InforLorV4, Istex, Corpus, bibRecord, 002421

Résolution du problème de la patrouille multi-agent en utilisant des colonies compétitives de fourmis

Identifieur interne : 002421 ( Istex/Corpus ); précédent : 002420; suivant : 002422

Résolution du problème de la patrouille multi-agent en utilisant des colonies compétitives de fourmis

Auteurs : Fabrice Lauri ; François Charpillet

Source :

Revue d'Intelligence Artificielle [ 0992-499X ] ; 2008.

RBID : ISTEX:9B1A989FAB44818181D4A1CED8F25196D1F9A855

Abstract

Patrouiller dans un environnement implique une équipe d’agents dont le but consiste à visiter continuellement et aussi fréquemment que possible les lieux les plus pertinents. Afin d'obtenir des performances optimales, il est alors primordial que les agents coordonnent leurs actions. De nombreux domaines peuvent être concernés par ce problème, comme la robotique, la simulation ou les jeux vidéo. Nous adoptons dans cet article une approche d'optimisation basée sur les colonies de fourmis pour traiter ce problème. Deux algorithmes sont proposés, dans lesquels des colonies de fourmis sont engagées dans une compétition pour découvrir la meilleure stratégie de patrouille multi-agent. Les résultats expérimentaux montrent que, sur quatre des six graphes étudiés, l'une de nos techniques est significativement meilleure que la technique d'apprentissage par renforcement proposée par Santana.

Patrolling an environment involves a team of agents whose goal usually consists of continuously visiting its most relevant areas as frequently as possible. For such a task, agents have to coordinate their actions in order to achieve optimal performance. A wide range of applications can be dealt with this problem, from computer network management to vehicle routing. The Ant Colony Optimization is adopted here as the solution approach to this problem. Two novel ACO algorithms are proposed here, in which several ants' colonies try to discover the best multi-agent patrolling strategy. Experimental results show that, for four out of the six evaluated graphs, one of our techniques significantly outperforms the reinforcement learning technique proposed by Santana, irrespective of the number of the involved patrolling agents.

Url:

