Informations
Directeur de thèse :
Université :
Université Constantine 2
Soutenance
Date de soutenance :
11 Mars 2017
Membres de Jury :
Allaoua Chaoui
Ramdane Maamri
Mohamed Khireddine Kholladi
Lakhdar Derdouri
Manuscrit
Téléchargement :
Détails
Titre :
Carte cognitive floue avec apprentissage hybride pour la modélisation et la conception des systèmes adaptatifs complexes

Résumé :

Les automates cellulaires (AC) et les systèmes multi-agents (SMAs) sont les seules approches utilisées par la communauté pour la modélisation des systèmes adaptatifs complexes SACs (Complex Adaptive Systems CAS). Les SMAs sont critiqués à cause de leurs complexités où l’agent est considéré, a lui seul, comme un SAC ; par contre les ACs possèdent les propriétés définies pour les SACs, à savoir,des règles de comportements qui sont simples, mais sont aussi critiqués car ces dernières règles (tourner à gauche, à droite, haut et bas) ne peuvent répondre aux besoins exprimés par le  comportement de la majorité des SACs.

Récemment, certains travaux ont utilisé le formalisme des cartes cognitives floues FCMs (Fuzzy Cognitive Maps), formalisme tiré des neurosciences, pour la modélisation des systèmes complexes, dont les SACs sont un cas particulier, et ont donné des résultats encourageants. 

Dans cette thèse nous présentons une approche de modélisation des SACs axée sur le paradigme FCM augmenté par le concept d’apprentissage par renforcement inspiré de l’algorithme Q-Learning, pour mémoriser l’historique. L’évolution du système pour s’adapter aux nouvelles conditions environnementales est basée sur la dynamique des relations causales conformément à la loi de Hebb développée pour les réseaux de neurones et qui peuvent être modifiées durant le processus de simulation. 


Mots clés :
Système adaptatif complexe Carte cognitive floue Apprentissage par renforcement Algorithme Q-Learning Processus de décision séquentiel Adaptation comportementale.


Abstract:

Cellular automata and multi-agent systems (MAS) are the only approaches used by the community for the modeling of complex adaptive systems (CAS). SMAs are criticized because of their complexities where the agent is considered, by itself, as a SAC; On the other hand, the ACs have the properties defined for the CASs, namely rules of behavior which are simple, but are also criticized because these last rules (turn left, right, top and bottom) cannot answer the needs expressed by the behavior of the majority of CASs.

Recently, some works have used the Fuzzy Cognitive Maps FCMs formalism, a neuroscience-based formalism, for the modeling of complex systems, whose CASs are a particular case, and have produced encouraging results.

In this thesis we present a new modeling approach to CASs based on the FCM paradigm improved by the Q-learning algorithm-based reinforcement learning in order to memorize the past history. The evolution of the system to adapt to the new environmental conditions is based on the dynamics of the causal relations according to the Hebb law developed for the neural networks and which can be modified during the simulation process.


Keywords:
Complex adaptive systems Fuzzy Cognitive Maps Reinforcement learning Q-learning Algorithm Sequential decision process Behavior adaptation.