Modélisation, systèmes multi-agents et logique floue dans la

1
Modélisation, systèmes multi-agents
et logique floue dans la régularisation
du réseau de transport collectif de
Montbéliard
Saïd HAYAT, Aziz SOULHI, Slim HAMMADI
et Pierre BORNE
2
Plan de
de la
la présentation
présentation
Plan
)
Introduction
)
Aide à la décision
)
Problématique des systèmes de transport collectif
)
)
)
)
Approche proposée : Système flou d’aide à la décision
Processeur de fuzzification
Simulations et résultats
Conclusion et perspectives
3
ntroduction
IIntroduction
4
)Assister les régulateurs à une maîtrise de la régulation de trafic
)Assurer les correspondances dans les meilleures conditions,
)Eviter l’attente excessive des clients,
)Améliorer la qualité de service,
)Augmenter l’attractivité vers les transports collectifs.
5
)
Introduction
)
Aide à la décision
)
Problématique des systèmes de transport collectif
)
)
)
)
Approche proposée : Système flou d’aide à la décision
Processeur de fuzzification
Simulations et résultats
Conclusion et perspectives
6
Aide
ideààla
ladécision
décision
A
Qu’estce
ceque
quel’aide
l’aideààla
ladécision?
décision?
Qu’est
L’aide à la décision est l’activité de celui qui, prenant
appui sur des modèles clairement explicités mais non
nécessairement complètement formalisés, aide à
obtenir des éléments de réponses aux questions que
se pose un intervenant dans un processus de
décision.
[ROY 85]
7
Lesintervenants
intervenantsdans
dans la
ladécision
décision
Les
Décideur
Décideur
Multiple
Multiple
Unique
Unique
Consensus
Consensus
Conflit
Conflit
8
Lesniveaux
niveauxde
dedécisions
décisions
Les
[DOUMEINGT 98]
9
Lesniveaux
niveauxde
dedécisions
décisions
Les
) Stratégique : acquisition des ressources à long terme
et investissements importants,
) Tactique : planification à moyen terme
et variations de
certains paramètres,
) Opérationnel : activités quotidiennes à un niveau détaillé.
10
Modèlesde
derésolution
résolutiondu
duproblème
problèmed’aide
d’aideààla
ladécision
décision
Modèles
Méthodes exactes
- Théorie des graphes,
Méthodes approchées
- Algorithmes génétiques,
- Logique floue,
- Modèles mathématiques.
- Système expert.
11
Modèlesde
derésolution
résolutionoptimale
optimale
Modèles
Théorie des
graphes
Modèles mathématiques
) Factuels
) Formels
) Constructifs
12
Modèlesde
derésolutions
résolutionsapprochées
approchées
Modèles
) Règles de bon sens,
) Interprétation aisée de la stratégie de décision,
) Solution justifiée par l’expertise humaine,
)Evaluation qualitative humaine,
) Processus génétique.
14
Système expert
expert
Système
Expert
Base de
connaissances
Module
d'Acquisition des
Connaissances
Interface
Acquisition
Cogniticien
Base de Faits
Module
d'Explication
Interface
Utilisateur
Utilisateur
Base de règles
Moteur
d’inférence
15
Avantages des
des méthodes
méthodes approchées
approchées
Avantages
Un excellent rapport entre :
) La qualité des solutions obtenues,
) Le temps de calcul nécessaire,
) La facilité d’implémentation.
16
)
Introduction
)
Aide à la décision
)
Problématique des systèmes de transport collectif
)
)
)
)
Approche proposée : Système flou d’aide à la décision
Processeur de fuzzification
Simulations et résultats
Conclusion et perspectives
17
Problématiques des
des systèmes
systèmes de
de transport
transport collectif
collectif
Problématiques
) Systèmes dynamiques complexes,
) Exigences en terme de qualité de service,
) Exigences en terme de sûreté de fonctionnement,
) Dimension de réseau,
) Fréquence d’exploitation.
18
Problématique des
des nœuds
nœuds de
de correspondances
correspondances
Problématique
Régulateur
S.A.E.