https://api.istex.fr/ark:/67375/HT0-QP19J7VL-X/fulltext.pdf

DOI: 10.3166/ria.22.63-85

Links to Exploration step

ISTEX:9B1A989FAB44818181D4A1CED8F25196D1F9A855

Le document en format XML

<record><TEI wicri:istexFullTextTei="biblStruct"><teiHeader><fileDesc><titleStmt><title xml:lang="fr">Résolution du problème de la patrouille multi-agent en utilisant des colonies compétitives de fourmis</title>
<author><name sortKey="Lauri, Fabrice" sort="Lauri, Fabrice" uniqKey="Lauri F" first="Fabrice" last="Lauri">Fabrice Lauri</name>
<affiliation><mods:affiliation>LORIA-INRIA Lorraine - Equipe MAIA, Campus Scientifique - B.P. 239 - F-54506Vandœuvre-Lès-Nancy</mods:affiliation>
</affiliation>
<affiliation><mods:affiliation>E-mail: lauri@loria.fr</mods:affiliation>
</affiliation>
</author>
<author><name sortKey="Charpillet, Francois" sort="Charpillet, Francois" uniqKey="Charpillet F" first="François" last="Charpillet">François Charpillet</name>
<affiliation><mods:affiliation>LORIA-INRIA Lorraine - Equipe MAIA, Campus Scientifique - B.P. 239 - F-54506Vandœuvre-Lès-Nancy</mods:affiliation>
</affiliation>
<affiliation><mods:affiliation>E-mail: charp@loria.fr</mods:affiliation>
</affiliation>
</author>
</titleStmt>
<publicationStmt><idno type="wicri:source">ISTEX</idno>
<idno type="RBID">ISTEX:9B1A989FAB44818181D4A1CED8F25196D1F9A855</idno>
<date when="2008" year="2008">2008</date>
<idno type="doi">10.3166/ria.22.63-85</idno>
<idno type="url">https://api.istex.fr/ark:/67375/HT0-QP19J7VL-X/fulltext.pdf</idno>
<idno type="wicri:Area/Istex/Corpus">002421</idno>
<idno type="wicri:explorRef" wicri:stream="Istex" wicri:step="Corpus" wicri:corpus="ISTEX">002421</idno>
</publicationStmt>
<sourceDesc><biblStruct><analytic><title level="a" type="main" xml:lang="fr">Résolution du problème de la patrouille multi-agent en utilisant des colonies compétitives de fourmis</title>
<author><name sortKey="Lauri, Fabrice" sort="Lauri, Fabrice" uniqKey="Lauri F" first="Fabrice" last="Lauri">Fabrice Lauri</name>
<affiliation><mods:affiliation>LORIA-INRIA Lorraine - Equipe MAIA, Campus Scientifique - B.P. 239 - F-54506Vandœuvre-Lès-Nancy</mods:affiliation>
</affiliation>
<affiliation><mods:affiliation>E-mail: lauri@loria.fr</mods:affiliation>
</affiliation>
</author>
<author><name sortKey="Charpillet, Francois" sort="Charpillet, Francois" uniqKey="Charpillet F" first="François" last="Charpillet">François Charpillet</name>
<affiliation><mods:affiliation>LORIA-INRIA Lorraine - Equipe MAIA, Campus Scientifique - B.P. 239 - F-54506Vandœuvre-Lès-Nancy</mods:affiliation>
</affiliation>
<affiliation><mods:affiliation>E-mail: charp@loria.fr</mods:affiliation>
</affiliation>
</author>
</analytic>
<monogr></monogr>
<series><title level="j" type="main">Revue d'Intelligence Artificielle</title>
<title level="j" type="abbrev">Rev. Int. Artificielle</title>
<idno type="ISSN">0992-499X</idno>
<idno type="eISSN">1958-5748</idno>
<imprint><publisher>Lavoisier</publisher>
<date type="published" when="2008-01">2008</date>
<biblScope unit="vol">22</biblScope>
<biblScope unit="issue">1</biblScope>
<biblScope unit="page" from="63">63</biblScope>
<biblScope unit="page" to="85">85</biblScope>
<biblScope unit="page-count">24</biblScope>
<biblScope unit="ref-count">0</biblScope>
<biblScope unit="fig-count">0</biblScope>
<biblScope unit="table-count">0</biblScope>
</imprint>
<idno type="ISSN">0992-499X</idno>
</series>
</biblStruct>
</sourceDesc>
<seriesStmt><idno type="ISSN">0992-499X</idno>
</seriesStmt>
</fileDesc>
<profileDesc><textClass></textClass>
</profileDesc>
</teiHeader>
<front><div type="abstract" xml:lang="fr">Patrouiller dans un environnement implique une équipe d’agents dont le but consiste à visiter continuellement et aussi fréquemment que possible les lieux les plus pertinents. Afin d'obtenir des performances optimales, il est alors primordial que les agents coordonnent leurs actions. De nombreux domaines peuvent être concernés par ce problème, comme la robotique, la simulation ou les jeux vidéo. Nous adoptons dans cet article une approche d'optimisation basée sur les colonies de fourmis pour traiter ce problème. Deux algorithmes sont proposés, dans lesquels des colonies de fourmis sont engagées dans une compétition pour découvrir la meilleure stratégie de patrouille multi-agent. Les résultats expérimentaux montrent que, sur quatre des six graphes étudiés, l'une de nos techniques est significativement meilleure que la technique d'apprentissage par renforcement proposée par Santana.</div>
<div type="abstract" xml:lang="en">Patrolling an environment involves a team of agents whose goal usually consists of continuously visiting its most relevant areas as frequently as possible. For such a task, agents have to coordinate their actions in order to achieve optimal performance. A wide range of applications can be dealt with this problem, from computer network management to vehicle routing. The Ant Colony Optimization is adopted here as the solution approach to this problem. Two novel ACO algorithms are proposed here, in which several ants' colonies try to discover the best multi-agent patrolling strategy. Experimental results show that, for four out of the six evaluated graphs, one of our techniques significantly outperforms the reinforcement learning technique proposed by Santana, irrespective of the number of the involved patrolling agents.</div>
