

Agent Gestionnaire

Agent Source de Données Agent ACC

Agent AMS

Agent Indicateur

Agent DF

JADE

1

2

3

4

5

6

Utilisateur (s)



140

Le médiateur est lui-même composé de plusieurs agents spécialisés répartis en 6 grands types,

détaillés ci-dessous :

- L‗Agent Management System (AMS) assure principalement des services de gestion

de cycle de vie des agents, et des services de type « pages-blanches ». Il contrôle

l‘accès et l‘utilisation des canaux de communication des agents, créé et supprime des

agents, décide si un agent peut être enregistré dans le SMA, et supervise les

éventuelles migrations des agents vers d‘autres plateformes.

- L‘agent Pages Jaunes ou Directory Facilitator (DF) fournit un service de

renseignement de type « pages-jaunes ». Les agents publient leurs services (e.g.

compétences…) aux agents du domaine en enregistrant les descriptions de leurs rôles

auprès de l‘agent DF.

- L‘agent Agent Communication Channel (ACC) est l'agent qui fournit la route pour

les interactions de base entre les agents dans et hors de la plate-forme ; c'est la

méthode de communication implicite qui offre un service fiable et précis pour le

routage des messages ; il doit aussi être compatible avec le protocole IIOP pour

l'interopérabilité entre les différentes plates-formes multi-agents.

- L’Agent Gestionnaire de Groupe (AGG): cet agent est responsable de l‘intégrité du

groupe, tel que définis dans les modèles CROM et CAOM, en tenant compte de leur

périmètre i.e. de leur localisation dans tel simulateur comme induit par les choix du

modèle OPAM. Il assure l‘enregistrement des compétences des agents contenus dans

son groupe, leur localisation et le moyen de les contacter.

- L’Agent Source de Donnée (ASD) : l‘agent source de donnée joue un rôle double : i)

un rôle d’intermédiaire vis-à-vis des indicateurs en leur relayant les données dont ils

ont besoin pour produire leurs indicateur ; et ii) un rôle gestion de l’interopérabilité

puisqu‘il doit être capable de récupérer ces mêmes données auprès des différents

agents du groupe concernés, et ce où que ces agents se trouvent (i.e. dans JASON ou

JADE dans notre implémentation).

- L’Agent Indicateur : est responsable de la production d‘un indicateur. Il contacte les

agents source de données requis, produit les valeurs de l‘indicateur et les diffusent à

ses abonnés. La section suivante développe davantage son fonctionnement et son

interaction avec les autres agents.

La figure ci après, donne un exemple caractéristique des situations possibles que l‘on peut

obtenir après l‘implémentation d‘un modèle OPAM dans l‘architecture de simulation orientée

organisation. Le module d‘interopérabilité est présent davantage à titre indicatif, puisque



141

s‘agissant de Jade et Jason, la compatibilité des plateformes permet une communication

directe entre les agents. Sa description est cependant intéressante en ce qu‘il montre une

approche intermédiaire entre HLA et IMAGIN [SERMENT, 2007] : il est le tube par lequel

passe les informations et s‘appuie sur des sous modules d‘interopérabilité (équivalent au RTI

mais surtout aux adaptateurs d‘IMAGIN) situés dans chacune des plateformes. Le module de

gestion du temps est similaire à celui défini dans IMAGIN. Il peut mettre en œuvre des

stratégies différentes pour la synchronisation du temps on trouvera dans [SERMENT, 2006]

des exemples de stratégies possibles.

Les groupes 1, 2 et 4 sont des groupes homogènes, en ce qu‘ils se trouvent chacun localisé

dans un même environnement de simulation, facilitant ainsi l‘interopérabilité. Le groupe 3 par

contre est « à cheval » sur deux environnements, impliquant un travail accru dans la gestion

des messages entre ces deux agents. Chaque groupe est donc constitué d‘un agent

Gestionnaire de Groupe (AGG), d‘un agent Source de données (ASD) et d‘un ensemble

d‘agents « métiers » modélisant la chaîne logistique. Chaque AGG et ASD gèrent un seul

groupe à la fois. Les agents indicateurs eux peuvent s‘adresser à différents AGG et ASD

comme l‘explique la section suivante.

4.4 Production et gestion d’indicateurs

Comme nous l‘avons évoqué en section 2.2 du chapitre précédent, la simulation de la chaîne

logistique réponds à des questions et des objectifs posés par des experts du domaine. Ces

questions et objectifs se trouvent formulés sous la forme d‘observables définis en terme

d‘objet de la mesure, de mode de calculs ou encore de fréquence de prise des mesures…Ils se

trouvent également formulés en termes de niveaux de détails variés, tout au long de la chaîne

hiérarchique et/ou fonctionnelle de la chaîne, amenant à privilégier l‘analyse de certaines

parties de la CL et donc implique une modélisation multi-échelle et hétérogène. Au travers du

cadre méthodologique, ces objectifs sont maintenus tout au long du processus de raffinement

des modèles jusqu‘à leur implémentation au sein de simulateurs dédiés.



142

Figure 4.37 : Interopérabilité par partage de données

En recourant à un environnement de simulation unique, la production d‘indicateurs ne

pose pas de grand problèmes en soit (pour peu que le simulateur le permette), mais devient

plus complexe lorsque la simulation est distribuée, et notamment lorsqu‘elle doit agréger des

informations localisées sur différents simulateurs. Le dialogue entre les agents Gestionnaire

de Groupe, Sources de Données et bien sûr les Indicateurs répondent à cet objectif.

Ce dialogue se déroule en deux phases : la première relève de la phase de configuration ou

du support aux échanges, alors que la seconde, phase d‘échange d‘information, gère

effectivement l‘échange et la production d‘informations pertinentes aux utilisateurs de la

simulation. Ces deux phases s‘appuient sur un processus de publication/abonnement de

données que l‘on retrouve dans de nombreuses solutions d‘interopérabilités, notamment HLA.

Différents types de publication et d‘abonnements, inspirés de HLA et des spécifications de la

FIPA, sont possibles dans ALMoSim (Architecture Logicielle pour la Modélisation et

Simulation). Avant de les présenter, considérons le dialogue en lui-même tel qu‘illustré par la

Figure 4.37.

Chapitre 4 : Une architecture logicielle pour la modélisation et la simulation organisationnelle de chaînes logistique

143

Figure 4.38 : Interopérabilité entre les plateformes



144

1. La phase de configuration

La phase de configuration débute comme dans tout SMA par l‘inscription des agents des deux

systèmes auprès du DF (agent pages jaunes/pages blanches), suivis d‘une inscription auprès

de l‘agent Gestionnaire de Groupe (AGG), i.e. à qui il demande de jouer un rôle dans son

groupe. Les agents indicateurs font partie d‘un groupe support du médiateur (groupe

Indicateurs dans la Figure 4.38).

Chaque indicateur possède les informations utiles pour la production de l‘indicateur qu‘il

représente : les rôles et groupes de la chaîne logistique, fréquence de récupération des

données, les calculs à réaliser et la fréquence de production de ces indicateurs (à destination

d‘une interface graphique, d‘une base de données, d‘un fichier de résultats…). De même,

chaque agent « logistique » doit déclarer auprès de son ASD les données qu‘il peut mettre à

disposition afin que l‘ASD puisse savoir à qui s‘adresser en cas de requête.

A noter que pour l‘heure, la spécification de cette enregistrement est simplifiée mais

pourrait être enrichie par la notion de contexte (i.e. quelle donnée mais à qui ? à l‘entreprise,

au groupe fonctionnel, pour quelle durée, etc.) afin notamment de modéliser des contraintes

de confidentialités inter entreprises dans la chaîne logistique. La Figure 4.38 montre que ceci

est réalisé au niveau des deux simulateurs (i.e. par un agent Jason, et un agent Jade). Dans le

cas de simulateurs plus fermés, cette opération doit directement être effectuée au niveau de

l‘agent ASD et du module d‘interopérabilité. L‘ASD est donc dépositaire des informations sur

les données publiable par les agents de la simulation.

2. Phase d’échange d’information

Une fois la phase de configuration terminée, la phase d‘échange d’information peut devenir

opérationnelle. Voici un exemple de dialogue qu‘illustre la Figure 4.38.

- L‘agent Indicateur contacte (un ou plusieurs) ASD afin d‘obtenir une donnée. Cette

demande peut faire l‘objet d‘un abonnement (cf. type abonnements ci-après).

- En se basant sur son registre des données publiables, l‘ASD transmet cette demande

auprès des agents concernés où qu‘ils se trouvent. Si des agents sont concernés, la

demande est émise par message structuré (ACL ou KQML), si un simulateur est

« fermé », cette demande peut se traduire, via le module d‘interopérabilité, par une

invocation de service auprès du simulateur (réalisée par ex. selon la recommandation

de la FIPA – cf. [FIPA, 2001] et [SERMENT, 2006]. Ainsi l‘agent Indicateur n‘a pas à

gérer ces aspects de l‘obtention des données et se concentre sur leur exploitation.



145

- Les agents sollicités par l‘ASD lui fournissent alors les données nécessaires une seule

fois (i.e. demande unique) ou selon une fréquence, un seuil de signalement …selon la

règle de publication choisie. Ainsi, l‘agent ASD s‘abonne lui aussi aux données

d‘autres agents qui peuvent alors gérer leur propre liste d‘abonnement (mais qui

auront par contre un seul souscripteur : l‘ASD, réduisant ainsi les flots de messages

qui résulte de ces échanges).

- L‘ASD transmet alors le groupe d‘informations demandé à l‘agent Indicateur qui peut

produire alors la valeur agrégée. A noter, que des objectifs d‘optimisation des flux

d‘information peuvent amener à préférer à un enregistrement des données dans la Base

de données ; l‘ASD se contentant alors d‘informer l‘agent Indicateur que les

informations sont disponibles.

La publication des informations s‘appuie sur différentes stratégies de publication (HLA

[OUNNAR et al., 2001] et [SERMENT, 2007]), déclarées auprès de l‘ASD :

- publication à la demande : il ne s‘agit pas à proprement parler d‘un abonnement en ce

qu‘il s‘agit d‘une demande ponctuelle. Par exemple, nombre de machine

opérationnelle à un instant t) ;

- publication à chaque modification : automatiquement l‘agent signalera tout

changement de situation de son état, de l‘état d‘une de ses connaissances ou propriété

(par ex. panne machine).

- Publication datée : l‘agent publiera les données à un rythme donné. Par exemple,

publication toutes les heures des commandes clients reçues.

- Publication conditionnelle : l‘agent informera l‘ASD dés qu‘une condition est

vérifiée (par exemple Etat machine != occupée).

A l‘aide de cette spécification, le SMA est à même de gérer des sources de données

multiples et hébergées dans des environnements hétérogènes. Ayant présenté les principes

généraux de l‘architecture logicielle supportant une simulation orientée agent et

organisationnelle, nous illustrons dans la section suivante son fonctionnement sur un cas

d‘étude simplifié.

5. Illustration du fonctionnement de l’architecture dans

le cas d'une Chaîne Logistique

Cette section illustre le fonctionnement de l‘architecture de simulation organisationnelle à

base de médiation proposée sur un exemple de simulation d‘une chaine logistique très simple,

composée de seulement trois acteurs entreprises.



146

Tout d‘abord nous présentons le modèle OPAM associé à cette chaine logistique et ensuite

nous illustrons le fonctionnement de l‘architecture, plus particulièrement des interactions

entre les différents agents du médiateur assurant le processus d‘intégration.

5.1 Modèle OPAM considéré et son implémentation

Considérons le modèle OPAM décrit par la Figure 4.39 (résultat d‘un raffinement de modèles

conceptuels initiaux), constitué de 10 agents (3 cognitifs et 7 réactifs) appartenant à 4

groupes, dont 2 mêlant agents réactif et cognitifs. La distinction entre ces deux choix

d‘architecture agent est lié à la nature des observables identifiés dans le cadre

méthodologique. Cette hétérogénéité se traduit de deux manières différentes : une relation de

contrôle entre un agent délibératif et 3 agents Machine (i.e. machine de production) ainsi que

la traduction d‘un agent hybride, l‘agent Compagnie 2, qui présente à la fois des

comportements délibératifs et réflexes. Les interactions entre ces différents agents sont

représentées par des flèches : elles illustrent les points de couplages qui relient les deux

environnements (de simulation) multi-agents, c‘est à dire : i) des échanges de messages entre

les agents Compagnie 1 et Directeur de production ; ii) des envois de signaux entre les agents

Machine s et Stocks ; iii) des échanges d‘information entre l‘agent directeur de production et

les agents réactifs de son groupe ; et enfin un « dialogue intérieur » dans les deux incarnations

de l‘agent Compagnie 2.

L‘implémentation de ces agents implique donc de les développer les agents délibératifs

dans Jason et les agents réactifs dans Jade. Le rôle du médiateur n‘est pas encore détaillé

puisque nous en sommes qu‘au début de

La Figure 4.39, page suivante, montre la transcription du modèle OPAM dans

l‘architecture d‘intégration, en indiquant les agents nécessaires à la mise en œuvre de ce

modèle et qui constituent le médiateur. L‘organisation multi-agents obtenue résulte de la

transcription directe du modèle OPAM. Les agents Compagnie 1, Directeur de production et

Compagnie 2 se retrouvent naturellement dans l‘environnement Jason de par la nécessité de

pouvoir simuler des processus de décision. Les autres agents Machines, Stock et Compagnie 3

ne nécessitent pas, dans le cas présent en tout cas, de comportements complexes et sont donc

simulés avec Jade.



147

Figure 4.39 : Modèle OPAM d‘une Chaîne logistique simplifiée.

Les groupes existent au travers des agents Gestionnaire de Groupe, dans le médiateur :

ainsi dans le cas de simulateurs « fermés », l‘identité du groupe (ses membres, les rôles joués,

les compétences, etc.) pourra être maintenue indépendamment de l‘architecture interne du

simulateur. De même, les agents Sources de Données sont reliés, soit directement aux agents,

soit à la description des données qu‘ils peuvent produire, garantissant ainsi sa capacité à

répondre aux demandes d‘information des agents Indicateurs. Ainsi que nous l‘évoquions en

début de la section 4.2, l‘interopérabilité est dans le cas présent simplifiée puisque les agents

peuvent communiquer directement. Elle se résume donc à la capacité d‘un agent à trouver son

interlocuteur indépendamment de sa localisation (i.e. environnement multi-agents) : aussi est

elle assurée par l‘agent DF i.e. fournissant un service d‘annuaire type Page Blanches et Pages

Jaunes. La Figure 4.40, montre le mécanisme de cette interopérabilité entre un agent cognitif

(Jason) et un agent réactif (Jade). De manière classique en SMA, elle se limite de fait à

l‘enregistrement des agents auprès du DF puis au la réponse du DF au demande d‘information

d‘adressage d‘un agent à un autre. Les agents peuvent alors communiquer directement entre

eux.



148

Figure 4.40 : Deux types d‘agents avec module pour l‘interopérabilité

5.2 Illustration du fonctionnement de l’architecture de

simulation

Les simulateurs pouvant maintenant interagir, nous donnons ci après quelques exemples de

simulation de processus au sein de la chaîne logistique. Les exemples choisis, décrivent des

processus classiques de chaîne logistique en considérant les trois types d‘interactions entre

simulateur et le médiateur : i) interactions intra simulateur « cognitif » (Jason) ; i) interactions

inter simulateurs et i) interactions intra simulateur « réactifs » (Jason).

Ainsi, la Figure 4.41 présente ce qui va déclencher le processus de fabrication et la

livraison des produits finis aux clients (i.e. marché). La simulation n‘implique que des agents

délibératifs et se décompose en plusieurs phases :

- Phase Configuration : volontairement simplifiée, pour ne pas charger le schéma, la

simulation est précédée d‘une phase de configuration consistant en l‘inscription des

agents auprès de l‘agent Gestionnaire. De même, les échanges de messages liés à la

gestion de la communication (un agent contact le DF pour connaître l‘adresse d‘un

autre agent afin de lui envoyer un message) ne sont pas mentionnés. Enfin, la phase de

configuration liée à la production d‘indicateur n‘est également pas mentionnée (cf.

section 4.3).

