universit´e d'´evry-val-d'essonne ufr sciences fondamentales et ...
universit´e d'´evry-val-d'essonne ufr sciences fondamentales et ...
universit´e d'´evry-val-d'essonne ufr sciences fondamentales et ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
140 Chapitre 4 - Simuler les morphogenèses des systèmes de villes<br />
Ces seuls indicateurs constituent bien sûr un point de vue incompl<strong>et</strong> sur ce qui fait structure<br />
dans dans un système des villes. Cependant ces mesures sont cohérentes avec les objectifs assignés<br />
à Simpop2.<br />
Chacun de ces scores est associé à la configuration spatiale globale du système de villes<br />
simulé à un instant donné. Ils peuvent être calculés à l’issue de chaque pas de temps du modèle.<br />
Dans un premier temps, nous ne nous intéressons qu’aux <strong>val</strong>eurs de ces scores à l’instant final.<br />
Par la suite, pour vérifier la capacité du modèle à produire un développement cohérent, nous<br />
devrons nous assurer non plus uniquement de la cohérence à l’instant final, mais de la cohérence<br />
de la série temporelle de leurs <strong>val</strong>eurs. Il s’agit d’une question plus difficile que nous laissons en<br />
suspens pour l’instant <strong>et</strong> que nous aborderons dans le chapitre 5.<br />
Nous pouvons donc regarder le calibrage comme un problème d’optimisation. Il s’agit d’un<br />
problème difficile, car dès que l’on souhaite raffiner un peu la fonction objectif en calibrant<br />
sur plusieurs aspects, celle-ci devient compliquée <strong>et</strong> n’a pas de bonnes propriétés (elle n’est<br />
pas continue, <strong>et</strong>c.). Quand le terrain est ✭ accidenté ✮, les algorithmes génétiques sont de bons<br />
candidats parmi les multiples techniques d’optimisation existantes. De plus, un autre argument<br />
en leur faveur est que la construction d’algorithmes d’optimisation de type génétiques, spécifiques<br />
à des modèles à base d’agents, a été l’obj<strong>et</strong> d’une thèse récente effectuée dans notre équipe (LIS),<br />
avec des applications à des modèles simples de colonies de fourmis sous N<strong>et</strong>logo [Cal07, CH05].<br />
Algorithmes génétiques Le principe général de fonctionnement d’un algorithme génétique 23<br />
est représenté par la figure 4.19. Une population d’instances du modèle est instanciée avec des<br />
<strong>val</strong>eurs de paramètres différentes. A l’issue des simulations, les jeux de <strong>val</strong>eurs ayant donné les<br />
meilleurs résultats au sens de la fonction objectif (appelée fonction de fitness) sont sélectionnés<br />
(on les appelle les ✭ parents ✮) <strong>et</strong> sont combinés <strong>et</strong> mutés pour produire de nouveaux jeux de<br />
<strong>val</strong>eurs (phase de recombinaison/mutation), les ✭ enfants ✮. On relance alors la simulation pour<br />
un jeu de modèles composé des ✭ parents ✮ <strong>et</strong> des ✭ enfants ✮, <strong>et</strong> ainsi de suite jusqu’à atteindre un<br />
critère d’arrêt de l’algorithme, qui correspond soit à l’obtention d’une <strong>val</strong>eur seuil de la fonction<br />
objectif, soit à l’exécution d’un nombre maximal de simulations défini par l’expérimentateur,<br />
soit encore à la convergence des <strong>val</strong>eurs de la fonction objectif.<br />
Le calibrage automatique de modèles orientés agents pose des questions spécifiques, puisque<br />
pour chaque paramètre associé aux agents, le nombre de configurations possibles augmente de<br />
façon exponentielle avec le nombre d’agents du modèle. Disposer d’algorithmes efficaces dans<br />
ce domaine devrait contribuer aux développements de l’expérimentation in silico en géographie.<br />
C<strong>et</strong>te étape, au même titre que la définition de plans d’expérience rigoureux, l’analyse statistique<br />
en profondeur des sorties, ou l’adoption de normes <strong>et</strong> d’outils partagés par la communauté,<br />
constitue un pas important pour la professionalisation de la pratique de la simulation en<br />
géographie.<br />
Solution développée Nous disposons d’un ensemble d’algorithmes génétiques en Java développés<br />
par [Cal07] dans sa thèse, dont certains sont optimisés pour les modèles multi-agents. Les utiliser<br />
sur Simpop2 perm<strong>et</strong>trait de gagner un temps important pour défricher les premières phases<br />
d’une campagne d’expérimentation, en orientant les géographes vers des paramétrages générant<br />
des configurations ayant de bonnes propriétés macroscopiques. Pour cela, nous avions besoin<br />
de développer une interface graphique utilisateur perm<strong>et</strong>tant aux géographes de pouvoir lancer<br />
leurs expériences avec ces algorithmes. C<strong>et</strong>te interface a été réalisée par A. Monzie dans le cadre<br />
23 Le nom fait référence à l’inspiration évolutionniste de ces algorithmes