, Intégration du raisonnement anticipatif et réduction de l'horizon temporel de perception, vol.3

. .. Conclusion,

, Conclusion et perspectives 134

. .. Bilan, 134 7.1.2 Un raisonnement temporel : un raisonnement anticipatif basé sur AGRET . 136 7.1.3 Mise en oeuvre dans le cadre le la plateforme de simulation SimSKUAD et du modèle de simulation SkuadCityModel

. .. Perspectives, 2.1 Perspectives au niveau du modèle de simulation : implémentation sur Repast Simphony et SmartCityModel

, Perspectives au niveau conceptuel : la piste des réseaux sociaux

, Les seules informations qu'il peut se procurer concernent uniquement l'état actuel de la borne (occupée ou libre) et la longueur actuelle de la file d'attente lorsqu'il arrive à la borne pour se recharger. Ces informations concernent l'instant présent. Il lui est donc difficile de savoir ou d'estimer l'état prévisionnel d'une borne à un instant donné dans le futur. Pourtant, ces informations existent et font partie de l'emploi du temps prévisionnel des agents. Cependant, aucun support n'est prévu pour les partager, les stocker et les consulter, emploi du temps des bornes et sur celui des autres automobilistes

, Il n'existe aucun système qui permette à la borne d'avoir une emprise sur le nombre de véhicules qui viennent ou qui souhaitent se recharger sur lui

, Ces limites illustrent les besoins que nous avons énoncés dans les problématiques principales de cette thèse : -Le besoin d'un support d'interaction pour l'échange d'informations spatiales

, -Le besoin d'un raisonnement temporel qui prend en compte ces informations spatiales, temporelles et sociales partagées au niveau collectif

, Considération de l'espace, des organisations et du temps comme des environnements

, Son but est de fournir aux agents du système un support d'interaction et de partage d'informations sur les trois dimensions : spatiale, sociale et temporelle. Notre modèle AGRET répond à ce besoin. Il est constitué d'un ensemble de trois types d'environnements qui permettent l'accès en écriture et en lecture à trois types d'informations : les informations spatiales, les informations sociales et les informations temporelles. Dans notre exemple de chargement de voitures : -L'environnement temporel est utilisé pour le partage et la perception de l'emploi du temps et d'une partie de l'état des véhicules et des bornes

, L'environnement spatial permet le partage et la perception d'informations spatiales comme la position spatiale des bornes de recharge et du véhicule

, Dans notre exemple, il s'agit de compléments d'information concernant l'état d'une borne : nombre actuel de requêtes similaires (combien d'automobilistes sont actuellement en train de réserver le même créneau horaire sur la même borne)

, Cette deuxième contribution vient compléter la première. Il s'agit d'un raisonnement anticipatif

, Une autre particularité est qu'il s'agit d'une approche distribuée. En effet, notre proposition n'intègre pas d'agents destinés à contrôler le bon déroulement de l'activité collective. De plus, dans une perspective de faire également tourner le système en environnement ambiant, nous préférons nous abstenir de la mise en place de ce contrôle central. En effet, dans un environnement ambiant, il n'est pas toujours possible d'ajouter un élément externe pour piloter l'ensemble. Même dans le cas où c'est possible, Il se base sur les échanges d'informations entre les automobilistes et les bornes de recharge

, exemple que nous avons choisi pour illustrer nos propositions, l'objectif est d'optimiser la gestion du rechargement des véhicules. Cet exemple illustre un problème plus général qui est la gestion d'une ressource partagée et limitée dans l'espace et dans le temps. Il s'agit d'un problème central qui fait partie de ceux à l'origine même de la création du concept des villes intelligentes. Une première étude autour de ce sujet nous a permis de relever deux besoins complémentaires sur lesquels nous avons apporté nos contributions

, -Un besoin de raisonnement anticipatif prenant en compte les informations passées, présentes et futures planifiées par les agents. Nous résumons dans la section 7.1 suivante nos propositions relatives à ces besoins

