EDF R&D ouvre un stage de Master 2 Recherche (M2R) en informatique sur l'application de métaheuristiques évolutionnistes à des modèles de systèmes complexes (dont multi-agents).
Mot-clés: modélisation orientée agents, modèle multi-agents, systèmes complexes, optimisation, algorithmes génétiques, aide à la décision
Keywords: multi-agent model, complex systems, optimization, genetic algorithm, decision support
1/ Contexte scientifique
Les modèles de systèmes complexes [7], dont les modèles multi-agents [5, 1, 11], sont progressivement utilisés comme outils d'aide à la décision. Ces modèles sont alors de nature prospective (modèles "what if ?"), c'est-à-dire qu'ils sont conçus pour permettre l'étude de différentes stratégies ou scénarios. Plus ces modèles sont riches, plus leur nombre de paramètres est élevé, ce qui rend leur étude plus malaisée.
Lorsque ces modèles sont utilisés pour l'aide à la décision, les expérimentations par simulation peuvent être considérées comme une approche d'optimisation. Il s'agit alors d'optimisation multi-objectifs (plusieurs objectifs concurrents à atteindre) à objectifs explicites (on veut explorer le front des solutions Pareto-optimales et laisser à l'utilisateur le choix de son propre compromis) [8]. Ces modèles ont, en toute généralité, plusieurs caractéristiques qui les rendent difficiles[3] : leur espace de paramètres est grand; les types de paramètres sont hétérogènes (entiers, flottants, Booléens, types énumérés); l'espace de paramètres peut être discontinu (toutes les combinaisons de paramètres ne sont pas acceptées par le modèle); enfin, la dynamique des modèles est généralement non-linéaire, mais aussi stochastique (la dynamique des modèles est différente à chaque simulation). Ces caractéristiques suggèrent l'usage de métaheuristiques de type évolutionnistes, en particulier d'algorithmes génétiques [4].
Le choix, le paramétrage et l'usage de telles métaheuristiques pour des modèles de systèmes complexes constitue un problème qui, s'il a déjà été exploré [3, 8, 6, 10, 9], demeure non trivial. A titre d'exemple, l'usage d'une telle approche sur un modèle de dynamique spatiale des villes a nécessité des millions de simulations [9] sur un modèle pourtant déjà simplifié.
2/ Contexte EDF
En tant que producteur et distributeur d’énergie international, EDF conçoit, supervise ou interagit avec de nombreux systèmes complexes : systèmes sociotechniques (environnements urbains, foyers de consommateurs) et systèmes techniques (réseau électrique intelligents, compteurs communiquants). Plusieurs modèles multi-agents ont été développés dans le département EDF R&D pour étudier ces systèmes, dont des modèles urbains, des modèles de transport électrique ou des modèles de comportement humain dans l’habitat.
3/ Problématique scientifique
L’objectif de ce travail de recherche est l’application de métaheuristiques évolutionnistes à des modèles de systèmes complexes pour l’aide à la décision. Plusieurs questions sont inclues dans cette problématique: questions liées aux métaheuristiques (choix, paramétrage, amélioration, détection de convergence, etc.), à l'espace des paramètres (ajout de connaissances métiers, présélection des paramètres, etc.) et à l'interprétation des résultats pour l'aide à la décision (optimisation sur des séries temporelles, avis des experts sur la valeur de la solution, etc.).
4 / Déroulement du stage
On dessera un état de l’art synthétique de l’aide à la décision et des métaheuristiques; on détaillera l’usage de métaheuristiques pour l’étude de modèles multi-agents et autres modèles de systèmes complexes.
On implémentera et testera plusieurs métaheuristiques sur un modèle simple; on dégagera des indicateurs permettant de qualifier la convergence ou l’instabilité des algorithmes; on comparera l’efficacité de plusieurs métaheuristiques et de leurs évolutions.
Des expérimentations avec des modèles réels de planification urbaine exploreront la faisabilité de l’exploration brute de l’espace des paramètres. On étudiera ensuite la possibilité d’explorer d’abord une version simplifiée de l’espace des paramètres, puis d’utiliser ces solutions pour guider l’exploration ultérieure de l’ensemble de l’espace des paramètres.
Des échanges avec des experts des modèles testés permettront de comprendre leurs attentes, d’incorporer la sémantique pertinente pour l’exploration de l’espace des paramètres, et d’évaluer la pertinence des solutions découvertes.
La valorisation des résultats prendra la forme de publications scientifiques en conférences nationales ou internationales, et de rapports et présentations internes.
5/ Conditions du stage
La durée du stage est de 5 à 6 mois, et commencera en février-mars 2015.
