Laboratoire Sciences Pour l'Environnement | CNRS - Università di Corsica
Structuration de la recherche  | SISU (Simulation Informatique et Systèmes Ubiquitaires)
Activités
Dans cette catégorie : Equipe | Equipements | Production scientifique | Collaborations |

Le projet SISU (Simulation Informatique et Systèmes Ubiquitaires est constitué de deux aspects : un aspect scientifique fondamental dans lequel nous développons des concepts génériques pour l’étude des systèmes complexes et un aspect technologique dans lequel nous mettons en œuvre l’ensemble des concepts développés.

Dans les deux cas les concepts (pour l’aspect scientifique) et l’implémentation (pour l’aspect technologique) sont utilisés pour l’étude de problèmes liés au comportement de systèmes complexes permettant d’apporter un éclairage sur des problèmes concrets émanant de la société ou de l’industrie

Le projet SISU a débuté en Janvier 2008, deux axes complémentaires sont actuellement développés : 

  • Axe 1 Concepts de modélisation et de simulation à événements discrets fondés sur le formalisme DEVS (Discrete EVent system Specification).
  • Axe 2 Modèles Décisionnels

 

Axe 1 : développement de concepts de modélisation et de simulation à événements discrets fondés sur le formalisme DEVS (Discrete EVent system Specification).

Ces concepts permettent d‘appréhender les systèmes complexes (par la modélisation et la simulation à événements discrets) en étendant le formalisme DEVS avec les notions de hiérarchie d’abstraction, de granularité temporelle, les chaines de Markov et la quasi-lumpability, la modélisation et la simulation DEVS par services Web, l’intégration de concepts issus de l’apprentissage automatique, l’intégration de technologies issues de l’internet des objets – gestion de capteurs, actuateurs et microcontroleurs au sein de DEVS, etc. La validation de ces concepts est effectuée à l’aide du logiciel DEVSimPy (Python DEVS Simulator). DEVSimPy est un environnement logiciel de modélisation et de simulation développé au sein du projet SISU. Dans de nombreux domaines d’applications, les données recueillies sont acheminées grâce aux réseaux de capteurs sans fil vers un serveur permettant l’intégration des données au sein de l’environnement logiciel DEVSimPy. Cette interactivité entre les données recueillies à l’aide de réseaux de capteurs sans fil et l’environnement logiciel DEVSimPy permet l’exécution de simulations qui prennent en compte des données issues de la réalité du terrain d’expérimentation. A terme, ces données devront également permettre d’affiner le paramétrage des modèles DEVS et ainsi améliorer leur précision. Cette amélioration pourra se faire au fur et à mesure de la collecte des données qui seront mises en corrélation avec les données simulées. Les modélisations et les simulations des systèmes étudiés ne restent donc pas seulement des outils travaillant sur des données définies en laboratoire mais deviennent des outils puissants d’aide à l’analyse ou à la gestion de systèmes complexes.

 

Axe 2 : Modèles Décisionnels. 

Les recherches de cet axe s’inscrivent d’une part dans des problématiques internationales de préservation de l’environnement et d’autre part sont conformes aux enjeux régionaux de développement économique durable de la Corse. Nous travaillons plus particulièrement à la mise en œuvre de concepts scientifiques et technologiques utilisés pour l’étude de problèmes liés au comportement de systèmes naturels ou artificiels : tels que la simulation de systèmes à interfaces évolutives (polluants, feux), la modélisation centrée individus (poissons, individus, robots…), la conception de systèmes d’acquisitions et de télécommunication (capteurs) ainsi que l’analyse et le traitement des données (aide à la décision). L’Internet Of Things, en renforçant la connectivité des objets du monde réel a permis une intégration plus forte des nouvelles technologies de l’information dans l’approche d’ingénierie et a fait apparaitre un ensemble vaste de problèmes tant théoriques que pratiques dans le domaine de la modélisation, de l’optimisation ou du développement de systèmes intelligents. Les recherches de l’axe 2 couvrent un grand nombre de thématiques, certaines s’insèrent dans le domaine de l’Intelligence Artificielle (IA), qui vise par exemple à faire coopérer des agents « non intelligents » au sein d’un même environnement en vue de coordonner leur comportement, ou dans celui de la Recherche Opérationnelle (RO) afin de définir des méthodes mathématiques ou informatiques pour trouver les bonnes solutions. Les champs d’investigation et les domaines d’application sont tout aussi variés que les thématiques de recherche. Conscient que la problématique de l’eau est devenue au fil des ans une question stratégique au niveau mondial, depuis deux ans nous avons orienté une partie de nos recherches dans un domaine à la frontière entre l’informatique et la biologie marine autour de la gestion des ressources halieutiques (collaboration avec le projet GEM). De même une collaboration étroite avec le projet FEUX en cours permet le développement de concepts et outils pour le dimensionnement des coupures de combustible basé sur un modèle d’évaluation des distances de sécurité qui utilise en entrée les prédictions du modèle de propagation.

