Approches évolutionnaires pour le comportement adaptatif d'entités autonomes
Institution:
Toulouse 3Disciplines:
Directors:
Abstract EN:
The behavioral simulation of virtual entities in dynamic and unknown environments becomes a complex problem. Deliberative agents cannot handle unforeseen situations. Reactive agents interact with the environment in real time, but they do not easily adapt their behaviors to dynamic environments. The research of this thesis focuses on mechanisms inspired from Artificial Life, offering characteristics of reactivity, adaptation and evolution. We propose an architecture mixing different mechanisms in order to increase the reasoning capacity of virtual entities. This behavioral architecture consists of two models. The first one allows the autonomous entities to act quickly on the environment. This model is based on the potential fields' method which has already proved its efficiency in navigation problems for autonomous entities. However, this solution is expensive because the designer has to define manually the potential fields' parameters for each environment. To solve this problem, we have developed an additional model allowing the autonomous entities to obtain adaptive behaviors in dynamic environments. The second model is an extension of the classifier system XCS, whose role is to evolve discrete actions corresponding to the potential fields' parameters. We have validated our behavioral architecture in a predator-prey problem. The performance of our architecture entirely depends on classifier systems. The possible actions remain discrete and predefined. . .
Abstract FR:
La simulation comportementale des entités virtuelles devient un problème très complexe lorsque ces entités sont plongées dans des environnements virtuels dynamiques et inconnus. Les agents procéduraux ne peuvent répondre à des situations imprévues. Les agents réactifs agissent en temps réel mais ils s'adaptent difficilement à des environnements dynamiques. Les travaux de recherche de cette thèse se concentrent sur une étude des mécanismes issus de la vie artificielle offrant des caractéristiques de réactivité, d'adaptation et d'évolution. Nous étudions une architecture couplant différents mécanismes afin d'augmenter les capacités de raisonnement des entités virtuelles. Nous avons défini une architecture comportementale pour des entités autonomes. Cette architecture se compose de deux modèles dont le premier leur permet d'agir de façon réactive en réponse à leur perception. Ce modèle est basé sur l'approche des champs de potentiels qui a déjà montré son efficacité à résoudre des problèmes de navigation d'entités autonomes. Cependant, cette solution est très coûteuse. Le programmeur doit en effet définir les paramètres des champs de potentiel de façon manuelle pour chaque environnement. Pour pallier ce problème, nous avons défini un modèle supplémentaire permettant aux entités autonomes d'obtenir des comportements adaptatifs dans les environnements dynamiques. Notre nouvelle approche se base sur les systèmes de classeurs du type XCS de Wilson dont le rôle est d'apprendre et d'évaluer des actions discrètes correspondant aux paramètres mentionnés. Nous avons validé notre architecture comportementale à travers une simulation d'un problème proie-prédateur. La performance du système comportemental dépend alors entièrement des systèmes de classeurs. Les actions possibles restent toujours discrètes et prédéfinies. Or, l'augmentation des actions possibles implique l'augmentation des ressources nécessaires pour le stockage des classeurs et du temps de convergence du système. . .