</front>
</TEI>
<istex><corpusName>lavoisier</corpusName>
<author><json:item><name>Fabrice Lauri</name>
<affiliations><json:string>LORIA-INRIA Lorraine - Equipe MAIA, Campus Scientifique - B.P. 239 - F-54506Vandœuvre-Lès-Nancy</json:string>
<json:string>E-mail: lauri@loria.fr</json:string>
</affiliations>
</json:item>
<json:item><name>François Charpillet</name>
<affiliations><json:string>LORIA-INRIA Lorraine - Equipe MAIA, Campus Scientifique - B.P. 239 - F-54506Vandœuvre-Lès-Nancy</json:string>
<json:string>E-mail: charp@loria.fr</json:string>
</affiliations>
</json:item>
</author>
<subject><json:item><lang><json:string>fre</json:string>
</lang>
<value>patrouille multi-agent</value>
</json:item>
<json:item><lang><json:string>fre</json:string>
</lang>
<value>colonies de fourmis</value>
</json:item>
<json:item><lang><json:string>fre</json:string>
</lang>
<value>ACO</value>
</json:item>
<json:item><lang><json:string>fre</json:string>
</lang>
<value>multi-agent patrolling</value>
</json:item>
<json:item><lang><json:string>fre</json:string>
</lang>
<value>ACO</value>
</json:item>
</subject>
<arkIstex>ark:/67375/HT0-QP19J7VL-X</arkIstex>
<language><json:string>fre</json:string>
</language>
<originalGenre><json:string>research-article</json:string>
</originalGenre>
<abstract>Patrouiller dans un environnement implique une équipe d’agents dont le but consiste à visiter continuellement et aussi fréquemment que possible les lieux les plus pertinents. Afin d'obtenir des performances optimales, il est alors primordial que les agents coordonnent leurs actions. De nombreux domaines peuvent être concernés par ce problème, comme la robotique, la simulation ou les jeux vidéo. Nous adoptons dans cet article une approche d'optimisation basée sur les colonies de fourmis pour traiter ce problème. Deux algorithmes sont proposés, dans lesquels des colonies de fourmis sont engagées dans une compétition pour découvrir la meilleure stratégie de patrouille multi-agent. Les résultats expérimentaux montrent que, sur quatre des six graphes étudiés, l'une de nos techniques est significativement meilleure que la technique d'apprentissage par renforcement proposée par Santana.</abstract>
<qualityIndicators><score>8.512</score>
<pdfWordCount>8241</pdfWordCount>
<pdfCharCount>48160</pdfCharCount>
<pdfVersion>1.4</pdfVersion>
<pdfPageCount>24</pdfPageCount>
<pdfPageSize>612 x 792 pts (letter)</pdfPageSize>
<refBibsNative>false</refBibsNative>
<abstractWordCount>126</abstractWordCount>
<abstractCharCount>892</abstractCharCount>
<keywordCount>5</keywordCount>
</qualityIndicators>
<title>Résolution du problème de la patrouille multi-agent en utilisant des colonies compétitives de fourmis</title>
<genre><json:string>research-article</json:string>
</genre>
<host><title>Revue d'Intelligence Artificielle</title>
<language><json:string>unknown</json:string>
</language>
<issn><json:string>0992-499X</json:string>
</issn>
<eissn><json:string>1958-5748</json:string>
</eissn>
<publisherId><json:string>ria</json:string>
</publisherId>
<volume>22</volume>
<issue>1</issue>
<pages><first>63</first>
<last>85</last>
<total>24</total>
</pages>
<genre><json:string>journal</json:string>
</genre>
</host>
<ark><json:string>ark:/67375/HT0-QP19J7VL-X</json:string>
</ark>
<publicationDate>2008</publicationDate>
<copyrightDate>2008</copyrightDate>
<doi><json:string>10.3166/ria.22.63-85</json:string>
</doi>
<id>9B1A989FAB44818181D4A1CED8F25196D1F9A855</id>
<score>1</score>
<fulltext><json:item><extension>pdf</extension>
<original>true</original>
<mimetype>application/pdf</mimetype>
<uri>https://api.istex.fr/ark:/67375/HT0-QP19J7VL-X/fulltext.pdf</uri>
</json:item>
<json:item><extension>zip</extension>
<original>false</original>
<mimetype>application/zip</mimetype>
<uri>https://api.istex.fr/ark:/67375/HT0-QP19J7VL-X/bundle.zip</uri>
</json:item>
<istex:fulltextTEI uri="https://api.istex.fr/ark:/67375/HT0-QP19J7VL-X/fulltext.tei"><teiHeader><fileDesc><titleStmt><title level="a" type="main">Résolution du problème de la patrouille multi-agent en utilisant des colonies compétitives de fourmis</title>
<respStmt><resp>Références bibliographiques récupérées via GROBID</resp>
<name resp="ISTEX-API">ISTEX-API (INIST-CNRS)</name>
</respStmt>
</titleStmt>
<publicationStmt><authority>ISTEX</authority>
<publisher>Lavoisier</publisher>
<availability><licence>© Lavoisier SAS 2008</licence>
<p>Lavoisier SAS</p>
</availability>
<date type="published" when="2008-01">2008</date>
<date type="Copyright" when="2008">2008</date>
</publicationStmt>
<notesStmt><note type="content-type" source="research-article" scheme="https://content-type.data.istex.fr/ark:/67375/XTP-1JC4F85T-7">research-article</note>
<note type="publication-type" scheme="https://publication-type.data.istex.fr/ark:/67375/JMC-0GLKJH51-B">journal</note>