 

DESCRIPTION DETAILLEE DES AXES

Axe 1 : développement de concepts de modélisation et de simulation à événements discrets fondés sur le formalisme DEVS (Discrete EVent system Specification).

L’objectif de cet axe est le développement de concepts et outils de modélisation et simulation à événements discrets fondés sur le formalisme DEVS. Ces concepts permettent d‘appréhender les systèmes complexes (par la modélisation et la simulation à événements discrets) en étendant le formalisme DEVS.

Ces extensions durant la période 2016-2018 ont concernées les concepts suivants :

  • Notions de hiérarchie d’abstraction et de hiérarchie temporelle ; en effet, le formalisme DEVS propose une hiérarchie de description qui permet la définition d’un modèle en utilisant une décomposition hiérarchique et modulaire. Cependant, il convient de souligner que ce genre de hiérarchie ne comporte pas de définition de niveaux d’abstraction car le comportement de tous les modèles est défini à un même niveau d’abstraction. La hiérarchie d’abstraction permet de définir des niveaux de détails différents : passer d’un niveau de hiérarchie à un autre niveau plus bas signifie qu’une augmentation de l’information (plus de détails) doit être ventilée à partir des ports du niveau N vers les ports correspondants au niveau N + 1. Inversement, les informations sur les ports de sortie de composants au niveau N + 1 doivent être regroupées dans les ports correspondants au niveau N. Une autre sorte de hiérarchie concerne l’aspect temporel. Une position temporelle peut être décrite à différents niveaux de granularité temporelle en fonction de la précision requise ou les connaissances disponibles. Une représentation fondamentale des structures hiérarchiques de modèles modulaires exprimées au sein du formalisme DEVS repose sur le formalisme SES (System Entity Structure) défini par B.P. Zeigler afin de décrire formellement une famille de modèles DEVS partageant des comportements similaires. Cette connection entre les nouveaux concepts de hiérarchies et le formalisme SES fait l’objet d’une collaboration récente avec des chercheurs de l’Université de Wismar en Allemagne.
  • Traitement des chaines de Markov (calcul de la distribution invariante associée à la matrice des probabilités d’une chaine de Markov). Cette distribution peut être calculée soit de manière analytique en résolvant un système d’équations, soit par simulation de la chaîne de Markov. Lorsque l’espace des états d’une chaîne de Markov devient grand (des millions), il devient difficile de les manipuler. Une solution consiste à réduire cet espace par agrégation des états. Nous abordons ce problème de réduction d’une chaine de Markov comme un problème de contrôle optimal. L’objectif du contrôle et d’obtenir la fonction de partition (policy) qui minimise la métrique du taux de divergence Kullback- Leibler (K-L). Une collaboration est en cours avec le Prof. Zeigler qui a défini une extension du formalisme DEVS  (FPDEVS Finite Probabilistic DEVS) afin d’intégrer dans un modèle atomique la théorie de Markov.  Nous avons défini le schema de modélisation et de simulation suivant : (1) modélisation DEVS du processus de recherche de l’état stationnaire de la chaîne de Markov ; (2) optimisation via la simulation (OvS) afin de trouver la partition optimale dans l’objectif de réduire une chaîne de Markov en utilisant le critère K-L.  Nos travaux futurs concernent d’une part l’intégration des travaux de B.P. Zeigler concernant la réduction d’une chaîne de Markov en utilisant la quasi-reduction (quasi-lumpability) à partir d’une partition donnée afin de générer la partition optimale. 
  • Le concept d’activité dans DEVS couplé à la notion de complexité. le concept d’activité a été introduit par le Professeur Zeigler et défini comme le nombre d’exécution des fonctions de transition d’un modèle atomique. L’activité quantitative (QA) est une mesure qui consiste à compter le nombre de transitions entre les états d’un modèle pendant sa simulation dans une période de temps donnée. La mesure de l’activité peut être utilisée pour l’analyse dynamique des modèles DEVS afin de collecter des informations (comme la mémoire utilisée, la durée d’exécution ou l’utilisation du CPU) pendant leur exécution durant la simulation. Cette mesure est donc directement liée aux performances de la simulation et peut donc être utilisée pour optimiser celle-ci. Cependant, l’algorithme d’optimisation ne peut agir qu’après un certain temps de simulation nécessaire à l’acquisition des premières mesures de l’activité. Nous avons proposé une métrique statique de l’activité des modèles DEVS à partir des travaux existant dans le domaine du génie logiciel tels que la mesure de la complexité cyclomatique McCabe  ou la mesure d’Halstead. Nous avons aussi pu définir une estimation du temps d’exécution des modèles atomiques dans le pire et le meilleur des cas. Dans les deux cas précédents (mesures de complexité ou estimation du temps d’execution) aucune simulation DEVS n’est nécessaire.

