Approche multi-agents d'un système d'aide à la décision en environnement dynamique incertain - Application à l'entomologie médico-légale, Multi-agent based approach of a decision support system in a dynamic and uncertain environment.Application to forensic entomology.

De
Publié par

Sous la direction de Daniel Jolly
Thèse soutenue le 25 novembre 2009: Artois
Les travaux présentés dans cette thèse portent sur le thème de la modélisation et de l’aide à la décision dans le cadre des systèmes complexes. Plus précisément, nous nous intéressons au couplage de simulations orientées agent à une méthode de résolution de problèmes inverses. Une architecture générique de système d’aide à la décision est ainsi proposée. Ces travaux sont appliqués à la conception d’un système d’aide à la décision dédié à l’entomologie médico-légale. Cette discipline à mi-chemin entre la criminalistique et l’entomologie vise à concevoir des méthodes de datation de la mort basées sur des indices entomologiques, i.e., les insectes (principalement des diptères nécrophages) ou restes d’insectes retrouvés sur ou à proximité du corps. Ainsi, dans le cadre de ce travail réalisé en collaboration avec le laboratoire d’entomologie médico-légale de l’Institut de Médecine Légale de Lille, nous présentons : • un modèle à base d’agents permettant de simuler le développement des diptères nécrophages dans un environnement complexe (e.g., un corps situé dans un écosystème donné), en prenant en compte plus de paramètres que les méthodes classiques, • une implémentation de l’architecture de système d’aide à la décision évoquée plus haut, basée sur ce modèle.
-Modélisation à base d'agents
-Entomologie médico-légale
-Problème inverse
-Aide à la décision
The work presented in this thesis deals with modelling and decision support issues in the context of complex systems. Specifically, we investigate the coupling of agent-based simulations and inverse problem resolution methods. Thus, a generic architecture of decision support system is proposed. We identify two problems related to the implementation of this architecture: the validation of simulation parameters and the observation of agent-based simulations. We offer some answers to solve them. The notion of inverse problem is redefined in the context of decision support in a multi-model framework. Therefore, a resolution method and heuristics, based on ideas from works on abductive reasoning, are proposed. This work is then applied to the conception of a decision support system dedicated to forensic entomology. This research area, midway between forensic sciences and entomology, aims to develop post-mortem estimation methods based on entomological indices, i.e., insects (mainly necrophagous diptera) or insect remains, sampled on or around the cadaver. In the context of this work, done in collaboration with forensic entomology laboratory of the Legal Medicine Institute of Lille, we present: • an agent-based model of necrophagous diptera in a complex environment such as a dead body in a specific ecosystem, taking into account more parameters than conventional methods, • an implementation of the decision support system architecture mentioned above, based on this model.
Source: http://www.theses.fr/2009ARTO0204/document
Publié le : vendredi 28 octobre 2011
Lecture(s) : 33
Nombre de pages : 150
Voir plus Voir moins

