Simulation
Objectifs
Introduire les concepts utilisés en modélisation et simulation stochastiques à événements discrets ainsi qu’en simulation par objets. Outre les notions générales de modèles et de système, nous abordons la conception de plans d’expériences, et la notion de systèmes complexes. La gestion des échéanciers est enseignée ainsi que les aspects spatiaux avec les automates cellulaires. Après avoir étudié la génération de nombres pseudo-aléatoires et la reproduction de lois continues ou discrètes, plusieurs réalisations de simulations stochastiques sont implémentées en commençant par des simulations de Monte Carlo pour terminer par une réalisation de système d’intelligence artificielle distribuée (avec multi-agents spatialisés). D’une façon générale la maîtrise technique et théorique des éléments de ce cours est un des éléments essentiels pour l’explicabilité et la reproductibilité des expériences d’apprentissage automatique (Machine Learning et Deep Learning). La vérification et la validation des modèles est abordée ainsi que les problèmes de répétabilité numérique essentiels pour le débogage de toute application stochastique.
Pédagogie innovante : La dernière partie du cours sur la simulation d’intelligence artificielle distribuée et réalisée en mode projet. Les étudiants se confrontent la création d’un cahier des charges avec un ensemble de contraintes (multi-agents spatialisés) et de choix à réaliser.
Plan du cours
Le cours se réalise en présentiel avec des travaux pratiques.
I Introduction et concepts fondamentaux
II Processus de modélisation et de simulation par objets
III La modélisation des phénomènes stochastiques
- La génération de nombres pseudo-aléatoires
- La reproduction de lois discrètes ou continues par simulation
IV Techniques de simulation discrète et découverte des systèmes complexes
- Automates cellulaires
- Simulation à événements discrets
- Méthode de Monte Carlo
V Simulation d’intelligences artificielles distribuées
- Agents réactifs
- Agents cognitifs
- Patrons et cadriciels pour le développement de simulation multi-agents spatialisés
VI Validation des modèles de simulation
- Techniques de vérification des modèles
- Les problèmes de reproductibilité numérique.
Description des TP
F1 et F2
- TP1: La modélisation du hasard avec des générateurs de nombres pseudo-aléatoires.
- TP2: Simulation de tous types de lois statistiques (discrètes ou continues)
- TP3: Implémentation de Simulations de Monte Carlo et calcul d’intervalles de confiance
- TP4: Simulation stochastique de phénomènes naturels (avec réplications)
F1
- TP5: Analyse et cahier des charges pour une simulation d’intelligence artificielle distribuée à base de multi-agents spatialisée (application à la robotique, aux simulation de drônes…)
Connaissances requises
- Cours de langage C/Java (C++ si possible)
- Structure des données et d’Unix (étudiés en première année et en début de 2ème année pour le C++).
RSE (Responsabilité Sociale et Environnementale)
Bibliographie
- ANTUNES B, HILL D., Reproducibility, Replicability and Repeatability: A survey of reproducible research with a focus on high performance computing, Computer Science Review 53, 100655, 28 p.
- BANKS J., Ed. “Handbook of Simulation”, 1998, 849 p.
- COQUILLARD P., HILL D., Modélisation et Simulation des Ecosystèmes, Masson, 1997, 273 p.
- HILL D., “Object-oriented Analysis and Simulation”, Addison-Wesley, 291 p.
- ZEIGLER B.P., PRAEHOFER H., KIM T., “Theory of Modeling and Simulation: Integrating Discrete Event and Continuous”, Academic Press, 2000, 509 p.
- HILL D., MUZY A., ZEIGLER B.P., “Complex Systems: Activity-based Modelling and Simulation”, Cargese CNRS Interdisciplinary Seminar, Blaise Pascal University Press, 2009, 163 p.
- WAINER G.A. and MOSTERMAN P.J (ed.). Discrete-event modeling and simulation: theory and applications. CRC press, 2018, 510 p.
- COLLINS, Andrew J., SABZ ALI POUR, Farinaz, et JORDAN, Craig A. Past challenges and the future of discrete event simulation. The Journal of Defense Modeling and Simulation, 2023, vol. 20, no 3, p. 351-369.
- ZEIGLER, Bernard P. Discrete Event Systems Theory for Fast Stochastic Simulation via Tree Expansion. Systems, 2024, vol. 12, no 3, p. 80.