Cours M2

Cette UE porte sur les problématiques de coordination et de recherche de consensus entre agents cognitifs. Elle présente les méthodes de résolution et les mécanismes multi-agents prenant en charge la distribution, l'incertitude, l'asynchronisme et, éventuellement, l'hétérogénéité des agents.

Cette UE présente les méthodes avancées et les applications industrielles récentes en Optimisation Combinatoire et en Ordonnancement.
Elle s'intéresse à la résolution exacte des problèmes d'optimisation combinatoire NP-difficiles (voyageur de commerce, tournées de véhicules, coloration de graphes, ...).

Cette UE fait le lien entre la réalisation et l'utilisation de systèmes s'appuyant sur l'intelligence artificielle, l'apprentissage machine et leurs considérations éthiques. Elle présente des principes et heuristiques pour la conception de systèmes intelligents (adaptation, apprentissage interactif, explicabilité, etc.) ainsi que les facteurs humains impliqués (prise de décision, biais cognitifs, confiance, etc.)

Cette UE traite des différents modèles et algorithmes pour l'aide à la décision et la prise automatique de décision en contexte incertain. Dans un premier temps, elle se focalise sur les modèles décisionnels classiques, statiques ou séquentiels. Pour une utilisation pratique de ces modèles et particulièrement pour absorber la complexité d'un passage à l'échelle, le cours s'attache ensuite à présenter les modèles compacts de représentation dans un premier temps probabiliste, puis pour les préférences.

crédit photo

Nous montrerons comment les systèmes multi-agents peuvent être utilisés pour modéliser et simuler des systèmes complexes à l'aide de nombreux agents intelligents en interaction dans des environnements riches et dynamiques.

L'objectif de cette UE est de fournir aux étudiants des outils permettant d'aborder les problèmes de décision collective ou d'optimisation multi-objectifs (chaque objectif pouvant représenter un point de vue différent du problème : agent, scénario, critère). La première partie du cours porte sur la décision collective. Après avoir dressé un panorama des difficultés que l'on peut rencontrer dans les problèmes de décision collective, on présente les principaux résultats théoriques sur l'agrégation des préférences, et on aborde les aspects computationnels en choix social.

Les approches algorithmiques classiques en optimisation font généralement des hypothèses fortes sur le système étudié: problème clairement défini, fonction objectif précise, données parfaitement connues,... Or, ces hypothèses sont dans de nombreux cas pratiques irréalistes. Par exemple, lors d'applications en ligne il est fréquent que les données soient susceptibles d'évoluer au cours du temps. Aussi, plusieurs personnes sont souvent partie prenante dans le système étudié, ce qui rend l'objectif et la dynamique même du système plus complexes.

Cette UE présente les méthodes et algorithmes développés pour doter des systèmes robotiques d'une autonomie décisionnelle. On abordera diverses approches, en partant des approches classiques d'ingéniérie jusqu'aux approches bio-inspirées. Les notions abordées concernent la navigation, la localisation et la cartographie, le contrôle moteur, la sélection de l'action, la décision séquentielle dans l'incertain ainsi que l'apprentissage de concepts, de modèles ou de comportements pour un robot ou un groupe de robots autonomes.