Nd’ordre :
UniversitØ d’Artois
Approche multi-agents d’un systeme
d’aide a la decision en env ironnement
dynamiq ue et incertain
Application a l’entomologie
medico-legale
T H E S E
p resen tee et sou ten u e p u b liq u em en t le 2 5 n ov em b re 2 0 0 9
en v u e de l’ob ten tion du
D octorat de l’U niv ersite d’Artois
(Specialite : Genie Informatique et Automatique)
p a r
Gildas Morvan
C omposition d u jury
Rapporteurs : J ea n -L ou is D en eu b ou rg P rofesseu r, U n iv ersite L ib re de B ru x elles
J ea n -P ierre M u ller D irecteu r de R ech erch e, C IR A D - L IR M M , M on tp ellier
E xam in ateurs : D a n iel D u p on t P rofesseu r, H E I, L ille
D idier G osset P rofesseu r, U n iv ersite de L ille 2
D av id H ill P rofesseu r, U n iv ersite B la ise P a sca l, C lerm on t-F erra n d
P h ilip p e K u b ia k M a^tre de C on feren ces, E cole C en tra le de L ille
E ric L efev re M a^tre de C on feren ces, U n iv ersite d’A rtois
D irecteur de these : D a n iel J olly P rofesseu r, U n iv ersite d’A rtois
U n iv ersite d’A rtois { L a b ora toire de G en ie In form a tiq u e et d’A u tom a tiq u e de l’A rtois
ru e de l’U n iv ersite, 6 2 4 0 8 B eth u n e C edex
T el : + 3 3 (0 )3 2 1 6 3 7 1 6 4 { F a x : + 3 3 (0 )3 2 1 6 1 1 7 8 0Mis en page avec la classe thloria.Remerciements
Je tiens à remercier chaleureusement le sympathique et compØtent trio qui m’a encadrØ et
soutenu durant ces quatre derniŁ res annØes (il a Øgalement du me supporter durant mon stage
de master recherche) : D aniel Jolly, professeur à l’UniversitØ d’Artois et directeur du L G I2 A,
D aniel D upont, enseignant chercheur à H E I et responsab le du pô le IngØnierie et S ciences du
V ivant, et P hilippe K ub iak , maître de confØrences au L AG IS (É cole C entrale de L ille). Ils ont,
chacun à leur maniŁ re, permis à ce projet d’ab outir.
Mes respects les plus profonds vont aux memb res du jury qui ont acceptØ de prendre de
leur temps pour juger ce travail.
Je souhaite adresser mes remerciements les plus amicaux aux doctorants avec qui j’ai col-
1lab orØ et partagØ des moments si particuliers dans des lieux inhospitaliers et incongrus :
D amien C harab idz e, aujourd’hui chercheur post-doctoral à l’Institut de MØdecine L Øgale de
L ille et Alex andre V eremme, doctorant au L G I2 A.
Je remercie de plus tous ceux qui, à un moment ou un autre, m’ont aidØ d’une maniŁ re ou
d’une autre : G illes G oncalves, É ric L efŁ vre, D avid Mercier, G uillem L efait et S aïd E l H mam
Mohamed du L G I2 A, B enoît B ourel et C Ødric D evigne du L ab oratoire E nvironnement et
S antØ de la F acultØ L ib re des S ciences et T echnologies de L ille, Jean-L ouis D eneub ourg de
l’UnitØ d’É cologie S ociale de l’UniversitØ L ib re de B rux elles, C Ødric H oussaye de l’Institut
de MØdecine L Øgale de L ille ainsi que tous les employØs de la V erminiŁ re de S aint P ourç ain-
sur-S ioule.
Je remercie Øgalement les memb res du dØpartement informatique de l’IUT de L ens grâ ce à
qui j’ai pu dØcouvrir les joies de l’enseignement : G illes Audemard, F rØdØric B oussemard, V a-
lØrie C apelle, S ylvie C oste-Marquis, G iovanna G iarrusso, S ouhila K aci, C hristophe L ecoutre,
O livier R oussel et V incent V idal.
Je remercie en n ma famille et mes amis qui m’ont soutenu et encouragØ : mon pŁ re, ma
mŁ re, mes frŁ res et mes sœ urs, les nantais : F lorian, F lorence, T homas, N icolas, Matthieu,
AurØlie et G uillaume et les lillois : L ucie, B ec, F rØdØric, V irginie, G uillaume, F ranç ois,
K risten, R Øgis, F lorent, C Øline, Max ime, S imon, L a B use, F austine et Mariama.
1P our plus de prØcisions sur la nature de ces moments et de ces lieux , je renvoie le lecteur au chapitre 6
iiiJe dØdie cette thŁse à Luna
iiiivTable des matiŁres
Table des g u res x i
L iste des tableau x x iii
RØ su mØ x v
A bstract x v ii
Intro du ctio n x ix
P artie I É tat des co nnaissances 1
C h ap itre 1 M o dØ lisatio n et simu latio n nu mØ riq u e de sy stŁmes co mp lex es 3
