ORIGINES DES SYSTEMES MULTI-AGENTS:
Les SMA se situent à
l’intersection entre intelligence artificielle distribuée (IAD)
et vie artificielle. Les premières applications de la vie artificielle
sont apparues quasiment en même temps que l'informatique, avec
Von Neumann et ses
automates
cellulaires, ou encore Mc Culloch et ses neurones formels.
L'IAD est apparue vers la fin des années 1970. Hewitt, confronté
à un problème de résolution de théorèmes,
proposa une solution en 1977 avec des entités actives appelées
« acteurs » et considéra la résolution comme
la confrontation de leurs points de vue.
Erman et al (1980) enrichit le concept d’échange d’informations
en élaborant l'idée du tableau noir ( blackboard ) avec
le projet HERSAY II. Le tableau noir est une zone de travail commune, dévolue
à la transition d’informations entre les différents agents.
Chacun peut venir le consulter à sa guise, y prélever et
y déposer des objets qu’il peut également modifier. Le tableau
structure la modélisation du domaine d’application comme l’espace
des hypothèses et des solutions.
Ce sont à partir de ces premières réalisations
que nous avons vu apparaître l'idée de système multi-agents.
Leur utilisation est aujourd’hui « distribuée » selon
les deux axes fondateurs de l’IAD et de la vie artificielle : d’une part
dans la résolution de problèmes dits « distribués
», tant physiquement que fonctionnellement et nécessitant
de fait la participation cohérente de plusieurs systèmes
spécialisés dans un aspect du problème. D’autre
part, dans l’étude de dynamiques « globales » résultant
des interactions entre agents, travaux amenant des éléments
de réponse à l’émergence « spontanée
» de structures organisées comparables à celles observées
chez le règne animal.
DEFINITIONS:
> Qu’est ce qu’un agent ?
A l’instar de la
définition de la vie, celle des agents n’est qu’approximative. Cependant,
tous les SMA peuvent être ramenés à un ensemble d’entités
physiques ou virtuelles possédant les caractéristiques suivantes
:
1) Capacité de perception d’un environnement.
2) Capacité d’agir dans cet environnement.
3) Capacité de se représenter cet environnement, seulement
en partie voir pas du tout.
4) Capacité de communiquer directemement avec d’autres agents.
5) Possession de ressources propres.
6) Possession d’une dynamique orientée par un ensemble de
tendances (ces tendances peuvent être des objectifs individuels
ou collectifs, ou bien l’optimisation d’une fonction
de satisfaction ou de survie).
7) Possession de compétences qu’il peut éventuellement
offrir.
8) Capacité de se reproduire (facultatif)
Tout agent est dôté
d’un comportement tendant à satisfaire au mieux ses buts, au vu
de la perception et de la représentation de l’environnement dont
il dispose, des ressources et des compétences qu’il possède
et de la teneur des informations échangées. Etant mus par
des objectifs, les agents sont dits autonomes dans le sens où le créateur
du système ne pilote pas leur comportement. C’est l’agent qui décide
de ses actions par rapport à un éventail de possibilités
données. L’agent peut-être ainsi vu comme une sorte «
d’organisme vivant » dont le comportement vise à la satisfaction
de ses besoins propres en fonction de tout ce dont il peut disposer.
> Qu’est ce qu’un système
multi-agent ?
1) Un environnement E, soit un espace disposant généralement
d’une métrique.
2) Un ensemble d’objets O. Ils sont dits « situés »,
c’est à dire qu’à tout objet O on peut associer une position
dans E. Ils sont dits passifs, à savoir qu’ils peuvent être
perçus, manipulés, créés ou détruits
par les agents, qui sont les entités actives du système.
3) Un ensemble A d’agents. Les agents sont des objets particuliers
aux propriétés spécifiées plus haut.
4) Un ensemble de relations R qui unissent les objets entre eux
(et donc également les objets aux agents et les agents entre eux)
5) Un ensemble d’opérations Op que les agents peuvent appliquer
aux objets.
6) Des opérateurs chargés de répercuter l’application
de ses opérations sur l’environnement. Ses opérateurs sont
apellés « lois de l’univers » car ils modifient l’environnement
consécutivement aux actions portées sur lui.
