IA3 - Multi-Agents and Self-* Systems

Master Intelligence Artificielle (IA) - Année 2018-2019


Responsable : Salima Hassas (salima.hassas [at] univ-lyon1.fr) (https://sites.google.com/site/mysitesalima/)

Intervenants :



Planning

Séance Intervenant Titre et description
CM (2h) S. Hassas Introduction to Multi-agents Systems (MAS)
CM (2h) N. Kabachi Cognitive MAS (BDI) : The cognitivist approach
CM + TP N. Kabachi Jade
CM + TP (4h) S. Aknine
CM (2h) + TP (2h) L. Matignon Stochastic planning
CM (1h) + TP (5h) L. Matignon Reinforcement Learning
CM + TP S. Hassas Interactions in MAS
CM + TP S. Hassas MAS et Self*

Examen

  • Epreuve écrite (session 1) .



Programme de l'unité d'enseignement

Ce cours introduit le domaine des systèmes multi-agents et le positionne à travers ses deux courants cognitif/réactif dans le domaine de l’Intelligence artificielle et le domaine de la vie artificielle.

Il définit les dimensions du paradigme multi-agents (Agent, Environnement, Interaction, Organisation et Utilisateur), ainsi que les architectures, formalismes et techniques à base de SMA pour la modélisation et la résolution de problèmes complexes à l’aide de la mise en œuvre d’une intelligence collective, de contrôle décentralisé, de solutions auto-* (auto-contrôle, auto-organisation, auto-adaptation, etc.). Les travaux pratiques seront réalisés sur des plateformes multi-agents.

Ce cours présente aussi des modèles pour la prise de décision sous incertitudes, d'un point de vue théorique et pratique avec une présentation de différentes applications robotiques de ces modèles. Les travaux pratiques consistent à implémenter des algorithmes de décision (planification, apprentissage par renforcement) pour différents types d'agent (robot 1D, jeu pacman).



Modalités d'évaluation

Les projets à rendre dans cette UE sont les suivants:
  • Séances de N. Kabachi: Rapport et code, à rendre pour le
  • Séances de L. Matignon: Rapport et code, à rendre pour le
Les modalités d'évaluation sont:
  • Notes de TP (moyenne de tous les rendus comptant 50% de la note), épreuve écrite (50% de la note).


Bibliographie et liens


Ouvrages :

Richard S. SUTTON, Andrew G. BARTO. Reinforcement Learning: an introduction. MIT Press, 1998. Seconde édition (Draft) disponible ici.

Olivier BUFFET, Olivier SIGAUD. Processus décisionnels de Markov en intelligence artificielle. Lavoisier - Hermes Science Publications, 2. 2008.






Licence Creative Commons

Last modified :