Logo du site
Paul-Antoine Bisgambiglia | Università di Corsica
Attualità
Paul-Antoine Bisgambiglia  |
Attualità

iDEVS

Présentation de iDEVS (méthode de modélisation DEVS imprécise).
La librairie développée (C++ et python) est disponible en pièce jointe.

Ce article présente les différentes étapes suivies afin de définir d’une nouvelle approche de modélisation et de simulation à évènement discret pour les systèmes à paramètres imprécis.
Cette étude a débuté avec des travaux sur la formalisation d’un système de production de fromage Corse. Suite à ces recherches, et en particulier, suite à la phase de modélisation du processus, nous avons pu constater l’influence de paramètre imparfaitement définit. Ces paramètres entrent en compte au court des différentes phases de conception, et sont difficiles à représenter et surtout à manipuler.

Dans le but de les prendre en compte de manière générique, nous nous sommes naturellement tournés vers l’utilisation de la Logique Floue. En effet, elle permet de représenter des informations imprécises (théorie des sous ensembles flous), incertaines (théorie des possibilités), et inexacte (raisonnement approximatif). Son avantage principal est de fournir un grand nombre d’outils mathématiques afin de manipuler de telles informations sous forme numérique ou linguistique, c’est-à-dire de manière relativement proche du mode de représentation, et surtout d’expression utilisé par l’homme.
A partir des théories du flou, nous pouvons donc usé de concepts mathématiques complexes tout en conservant un rapport privilégier (lien) entre représentation numérique et mode de description humain.

Nous avons choisi d’intégrer ces différents outils dans un multi formalisme de modélisation et de simulation afin de pouvoir spécifier de manière générique n’importe quel type de système à paramètre imprécis. Le formalisme employé est nommé DEVS (Discrete EVents system Specification). Ses principaux avantages sont : sa capacité à être étendu à de nouveau domaine d’étude, dans notre cas les systèmes flous ; la séparation des phases de modélisation et de simulation, de ce fait, lors de la conception d’un modèle DEVS les algorithmes de simulation sont automatiquement générés en fonction du modèle ; enfin, il permet de représenter un système sous sa forme fonctionnelle et structurelle.

Notre but a été d’associer le formalisme DEVS et une partie des théories du flou afin de définir une nouvelle approche de modélisation approximative.
Pour cela nous avons suivi plusieurs étapes :
1. étude des méthodes existantes (Fuzzy-DEVS et Min-Max-DEVS), à partir de cela nous avons choisi de ne prendre en compte que les informations imprécises ;
2. définition d’une librairie objet de représentation et de manipulation d’imprécision (nouveau type de données IntervalleFlou) ;
3. identification des éléments imprécis dans la phase de modélisation DEVS (modèles) ;
4. proposition d’une méthode de prise en compte (IntervalleFlou) ;
5. identification des éléments imprécis dans la phase de simulation (évènements) ;
6. proposition d’une méthode de prise en compte (défuzzification) ;
7. suite aux étapes 4 et 5, définitions de nouveaux types de modèles appelés iDEVS pour inaccuracy DEVS (DEVS imprécis) ;
8. application et validation de l’approche iDEVS pour l’étude de propagation de feux de forêt.

Ces différentes étapes nous ont conduit à proposer une nouvelle approche DEVS qui associe modélisation systémique et modélisation approximative. Cette approche appelée iDEVS permet comme nous le souhaitions de spécifier des systèmes à paramètres imprécis sous forme de modèle DEVS. Les modifications apportées au formalisme DEVS classique sont minimes, il est donc possible d’utiliser l’approche iDEVS dans n’importe quel environnement DEVS, il suffit pour cela d’importer la librairie définie, il n’y a pas d’autre changement à effectuer. Cet avantage est la principale force de cette approche.
Cependant en arithmétique floue, certaines propriétés mathématiques ne sont plus vérifiées, ce qui nécessite une grande vigilance de l'utilisateur lors de l'écriture des algorithmes. De plus, il est souvent difficile d'échapper au grossissement des intervalles, autrement dit à une faible précision des résultats. Il sera donc intéressant d’ajouter un module d’aide à la décision afin de faciliter l’interprétation des données.
PAUL-ANTOINE BISGAMBIGLIA | Mise à jour le 23/08/2008