Il existe un cas particulier
de SMA dans lequel A=O (il n’y a pas d’objet passif) et où E=Ø.
Cette variété de système est appellée
« SMA purement communiquant » car les relations R définissent
un réseau entre agents dont les actions sur E se réduisent
à la communication. Cette structure particulière est utilisée
par l’intelligence artificielle distribuée, principalement pour
la collaboration de modules amenés à résoudre un problème
ou élaborer une expertise. Cette organisation mime le mode de
travail d’un organisme social comme une administration, par exemple.
Lorsque E est non vide, on
parlera d’agents situés. C’est ce type de SMA que nous allons développer
maintenant, nous interressant particulièrement aux propriétés
émergentes dont ils sont le théatre. En effet, les SMA
sont étudiés en raison de leurs remarquables capacités
d’auto-organisation, dont nous verrons plusieurs cas troublants, capables
de reproduire certaines formes d’organisations sociales complexes.
AGENTS ET
ORGANISATION:
La kénétique
se veut à la fois la science et la technique des organisations
artificielles. Possédant comme outil la conception de SMA, cette
discipline possède l'avantage expérimental du controle de
la totalité des paramètres définissant le système.
Or si le concepteur peut intervenir à sa guise sur l'ensemble
des variables introduites, il n'a toutefois pas accès à
un déterminisme absolu concernant l'évolution du système.
Bien au contraire, les configurations évolutives des SMA sont soumis
au principe des phénomènes chaotiques. Cela implique, que
la moindre modification dans les conditions initales, l'introduction de
la plus insignifiante variable aléatoire peut conduire le même
système à des états finaux diamétralement opposés.
En effet, ces infimes variations sont très rapidement amplifiées
par les interactions entre les agents, interdisant ainsi la prévision
précise des états ultérieurs du système (cf
Chaos).
Les SMA ne sont pas pour
autant soumis à aucune loi. Le travail portant sur les SMA se
situe au centre d'une irréductible dualité : Agent / Organisation.
Toute organisation est le fruit d'une interaction entre agents, et leurs
comportements individuels se trouvent en retour modifiés par les
contraintes qu'imposent les structures organisatrices créées.
Le rapport existant entre agent et organisation est donc une réalité
mouvante. Et mis à part les cas où l'organisation est intégralement
décrite par le concepteur du système, la répartition
du travail, la coordination des tâches et l'assignation de rôles
spécifiques résultent de la seule activité de ses
membres. On assiste alors à l'apparition de propriétés
émergentes, absentes de la programation de départ.
Il nous faut ici préciser les différences architecturales
distinguant les deux courants de pensée relatifs à l’application
des SMA. Ces différences
de conception concernent la nature algorithmique des agents utilisés.
Ainsi, on trouvera d'un côté l'école cognitive (pour
l’intelligence artificielle distribuée), de l'autre, celle qui intéressera
plus directement notre propos : l'école réactive (pour
la vie artificielle).
-
Retour haut de page-
> Agents cognitifs :
La conception de SMA cognitifs
trouve son origine dans la volonté de faire communiquer et coopérer
des systèmes experts classiques. Dans ce cas, le SMA sera composé
d'un petit nombre d'agents " intelligents ". Chacun possèdera une
base de connaissance comprenant l'ensemble des informations et des savoir-faire
nécessaires à la réalisation de sa tâche et
à la gestion des interactions avec son environnement et les autres
agents. Ils sont parfois dits " intentionnels", c'est-à-dire qu'ils
possèdent des buts et des plans explicites leur permettant de les
atteindre. On parlera alors de conduites téléonomiques, par
opposition à conduites réflexives (lesquelles caractérisent
plus fréquement les agents réactifs) dont les buts sont définis
en réaction aux stimuli du milieu. Dans ce cadre cognitif, planifié
au maximum, le SMA se conduira à la façon d'un petit groupe
d'individus, régit par des règles sociales prédéfinies
(par exemple en cas de situations conflictuelles, les agents seront amenés
à négocier). Les chercheurs dans ce domaine s'appuyent
fréquemment sur des travaux sociologiques des organisations et
des groupes restreints. Nous n'évoquerons pas davantage ce type
de SMA, dont l'extrème planification stratégique laisse
peu de place à l'émergence de nouveaux comportements.