1.1 DØnitions fondamentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.1 SystŁme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.1.1 Une premiŁre dØnition . . . . . . . . . . . . . . . . . . . . . 4
1.1.1.2 Le cas des systŁmes complexes . . . . . . . . . . . . . . . . . 5
1.1.2 ModŁle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.2.1 Q u’est-ce qu’un modŁle ? . . . . . . . . . . . . . . . . . . . . 6
1.1.2.2 Pourquoi modØliser ? . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 ModØlisation et simulation numØrique . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.1 ClØs de classication d’un modŁle . . . . . . . . . . . . . . . . . . . . . 7
1.2.1.1 MØta-modŁle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.1.2 Echelle de modØlisation . . . . . . . . . . . . . . . . . . . . . 8
1.2.1.3 DØterminisme . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1.4 ReprØsentation du temps . . . . . . . . . . . . . . . . . . . . 9
1.2.2 MØthodologies de simulation numØrique . . . . . . . . . . . . . . . . . 9
vTable des matiŁres
1.2.2.1 Une premiŁre dØnition . . . . . . . . . . . . . . . . . . . . . 9
1.2.2.2 Une dØnition plus complŁte . . . . . . . . . . . . . . . . . . 10
1.3 Simulation OrientØe Agent . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.1 Notions fondamentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3.1.1 L’agent . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3.1.2 L’environnement . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3.1.3 Communication entre agents . . . . . . . . . . . . . . . . . . 15
1.3.1.4 Le systŁme multi-agent . . . . . . . . . . . . . . . . . . . . . . 16
1.3.2 Une mØthodologie pour la SOA . . . . . . . . . . . . . . . . . . . . . . 16
1.3.3 Plates-formes de simulation orientØe agent . . . . . . . . . . . . . . . 17
1.3.3.1 MadKit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3.3.2 TurtleKit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3.4 Choix de la simulation orientØe agent . . . . . . . . . . . . . . . . . . . 20
1.4 Simulation par automates cellulaires . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.4.1 DØnition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.4.2 MØthodologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.4.3 Application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.5 RØsumØ du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
Chapitre 2 ProblŁme inverse et raisonnement abductif 23
2.1 La notion de problŁme inverse . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.1.1 DØnition formelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.1.2 RØsolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Le raisonnement abductif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.1 Les diffØrents types de raisonnement . . . . . . . . . . . . . . . . . . . 26
2.2.1.1 Les trois modes de raisonnement . . . . . . . . . . . . . . . 26
2.2.1.2 Le raisonnement temporel . . . . . . . . . . . . . . . . . . . 27
2.2.1.3 Les diffØrents objectifs du raisonnement . . . . . . . . . . 27
2.2.2 Cas d’Øtude : l’abduction . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2.2.1 Deux points de vue sur l’abduction . . . . . . . . . . . . . . 29
L’abduction comme produit . . . . . . . . . . . . . . . . . . . . 29
L’abduction comme processus . . . . . . . . . . . . . . . . . . . 30
2.2.3 L’abduction en Philosophie . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.3.1 La notion de modŁle causal . . . . . . . . . . . . . . . . . . . 31
vi2.2.3.2 Une approche classique : l’abduction comme dØduc-
tion inverse . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.3.3 L’infØrence contrastive . . . . . . . . . . . . . . . . . . . . . . 32
2.2.3.4 De l’importance des stratØgies . . . . . . . . . . . . . . . . . 32
2.2.4 L’abduction en Intelligence Articielle . . . . . . . . . . . . . . . . . . 33
2.2.4.1 L’abduction comme un problŁme de recouvrement
d’ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2.4.2 L’abduction comme infØrence logique . . . . . . . . . . . . 34