, Bilan Après avoir établi un état de l'art autour des besoins cités précédemment, nous avons conclu que notre problématique relève de la non-prise en compte du temps simulé en tant que dynamique du modèle dans les SMA. Dans notre réflexion, nous avons distingué deux aspects de ce temps simulé : la représentation du temps et le raisonnement temporel

, Un support d'interaction temporel : l'environnement temporel

, Cet environnement s'appelle l'environnement temporel. Pour articuler le tout, nous avons proposé le modèle AGRET (Agent-Groupe-Rôle-Environnement-Temps). AGRET est une extension du modèle AGRE (Agent-Groupe-Role-Environnement). Il rajoute l'aspect situé dans le temps aux deux aspects situés dans l'espace et dans la dimension sociale d'AGRE. AGRE est elle-même une extension du modèle générique d'organisation AGR, Le modèle AGRET Notre première contribution concerne la représentation du temps dans les simulations multiagent

, En effet, dans la plupart des approches classiques dans les SMA, le temps simulé résulte d'une mécanique gérée par l'ordonnanceur de la simulation, Une des originalités de notre proposition, comparée à d'autres approches de gestion du temps est la représentation du temps simulé comme un milieu d'interaction

, Éviter les longues files d'attente au niveau des bornes de recharge électrique

, Répartir l'occupation des bornes de recharge électrique dans l'espace et dans le temps

, au même titre que l'environnement spatial. Cela est en accord avec notre objectif de prendre en compte le temps au même titre que l'espace. Les mécaniques environnementales au niveau de l'environnement temporel ont été implémentées sous forme de librairie Java générique. Cette librairie est indépendante du modèle et la plateforme de simulation. Ainsi, bien que la manière d'implémenter un environnement varie d'une plateforme à une autre, l'implémentation des mécaniques de l'environnement temporel peut se faire par réuti, Dans SkuadCityModel, l'environnement temporel a été implémenté sous forme d'environnement physique

, Chaque agent du système participe par son comportement à la satisfaction de ses objectifs personnels et des objectifs collectifs. Cette approche est en accord avec les principes des villes et îles intelligentes dans le sens où elle préconise une participation proactive de chaque individu aux objectifs collectifs du système. Les expérimentations que nous avons menées ont révélé une optimisation sur le long terme de la répartition de l'occupation des bornes de recharge électrique dans l'espace et dans le temps. Nous avons pu implémenté une majeure partie des approches que nous avons décrites théoriquement dans les chapitres 3 et 4. Cela démontre l'applicabilité de nos solutions, L'approche d'anticipation que nous avons mise en place est une approche distribuée. Cela veut dire qu'aucun agent ne joue le rôle d'un chef d'orchestre au niveau collectif

, Il s'agit d'une piste sur laquelle nous avons déjà commencé à travailler au cours de cette thèse

S. Dans-repast,

, Les contextes sont des conteneurs qui contiennent des composants du modèle. Ces composants peuvent être n'importe quel type d'objet Java, y compris un autre contexte, ou même des agents. L'environnement de l'agent est représenté par des contextes. Les entités peuvent adapter leur

, Ce dernier leur permet de s'orienter en fonction d'un ensemble de données. Les agents peuvent alors adapter leur comportement au contexte dans lequel ils se trouvent. Un contexte peut être organisé de manière hiérarchique, Chaque agent doit appartenir à au moins un contexte

, Elle spécifie l'environnement dans lequel sont les agents et impose une structure au contexte. La projection est aussi utilisée pour la visualisation et l'affichage de la simulation

, L'implémentation de l'environnement temporel dans Repast Simphony se résume alors en l'im

, Un contexte personnalisé L'implémentation d'un contexte personnalisé peut se faire de deux manières : -en créant une implémentation complète de l'interface Context à partir de zéro