> Agents réactifs :
L'école réactive
prétend qu'un système globalement intelligent ne nécessite
nullement l'intelligence individuelle de ses agents. De simples mécanismes
de réaction aux évènements, ne prenant en compte
ni explicitation des buts (=conduites le plus souvent "réflexives",
par opposition aux conduites générales des agents cognitifs),
ni mécanismes de planification, peuvent en effet résoudre
des problèmes qualifiés de complexes.
C'est dans
ce type de SMA que l'on assiste à l'émergence de processus
d'auto-organisation parfois spectaculaires, l'un des exemples les plus
frappants étant celui d'une fourmilière artificielle :
Alors que
toutes les fourmis se situent sur un même pied d'égalité,
et en l'absence d'une quelconque autorité stricte, les actions des
agents se coordonent de telle manière que la colonie survie et
se développe. L'entité collective est en mesure de résoudre
des problèmes complexes tels que la recherche de nourriture, les
soins à donner aux oeufs, et aux larves, la construction de nid,
la reproduction, etc... (cf :
Système MANTA)
Ainsi, les organisations émergentes concernent quasiment exclusivement
les SMA réactifs, car elles sont caractérisées par l'absence
de structures organisationelles prédéfinies (ce qui est rarement
le cas des agents cognitifs) Dans une société d'agents réactifs,
un processus d'auto-organisation permet à celle-ci d'évoluer
et de s'adapter efficacement aux modifications de son environnement et
aux besoins du groupe. Bien qu'il existe une certaine forme d'émergence
dans les organisations prédéfinies, celle-ci est toujours
contrôlée par des shémas de communication bien établis,
et les organisations qui en résultent sont toujours décrites
par des structures très précises.
EXEMPLES
DE PROPRIETES EMERGENTES :
1]
Coordination réactive d'actions :
La coordination réactive
considère qu'il est possible (et simple) de coordoner les actions
d’une population d’agents sans aucune planification initiale, en agissant
simplement au moment où l'action est nécessaire.
Nous avons vu dans la définition
des agents réactifs, que ces individus étaient très
simples et ne possédaient pas de représentation de leur
environnement. Ils ne disposent pas non plus de mémoire ce qui
les prive d'apprentissage et de toute anticipation aux évènements.
Or, ces agents, aussi frustres
soient-ils, montrent des comportements de groupe particulièrement
impressionnants lorsqu'il s'agit de coordonner certaines actions, comme
par exemple, leur déplacement.
-
Retour haut de page-
> Comportement de meute.
Grâce à très
peu de paramètres élémentaires, les agents réactifs
se montrent capables d'évoluer parfaitement en groupe tout en s'évitant
mutuellement, constituant par là une meute aux comportements très
souples.
Le premier à s'être intéressé à
la définition de comportements collectifs de meutes est Craig
Reynolds. En 1987, il créé des créatures appellées
"Boïds", des agents réactifs capables d'interactions sommaires
dont émerge un comportement agrégatif sans faille, chacun
des Boïds se contentant d'appliquer les trois règles comportementales
suivantes :
_ Maintenir une distance minimale par rapport aux objets de
l'environnement y compris les autres Boïds.
_ Adapter sa vitesse à la moyenne de celle de ses voisins.
_ Aller vers le centre de gravité de l'ensemble des
Boïds voisins.
Ces règles s'avèrent
suffisantes pour générer un comportement global des Boïds,
semblable à celui d'un vol d'oiseaux migrateurs. Contrairement
aux oiseaux, qui possèdent un chef initiant le mouvement, les boïds
évoluent sans leader et sans contrôle global. La trajectoire
du groupe reste cependant d'une fluidité parfaite : ils contournent
tous ensemble un obstacle tout en restant naturellement groupés.
Parfois la meute peut se diviser en deux pour se reformer sans problème
par la suite.
Les travaux de Reynolds
ont étés repris par Mataric (1992 -94) et apliqués
à des agents réactifs robotiques.
