Ingénierie de simulation multi-agents conduite par la connaissance pour évaluer l'efficacité des plans de gestion de catastrophes

Knowledge-driven multi-agent simulation engineering for assessing the effectiveness of disaster management plans

• Auteur / Autrice : Claire Prudhomme
• Direction : Christophe Cruz, Frank Boochs, Ana Roxin
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 17/12/2020
• Etablissement(s) : Bourgogne Franche-Comté
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique de Bourgogne (LIB) (Dijon)
• Partenaire(s) de recherche : Etablissement de préparation : Université de Bourgogne (1970-....)
• Jury : Président / Présidente : Christian Gentil
• Jury : Examinateurs / Examinatrices : Christophe Cruz, Maria-Esther Vidal
• Jury : Rapporteurs / Rapporteuses : Maguelonne Teisseire, Bill Raif

Mots clés

Mots clés contrôlés

Victimes de catastrophes

Catastrophes naturelles -- Lutte contre

Web sémantique

Mots clés libres

Technologies du Web sémantique

Simulation multi-Agent

Architecture conduite par les connaissances

Gestion de catastrophe

Semantic Web Technologies

Multi-Agent Simulation

Knowledge-Driven Architecture

Disaster Management

Résumé

La protection des personnes contre les catastrophes est une tâche importante des gouvernements et des experts, qui s'effectue en définissant des plans de gestion de catastrophes. Les stratégies de réponse en cas de catastrophe visent à réduire le nombre de victimes et l'impact économique. La sélection du plan de réponse le plus approprié pour des situations de catastrophe spécifiques nécessite une évaluation de ces plans. Toutefois, cette évaluation est limitée par le coût élevé des exercices et la spécificité des modèles de simulation existants. L'approche proposée dans cette thèse combine les techniques du Web Sémantique et la simulation multi-agents pour évaluer les plans de réponse de gestion de catastrophes. Elle est composée de quatre étapes : (1) la modélisation des connaissances en matière de gestion des catastrophes, (2) la modélisation des simulations, (3) la conception des simulations, et (4) l'analyse des résultats des simulations à partir de regroupements. Tout d'abord, les connaissances explicites et les données d'experts sont utilisées pour créer un modèle de connaissances pour la gestion des catastrophes. Deuxièmement, les modèles de simulation sont conçus sur la base du modèle de connaissances. Troisièmement, la programmation générative est utilisée pour la conception des simulations. Enfin, les résultats des simulations sont utilisés pour calculer l'efficacité du plan pour chaque simulation. Le regroupement par apprentissage non supervisé permet d'identifier le contexte d'application lié à l'efficacité calculée. L'efficacité et le contexte d'application associé enrichissent le modèle de connaissance initial. Cette approche a été appliquée à une étude de cas basée sur le plan français NOVI dans la ville de Montbard, en France.

Protecting humans from disasters has been an active mission of governments and experts through the definition of disaster management plans. Defining disaster response strategies is crucial in order to reduce the number of victims and the economic impact. In order to select which response plan is best suited to a specific disaster situation, these plans must be evaluated. However, such evaluation is limited by the high cost of exercises and the specificity of existing simulation models. The approach defended in this thesis combines techniques from Semantic Web and multi-agent simulation to evaluate disaster management response plans. It is composed of four steps : (1) modeling disaster management knowledge, (2) modeling simulations, (3) designing simulations, and (4) analyzing simulation results based on clustering. First, explicit expert knowledge and data is used to create a knowledge model for disaster management. Second, simulation models are conceived based on the knowledge model. Thirdly, generative programming is used for simulation design. Finally, simulation results are used to calculate the plan’s effectiveness for each simulation. Unsupervised learning clustering identifies the application context related to the calculated effectiveness. The effectiveness and the associated application context enrich the initial knowledge model. This approach was applied to a case study based on the French NOVI plan in the city of Montbard, France.