Modèle à base d'agents

L'un des premiers modèles à base d'agents sur le plan conceptuel était le modèle de ségrégation de Thomas Schelling , qui a été discuté dans son article « Dynamic Models of Segregation » en 1971. Bien que Schelling ait initialement utilisé des pièces de monnaie et du papier millimétré plutôt que des ordinateurs, ses modèles incarnaient le concept de base des modèles à base d'agents en tant qu'agents autonomes interagissant dans un environnement partagé avec un résultat agrégé et émergent observé.

À la fin des années 1970, Paulien Hogeweg et Bruce Hesper ont commencé à expérimenter avec des modèles individuels d' écologie . L'un de leurs premiers résultats a été de montrer que la structure sociale des colonies de bourdons émergeait de règles simples régissant le comportement des abeilles individuelles. Ils ont introduit le principe ToDo, désignant la manière dont les agents « font ce qu'il y a à faire » à un instant donné.

Au début des années 1980, Robert Axelrod organisa un tournoi de stratégies du dilemme du prisonnier et les fit interagir selon un modèle multi-agents afin de déterminer un vainqueur. Axelrod développera par la suite de nombreux autres modèles multi-agents en science politique, étudiant des phénomènes allant de l'ethnocentrisme à la diffusion de la culture.

À la fin des années 1980, les travaux de Craig Reynolds sur les modèles de comportement grégaire ont contribué au développement des premiers modèles à base d'agents biologiques intégrant des caractéristiques sociales. Il s'efforçait de modéliser la réalité d'agents biologiques vivants, connus sous le nom de vie artificielle , un terme forgé par Christopher Langton .

Parallèlement, dans les années 1980, des spécialistes en sciences sociales, des mathématiciens, des chercheurs opérationnels et quelques personnes d'autres disciplines ont développé la théorie computationnelle et mathématique des organisations (CMOT). Ce domaine s'est développé en tant que groupe d'intérêt spécialisé de l'Institute of Management Sciences (TIMS) et de sa société sœur, l'Operations Research Society of America (ORSA).

Les années 1990 ont été marquées par l'essor de la modélisation à base d'agents (ABM) en sciences sociales. Parmi les initiatives notables, citons Sugarscape , un modèle ABM à grande échelle développé par Joshua M. Epstein et Robert Axtell pour simuler et explorer le rôle de phénomènes sociaux tels que les migrations saisonnières, la pollution, la reproduction sexuée, les combats, la transmission des maladies et même la culture . D'autres développements importants de cette décennie incluent Kathleen Carley ABM, de l' Université Carnegie Mellon , qui explore la coévolution des réseaux sociaux et de la culture. Le Santa Fe Institute (SFI) a joué un rôle essentiel en encourageant le développement de la plateforme de modélisation ABM Swarm, sous la direction de Christopher Langton . Les recherches menées par le SFI ont permis d'étendre les techniques ABM à de nombreux domaines, notamment l'étude des dynamiques sociales et spatiales des sociétés humaines à petite échelle et des primates. Au cours des années 1990, Nigel Gilbert a publié le premier manuel de simulation sociale : *Simulation for the social scientist* (1999) et a fondé une revue consacrée aux sciences sociales : le * Journal of Artificial Societies and Social Simulation * (JASSS). Outre le JASSS, les modèles à base d’agents, quelle que soit la discipline, sont abordés dans la revue SpringerOpen * INFORMS , et la réduction du nombre de réunions annuelles de cette dernière à une seule, ont incité le groupe CMOT à créer une société distincte : la North American Association for Computational Social and Organizational Sciences (NAACSOS). Kathleen Carley y a joué un rôle majeur, notamment dans le développement de modèles de réseaux sociaux. Elle a obtenu des financements de la National Science Foundation pour la conférence annuelle et a été la première présidente de la NAACSOS. David Sallach, de l' Université de Chicago et du Laboratoire national d'Argonne , lui a succédé , puis Michael Prietula, de l'Université Emory . Presque simultanément, la création de la NAACSOS a vu naître l'European Social Simulation Association (ESSA) et la Pacific Asian Association for Agent-Based Approach in Social Systems Science (PAAA), ses homologues. Depuis 2013, ces trois organisations collaborent à l'échelle internationale. Le premier Congrès mondial sur la simulation sociale s'est tenu sous leur parrainage conjoint à Kyoto, au Japon, en août 2006. Le deuxième Congrès mondial s'est tenu dans la banlieue nord de Washington, DC, en Virginie, en juillet 2008, l'université George Mason jouant un rôle de premier plan dans l'organisation locale.

Plus récemment, Ron Sun a développé des méthodes permettant de fonder la simulation multi-agents sur des modèles de cognition humaine, connues sous le nom de l'UCLA ont également apporté des contributions importantes au domaine du comportement organisationnel et de la prise de décision. Depuis 1991, l'UCLA organise une conférence à Lake Arrowhead, en Californie, qui est devenue un autre lieu de rencontre majeur pour les praticiens de ce domaine.

Après l’avènement des grands modèles de langage , les chercheurs ont commencé à appliquer des modèles de langage interactifs à la modélisation multi-agents. Dans un article largement cité, des modèles de langage multi-agents ont interagi dans un environnement de test pour réaliser des activités telles que l’organisation de fêtes d’anniversaire et la tenue d’élections.

La plupart des recherches en modélisation informatique décrivent des systèmes à l' équilibre ou évoluant entre différents équilibres. La modélisation multi-agents, en revanche, grâce à des règles simples, peut engendrer des comportements complexes et intéressants. Les trois concepts fondamentaux des modèles multi-agents sont les agents en tant qu'objets, l'émergence et la complexité .

Les modèles à base d'agents sont constitués d'agents interagissant dynamiquement selon des règles. Les systèmes au sein desquels ils interagissent peuvent reproduire la complexité du monde réel. Généralement, les agents sont situés dans l'espace et le temps et résident dans des réseaux ou des voisinages en treillis. Leur position et leurs comportements sont codés sous forme algorithmique dans des programmes informatiques. Dans certains cas, mais pas toujours, les agents peuvent être considérés comme intelligents et intentionnels. Dans les modèles à base d'agents écologiques (souvent appelés « modèles individu-centrés » en écologie), les agents peuvent, par exemple, être des arbres dans une forêt et ne seraient pas considérés comme intelligents, bien qu'ils puissent être intentionnels en ce sens qu'ils optimisent l'accès à une ressource (comme l'eau). Le processus de modélisation est principalement inductif . Le modélisateur formule les hypothèses qu'il juge les plus pertinentes pour la situation considérée, puis observe l'émergence de phénomènes résultant des interactions entre les agents. Il peut s'agir parfois d'un équilibre, parfois d'une structure émergente, parfois d'un enchevêtrement incompréhensible.

À certains égards, les modèles à base d'agents complètent les méthodes analytiques traditionnelles. Là où ces dernières permettent de caractériser les équilibres d'un système, les modèles à base d'agents offrent la possibilité de les générer. Cette contribution générative représente sans doute l'avantage le plus évident de la modélisation à base d'agents. Ces modèles peuvent expliquer l'émergence de structures d'ordre supérieur : les réseaux des organisations terroristes et d'Internet, les distributions en loi de puissance de l'ampleur des embouteillages, des guerres et des krachs boursiers, ainsi que la ségrégation sociale qui persiste malgré la présence de populations tolérantes. Ils permettent également d'identifier les points de levier, c'est-à-dire les moments où les interventions ont des conséquences extrêmes, et de distinguer les différents types de dépendance au sentier.

Plutôt que de se concentrer sur les états stables, de nombreux modèles s'intéressent à la robustesse d'un système, c'est-à-dire à la manière dont les systèmes complexes s'adaptent aux pressions internes et externes pour maintenir leurs fonctionnalités. Exploiter cette complexité implique de prendre en compte les agents eux-mêmes : leur diversité, leurs interconnexions et leur niveau d'interactions.

De nombreux cadres de modélisation à base d'agents (ABM) sont conçus pour des architectures informatiques séquentielles de type von Neumann , ce qui limite la vitesse et l'évolutivité des modèles implémentés. Étant donné que le comportement émergent dans les ABM à grande échelle dépend de la taille de la population , les restrictions d'évolutivité peuvent entraver la validation du modèle . Ces limitations ont principalement été surmontées grâce au calcul distribué , avec des cadres tels que Repast HPC spécifiquement dédiés à ce type d'implémentations. Bien que ces approches s'adaptent bien aux architectures de clusters et de supercalculateurs , les problèmes liés à la communication et à la synchronisation , ainsi qu'à la complexité du déploiement , demeurent des obstacles potentiels à leur adoption généralisée.

Une évolution récente consiste à utiliser des algorithmes de traitement parallèle des données sur des unités de traitement graphique (GPU) pour la simulation ABM. L'extrême bande passante mémoire combinée à la puissance de calcul massive des GPU multiprocesseurs a permis la simulation de millions d'agents à des dizaines d'images par seconde.

La vérification et la validation (V&V) des modèles de simulation sont extrêmement importantes. La vérification consiste à s'assurer que le modèle implémenté correspond au modèle conceptuel, tandis que la validation garantit que le modèle implémenté présente une certaine pertinence par rapport au monde réel. La validation apparente, l'analyse de sensibilité, le calibrage et la validation statistique sont différents aspects de la validation. Une approche de simulation à événements discrets pour la validation des systèmes multi-agents a été proposée. Une ressource complète sur la validation empirique des modèles multi-agents est disponible ici.

À titre d'exemple de technique de vérification et de validation (V&V), considérons VOMAS (système multi-agents à superposition virtuelle) , une approche de génie logiciel où un système multi-agents à superposition virtuelle est développé en parallèle du modèle multi-agents. Muazi et al. fournissent également un exemple d'utilisation de VOMAS pour la vérification et la validation d'un modèle de simulation d'incendie de forêt Une autre méthode de génie logiciel, le développement piloté par les tests (TDD), a été adaptée à la validation des modèles multi-agents . Cette approche présente l'avantage supplémentaire de permettre une validation automatique à l'aide d'outils de tests unitaires.