</notesStmt>
<sourceDesc><biblStruct type="article"><analytic><title level="a" type="main" xml:lang="fr">Résolution du problème de la patrouille multi-agent en utilisant des colonies compétitives de fourmis</title>
<author xml:id="author-0000" role="corresp"><persName><surname>Lauri</surname>
<forename type="first">Fabrice</forename>
</persName>
<affiliation><ref>1</ref>
<address><orgName type="institution">LORIA-INRIA Lorraine - Equipe MAIA, Campus Scientifique</orgName>
<name type="postbox">B.P. 239</name>
<postCode>F-54506</postCode>
<settlement>Vandœuvre-Lès-Nancy</settlement>
</address>
</affiliation>
<email>lauri@loria.fr</email>
<email>charp@loria.fr</email>
</author>
<author xml:id="author-0001" role="corresp"><persName><surname>Charpillet</surname>
<forename type="first">François</forename>
</persName>
<affiliation><ref>1</ref>
<address><orgName type="institution">LORIA-INRIA Lorraine - Equipe MAIA, Campus Scientifique</orgName>
<name type="postbox">B.P. 239</name>
<postCode>F-54506</postCode>
<settlement>Vandœuvre-Lès-Nancy</settlement>
</address>
</affiliation>
<email>lauri@loria.fr</email>
<email>charp@loria.fr</email>
</author>
<idno type="istex">9B1A989FAB44818181D4A1CED8F25196D1F9A855</idno>
<idno type="ark">ark:/67375/HT0-QP19J7VL-X</idno>
<idno type="DOI">10.3166/ria.22.63-85</idno>
<idno type="publisher-id">ria221p63</idno>
</analytic>
<monogr><title level="j" type="main">Revue d'Intelligence Artificielle</title>
<title level="j" type="abbrev">Rev. Int. Artificielle</title>
<idno type="publisher-id">ria</idno>
<idno type="pISSN">0992-499X</idno>
<idno type="eISSN">1958-5748</idno>
<imprint><publisher>Lavoisier</publisher>
<date type="published" when="2008-01">2008</date>
<biblScope unit="vol">22</biblScope>
<biblScope unit="issue">1</biblScope>
<biblScope unit="page" from="63">63</biblScope>
<biblScope unit="page" to="85">85</biblScope>
<biblScope unit="page-count">24</biblScope>
<biblScope unit="ref-count">0</biblScope>
<biblScope unit="fig-count">0</biblScope>
<biblScope unit="table-count">0</biblScope>
</imprint>
</monogr>
</biblStruct>
</sourceDesc>
</fileDesc>
<profileDesc><abstract xml:lang="fr"><p>Patrouiller dans un environnement implique une équipe d’agents dont le but consiste à visiter continuellement et aussi fréquemment que possible les lieux les plus pertinents. Afin d'obtenir des performances optimales, il est alors primordial que les agents coordonnent leurs actions. De nombreux domaines peuvent être concernés par ce problème, comme la robotique, la simulation ou les jeux vidéo. Nous adoptons dans cet article une approche d'optimisation basée sur les colonies de fourmis pour traiter ce problème. Deux algorithmes sont proposés, dans lesquels des colonies de fourmis sont engagées dans une compétition pour découvrir la meilleure stratégie de patrouille multi-agent. Les résultats expérimentaux montrent que, sur quatre des six graphes étudiés, l'une de nos techniques est significativement meilleure que la technique d'apprentissage par renforcement proposée par Santana.</p>
</abstract>
<abstract xml:lang="en"><p>Patrolling an environment involves a team of agents whose goal usually consists of continuously visiting its most relevant areas as frequently as possible. For such a task, agents have to coordinate their actions in order to achieve optimal performance. A wide range of applications can be dealt with this problem, from computer network management to vehicle routing. The Ant Colony Optimization is adopted here as the solution approach to this problem. Two novel ACO algorithms are proposed here, in which several ants' colonies try to discover the best multi-agent patrolling strategy. Experimental results show that, for four out of the six evaluated graphs, one of our techniques significantly outperforms the reinforcement learning technique proposed by Santana, irrespective of the number of the involved patrolling agents.</p>
</abstract>
<textClass ana="keyword"><keywords xml:lang="fr"><term>patrouille multi-agent</term>
<term>colonies de fourmis</term>
<term>ACO</term>
</keywords>
</textClass>
<textClass ana="keyword"><keywords xml:lang="en"><term>multi-agent patrolling</term>
<term>ACO</term>
</keywords>
</textClass>
<langUsage><language ident="fr"></language>
</langUsage>
</profileDesc>
<revisionDesc><change xml:id="refBibs-istex" who="#ISTEX-API" when="2019-01-15">References added</change>
</revisionDesc>
</teiHeader>
</istex:fulltextTEI>
<json:item><extension>txt</extension>
<original>false</original>
<mimetype>text/plain</mimetype>
<uri>https://api.istex.fr/ark:/67375/HT0-QP19J7VL-X/fulltext.txt</uri>
</json:item>
</fulltext>
<metadata><istex:metadataXml wicri:clean="corpus lavoisier not found" wicri:toSee="no header"><istex:xmlDeclaration>version="1.0" encoding="UTF-8"</istex:xmlDeclaration>
<istex:docType PUBLIC="-//EDP//DTD EDP Publishing JATS v1.0 20130606//EN" URI="JATS-edppublishing1.dtd" name="istex:docType"></istex:docType>
<istex:document><article article-type="research-article" dtd-version="1.0" xml:lang="fr">