Afin de valider les concepts précédents, nous utilisons le logiciel DEVSimPy que nous avons implémenté lors du précédent contrat. Le logiciel DEVSimPy est un environnement graphique de modélisation et simulation de systèmes complexes basé sur le formalisme DEVS. Il permet donc de valider de nouveaux concepts liés au formalisme DEVS mais il permet aussi de modéliser et de simuler des systèmes complexes dans le formalisme DEVS à l’aide du langage Python. 

Depuis 2013, le projet SISU a évolué en ajoutant aux recherches autour du formalisme DEVS et de ses applications de nouvelles orientations : la simulation DEVS en tant que service web et la simulation DEVS dans les systèmes embarqués et les systèmes ubiquitaires.  Les travaux menés au sein de l’axe 1 du projet SISU ont donc trois orientation : 

  1. Orientation web : l’idée est de proposer des nouveaux concepts et outils liés au formalisme DEVS au niveau du web (par exemple en utilisant des services web). Le plus important reste la simulation à évènements discrets qui peut être proposée en tant que service web et qui peut ensuite être associée à d’autres services web pour mettre en œuvre des processus de prédiction. ; 
  2. Orientation matériel : Le formalisme DEVS peut être exploité dans le domaine des objets connectés (comme les plateformes Arduino, Rapsberry ou Phidgets) et des systèmes embarqués (comme des plateformes du type FPGA). La simulation DEVS temps-réel peut être embarquée dans ce type de systèmes pour réaliser de la commande ou du contrôle de systèmes. La simulation DEVS peut aussi être alimentée par ce type de plateforme qui embarque des capteurs dont les données réelles peuvent être exploitées. Cette approche ouvre des perspectives intéressantes dans la validation des modèles DEVS à partir de données massives (big data) réelles. 
  3. Orientation Concepts et applications : Bien entendu, le cœur des recherches centrées sur le développement de nouveaux concepts et de nouvelles applications autour du formalisme DEVS est conservé (comme la modélisation à base de chaînes de Markov, l’utilisation de la hiérarchie d’abstraction et de la granularité temporelle dans les modèles couplés, la notion d’activité, etc. … ). En particulier des travaux permettant d’associer la M&S avec des techniques d’apprentissage automatiques sont à l’étude au sein de l’axe 1 : (1) génération de données à l’aide de modèles  de simulation en amont d’un outil d’apprentissage automatique ; (2) visualisation et analyse des résultats d’outils d’apprentissage automatique à l’aide de la M&S ; (3) définition de concepts issus de la M&S afin d’améliorer les algorithmes d’apprentissage automatique.

De plus les concepts et outils issus de ces travaux seront déployés dans le cadre d’applications concrètes : (i) projet Smart Parking mené par la ville de Bastia (coeur de ville) ; (ii) participation au projet  européen H2020 ENACT en tant qu’expert en simulation pour le développement d’un outil de validation de spécifications de systèmes ubiquitaires par simulation.

Axe 2 Modèles décisionnels

Les travaux menés, dans cet axe, concernent la modélisation et la simulation (M&S) de systèmes naturels à l’aide d’approches empruntées à l’intelligence artificielle tels que les systèmes multi-agents. L’objectif est d’étudier leur dynamique et de proposer des stratégies permettant d’optimiser certaines parties du système, par exemple des fonctions de coûts. Nous pouvons regrouper la mise en place de ces stratégies sous l’appellation de méthodes d’aide à la décision. 