, Une fois le contexte créé, l'assemblage des composants du modèle se fait en utilisant une méthode de l'interface ContextBuilder de Repast. Un modèle doit inclure une et une seule implémentation de ContextBuilder. Pour l'implémentation dans SmartCityModel, notre proposition consiste à utiliser le contexte qui regroupe tous les agents du système nommé AgentContext. Nous avons déjà une implémentation de ce contexte dans notre modèle actuel

, soit un réseau ou toute autre classe qui implémente une interface Projection. Dans notre cas, la mise en place de l'environnement temporel requiert un nouveau type de projection que nous appelons projection temporelle et qui implémente l'interface Projection. Cette nouvelle projection permet la structuration de l'environnement temporel. C'est donc à ce niveau que s'implémentent les mécaniques de l'environnement temporel qui se basent, Comme nous l'avons expliqué, une projection peut être soit un espace continu, soit une grille (2D ou 3D), soit du Système d'Information Géographique (SIG)

, Plusieurs autres améliorations peuvent également être proposées si l'on s'intéresse au modèle de simulation comme la mise en place d'un mécanisme d'anticipation au niveau des agents gestionnaires de bornes de recharge. Nous comptons également finaliser l'implémentation de nos pro

, Perspectives au niveau conceptuel : la piste des réseaux sociaux 7.2.2.1 Des règles de visibilité et un système d'abonnement basés sur une approche de type réseau social

, Une fois inscrit dans ce groupe, l'agent aura accès à un certain nombre d'informations relatives à l'objet ou à la localisation temporelle. De même pour les règles d'accessibilité, l'agent pourra gérer l'accès à un certain nombre de ses déjà transparaître quelques notions liées aux réseaux sociaux : avatar, participant, boîte mail, etc. Dans SKUAD, un space est un espace d'interaction social au sein duquel l'agent peut communiquer explicitement (par envoi de message) ou implicitement (par observation) avec les autres agents connectés à ce même space. Ces fonctionnalités peuvent par exemple être réutilisées dans le cadre de l'optimisation du système d'abonnement. Les agents pourraient s'abonner à des spaces particuliers afin d'être notifiés des changements au niveau de ces spaces, Comme nous l'avons mentionné à la fin du chapitre 3, dans l'approche que nous proposons, nous avons choisi de nous concentrer principalement sur l'espace physique et le temps. Néanmoins, la dimension sociale fait partie de notre proposition (dans le modèle AGRET) et nous l'utilisons sur plusieurs niveaux dans nos contributions

, Bien que le fonctionnement du processus de perception ait été expliqué à plusieurs reprises dans ce manuscrit, nous pensons qu'il serait intéressant de proposer un modèle formel de perception de l'environnement temporel. Pour compléter cela, nous pensons également à l'optimisation de l'horizon temporel de perception au niveau de l'agent et de l'horizon temporel de stockage au niveau de l'environnement temporel. Comme nous l'avons mentionné dans le chapitre 3, il est très important de choisir une valeur optimale de ces horizons en fonction des objectifs et des particularités de la simulation et des agents. Selon les besoins, il est également possible de définir des horizons temporels "ciblés" comme un horizon temporel périodique par exemple. La valeur de l'horizon temporel de stockage peut également varier en fonction du type d'application. En effet, la pertinence et l'obsolescence des informations varient en fonction des objectifs. Par exemple : une simulation de l'évolution du développement d'une ville aurait peut-être besoin de stocker des informations sur plusieurs années tandis qu'une simulation de l'occupation des routes, 2 Amélioration des horizons temporels et formalisation de la perception L'ensemble des propositions que nous avons énoncées dans cette thèse reposent sur la perception de l'environnement temporel

, D'autres améliorations peuvent également être faites comme l'optimisation de la fréquence de déclenchement du mécanisme d'anticipation ou de l'amélioration des critères de coûts

, Notre réflexion s'oriente vers les méta-environnements d'observation. Ces derniers ont pour rôle de traiter les flux d'informations générés par la simulation. À partir de cela, ils génèrent à leur tour des informations utiles qu'ils affichent à l'utilisateur par exemple, Nous avons introduit dans le cadre de cette thèse la notion d'environnement non contraint par le temps. L'environnement temporel en est un exemple

