Département d'Automatique
Permanent URI for this collection
Browse
Browsing Département d'Automatique by Subject "Apprentissage"
Now showing 1 - 3 of 3
Results Per Page
Sort Options
Item Apprentissage des systèmes multi-agents(Université Mouloud Mammeri, 2011) Nait Belaid, OuizaRésumé- Un Système Multi-Agent qui est l’un des aspects de l’Intelligence Artificielle Distribuée, constitue un moyen intéressant pour modéliser des comportements de groupes dans différents domaines d’applications allant de l’industrie jusqu’aux sciences humaines et ce, à l’aide d’un ensemble d’agents intelligents fonctionnant en commun et dotés de capacités de perception et d’actions sur l’environnement. Les SMA évoluent généralement dans des environnements complexes autrement dit, larges, ouverts, dynamiques et non prévisibles. Pour de tels environnements, il est très difficile et parfois impossible de définir correctement et complètement les systèmes a priori, c’est-à-dire, lors de la phase de conception, bien avant leur utilisation car, ceci exigerait de connaître à l’avance toutes les conditions environnementales qui vont survenir dans le futur, quels agents seront disponibles à ce moment et comment les agents disponibles devront réagir et interagir en réponse à ces conditions. Une manière de gérer ces difficultés est de donner à chaque agent l’habileté d’améliorer ses propres performances, ainsi que celles du groupe auquel il appartient et cela est réalisé en utilisant des algorithmes d’apprentissage qui dépendent des connaissances dont dispose le concepteur sur le domaine. Le travail traité dans ce mémoire traite de l’apprentissage des systèmes multi-agents en vue de prendre des décisions diverses selon la situation rencontrée. L’application choisie dans le cadre de ce mémoire relève du problème de tournée de véhicules impliquant, de ce fait, une optimisation en termes de temps de distance et d’économie. Il s’agit, en effet, de transmettre un flux entre des agences avec le minimum de véhicules sans violation d’aucune contrainte. Le problème est décomposé en sous-problèmes où différents agents coopèrent, collaborent, communiquent et apprennent en vue de prendre une décision en se servant de l’apprentissage. Pour cet apprentissage, le Q-Learning, a permis de trouver les meilleurs Hubs à insérer dans les itinéraires d’un véhicule allant d’une ville de départ pour servir une destination donnée en respectant les contraintes. La réalisation de ce travail a été effectuée en JAVA en utilisant la plateforme MADKIT. Mots clés : Systèmes multi-agents, apprentissage,Q-earning, tournées de véhicules avec fenêtres de temps.Item Identification d’un modèle fractionnaire à l’aide des réseaux de neurones.(Université Mouloud Mammeri, 2012-06-26) Hammouche, SofianeLes systèmes fractionnaires ont suscité l’intérêt de la communauté scientifique, en raison de la description de la dynamique appropriée à certains phénomènes physiques par des modèles fractionnaires. Néanmoins, ces systèmes sont caractérisés par la propriété de mémoire longue et de dimension infinie, ainsi identifier un système fractionnaire par un modèle entier revient à déterminer une infinité de paramètres, pénalisant le modèle ainsi obtenu. Les réseaux de neurones constituent une approche très prometteuse pour l’identification de la dynamique des systèmes fractionnaires, grâce à leur traitement parallèle des informations et de leurs mécanismes inspirés des cellules nerveuses (neurones). C’est dans ce cadre que s’inscrit notre travail qui consiste à identifier un modèle fractionnaire à l’aide des réseaux de neurones. Pour cela deux architectures neuronales sont synthétisées. La première architecture, appelée « réseau de neurones multicouches bouclé d’entrée», consiste à mettre en oeuvre un réseau de neurones récurrent qui permet de reproduire le caractère fractionnaire du système. Quant à la seconde, appelée « réseaux de neurones à espace d’état », qui est une structure relativement récente, dans la synthèse d’un modèle d’état d’un système à identifier, en utilisant la représentation d’état de ce dernier pour reconstituer le comportement de ses états et sa sortie. Deux méthodes d’apprentissage des réseaux de neurones sont utilisées. La première est appelée « Méthode de gradient récursif » consiste à modifier les paramètres du réseau proportionnellement au gradient de la fonction coût partiel. Quant à la deuxième méthode appelée « Méthode de Levenberg-Marquart » consiste à modifier les paramètres du réseau proportionnellement de la fonction coût total. Afin d’illustrer les apports notables des deux architectures de réseaux de neurones synthétisés, on a utilisé ces dernières pour identifier la dynamique et la forme d’état des systèmes linéaires et fractionnaires dans un environnement déterministe, en utilisant les deux méthodes d’apprentissage développées au préalable. Par la suite, on a pu valider la structure multicouche sur des données expérimentales, obtenues de deux systèmes fractionnaires. Les résultats de simulation et expérimentales effectuées au moyen de logiciels développés sous l’environnement Matlab, permet grâce aux courbes graphiques obtenues de valider les hypothèses et les choix faits concernant les architectures neuronales et l’utilisation de l’algorithme Levenberg – Marquart pour l’apprentissage des réseaux de proposer la modélisation complète d’un système fractionnaire.Item Réseaux bayésiens appliqués à une fusion de données multi-capteurs en vue d’un contrôle intelligent d’un microclimat(Université Mouloud Mammeri, 2015-02-12) Mazari, ChahrazadNotre mémoire présente une méthode de fusion de données multi-capteurs pour un contrôle automatique du microclimat d’une serre agricole répondant le mieux aux exigences de l’olivier. La méthode proposée utilise les réseaux bayésiens pour fusionner des mesures issues des capteurs de température ambiante et du sol, de rayonnement et d’humidité dont l’objectif est de fournir aux modules de commande, des informations sûres et complètes concernant l’état du microclimat afin que l’intervention des actionneurs du genre ventilateurs, chauffages, humidificateurs et autres, soit rapide et efficace. Notons que la base de données réelle n’étant pas disponible, nous avons créé une base de données simulée. Des résultats de simulation sont présentés dans la dernière section pour montrer l’efficacité de l’approche adoptée même si les différentes caractéristiques sont supposées indépendantes entre elles. Nous avons organisé notre de la façon suivante. Dans la première section, nous présentons l’approche multi-capteurs, les objectifs de son utilisation et les méthodes les plus utilisées pour sa réalisation. Dans la deuxième section, nous décrirons la méthode proposée. La troisième section est consacrée aux résultats obtenus avec des données simulées. Nous terminons par une conclusion.