genetic algorithm for multi-agent simulation calibration (gamac)
DESCRIPTION
My master thesis presentation 2012: The agent-based approach focuses on the modeling and the simulation of complex systems. A crucial phase of the development process of multi-agent simulation is probably the validation, which is the process of determining the degree to which a model or simulation is an accurate representation of the real-world. One main issue of the validation phase is the calibration, which is an instantiation phase of the local and global parameters of the simulation. The complexity of calibration is due to the risk of the combinatory explosion, the nonlinear relationship between the parameters, and sometimes the lack of information about the simulated system. Nevertheless, it is an important step given that the global dynamics of the simulated model is governed by parameters to be calibrated. The approach we suggest is to consider the calibration problem as an optimization problem. We apply directly an optimization algorithm, the genetic algorithm, the model is seen as a black box whose inputs are the values of the parameters to be calibrated and the output is the value of an objective function evaluated after the run of the simulation. The output value represents the degree of plausibility, a measure of the simulation’s validity (accuracy, completeness, quantification of an emerging phenomenon ...) or a measure of distance between the simulation’s results and those obtained by observing the real system.TRANSCRIPT
LOGO
Auto-calibrage pour la validation des
simulations multi-agents
Auto-calibrage pour la validation des
simulations multi-agents
22 Février 2012
Institut Supérieur de Gestion de Tunis
Présenté par : Ghanem Soltana
Encadré par : Pr. Khaled Ghédira Dr. Lamjed Ben Said
Stratégies d'Optimisation et
Informatique intelligentE
Contexte général
2
Observation et collecte des données
Construction des hypothèses
Création d’un modèle
Simulation du modèle
Calibrage de la simulation
Analyse des résultats
Validation du modèle
Construction du modèle
Validation
Source : La calibration de modèles à base d'agents pour la simulation de systèmes complexes; Benoît Calvez; Thèse de Doctorat, Université d’Évry Val d’Essonne; 2007
Plan
3
Problématique et objectifs
Expérimentations
Etat de l’art
Conclusion et perspectives
Contexte général
Calibrage à base d’algorithmes génétiques
Etat de l’art
4
1. Calibrage à la « main »
[Antunes et al.,2006]
5
Etat de l’art
1.2. Calibrage par parcours de l’espace des paramètres
Parameters Variation dansAnyLogic [AnyLogic Tec. ,2007]
Behavior Space deNetlogo [Wilensky,1999]
1.1. Calibrage à la « main »
6
Etat de l’art
1.3. Calibrage en boîte blanche
[Fehler et al.,2004, Fehler et al.,2006]
1.2. Calibrage par parcours de l’espace des paramètres1.1. Calibrage à la « main »
Objectif 1
Objectif 1.1.1
Objectif 1.1 Objectif 1.2
Objectif 1.1.3Objectif 1.1.2
Objectif 1.1.3.1 Objectif 1.1.3.2
Etat de l’art
7
[Klein et al.,2005 ,Klein et al.,2006]
1.4. Calibrage par méta-modèles1.3. Calibrage en boîte blanche1.2. Calibrage par parcours de l’espace des paramètres1.1. Calibrage à la « main »
8
Etat de l’art
Calibrage à la
«main»
Calibrage par parcours de l’espace des paramètres
Calibrage en boîte blanche
Calibrage par méta-
modèles
Utilisation Simple Simple Complexe Complexe
Coût Long CoûteuxDépend de la
méthodeutilisée
Coûteux
Systématique Non Oui Non Calibrer le méta-modèle
Qualité des résultats
Médiocre Aléatoire Dépend de la
méthodeutilisée
Aléatoire
2. Synthèse
Problématique et objectifs
9
Devant le coût élevé de l’exploration de l’espace des
paramètres et le manque d’outils dédiés, le calibrage des
simulations multi-agents est effectué en utilisant des
approches manquant de fondements théoriques menant ainsi
au rejet du modèle lors du processus de validation.