, Nous partons d'un constat selon lequel beaucoup d'études sont faites autour de la ville intelligente, mais très peu traitent des îles intelligentes. Plusieurs termes sont utilisés, dans la littérature, Une des problématiques sur lesquels nous avons travaillé en début de cette thèse, mais que nous n'avons pas pu continuer pour des raisons de temps et de priorité concerne le concept d'île intelligente

, L'un des premiers projets mentionnant le terme "île intelligente" est celui de Singapour

, Singapour voulait devenir l'un des premiers pays Bibliographie [1] The ecological sequestration trust (test, pp.2019-2031

, World urbanization prospects : The 2018 revision, 2018.

N. Aky, T. Ralitera, D. Payet, and R. Courdier, Skuadcitymodel : Une simulation de déplacements urbains construite sur la plateforme SKUAD (démonstration), JFSMA, pp.233-234, 2018.

O. Alonso, J. Strötgen, R. Baeza-yates, and M. Gertz, Temporal information retrieval : Challenges and opportunities

F. Amblard, Which ties to choose ? a survey of social networks models for agent-based social simulations, Proceedings of the 2002 SCS International Conference On Artificial Intelligence, Simulation and Planning in High Autonomy Systems, pp.253-258, 2002.
URL : https://hal.archives-ouvertes.fr/hal-02580494

F. Badeig, Un environnement actif pour la simulation multi-agents : application à la gestion de crise dans les transports, 2010.

J. Banks, Simulation -a bridge to the future, Proceedings of the 31st conference on Winter simulation, vol.1, pp.7-13, 1999.

G. Bustos-turu and K. H. Van-dam, Integrated planning of distribution networks : interactions between land use, transport and electric vehicle charging demand, 2015.

G. Bustos-turu, K. H. Van-dam, S. Acha, and N. Shah, Estimating plug-in electric vehicle demand flexibility through an agent-based simulation model, IEEE PES Innovative Smart Grid Technologies, pp.1-6, 2014.

G. Bustos-turu, K. V. Dam, S. Acha, and N. Shah, Integrated planning of distribution networks : interactions between land use, transport and electric vehicle charging demand, 23rd International Conference on Electricity Distribution, 2015.

G. Bustos-turu, K. H. Van-dam, S. Acha, C. N. Markides, and N. Shah, Simulating residential electricity and heat demand in urban areas using an agent-based modelling approach, IEEE International Energy Conference (ENERGYCON), pp.1-6, 2016.

M. V. Butz, O. Sigaud, and P. Gérard, Internal models and anticipations in adaptive learning systems, Anticipatory Behavior in Adaptive Learning Systems, Foundations, Theories, and Systems, pp.86-109, 2003.
URL : https://hal.archives-ouvertes.fr/hal-01532236

M. V. Butz, O. Sigaud, and P. Gérard, Anticipatory Behavior in Adaptive Learning Systems, Foundations, Theories, and Systems, vol.2684, 2003.

L. Calderoni, D. Maio, and P. Palmieri, Location-aware mobile services for a smart city : Design, implementation and deployment, JTAER, vol.7, issue.3, pp.74-87, 2012.

C. Callender, What makes time special ?, 2017.

T. Carron, Des Systèmes Multi-Agents temporels pour des systèmes industriels dynamiques, 2001.

C. Castelfranchi, R. Falcone, and M. Piunti, Agents with anticipatory behaviors : To be cautious in a risky environment, Including Prestigious Applications of Intelligent Systems (PAIS 2006), Proceedings, pp.693-694, 2006.