Chapitre 4 : Une architecture logicielle pour la modélisation et la simulation organisationnelle de chaînes logistique

149

Figure 4.41 : Transcription du modèle OPAM dans l‘architecture logicielle



150

- Phase Simulation CL :

1- L‘agent Compagnie 1 contacte son Directeur de Production afin de préparer et

livrer la commande qu‘il a pu négocier avec un autre agent.

2- Ce dernier évalue sa capacité à répondre à cette commande dans les temps. Elle

peut impliquer un calcul complexe comme celui décrit dans [TRANVOUEZ et

FERRARINI, 2006] consistant soit à recourir aux stocks disponibles, à produire

totalement la commande ou toute combinaison des deux, en se basant sur des

opérations de réordonnancement au niveau des machines de production. Dans ce

dernier cas, un processus de négociation pourrait être lancé par l‘agent Directeur

de production. La complexité du processus justifie ainsi pleinement le recours à

une architecture délibérative.

3- L‘agent Directeur de Production confirme (ou non) sa capacité à traiter la

demande.

- Phase Production d’indicateur :

L‘agent Indicateur demande à l‘Agent Source de Données (ASD) du groupe 1, de lui

envoyer le nombre de commandes validées.

L‘ASD relaie cette information auprès de l‘agent Directeur de production; qui lui

répond avec les informations demandées. L‘ASD transmet alors l‘information à

l‘agent indicateur qui peut produire l‘indicateur de type Activité (cf. Tableau 4.7)

Volume traité en intégrant les données reçues.



151

Figure 4.42 : Interaction entre les agents dans le groupe 1 (Agents Délibératifs) et les agents

du médiateur

La Figure 4.42, donne un exemple d‘interactions inter-simulateurs, c'est-à-dire impliquant

des agents localisés à différents endroits, mais ne devant pas en tenir compte (si tant est qu‘ils

en soient « conscients »). Elle décrit la simulation d‘une demande de fabrication suivie du

processus de calcul d‘un indicateur :

- Partie Simulation CL :

1- L‘agent Directeur de Production (Jason) demande à « ses » trois machines de

production (Jade) de fabriquer chacune un produit spécifique (i.e. produit 1 par

machine 1 etc.) ;

2- Chaque agent Machine accuse réception et confirme la production du bien ;

3- Elles livrent leur produit à un agent Stock, i.e. émettent un signal l‘indiquant et

simulant l‘arrivée du produit.

- Partie Production d’indicateur



152

1- L‘agent Indicateur demande à l‘Agent Source de Données (ASD) du groupe 2, de

lui envoyer le nombre de produits fabriqués et le nombre de rebuts par machine du

groupe (i.e. Service Production)

2- L‘ASD relaie cette information auprès de chaque agent Machine ;

3- Les agents Machine lui répondent

4- L‘ASD transfère l‘information consolidée à l‘agent Indicateur

5- Qui peut alors produire la valeur de l‘indicateur Qualité du produit (type Qualité

dans le Tableau 4.7) à partir des données reçues en calculant le taux de produits

conformes.

Figure 4.43 : Interaction entre les agents dans le groupe 3 (Agent réactifs et Cognitifs)

La Figure 4.43 décrit la gestion d‘un transport de produit après fabrication : l‘Agent

Compagnie 2 donne l‘ordre aux agents (réactifs donc implémentés en Jade) Camion et Stock

de se préparer à livrer une commande. L‘agent Camion confirme sa disponibilité ou sa

capacité à répondre dans les temps, demande les produits concernés à l‘agent Stock qui les lui

remet, et part les livrer au client (Compagnie 3) qui lui remet un accusé de réception de la

marchandise. Il confirme enfin à l‘agent Compagnie 2 la livraison (ou pas) des produits.



153

Figure 4.44 : Interaction entres les agents dans le Groupe 2 (agents cognitifs agent réactifs)

L‘agent Indicateur demande le nombre de produits livrés à l‘ASD qui relaie à l‘agent

Compagnie 2 cette demande, puis il transmet cette information à l‘agent Indicateur afin qu‘il

puisse produire un indicateur de qualité de service concernant le taux de produits livrés dans

le temps.

6. Conclusion

Le chapitre 3 a décrit le cadre méthodologique, que nous proposons, pour faciliter

l‘élaboration de simulations de chaînes logistiques tenant compte de leur structure

organisationnelle et des observables retenus dans une expérimentation particulière.

L‘architecture logicielle, que ce chapitre a présentée, se propose d‘accompagner cette

implémentation en permettant une transition simplifiée des modèles CAOM et leur

implémentation dans différents simulateurs. Nous avons alors établi les différents types de

besoin que cet objectif soulevait (gestion de la structure organisationnelle i.e. les groupes,

production des indicateurs correspondants aux observables, gestion du temps , etc.).

Une revue de littérature ciblée sur ces besoins a conclu à l‘intérêt d‘une approche par

intégration capable d‘assurer l‘intégration des modèles produits par le cadre méthodologiques



154

et potentiellement exploitable par des environnements de simulations différents. Cette étude a

abouti à proposer une intégration basée sur un médiateur chargé d‘assurer la simulation des

modèles produits, la production d‘indicateurs, dans un contexte distribué (plusieurs

simulateurs), hétérogène et organisationnel. Des solutions existant déjà pour gérer

l‘interopérabilité ou la synchronisation d‘horloges entre plusieurs simulations, nous avons

retenu deux environnements de développement de systèmes multi-agent, Jade et Jason pour

simuler le comportement d‘agents réactifs et délibératifs. Nous avons donc recentré le rôle du

médiateur sur le maintien de la structure organisationnelle d‘entités simulées sur différent

médiateur ainsi que la production d‘indicateurs définis au niveau d‘un agent ou d‘un groupe

d‘agents. Un exemple simple a été employé pour illustrer les mécanismes assurant

l‘intégration des simulateurs, le maintien de l‘identité de groupe indépendamment de la

localisation des agents et enfin l‘échange d‘information entre les simulations.

Le chapitre suivant illustre la mise en œuvre du cadre méthodologique sur un cas d‘étude

d‘une chaîne logistique, en partant d‘une modélisation métier de la chaîne logistique jusqu‘à

sa transcription dans notre architecture logicielle.

155

CHAPITRE 5 : MISE EN ŒUVRE SUR UN CAS

D’ÉTUDE DE CHAÎNE LOGISTIQUE

PLAN DU CHAPITRE

1. Introduction ................................................................................................................. 156

2. Présentation du cas d’étude : le cas « Raquettes » ................................................... 156

2.1 Description de la chaîne logistique du cas « Raquettes » ...................................... 156

2.2 Définition des rôles des acteurs de la chaine .......................................................... 160

2.3 Caractérisation et dimensionnement de la chaine .................................................. 161

3. Mise en œuvre du cadre méthodologique .................................................................. 165

3.1 Rappel du cadre méthodologique ........................................................................... 165

3.2 Modèle Organisationnel Conceptuel Rôle (CROM) .............................................. 167

3.3 Modèle Organisationnel Conceptuel Agent (CAOM) ........................................... 170

3.4 Modèle Opérationnel Agent (OPAM) .................................................................... 173

4. Implémentation et mise en œuvre de l’architecture logicielle ................................. 175

4.1 Présentation générale .............................................................................................. 175

4.2 Description du scénario et de la sous partie de la SC concernée ........................... 177

4.3 Implémentation des agents dans l‘architecture (ALMOSIM) ................................ 179

4.4 Implémentation des agents cognitifs en JASON .................................................... 180

4.5 Implémentation des agents réactifs en JADE ......................................................... 181

4.6 Scénario d‘interaction entre agents réactifs et agents cognitifs ............................. 182

5. Simulations : résultats et interprétations .................................................................. 189

6. Conclusion .................................................................................................................... 190

Chapitre 5 : Mise en œuvre sur un cas d‘étude de chaîne logistique

156

1. Introduction

Les deux chapitres précédents ont présenté nos principales contributions, tout d‘abord un

cadre méthodologique et ensuite une architecture logicielle pour la modélisation et la

simulation « organisationnelle » de chaines logistiques. L‘objet de ce chapitre est de mettre en

œuvre ces deux contributions sur un cas d‘étude de chaine logistique.

Dans la deuxième section de ce chapitre nous présentons l‘étude de cas d‘une chaine

logistique, le cas « Raquette », relatif à la production de raquettes de tennis, qui nous servira à

illustrer la mise en œuvre de nos deux contributions. La section trois développe la

modélisation de cette chaine logistique selon le cadre de modélisation que nous avons

proposé, conduisant à la production des modèles CROM, CAOM et OPAM. La section quatre

présente l‘implémentation et la mise en œuvre de l‘architecture logicielle à base d‘agents que

nous avons proposé, permettant l‘exécution du modèle OPAM. Enfin la section cinq présente

et interprète les résultats de simulations relatifs à la chaîne logistique du cas « Raquette »,

obtenus par l‘étude de plusieurs scénarios pertinents.

2. Présentation du cas d’étude : le cas « Raquettes »

Cette section présente un cas d‘étude de chaîne logistique, le cas « Raquettes », relatif à la

production de raquettes de tennis. Nous utiliserons ce cas pour illustrer la mise en œuvre du

cadre méthodologique et de l‘architecture logicielle que nous avons proposée dans les

chapitres précédents.

Tout d‘abord nous présentons de façon générale la chaine logistique associée au cas

« Raquette », ensuite nous définissons les différents rôles affectés aux acteurs de cette chaine,

et enfin nous caractérisons et dimensionnons la chaine logistique que nous utiliserons dans les

sections suivantes pour la mise en œuvre de notre cadre de modélisation et notre architecture

logicielle.

2.1 Description de la chaîne logistique du cas « Raquettes »

La chaîne logistique considérée est inspirée des manufacturiers appartenant à l‘industrie des

raquettes des tennis. Les entreprises qui composent la chaîne logistique sont considérées

comme juridiquement autonomes et collectivement responsables pour approvisionner les

produits finis sur l‘ensemble de zones marchées. En amont se trouve un ensemble de


157

fournisseurs chargés d‘acheminer les composants ou les matières premières dont ils assurent

la production, vers le manufacturier de produits finis (manufacturier de la raquette de tennis).

L‘offre du marché en matière de raquettes de tennis doit permettre au joueur de mieux

choisir sa raquette en fonction de ses mensurations, de son type de jeu, et de ses préférences

en général. Les raquettes de tennis présentent donc un intérêt d‘un point de vue organisation

de la chaîne logistique : elles peuvent être produites à la fois en de nombreux exemplaires et

présenter de nombreuses combinaisons d‘assemblage voire être proposée en production sur

mesure. En d‘autres termes, l‘organisation de la chaîne logistique doit alors répondre à ces

différents types de demande des profils de joueurs.

Figure 5.45 : Les différentes parties de la raquette de tennis

Comme l‘illustre la Figure 5.45, la raquette de tennis se compose d'un cœur qui peut être

en différents matériaux (bois, aluminium, composite,...) et d‘un cordage. La partie par laquelle

on tient la raquette est le manche, bordé d'un grip pour le confort et une meilleure tenue. Les

rôles des différents éléments sont les suivants :

- Le manche : partie par laquelle le joueur tient sa raquette, le manche peut être de

différentes épaisseurs afin de répondre aux besoins spécifiques de chaque client.


158

- Le cadre (Cœur compris): Le matériau utilisé lors de la fabrication du cœur va influer

sur le poids, la rigidité, la puissance, le contrôle et enfin et surtout le prix.

- Le cordage : à nouveau, le choix de matériau est varié (polyester, nylon, …),

l‘épaisseur et la pression du cordage peuvent également varier selon que le niveau de

résistance ou de contrôle de balle recherché.

Les commandes de Raquettes de Tennis peuvent être émises de deux manières

différentes :

- auprès de détaillants : disposant de stocks de produits suffisants en type et quantité

de produits, ces détaillants peuvent être des grandes surfaces, magasins de sports ou

boutiques spécialisés. Ces commandes concernent en général des produits

« standards », mais certains détaillants peuvent proposer un service de commande sur

mesure, qu‘ils relaient à la chaîne logistique (la plus value pouvant notamment se

justifier par le conseil apporté pour constitué une commande).

- directement à la chaîne logistique via une architecture B2C (Business to Client) soit

classiquement un site internet avec une organisation adaptée (Figure 5.46). Ce dernier

mode de commande, se prête particulièrement à la prise en compte des besoins

spécifiques de clients individuels. Les détaillants peuvent d‘ailleurs l‘employer dans

le même but.

Dans cette étude, les demandes clients sont regroupées par zone de marché, la chaîne

cherchant alors à rationaliser sa production en fonction de ces demandes.

Les commandes sont délivrées par des distributeurs qui nécessitent également une

capacité de stock pour livrer ses propres clients. Par simplification, le cas d‘étude considère

des distributeurs régionaux (i.e. limités à un marché) qui livrent à des clients ou détaillants et

un distributeur général qui interagit uniquement avec des distributeurs régionaux.


159

Figure 5.46 : Chaîne logistique considérée


160

Les fabricants de Raquettes de Tennis (ou manufacturier dans la Figure 5.46) se chargent

de l‘assemblage des produits finis, à partir des matières premières ou semi-finies produites par

les fournisseurs de chacun des type de composant formant une raquette de Tennis. Un

fabricant réalise : i) des opérations de modification des composants (Manche, Cadre,

Cordage) et ii) leur assemblage (insertion du cadre sur le manche, etc.). Ces opérations

peuvent traiter des commandes globales ou répondre à des demandes de personnalisation de

produit. Il fait transporter sa production vers le distributeur principal. Les fabricants des

pièces à assembler interagissent également avec les fournisseurs de matières premières.

Dans le cas de matériaux ou d‘opérations d‘assemblage complexes, un fabricant peut

sous-traiter une partie de sa production à un autre fabricant. Ces différents transports de

marchandises sollicitent donc, à différent moment du cycle de vie d‘une raquette de Tennis,

des transporteurs. Leur constitution est un peu différente des autres entreprises en ce sens

qu‘ils sont généralement issus d‘un tissu d‘entreprises de petite ou moyenne taille (PME),

caractérisées généralement par une structure hiérarchique allégée. Dans le présent cas

industriel, nous avons retenus les fabricants intermédiaires suivants : (i) un fabricant de

Manche (Handle), un fabricant de cadre (cœur compris) (Shoulder), (iii) et un fabricant de

cordage (Stringing).

2.2 Définition des rôles des acteurs de la chaine

Dans ce cas d‘étude on définit pour chaque acteur de la chaîne logistique, un ou plusieurs

rôles. Ces rôles seront aux acteurs du Modèle Organisationnel Conceptuel Acteur et aux

agents du Modèle organisationnel Conceptuel Agent. Ces rôles sont basés sur les rôles

génériques proposés par Montreuil cité dans [LABARTHE, 2006] et sont ensuite

particularisés pour le cas d‘étude. La typologie de rôles génériques proposée par

[LABARTHE, 2006] est la suivante :

- Producteur : Fabrique des produits, des modules ou des pièces par des opérations sur

des matériaux ;

- Processeur : Réalise des opérations sur des produits ou des pièces selon le devis de

clients ;

- Assembleur : Assemble des produits ou modules à partir de pièces ou modules

délivrés par des fournisseurs ;

- Personnaliseur: Réalise des commandes personnalisées à partir de produits et de

modules ;


161

- Distributeur : Reçoit, stocke, prépare et expédie des produits, modules et pièce pour

satisfaire des commandes ou requis de clients ;

- Détaillant : Accomplit des actes de commerce. Reçoit, stocke et prépare des produits

pour satisfaire des commandes ou requis de clients ;

- Transporteur : Déplace, transporte, manipule des biens entre les centres selon les

ordres des clients.

Cette typologie des rôles générique permet de décrire les principaux rôles qui s‘inscrivent

dans une chaîne logistique qui dispose d‘un rôle précis au sein de l‘organisation. Afin de

prendre en considération le contexte des produits configurables, et ce, dès la phase de

conception, nous proposons d‘ajouter un rôle qui est celui du consommateur. Dans le but

d‘appréhender les comportements de ces individus distincts aux besoins personnalisés il

apparaît nécessaire de les représenter, et ce, dès la phase de modélisation.

