Abstract FR:

Contrairement a la demarche imperative des systemes classiques de conception assistee par ordinateur, la modelisation declarative est une approche qui permet au concepteur de decrire une scene en termes de proprietes. Cette declaration de haut niveau est analysee par le modeleur qui se charge de calculer les solutions correspondantes. Deux problemes majeurs resultent du grand nombre de solutions qui peuvent etre generees : la phase de generation est tres couteuse en temps de calcul et la visualisation d'un trop grand nombre de solutions est irrealiste. Nous proposons de mettre en correlation ces problemes et les taches que peuvent accomplir les techniques d'apprentissage du domaine de l'intelligence artificielle. Nous passons en revue les grands paradigmes de l'apprentissage et des problemes de satisfaction de contraintes dont certaines techniques font aussi acte d'apprentissage. Nous identifions ainsi les methodes susceptibles de nous aider a resoudre les deux problemes ci-dessus. Nous presentons une technique d'apprentissage pour la phase de generation d'un modeleur declaratif. Cette technique s'attache a produire des connaissances sur les espaces de recherche des problemes traites. L'experience acquise est non volatile et peut etre reutilisee pour des problemes futurs. Elle permet une reduction sensible des temps de calcul apportant ainsi une reponse au premier probleme. Pour resoudre le second, nous presentons une methode de classification automatique des formes solutions qui regroupe en classes les solutions ayant des traits communs. Basee sur un modele de formation de concepts, cette technique a conduit au developpement de trois outils qui permettent de facon differente la prise de connaissance des solutions generees - meme si elles sont en tres grand nombre - a travers leurs classes representatives. Toutes nos methodes et outils sont evalues a l'aide de batiman, le modeleur declaratif que nous avons implemente.