	<front>

		<journal-meta>

			<journal-id journal-id-type="publisher-id">ria</journal-id>

			<journal-title-group>

				<journal-title>Revue d'Intelligence Artificielle</journal-title>

				<abbrev-journal-title abbrev-type="publisher">Rev. Int. Artificielle</abbrev-journal-title>

			</journal-title-group>

			<issn pub-type="ppub">0992-499X</issn>

			<issn pub-type="epub">1958-5748</issn>

			<publisher>

				<publisher-name>Lavoisier</publisher-name>

			</publisher>

		</journal-meta>

		<article-meta>

			<article-id pub-id-type="doi">10.3166/ria.22.63-85</article-id>

			<article-id pub-id-type="publisher-id">ria221p63</article-id>

			<title-group>

				<article-title xml:lang="fr">Résolution du problème de la patrouille multi-agent en utilisant des colonies compétitives de fourmis</article-title>

			</title-group>

			<contrib-group content-type="authors">

				<contrib contrib-type="author" corresp="yes">

					<name>

						<surname>Lauri</surname>

						<given-names>Fabrice</given-names>

					</name>

					<xref ref-type="aff" rid="AFF1">1</xref>

					<xref ref-type="corresp" rid="FN1">*</xref>

				</contrib>

				<contrib contrib-type="author" corresp="yes">

					<name>

						<surname>Charpillet</surname>

						<given-names>François</given-names>

					</name>

					<xref ref-type="aff" rid="AFF1">1</xref>

					<xref ref-type="corresp" rid="FN2">**</xref>

				</contrib>

			</contrib-group>

			<aff id="AFF1">

				<label>1</label>

				<addr-line>

					<institution>LORIA-INRIA Lorraine - Equipe MAIA, Campus Scientifique</institution>
 - <named-content content-type="postbox">B.P. 239</named-content>
 - <named-content content-type="postcode">F-54506</named-content>