A. C. Chaouche, A. E. Fallah-seghrouchni, J. Ilié, and D. E. Saïdouni, Smart Agent Foundations : From Planning to Spatio-temporal Guidance, Enablers for Smart Cities, pp.33-63, 2016.
URL : https://hal.archives-ouvertes.fr/hal-01366800

C. W. Choo, Singapore's vision of an intelligent island, Intelligent Environments, pp.49-65, 1997.

R. Courdier, F. Guerrin, F. Andriamasinoro, and J. Paillat, Agent-based simulation of complex systems : application to collective management of animal wastes, J. Artificial Societies and Social Simulation, vol.5, issue.3, 2002.
URL : https://hal.archives-ouvertes.fr/hal-01461091

D. David, Prospective Territoriale par Simulation Orientée Agent, 2010.

P. Davidsson, A framework for preventive state anticipation, Anticipatory Behavior in Adaptive Learning Systems, Foundations, Theories, and Systems, pp.151-166, 2003.

J. Dávila and K. Tucci, Towards a logic-based, multi-agent simulation theory, International Conference on Modeling, Simulation and Neural Networks MSNN, pp.22-24, 2000.

J. Davila and K. Tucci, Towards a logic-based, multi-agent simulation theory, International Conference on Modeling, Simulation and Neural Networks MSNN, pp.22-24, 2000.

A. Doniec, R. Mandiau, S. Piechowiak, and S. Espié, Anticipation based on constraint processing in a multi-agent context, Autonomous Agents and Multi-Agent Systems, vol.17, issue.2, pp.339-361, 2008.

A. , De la simulation multi-agents à la résolution collective de problèmes, 1993.

M. Esteva, J. A. Padget, and C. Sierra, Formalizing a language for institutions and norms, Intelligent Agents VIII, 8th International Workshop, vol.2333, pp.348-366, 2001.

J. Evans, A. Karvonen, A. Luque-ayala, C. Martin, K. Mccormick et al., Smart and sustainable cities ? pipedreams, practicalities and possibilities, Local Environment, vol.24, issue.7, pp.557-564, 2019.

J. Ferber, Multi-agent systems : an introduction to distributed artificial intelligence, vol.1, 1999.

J. Ferber and O. Gutknecht, A meta-model for the analysis and design of organizations in multi-agent systems, Proceedings of the Third International Conference on Multiagent Systems, pp.128-135, 1998.

J. Ferber and J. Müller, Influences and reaction : a model of situated multiagent systems, Proceedings of Second International Conference on Multi-Agent Systems (ICMAS-96), pp.72-79, 1996.

J. Ferber, F. Michel, and J. Báez-barranco, AGRE : integrating environments with organizations. In Environments for Multi-Agent Systems, First International Workshop, pp.48-56, 2004.
URL : https://hal.archives-ouvertes.fr/lirmm-00106418

J. Ferber, T. Stratulat, and J. Tranier, Towards an integral approach of organizations in multi-agent systems, Handbook of Research on Multi-Agent Systems -Semantics and Dynamics of Organizational Models, pp.51-75, 2009.
URL : https://hal.archives-ouvertes.fr/lirmm-00364361

J. Fleischer, S. Marsland, and J. Shapiro, Sensory anticipation for autonomous selection of robot landmarks, Anticipatory Behavior in Adaptive Learning Systems, Foundations, Theories, and Systems, pp.201-221, 2003.

R. M. Fujimoto, Time management in the high level architecture, Simulation, vol.71, issue.6, pp.388-400, 1998.

H. P. Galler, Discrete-time and continuous-time approaches to dynamic microsimulation reconsidered. National Centre for Social and Economic Modelling, 1997.

B. Gâteau, Modélisation et Supervision d'Institutions Multi-Agents. (Multi-Agent based Institutions Modelling and Supervision), 2007.

M. R. Genesereth and N. J. Nilsson, Logical foundations of artificial intelligence, 1988.

D. V. Gibson, G. Kozmetsky, and R. W. Smilor, The technopolis phenomenon : Smart cities, fast systems, global networks, 1992.

R. Giffinger, European smart cities : the need for a place related understanding. Department of Spatial Development, Infrastructure and Environmental Planning of Vienna university of Technology, 2011.