10
Problématique et objectifs
Expérimenter l’approche sur des simulations multi-agents
Proposer une nouvelle approche spécifique au calibrage des modèles à base d’agents
Développer un outil générique de calibrage des MABS
11
Toutes les simulationssont partiellement valide
Nombre de configurations possibles infini
Améliorer la qualitédes résultats
Une approche métaheuristique pour le calibrage des simulations multi-agents
GAMAC : introduction
12
Espace de solutions possible
Evaluation du critère
étudié
A B C
A B C
A B C
GAMAC : illustration
13
Sélection : Roulette russe
Croisement
Mutation
Remplacement : élitisme
Codage : binaire
GAMAC
GAMAC : fonctionnement (1)
14
GAMAC
Politique d'évaluation de la fonction objectif
Critères de validités Paramètres à calibrerParamètres de
l’algorithme génétique
GAMAC : fonctionnement (2)
15
GAMAC : fonctionnement (3)
Politique d'évaluation de la fonction objectif
Gamac
Simulation multi-agents
Instanciation aléatoire
Instant ti
Roll back
Instant ti+ intervalle
Evaluation de la fonction fitness
FitnessNouvelle configuration
Meilleur configuration
16
GAMACMABS
Ajustements
Fitness
Politique d'évaluation de la fonction objectif
Gestion de la stochasticité
Critères de validités Paramètres à calibrerParamètres de
l’algorithme génétique
Meilleure configuration
GAMAC : fonctionnement (4)
17
Grande communauté d’utilisateurs
Bibliothèque de simulations MA
possibilité d’intégrer des « plugins »
Open source
Multiplateformes
Interfaçable avec JAVA
Critères de Sélection de
NetLogo
Expérimentations
1. Choix de la plateforme
18
19
Validés
ConnusComportements émergents
Phénomènes naturelles
Documentés Purement réactifs
Critères de sélection
desmodèles
Expérimentations
2. Choix des simulations multi-agents
20
Alignement
SéparationCohésion
Perception
Taille du rassemblement
Nombre de nuées
« Boids »
Source : Flocks ,herds and schools : A distributed behavioral model ; Reynolds,C.W ;Proceedings of the 14th annual
conference on Computer graphics And interactive techniques;1987
Expérimentations
3.1. Présentation de « Boids »
21
Paramètre Valeur trouvé
vision 5,79
minimum-separation 0,56
max-align-turn 16,32
max-cohere-turn 12,92
max-separation-turn 6,11
Taille du rassemblement
Pas de temps : 300
Paramètre Valeur
Taille de la population 30
Nombre maximale de génération 30
Probabilité de croisement 0.7
Probabilité de mutation 0.05
Expérimentations
3.2. Calibrage de « Boids »
22
Paramètre Valeur trouvé
vision 3,12
minimum-separation 0,76
max-align-turn 5,66
max-cohere-turn 3,42
max-separation-turn 1,5
Nombre de nuées
Pas de temps : 300
Expérimentations
3.2. Calibrage de « Boids »
23
Simulation multi-agent
Équations différentielles de Lotka et Volterra
Expérimentations
4.1 Présentation de Proie/Prédateur
24
Paramètre Valeur trouvé
sheep-gain-from-food 16,23
wolf-gain-from-food 3,17
sheep-reproduce 42,32
wolf-reproduce 5,86
Pérennité des espèces
Pas de temps : 1530
Evolution des proies et des prédateurs dans le cas de l’équilibre parfait
Source : Understanding non linear dynamics ; D. Kaplan et L. Glass. Editions Springer-Verlag, Paris. 1995
Expérimentations
4.1 Calibrage de Proie/Prédateur
Conclusion et perspectives
25
Bonne qualitédes résultats
Utilisation simple
Sensible au paramétrage de l’algorithme génétique
Un seul critère étudié à la fois
Outil disponible
Systématique
Adaptation des algorithmes génétiques pour le calibrage des MABS
Développement d’un outil générique de calibrage des MABS
Expérimentations de GAMAC sur deux simulations multi-agents
Conclusion et perspectives
26
Auto-ajustement de la simulation
Analyse des fichiers traces
Modèles plus complexes
Variantes de méta-heuristique
Approche multi-objectifs
LOGO