					<named-content content-type="city">Vandœuvre-Lès-Nancy</named-content>

				</addr-line>

			</aff>

			<author-notes>

				<corresp id="FN1">

					<label>*</label>

					<email>lauri@loria.fr</email>

				</corresp>

				<corresp id="FN2">

					<label>**</label>

					<email>charp@loria.fr</email>

				</corresp>

			</author-notes>

			<pub-date date-type="pub" publication-format="print">

				<month>01</month>

				<year>2008</year>

			</pub-date>

			<volume>22</volume>

			<issue>1</issue>

			<fpage>63</fpage>

			<lpage>85</lpage>

			<permissions>

				<copyright-statement>© Lavoisier SAS 2008</copyright-statement>

				<copyright-year>2008</copyright-year>

				<copyright-holder>Lavoisier SAS</copyright-holder>

			</permissions>

			<abstract xml:lang="fr">

				<p>Patrouiller dans un environnement implique une équipe d’agents dont le but consiste à visiter continuellement et aussi fréquemment que possible les lieux les plus pertinents. Afin d'obtenir des performances optimales, il est alors primordial que les agents coordonnent leurs actions. De nombreux domaines peuvent être concernés par ce problème, comme la robotique, la simulation ou les jeux vidéo. Nous adoptons dans cet article une approche d'optimisation basée sur les colonies de fourmis pour traiter ce problème. Deux algorithmes sont proposés, dans lesquels des colonies de fourmis sont engagées dans une compétition pour découvrir la meilleure stratégie de patrouille multi-agent. Les résultats expérimentaux montrent que, sur quatre des six graphes étudiés, l'une de nos techniques est significativement meilleure que la technique d'apprentissage par renforcement proposée par Santana.</p>

			</abstract>

			<trans-abstract xml:lang="en">

				<p>Patrolling an environment involves a team of agents whose goal usually consists of continuously visiting its most relevant areas as frequently as possible. For such a task, agents have to coordinate their actions in order to achieve optimal performance. A wide range of applications can be dealt with this problem, from computer network management to vehicle routing. The Ant Colony Optimization is adopted here as the solution approach to this problem. Two novel ACO algorithms are proposed here, in which several ants' colonies try to discover the best multi-agent patrolling strategy. Experimental results show that, for four out of the six evaluated graphs, one of our techniques significantly outperforms the reinforcement learning technique proposed by Santana, irrespective of the number of the involved patrolling agents.</p>

			</trans-abstract>

			<kwd-group xml:lang="fr">

				<kwd>patrouille multi-agent</kwd>

				<kwd>colonies de fourmis</kwd>

				<kwd>ACO</kwd>

			</kwd-group>

			<kwd-group xml:lang="en">

				<kwd>multi-agent patrolling</kwd>

				<kwd>ACO</kwd>

			</kwd-group>

			<counts>

				<fig-count count="0"></fig-count>

				<table-count count="0"></table-count>

				<equation-count count="0"></equation-count>

				<ref-count count="0"></ref-count>

				<page-count count="24"></page-count>

			</counts>

			<custom-meta-group>

				<custom-meta>

					<meta-name>idline</meta-name>

					<meta-value>Revue d’intelligence artificielle. Volume 22 – n° 1/2008, pages 63 à 85</meta-value>