A. Gioda, El hierro (canaries) : une île et le choix des transitions énergétique et écologique. [VertigO] La revue électronique en sciences de l'environnement, vol.14, 2014.

A. Giordano, G. Spezzano, and A. Vinci, Smart agents and fog computing for smart city applications, Smart Cities -First International Conference, pp.137-146, 2016.

A. Greenfield, Against the Smart City : A Pamphlet. This is Part I of" The City is Here to Use, 2013.

M. Hannoun, O. Boissier, J. S. Sichman, and C. Sayettat, Moïse : Un modèle organisationnel pour la conception de systèmes multi-agents, Ingénierie des systèmes Multi-Agents -JFIADSMA 99 -septième journées francophones d'Intelligence Artificielle et systèmes multi-agents, pp.105-118, 1999.

A. J. Heppenstall, N. Malleson, and A. Crooks, space, the final frontier" : How good are agent-based models at simulating individuals and space in cities ? Systems, vol.4, 2016.

J. H. Holmes, P. L. Lanzi, W. Stolzmann, and S. W. Wilson, Learning classifier systems : New models, successful applications, Inf. Process. Lett, vol.82, issue.1, pp.283-289, 2002.

S. Holzhauer, Developing a Social Network Analysis and Visualization Module for Repast Models, vol.4, 2010.

J. F. Hübner, J. S. Sichman, and O. Boissier, A model for the structural, functional, and deontic specification of organizations in multiagent systems, Advances in Artificial Intelligence, 16th Brazilian Symposium on Artificial Intelligence, SBIA 2002, vol.2507, pp.118-128, 2002.

J. Innes and R. Kouhy, The Activity-Based Approach, pp.243-274, 2011.

E. Ismagilova, D. L. Hughes, Y. K. Dwivedi, and K. R. Raman, Smart cities : Advances in research -an information systems perspective, Int J. Information Management, vol.47, pp.88-100, 2019.

J. L. Jiang-;-m, O. Gini, T. Shehory, C. M. Ito, and . Jonker, Opera+ : a model for context-aware organizational interactions in virtual organizations, International conference on Autonomous Agents and Multi-Agent Systems, AAMAS '13, pp.1435-1436, 2013.

R. Jordan, M. H. Birkin, and A. J. Evans, An agent-based model of residential mobility : Assessing the impacts of urban regeneration policy in the EASEL district, Computers, Environment and Urban Systems, vol.48, pp.49-63, 2014.

L. P. Kaelbling, M. L. Littman, and A. W. Moore, Reinforcement learning : A survey, J. Artif. Intell. Res, vol.4, pp.237-285, 1996.

O. Klein, Modélisation et représentations spatio-temporelles des déplacements quotidiens urbains : Application à l'aire urbaine Belfort-Montbéliard, vol.1, 2007.

J. Lee and H. Lee, Developing and validating a citizen-centric typology for smart city services, S93-S105, vol.31, 2014.

S. Liao, X. Chen, Y. Qian, and L. Shen, Comparative Analysis of the Indicator System for Guiding Smart City Development, pp.575-594, 2017.

M. Longo, M. Roscia, and G. C. Lazaroiu, Innovating multi-agent systems applied to smart city, 2014.

S. Luke, C. Cioffi-revilla, L. Panait, and K. Sullivan, Mason : A new multi-agent simulation toolkit, Proceedings of the 2004 swarmfest workshop, vol.8, pp.316-327, 2004.

R. Maia, M. Silva, U. Araújo, and . Nunes, Electric vehicle simulator for energy consumption studies in electric mobility systems, IEEE Forum on Integrated and Sustainable Transportation Systems, pp.227-232, 2011.

P. Mathieu, J. Routier, and Y. Secq, RIO : roles, interactions and organizations, Multi-Agent Systems and Applications III, 3rd International Central and Eastern European Conference on Multi-Agent Systems, vol.2691, pp.147-157, 2003.
URL : https://hal.archives-ouvertes.fr/hal-00731975

F. Michel, Formalisme, outils et éléments méthodologiques pour la modélisation et la simulation multi-agents. (Formalism, tools and methodological elements for the modeling and simulation of multi-agents systems), 2004.