20
Leslimites
limitesdes
desapproches
approchesactuelles
actuelles
Les
)Modèles ne traduisant pas la réalité des phénomènes
en cours,
)Hypothèses de départ : souvent simplificatrices et
réductrices,
)Décalage entre la théorie et les réelles mises en places,
)Difficulté de maîtriser la stabilité.
21
L’intelligence artificielle
artificielle
L’intelligence
)La puissance et la capacité de résolution de problèmes
complexes,
)La simplicité et la souplesse d’application,
)Modèles traduisant
la réalité des phénomènes en cours,
)Hypothèses de départ basées sur la réalité.
22
)
Introduction
)
Aide à la décision
)
Problématique des systèmes de transport collectif
)
)
)
)
Approche proposée : Système flou d’aide à la décision
Processeur de fuzzification
Simulations et résultats
Conclusion et perspectives
24
Qu’estce
cequ’un
qu’unmodèle
modèleflou
floud’aide
d’aideààla
ladécision?
décision?
Qu’est
Un modèle flou d ’aide à la décision est un
processus de génération de décision en temps réel
qui tient compte d’un ensemble de connaissances
de natures différentes, évolutives, incertaines et
incomplètes :
) Connaissances théoriques,
) Connaissances empiriques,
) Connaissances concrètes.
25
Quellecontribution
contributionapporte
apportela
lalogique
logiquefloue
floueààl’aide
l’aideààla
la
Quelle
décision??
décision
L’intégration dans un même modèle des
connaissances issues de responsables de
l’exploitation à savoir :
L’expertise théorique issue du bureau d’étude et de méthode,
L’expertise empirique que détient l’ingénieur de simulation,
)
L’expertise concrète que détiennent les experts.
26
Modèleflou
floud’aide
d’aideààla
ladécision
décision
Modèle
CONNAISSANCES
FUZZIFICATION
INFERENCE
C R IT E R E S
DE
D E C IS IO N S
REGLES
DE
D E C IS IO N S
DEFUZZIFICATION
ts ,
n
e
li
e c …...
d
bre e, etc
m
No chin
ma
Si
C
on
di
tio
.
PROPOSITION DES STRATEGIES
EVALUATION DES STRATEGIES
OK
STRATEGIES OPERATIONNELLES
SUGGESTION DE
STRATEGIES
n
Al
or
sA
ct
io
n,
28
)
Introduction
)
Aide à la décision
)
Problématique des systèmes de transport collectif
)
)
)
)
Approche proposée : Système flou d’aide à la décision
Processeur de fuzzification
Simulations et résultats
Conclusion et perspectives
31
Fuzzification
Fuzzification
Fuzzification du Retard/Avance
T Retard
-3
µ(t)
Retard Avance
1
0
1
Tt - Tr ( min)
32
Fuzzification
Fuzzification
Fuzzification du nombre de clients
Négligeable Moyen
µ(Nc) 1
0
3
Important
5 Nombre de clients
33
Fuzzification
Fuzzification
Fuzzification du moment de la journée (conditions de circulation)
HP
HR= HP
HC
FS
1
µ(h)
8 9 10 11 12 13 14 15 16
17 18 19 20 Heure
34
Fuzzification
Fuzzification
Fuzzification des classes de ralentissement
Negligeable
Faible
Moyen
Important
µ(y) 1
y temps( min)
0
1
2
3
4
5
Tt - Tr
35
Autres paramètres
paramètres
Autres
Moyens de réserve
Bus garés,
)
) Camionnettes,
) Chauffeurs disponibles,
) Autres moyens.
Evénements
) Réguliers,
) Occasionnels.
37
L’inférence floue
floue
L’inférence
) Extraction de connaissances,
) Divers groupes de travail,
) Divers scénarios,
) Validation et agrégation des règles d’inférence,
) Aboutissement au module d ’inférence floue.
38
L’inférence floue
floue
L’inférence
39
L’inférence floue
floue
L’inférence
Si le bus amenant est en retard et le bus emportant est très
en retard et le nombre de voyageurs est moyen et le moment
de la journée est l’heure creuse, alors le ralentissement du bus
emportant est faible.
si le
bus amenant est en avance et le bus emportant est très
en retard et le nombre de voyageurs est moyen et le moment
de la journée est l’heure creuse, alors le ralentissement du bus
emportant est moyen.