2.3 Caractérisation et dimensionnement de la chaine

A partir de la description d‘une chaîne logistique (CL) permettant la production et la vente de

raquettes de tennis, nous avons retenu une première instanciation simplifiée en vue d‘être

simulée. Ainsi, la chaîne logistique considérée est composée de quatre entreprises

manufacturières et d‘un distributeur comme l‘illustre la Figure 5.47. Ces entreprises

collaborent en vue de délivrer les raquettes aux différentes zones de marché, tout en

maintenant leur autonomie de gestion.

L‘entreprise « centrale » de la CL, l‘assembleur, reçoit les composants nécessaires à

l‘assemblage de la raquette (c.à.d. le cordage, le cadre et le manche) de trois entreprises

fournisseurs. Une fois assemblées, les raquettes sont prises en charge par un distributeur qui

livre les trois marchés : France, Italie et Suisse. Ces marchés peuvent eux-mêmes être divisés

en sous-marchés régionaux. Une zone de marché est alors définie comme un ensemble de

distributeurs, de points de ventes et de consommateurs. Dans notre cas d‘étude, la demande

est définie au niveau des marchés et agrège des besoins de produits exprimés par des points de

ventes ou des demandes individuelles passées (en théorie) via une interface B2C.


162

Figure 5.47 : Exemple de chaîne logistique de cas d‘étude Raquette de tennis


163

La Figure 5.47 décrit les interactions entre les entreprises (fournisseurs, manufacturiers,

distribution et points de vente) de la CL. Cette représentation constitue un modèle de domaine

de la chaîne logistique indiquant notamment le fonctionnement interne de chaque entreprise

en termes de processus (production, assemblage, etc.) et de gestion de stock.

Dans les tableaux suivants (Tableau 5.8 et Tableau 5.9) sont présentées les

caractéristiques associées au niveau des marchés considérés.

Caractéristique Description

Taille La taille de la tête des raquettes tennis représente la longueur du cadre, le profilé et les

dimensions du tamis.

Tamis Le tamis décrit la surface de cordes des raquettes tennis. Selon sa taille, il détermine la puissance

de la raquette et sa tolérance. Un tamis moyen est compris entre 630 cm² et 660cm². Un grand

tamis est supérieur à 660 cm². Un petit tamis est inférieur à 630 cm².

Cadre Le cadre est décrit par sa longueur, représentée par la longueur totale d‘une raquette exprimée en

centimètre comprenant le manche et la tête. Les raquettes tennis de taille standard ont une

longueur de leur cadre circulant de 68 à 69. Devenant stretch ou long body quand leurs tailles

sont plus grandes que 69 cm. le profilé de la raquette, quant à lui, est exprime en millimètre et

détermine l‘épaisseur du cadre.

Profilé L‘épaisseur du cadre varie selon l‘objectif du client : fin pour un gain de précision et large pour

plus de puissance. et de contrôle.

Poids Le poids de la raquette de tennis intervient également dans la puissance et le contrôle du jeu : ces

deux objectifs étant en opposition : une raquette plus lourde aura plus de puissance mais moins

de contrôle. Ainsi, le poids de raquettes cordées pour des enfants et débutant varie entre 200 gr et

270 gr contre 240 à 360/370 pour des joueurs plus expérimentés..

Contrôle La raquette de tennis est plus puissante lorsque son profile est plus élevé, inversement, le

contrôle est plus élevé lorsque le profilé est plus petit.

Matériau En aluminium pour des raquettes de débutant, les matériaux employés sont en graphite ou des

combinaisons d‘aluminium et de graphite, en Fibre de carbone, etc.

Puissance La puissance des raquettes de tennis peuvent être améliores, selon les types de mouvements, ou

des styles de jeux des joueurs. Les raquettes tennis sont ainsi caractérisées selon plusieurs critères

: matériaux, profilé, tamis, équilibre. La puissance est d‘autant plus grande que le tamis est plus

grand au détriment du contrôle.

Maniabilité La maniabilité d‘une raquette est inversement proportionnelle au poids de la raquette.

Précision Un tamis petit ou moyen, un profilé plus fin et un matériau Titanium ou graphite répond à un

besoin (client) de contrôle.

Equilibre Il détermine la distance (en cm) de la base du manche jusqu'au point d'équilibre de la raquette.

Les raquettes dites rallongées ont un équilibre environ toujours en tête et sont en général plus

légères. Le choix de l'équilibre d'une raquette changera selon la morphologie et le type de jeu

pratiqué. Un joueur avec un aspect d'une amplitude plus importante et désirant obtenir un gain de

puissance privilégiera une raquette plus en tête (plus grand de 34cm) à l‘inverse, un joueur au

aspect court et voulant obtenir un gain de maniabilité privilégiera un équilibre plutôt en manche

(plus petit de 32cm).

La souplesse et la La souplesse et la rigidité sont fonction de la nature des matériaux utilisés dans la fabrication.

http://www.raquettetennis.net/19/raquette-de-tennis-2/

http://www.raquettetennis.net/19/raquette-de-tennis/

http://www.twenga.fr/dir-Sports,Tennis,Raquette-de-tennis#hx=1&s=5&c=6fb&av1=85ff&u=av1

http://www.twenga.fr/dir-Sports,Tennis,Raquette-de-tennis#hx=1&s=5&c=6fb&av1=7c54&u=av1

http://www.twenga.fr/dir-Sports,Tennis,Raquette-de-tennis#hx=1&s=5&c=6fb&av1=7c54&u=av1


164

rigidité

Une raquette rigide apportera plus de stabilité à l'impact et donc plus de contrôle et de précision,

à l'inverse une raquette souple apportera un gain de puissance et de confort. Un équilibre en tête

peut faire apparaître la raquette pour plus lourde qu'elle ne l'est en réalité et inversement.

Le plan de cordage

Le tamis peut accueillir 14, 16 ou 18 montants et 18, 19, 20 ou 22 travers. Plus la balle est en

contact avec une densité importante de cordes plus on peut lui donner la précision que l'on désire.

Moins il y a de cordes, moins il y a de contrôle mais davantage de puissance et de prise d'effet.

Tableau 5.8 : Caractéristique et qualités des raquettes de tennis

La demande est considérée comme étant l‘un des éléments essentiels formant la

dynamique de l‘environnement de la chaîne logistique. En termes de produit nous considérons

trois types, qui sont les suivants (Tableau 5.9) :

Type Description

Junior Destinés à des enfants, deux gammes de raquettes sont prévues en fonction du niveau de

pratique:

1. gamme débutant : pour les enfants commençant à jouer au tennis.

2. gamme confirmé : si l‘enfant possède déjà des bases techniques.

La raquette sera choisie également en fonction de la taille de l'enfant.

Adulte

intensif

Le joueur doit choisir sa raquette en favorisant la précision. il choisira donc pour une raquette

avec un petit tamis, un équilibre en manche et/ou un poids supérieur à 300g.

- Taille du tamis: Un grand tamis est supérieur à 660 cm². un tamis moyen est compris

entre 630 cm² et 660cm².

- Poids: Une raquette est dite légère quand son poids est inférieur à 285g.

- Equilibre: Un équilibre neutre correspond à une distance d'environ 32 cm. un

équilibre en manche correspond à une distance de moins de 31cm.

Adulte

régulier

Le joueur régulier doit choisir sa raquette en favorisant le contrôle et la puissance. S‘il a besoin

de contrôle, il choisira pour une raquette avec un tamis moyen et/ou un équilibre neutre. S'il a

besoin de puissance, il choisira pour une raquette avec un grand tamis et/ou un équilibre en tête.

- Taille du tamis: Un grand tamis est supérieur à 660 cm². un tamis moyen est compris

entre 630 cm² et 660cm².

- Poids: Une raquette est dite légère quand son poids est inférieur à 285g.

- Equilibre: Un équilibre neutre correspond à une distance d'environ 32 cm. Un

équilibre en manche correspond à une distance de moins de 31cm.

Tableau 5.9 : Type raquette de tennis

Afin de reproduire des phénomènes saisonniers, propre à l‘industrie du loisir, nous avons

établi un volume de vente par trimestre et par marché. Ces données sont synthétisées dans le

Tableau 5.10.


165

Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4

Marché Précisions

Marché

Quantité/

Trimestre

Moyenne/

Jour

Quantité/

Trimestre

Moyenne/

Jour

Quantité/

Trimestre

Moyenne/

Jour

Quantité/

Trimestre

Moyenne/

Jour

France

Junior 4000 44 4500 50 1750 19 1250 14

Adulte

intensif 5000 56 5250 58 2000 22 1500 17

Adulte

régulier 3250 36 4000 44 1500 17 1250 11

Italie

Junior 3000 33 3750 42 2500 28 1750 19

Adulte

intensif 3500 39 4000 44 2250 25 2000 22

Adulte

régulier 2000 22 2750 31 2000 22 1750 19

Suisse

Junior 3500 39 4250 47 3750 42 2500 28

Adulte

intensif 2750 31 3250 36 3000 33 2000 22

Adulte

régulier 4250 47 4500 50 3500 39 1750 19

Tableau 5.10 : Demande par trimestre

De même, nous avons défini un niveau de stock de produits selon chaque famille de

produit (Junior, Intensif et Régulier), ainsi que l‘indique le Tableau 5.11.

Niveau

Agent

Stock de type Junior Stock de type adulte intensif Stock de type adulte régulier

Stock initial Taille initiale Stock initial Taille initiale Stock initial Taille initiale

Stock Vrai 7000 Vrai 8750 Vrai 8500

Tableau 5.11 : Les paramètres d‘initialisation des stocks des différents types

3. Mise en œuvre du cadre méthodologique

Cette section illustre la mise en œuvre du cadre méthodologique orienté agents sur le cas

d‘étude « Raquettes ». Après avoir brièvement rappelé le cadre méthodologique, cette

illustration présente les différents modèles découlant des différentes phases de conception du

cadre méthodologique proposé au chapitre trois. Aussi nous détaillons tout d‘abord le Modèle

Organisationnel Conceptuel Rôle (CROM), le Modèle Organisationnel Conceptuel Agent

(CAOM), et le Modèle Opérationnel Agent (OPAM).

3.1 Rappel du cadre méthodologique

L‘objectif général du cadre méthodologique proposé est de permettre la modélisation et la

simulation de chaînes logistiques prenant mieux en compte les aspects organisationnels et les

finalités d‘étude de ces chaînes. Pour cela il est fondé sur trois grands principes : (i) une

description organisationnelle de la chaîne, (ii) une identification explicite d‘observables, et


166

(iii) une approche multi-niveaux dans laquelle cette description organisationnelle et cette

identification des observables seront faites à des niveaux de détail et/ou d‘organisation

différents, jugés pertinents pour la modélisation et la simulation de la chaîne.

Dans le processus de modélisation et de simulation de chaîne logistiques, comme l‘illustre

la figure suivante, notre cadre méthodologique distingue trois principales étapes :

Figure 5.48 : Cadre méthodologique pour la modélisation et la simulation orientée agents.


167

- La modélisation conceptuelle avec l‘élaboration du Modèle Organisationnel

Conceptuel Rôle (ou CROM – Conceptual Role Organizational Model), puis au

Modèle Organisationnel Conceptuel Agent (ou CAOM – Conceptual Agent

Organizational Model).

- La modélisation opérationnelle est composée du Modèle OPérationnel Agent (ou

OPAM – OPerational Agent Model) ;

- L’exploitation qui à partir du modèle OPAM, conduit à la constitution d‘un système

multi-agents et de l‘exécution de simulations avec celui-ci.

Dans les sous-sections suivantes nous présentons les étapes de modélisation conceptuelle

et de modélisation opérationnelle. L‘étape d‘exploitation sera présentée dans la section quatre

de ce chapitre.

3.2 Modèle Organisationnel Conceptuel Rôle (CROM)

Le modèle CROM a pour objectif de spécifier la structure organisationnelle de la chaîne

logistique, ainsi que les relations structurelles et dynamiques entre les entités/acteurs qui la

composent. Pour notre cas d‘étude, nous retrouvons les types acteurs principaux : les

fournisseurs, les transporteurs, les assembleurs et les clients.

La modélisation conceptuelle de notre chaine a été faite à trois niveaux de détail: N1, N2

et N3. Chaque niveau se compose d‘un ou plusieurs groupes d‘acteurs. Rappelons qu‘il existe

dans un modèle CROM deux types de groupes d‘acteurs : les groupes structurels associés à

une description isomorphe de l'organisation structurelle de la chaîne logistique, et les groupes

dynamiques, caractérisés par une durée de temps ou un objectif partagé par des acteurs de

différents groupes structurels.

Dans le premier niveau, le niveau N1, on trouve les quatre acteurs Compagnie1,

Compagnie2, Compagnie3 et Compagnie4, liés par une relation de type collaboration, et

jouant respectivement les rôles de Fournisseur, d‘Assembleur, de Transporteur et de Clients.

Chacune de ces Compagnies est représentée par un groupe d‘acteurs plus fins jouant des rôles

spécifiques dans les niveaux N2 et N3. Ainsi l‘acteur Compagnie1, peut négocier avec

l‘acteur Compagnie2, chacun de ces acteurs vérifiant la capacité de production/assemblage

avec leur Directeur de production et Directeur d‘assemblage respectifs spécifiés au niveau N2.

Ces derniers acteurs prennent les décisions à court terme au niveau N2, mais ils sont aussi

responsables de ces décisions et du contrôle en temps réel de leur exécution sur le niveau N3.


168

Ainsi l‘acteur Compagnie1 joue tout d‘abord deux rôles différents (Fournisseur et

Représentant de la direction) dans deux groupes différents (un Groupe Dynamique et un

Groupe Structurel) et dans les niveaux N1 et N2. Cet acteur envoie un ordre à l‘acteur

Directeur_de_production pour fabriquer un produit, en jouant deux rôles: Gestion de produit

(au niveau N2) et Assignation de produit (au niveau N3), ils s‘assurent de la bonne exécution

de cet ordre.


169

Figure 5.49 : Illustration du modèle CROM dans le cas de chaîne logistique


170

Ensuite, l‘acteur Directeur_de_production vérifie la disponibilité de stock et la

disponibilité de matières premières à partir de l‘acteur Stock1 et de l‘acteur Stock_matière.

Ces derniers délivrent les matières premières vers les acteurs Machines_de_production

(acteurs Production1, Production2 et Production3) pour fabriquer les produits. Ces derniers

acteurs réalisent diverses étapes de transformation conduisant aux produits finis. Ces derniers

sont livrés à l‘acteur Stock1.

Enfin, l‘acteur Compagnie2 (joue le rôle d‘assembleur) utilise l‘acteur Compagnie1 à

partir de l‘acteur Stock qui joue le même rôle dans deux groupes différents (Groupe Structurel

et Groupe Dynamique). Le rôle de Compagnie2 est d‘assembler les produits finis. Diverses

étapes sont nécessaires pour assembler les produits finis (Groupage, Assemblage et

Emballage), ces derniers sont livrés vers le stock (Stock2), Ensuite, ce produit est transporté

par la Compagnie3 vers la Compagnie4 qui s‘occupe de le personnaliser, et de le distribuer à

un distributeur ou à un détaillant.

On utilise des variables pour caractériser l‘activité (volumes traités), productivité (taux

d‘utilisation des ressources), qualité (qualité du produit, qualité du service), coûts (coût

d‘unité, coût total, coût de production coût de transport, coût de stockage, coût de commande,

coût de distribution, coût logistique), délais (délai de livraison, délai de réponse).

Dans notre cas Raquettes, un processus VMI (Vendor Management Inventory) est décrit

dans la Compagnie2 qui utilise la Compagnie1 comme une ressource d'actions en cas de

besoin. Considérant que l'acteur Stock appartient à la Compagnie1 (relations structurelles)

joue le même rôle (Stock) dans un groupe dynamique constitué avec l'acteur Camion de la

Compagnie2. La relation de type « contrôle » est une relation orientée indiquant qu‘un rôle a

un contrôle sur d‘autres rôles et peut ainsi leur demander d‘effectuer des tâches spécifiques :

la marge de manœuvre des rôles « subalternes » est donc réduite.

3.3 Modèle Organisationnel Conceptuel Agent (CAOM)

Rappelons que l‘objectif du modèle CAOM (Conceptual Agent Organizational Model), est de

spécifier les comportements de tous les acteurs précédemment identifiés dans le modèle

CROM.