2.3 Relations entre abduction et problŁme inverse . . . . . . . . . . . . . . . . . . 34
2.4 RØsumØ du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Partie II Une architecture de systŁme d’aide à la dØcision basØ sur les
notions de problŁme inverse et de simulation orientØe agent 37
Chapitre 3 Architecture gØnØrale — ProblØmatiques 39
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2 Validation de simulations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.2.1 Mesure de la validitØ d’une simulation . . . . . . . . . . . . . . . . . . 42
3.2.2 Mesure de la validitØ d’un ensemble de paramŁtres . . . . . . . . . . 42
3.3 Observation de simulations orientØes agent . . . . . . . . . . . . . . . . . . . . 42
3.3.1 ProblØmatique gØnØrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.3.2 Description du cas d’Øtude . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.3.3 Filtrage des informations . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.3.3.1 Auto-observation des agents . . . . . . . . . . . . . . . . . . 46
3.3.3.2 Échantillonnage de la population . . . . . . . . . . . . . . . 46
3.3.3.3 Bilan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.4 RØsumØ du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
Chapitre 4 ModØlisation et rØsolution de problŁmes inverses basØes sur des cri-
tŁres d’abduction 5 1
4.1 Description du modŁle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.1.1 DØnitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.1.2 Objectifs de la rØsolution . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.1.3 Algorithme de rØsolution . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
viiTable des matiŁres
4.2 Heuristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.2.1 CritŁres de choix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.2.2 DØnition des heuristiques . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.3 RØsultats expØrimentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.4 RØsumØ du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
Partie III Application à l’entomologie mØdico-lØgale 63
Chapitre 5 Introduction à l’entomologie mØdico-lØgale 65
5.1 Principes gØnØraux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.1.1 Objectifs des expertises entomologiques . . . . . . . . . . . . . . . . . 66
5.1.2 Colonisation d’un cadavre par les diptŁres nØcrophages . . . . . . . 66
5.2 ModØlisation du dØveloppement des diptŁres nØcrophages . . . . . . . . . . . 68
5.2.1 La tempØrature, paramŁtre fondamental . . . . . . . . . . . . . . . . . 68
5.2.2 Quelques modŁles de dØveloppement . . . . . . . . . . . . . . . . . . . 69
5.2.2.1 Le modŁle des degrØs jours (heures) accumulØs . . . . . . 69
5.2.2.2 Le modŁle de Stinner . . . . . . . . . . . . . . . . . . . . . . . 70
5.2.3 VariabilitØ de la vitesse de dØveloppement au sein d’une population 70
5.2.3.1 Les Time Distributed Delays . . . . . . . . . . . . . . . . . . 70
5.2.3.2 La mØthode de RØgniŁre . . . . . . . . . . . . . . . . . . . . . 71
5.3 Calcul d’un intervalle post-mortem à l’aide de modŁles de dØveloppement 72
5.3.1 Approche formelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.3.2 ProblØmatique principale : l’estimation de la tempØrature . . . . . . 72
5.3.2.1 L’existence de micro-climats . . . . . . . . . . . . . . . . . . 72
5.3.2.2 L’inertie thermique du corps . . . . . . . . . . . . . . . . . . 73
5.3.2.3 L’effet des masses de larves . . . . . . . . . . . . . . . . . . . 73
5.4 RØsumØ du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Chapitre 6 ModØlisation et simulation orientØes agent du dØveloppement des
D iptŁres nØcrophages 75
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
6.1.1 Description du systŁme ØtudiØ . . . . . . . . . . . . . . . . . . . . . . . 76
6.1.1.1 L’environnement . . . . . . . . . . . . . . . . . . . . . . . . . 76
6.1.1.2 Les diptŁres femelles gravides . . . . . . . . . . . . . . . . . . 76
viii

Soyez le premier à déposer un commentaire !

17/1000 caractères maximum.

Diffusez cette publication

Vous aimerez aussi