Chaque robot possède une batterie de comportements de haut
niveau que ce dernier sélectionne en fonction de la situation
dans laquelle il se trouve : évitement de collision, filature
d'un autre robot, dispersion et répartition sur un territoire,
agrégation, guidage sur un but. Ces comportements font appel à
des primitives de bas niveau telles que la perception par infrarouge d'un
obstacle ou le calcul d'une distance par sonar.
Un comportement de
meute peut s'obtenir par pondération des comportements d'évitement,
de filature, d'agrégation et de dispersion. Les résultats
sont ici moins brillants : les robots sont souvent trop éloignés
les uns des autres, ce qui conduit à terme à la désagrégation
du groupe, ou au contraire trop compactés, ce qui gène leur
évolution. Mais Mataric attribue ces problèmes à
la dynamique imparfaite de la mécanique des robots ainsi qu'à
la limitaion de leurs capteurs.
-
Retour haut de page-
> Système Ichtyus.
Dans la lignée
de Reynolds, une autre modélisation informatique, créée
par Meslé en collaboration avec Treuil et Fréon de l'Orstom,
avait pour objectif de simuler la dynamique de bancs de poissons.
Un banc de poissons
est une agrégation spatiale d'un certain nombre d'individus fondée
sur une approche égalitaire, tous les membres ayant la même
influence ce qui autorise l'appariement des poissons à des agents
de type réactif.
En considérant chaque individu en terme d'agent dont la direction
est fonction de l'influence de l'ensemble de ses voisins, on peut aboutir
à des comportements collectifs émergents de même ordre
que ceux animant les Boïds de Reynolds.
Chaque poisson calcule
la direction qu'il doit prendre en fonction de sa position antérieure
et des positions et directions des poissons qui l'entourent, en effectuant
un calcul de somme vectorielle pondérée par la distance.
Le résultat est impressionnant : à partir d'une situation
initiale, dans laquelle les poissons sont placés de manière
aléatoire, et en faisant tourner le système sur plusieurs
cycles, on constate que les agents constituent effectivement des bancs, dans
lesquels chacun coordonne ses mouvements pour aller dans la même direction.
Les poissons adoptent
une régularité de trajectoire parfaitement synchronisée,
comme s'ils répondaient tous au même signal ou s'il existait
un organe de commande. De plus, la présence d'un obstacle ne les
gène nullement : ils le contournent de concert comme s'ils s'étaient
donné le mot, sans se désolidariser et sans que l'on puisse
dégager un déclencheur du mouvement global.
> Evitement automatique.
Si le comportement de meute
peut s'expliquer par une simple combinaison vectorielle, il n'en est
pas de même lorsque plusieurs agents sont amenés à
s'éviter tout en modifiant le moins possible leur trajectoire initiale.
Il est possible de
modéliser la trajectoire d'un agent réactif par combinaison
entre forces répulsives émanant des obstacles de l'environnement,
et forces attractives émises par les buts ponctuels de l'agent (comme
les zones d'humidité et les sources de nourriture simulées
par le système MANTA.)
Ainsi, dans l'optique
d'un comportement global d'évitement des autres agents du système,
les individus auraient la capacité de produire des champs de potentiels
répulsifs, qui entraineraient la fuite des agents passants aux
alentours. A ce titre, les agents ne seraient, aux yeux des autres, que
des obstacles mobiles dont il faut s'éloigner. Cette technnique
présente un inconvénient majeur : le déplacement des
agents modifie en permanence la carte des champs de potentiels perçus
par chaque entité ce qui amène chacune à suivre des
trajectoires parfois aberrantes par rapport à certains buts individuels.
On assistera par exemple,
dans le cas où les trajectoires de deux agents sont amenées
à se croiser, à un comportement inadéquat dans lequel
l'agent A1, arrrivant de la gauche, cherche à fuir (et non pas
éviter) l'agent A2 arrivant de la droite. Pour celà, A1
incurve sa trajectoire vers la gauche et A2 fait de même de son
côté, si bien que les trajectoires initiales des agents
sont modifiées pour rien : fuir quelque chose qui nous fuie au
même moment n'a aucun intérêt à part perdre
de vue son cap initial.
Pour remédier à ce malencontreux problème,
Zeghal(1993) introduit simplement une nouvelle force apellée force
de glissement, qui conduit l'agent à rester sur une ligne au niveau
de laquelle la valeur du potentiel répulsif reste la même.