Dans ce modèle, il s‘agit de filtrer les comportements d‘un système physique et les

comportements d‘un système complexe dans lequel des processus de décisions complexes

interviennent. Cette traduction permet aussi de mettre en évidence les variables (Quantitatives

ou Qualitatives). Cela consiste à transformer les acteurs dans le modèle (CROM) en agents


171

dans le modèle (CAOM). Chaque acteur dans le CROM est présenté par un agent dans le

modèle CAOM. Cette tâche permet de traduire les relations entre les acteurs définis lors de la

première tâche. Il s‘agit de reporter sur le CAOM, l‘ensemble des relations recensées sur le

CAOM. Chaque relation du CROM est représentée sur le CAOM par des interactions. Dans le

modèle CAOM on distingue deux grands types d‘agents : les agents réactifs (AR) aux

comportements basiques, et les agents délibératifs (AD) aux comportements complexes

pouvant nécessiter des interactions avec d‘autres agents délibératifs ou réactifs.

La Figure 5.50 illustre le modèle CAOM associé à notre cas d‘étude. Comme le modèle

CROM dont il est dérivé, il est structuré en 3 niveaux N1, N2 et N3. Chaque niveau se

compose d‘une ou plusieurs groupes (Structurel ou Dynamique) d‘agents. Dans le niveau N1,

les agents Compagnie1, Compagnie2, Compagnie3 et Compagnie4 sont liés par une

interaction de type complexe, définie par relation de type « collaboration » dans le Modèle

CROM. Chacune de ces agents est représenté par un groupe d‘agents (de nature réactive ou

délibérative) qui jouent un rôle à différents niveaux hiérarchique.

En outre, un processus VMI et décrit dans laquelle l‘agent Compagnie 2 utilise l‘agent

Compagnie 1, comme l‘agent Compagnie 3 utilise l‘agent Compagnie 2, en tant que

ressources d‘actions en cas de besoin. Ainsi l‘agent Stock est un agent jouant le même rôle

dans deux groupes différents, c‘est un agent commun à Compagnie 1 et à Compagnie 2.

L‘interaction physique spécifie la circulation de l‘information entre agents liés à des flux

physiques (i.e. transfert de matières, produits…). Ainsi que spécifiée dans le modèle CROM

précédent, ces interactions ont lieu au sein de groupes dynamiques (GD 5 et GD 6),

caractérisant des relations « contractuelles », c'est-à-dire définie en dehors d‘un cadre

structurel (i.e. dans entreprise) et dont la durée de vie est liée à celle du contrat (au sens large,

i.e. dans un cadre de collaboration ou client/fournisseur).


172

Figure 5.50 : Illustration du modèle CAOM dans le cas de chaîne logistique


173

3.4 Modèle Opérationnel Agent (OPAM)

L‘objectif du modèle OPAM correspond à la notion de modèle de conception en ingénierie

logicielle : il donne les informations nécessaires à l‘implémentation des modèles. Le modèle

précédent, CAOM, a déjà identifié les types de comportements attendus des agents, et indiqué

le type d‘architecture à préférer en fonction des observables désirés. Ceci implique donc de

gérer au moins deux environnements de simulation de nature et de structure différentes : un

environnement pour agents réactifs – AR, et un environnement pour agents délibératifs (ou

cognitifs) - AD.

Dans la Figure 5.51, la structure est divisée en deux environnements, d‘agents délibératifs

et d‘agents réactifs. Dans l‘environnement d‘agents délibératifs (AD) par exemple, l’Agent

Compagnie 1, l’Agent Compagnie 2, l’Agent Compagnie 3 et l’Agent Compagnie 4 sont

connectés par une interaction de type message. Dans l‘environnement d‘agents réactifs (AR)

par exemple, l‘agent Stock_de_Matière et l‘agent Production1 sont aussi connectés par une

interaction de type message.

L‘Agent Compagnie3 est un agent « hybride » en ce qu‘il doit assurer à la fois des

fonctions de négociations (contrats de livraison) et de suivi du bon déroulement des livraisons

(affectation des missions, suivi des livraisons…). Ceci s‘explique par la petite taille de

l‘entreprise en question (une PME par ex.), amenant la personne en charge joue les deux

rôles. Ces rôles représentent donc un seul acteur mais nécessitent différent niveaux de

représentations des comportements mettant en œuvre ces fonctions. Il y a donc deux agents

(en forte coordination) pour jouer le rôle de l‘entreprise Compagnie 3 : l‘un cognitif et l‘autre

réactif.

De même, on peut noter deux choix différents de modélisation du rôle transporteur

(camion). Ainsi, on pourrait considérer que ce rôle est plus important (par rapport aux

objectifs de simulation) lorsqu‘il intervient dans le transport entre les compagnie 1 et 2 car

intervenant directement dans le processus de production (zone manufacturier dans la Figure

5.46) alors que le transport entre les compagnies 2 et 4 relève de la modélisation de la relation

clients. Ceci a conduit à proposer deux choix d‘architectures différents : cognitif pour l‘agent

Camion 1 et réactif pour l‘agent Camion2.

Cet exemple relativement simple permet donc d‘illustrer les différents de cas de figures

rencontrés dans l‘élaboration d‘un modèle OPAM à partir d‘un modèle CAOM donné.


174

Figure 5.51 : Illustration du modèle OPAM dans le cas de chaîne logistique


175

4. Implémentation et mise en œuvre de l’architecture

logicielle

4.1 Présentation générale

La simulation du modèle opérationnel, produite après des étapes de raffinement du modèle

conceptuel initial, suppose l‘existence d‘une infrastructure logicielle. Au niveau des

architectures logicielles d‘agents, nous conduit à considérer deux environnements d‘agents.

Chaque environnement regroupe les agents de même type qui disposent d‘environnements de

simulation spécifiques.

Dans cet exemple (Figure 5.52), la structure est supportée par deux plates-formes, une

pour les agents cognitifs et l‘autre pour les agents réactifs.

La plateforme JASON, est retenue pour les développements d‘agents cognitifs pour sa

facilité de mise en œuvre des agents BDI. Les interactions entre les agents cognitifs sont

définies sous la forme de messages, par exemple, l‘interaction entres les quatre agents,

l’Agent Compagnie 1, l’Agent Compagnie 2, l’Agent Compagnie 3 et l’Agent Compagnie 4.

Nous avons aussi retenu la plateforme JADE pour implémenter les agents réactifs pour sa

facilité de mise en œuvre de comportements simples (modèles de comportements simplifiés)

et son support logiciel bas niveau. Les interactions entre les agents réactifs sont définies sous

la forme de message, par exemple, l‘interaction entre l’Agent de Production 1 et l’agent

Stock. Dans cette architecture, il existe un agent pour la gestion du groupe (Agent

Gestionnaire), il joue un rôle de gestionnaire du groupe pour déterminer ses droits à

l‘admission. Ensuite, notre Médiateur joue un rôle spécifique, il assure des services liés à

l‘interopérabilité entre les agents dans les plateformes JASON et JADE.

Il est à noter que l‘implémentation de l‘architecture actuelle se base fortement sur Jade, en

ce que certaines des missions du médiateur (gestion des agents essentiellement) se situent

« physiquement » (i.e. au niveau programmation logicielle) dans Jade.


176

Figure 5.52 : Illustration de l‘architecture dans le cas de la chaîne logistique

Groupe

manager

Source de

données

JA

SO

NM

ÉD

IAT

EU

RJA

DE

Gestion du modèle organisationnel

Gestion d‘un groupe (Interne)

Ch

erc

her

ACC

Gère la Communication

entre agents

DF

Service de « pages jaunes» à la

plate-forme

AMS

Supervise

l'enregistrement des

agents

Agent

Compagnie1

Agent directeur

de production

Groupe 1

Groupe 2

Agent

Production1

Agent

Production2

Agent

Production3

Agent

Stock 1

Groupe d’Indicateurs

Registre

Gestionnaire Globale (Externe)

Groupe

manager

Groupe

manager

Source de

données

Source de

données

Reçois des

informations

Demande

d’informations

Résultats

Données

Paramètre

Base

de d

on

nées

Agent Stock

Matière

Agent directeur

de production

Agent

Emballage

Agent

Assemblage

Agent

Groupage

Agent

Stock 2

Groupe

manager

Source de

données

Agent

Compagnie2

Agent

Compagnie3

Agent

Camion2

Groupe

manager

Source de

données

Agent

Compagnie3

Agent directeur

de marché

Agent

Compagnie4

Agent

Personnaliseur

Agent

Distributeur

Agent

Personnaliseur

Groupe

manager

Source de

données

Groupe 3

Groupe 6

Groupe 4 Groupe 5

Containeur

Agent

Camion1


177

Le modèle opérationnel agent est composé de deux environnements d‘agents en

interactions. La conception du système multi-agents implique l‘implémentation d‘un

environnement d‘agents cognitifs, simulant les comportements complexes, mais également

l‘implémentation d‘un environnement d‘agents réactifs, simulant les comportements simples.

Les comportements d‘agents sont spécifiés à l‘aide d‘un diagramme AUML, ces

comportements seront implémentés au sein d‘une plateforme informatique spécifique. Au

cours de cette section nous détaillons les étapes d‘implémentation des agents développés au

sein des plateformes JASON et JADE.

4.2 Description du scénario et de la sous partie de la SC

concernée

Au cours de cette partie, nous présentons un scénario que nous avons retenu pour la conduite

des simulations. La démarche d‘expérimentation repose sur la simulation de différentes

politiques de gestion et de pilotages de la chaîne logistique. La conduite d‘expérimentations

par simulation facilite l‘étude et l‘analyse comportementale des organisations. Les objectifs

de ces travaux de simulation sont de plusieurs ordres. Il s‘agit en premier lieu d‘accomplir une

mise en œuvre complète du cadre méthodologique proposé dans le chapitre 3. En deuxième

lieu, nous souhaitons valider les propositions conceptuelles et les modèles opérationnels. En

troisième lieu, nous voulons valider nos choix en termes de réalisation informatique au travers

de l‘environnement de simulation proposé.

Dans ce scénario, nous considérons une partie d‘illustration de l‘ensemble d‘agents dans

l‘exemple ci-dessus, cette partie est proposée à la Figure 5.53. Cet exemple présente différents

types d‘agents, leurs rôles et leurs interactions dans la structure d‘une chaîne logistique. Les

agents de différents type cognitifs et réactifs (Compagnie 1 (Fournisseur), Directeur de

Production, Stock Matière, Production 1, Production 2 et Production 3) maintiennent des

stocks de produit finis du point de commande (Quantités, Qualités). Ces derniers sont livrés

vers le centre de distribution, dans lesquels ils sont stockés ou bien dirigés vers les marchés

(qui suivra les étapes : Groupage, Assemblage et Emballage).

Nous souhaitons dans ce scénario observer le comportement des agents réactifs et

cognitifs, ces comportements sont les suivants :

- L‘Agent Fournisseur (Compagnie1) envoi un ordre à l’Agent Directeur de Production

pour fabriqué un produit. Ce dernier s‘exécute et envoi une confirmation de réception

à l‘Agent Fournisseur pour valider l‘ordre d‘exécution.


178

- L’Agent directeur de production vérifie la disponibilité du stock. En même temps il

vérifie la disponibilité des matières premières (i.e. en quantité suffisante pour

fabriquer soit les produits), dans le cas contraire il commande les quantités

manquantes.

- L’Agent Matériels Stock envoi les matières premières vers les Agents Production pour

fabriquer les produits. Enfin, les produits finis sont livrés vers le stock afin qu‘ils

soient disponibles pour l‘étape suivante.

- L‘Agent Assembleur (Compagnie 2) envoi un ordre à l’Agent Directeur pour

commencé la phase de l‘assemblage. Ce dernier transfère l‘ordre vers les Agents

Groupage, Assemblage et Emballage. Celles-ci subissent diverses étapes de

transformation avant de prendre le statut de produit fini. Ces derniers sont livrés

directement vers l‘Agent Stock 2.

Figure 5.53 : Une partie d‘Illustration de l‘architecture dans le cas de la chaîne logistique


179

4.3 Implémentation des agents dans l’architecture (ALMOSIM)

Nous présentons dans cette section l‘implémentation des agents dans notre architecture

appelée ALMOSIM pour Architecture Logicielle pour la Modélisation et le SIMulation. Les

agents ont été implémentés à partir d‘une spécification de leurs comportements faite au

travers de diagrammes AUML.

Figure 5.54 : Les agents de l‘architecture ALMOSIM

Les agents AMS et ACC du médiateur, relatifs à la gestion des agents, sont déjà

implémentés dans la plateforme JADE, et les services administratifs spécifiés pour chaque

type agent dans ALMOSIM sont gérés automatiquement et de manière transparente par

JADE. L‘interaction entre l‘agent cognitif et l‘agent réactif repose sur l‘échange de message

entre les deux environnements de développement retenus. Les interactions entre les

plateformes de développement multi-agents JASON et JADE s‘effectuent via des messages

ACL. Cette communication ou l‘interaction communication entre un agent cognitif à un agent

réactif se fait à partir un composant DF qui fait office d'annuaire. Les agents Sources de

Données faisant partie de noyau de l‘architecture (Médiateur), ces agents peuvent assurer

l‘interopérabilité entre l‘agent indicateur et les agents dans les plateformes (JASON «Agents

Cognitifs» et JADE «Agents Réactifs») pour partager les données ou l‘échange des

informations. Enfin, l‘agent Gestionnaire de groupe est responsable de la gestion des entrées

Agent Source de

Donnée

Agent Gestionnaire

Groupe

Agent AMS

Agent ACC

Méd

iateu

r

Agent Indicateur

Interopérabilité entre

les plateformes

« Agents DF»

Agents JADE

Agents JASON


180

dans le groupe (i.e. demande de jouer un rôle dans un groupe), du maintien des informations

sur groupes, notamment vis-à-vis de requêtes d‘autres agents..

Figure 5.55 : Les différents types d‘agents

4.4 Implémentation des agents cognitifs en JASON

Les agents cognitifs sont utilisés pour simuler des comportements complexes adoptés dans le

cadre de processus de prise de décision. Il s‘agit de reproduire des stratégies décisionnelles

telles qu‘elles peuvent être mise en œuvre au sein d‘une chaîne logistique. Chaque agent

cognitif repose sur une architecture d‘agent de type BDI. La programmation des agents

cognitifs est réalisée au sein de l‘environnement de développement JASON.

Ce diagramme présente les communications entre les agents JASON dans

l‘environnement cognitifs. L‘agent Fournisseur est le principal élément déclencheur d'un

processus de production qui sera lancé dans le but de produire une quantité prédéfinie d'un

produit spécifique. Cette demande se traduit par un message vers l‘agent gestion de

production pour gérer cette production et obtient en retour une confirmation. Ensuite l'agent

gestion de production s‘entretient avec son responsable de stock de matière première en vue

d‘assurer cette commande.


181

Figure 5.56 : Exemple, Communication entres les agents cognitifs (ou agents JASON)

4.5 Implémentation des agents réactifs en JADE

Les agents présents dans l‘environnement réactif sont implémentés à l‘aide de la plateforme

JADE. Les agents réactifs sont utilisés pour simuler des comportements simples. Le

diagramme ci-dessous montre les communications entre les agents réactifs.

L‘agent Stock Matériel envoi les matières premières vers les machines de production pour

fabriquer les produits. Celles-ci subissent diverses étapes de transformation avant de prendre

le statut de produit fini. Ces derniers sont livrés vers l‘agent Stock1 afin qu‘ils soient

disponibles pour l‘étape suivante (Groupage, Assemblage, Emballage).


182

Figure 5.57 : Communication entre les agents réactifs

4.6 Scénario d’interaction entre agents réactifs et agents

cognitifs

Au cours de cette section nous avons présenté la mise en œuvre des agents au niveau de

l‘implémentation. Chaque environnement d‘agent a été décrit de manière distincte. Il s‘agit

dans cette partie de détailler, sur la base d‘un exemple, l‘implémentation du système multi-

agents. Pour cela, nous précisons les interactions entre (i) les agents cognitifs Fournisseur,

Gestion de Production, Stock de matière (ii) les agents réactifs Stock, Production1,

Production2, Production, (iii) les agents réactifs et les agents cognitifs Gestion de Production,

Stock1, Stock de matière, Production1, Production2, Production3.

La phase de spécification des interactions entres agents, relative à l‘échange des messages,

est représentée à l‘aide des diagrammes de séquence définis dans AUML. Un exemple de


183

diagramme de séquence est proposé à la Figure 5.58, permettant ainsi d‘illustrer les

communications entres les agents cognitifs et réactifs.

