Your SlideShare is downloading. ×
Genetic Algorithm for Multi-Agent simulation Calibration (GAMAC)
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×

Saving this for later?

Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime - even offline.

Text the download link to your phone

Standard text messaging rates apply

Genetic Algorithm for Multi-Agent simulation Calibration (GAMAC)

223
views

Published on

My master thesis presentation 2012: …

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
223
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
28
Comments
1
Likes
1
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
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
  • Transcript

    • 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. 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. Plan 3 Problématique et objectifs Expérimentations Etat de l’art Conclusion et perspectives Contexte général Calibrage à base d’algorithmes génétiques
    • 4. Etat de l’art 4 1. Calibrage à la « main » [Antunes et al.,2006]
    • 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 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. 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 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. 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 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 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 Espace de solutions possible Evaluation du critère étudié A B C A B C A B C GAMAC : illustration
    • 13. 13 Sélection : Roulette russe Croisement Mutation Remplacement : élitisme Codage : binaire GAMAC GAMAC : fonctionnement (1)
    • 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 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 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 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
    • 19. 19 Validés ConnusComportements émergents Phénomènes naturelles Documentés Purement réactifs Critères de sélection des modèles Expérimentations 2. Choix des simulations multi-agents
    • 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 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 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 Simulation multi-agent Équations différentielles de Lotka et Volterra Expérimentations 4.1 Présentation de Proie/Prédateur
    • 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. 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. Conclusion et perspectives 26 Auto-ajustement de la simulation Analyse des fichiers traces Modèles plus complexes Variantes de méta-heuristique Approche multi-objectifs
    • 27. LOGO