Le stage se déroule à Clamart (France) dans les locaux de EDF R&D, au sein du groupe ASICS du département SINETICS de EDF R&D. Cette équipe est composée d’ingénieurs-chercheurs spécialisés dans la simulation avancée et l’architecture pour le calcul scientifique. Le candidat échangera avec des experts de l’institut de recherche EIFER. Le stage nécessitera des déplacements ponctuels en Allemagne, en France pour des échanges avec le milieu académique, voire l’international en cas de publication en conférence. Des déplacements locaux pour assister à des séminaires peuvent être pertinents. L’échange avec le milieu académique sera possible et encouragé.
Le stage est indemnisé selon une grille dépendant du parcours du candidat. Une estimation de cette indemnité peut être réalisée après présélection des candidats en fonction du dossier spécifique du candidat.
6/ Contact
Les candidats sont invités à poser librement toute question préalable. Premier contact par courriel (samuel.thiriot@edf.fr); les discussions peuvent bien sûr se prolonger par téléphone. La candidature doit être soumise par l’outil EDF en ligne (http://www.edfrecrute.com/iframe.php?id_page=182&id_appli=14&agp=a3e081…), mais peut être complétée par courriel par des exemples de rapports précédents ou autres documents pertinents.
7/ Profil
Le candidat réalisera un stage conventionné de niveau Master 2 Recherche. Sa formation incluera "Intelligence Articielle" et développement informatique. La compréhension des concepts de modélisation et simulation, apprentissage statistique, front de Pareto, et algorithmes évolutionnistes est fortement souhaitable.
Le candidat sera intéressé par la modélisation et simulation, les approches de modélisation orientée agents, les approches de vie artificielle et/ou les méthodes d'apprentissage statistique.
Le candidat aura une expérience en développement informatique riche de plusieurs projets informatiques et de plusieurs langages. Le candidat sera capable de structurer un code propre et de s'adapter à plusieurs languages de programmation (notamment Java, et les languages de modélisation) Le stage impliquera l'usage d'outils de gestion de code source (GIT), de logiciels bibliographiques et de rédaction scientifique (BibTex, LaTeX), sous environnement Linux.
Langues : français au quotidien dans l'équipe d'accueil ; anglais pour les échanges avec les experts et les séminaires. Un niveau correct d'expression écrite en français et/ou en anglais est indispensable.
8/ Références
[1] F Amblard and D Phan, editors. Modélisation et simulation multi-agents, applications pour les Sciences de l'Homme et de la Société. Londres, Hermes-Sciences & Lavoisier, 2006.
[2] Olivier Boudeville, Jingxuan Ma, Terence Song, Ran Zhou, Aude Pelletier, Dritan Kaleshi, and Idir Haddadi. Experience Report : Design and Implementation of Sim-Diasca, a Fully-Functional Scalable Concurrent Discrete Simulation Engine. Technical report, EDF R&D, 2011.
[3] Benoît Calvez and Guillaume Hutzler. Automatic Tuning of Agent-Based Models Using Genetic Algorithms. In Multi-agent-based simulation VI, pages 41-57, 2006.
[4] Carlos A. Coello Coello, Gary B. Lamont, and David A. Van veldhuizen. Evolutionary Algorithms for Solving Multi-Objective Problems. Springer Science & Business Media, 2nd edition, 2007.
[5] Jacques Ferber. Multi-Agent Systems. Addison Wesley, 1999.
[6] Alison J Heppenstall, Andrew J Evans, and Mark H Birkin. Genetic algorithm optimisation of an agent-based model for simulating a retail market. Environment and Planning B : planning and design, 34 :1051-1071, 2007.
[7] Neil F. Johnson. Chapter 1 : Two's company, three is complexity. In Simply complexity : A clear guide to complexity theory. Oneworld Publications, 2009.
[8] Giuseppe Narzisi, Venkatesh Mysore, and Bud Mishra. Multi-objective evolutionary optimization of agent-based models : an application to emergency response planning. In Computational Intelligence, pages 228----232, 2006.
[9] Clara Schmitt, Sébastien Rey-Coyrehourcq, Romain Reuillon, and Denise Pumain. Half a billion simulations : Evolutionary algorithms and distributed computing for calibrating the SimpopLocal geographical model. Environment and Planning B, pages 1-20, 2014.
[10] Forrest Stonedahl and Uri Wilensky. Finding Forms of Flocking : Evolutionary Search in ABM Parameter-Spaces. In Multi-agent-based simulation XI, pages 61-75. Springer Berlin Heidelberg, 2011.
[11] Jean-Pierre Treuil, Alexis Drogoul, and Jean-Daniel Zucker. Modélisation et simulation à base d'agents - Exemples commentés, outils informatiques et questions théoriques. Dunod/IRD, 2008.