Difficultés de modélisation

 Lors de l’étude de systèmes complexes, les outils traditionnels de la méthode cartésienne échouent. Par exemple, la recherche opérationnelle cherche à résoudre une fonction objectif possédant de nombreuses variables et contraintes. Du fait que le système est composé de parties hétérogènes, avec des comportements divergents ou opposés, la fonction objective est trop complexe, ou même impossible à définir. Même dans le cas où le problème est définissable, sa complexité empêche d’effectuer un traitement en temps réel (fonctions objectifs à plusieurs niveaux). Il est donc nécessaire d’effectuer une autre approche pour modéliser les systèmes complexes.

Avec l’évolution de la bio-informatique au cours des dernières décennies, une nouvelle approche est née. Les entités ne sont plus vues comme des contraintes ou variables, mais des agents en interactions avec des facteurs externes. Ces systèmes dits « multi-agent » représentent donc l’entité (ou agent) comme le moteur principal du système. La validité d’un modèle dépend de l’abstraction des agents, des interactions et de l’environnement. Les théories mettant en relation des agents (théorie des jeux, théorie des graphes, prétopologie, etc.) sont donc privilégié aux théories classiques.

 

Sans titre3

Figure 2 : Théories liées aux systèmes complexes (source : necsi.edu).

L’étude multi-agent a évolué, et s’est généralisé aux systèmes adaptatifs distribués. Les études menées par Barabási et Watts dans les années 2000 ont permis de mettre en avant les quatre dynamiques fondamentales de ses systèmes que nous résumerons ainsi :

  • L’information est encodée via des statistiques et des schémas dynamiques au sein des composants du système.
  • Les probabilités, l’aléatoire, la stochastique sont essentielles au bon fonctionnement.
  • Le système recherche parallèlement les schémas réalistes futurs.
  • Le système possède des interactions bottom-up et top-down ainsi que des systèmes de rétroaction.
Publicités