LOGO
22 Février 2012
Institut Supérieur
de Gestion de Tunis
Présenté par : Ghanem Soltana
Encadré par : Pr. Khaled Ghédira...
Contexte général
2
Observation et collecte des données
Construction des hypothèses
Création d’un modèle
Simulation du modè...
Plan
3
Problématique et objectifs
Expérimentations
Etat de l’art
Conclusion et perspectives
Contexte général
Calibrage à b...
Etat de l’art
4
1. Calibrage à la « main »
[Antunes et al.,2006]
5
Etat de l’art
1.2. Calibrage par parcours de l’espace des paramètres
Parameters Variation dans
AnyLogic [AnyLogic Tec. ,...
6
Etat de l’art
1.3. Calibrage en boîte blanche
[Fehler et al.,2004, Fehler et al.,2006]
1.2. Calibrage par parcours de l’...
Etat de l’art
7
[Klein et al.,2005 ,Klein et al.,2006]
1.4. Calibrage par méta-modèles
1.3. Calibrage en boîte blanche
1.2...
8
Etat de l’art
Calibrag
e à la
«main»
Calibrage par
parcours de
l’espace des
paramètres
Calibrage
en boîte
blanche
Calibr...
Problématique et objectifs
9
Devant le coût élevé de l’exploration de l’espace des
paramètres et le manque d’outils dédiés...
10
Problématique et objectifs
Expérimenter l’approche sur des simulations multi-agents
Proposer une nouvelle approche spéc...
11
Toutes les simulations
sont partiellement valide
Nombre de configurations
possibles infini
Améliorer la qualité
des rés...
12
Espace de solutions possible
Evaluation
du critère
étudié
A B C A B C A B C
GAMAC : illustration
13
Sélection :
Roulette russe
Croisement
Mutation
Remplacement :
élitisme
Codage : binaire
GAMAC
GAMAC : fonctionnement (1)
14
GAMAC
Politique d'évaluation de
la fonction objectif
Critères de validités Paramètres à calibrer
Paramètres de
l’algori...
15
GAMAC : fonctionnement (3)
Politique d'évaluation de la fonction objectif
Gamac
Simulation multi-agents
Instanciation
a...
16
GAMACMABS
Ajustements
Fitness
Politique d'évaluation de la
fonction objectif
Gestion de la
stochasticité
Critères de va...
17
Grande
communauté
d’utilisateurs
Bibliothèque de
simulations MA
possibilité
d’intégrer des
« plugins »
Open source
Mult...
18
19
Validés
ConnusComportements
émergents
Phénomènes
naturelles
Documentés Purement réactifs
Critères de
sélection
des
modè...
20
Alignement
SéparationCohésion
Perception
Taille du rassemblement
Nombre de nuées
« Boids »
Source : Flocks ,herds and s...
21
Paramètre
Valeur
trouvé
vision 5,79
minimum-separation 0,56
max-align-turn 16,32
max-cohere-turn 12,92
max-separation-t...
22
Paramètre
Valeur
trouvé
vision 3,12
minimum-separation 0,76
max-align-turn 5,66
max-cohere-turn 3,42
max-separation-tur...
23
Simulation multi-agent
Équations différentielles
de Lotka et Volterra
Expérimentations
4.1 Présentation de Proie/Prédat...
24
Paramètre
Valeur
trouvé
sheep-gain-from-food 16,23
wolf-gain-from-food 3,17
sheep-reproduce 42,32
wolf-reproduce 5,86
P...
Conclusion et perspectives
25
Bonne qualité
des résultats
Utilisation simple
Sensible au paramétrage
de l’algorithme génét...
Conclusion et perspectives
26
Auto-ajustement de la simulation
Analyse des fichiers traces
Modèles plus complexes
Variante...
LOGO
Upcoming SlideShare
Loading in...5
×

Genetic Algorithm for Multi-Agent simulation Calibration (GAMAC)