N. Minar, R. Burkhart, C. Langton, and M. Askenazi, The swarm simulation system : A toolkit for building multi-agent simulations, 1996.

Q. T. Nguyen, Plate-forme de simulation pour l'aide à la décision : application à la régulation des systèmes de transport urbain. (Simulation platform for decision support : application to the regulation of urban transportation systems), 2015.

J. Nigon, N. Verstaevel, J. Boes, F. Migeon, and M. Gleizes, Smart is a matter of context, Modeling and Using Context -10th International and Interdisciplinary Conference, vol.10257, pp.189-202, 2017.
URL : https://hal.archives-ouvertes.fr/hal-01740025

. Springer, , 2017.

M. J. North, T. R. Howe, N. T. Collier, and J. Vos, The repast simphony runtime system, Agent 2005 Conference on Generative Social Processes, Models, and Mechanisms, 2005.

M. J. North, N. T. Collier, J. Ozik, E. R. Tatara, C. M. Macal et al., Complex adaptive systems modeling with repast simphony, CASM, vol.1, issue.3, 2013.

J. Odell, H. V. Parunak, and M. Fleischer, The role of roles in designing effective agent organizations, Software Engineering for Large-Scale Multi-Agent Systems, Research Issues and Practical Applications, pp.27-38, 2002.

J. Odell, H. V. Parunak, M. Fleischer, and S. Brueckner, Modeling agents and their environment, Agent-Oriented Software Engineering III, Third International Workshop, pp.16-31, 2002.

H. V. Parunak, go to the ant" : Engineering principles from natural multi-agent systems, Annals OR, vol.75, pp.69-101, 1997.

D. Payet, R. Courdier, T. Ralambondrainy, and N. Sébastien, Le modèle à temporalité : pour un équilibre entre adéquation et optimisation du temps dans les simulations agent, Systemes Multi-Agents, Articulation entre l'individuel et le collectif -JFSMA 2006 -Quatorzieme journees francophones sur les systemes multi-agents, pp.63-76, 2006.

G. Pezzulo, M. V. Butz, O. Sigaud, and G. Baldassarre, From sensorimotor to higher-level cognitive processes : An introduction to anticipatory behavior systems, Anticipatory Behavior in Adaptive Learning Systems, From Psychological Theories to Artificial Cognitive Systems [4th Workshop on Anticipatory Behavior in Adaptive Learning Systems, pp.1-9, 2008.

M. Piunti, C. Castelfranchi, and R. Falcone, Surprise as shortcut for anticipation : Clustering mental states in reasoning, IJCAI 2007, Proceedings of the 20th International Joint Conference on Artificial Intelligence, pp.507-512, 2007.

T. Ralambondrainy, Observation de simulations multi-agents à grande échelle, 2009.

T. Ralitera and R. Courdier, Toward smart island simulation application -A case study of reunion island, Highlights of Practical Applications of Cyber-Physical Multi-Agent Systems -International Workshops of PAAMS 2017, pp.457-469, 2017.
URL : https://hal.archives-ouvertes.fr/hal-01510846

T. Ralitera, M. Ferard, G. Bustos-turu, K. H. Van-dam, and R. Courdier, Steps towards simulating smart cities and smart islands with a shared generic framework -A case study of london and reunion island, SMARTGREENS 2017 -Proceedings of the 6th International Conference on Smart Cities and Green ICT Systems, pp.329-336, 2017.
URL : https://hal.archives-ouvertes.fr/hal-01510840

T. Ralitera, N. Aky, D. Payet, and R. Courdier, Steps towards a balance between adequacy and time optimization in agent-based simulations -A practical application of the temporality model time scheduling approach, Proceedings of 8th International Conference on Simulation and Modeling Methodologies, Technologies and Applications, pp.160-166, 2018.
URL : https://hal.archives-ouvertes.fr/hal-01911986

