Projet GPL Simulation du rle de la communication

Projet GPL : Simulation du rôle de la communication dans l’établissement d’un réseau de liens sociaux

Plan I. Problématique II. Modélisation III. Test IV. Simulation V. Conclusions VI. Perspectives

Problématique A-t-on intérêt à communiquer ? Ø Ø Communiquer coûte Communiquer rapporte Quel est l’équilibre ?

I. Problèmatique But du logiciel : Etudier l’établissement d’un réseau de liens sociaux pour des agents artificiels égoïstes. L’idée sous-jacente est de démontrer que la communication est rentable (dans certain cas) malgré le coût qu’elle représente pour le locuteur. Problème complexe, non résolu par les scientifiques Nombreuses applications : entreprises, individus, …

II Modélisation Affichage Sauvegarde Population Fonction : écologie Groupe Fonction : sociale Individu Fonction : génétique Remarque importante : Les liens sont dissymétriques (chefs/serviteurs)

II Modélisation Chaque agent : ses attributs Ø une qualité intrinsèque Ø une propension à communiquer (sous forme de gène) Ø la qualité visible Ø les points de vie

II Modélisation Phase 1 : Communication & alliances Ø tirage au sort de deux individus dans le groupe Ø celui qui a la qualité visible la plus forte propose de devenir le chef de l’autre puis les 2 agents donnent leur accord. Ø nombres de chef et de serviteur bornés

II Modélisation Phase 2 : Compétition Ø classement selon la qualité intrinsèque du chef et de ses serviteurs Ø redistribution

II Modélisation Phase 3 : reproduction par génération Ø morts et naissances pour garder la population constante Ø algorithme génétique assure l’optimisation

II Modélisation Implémentation en Python : ØLangage orienté objet encapsulation et possibilité de faire évoluer facilement la modélisation ØPortable: sur Unix, Microsoft Windows ou Mac. OS ØExtensible: nombreuses interfaces graphiques ØExpressif: implémentation très intuitive « List comprehension » adult_qualities = [x. quality() for x in population if x. age >= 18]

III Test : algorithme génétique L‘algorithme génétique : Gènome père : Gènome mère : Génome fils : « Crossovers »

III Test : algorithme génétique Les « crossovers »

III Test : algorithme génétique L’optimisation

III Test : algorithme génétique Influence de la mutation : « code barre »

III Test : algorithme génétique Ø Implémentation : Ø Complexité : O(taille de la population 2 x nombre de tour x nombre de rencontre) Ø Temps de calcul : 1 min 10 pour (population=60, tour=400, rencontre=1)

IV Simulation Choix de paramètres pour jouer sur : Øla population Øl’écologie Øles alliances Øla simulation

IV Simulation Affichage graphique des résultats : Øévolution de la moyenne des gènes de communication sur la durée de la simulation Ødes alliances au dernier tour de la simulation Ødes gènes de chaque individu de la dernière génération

IV Simulation

IV Simulation Démonstration avec : Ømaxima de 2 chefs et 15 serviteurs par individu Øcoût de communication important Ømoyenne de 15 rencontres par individu et par tour. ici

IV Simulation

V. Conclusions Affichage Sauvegarde [Mehedi Nouri] Population Fonction : écologie [Sophie Auchapt] Groupe Fonction : sociale [Marie Clermontelle] Individu Fonction : génétique [Charles Letaillieur]

V Conclusions Ø Outils de résolution d’un problème complexe ØAffichage des résultats agréables Tous les outils sont en œuvre pour répondre au besoin des scientifiques dans ce domaine.

VI Perspectives Ø Rendre l’affichage dynamique Ø Réduire le temps d’exécution Ø Sauvegarde des résultats Ø Complexifier la modélisation Ø Le rendre utilisable en ligne

Merci de votre attention Avez-vous des questions ?