40
L’inférence floue
floue
L’inférence
A/R
Si
A/R
NV
MO
Retard
Avance
Moyen
HP
M
Retard
Avance
Moyen
FS
I
T Rd
Retard
Moyen
HR
F
T Rd
Retard
Moyen
HP
T Rd
Avance
Moyen
HP
.
.
.
.
.
.
.
.
.
.
.
.
Alors
M
I
.
.
.
41
L’inférence floue
floue
L’inférence
X = ( X1, X 2,.................,Xn)
A = Am , n
: Vecteur
d’état de l’inférence floue.
: Matrice caractéristique de l’inférence floue.
C = (C1, C2,......................,Cm)
: Vecteur résultat de l’inférence floue.
R1 : si X1 est A11 et X2 est A12 …………..et Xn est A1n alors y est C1
.
.
.
Rm : si X1 est Am1 et X2 is Am2 ………….et Xn est Amn alors y est Cm
43
Défuzzification
Défuzzification
Méthode du centre de gravité
S
µ(y)
G0
µ(y0)
Y
:
l’univers de discours,
y0
y
µ (y) : la fonction d’appartenance de l’univers de discours,
S
G0
: surface dont on veut calculer le centre de gravité,
:
le centre de gravité du sous-ensemble de discours.
Yg =
∫ y µ ( y )dy
∫ µ ( y )dy
44
Exemple 11
Exemple
Soit le vecteur suivant :(-3, 0.4, 3, 13 H)
Moment de la journée
Flux de passagers
Bus emportant
Bus amenant
µ(t1)
µ(t2)
0.6
0.3
Bus emportant
Bus amenant
µ(h)
µ(f)
Moment de la journée
Flux de passagers
46
1
Si le bus amenant est très en retard et le bus emportant est en avance
et le nombre de voyageurs est moyen et le moment de la journée est
l’heure de pointe, alors le ralentissement du bus emportant est important.
2
Si le bus amenant est très en retard et le bus emportant est en retard
et le nombre de voyageurs est moyen et le moment de la journée est
l’heure de pointe, alors le ralentissement du bus emportant est moyen.
51
)
Introduction
)
Aide à la décision
)
Problématique des systèmes de transport collectif
)
)
)
)
Approche proposée : Système flou d’aide à la décision
Processeur de fuzzification
Simulations et résultats
Conclusion et perspectives
60
Exemple de
de décision
décision
Exemple
Substitution
Substitution
61
Exemple de
de décision
décision
Exemple
Transbordement
Transbordement
62
Exemple de
de décision
décision
Exemple
Nouveau point
point de
de rencontre
rencontre
Nouveau
63
A 13h 32 minutes, 5 personnes se rendent à leur travail situé à la rue
de souchaux . les personnes habitent à Hérimoncourt la bouloie .
Rue de souchaux
Temple
Mandeure
Hérimoncourt la
bouloie
64
66
Arrêt
Mandeure
Valentigney
Temple
Hérimoncourt
Monbéliard
Ligne4
Ligne 3
67
)
Introduction
)
Aide à la décision
)
Problématique des systèmes de transport collectif
)
)
)
)
Approche proposée : Système flou d’aide à la décision
Processeur de fuzzification
Simulations et résultats
Conclusion et perspectives
68
Conclusion et
et perspectives
perspectives
Conclusion
) Contribution de l’intelligence artificielle à résoudre des
problèmes aussi difficiles que les systèmes de transport.
) Faisabilité de la réalisation d’un model d’aide à la
décision basé sur les techniques de la logique floue.
) L’agrégation des règles et le groupement des décisions
sous forme de classes.
)L’apport de la collaboration entre la recherche et
l’expérience du terrain : l’expertise.
69
) Le développement des méthodologies capables de
s’adapter à toutes les stratégies de prise de décision.
) La prise en compte d’un
nombre considérable de
critères de décisions qui reste une perspective
immédiate au sein de notre équipe de recherche.
) Généraliser le SAD à des réseaux TC multimodaux :
Métro, Autobus, Tramway et TER.