Abstract FR:

La problématique générale qui oriente notre travail concerne l'aptitude de groupes d'agents artificiels à offrir une observation sur leur comportement individuel et collectif. Cette recherche se situe au carrefour de l'intelligence artificielle distribuée et de la problématique de l'observation dans les systèmes répartis. Le propre d'une exécution effectuée dans un système multi-agents (SMA) est l'intervention de plusieurs agents autonomes et coopératifs qui participent selon leurs compétences à une activité collective finalisée. Au sein des systèmes multi-agents, la communication est souvent l'un des moyens utilisés pour échanger des informations entre agents (e. G. Plans, résultats partiels, buts, etc. . . ). La capacité de communiquer et par conséquent, de coopérer des agents s'appuie sur un fond commun d'aptitudes aussi complexes que la perception, l'apprentissage, la planification et le raisonnement. On retrouve ainsi dans la résolution de problèmes des situations d'interaction et des stratégies coopératives non déterministes, difficiles à interpréter et parfois non complètement reproductibles. Nos préoccupations rejoignent celles soulevées dans le cadre des systèmes répartis pour lesquels l'analyse et la vérification des applications réparties est un problème largement étudié. Notre approche vise à pouvoir analyser les interactions au cours de leur exécution au sein d'un SMA aussi bien pour observer et comprendre les stratégies coopératives adoptées par les agents que pour tester et valider des protocoles d'interaction. Alors que les évènements d'un calcul séquentiel sont linéairement ordonnés, la représentation la plus fine que l'on peut faire d'une exécution répartie est un ordre partiel. Ces évènements sont structurés en un graphe causal à l'aide de techniques d'algorithmique répartie. Pour comprendre et analyser finement les interactions, nous modélisons des patterns d' interaction par des réseaux de Petri colorés et utilisons le graphe causal généré pour en extraire des instances d'interactions. Pour réaliser la reconnaissance, nous proposons un algorithme basé sur la corrélation causale des évènements qui tire parti de la sémantique du dépliage des réseaux de Petri. Une fois les interactions identifiées, leur analyse permet d'expliquer le comportement du système tandis que leur évaluation fournit aux agents des critères qualitatifs pour améliorer leurs interactions futures. C'est une approche originale à notre connaissance, par le traitement des aspects dynamiques des interactions, sans avoir à manipuler le temps physique et global. Nous proposons également une utilisation des réseaux de Petri pour modéliser des protocoles d'interaction et de leur sémantique d'ordre partiel pour analyser leur exécution.