L'agent tente ainsi de conserver la même distance entre lui et l'obstacle.
Des situations interressantes émergent
de ce type de coordination d'action. Lorsque plusieurs agents doivent
s'éviter simultanément, des structures dynamiques de tourbillon
apparaissent spontanément, donnant l'impression que les agents
tournent autour d'un rond-point.
Zeghal a implémenté
cette technique dans le système CRAASH, qui simule l'évolution
d'un ensemble d'avions. Il a montré que plus d'une cinquantaine
d'avions civils équipés d'un tel système anti-collision
étaient capables d'évoluer et venir se poser automatiquement
sur le même aéroport sans dommage.
2] Système
MANTA (simulation d'une fourmilière) :
Ce système illustre
parfaitement l'intérêt des modélisations multi-agents
de type réactif. Ces dernières confèrent aux sociétés
qu'elles génèrent une grande capacité d'adaptation
à des environnements très changeants, au prix, néanmoins,
d'une certaine redondance de moyens, absence de planification oblige.
Ce projet, issu
de la collaboration entre éthologie et informatique, modélise
notamment la sociogénèse d'une colonie de fourmis, c'est-à-dire
la constitution d'une fourmilière mature à partir d'une
ou plusieurs reines. Il étudie également la capacité
d'adaptation d'une telle colonie, les mécanismes de polyéthisme
(
division du travail) et la spécialisation
des ouvrières. Il s'agissait en particulier de tester une hypothèse
éthologique concernant l'aspect distribué de la prise de
décision dans une colonie.
Le comportement des
individus explique t-il à lui seul la stabilité des formes
sociales observées? Une société d'agents peut-elle
survivre et s'organiser en se passant de tout système de contrôle
centralisé et d'une quelconque organisation hiérarchique?
Le système MANTA se propose de répondre à ces questionnements
en ne paramétrant ni spécialisation, ni organisation préétablie,
ni instance supérieure chargée de superviser l'ensemble.
-
Retour haut de page-
> Architecture du système
:
Les agents utilisés
peuvent être regroupés en deux catégories : les "assistés":
les oeufs, les larves et les cocons, et les "assistants", à savoir
la reine, les mâles et les ouvrières. L'environnement de
MANTA fait apparaitre des points de nourriture, des zones d'humidité,
et des sources de lumière, stimuli que les agents seront amenés
à exploiter ou éviter.
Les agents possèdent
la capacité de choisir parmi plusieurs tâches en compétition,
chacune d'elles relative à un seul type de stimulus de l'environnement.
L'importance d'une tâche à accomplir (par rapport à
une autre), est pondérée par l'intensité relative
du stimulus qui la suscite, comparée à celles d'autres stimuli
plus faibles perçus par l'agent. Cette intensité concerne
la force d'un signal émis par le dit-stimulus, ce signal étant
inversement proportionnel à la distance séparant stimulus
et agent. En conséquence, parmi une population de stimuli, le signal
le plus puissant entrainera la focalisation sur le stimulus associé
de tout agent qui le percevra, ainsi que l'activation de la tâche unique
concernant ce stimulus.
L'importance d'une tâche
est donc dépendante, d'une part de l'intensité du stimulus
qui la concerne, d'autre part de son "poids". Le poids d'une tâche
est lui-même en relation avec le "niveau d'activité"de la tâche.
Ainsi, une tâche
sera sélectionnée parmi d'autres si et seulement si :
_ Le stimulus déclencheur dépasse un certain seuil
de déclenchement ( en dessous duquel le stimulus sera ignoré
par l'agent)
_ Le niveau d'activité de la tâche concernée
est plus élevé que celui d'une autre tâche, suscitée
en même temps.
Les tâches sont
donc en compétition : si plusieurs tâches sont sélectionnables
en même temps (l'agent percevant différents stimuli de même
ampleur), la fourmi virtuelle choisira celle dont le niveau d'activité
atteint chez elle la plus grande valeur.
>> Rétroaction positive.