328

Published on

My master thesis presentation 2012:
The agent-based approach focuses on the modeling and the simulation of complex systems.
A crucial phase of the development process of multi-agent simulation is probably the validation, which is the process of determining the degree to which a model or simulation is an accurate representation of the real-world.
One main issue of the validation phase is the calibration, which is an instantiation phase of the local and global parameters of the simulation. The complexity of calibration is due to the risk of the combinatory explosion, the nonlinear relationship between the parameters, and sometimes the lack of information about the simulated system. Nevertheless, it is an important step given that the global dynamics of the simulated model is governed by parameters to be calibrated.
The approach we suggest is to consider the calibration problem as an optimization problem. We apply directly an optimization algorithm, the genetic algorithm, the model is seen as a black box whose inputs are the values ​​of the parameters to be calibrated and the output is the value of an objective function evaluated after the run of the simulation. The output value represents the degree of plausibility, a measure of the simulation’s validity (accuracy, completeness, quantification of an emerging phenomenon ...) or a measure of distance between the simulation’s results and those obtained by observing the real system.

Published in: Technology
1 Comment
1 Like
Statistics
Notes
  • thank you , this was very helpfull ;)
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
No Downloads
Views
Total Views
328
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
34
Comments
1
Likes
1
Embeds 0
No embeds

No notes for slide
  • maturité + spécificité
  • 1) Face validation.
    Turing test.
    Internal validity.
    4) Tracing.
    Black-box testing.
    Quantitative Methods
    Docking.
    Historical data validation.
    Sensitivity analysis/parameter variability.
    4) Predictive validation.
  • Effort / abstraction / facteur en jeux …
  • Effort / abstraction / facteur en jeux …
  • Effort / abstraction / facteur en jeux …
  • Most
  • Most
  • Je garde
  • Genetic Algorithm for Multi-Agent simulation Calibration (GAMAC)

