Cette thème de recherche dans le cadre du projet COMECA (CO-creation of Innovative Forest Resources Management Combining Indigenous knowledge and Ecological Methods) présente une nouvelle approche de conception d’agents cognitifs intégrant la représentation et le raisonnement spatiaux dans la modélisation multi‑agents dédiée aux simulations d’utilisation des terres. La motivation profonde de notre contribution centrée sur l’agent réside dans le développement croissant des plateformes de simulation multi‑agents spatialement explicites. Nous nous appuyons sur cette évolution technologique et sur la théorie des topologies pour doter l’agent de capacités de représentation et de raisonnement spatial humain, selon une architecture Belief–Desire–Intention (BDI). Une mise en œuvre pilote de la méthodologie, avec des expériences de simulation sur un modèle de chasse, a été réalisée dans la plateforme GAMA afin d’évaluer les performances des agents. Les simulations révèlent une tendance cohérente dans la dynamique des populations animales et confirment également une forte sensibilité du modèle à l’intégration des connaissances et du raisonnement spatiaux dans les modèles multi‑agents d’acteurs humains. Ces résultats démontrent la réussite de l’implémentation et soulignent l’importance de la dimension spatiale dans la puissance expressive et la validité des modèles multi‑agents. Les recherches futures devraient donc mettre l’accent sur la conception de représentations de la connaissance humaine et l’incorporation de capacités d’apprentissage afin d’améliorer l’efficacité des modèles. 

Un prototype développé, sécurisé et officiellement validé en vue de son adoption institutionnelle

TES joue actuellement quatre rôles : les étudiants, les enseignants, les doyens de département et les administrateurs de la plateforme, chacun disposant d’un tableau de bord dédié. Les étudiants soumettent des évaluations anonymes des enseignements au moyen d’un formulaire guidé ; les enseignants consultent les résultats agrégés ainsi que les commentaires relatifs à leurs propres cours ; les doyens et les administrateurs accèdent à des statistiques comparatives par département et par semestre, et peuvent exporter les résultats sous forme de rapports PDF, de données CSV ou de classeurs Excel mis en forme. Les administrateurs assurent en outre la gestion des utilisateurs, des cours, des critères d’évaluation, des semestres et des cartes d’identification des étudiants, et peuvent consulter une piste d’audit complète retraçant l’activité de la plateforme.

Trois catégories de preuves étayent l’affirmation selon laquelle la plateforme est fonctionnelle et déployable :

• Étendue fonctionnelle : l’ensemble du processus opérationnel (chapitre 3 du document principal), ainsi que 18 scénarios opérationnels supplémentaires (chapitres 4 à 6 du document principal), ont été exécutés en conditions réelles, rôle par rôle : création d’un semestre, ajout et importation des cours, des étudiants et des enseignants, configuration des questions d’évaluation, mise en œuvre de la règle d’une seule évaluation par étudiant, isolation des données de chaque enseignant vis-à-vis de tous les autres, impression des cartes d’identification des étudiants individuellement ou par lots, ainsi que génération de tous les types de rapports à partir de données réelles soumises. Toutes les captures d’écran présentées dans ce document ont été réalisées lors de ces exécutions en conditions réelles.

• Assurance qualité indépendante : trois cycles d’audit ont permis d’identifier et de résoudre des problèmes concrets, notamment le renforcement de la garantie technique de l’anonymat des évaluations, qui est passée d’un mécanisme réversible à un mécanisme irréversible, ainsi que la détection d’une régression en conditions réelles affectant le mécanisme de limitation du nombre de tentatives de connexion (login rate limiter) lors de la préparation du présent rapport.

• Vérification formelle (chapitre 8 du document principal) : un modèle mathématique pouvant faire l’objet d’une évaluation par les pairs, fondé sur les réseaux de Petri colorés (Colored Petri Nets), démontre six propriétés de correction relatives aux processus fondamentaux de la plateforme.

La complexité croissante des systèmes socio‑environnementaux exige des modèles multi‑agents capables de reproduire une cognition humaine, notamment le raisonnement spatial. Les architectures existantes de GAMA, telles que BDI et BEN, représentent des agents délibératifs avec croyances, désirs, intentions, émotions et normes, mais ne traitent l’espace qu’à travers coordonnées et distances. Cela limite le réalisme dans des domaines comme l’urbanisme, la mobilité ou la gestion de crise.

Nous présentons SBDI (Spatial BDI), qui intègre le raisonnement spatial qualitatif basé sur le calcul RCC8 directement dans la base de croyances et le cycle de délibération. RCC8 formalise huit relations topologiques (DC, EC, PO, EQ, TPP, TPPI, NTPP, NTPPI), permettant aux agents de percevoir et raisonner sur connexions, chevauchements et inclusions. Implémenté comme une compétence GAML légère, SBDI ajoute trois primitives : sbdi_perceive (détection des relations), sbdi_update (mise à jour des connaissances spatiales) et sbdi_reason (déclenchement de plans).

