CARS-Un système multi-agent pour la prise de décision dans des applications spatiotemporelles incertaines

CARS - A multi-agent framework to support the decision making in uncertain spatio-temporal real-world applications

• Auteur / Autrice : Amel Ben othmane
• Direction : Andrea Tettamanzi, Serena Villata
• Type : Thèse de doctorat
• Discipline(s) : Informaique
• Date : Soutenance le 12/10/2017
• Etablissement(s) : Université Côte d'Azur (ComUE)
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Sophia Antipolis, Alpes-Maritimes)
• Partenaire(s) de recherche : établissement de préparation : Université de Nice (1965-2019)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Informatique, signaux et systèmes (Sophia Antipolis, Alpes-Maritimes) - Institut national de recherche en informatique et en automatique (France). Unité de recherche (Sophia Antipolis, Alpes-Maritimes) - Web-Instrumented Man-Machine Interactions, Communities and Semantics
• Jury : Président / Présidente : Arnaud Martin
• Jury : Examinateurs / Examinatrices : Andrea Tettamanzi, Serena Villata, Arnaud Martin, Viviana Mascardi
• Jury : Rapporteurs / Rapporteuses : Arnaud Martin, Viviana Mascardi

Mots clés

Mots clés contrôlés

Possibilités, Théorie des

Traitement réparti

Mots clés libres

Système multi-agent

Théorie possibiliste

Architecture BDI

Intervalles d'Allen

Système multi-contextes

Multi agents-systems

Possibility theory

BDI architecture

Allen's intervals algebra

Region connection calculus

Fuzzy sets

Résumé

Récemment, plusieurs applications, dans lesquelles différentes entités interagissent dans un environnement dynamique, soulignent l’intérêt de l’utilisation des architectures multi-agents. Ces architectures offrent, dans ce cadre, un certain nombre d’avantages, tels que l’autonomie, la réactivité et la capacité de prise de décision. Elles manquent cependant de capacité sociale et de connaissances sur son environnement, notamment lorsqu’il s’agit d’un environnement dynamique. En effet, quand un agent interagit avec le monde réel, il doit prendre en compte les évènements qui peuvent survenir tout en considérant centaines contraintes telles que le temps et l’espace. En outre, les agents doivent faire face à l’incertitude liée aux applications réelles afin de fournir une représentation fidèle du monde réel. Dans le cadre de cette thèse, nous proposons un modèle formel de recommandation des plans qui améliore le processus de prise de décision des agents dans un environnement spatio-temporel et incertain. Pour formaliser les comportements cognitifs des agents dans notre système nommé CARS, en anglais ``Cognitive Agent-based Recommender System '', nous avons étendu l’architecture BDI qui se base sur le modèle `` Croyance-Désir-Intention'' pour prendre en compte les différents contextes liés à des applications réelles en particulier le contexte social. Par ailleurs, nous avons également utilisé la théorie possibiliste afin de considérer l’incertitude dans l’état motivationnel d’un agent (c’est à dire ses croyances, désirs, objectifs ou intentions). Pour répondre aux besoins des applications réelles, tels que les systèmes de recommandation relatives au trafic et navigation, nous proposons une représentation spatiotemporelle des croyances et des intentions d’un agent. Cette représentation permettra l’anticipation de certaines intentions, de manière à recommander un plan qui sera optimal pour un utilisateur. Compte tenu l’incomplétude/l’imprécision liée aux données spatiotemporelles, nous avons étendu le modèle proposé pour raisonner avec des croyances et intentions floues. Une évaluation du modèle proposé a été menée en utilisant une simulation multi-agent, dans un scenario réel de circulation routière. Cette simulation a offert un environnement virtuel qui a mis en lumière, après avoir testé les différentes fonctionnalités du modèle, les principaux points forts ainsi que leslacunes liées à l’architecture multi-agents proposée.

Recently, many real-world applications where different entities interact in a dynamic environment, consider the use of agents in their architectures due principally to their autonomy, reactivity and decision-making abilities. Though these systems can be made intelligent, using Artificial Intelligence (AI) techniques, agents still lack of social abilities and have limited knowledge of their environment and in particular when it comes to a dynamic environment. In fact, when operating in the real world, agents need to deal with unexpected events considering both changes in time and space. Moreover, agents must face the uncertainty, which pervades real-world scenarios in order to provide an accurate representation of the world. In this thesis, we introduce and evaluate a formal framework for recommending plans to agents in the decision making process, when they deal with uncertain spatio-temporal information. The agent-based architecture we propose to address this issue, called CARS (Cognitive Agent-based Recommender System), has been designed by extending the well-known Belief-Desire-Intention (BDI) architecture to incorporate further capabilities to support reasoning with different types of contextual information, including the social context. Uncertainty on the agent's beliefs, desires and intentions is modeled using possibility theory. To meet the requirements of real-world applications, e.g., traffic and navigation recommendation systems, we define a spatio-temporal representation of the agents' beliefs and intentions. Using such a formal framework, anticipatory reasoning about intentional dynamics can be performed with the aim to recommend an optimal plan to a certain user. Since spatio-temporal data is often considered as incomplete and/or vague, we extended the formal framework with a fuzzy representation of spatio-temporal beliefs and intentions. The framework is evaluated through an Agent Based Simulation (ABS) in a real-world traffic scenario. This ABS allowed us to create a virtual environment to test the impact of the different features of our framework as well as to evaluating the main strengths and weaknesses of the proposed agent architecture.