Chaque agent voit son
comportement renforçé. Le poids " w " de chaque tâche
sera en effet augmenté d'une valeur chaque fois qu'une tâche
" i " sera sélectionnée, ce qui peut s'écrire :
wi (t +1) = wi (t) + x si i est sélectionnée.
w (t +1) = w (t) sinon.
Ce mécanisme de renforcement (rétroaction positive)
rend donc un agent plus sensible aux stimuli correspondant aux tâches
qu'il a déjà executées. De ce fait, plus un agent
accomplit une tâche, plus il aura tendance à l'exécuter
de nouveau.
>>Rétroaction négative.
Les actions
des ouvrières visent à maintenir l'homéostasie du
nid. En effet, la plupart d'entre elles tendent à satisfaire les
besoins exprimés par les agents assistés, à savoir les
oeufs, les cocons et les larves. Par exemple, une larve peut émettre
un signal "affamée" si elle manque de nourriture. Si ce stimulus parvient
à déclencher la tâche "nourrir larve" chez une ouvrière,
la demande de la larve sera certainement comblée, et en conséquence,
le signal de demande se verra en retour diminué. C’est cette diminution
de signaux de demande qu’on appelle rétroaction négative.
Par elle, les actions des ouvrières tendent à réguler
le niveau des demandes.
-
Retour haut de page-
> Expérimentations :
>>Allocation des tâches
et division du travail.
Dans les premières versions
de MANTA, remontant aux années 1992-94, l'accent fût mis sur
les problèmes de différentiation sociale en étudiant
l'apparition d'une division du travail au sein d'ouvrières initialement
identiques.
Ces expériences
portaient sur un nid de 30 fourmis, 50 larves et 50 oeufs, dans lequel
étaient aléatoirement répartis 50 morceaux de nourriture.
Les ouvrières n'avaient que trois tâches possibles : s'occuper
des oeufs, des larves et de la nourriture en rassemblant en tas de la même
espèce ces différentes entités. La simulation s'arrête
lorsque tous ces éléments ont étés triés
et qu'il ne reste que trois tas.
Cette approche n'a bien
sûr pas la prétention de simuler le fonctionnement d'un
véritable nid, mais permet d'observer l'émergence de plusieurs
groupes fonctionnels :
a) Les "nounous des oeufs", caractérisées par un haut
niveau de soins aux oeufs, et un faible niveau d'inactivité.
b) Les "nounous des larves", présentant une grande spécialisation
dans le soin des larves et une très faible participation aux autres
tâches.
c) Les fourmis "nourricières", affichant un haut niveau de
traitement de la nourriture et un assez haut degré d'inactivité.
d) Les fourmis "spécialistes des larves/ inactifs", montrant
beaucoup de soins aux larves, une grande indifférence envers les
oeufs ainsi qu'un haut niveau d'inactivité.
e) Enfin, les fourmis "non-spécialisées", remportant
la palme de l'inactivité bien qu'elles contribuent globalement et
sans préférences particulières aux activités
du nid.
Du fait de la simplification
comportementale dont font preuve ces fourmis, on assiste évidemment
à une division du travail très frustre. Cependant, au travers
de l'ensemble des expérimentations données, on retombe de
façon très stable sur la même structure sociale...
>>Sociogénèse.
La sociogénèse est le
processus fondateur par lequel un simple individu (en l'occurence, une
reine) évolue vers une société
complète en produisant de nouveaux individus. DROGOUL, CORBARA
et FRESNEAU (1993) ont montré qu'il était possible de reproduire
artificiellement les conditions de réelles sociogénèses
telles qu'elles ont pu être observées en laboratoire avec
des fourmis "Ectatomma ruidum".
Dans cette série
d'expérimentation, le système MANTA place une reine seule
dans un nid vide à l'entrée duquel apparait une quantité
de nourriture (variable en fonction de la taille du nid) et chaque fourmi
(dont la reine) possède cette fois une vingtaine de primitives (actions/tâches
possibles).
L'expérience
s'achève lorsque l'une des deux conditions suivantes est vérifiée
:
_ La reine meurt de faim, ce qui signifie la fin de la colonie.
_ La population du nid dépasse les 20 ouvrières, ce
qui implique que le processus de sociogénèse a été
mené à bien.