T. Ralitera, N. Aky, D. Payet, and R. Courdier, Steps towards scalable agent-based simulation model : Impact of the time scheduling approach, 3rd International Workshop on Agent-Based Modelling of Urban Systems Systems (ABMUS2018), 2018.
URL : https://hal.archives-ouvertes.fr/hal-01911987

T. Ralitera, D. Payet, N. Aky, and R. Courdier, The temporality model time scheduling approach : A practical application, Multi-Agent-Based Simulation XIX -19th International Workshop, pp.115-125, 2018.
URL : https://hal.archives-ouvertes.fr/hal-01911986

T. Ralitera, D. Payet, and R. Courdier, Toward a temporal environment for multi-agent simulation, J. Commun, vol.14, issue.7, pp.607-613, 2019.

Q. Reynaud, Une architecture hybride et flexible pour agents virtuels en environnement urbain : problématiques de la composition de comportements et de l'anticipation. (A hybrid and flexible agent architecture for urban simulations : behavior composition and anticipation issues), 2014.

J. Rochoux, Les technologies de l'information et de la communication dans l'océan indien, 2013.

C. Rolland-may, Evaluation des territoires : concepts, modèle, méthodes. Hermès science publications, 2000.

M. Roscia, M. Longo, and G. C. Lazaroiu, Smart city by multi-agent systems, 2013 International Conference on Renewable Energy Research and Applications (ICRERA), pp.371-376, 2013.

S. Russell and P. Norvig, Intelligence artificielle : Avec plus de 500 exercices, 2010.

T. Saunders and P. Baeck, Rethinking smart cities from the ground up, 2015.

G. Schlesinger, The similarities between space and time, vol.84, pp.161-176, 1975.

R. S. Sutton and A. G. Barto, Reinforcement learning -an introduction. Adaptive computation and machine learning, 1998.

T. Sweda and D. Klabjan, An agent-based decision support system for electric vehicle charging infrastructure deployment, 2011 IEEE Vehicle Power and Propulsion Conference, pp.1-5, 2011.

M. Tambe, Implementing agent teams in dynamic multiagent environments, Appl. Artif. Intell, vol.12, issue.2-3, pp.189-210, 1998.

T. Támos, Anticipatory systems : Robert rosen, Automatica, vol.23, issue.1, pp.128-129, 1987.

M. Van-steen and B. Leiba, Smart cities, IEEE Internet Computing, vol.23, issue.1, pp.7-8, 2019.

I. Velontrasina, , 2019.

R. Vuaridel, Le rôle du temps et de l'espace dans le comportement économique. Revue économique, vol.10, pp.809-837, 1959.

G. Weiss, Multiagent systems : a modern approach to distributed artificial intelligence, 1999.

D. Weyns, A. Omicini, and J. Odell, Environment as a first class abstraction in multiagent systems, Autonomous Agents and Multi-Agent Systems, vol.14, issue.1, pp.5-30, 2007.

C. Yin, Z. Xiong, H. Chen, J. Wang, D. Cooper et al., A literature survey on smart cities, Science China Information Sciences, vol.58, issue.10, pp.1-18, 2015.
URL : https://hal.archives-ouvertes.fr/hal-01267110

C. Yin, Z. Xiong, H. Chen, J. Wang, D. Cooper et al., A literature survey on smart cities, SCIENCE CHINA Information Sciences, vol.58, issue.10, pp.1-18, 2015.
URL : https://hal.archives-ouvertes.fr/hal-01267110

M. Zargayouna, Une représentation spatio-temporelle de l'environnement pour le transport a la demande, Plate-forme AFIA, 2005.

B. P. Zeigler, Theory of Modeling and Simulation, 1976.

H. Zheng, Y. Son, Y. Chiu, L. Head, Y. Feng et al., A primer for agent-based simulation and modeling in transportation applications, 2013.