Model-agent for the modeling and simulation of complex systems : application to the ecosystemic of the fisheries
Des agents-modèles pour la modélisation et la simulation de systèmes complexes : application à l'écosystémique des pêches
Résumé
We study the modelling process for the simulation of complex systems. The modelling and simulation processes are complex, therefore the modelling has to be rationalized and control gained over it. Our proposition is to conceive the complex model as a society of models in interaction. We apply the pattern oriented approach to rationalize the modelling by focusing it on the data.
We use the agent approach to distribute the observation and control in the global model. The society of models thus enables the emergence of the patterns through the agents' activities. The \artefacts, applied to the modelling, support the data, the patterns and the agents' interactions. The coupling of the agents is therefore done through the \artefacts, which is different from an approach based on events. We identify three types of agents:
1° the model-agents that execute the model of a phenomenon;
2° the observator-agents that build up observables,
3° the controller-agents that locally control the global model.
The agents are also able to adapt to their environment using operations to modify their perceptions and actions. The complex model can be therefore incrementally built, the agents' behaviors can easily be modified, and an agent can be added or removed for the global model without impact on the structure of the other agents. At last, we identify four types of behaviors for model-agents: 1° based on differential equations (intensional); 2° individual based (emergent); 3° based on raw data or pre-calculated (extensional); 4° played by an expert (participatory). To go even further in the rationalization of the modelling, we exhibit computational biases induced by the translation of conceptuel models of agent populations into computational models. We show that our models are very sensitive to the studied biases. It is necessary for thematicians to know the sources of those biases and the simulation tool must be specialized in order to: 1° explicit the model, 2° garantee the identified properties and 3° make systematic analysis. This is what we have done in our simulator. Finally, this work takes place in the ANR project Chaloupe. The challenge here is to envision the co-viability of ecological populations and of their exploitations by social groups (e.g. fisheries). We show our simulation results, confirming by this mean that the society of models enables a flexible and rigorous modelling.
We use the agent approach to distribute the observation and control in the global model. The society of models thus enables the emergence of the patterns through the agents' activities. The \artefacts, applied to the modelling, support the data, the patterns and the agents' interactions. The coupling of the agents is therefore done through the \artefacts, which is different from an approach based on events. We identify three types of agents:
1° the model-agents that execute the model of a phenomenon;
2° the observator-agents that build up observables,
3° the controller-agents that locally control the global model.
The agents are also able to adapt to their environment using operations to modify their perceptions and actions. The complex model can be therefore incrementally built, the agents' behaviors can easily be modified, and an agent can be added or removed for the global model without impact on the structure of the other agents. At last, we identify four types of behaviors for model-agents: 1° based on differential equations (intensional); 2° individual based (emergent); 3° based on raw data or pre-calculated (extensional); 4° played by an expert (participatory). To go even further in the rationalization of the modelling, we exhibit computational biases induced by the translation of conceptuel models of agent populations into computational models. We show that our models are very sensitive to the studied biases. It is necessary for thematicians to know the sources of those biases and the simulation tool must be specialized in order to: 1° explicit the model, 2° garantee the identified properties and 3° make systematic analysis. This is what we have done in our simulator. Finally, this work takes place in the ANR project Chaloupe. The challenge here is to envision the co-viability of ecological populations and of their exploitations by social groups (e.g. fisheries). We show our simulation results, confirming by this mean that the society of models enables a flexible and rigorous modelling.
La problématique est l'étude de la modélisation pour la simulation de systèmes complexes. Les processus de modélisation et de simulation étant complexes, il faut rationaliser la modélisation et gagner en maîtrise sur elle. Nous proposons de concevoir le modèle complexe comme une société de modèles en interaction. Nous appliquons l'approche orientée pattern pour rationaliser la modélisation en la centrant sur les données. Nous utilisons l'approche agent pour distribuer l'observation et le contrôle dans le modèle global. La société de modèles permet alors l'émergence des patterns par l'activité des agents. Les artefacts, appliqués à la modélisation, sont le support des données, des patterns et des interactions entre agents. Le couplage des agents se fait ainsi via les \artefacts, à la différence d'une approche par événements.
Nous identifions trois types d'agents :
1° les agentmodeles, qui exécutent le modèle d'un phénomène ;
2° les agents-observateurs, qui construisent des observables ;
3° les agents-contrôleurs, qui contrôlent localement le modèle global.
Les agents peuvent également s'adapter à leur environnement avec des opérations pour modifier leurs perceptions et actions. Le modèle complexe peut alors être construit incrémentalement, les comportements des agents peuvent être modifiés facilement, et un agent peut être ajouté ou enlevé du modèle global sans impact sur la structure des autres agents.
Enfin, nous identifions quatre types de comportements pour un agent-modèle : 1° basé sur des équations différentielles (intensionnel) ; 2° centré individu (émergent) ; 3° pré-calculé (extensionnel) ; 4° joué par un expert (participatif). Pour aller plus loin dans la rationalisation de la modélisation, nous exhibons les biais computationnels induits par la traduction de modèles conceptuels en modèles computationnels dans le cas de modèles de peuplements d'agents. Nous montrons que nos modèles sont très sensibles aux différents biais étudiés. Il est nécessaire que les thématiciens connaissent les sources de biais et que l'outil de simulation soit spécialisé afin de permettre : 1° d'expliciter le modèle, 2° de garantir les propriétés identifiées et 3° de permettre des analyses systématiques. C'est ce que nous faisons dans notre simulateur. Enfin, ce travail entre dans le cadre du projet ANR Chaloupe. L'enjeu est d'envisager la co-viabilité de peuplements écologiques et de leur exploitation par des groupes sociaux (e.g. pêcheries). Nous présentons les résultats de simulation obtenus validant la société de modèles qui permet une modélisation souple et rigoureuse.
Nous identifions trois types d'agents :
1° les agentmodeles, qui exécutent le modèle d'un phénomène ;
2° les agents-observateurs, qui construisent des observables ;
3° les agents-contrôleurs, qui contrôlent localement le modèle global.
Les agents peuvent également s'adapter à leur environnement avec des opérations pour modifier leurs perceptions et actions. Le modèle complexe peut alors être construit incrémentalement, les comportements des agents peuvent être modifiés facilement, et un agent peut être ajouté ou enlevé du modèle global sans impact sur la structure des autres agents.
Enfin, nous identifions quatre types de comportements pour un agent-modèle : 1° basé sur des équations différentielles (intensionnel) ; 2° centré individu (émergent) ; 3° pré-calculé (extensionnel) ; 4° joué par un expert (participatif). Pour aller plus loin dans la rationalisation de la modélisation, nous exhibons les biais computationnels induits par la traduction de modèles conceptuels en modèles computationnels dans le cas de modèles de peuplements d'agents. Nous montrons que nos modèles sont très sensibles aux différents biais étudiés. Il est nécessaire que les thématiciens connaissent les sources de biais et que l'outil de simulation soit spécialisé afin de permettre : 1° d'expliciter le modèle, 2° de garantir les propriétés identifiées et 3° de permettre des analyses systématiques. C'est ce que nous faisons dans notre simulateur. Enfin, ce travail entre dans le cadre du projet ANR Chaloupe. L'enjeu est d'envisager la co-viabilité de peuplements écologiques et de leur exploitation par des groupes sociaux (e.g. pêcheries). Nous présentons les résultats de simulation obtenus validant la société de modèles qui permet une modélisation souple et rigoureuse.
Loading...