Le message envoyé de l‘agent cognitif Supplier vers l‘agent cognitif Production Manager

contient des informations la quantité et ainsi la référence de produits à commander. Le

message envoyé sous forme suivante: Name_Message (Type : Order ; Format : Confirm ;

Ref_Product : Chiffre ; Quantity: 10 ; From : Supplier ; To : Production Manager;).

Le message envoyé de l‘agent cognitif «Agent Gestion de Production» vers l‘agent réactif

«Agent Stock1» concernant une demande d‘information sur l‘espace de stockage disponible.

Le message envoyé par l‘agent cognitif « Stock Matière Première » vers les agents réactifs

« Production 1, Production 2, Production3 » contient des informations concernant la mise à

disposition des matières premières nécessaires à la fabrication des produits.


184

Figure 5.58 : Communication entres les agents cognitifs et les agents réactifs


185

La Figure 5.59 présente des messages de la Figure 5.58. Cet exemple présente la

communication entre deux agents JASON (agents délibératifs). Le rôle de premier agent où

l‘agent fournisseur à demandé de fabriqué d‘un produit (Raquettes de Tennis) à l‘agent

gestion de production.

Figure 5.59 : Exemple de messages échangés.

La figure suivante montre l‘état ou les messages entre tous les agents (Réactifs et

Cognitifs) dans le système. La Figure 5.60 montre une trace « brute » des messages échangés.


186

Figure 5.60 : Affichage sur la console (communication entre les agents)

Alors que la Figure 5.61, montre l‘échange entre les agents, toujours en cours d‘exécution.


187

Figure 5.61 : Interaction entre les agents JASON et JADE

Initialisation phase

( name / roles / abilities registration…)

Simulation phase


188

Enfin, la Figure 5.62, donne un apperçu de l‘environnement complet en cours d‘exécution.

Figure 5.62 : Deux plateformes d‘agents JASON et JADE


189

5. Simulations : résultats et interprétations

Cette section cinq présente et interprète les résultats de simulations relatifs à la chaîne

logistique du cas « Raquettes » selon différents scénarios d‘étude pertinents.

Des difficultés techniques liées à la mise en œuvre de l‘architecture logicielle ne nous

permettent pas encore de présenter les résultats de simulations obtenus ainsi que leurs

interprétations. Ces résultats et interprétations seront fournis aux rapporteurs à la fin aout.

Nous les prions de nous en excuser.


190

6. Conclusion

Ce chapitre nous a tout d‘abord permis d‘illustrer, à travers un cas industriel, la mise en

œuvre du cadre méthodologique proposé au chapitre 3. Cette illustration concerne, au niveau

exploitation, la simulation d‘une chaîne logistique de fabrication de raquettes de tennis.

Pour réaliser cette simulation, nous avons proposé un environnement logiciel permettant

l‘implémentation du Modèle Opérationnel Agent. Cet environnement de simulation permet de

simuler les agents délibératifs et les agents réactifs, par la mise en œuvre deux plates-formes

logicielles spécifiques, l‘une pour les agents délibératifs (JASON), et l‘autre pour les agents

réactifs (JADE).

Afin de valider le cadre méthodologique, nous avons détaillé les étapes de conception et

les phases de transition, menant de l‘abstraction du système réel jusqu‘à la conduite

d‘expérimentations. Appliqué au cas industriel, nous avons implémenté et exécuté un système

multi-agents nous permettant d‘analyser le comportement d‘une chaîne logistique.

Au niveau de la conduite d‘expérimentations par simulations orientées agents, nous avons

atteint un premier niveau nous permettant de mener des études et des analyses sur les

comportements de chaînes logistique. A travers la définition de différentes interfaces

expérimentales, nous avons obtenu de nombreux résultats de simulation. la proposition et la

simulation de différents scénarii nous ont permis de définir de multiples indicateurs de

performances.

191

CHAPITRE 6: CONCLUSION GÉNÉRALE ET

PERSPECTIVES

1. Bilan des travaux de recherche présentés

Les chaînes logistiques devenant de plus en plus complexes, dans la recherche de leur

performance, leur modélisation/simulation devient nécessaire. Cette modélisation/simulation

des chaînes logistiques demande une multi-modélisation avec l‘utilisation de différents

formalismes ou paradigme de représentation. Le paradigme agent, qui permet de modéliser et

de simuler le comportement d‘une chaîne logistique de manière distribuée, et selon différents

niveaux décisionnels, apparaît adapté au développement d‘outils d‘aide à la décision

spécifiques.

L‘élaboration d‘un tel outil, basé sur la simulation, nécessite de disposer d‘une

modélisation adéquate de la chaîne logistique. Ces modélisations, principalement issues du

domaine de la modélisation d‘entreprise, sont difficilement exploitables dans les

environnements de simulation actuels, qui nécessitent l‘élaboration de l‘étude. Comme nous

l‘avons montré lors de l‘état de l‘art, si les diverses modélisations actuellement disponibles

permettent de modéliser la structure organisationnelle de la chaîne, elles ne permettent pas la

prise en compte explicite de son agilité et de la dynamique de son environnement. En effet,

l‘implémentation de modèles de simulation est plus liée à des contraintes de développement

logiciel qu‘à des spécificités du système réel étudié.

L‘approche orientée agents nous étant apparue pertinente, notamment pour la prise en

compte de comportements au niveau des différents acteurs de la chaîne, notre travail de

recherche s‘est concentré sur la définition d‘une approche de modélisation pour la simulation

orientée agents de chaînes logistiques, avec pour objectif majeur de permettre une

modélisation/simulation orientée agents plus « organisationnelle » de la chaîne logistique.

Cette modélisation/simulation « organisationnelle », tente d‘intégrer explicitement la structure

organisationnelle de la chaîne logistique (qu‘elle soit stable ou temporaire) lors de la

simulation, notamment au travers la prise en compte d‘observables et d‘indicateurs associés

définis à différents niveau de détail de l‘organisation.

Notre première contribution (chapitre 3) consiste en la proposition d‘un cadre

méthodologique organisationnelle permettant une modélisation et une simulation orientées

agents des aspects organisationnels de chaîne logistique. Pour cela, nous avons fondé sur trois

grands principes : une description organisationnelle de la chaîne, une identification explicite

Chapitre 6 : Conclusion générale et perspectives

192

d‘observables, et une approche multi-niveaux dans laquelle cette description organisationnelle

et cette identification des observables seront faite à des niveaux de détail et/ou d‘organisation

différents, jugés pertinents pour la modélisation et la simulation de la chaîne. Ce cadre

méthodologique est structuré selon deux niveaux d‘abstraction, Conceptuel et Opérationnel. A

chacun de ces niveaux est développé une modélisation spécifique de la chaîne : modélisation

conceptuelle et modélisation opérationnelle.

Le niveau conceptuel est compose d'un Modèle Organisationnelle Rôle Conceptuel

(CROM), qui est raffiné dans un Modèle Organisationnelle Agent Conceptuel (CAOM). En

ce qui concerne le niveau opérationnel, il est essentiellement composé du Modèle

OPérationnel Agent (OPAM). Ce cadre doit permettre l'étude de l'impact d'une structure

organisationnelle spécifique de chaîne logistique et ses politiques de gestion à la performance

de chaîne logistique. Basé sur une modélisation d'un expert de chaîne logistique particulier,

une modèle conceptuelle organisation / rôle orienté (CROM) et agent orienté (CAOM) permet

de concevoir un modèle de simulation, qui reproduisent le comportement de chaîne logistique

global et local. Ces modèles conceptuels sont définis indépendamment de l'architecture agent

particulier ou même sur l'architecture logiciels spécifiques, mais de proposer des mesures

transitoires afin de guider leur développement. Ce niveau conceptuel ne nous permettant pas

d‘obtenir des agents exécutables ou opérationnels, pour cela nous avons proposé un niveau

‗abstractions pour la conception d‘organisations multi-agents. Ces organisations sont décrites

au sein du Modèle Opérationnel Agent (OPAM). Ce modèle est utilisé pour séparer les

comportements simples et les comportements complexes lors de la phase d‘implémentation de

l‘organisation multi-agents.

Notre seconde contribution (chapitre 4) concerne la mise en œuvre des différentes étapes

de ce cadre méthodologique. Pour cela nous avons développé une plateforme de simulation

pour l‘implémentation du modèle Opérationnel Agent (OPAM) et l‘exécution du système

multi-agents. Une architecture logicielle été proposé pour la mise en œuvre de modèle OPAM

et de la simulation. Cette architecture sera l'intégration de deux plates-formes de simulation

différentes permettant une simulation distribuée, basée sur deux environnements de

simulation spécifiques, une pour les agents cognitifs (JASON) et l'autre pour les agents

réactifs (JADE), et aussi le médiateur qui assure l‘interopérabilité entre ces plateformes

proposé. Rendre interopérable des simulateurs implique de coordonner de nombreux éléments

partagés par ces deux simulateurs : le temps, les événements animant les modèles simulés, les

informations ou données exploitées ou produites… En prolongement de notre cadre


193

méthodologique, nous nous sommes plus particulièrement intéressé à la représentation de

l‘organisation de la chaîne logistique en cours de simulation ainsi que la production

d‘indicateurs liés aux observables retenus au niveau des modèles CROM et CAOM. Ce

dernier point a d‘ailleurs été traité à l‘aide d‘agents spécialisés et des protocoles/mécanismes

d‘échange et synthèse de données.

Afin de valider ce cadre méthodologique et cette architecture proposés, nous avons traité

un cas d‘étude de chaine logistique (Chapitre 5). Pour ce cas nous avons élaborés les

différents modèles de la chaîne logistique considérée, Modèle Conceptuel (CROM et

CAOM), et Modèle Opérationnel (OPAM), modèles associés à notre cadre méthodologique

proposé. Ce modèle opérationnel a été implémenté dans l‘environnement de simulation que

nous avons précédemment défini, et le système multi-agents obtenu nous a permis d‘analyser

par simulation le comportement de la chaîne logistique du cas d‘étude. Nous avons ainsi

conduit, avec notre plate-forme de simulation, plusieurs simulations de cette chaîne logistique

permettant l‘étude de plusieurs scénarios pertinents.

2. Perspectives de recherche

Le travail réalisé jusqu‘ici a permis d‘établir les contributions citées dans la section

précédente ainsi qu‘un début de validation expérimentale de la pertinence de notre démarche.

Les perspectives de recherche que nous dégageons de tout ce travail peuvent se résumer en

une poursuite de cette volonté de validation de la démarche et de l‘architecture logicielle

associée, suivie d‘un enrichissement des propositions faites dans ce mémoire.

L‘objectif final étant de produire des simulations, une validation renforcée pourrait se

faire en plusieurs temps : i) développer le cas d‘étude afin d‘obtenir in fine une simulation

plus complète ; ii) développer les autres fonctions du médiateur (essentiellement la gestion du

temps et de l‘interopérabilité logicielle) en intégrant un environnement de simulation non-

agent. Bien que nous ayons identifié les solutions possibles pour mettre en œuvre ces

fonctions, il reste encore à les implémenter. Ces deux améliorations valideraient ainsi

l‘ensemble de nos propositions.

L‘enrichissement du cadre méthodologique consisterait, à court terme, à préciser la

procédure de traduction assurant la transition entre les modèles CROM, CAOM et OPAM. De

fait, des critères de décision ont été proposés mais des expérimentations plus exhaustives (cf.

paragraphe précédent) permettraient de définir des règles explicites facilitant le travail des

modélisateurs et des informaticiens chargés de produire ces simulations. En se rapprochant


194

des concepts et techniques de l‘ingénierie dirigée par les modèles (ou Model Driven

Engineering), ceci pourrait être mise en œuvre à l‘aide d‘outils comme ATL11

.

A plus long terme, la poursuite de l‘objectif de prise en compte de l‘organisation dans

la simulation de chaîne logistique impliquerait d‘intégrer la dimension réellement dynamique

de cette organisation en rendant encore plus explicite l‘organisation, à l‘image de ce que

propose A&A [MONTAGNA et al., 2008] et Moise (et Moise+) [HUBNER et al., 2007].

Ainsi, en donnant la capacité des agents de pouvoir raisonner sur l‘organisation, il serait

possible de simuler des processus de décision conduisant à externaliser une partie de la

production (par ex.) d‘une entreprise et d‘étudier leur conséquence et donc de comparer les

performances de la chaîne au fur et à mesure des changements organisationnels.

Enfin, concernant l‘architecture logicielle elle-même, au-delà des optimisations que

des expérimentations supplémentaires permettraient d‘identifier (échanges de message,

exécution sur une grille de calcul…), il serait intéressant voire nécessaire d‘améliorer la

réutilisation des modèles et des simulations. De fait, le processus de conception des

simulations peuvent amener, en fonction des objectifs de simulation et des observables

associés, à produire plusieurs modèles de simulation à partir d‘un même modèle de domaine

d‘une chaîne logistique. De fait, la réutilisation actuellement réside dans la possibilité de

récupérer entre deux simulations des modèles ou des implémentations d‘agents. Dans le cas

de modèles non agent, cette réutilisation peut être moins simple et ainsi nécessiter une étude à

part entière pour ajouter, par exemple, une conception à base de composants (agentifiés ou

non [PUJALTE et al. 2006].

11 http://wiki.eclipse.org/ATL

195

BIBLIOGRAPHIE

[AHN et al., 2003] AHN, H. J., Lee, H., et Park, S. J. (2003). A flexible agent system for

change adaptation in supply chains. Expert Systems with Applications, 25, 603–618.

[ALBER et WALKER, 1998] ALBER, K. L. et WALKER, W. T. (1998) Supply Chain

Management: Principles and Techniques for the Practitioner, Research Paper Series,

APICS Educational & Research Foundation, Falls Church, VA.

[AMICE, 1993] AMICE (1993) CIMOSA : Open Systems Architecture for CIM, Springer-

Verlag.

[AKKERMANS et al., 1999] AKKERMANS, H.; BOGERD, P. et VOS, B. (1999) Virtunous

and Vicious Cycles on the Road Towards Intrnational Supply Chain Management,

International Journal of Operations & Production Management, Vol. 19, No. 5/6, 565-

58.

[AYERS, 2000] AYERS, J. (2000) A Primer on Supply Chain Management, Information

Strategy : The Executive’s Journal, Vol. 16, No. 2, 6-15.

[BALCI, 1998] BALCI O., (1998) Verifiation, validation and testing. The Handbook of

Simulation. Edited by Jerry Banks, John Wiley et Sons, New York, USA.. Chapter 10,

pp. 335-393.

[BALLOU, 1992] BALLOU, R. (1992) Business Logistics Management, Englewood Cliffs.

[BALLOU et al., 2000] BALLOU, R. H.; GILBERT, S. M. et MUKHERJEE, A. (2000). New

Managerial Challenges from Supply Chain Opportunities, Industrial Marketing

Management, Vol. 29, No. 1, 7 - 18.

[BERNON et al., 2002] BERNON, C., GLEIZES, M.P., PICARD, G. et GLIZE, P. (2002)

The Adelfe Methodology For an Intranet System Design. In Proc. of the Fourth

International Bi-Conference Workshop on Agent-Oriented Information Systems

(AOIS), Toronto, Canada.

[BERRAH et al., 2000] BERRAH, L., MAURIS, G., FOULLOY L. et HAURAT A., (2000)

"Global vision and performance indicators for an industrial improvement approach",

Computers in Industry, vol., n°43, pp. 211-225.

[BERRAH, 1997] BERRAH, L., (1997) "Une approche d'évaluation de la performance

industrielle. Modèle d'indicateur et techniques floues pour un pilotage réactif", Thèse de

Doctorat en Génie Industriel, Institut National Polytechnique de Grenoble, Juillet.

[BERRAH et HAURAT, 1997] BERRAH, L., HAURAT, A., (1997) "Une stratégie de mise

en place d'indicateurs de performance pour le pilotage des processus de production",

MOSIM 97, 1ère Conférence Francophone sur la Modélisation et la Simulation, Rouen,

France, 5-6 Juin,

[BERRAH et al., 1995] BERRAH, L., MAURIS, G., HAURAT, A. et FOULLOY, L., (1995)

« Modélisation de la performance : une approche par la logique des indicateurs de

performance», Congrès International de Génie Industriel : La productivité dans le

monde sans frontière, Montéal, canada.