    1. 1. LOGO 22 Février 2012 Institut Supérieur de Gestion de Tunis Présenté par : Ghanem Soltana Encadré par : Pr. Khaled Ghédira Dr. Lamjed Ben Said Stratégies d'Optimisation et Informatique intelligentE
    2. 2. Contexte général 2 Observation et collecte des données Construction des hypothèses Création d’un modèle Simulation du modèle Calibrage de la simulation Analyse des résultats Validation du modèle Construction du modèle Validation Source : La calibration de modèles à base d'agents pour la simulation de systèmes complexes; Benoît Calvez; Thèse de Doctorat, Université d’Évry Val d’Essonne; 2007
    3. 3. Plan 3 Problématique et objectifs Expérimentations Etat de l’art Conclusion et perspectives Contexte général Calibrage à base d’algorithmes génétiques
    4. 4. Etat de l’art 4 1. Calibrage à la « main » [Antunes et al.,2006]
    5. 5. 5 Etat de l’art 1.2. Calibrage par parcours de l’espace des paramètres Parameters Variation dans AnyLogic [AnyLogic Tec. ,2007] Behavior Space de Netlogo [Wilensky,1999] 1.1. Calibrage à la « main »
    6. 6. 6 Etat de l’art 1.3. Calibrage en boîte blanche [Fehler et al.,2004, Fehler et al.,2006] 1.2. Calibrage par parcours de l’espace des paramètres 1.1. Calibrage à la « main » Objectif 1 Objectif 1.1.1 Objectif 1.1 Objectif 1.2 Objectif 1.1.3Objectif 1.1.2 Objectif 1.1.3.1 Objectif 1.1.3.2
    7. 7. Etat de l’art 7 [Klein et al.,2005 ,Klein et al.,2006] 1.4. Calibrage par méta-modèles 1.3. Calibrage en boîte blanche 1.2. Calibrage par parcours de l’espace des paramètres 1.1. Calibrage à la « main »
    8. 8. 8 Etat de l’art Calibrag e à la «main» Calibrage par parcours de l’espace des paramètres Calibrage en boîte blanche Calibrage par méta- modèles Utilisation Simple Simple Complexe Complexe Coût Long Coûteux Dépend de la méthode utilisée Coûteux Systématique Non Oui Non Calibrer le méta-modèle Qualité des résultats Médiocre Aléatoire Dépend de la méthode utilisée Aléatoire 2. Synthèse
    9. 9. Problématique et objectifs 9 Devant le coût élevé de l’exploration de l’espace des paramètres et le manque d’outils dédiés, le calibrage des simulations multi-agents est effectué en utilisant des approches manquant de fondements théoriques menant ainsi au rejet du modèle lors du processus de validation.
    10. 10. 10 Problématique et objectifs Expérimenter l’approche sur des simulations multi-agents Proposer une nouvelle approche spécifique au calibrage des modèles à base d’agents Développer un outil générique de calibrage des MABS
    11. 11. 11 Toutes les simulations sont partiellement valide Nombre de configurations possibles infini Améliorer la qualité des résultats Une approche métaheuristique pour le calibrage des simulations multi-agents GAMAC : introduction
    12. 12. 12 Espace de solutions possible Evaluation du critère étudié A B C A B C A B C GAMAC : illustration
    13. 13. 13 Sélection : Roulette russe Croisement Mutation Remplacement : élitisme Codage : binaire GAMAC GAMAC : fonctionnement (1)
    14. 14. 14 GAMAC Politique d'évaluation de la fonction objectif Critères de validités Paramètres à calibrer Paramètres de l’algorithme génétique GAMAC : fonctionnement (2)
    15. 15. 15 GAMAC : fonctionnement (3) Politique d'évaluation de la fonction objectif Gamac Simulation multi-agents Instanciation aléatoire Instant ti Roll back Instant ti+ intervalle Evaluation de la fonction fitness FitnessNouvelle configuration Meilleur configuration
    16. 16. 16 GAMACMABS Ajustements Fitness Politique d'évaluation de la fonction objectif Gestion de la stochasticité Critères de validités Paramètres à calibrer Paramètres de l’algorithme génétique Meilleure configuration GAMAC : fonctionnement (4)
    17. 17. 17 Grande communauté d’utilisateurs Bibliothèque de simulations MA possibilité d’intégrer des « plugins » Open source Multiplateformes Interfaçable avec JAVA Critères de Sélection de NetLogo Expérimentations 1. Choix de la plateforme
    18. 18. 18
    19. 19. 19 Validés ConnusComportements émergents Phénomènes naturelles Documentés Purement réactifs Critères de sélection des modèles Expérimentations 2. Choix des simulations multi-agents
    20. 20. 20 Alignement SéparationCohésion Perception Taille du rassemblement Nombre de nuées « Boids » Source : Flocks ,herds and schools : A distributed behavioral model ; Reynolds,C.W ;Proceedings of the 14th annual conference on Computer graphics And interactive techniques;1987 Expérimentations 3.1. Présentation de « Boids »
    21. 21. 21 Paramètre Valeur trouvé vision 5,79 minimum-separation 0,56 max-align-turn 16,32 max-cohere-turn 12,92 max-separation-turn 6,11 Taille du rassemblement Pas de temps : 300 Paramètre Valeur Taille de la population 30 Nombre maximale de génération 30 Probabilité de croisement 0.7 Probabilité de mutation 0.05 Expérimentations 3.2. Calibrage de « Boids »
    22. 22. 22 Paramètre Valeur trouvé vision 3,12 minimum-separation 0,76 max-align-turn 5,66 max-cohere-turn 3,42 max-separation-turn 1,5 Nombre de nuées Pas de temps : 300 Expérimentations 3.2. Calibrage de « Boids »
    23. 23. 23 Simulation multi-agent Équations différentielles de Lotka et Volterra Expérimentations 4.1 Présentation de Proie/Prédateur
    24. 24. 24 Paramètre Valeur trouvé sheep-gain-from-food 16,23 wolf-gain-from-food 3,17 sheep-reproduce 42,32 wolf-reproduce 5,86 Pérennité des espèces Pas de temps : 1530 Evolution des proies et des prédateurs dans le cas de l’équilibre parfait Source : Understanding non linear dynamics ; D. Kaplan et L. Glass. Editions Springer-Verlag, Paris. 1995 Expérimentations 4.1 Calibrage de Proie/Prédateur
    25. 25. Conclusion et perspectives 25 Bonne qualité des résultats Utilisation simple Sensible au paramétrage de l’algorithme génétique Un seul critère étudié à la fois Outil disponible Systématique Adaptation des algorithmes génétiques pour le calibrage des MABS Développement d’un outil générique de calibrage des MABS Expérimentations de GAMAC sur deux simulations multi-agents
    26. 26. Conclusion et perspectives 26 Auto-ajustement de la simulation Analyse des fichiers traces Modèles plus complexes Variantes de méta-heuristique Approche multi-objectifs
    27. 27. LOGO
    1. A particular slide catching your eye?

      Clipping is a handy way to collect important slides you want to go back to later.

    ×