La validation par simulation de trafic compare trois populations : driver_basic, driver_bdi et driver_sbdi. Les résultats montrent que les conducteurs SBDI anticipent les congestions via PO et EC, réduisant l’exposition aux embouteillages d’environ 60 % (p < 1e‑14), sans dégradation du temps de trajet. Au‑delà du trafic, SBDI constitue un outil réutilisable pour tout modèle spatial explicite, avec applications potentielles en logistique, urbanisme et évacuation de crise. Des extensions futures incluent l’apprentissage automatique des prédicats spatiaux et la validation formelle des propriétés temporelles.

Projet de recherche Quel que soit le domaine d’étude, un modèle est une représentation abstraite de la réalité observée, réduite et convertie sous une forme facile à comprendre. Il constitue également une référence spatio‑temporelle pour notre compréhension d’un système [1]. Les modèles multi‑agents (ABM) et les modèles spatiaux dans les Systèmes d’Information Géographique (SIG) se sont révélés être des outils utiles pour l’analyse des processus de changement d’utilisation des terres, car ils offrent un cadre pour construire des modèles et réaliser des simulations.

D’une part, le SIG est un ensemble d’infrastructures informatiques, de ressources humaines, de procédures et de normes pour la gestion de l’information géographique en vue de résoudre un problème spécifique [2]. Les modèles basés sur les SIG sont composés d’entités spatiales telles que des points, des lignes, des polygones ou des pixels. D’autre part, l’ABM permet de définir le comportement des agents dans un environnement commun afin de résoudre des problèmes complexes. Il est également utilisé pour modéliser un système informatique distribué avec des agents autonomes interagissant et coordonnant leurs actions pour atteindre leurs objectifs, conjointement ou de manière compétitive [3]. Les similitudes évidentes entre agents et objets incitent généralement le concepteur d’un ABM à recourir au formalisme UML [4]. Les approches spatiales et multi‑agents incluent des plateformes de simulation informatique souvent utilisées dans plusieurs domaines de recherche (économie, écologie, sociologie, géographie, etc.) pour développer des modèles expliquant et analysant des phénomènes complexes [5], [6].

Plusieurs auteurs, dont [7]–[10], ont proposé de tels modèles pour comprendre les moteurs du changement d’utilisation des terres et identifier les actions appropriées pour maintenir le système cible. Dans des contextes interdisciplinaires et des situations de modélisation participative, le besoin de construire rapidement des modèles plus réalistes ou plus efficaces pour résoudre les problèmes environnementaux est croissant.

L’idée clé pour y parvenir est de s’appuyer sur les connaissances de terrain afin de reproduire les attributs et comportements des entités impliquées. Différentes orientations de recherche sont explorées pour accroître le réalisme de l’environnement simulé. Un premier groupe d’efforts notables, orientés vers l’intégration des SIG et des modèles multi‑agents, peut être observé dans [11], [12]. D’autres travaux portent sur la proposition d’architectures d’agents adaptées. À cet égard, l’exploration des concepts du paradigme acteur pour construire des agents efficaces et valides constitue une voie de recherche prometteuse [13], [14]. Outre la modélisation informatique et mathématique (par exemple via les équations différentielles ordinaires [15]), la conception d’agents peut s’appuyer sur des modèles économiques, sociaux et anthropologiques [16].

Le défi de notre démarche de recherche est de combiner le paradigme acteur, l’architecture des agents et les concepts spatiaux afin de développer des modèles efficaces pour traiter des problèmes environnementaux majeurs. L’approche ad hoc est souvent utilisée pour le développement de modèles, reposant sur un cycle de type code‑and‑fix, allant d’un prototype vers un raffinement progressif. Cependant, cette approche adaptative ne capture pas systématiquement les connaissances des acteurs ni leurs interactions avec l’environnement.

Techniquement, le développement et la maintenance des modèles qui en résultent deviennent lourds et chronophages. À partir de ces constats, le paradigme acteur apparaît comme une piste de recherche prometteuse en ABM, puisqu’il relie les concepts d’acteur à ceux d’agent et améliore ainsi le réalisme et la validité de chaque modèle construit. De plus, pour faire face à un monde évoluant vers une intelligence artificielle (IA) plus appliquée, il est nécessaire de disposer d’une approche plus efficace et plus simple, aussi proche que possible des acteurs de terrain et adaptée aux non‑informaticiens, permettant de capturer la réalité, les données et les comportements partagés au sein d’une communauté interdisciplinaire, puis de produire des simulations ABM valides grâce à une technique de modélisation efficiente.

Dans cet article, nous proposons une approche orientée acteur et guidée par l’architecture, appelée Spatially Explicit Agent‑based Modeling Approach (SEAMA), qui s’appuie sur des méthodes existantes pertinentes et répond au besoin de concevoir et de construire des modèles multi‑agents spatialement explicites reproduisant adéquatement la réalité. Nous avons conçu un cadre expérimental global des agents (Agent Global Experiment – AGE) intégrant un méta‑modèle construit à partir des concepts d’acteur, d’agent et de spatialité, afin de produire un modèle initial à partir des spécifications fournies par des experts du domaine et des analystes systèmes.

Lien de l’article publié : click here

Image sur le terrain avec les habitants dans la régions de l'Est: