Abstract FR:

La complexité croissante des systèmes temps réel suscite un intérêt accru pour les techniques d'intelligence artificielle. En contrepartie, les problèmes ajoutés par les contraintes temps réel sur les systèmes ia sont nombreux. Le problème, qui actuellement est assurément l'un des plus bloquants est celui des performances. Disposer de moteurs d'inférence efficaces est devenu une véritable nécessité. Dans cette thèse, nous proposons un nouvel algorithme de compilation de bases de connaissances dérivé de treat. Ce nouvel algorithme élimine les traitements redondants et incorrects de treat et se prête naturellement à une parallélisation fine de la phase de filtrage: il ne nécessite en effet aucun traitement spécifique (synchronisation, contrôle d'accès à des données partagées, etc. ) lors du calcul des jointures. Par ailleurs, nous proposons une nouvelle organisation des alpha-mémoires qui permet à la fois une gestion plus efficace de la phase de filtrage élémentaire et une économie en place mémoire. Enfin, nous donnons les résultats de deux implémentations de cet algorithme, l'une séquentielle, l'autre réalisée sur une architecture parallèle distribuée à base de transputers. Ces résultats sont donnés d'une part pour des benchmarks classiques tels que le singe & bananes de la NASA et d'autre part pour un planificateur opérationnel temps réel. Organisation des alpha-mémoires qui permet à la fois une gestion plus efficace de la phase de filtrage élémentaire et une économie en place mémoire. Enfin, nous donnons les résultats de deux implémentations de cet algorithme, l'une séquentielle, l'autre réalisée sur une architecture parallèle distribuée à base de transputers. Ces résultats sont donnés d'une part pour des benchmarks classiques tels que le singe et bananes de la NASA et d'autre part pour un planificateur opérationnel temps réel.