L’étude de systèmes naturels, environnementaux notamment, fait intervenir un grand nombre de paramètres en interaction. De plus ces systèmes sont évolutifs et sont le siège de phénomènes d’émergence ou d’instabilité dus à la grande sensibilité de leurs paramètres ou de l’environnement dans lequel ils sont plongés. Ces différents éléments compliquent la prise de décision. Nous nous proposons d’utiliser des outils méthodologiques d’aide à la décision (modèles décisionnels, méthodes d’optimisation, théorie des choix, systèmes d’inférence, deep-learning, …) issus de la recherche en informatique pour définir des stratégies intégrant plusieurs indicateurs liés aux points de vue de différents acteurs (professionnels, institutionnels, …). Cette approche globale alliant modélisation, simulation et optimisation permet de prendre en compte simultanément plusieurs critères, ainsi elle est particulièrement bien adaptée aux problèmes environnementaux que l’équipe traite depuis des années, et au contexte général d’un développement durable qui est un des objectifs de notre unité de recherche et des politiques régionales et nationales. 

Cette activité est récente, elle est la résultante de plusieurs objectifs. Il s’agit d’une part de la volonté de l’équipe de rapprocher nos travaux théoriques de l’étude de cas concrets traités par les autres chercheurs du laboratoire, tels que les biologistes ou les énergéticiens, et d’autre part de suivre la politique de la région qui soutient activement les actions liées au développement durable. Cela s’est traduit par l’obtention de deux projets soutenus par des fonds FEDER. Le projet MoonFish qui vise à assurer une exploitation raisonnée de la ressource halieutique associée au développement économique pérenne, en proposant des stratégies de pêche respectueuses du milieu afin de maintenir ou restaurer les stocks à des niveaux assurant un rendement durable. Le projet Smart Village qui vise à fournir un ensemble d’outils et d’objets assurant une surveillance environnementale pour proposer des stratégies dans le cadre d’un développement écologique et durale d’une commune, l'efficacité énergétique, la gestion de l’eau et des déchets.

Sur la base des travaux théoriques sur la modélisation et la simulation à événements discrets (axe 1), nous avons dans un premier temps intégré des méthodes d’intelligences artificielle, des approches multi agents, la représentation des connaissances, le traitement de données floues, des méthodes d’optimisation, des technologies liées à l’internet des objets pour nous permettre de pouvoir collecter des données environnementales et les traiter pour proposer des stratégies liées à un développement durable et responsable.

Les travaux développés dans le cadre d’une thèse soutenue en 2017 nous ont permis de poser les bases théoriques mais aussi de développer une API de simulation commune entre systèmes multi agents et théorie de la modélisation et la simulation. Cette dernière apporte la rigueur de la formalisation (PDEVS) à un paradigme un peu trop souple et qui peut avoir du mal à passer à l’épreuve de la reproductibilité des expériences numériques de simulation. Dans le cadre d’une seconde thèse débutée en 2016 nous envisageons de formaliser la représentation d’agents intelligents capables d’optimiser leur comportement dans le cadre d’un environnement dynamique. Ces travaux théoriques trouvent leur application dans le cadre du projet MoonFish dont le but est de proposer des méthodes d’aide à la décision pour améliorer les conditions des pêcheurs (accroitre les revenus) tout en préservant la ressource. Les bateaux des pêcheurs sont modélisés comme des agents ayant pour but d’optimiser leur rendement dans un contexte de gestion durable des stocks.

Une troisième thèse qui vient de débuter doit compléter nos travaux sur les méthodes d’optimisation. L’objectif est de tester plusieurs méthodes (algorithmes génétiques, méta-heuristiques, etc.) et ainsi faciliter le choix de la méthode en fonction de la problématique abordée.

Une dernière thèse en lien avec le projet Smart Village vient de débuter, elle concerne la prédiction des comportements des systèmes (avec un focus particulier sur le vivant) par le biais d’apprentissage automatique à partir de données collectées en temps réel. L’objectif est de corréler les données existantes d’un système observé avec des données collectées par des réseaux de capteurs sans fil pour arriver à prédire par le biais d’algorithmes d’apprentissage les comportements à venir. Ce travail de thèse s’appuie sur des travaux liés au déploiement et à l’optimisation (performance du réseau, consommation énergétique …) de réseaux de capteurs sans fil sur différents types de données (eau, sol, air, activités agricoles et fermières, déchets, etc.) déployés le cadre du projet Smart Village. Toutes ces données sont ensuite utilisées par des algorithmes de Machine Learning pour prédire l’évolution des systèmes grâce à un nouveau modèle (DEVS) nommé Smart Entity.

 

Page mise à jour le 07/03/2019 par Santoni Paul-Antoine