| Titre : | Une approche automate cellulaire pour l'apprentissage d'un agent |
| Auteurs : | Rabiya Merabet, Auteur ; Okba Kazar, Directeur de thèse |
| Type de document : | Mémoire magistere |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2012 |
| ISBN/ISSN/EAN : | TINF/54 |
| Format : | 1 vol. (96 p.) / ill. / 29 cm |
| Langues: | Français |
| Résumé : |
L’apprentissage automatique (machine - learning en anglais) est un des champs d’étude de l’intelligence artificielle. L’apprentissage automatique fait référence au développement, à l’analyse et à l’implémentation de méthodes qui permettent à une machine (au sens large) d’évoluer grâce à un processus d’apprentissage, et ainsi de remplir des tâches qu’il est difficile ou impossible de remplir par des moyens algorithmiques plus classique. On peut concevoir un système d’apprentissage automatique permettent à un robot, ayant la capacité de bouger ses membres, mais ne sachant rien de la coordination des mouvements permettant la marche, d’apprendre à marche. Le robot commencera par effectuer des mouvements aléatoire, puis, en privilégiant les mouvements lui permettant d’avancer, mettra peu à peu en place une marche de plus en plus efficace …L’objectif du travail consiste à proposer une approche d’apprentissage à base d’automate cellulaire pour un agent. |
| Sommaire : |
Introduction Générale 1 Chapitre I : Etat de l’art sur les approches d’apprentissage en IA 1 I.1. Introduction 5 I.2. Généralités et définitions 5 I.2.1. Quelques applications de l'apprentissage artificiel 6 I.2.2. Quelques définitions de base 7 I.2.3. L'Acquisition de Connaissances………… 8 I.2.4. Apprentissage Automatique 9 I.2.4.1. Définition de l’Apprentissage………………… 10 I.2.4.2. Définition d’apprentissage automatique 10 I.2.4.3. Formulation d’apprentissage 10 I.2.4.5. Conditions d’apprentissage………………. 11 I.2.4.6. Classification d’apprentissage automatique 12 I.2.4.6.1. Selon les connaissances manipulées 12 I.2.4.6.2. Selon le type d’information disponible 13 I.2.4.6.3. Selon l’objectif attendu du processus d’apprentissage 14 I.2.4.6.4. Selon la stratégie utilisée 14 I.3. Les approches d’apprentissage en IA 15 I.3.1. Les Algorithmes génétiques (AG) 15 I.3.2. Les Réseaux Neuronaux artificiels (RN) 17 I.3.2.1. Le neurone biologique 17 I.3.2.2. Le neurone formel 18 I.3.3. Le Raisonnement fondé sur des cas – CBR 19 I.3.4. Arbre de décision (AD) 20 I.3.5. Les chaînes de Markov et les modèles de Markov cachés (MMC) 20 I.3.6. La méthode des k-plus proches voisions(Kppv) 21 I.3.7. Les réseaux bayésiens (RB) 22 I.4. Synthèse 22 I.5. Conclusion 26 Chapitre II : Etat de l’art : L'apprentissage chez les agents 27 II.1. Introduction 27 II.2. Étude du concept d'agent 28 II.2.1. Caractéristiques des agents 29 II.2.2. Apprentissage ou rationalité ? 29 II.2.3. Apprentissage ou adaptation ? 31 II.2.4. Agent apprenant 32 II.2.5. Typologie des agents 33 II.3. Les systèmes multi agent 34 II.4. Apprentissage chez les agents 35 II.4.1. Apprentissage mono agent 35 II.4.2. Apprentissage multi agents 36 II.5. Quelques travaux traitant l’apprentissage chez les agents 37 II.6. Discussion 40 II.7. Conclusion 43 Chapitre III : L’automate Cellulaire et L'apprentissage : Etudes techniques et Formelles……………………………………………………...44 III.1. Introduction 44 III.2. Une brève histoire des automates cellulaires 44 III.3. Définition des automates cellulaires 46 III.3.1. Etude formelle 46 III.3.2. Différents types d’Automates cellulaires 47 III.3.2.1. Les automates cellulaires Déterministe 47 III.3.2.2. Les automates cellulaires Stochastiques 49 III.4. Caractéristiques des AC 50 III.5. Terminologie 52 III.6. Quelques travaux traitant l’apprentissage chez les agents a base d’automate cellulaire ……………………. 53 III.7. Apprentissage par renforcement (AR) 53 III.8. Conclusion 54 Chapitre IV : Conception du modèle d’un agent apprenant basé automate cellulaire 55 IV.1. Introduction 55 IV.2. Description de notre travail 55 IV.3. Architecture Globale du Système Proposée 58 IV.3.1. Description des différents modules 59 IV.3.1.1. Module d’environnement 59 IV.3.1.2. Module de Capteur 59 IV.3.1.3. Module d’effectuée 59 IV.3.1.4. Modules de sélection d’action 59 IV.3.1.4.1. Unité de filtrage 60 IV.3.1.5. Module de comportement 61 IV.3.1.6. Module d’apprentissage 62 IV.3.2. Approche développementale de l’apprentissage 63 IV.3.2.1. Méthode d'apprentissage par renforcement des automates cellulaires déterministe 65 IV.3.2.3. L’algorithme de comportement de l’agent sans module d’apprentissage 67 IV.4. Conclusion 68 Chapitre V : Etude de cas et implémentation…………………………………..…………69 V.1. Introduction 69 V.2. Présentation de l'étude de cas 69 V.2.1. Description du problème à résoudre 69 V.2.2. Travail Théorique………….. 70 V.2.2.1. L’environnement "Labyrinthe" 70 V.2.2.2. Comportements de l'agent (robot) 71 V.2.2.3. Pour le stimulus 71 V.2.3. Travail Pratique 72 V.2.3.1. Langage de programmation utilisé……………….. 72 V.2.3.2. Les concepts d’agent dans NetLogo……………….. 72 V.3. Résultat expérimentaux……………. 75 V.3.1. Présentation de l’interface 75 V.3.1.1. Fenêtre principale 76 V.3.1.2. Les bouton interviennent ……………………………………………………...76 V.3.2. Résultats d’exécution…………. 79 V.4. Conclusion 82 Conclusion Générale 82 Bibliographie 85 |
| En ligne : | http://thesis.univ-biskra.dz/id/eprint/1848 |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| TINF/54 | Mémoire de magister | bibliothèque sciences exactes | Consultable |
