Apprentissage en univers multi-agents
Systèmes multi-agents

Les Systèmes Multi-Agents (SMA) sont utilisés pour concevoir, modéliser, analyser et simuler des systèmes complexes impliquant de multiples entités en interaction, dont la coordination permet d’atteindre un objectif collectif ou de favoriser la stabilité du système. Ces entités autonomes composant un SMA, appelées agents, peuvent être distribuées et hétérogènes, et agir dans un environnement ouvert et évolutif. La discipline des SMA apporte les concepts, théories et outils nécessaires pour appréhender de tels systèmes avec le bon niveau d’abstraction.

Ces vingt dernières années, cette discipline a connu des avancées remarquables sous l’effet conjugué de plusieurs facteurs. En premier lieu, il faut noter l’ouverture de cette discipline à d’autres, en particulier aux sciences humaines et sociales (géographie, sociologie, linguistique, psychologie cognitive, économie et plus récemment droit), à la biologie et aux mathématiques. Motivée au départ par des applications, cette ouverture permet aujourd’hui aux SMA de constituer un domaine de recherche pluridisciplinaire s’appuyant sur des connaissances théoriques solides, validées et partagées par une communauté. Ce domaine a aussi su continuellement exploiter les résultats de l’Intelligence Artificielle (logique, apprentissage artificiel) dont lui-même est issu. Parallèlement, des progrès spécifiques ont été réalisés en termes d’ingénierie par la proposition de méthodes (GAIA, MOISE…), de formalismes basés sur la logique, de notations (ex. AUML), de langages standards (ex. FIPA-ACL) mais aussi de plateformes de simulation (GAMA, NetLogo) ou de développement (Madkit, JADE) permettant une industrialisation des applications. Cette évolution a aussi été rendue possible grâce à une communauté scientifique particulièrement dynamique, organisée autour de projets fédérateurs dont le réseau d’excellence européen AgentLink, les conférences internationales annuelles AAMAS et IJCAI et les revues JAAMAS, IJAOSE et JASSS.

Cette maturité permet aujourd’hui de concevoir des agents capables de raisonner, coopérer, s’organiser, agir, anticiper, apprendre et s’adapter aux changements de leur environnement, possiblement évolutif. Ces capacités dotent les SMA d’un pouvoir d’expression riche, aussi bien au niveau social que cognitif, permettant d’aborder des problèmes complexes dans des domaines aussi divers que les systèmes ambiants intelligents, la robotique collaborative, les chaînes logistiques ou la simulation sociale… À titre d’exemple, il peut s’agir d’une flottille de drones se coordonnant pour surveiller l’évolution d’une catastrophe naturelle et assistant les acteurs sur le terrain et la cellule de crise, d’une équipe de robots footballeurs capable d’en affronter une autre (cf. compétition robocup) en mettant en œuvre une stratégie. Cela peut également être des entités logicielles simulant les acteurs d’un réseau social et leurs émotions et conduisant à la découverte et compréhension de phénomènes de groupe émergents et non anticipés (par exemple la panique). Ses domaines d’application se sont élargis du fait du changement physique de notre environnement avec l’Internet des Objets sur des espaces de vie communs (Parc, Campus, Ville), les megadonnées produites par les réseaux sociaux ou des phénomènes planétaires (catastrophes naturelles, épidémies) suffisamment complexes pour exclure toute approche naïve et centralisée afin de les comprendre, les analyser ou les simuler.

La suite de cet article est organisée comme suit. La première section expose le contexte historique dans lequel sont apparus les SMA. La section 2 définit les notions d’agent et de SMA, discute les propriétés des agents et détaille les grandes classes d’application des SMA. La section 3 explique le fonctionnement interne des agents, leur architecture et leur raisonnement. Les sections 4 et 5 détaillent deux dimensions sociales des SMA, qui en font l’originalité : leurs modes d’interaction, et d’organisation possiblement émergente. La section 6 expose un thème particulièrement dynamique actuellement : l’apprentissage en univers multi-agents. La section 7, consacrée à l’ingénierie des SMA, présente des méthodes de conception, des langages standards et des plateformes de simulation et de développement.