[BISWAS et NARAHARI, 2004] BISWAS, S. et NARAHARI, Y. (2004) ‗Object oriented

modelling and decision support for supply chain‘, European Journal of Operational

Research, Vol. 153.

[BITTON, 1990] BITTON, M., (1990) "ECOGRAI : méthode de conception et d'implantation

des systèmes de mesure des performances pour organisations industrielles", Thèse de

Doctorat en Automatique, Université de Bordeaux I, Septembre.

[BOER et al., 2008] BOER, C.A., DE BRUIN A. et VERBRAECK A. DISTRIBUTED

SIMULATION IN INDUSTRY – A SURVEY PART 3 – THE HLA STANDARD IN

Bibliographie

196

INDUSTRY, Proceedings of the 2008 Winter Simulation Conferenc e S. J. Mason, R. R. Hill,

L. Mönch, O. Rose, T. Jefferson, J. W. Fowler eds., 2008

[BORDINI et HÜBNER, 2006] BORDINI, R. et HÜBNER, J, (2006). An Overview of Jason.

Association for Logic Programming Newsletter 19(3).

[BORDINI et al., 2005] BORDINI, R., HÜBNER, J. et VIEIRA, R, (2005). Jason and the

Golden Fleece of Agent-Oriented Programming. Multi-Agent Programming. pp. 3-37.

[BOUSQUET et LE PAGE, 2001] BOUSQUET, F. et LE PAGE, C. (2001) ‗Systèmes multi-

agents et écosystèmes‘, dans BRIOT, J.P. et DEMAZEAU, Y., Principes et architecture

des systèmes multi-agents, Hermès.

[BOWERSOX et al., 1986] BOWERSOX, D.J., CLOSS, D.J. et HELFERICH, O.K. (1986)

Logistical Management, Macmillan Publishing, New York.

[BRATMAN, 1987] BRATMAN, M.E. (1987) Intention, Plans, and Practical Reason,

Harvard University Press.

[BRATMAN et al., 1987] BRATMAN, M.E., ISRAEL, D., et POLLACK, M. (1987) ‗Plans

and resource bounded practical reasoning‘, Computational Intelligence, vol. 4, pp. 349-

355.

[BRATLEY et al., 1987] BRATLEY P., FOX B. et SCHRAGE L., (1987) A guide to

Simulation, 2è edition, NY:Springer-Verlag.

[BRIOT et DEMAZEAU, 2001] BRIOT, J.P. et DEMAZEAU, Y. (2001) Principes et

architecture des systèmes multiagents, Hermès.

[BROOKS, 1986] BROOKS, R. (1986) ‗A robust layered control system for a mobile robot‘,

IEEE Journal of Robotics and Automation, vol. 2, n° 1, pp. 14-23.

[BURMEISTER et SUNDERMEYER, 1992] BURMEISTER, B. et SUNDERMEYER, K.

(1992) ‗Cooperative problem solving guided by intentions and perception‘ Proceedings

of the Third European Workshop on Modelling Autonomous Agents and Multi-Agent

Worlds, WERNER, E. and DEMAZEAU, Y., (Eds).

[BUSSMANN et al., 2004] BUSSMANN, S., JENNINGS, N. ET WOOLDRIDGE, M. R.,

(2004) Multiagent Systems for Manufacturing Control : A Design Methodology;

Springer Series on Agent Technology, XIV, 288 p. ISBN: 978-3-540-20924-9

[CHAIB-DRAA et al., 2001] CHAIB-DRAA, B., JARRAS, I. et MOULIN B. (2001)

‗Systèmes multi-agents : principes généraux et applications‘, dans BRIOT, J.P. et

DEMAZEAU, Y., Principes et architecture des systèmes multi-agents, Hermès.

[CHATFIELD et al., 2007] CHATFIELD D.C., HAYYA J.C., HARRISON T.P., (2007) A

multi-formalisme architecture for agent-based, order-centric supply chain simulation,

Journal of Simulation Modelling : practice and theory, Vol 15, pp. 153-174, 2007

[CHATURVEDI et MEHTA, 1999] CHATURVEDI, A.R. et MEHTA, S.R. (1999)

‗Simulation in Economics and Management‘, Communications of the ACM, Vol. 42 No.

3, pp. 60-61.

[CHRISTOPHER, 1992] CHRISTOPHER, M. (1992) Logistics, The strategic Issues,

Chapman & Hall.

[CLM, 2006] CLM, (2006) Council of Logistics Management, http://clm1.org.

[COLIN et PACHE, 1988] COLIN, J. et PACHE, G. (1988), La logistique de distribution,

Chotard et Associés Éditeurs, Paris.

[COOKE, 1997] COOKE, J. A. (1997) In This Issue, Supply Chain Management Review,

Vol. 1, No. 1, 3.

[COOPER et al., 1997] COOPER, M. C.; LAMBERT, D. M. et PAGH, J. D. (1997) Supply

Chain Management: More Than a New Name for Logistics, International Journal of

Logistics Management, Vol. 8, No. 1, 1-13.

[COURTNEY et al., 1997] COURTNEY, H., KIRKLAND, J. et VIGUERIE, P. (1997)

‗Strategy Under Uncertainty‘, Harvard Business Review, November, pp. 67-79.

http://clm1.org/

Bibliographie

197

[DEMAZEAU, 2001] DEMAZEAU, Y. (2001), VOYELLES. Mémoire d‘habilitation à

diriger des recherché, Institut National Polytechnique de Grenoble INPG, Avril 2001.

[D‘INVERNO et al., 1997] D‘INVERNO, M., KINNY, D., LUCK M., and WOOLDRIDGE,

M.J. (1997) ‗A Formal Specification of dMARS‘, Proceedings of the Fourth

International Workshop on Agent Theories, Architectures and Languages, SINGH,

M.P., RAO, A.S. and WOOLDRIDGE, M.J. (Eds).

[DMSO, 1998] DMSO: ―High Level Architecture‖, (1998).

[DONG, 2001] DONG, M. (2001) Process Modeling, Performance Analysis and

Configuration Simulation in Integrated Supply Chain Network Design, Dissertation for

the degree of Doctor of Philosophy in Industrial and Systems Engineering, Faculty of

the Virginia polytechnic Institute and State University.

[DOUMEINGTS, 1992] Doumeingts, G., Vallespir, B., Zanettin, M. et Chen, D. (1992) ‗GIM

: GRAI Integrated Methodology, a methodology for designing CIM systems‘,

GRAI/LAP, Technical Report.

[DROGOUL et al., 2008] DROGOUL A., TREUIL, J-P. et ZUCKER, J-D., (2008)

Modélisation et simulation à base d’agents, Edition Dunod, Paris, page 1 & 9.

[DROGOUL et al., 2003] DROGOUL A., VANBERGUE D., ET MEURISSE T.(2003).

Simulation Orientée Agent : où sont les agents ? Actes des Journées de Rochebrune,

Rencontres interdisciplinaires sur les systèmes complexes naturels et artificiels,

Megève, France.

[DROGOUL, 1993] DROGOUL, A., (1993) "De la simulation multi-agent à la résolution

collective de problèmes. Une étude de l'émergence de structures d'organisation dans les

systèmes multi-agents", Thèse de l'Université Paris 6.

[DURFEE et al., 1989] DURFEE, E.H., LESSER, V.R. et CORKILL D.D.,(1989) Trends in

Cooperative Problem Solving, IEEE Transactions on Knowledge and Data

Engineering, KDE-1(1), PP. 63-83, Mars 1989

[ERCEAU, 1993] ERCEAU J. (1993), Intelligence Artificielle Distribuée et Systèmes Multi-

Agents — de la théorie aux applications. 23ème Ecole Internationale d‘Informatique de

l‘AFCET, Neuchâtel.

[ERCEAU et FERBER, 1991] ERCEAU, J. et FERBER, J. (1991) ‗L‘Intelligence Artificielle

Distribuée‘, La recherche, vol. 22, pp. 750-758.

[ERMAN et al., 1980] ERMAN, L.D., HAYES-ROTH, F. LESSER V.R et REDDY, D.R.

(1980) ‗The Hearsay II speech understanding system; Integrating knowledge to resolve

uncertainty‘, ACM Computing Survey, vol. 12, pp. 213-253.

[ESPINASSE et al., 2007] ESPINASSE, B., SERMENT, J., TRANVOUEZ, E., (2007) An

Agent Integration Infrastructure for the Development of Environmental Decision

Support Systems based on Simulation‖, in: AIS-CMS International modeling and

simulation multi-conference, Buenos Aires - Argentina. ISBN 978-2-9520712-6-0.

[ESPINASSE et al., 2000] ESPINASSE, B. FERRARINI, A., et LAPEYRE R. "A Multi

Agents Systems for Modelling and Simulation of Supply Chains", Second Conference

on Management and Control of Production and Logistics - MLCP'2000, Grenoble,

France, 2000

[ESPINASSE et TRANVOUEZ, 1998] ESPINASSE, B., TRANVOUEZ, E., (1998)

"Ordonnancement d'atelier coopératif et réactif : une approche multi-agents" , in :

Hermès, in : Journal of Decision Systems, Vol. 7, pp. 215-237, 1998.

[FERRARINI et FOURINIER, 2009] FERRARINI, A. et FOURNIER, S., (2009) "Gestion

des perturbations dans l'organisation de chantiers : aide à la décision par modélisation et

simulation orientée agent" , 8ème Congrès International de Génie Industriel (CIGI

2009),Tarbes, France, jui 2009

http://www.lsis.org/spip.php?id_rubrique=243







Bibliographie

198

[FERRARINI et al., 2001] FERRARINI, A., LABARTHE, O., et ESPINASSE, B., (2001)

"Modelling and Simulation of Supply Chains with a Multiagent System" , Workshop on

Multiagent Based Modelling and Simulation in Industry and Environment, ESS'2001 -

13th European Simulation Symposium and Exibition, Marseille, 2001

[FERBER et al., 2009] Ferber, J., Stratulat, T. et Tranier, J. (2009), Towards an integral

approach of organizations in multi-agents systems: the MASQ approach. Semantics and

dynamics of organizational models in Virginia Dignum,.

[FERBER et al., 2004] FERBER, J., GUTKNECHT, O. et MICHEL, F. (2004) From agents

to organizations : an organizational view of multi-agent systems. In Agent-Oriented

Software Engineering IV 4th International Workshop, volume 2935 of LNCS, pages

214–230, Melbourne, Australia, mar 2004. Springer Verlag.

[FERBER et GUTKNECHT, 1998] FERBER, J. et GUTKNECHT, O. (1998). A meta-model

for the analysis and design of organizations in multiagent systems. In Y. Demazeau, E.

Durfee, and N.R. Jennings, editors, Third International Conference on Multi-Agent

Systems (ICMAS), pages 128–135, Paris, France, july 1998.

[FERBER, 1995] FERBER, J. (1995) Les Systèmes Multi-Agents, vers une intelligence

collective, InterEditions.

[FERBER, 1989] FERBER, J. (1989) ‗Eco Problem Solving: how to solve a problem by

interactions‘, Proceedings of the 9th workshop on Distributed Artificial Intelligence.

[FERGUSON, 1992] FERGUSON, I.A. (1992) TouringMachines : An Architecture for

Dynamic, Rational, Mobile Agents, PhD thesis, University of Cambridge.

[FININ et al., 1994] FININ, T., LABROU, Y. et MAYFIELD, J. (1994) ‗KQML as an agent

communication language‘, Proceedings of the 3rd International Conference on

Information and Knowledge Management.

[FIPA, 1997] FIPA (1997) Agent Communication Language, Foundation for Intelligent

Physical Agents, www.fipa.org/specs/fipa00018/.

[FIPA, 2002] FIPA (2002) FIPA Contract Net Interaction Protocol Specification, Foundation

for Intelligent Physical Agents, www.fipa.org/specs/fipa00029/.

[FORRESTER, 1961] Forrester, J.W. (1961) Industrial Dynamics, MIT Press.

[FOX et al., 2000] FOX, M. S., Barbuceanu, M., et Teigen, R. (2000). Agent-oriented supply

chain management. The International Journal of Flexible Manufacturing Systems, 12,

165–188.

[FRANCHESQUIN, 2001] FRANCHESQUIN N., (2001), Modélisation et simulation Multi-

Agents d'écosystèmes anthropisés : une application à la gestion hydraulique en Grande

Camargue. Thèse d'informatique de l'Université de Droit, d'Économie et des Sciences

d'Aix-Marseille, Aix-Marseille III.

[FRANKLIN et GRAESSER, 1996] FRANKLIN, S. et GRAESSER, A. (1996) ‗Is it an

Agent, or just a Program?: A Taxonomy for Autonomous Agents‘, Proceedings of the

Third International Workshop on Agent Theories, Architectures, and Languages.

[FUJIMOTO, 2000] FUJIMOTO R. 2000. Parallel and distributed simulation systems. John

Wiley & Sons, Inc. USA

[GALLAND et al., 2005] GALLAND, S., GRIMAUD, F., BEAUNE, P. et CAMPAGNE,

J.P., (2005) ―Simulation of Distributed Industrial Systems - A Multi-Agent

Methodological Approach‖, Supply Chain Optimisation: Product/Process Design,

Facility Location and Flow Control». Series: Applied Optimization, Vol. 94. Dolgui,

Alexandre; Soldek, Jerzy; Zaikin, Oleg (Eds.), 289 pages. Springer. ISBN: 0-387-

23566-3

[GANESHAN et al., 1998] GANESHAN, R., JACK, E., MAGAZINE, M. et STEPHENS, P.

(1998) ‗A taxonomic review of supply chain management research‘, in TAYUR, S.,





http://www.fipa.org/specs/fipa00029/

Bibliographie

199

GANESHAN, R. and MAGAZINE, M. (Eds), Quantitative Models for Supply Chain

Management, Kluwer Academic Publishers, chapter 27, pp. 839-879.

[GAUD et al., 2008] GAUD, N., GALLAND, S. et KOUKAM, A. (2008), Towards a

Multilevel Simulation Approach based on Holonic Multi-agent. Published in the 10th

International Conference on Computer Modeling and Simulation (EUROSIM/

UKSiM‟08), pp. 180–185, England. April 1–3.

[JUAN, 2005] JUAN C. GARCÍA-OJEDA, ÁLVARO E. ARENAS, AND JOSÉ DE J.

PÉREZ-ALCÁZAR. (2005) Paving the Way for Implementing Multiagent Systems:

Integrating Gaia with Agent-UML. In Agent-Oriented Software Engineering VI: 6th

International Workshop, AOSE 2005, Utrecht, The Netherlands, July 25, 2005. Revised

and Invited Papers. Müller and Zambonelli (Eds.) Springer Berlin / Heidelberg, 2005.

[GIUNIPERO et BRAND, 1996] GIUNIPERO, L. C. et BRAND, R. R. (1996) Purchasing's

Role in Supply Chain Management, International Journal of Logistics Management,

Vol. 7, No. 1, 20- 37.

[GEOFFRION et GRAVES, 1974] GEOFFRION, A. M. et GRAVES, G. (1974) Multi-

commodity Distribution System Design by Benders Decomposition, Management

Science, Vol. 29, No.5, 822-844

[GEORGEFF et LANSKY, 1987a] GEORGEFF, M.P. et LANSKY, A.L. (1987a) ‗Reactive

reasoning and planning: an experiment with a mobile robot‘ Proceedings of the 6th

National Conference on Artificial Intelligence.

[GEORGEFF et LANSKY, 1987b] GEORGEFF, M.P. and LANSKY, A.L. (1987b)

‗Decision-Making in an Embedded Reasoning System‘ Proceedings of the Twelfth

International Joint Conference on Artificial Intelligence.

[GEOFFRION et POWERS, 1995] GEOFFRION, A. M. et POWERS, R.F. (1995) Twenty

Years of Strategic Distribution System Design: An Evolutionary Perspective, Interfaces,

Vol. 25, No.5, 105-127

[GEORGEFF et INGRAND, 1989] GEORGEFF, M.P. et INGRAND, F.F. (1989) ‗Decision-

Making in an Embedded Reasoning System‘ Proceedings of the Twelfth International

Joint Conference on Artificial Intelligence.

[GJERDRUM et al., 2001] GJERDRUM, J., SHAH, N., & PAPAGEORGIOU, L. G. (2001).

A combined optimization and agent-based approach to supply chain modeling and

performance assessment. Production Planning & Control, 12(1), 81–88.

[GLEIZES et PICARD, 2003] GLEIZES M-P et PICARD G, (2003), Outils pour la

réalisation de systèmes multi-agents adaptatifs dans le cadre de la méthode ADELFE

Journées Francophones sur les Systèmes Multi-Agents, JFSMA'03, 27-29, Hammamet,

Tunisie.

[GOVINDU et CHINNAM, 2007] GOVINDU R. et CHINNAM R. (2007), MASCF : a

generic process-centered methodological framework for analysis and design of multi-

agent supply chain systems, Computers & Industrial Engineering, Vol. 53, n° 4, pp.

584-609.

[GUTKNECHT, 2001] GUTKNECHT, O. (2001) Proposition d‘un modèle organisationnel

générique de systèmes multi-agents et examen de ses conséquences formelles,

implémentatoires et méthodologiques. PhD thesis, Université des Sciences et

Techniques du Languedoc, september 2001

[GUTKNECHT et FERBER, 2000] GUTKNECHT O. et FERBER. J., (2000). Madkit : a

generic multi-agent platform. : autonomous agents. In AGENTS 2000, pages 78-79,

Barcelona, 2000. ACM Press.

[HESKETT, 1973] HESKETT, J. (1973) ‗Sweeping changes in distribution‘, Harvard

Business Review, vol. 51, n° 2, pp. 123-132.

Bibliographie

200

[HEWITT, 1977] HEWITT, C. (1977) ‗Viewing Control Structures as Patterns of Message

Passing‘, Artificial Intelligence, vol. 8, n° 3, pp. 323-364.

[HILL, 1996] HILL D.; (1996) Object-Oriented Analysis and Simulation. Addison-Wesley.

[HÜBNER et al., 2010] HÜBNER, J.F., BOISSIER, O., KITIO R. et RICCI, A. (2010):

Instrumenting multi-agent organisations with organisational artifacts and

agents. Autonomous Agents and Multi-Agent Systems 20(3): 369-400 (2010)

[HÜBNER et al., 2008] HÜBNER, J.F., VERCOUTER, L. et BOISSIER, O. (2008),

Instrumenting Multi-Agent Organizations with Artifacts to Support Reputation

Processes, Sixth European Workshop on Multi-Agent Systems, Bath, UK, 18-19

December.

[HÜBNER et al., 2007] HÜBNER J. F, SICHMAN J.S., et BOISSIER O., (2007),

Developing Organised Multi-Agent Systems Using the Moise+ Model: Programming

Issues at the System and Agent Levels, Int. J. Accounting, Auditing and Performance

Evaluation,1(3/4):370–395

[HILAIRE, 2000] HILAIRE , V., (2000). Vers une approche de spécification, de prototypage

et de vérification de Systèmes Multi- Agents. : PhD thesis, UTBM.

[IEEE, 2000] IEEE, (2000), IEEE Standard for Modeling and Simulation (M&Amp;S) High

Level Architecture (HLA) - Framework and Rules

[JEAN, 1997] JEAN, M.R., (1997) (nom collectif), Emergence et SMA. In Quinqueton and

Thomas and Trousse (ed.), 5èmes Journées Francophones sur l'Intelligence Artificielle

Distribuée et les systèmes Multi-Agents, pages 323-342, 1997, Hermes publisher.

[JENNINGS et al., 1998]JENNINGS, N.R., SYCARA, K. et WOOLDRIDGE, M. (1998) ‗A

Roadmap of Agent Research and Development‘, Autonomous Agents and Multi-Agent

Systems, vol. 1, n° 1, pp. 7-38.

[JENNINGS et al., 2000] JENNINGS, N.R., FARATIN, P., NORMAN, T.J., O'BRIEN, P.,

ODGERS, B. et ALTY, J.L. (2000) ‗Implementing a Business Process Management

System using ADEPT: A Real-World Case Study‘, International Journal of Applied

Artificial Intelligence, vol. 14, n° 5, pp. 421-465.

[JIAO et al., 2006] JIAO, J. (ROGER), YOU, X., et KUMAR, A. (2006). An agent-based

framework for collaborative negotiation in the global manufacturing supply chain

network. Robotics and Computer-Integrated Manufacturing, 22(3), 239–255.

[JULKA et al., 2002] JULKA, N., SRINIVASAN, R., et KARIMI, I. (2002). Agent-based

supply chain management – 1: Framework. Computers and Chemical Engineering, 26,

1755–1769.

[KOESTLER, 1967] KOESTLER, A. (1967). The Ghost un the Machine. Hutchinson.

[KONING et PESTY, 2001] KONING, J.L. et PESTY, S. (2001) ‗Modèles de

communication‘ dans BRIOT, J.P. et DEMAZEAU, Y., Principes et architecture des

systèmes multi-agents, Hermès.

[KUMAR et al., 1993] KUMAR, A.; OWEN, P.S. et PRIETULA, M.J. (1993) Organizational

Simulation and Information Systems Design: An Operations Level Example,

Management Science, Vol. 39, No. 2, 218-240

[LABARTHE et al., 2007] LABARTHE, O., ESPINASSE, B. , FERRARINI, A. et

MONTREUIL B. (2007), Toward a Methodological Framework for Agent-Based

Modeling and Simulation of Supply Chains in a Mass Customization Context, in:

Simulation Modeling Practice and Theory International Journal (SIMPAT), vol. 15, n°

2, pp. 113-136.

[LABARTHE, 2006] LABARTHE, O., (2006), Modélisation et simulation orientées agents de

chaînes logistiques dans un contexte de personnalisation de masse : modèles et cadre

méthodologiques, Thèse, Université Paul Cézanne, Marseille.



http://www.informatik.uni-trier.de/~ley/db/indices/a-tree/k/Kitio:Rosine.html

http://www.informatik.uni-trier.de/~ley/db/indices/a-tree/r/Ricci:Alessandro.html

http://www.informatik.uni-trier.de/~ley/db/journals/aamas/aamas20.html#HubnerBKR10

http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=893287

http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=893287

Bibliographie

201


MONTREUIL B. (2006). "A Methodological Approach for Agent Based Simulation of

Mass Customizing Supply Chains", in : Journal of Decision Systems (JDS), Vol. 14

(4/2005), pp. 397 - 425, 2006


MONTREUIL B. (2007)"Multi-Agent Modelling for Simulation of Customer-Centric

Supply Chain." , in : International Journal of Simulation & Process Modelling (IJSPM),

special issue : Supply Chain Modelling and Simulation, Vol. 14 (4/2005),

[LABARTHE et al., 2004] LABARTHE, O., MONTREUIL B., FERRARINI, A., et

ESPINASSE, B., (2004) "Modélisation multi-agents pour la simulation de chaînes

logistiques de type personnalisation de masse", MOSIM 04, 5eme Conférence

Francophone de Modélisation et Simulation, Nantes, France, sep 2004

[LAMBERT et al., 1998] LAMBERT, D. M.; COOPER, M. C. et PAGH, J. D. (1998) Supply

Chain Management: Implementation Issues and Research Opportunities, International

Journal of Logistics Management, Vol. 9, No. 2, 1-19

[LABIDI et LEJOUAD, 1993] LABIDI, S. et LEJOUAD, W. (1993) De l’Intelligence

Artificielle Distribuée aux Systèmes

Multi agents, Rapport de recherche INRIA Sophia Antipolis, n° 2004.

[LE BARS, 2003] LE BARS, M., (2003), Un Simulateur Multi-Agent pour l'Aide à la

Décision d'un Collectif : Application à la Gestion d'une ressource Limitée Agro-

environnementale. Thèse de doctorat d'Informatique, Université Paris IX-Dauphine,

218p., 27 mai 2003.

[LE DAIN et NDAO, 1997] LE DAIN, A.-M. et NDAO, P.I., (1997) "Sur un système

d'indicateurs de performance pour l'évaluation d'une automatisation dans une entreprise

papetière", 2ème Congrès International Franco-Québécois, "Le génie industriel dans un

monde sans frontières", Albi, France, 3-5 Septembre.

[LEE et BILLINGTON, 1993] LEE, H.L et BILLINGTON, C. (1993) ‗Material management

in decentralized supply chains‘, Operations Research, vol. 41, n° 5, pp. 835-847.

[LEE et BILLINGTON, 1995] LEE, H.L et BILLINGTON, C. (1995) ‗The evolution of

supply-chain-management models and practice at Hewlett–Packard‘, Interfaces, n° 25,

pp. 42-63.

[LESSER et CORKILL, 1983] LESSER, V.R. et CORKILL, D.G. (1983) ‗The Distributed

Vehicle Monitoring Testbed: A Tool for Investigating Distributed Problem Solving

Networks‘, AI Magazine, vol. 4, n° 3, pp. 15-33.

[LETOUZEY, 2001] LETOUZEY, A., (2001) Ordonnancement interactif basé sur des

indicateurs : Applications à la gestion de commandes incertaines et à l'affectation des

opérateurs. Thèse, Institut National Polytechnique de Toulouse.

[LIN et SHAW, 1998] LIN, F., et SHAW, M. J. (1998). Reengineering the order fulfillment

process in supply chain networks. International Journal of Flexible Manufacturing

Systems, 10(3), 197–229.

[MABERT et VENKATARAMANAN, 1998] MABERT, V. A. et VENKATARAMANAN,

M. A. (1998) Special Research Focus on Supply Chain Linkages: Challenges for Design

and Management in the 21st Century, Decision Sciences, Vol. 29, No. 3, 537 552.

[MALONI et DENTON, 1997] MALONI, M.J. et DENTON, W.C. (1997) Supply Chain

Partenerships: Opportunity for Operations Research, European Journal Of Operational

Research, Vol. 101, 419-429

[MENTZER et al., 2001] MENTZER, J.T., DEWITT, W., KEEBLER, J.S., MIN, S., NIX,

N.W., SMITH, C.D. et ZACHARIA, Z.G. (2001) ‗Defining the Supply Chain

Management‘, Journal of Business Logistics, vol. 22, n° 2, pp. 1-26.




Bibliographie

202

[MEURISSE et VANBERGUE, 2001] MEURISSE, T. et VANBERGUE, D. (2001) ‗Et

maintenant à qui le tour ? Aperçu de Problématiques de Conception de Simulations

Multi-Agents‘, Actes de la conférence Agents Logiciels - Coopération - Apprentissage -

Activités Humaines.

[MICHEL et al., 2009] MICHEL F., FERBER J. et DROGOUL A. (2009) Multi-Agent

Systems and Simulation: a Survey From the Agents Community's Perspective Multi-

Agent Systems: Simulation and Applications CRC Press - Computational Analysis,

Synthesis, and Design of Dynamic Systems/

[MICHEL, 2006] MICHEL, F., (2006) Le modèle IRM4S : le principe Influence/Réaction

pour la simulation de systèmes multi-agents. JFSMA'06 Journées Francophones sur les

Systèmes Multi-Agents, Annecy, France, 18-20 octobre 2006

[MINSKY, 1968] MINSKY M. (1968) Reprinted in "Semantic Information Processing,"

Published in Proc. International Federation of Information Processing Congress 1965,

vol. 1, pp. 45-49. (Marvin Minsky, Ed.) MIT Press.

[MONTAGNA et al., 2008] MONTAGNA, S., RICCI, A., et OMICINI, A., (2008) A&A for

modelling and engineering simulations in Systems Biology, International Journal of

Agent-Oriented Software Engineering- Vol. 2, No.2 pp. 222 – 245.

[MONTEIRO, et al., 2008] MONTEIRO, T., ANCIAUX, D., ESPINASSE, B., FERRARINI,

A., LABARTHE, O., et ROY D., (2008) "Chapter 6. The Interest of Agents for Supply

Chain Simulation" , in : Wiley-ISTE, Simulation for Supply Chain Management,

Caroline Thierry - Andre Thomas - Gerard Bel, sep 2008 ISBN: 978-1-84821-090-5

[MÜLLER, 2010] Müller J.P., (2010), A framework for integrated modeling using a

knowledge-driven approach, in: Proceedings of the International Congress on

Environmental Modelling and Software, Ottawa, Canada.

[MULLER, 2004] MÜLLER J.P.. 2004, The mimosa generic modelling and simulation

platform : The case of multi-agent systems, in : SCS. Proceedings of the 5th Workshop

on Agent-Based Simulation, Lisbon, 2004 . s.l. : s.n., p. 77-86. International Workshop

on Agent-Based Simulation. 5, 2004-05-03/2004-05-05, Lisbonne, Portugal.

[MÜLLER et al., 1995] MÜLLER, J.P., PISCHEL, M. et THIEL, M. (1995) ‗Modeling

reactive behaviour in vertically layered agent architectures‘, in Intelligent Agents:

Theories, Architectures, and Languages, WOOLDRIDGE, M.J. and JENNINGS, N.

(Eds).

[MÜLLER, 1997] MÜLLER, J.P. (1997) The Design of Intelligent Agents: A Layered

Approach, Springer Verlag.

[MUSTAPHA et al., 2010] MUSTAPHA, K, TRANVOUEZ, E., ESPINASSE, B. et

FERRARINI, A. (2011), An Agent-based Software Architecture for Supply Chains

Organizational Aspects Simulation, 16th

IEEE International Conference on Emerging

Technologies and Factory Automation, Sept, 2011, Toulouse, France.


FERRARINI, A. (2010) An Organization-oriented Methodological Framework for

Agent-Based Supply Chain Simulation. Fourth International Conference on Research

Challenges in Information Science. May 19-21, 2010, Nice, France.


FERRARINI, A. (2010), Agent-Based Supply Chain Simulation: Towards an

Organization-Oriented Methodological Framework" , MOSIM 2010, ENIM - UPVM

(France) - ESSTT (Tunisie), Hammamet - Tunisia, mai 2010

[NISSAN, 2001] NISSAN, M. E. (2001). Agent-based supply chain integration. Information

Technology and Management, 2, 289–312.

http://www.crcpress.com/product/isbn/9781420070231

http://www.crcpress.com/product/isbn/9781420070231

http://www.esia.univ-savoie.fr/jfsma06




Bibliographie

203

[NOVELS et HACKWELL, 1991] NOVELS M. D. et HACKWELL G. B., (1991)

Simulation: Decision with Vision, Actes de ESM'91, Copenhague, Simulation Councils,

pp. 425-430.

[NWANA, 1996] NWANA, H.S. (1996) ‗Software agents: An overview‘, Knowledge

Engineering Review, vol. 11, n° 3, pp. 205–244.

[OCCELLO et DEMAZEAU, 1997] OCCELLO M. ET DEMAZEAU Y. (1997), Vers une

approche de conception et de description récursive en univers multi-agents. In Joel

Quinqueton and Marie-Claude Thomas and Brigitte Trousse (ed.), 5emes Journées

Francophones sur l'Intelligence Artificielle Distribuée et Systèmes Multi-Agents

(JFIADSMA'97), pages 143-157, La Colle-sur-Loup, France, April 1997, Hermès

publisher.

[OCCELLO, 2003] OCCELLO, M. (2003) Méthodologie et Architectures pour la Conception

de Systèmes Multi-Agents, Habilitation à diriger des recherches, Université Pierre

Mendès France de Grenoble.

[ODELL et al., 2000] ODELL, J., PARUNAK, H.V.D. et BAUER B. (2000) ‗Extending

UML for Agents‘, Proceedings of the Agent-Oriented Information Systems Workshop,

WAGNER, G., LESPERANCE, Y. and YU, E. (Eds).

[ODELL et al., 2001] ODELL, J., PARUNAK, H.V.D. et BAUER, B. (2001) ‗Representing

agent interaction protocols in UML‘, Proceedings of the First International Workshop on

Agent- Oriented Software Engineering, CIANCARINI, P. and WOOLDRIDGE, M. (Eds).

[OUNNAR et al., 2008] OUNNAR, F., ARCHIMÈDE, B., PUJO, P., et CHARBONNAUD,

P. (2008), HLA Distributed Simulation Approaches for Supply Chain‖, in: Hermès

Science Europe Ltd (Ed.), ''Simulation for Supply Chain Management'', Hermès Science

Europe Ltd.

[PARUNAK, 2000] PARUNAK, H.V.D. (2000) ‗A Practitioners' Review of Industrial Agent

Applications‘, Autonomous Agents and Multi-Agent Systems, vol. 3, n° 4, pp. 389-407.

[PARUNAK et al., 1999] PARUNAK, H.V.D., SAVIT, R., RIOLO, R.L. et CLARK, S.J.

(1999) ‗DASCh : Dynamic Analysis of Supply Chains’, Center for Electronic

Commerce, Final Report.

[PAYLOS et al., 2002] PAVLOS M. , PETRAKI, E., NIKOLAOS I. SPANOUDAKIS,

(2002) Engineering JADE agents with the Gaia methodology, Proceedings of the NODe

2002 agent-related conference on Agent technologies, infrastructures, tools, and

applications for E-services, October 07-10, 2002, Erfurt, Germany

[PHAN et AMBLARD, 2007] PHAN, D. et AMBLARD, F. (eds). Agent-Based Modelling

and Simulation in the Social and Human Sciences. The Bardwell Press: Oxford, UK.

[PHAN, 2004] PHAN, D.. From Agent-Based Computational Economics towards Cognitive

Economics. In Bourgine P., Nadal J.P. eds. Cognitive Economics; Springer Verlag, pp.

371-398.

[PICARD, 2004] PICARD, G. (2004) Méthodologie de développement de systèmes multi-

agents adaptatifs et conception de logiciels à fonctionnalité émergente, thèse de

doctorat, Université Paul Sabatier de Toulouse III.

[PRASAD et al., 1996] PRASAD N.M.V., DECKER K., GARVEY A., et LESSER V,

(1996). Exploring organizational design with TÆMS: A case study of distributed data

processing. In Toru Ishida, editor, Proc. of the 2nd International Conference on Multi-

Agent Systems (ICMAS’96), pages 283–290. AAAI Press.

[PUJALTE et al., 2006] PUJALTE, V., SCHMITZ, B., BACETA, J.I., BERNAOLA, G.,

DINARÈSTURELL, J., Orue-Etxebarria, X., Payros, A., 2006. Correlation of the

Thanetian-Ilerdian turnover of larger foraminifera and the IETM: confirming evidence

from the Campo area (Pyrenees, Spain). In: Caballero, F., Apellaniz, E., Baceta, J.I.,

http://portal.acm.org/citation.cfm?id=1756337&CFID=33819853&CFTOKEN=85668031




Bibliographie

204

Bernaola, G., Orue-Etxebarria, X., Payros, A., Pujalte, V. (eds.). Climate and Biota of

the Early Paleogene 2006, Bilbao, Volume of abstracts, p. 104

[QUESNEL et al., 2007] QUESNEL G., DUBOZ R., RAMAT E., et TRAORÉ M.K.. VLE:

A Multimodeling and Simulation Environment. Proceedings of the Summer Simulation

Multiconference (SummerSim‘07), San Diego, California, USA, July 15-18, 2007, pp.

367-374.

[RAO, 1996] RAO, A, (1996). S. AgentSpeak(L): BDI Agents speak out in a Logical

Computable Language. In W. Van de Velde and J Perram, editors, Proceedings of the

Seventh Workshop on Modeling Autonomous Agents in a Multi-Agent World

(MAAMAW'96), Jan. 22-25, Eindhoven, Netherlands, no. 1038 in LNAI, pp. 42-55,

Springer-Verlag, London, U.K.

[RAO et GEORGEFF, 1991a] RAO, A.S. et GEORGEFF, M.P. (1991a) ‗Asymmetry thesis

and side-effect problems in linear time and branching time intention logics‘

Proceedings of the Twelfth International Joint Conference on Artificial Intelligence.

[RAO et GEORGEFF, 1991b] RAO, A.S. and GEORGEFF, M.P. (1991b) ‗Modeling rational

agents within a BDIarchitecture‘ Proceedings of Knowledge Representation and

Reasoning, FIKES, R. and SANDEWALL, E. (Eds).

[RECH, 2005] RECH, J., (2005). Your Guide to Management: Key Performance Indicators.

[RICCI et al., 2007] RICCI, A., VIROLI, A. et OMICINI, A. (2007). "Give Agents their

Artifacts": The A&A Approach for Engineering Working Environments in MAS. 6th

International Joint Conference "Autonomous Agents & Multi-Agent Systems"

(AAMAS 2007), 14-18 May 2007.

[RIMASSA et al., 1999] RIMASSA G., BELLIFEMINE F., et POGGI A. (1999), JADE - A

FIPA Compliant Agent Framework, PMAA`99, p. 97-108, Londres.

[RODRIGUEZ et al., 2007] RODRIGUEZ, S., GAUD, N., HILAIRE, V., GALLAND, S. et

KOUKAM, A. (2007). An analysis and design concept for selforganization in holonic

multi-agent systems. In S. Bruckner, S. Hassas, M. Jelasity, and D. Yamins, editors,

Engineering Self-Organising Systems, volume 4335 of LNAI, pages 15–27. Springer-

Verlag.

[RODRIGUEZ, 2005] RODRIGUEZ, S. (2005). From analysis to design of Holonic MAS : A

Framework, Methodological Guidelines and Applications. : PhD thesis, UTBM.

[RUSSEL et NORVIG, 2003] RUSSEL, S. et NORVIG, P. (2003). Artificial Intelligence A

Modern Approach. Pearson Education, Upper Saddle River, New Jersey, second edition

[SADEH et al., 2001] SADEH, N. M., HILDUM, D. W., KJENSTAD, D., et TSENG, A.

(2001). MASCOT: An agent-based architecture for dynamic supply chain creation and

coordination in the internet economy. Production Planning & Control, 12(3), 212–223.

[SADEK et al., 1997] SADEK, M.D., BRETIER, P. et PANAGET, F. (1997) ‗Artimis:

natural dialogue meets rational agency‘, Proceeding of IJCAI'97, Nagoya, Japan.

[SAUTER et al., 2002] SAUTER, J.A., MATTHEWS, R., PARUNAK, H.V.D. et

BRUECKNER, S. (2002) ‗Evolving adaptive pheromone path planning mechanisms‘

Proceedings of the first international joint conference on Autonomous agents and

multiagent systems.

[SAUTER ET PARUNAK, 1999] SAUTER, J. A. ET PARUNAK, H. V. D., (1999) ANTS

in the Supply Chain. In Workshop on Agent-Based Decision-Support for Managing the

Internet-Enabled Supply-Chain, Agents'99, Seattle, WA, 1999, pp. 81-88.

[SEARLE, 1969] SEARLE, J.R. (1969) Speech acts, Cambridge University Press.

[SERMENT, 2007] SERMENT, J. (2007) Une infrastructure d‘intégration à base d‘agents

logiciels pour l‘élaboration de systèmes d‘aide à la décision environnementale :

Application à la gestion hydraulique camarguaise. Thèse, Université Paul Cézanne, Aix-

Marseille II.

http://www.alice.unibo.it/xwiki/bin/view/Publications/ArtifactsAamas07

http://www.alice.unibo.it/xwiki/bin/view/Publications/ArtifactsAamas07

https://activewiki.net/download/attachments/6258699/Agents99.pdf?version=1&modificationDate=1294105166000

https://activewiki.net/download/attachments/6258699/Agents99.pdf?version=1&modificationDate=1294105166000

Bibliographie

205

[SERMENT et al., 2007] SERMENT, J., ESPINASSE, B et TRANVOUEZ, E., An Agent

Integration Infrastructure for the Development of Environmental Decision Support

Systems based on Simulation, AIS-CMS International modeling and simulation

multiconference, Buenos Aires - Argentina, 2007 ISBN 978-2-9520712-6-0

[SHAPIRO, 1984] SHAPIRO, R.D. (1984) ‗Get leverage from logistics‘, Harvard Business

Review, vol. 62, pp. 119-126.

[SHAPIRO, 2001] SHAPIRO, J.F. (2001) Modeling the Supply Chain, Pacific Grove,

Wadsworth Group.

[SHOHAM, 1993] SHOHAM, Y. (1993) ‗Agent oriented programming‘, Artificial

Intelligence, vol. 60, n° 1, pp. 51-92.

[SIMCHI-LEVI et al., 2000] SIMCHI-LEVI, D.; KAMINSKY, P.; et EDITH SIMCHI-LEVI

(2000) Designing and Managing the Supply Chain, Irwin McGraw-Hill, Boston, MA.

[SIMON, 1996] SIMON, H.A. (1996) The Sciences of the Artificial, MIT Press.

[SMITH, 1980] SMITH, R.G. (1980) ‗The contract net protocol: high-level communication

and control in distributed problem solver‘, IEEE Transactions on Computers, vol. 29, n°

12, pp. 1104–1113.

[SYCARA et al., 2003] SYCARA, K., PAOLUCCI, M., VAN VELSEN, M. et GIAMPAPA,

J.A. (2003) ‗The RETSINA MAS Infrastructure‘, Autonomous Agents and Multi-Agent

Systems, vol. 7, n° 1-2, pp. 29-48.

[SUDRA et al., 2001] SUDRA R., TAYLOR S.J.E. et JANAHAN T. (2001). Time

Management in Distributed Supply Chain Management using GRIDS. In Proceedings of

the Fifth UK Simulation Society Conference. ed. Al-Dabass, D. United Kingdom

Simulation Society, Nottingham Trent University Press. pp. 28-34.

[SUPPLY-CHAIN CONCIL, 2006] SUPPLY-CHAIN CONCIL (2006) Sypply-Chain

Operations Reference-model.

[SWAMINTHAN et al., 1998] SWAMINTHAN, J.M.; SMITH, S.F.; et SADEH, N.M.

(1998) Modeling Supply Chain Dynamics: A Multiagent Approach. Decision Sciences,

Vol. 29, No. 3, 607-632

[TAMBE, 1997] TAMBE M. (1997), Towards flexible teamwork. Journal of Artificial

Intelligence Reseearch, 7:83–124.

[TAN et al., 2000] TAN , T., SHI, Y., & GAO, W. (2000) (Eds.). Advances in multimodal

interfaces: ICMI 2002. Proceedings of ICMI 2000. Lecture Notes in Computer Science,

Volume 1948. Springer-Verlag.

[TAYLOR et al., 2009] TAYLOR, S. J. E., MUSTAFEE, M., TURNER, S. J., PAN, K. et

STRASSBURGER, S., (2009). Commercial-off-the-shelf simulation package

interoperability: issues and futures. In Winter Simulation Conference (WSC '09). Winter

Simulation Conference 203-215.

[TEIGEN et BARBUCEANU, 1996] TEIGEN, R. et BARBUCEANU, M. (1996) The Supply

Chain Demonstrator, Enterprise Integration Laboratory Report.

[TERZI et CAVALIERI, 2004] TERZI, S. et CAVALIERI, S. (2004) ‗Simulation in the

supply chain context: a survey‘, Computers in Industry, Vol. 53, pp. 3-16.

[TOWILL et al., 1992] TOWILL, D.R.; NAIM, N.M; et WIKNER, J. (1992) Industrial

Dynamics Simulation Models in the Design of Supply Chains, International journal Of

Physical Distribution and Logistics Management, Vol. 22, 3-13

[TRANVOUEZ et FERRARINI, 2006] TRANVOUEZ, E. et FERRARINI, A. (2006),

―MultiAgent Modelling of Cooperative Disruption Management in Supply Chains‖, in:

IEEE – International Conference on Service System and Service Management

(ICSSSM'06), Troyes, France.

http://www.brunel.ac.uk/~csstsjt/grids/uksim2001b-doc.pdf

http://www.brunel.ac.uk/~csstsjt/grids/uksim2001b-doc.pdf

http://www.hcirn.com/res/event/icmi.php#2000

http://www.hcirn.com/res/publish/springer.php

Bibliographie

206

[TRANVOUEZ, 2001] TRANVOUEZ, E. (2001), IAD et ordonnancement: une approche

coopérative du réordonnancement par Systems multi-agents. Thèse, Université d‘Aix-

Marseille III, Mai 2001.

[TRANVOUEZ et al., 2001] TRANVOUEZ, E., FERRARINI, F., et ESPINASSE, B., (2001)

"Multiagent modelling and simulation of workshop disruptions management by

cooperative rescheduling strategies" , Workshop on Multiagent Based Modelling and

Simulation in Industry and Environment, ESS'2001 - 13th European Simulation

Symposium and Exibition, Marseille, 2001

[TRENTESAUX, 2002] TRENTESAUX, D. (2002) Pilotage hétérarchique des systèmes de

production, Habilitation à diriger des recherches, Université de Valenciennes et du

Hainaut-Cambrésis.

[TREUIL et al., 2008] TREUIL, J-P. DROGOUL, A., et ZUCKER J-D. (2008). Modélisation

et Simulation `a base d‘agents. Dunod Paris, 2008.

[TYNDALL et al., 1998] TYNDALL, G., GPAL, C., PARTSCH, W. et KAMAUFF, J.

(1998) Supercharging Supply Chains, John Wiley & Sons, Inc., New York, NY

[TZATESTAS et KAPSIOTIS, 1994] TZATESTAS, D. et KAPSIOTIS, G., (1994)

Coordinated Control of Manufacturing Supply Chains Using Multi-level Techniques,

Computer Integrated Manufacturing Systems, Vol. 7, No. 3, 206-212

[US AIR FORCE, 1993] US AIR FORCE (1993) ‗Integrated Computer Aided Manufactured

Definition Language (IDEF methods)‘, Department of Commerce, National Institute of

Standards and Technology, Computer Systems Laboratory, Technical Report.

[VAN HOEK et al., 1998] VAN HOEK, R. I., COMMANDEUR, H. L. et Vos, B. (1998)

Reconfigur ing Logistics Systems Through Postponement Strategies, Journal of

Business Logistics, Vol. 19, No. 1, 33-57

[VIEIRA et al., 2007] VIEIRA, R., MOREIRA, A., WOOLDRIDGE, M. et BORDINI, R. H,

(2007). On the formal semantics of speech-act based communication in an agent-

oriented programming language. In Journal of Artificial Intelligence Research 29

(2007), pp. 221-267.

[VOLTERRA, 1926] VOLTERRA V., (1926) "Variations and Fluctuation of the Number of

Animal Species Living Together", Animal Ecology,.

[WANG, 1998] Wang, J. (1998) Timed Petri Nets, Theory and Application, Kluwer Academic

Publichers.

[WAGNER et al., 2003] WAGNER, T., GURALNIK, V., et PHELPS, J. (2003). TAEMS

agents: Enabling dynamic distributed supply chain management. Electronic Commerce

Research and Applications, 2, 114–132.

[WIENER, 948] WIENER N., (1948) Cybernetics, or Control and Communication in the

Animal and the Machine, J. Wiley & Sons, New Yorks.

[WILLIAMS, 1992] WILLIAMS, T.J. (1992) ‗The Purdue Enterprise Reference

Architecture‘, Instrument Society of America, Research Triangle Park.

[WOOLDRIDGE et JENNINGS, 1995] WOOLDRIDGE, M. et JENNINGS, N. (1995)

‗Intelligent Agent: Theory and practice‘, Knowledge Engineering Review, vol. 10, n° 2,

pp. 115-142.

[WOOLDRIDGE, 1999] WOOLDRIDGE, M. (1999) ‗Intelligent Agent‘, in WEISS, G. (Ed),

Multi-Agent Systems : A Modern Approach to Distributed Artificial Intelligence, MIT

Press.

[WOOLDRIDGE et al., 2000] WOOLDRIDGE, M, JENNINGS, N. et KINNY, D. (2000)

‗The Gaia methodology for agent –oriented analysis and design‘, Autonomous Agents

and Multi-Agent Systems, vol. 3, n° 3, pp. 285-312.




Bibliographie

207

[ZAMBONELLI et al., 2003] ZAMBONELLI, F, JENNINGS, N.R. et WOOLDRIDGE, M.

(2003) ‗Developing Multiagent Systems: The Gaia Methodology‘, ACM Transactions

on Software Engineering and Methodology, vol. 12, n° 3, pp. 317-370.

[ZEIGLER, 1976] ZEIGLER, B., (1976) Theory of Modeling and Simulation, Wiley

Interscience, New York.

un cadre méthodologique et une architecture logicielle ......implémentation et mise en œuvre de...

Documents