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

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.
Type de document :
Thèse
Multiagent Systems [cs.MA]. Université Côte d'Azur, 2017. English. 〈NNT : 2017AZUR4086〉
Liste complète des métadonnées

Littérature citée [131 références]  Voir  Masquer  Télécharger

https://hal.archives-ouvertes.fr/tel-01680984
Contributeur : Abes Star <>
Soumis le : jeudi 1 mars 2018 - 10:37:41
Dernière modification le : jeudi 8 mars 2018 - 09:46:46
Document(s) archivé(s) le : mercredi 30 mai 2018 - 12:47:23

Fichier

2017AZUR4086.pdf
Version validée par le jury (STAR)

Identifiants

  • HAL Id : tel-01680984, version 2

Collections

Citation

Amel Ben Othmane. CARS - A multi-agent framework to support the decision making in uncertain spatio-temporal real-world applications. Multiagent Systems [cs.MA]. Université Côte d'Azur, 2017. English. 〈NNT : 2017AZUR4086〉. 〈tel-01680984v2〉

Partager

Métriques

Consultations de la notice

151

Téléchargements de fichiers

57