Environ 78% des sociogénèses
échouent, ce qui s'approche beaucoup des résultats observées
dans la réalité, où 86% des colonies n'atteignent
jamais l'étape des dix travailleuses.
De plus, la dynamique émergeant
d'une telle société virtuelle est très semblable
à celles que l'on peut observer chez de véritables fourmis.
Ci-dessous figurent les évolutions
comparées d'une sociogénèse naturelle et d'une sociogénèse
obtenue par simulation MANTA (l'échelle de temps est la même
pour les deux graphiques) :
Bien que les courbes
d'un nid simulé soient plus régulières, elles montrent
une grande simularité d'allure avec celles symbolisant une réelle
sociogénèse, en faisant notammant apparaitre un fort décalage
entre la population d'oeufs et de larves.Ce type de régulation
des naissances se passe fort bien de tout contrôle centralisé
et émerge uniquement des intéractions locales entre les
agents. Il est uniquement conditionné par les contraintes environnementales
auxquelles sont soumis les agents comme par exemple, la restriction de
nourriture.
De
plus, MANTA a permis de corroborer l'analyse théorique correspondant
au mécanisme de double rétroaction :
_ Une rétroaction positive agissant individuellement et pouvant
expliquer la différentiation comportementale progressive des agents
sans la moindre planification initiale.
_ Une rétroaction négative agissant globalement sur
le système par un simple mécanisme d'offre et de demande
comparable à celui d'un marché.
Enfin, la composante
spatiale ne doit pas être négligée. Elle est en grande
partie responsable du succès et de la stabilisation de la société
et agit comme un coefficient d'amortissement dans la dynamique sociale.
CONCLUSION
Ce phénomène
de sociogénèse émergente rejoint, à l’échelle
d’individus simples, les théories de l’énaction chez
Varela et de l’équilibration chez
Piaget. Pour ces auteurs, l’organisation d’un monde
interne propre au sujet, qu'il sagisse de son intégrité biologique
ou de son univers mental, émerge de la confrontation directe avec
le monde, de son expérimentation active. Varela pose l’existence
de ce principe au niveau cellulaire, Piaget au niveau cognitif. Le monde
structuré des briques de la vie se serait constitué en réaction
aux perturbations extérieures, par l’émergence d’une interaction
dynamique de ses parties unitaires, entre elles et avec l’environnement.
Avec les SMA, cette
notion « d’interaction de parties formant un tout émergent
» s’étend à l’organisation sociale, à l’intelligence
collective d’individus autonomes. Ainsi, l’une des caractéristiques
majeures de la vie, « l’organisation » d’éléments
primitifs, se dote d'une dimension fractale car elle semble se retrouver
à tous les niveaux observés. Dans la brique initiale, dans
les organismes qu’elle compose et dans les systèmes macroscopiques
créés par ces organismes.
On pourrait
imaginer des SMA modernes, capables par exemple de modéliser ces
trois niveaux de complexité, le niveau maximum (société)
émergent de l’interaction d’organismes, eux même issus de
l’interaction de cellules, ces dernières découlant de l’interaction
de molécules aux propriétés particulières
(cf :
automates cellulaires)… Les SMA ouvrent
certainement la voie à des écosystèmes artificiels
d’une grande richesse, amenés à reproduire les performances
les plus remarquables des systèmes naturels et peut-être
en produire d’inédites. Mais on peut dors et déjà
leur opposer la même critique qu'aux automates cellulaires : Reproduit-on
réellement les mécanismes de la vie? En d'autres termes,
les systèmes obtenus sont-ils vivants? A l'instar des automates
cellulaires, les SMA sont le théatre de processus caractéristiques
de la vie terrestre. Mais suffit-il d'observer des similitudes avec ces derniers
pour conclure que la dynamique des SMA modélise celle des systèmes
naturels? Il existe de nombreux moyens pour parvenir à un même
résultat, aussi, les SMA ont-ils trouvé un nouveau moyen d'accéder
aux propriétés du vivant, la biologie relevant de son côté
de toutes autres mécanismes? Les SMA ne font-ils que grimmer la vie?
En inventent-ils une autre?
sources : Jacques Ferber "Les Systèmes
Multi-Agents - Vers une intelligence collective." (InterEditions)
-
agents~