				</custom-meta>

				<custom-meta>

					<meta-name>cover_date</meta-name>

					<meta-value>Janvier-Février 2008</meta-value>

				</custom-meta>

				<custom-meta>

					<meta-name>first_month</meta-name>

					<meta-value>01</meta-value>

				</custom-meta>

				<custom-meta>

					<meta-name>last_month</meta-name>

					<meta-value>02</meta-value>

				</custom-meta>

				<custom-meta>

					<meta-name>first_year</meta-name>

					<meta-value>2008</meta-value>

				</custom-meta>

				<custom-meta>

					<meta-name>last_year</meta-name>

					<meta-value>2008</meta-value>

				</custom-meta>

			</custom-meta-group>

		</article-meta>

	</front>

</article>

</istex:document>
</istex:metadataXml>
<mods version="3.6"><titleInfo lang="fr"><title>Résolution du problème de la patrouille multi-agent en utilisant des colonies compétitives de fourmis</title>
</titleInfo>
<titleInfo type="alternative" lang="fr" contentType="CDATA"><title>Résolution du problème de la patrouille multi-agent en utilisant des colonies compétitives de fourmis</title>
</titleInfo>
<name type="personal" displayLabel="corresp"><namePart type="given">Fabrice</namePart>
<namePart type="family">Lauri</namePart>
<affiliation>LORIA-INRIA Lorraine - Equipe MAIA, Campus Scientifique - B.P. 239 - F-54506Vandœuvre-Lès-Nancy</affiliation>
<affiliation>E-mail: lauri@loria.fr</affiliation>
<role><roleTerm type="text">author</roleTerm>
</role>
</name>
<name type="personal" displayLabel="corresp"><namePart type="given">François</namePart>
<namePart type="family">Charpillet</namePart>
<affiliation>LORIA-INRIA Lorraine - Equipe MAIA, Campus Scientifique - B.P. 239 - F-54506Vandœuvre-Lès-Nancy</affiliation>
<affiliation>E-mail: charp@loria.fr</affiliation>
<role><roleTerm type="text">author</roleTerm>
</role>
</name>
<typeOfResource>text</typeOfResource>
<genre type="research-article" displayLabel="research-article" authority="ISTEX" authorityURI="https://content-type.data.istex.fr" valueURI="https://content-type.data.istex.fr/ark:/67375/XTP-1JC4F85T-7">research-article</genre>
<originInfo><publisher>Lavoisier</publisher>
<dateIssued encoding="w3cdtf">2008</dateIssued>
<copyrightDate encoding="w3cdtf">2008</copyrightDate>
</originInfo>
<language><languageTerm type="code" authority="iso639-2b">fre</languageTerm>
<languageTerm type="code" authority="rfc3066">fr</languageTerm>
</language>
<physicalDescription></physicalDescription>
<abstract lang="fr">Patrouiller dans un environnement implique une équipe d’agents dont le but consiste à visiter continuellement et aussi fréquemment que possible les lieux les plus pertinents. Afin d'obtenir des performances optimales, il est alors primordial que les agents coordonnent leurs actions. De nombreux domaines peuvent être concernés par ce problème, comme la robotique, la simulation ou les jeux vidéo. Nous adoptons dans cet article une approche d'optimisation basée sur les colonies de fourmis pour traiter ce problème. Deux algorithmes sont proposés, dans lesquels des colonies de fourmis sont engagées dans une compétition pour découvrir la meilleure stratégie de patrouille multi-agent. Les résultats expérimentaux montrent que, sur quatre des six graphes étudiés, l'une de nos techniques est significativement meilleure que la technique d'apprentissage par renforcement proposée par Santana.</abstract>
<abstract lang="en">Patrolling an environment involves a team of agents whose goal usually consists of continuously visiting its most relevant areas as frequently as possible. For such a task, agents have to coordinate their actions in order to achieve optimal performance. A wide range of applications can be dealt with this problem, from computer network management to vehicle routing. The Ant Colony Optimization is adopted here as the solution approach to this problem. Two novel ACO algorithms are proposed here, in which several ants' colonies try to discover the best multi-agent patrolling strategy. Experimental results show that, for four out of the six evaluated graphs, one of our techniques significantly outperforms the reinforcement learning technique proposed by Santana, irrespective of the number of the involved patrolling agents.</abstract>
<subject lang="fr"><genre>keywords</genre>
<topic>patrouille multi-agent</topic>
<topic>colonies de fourmis</topic>
<topic>ACO</topic>
</subject>
<subject lang="en"><genre>keywords</genre>
<topic>multi-agent patrolling</topic>
<topic>ACO</topic>
</subject>
<relatedItem type="host"><titleInfo><title>Revue d'Intelligence Artificielle</title>
</titleInfo>
<genre type="journal" authority="ISTEX" authorityURI="https://publication-type.data.istex.fr" valueURI="https://publication-type.data.istex.fr/ark:/67375/JMC-0GLKJH51-B">journal</genre>
<identifier type="ISSN">0992-499X</identifier>
<identifier type="eISSN">1958-5748</identifier>
<identifier type="PublisherID">ria</identifier>
<part><date>2008</date>
<detail type="volume"><caption>vol.</caption>
<number>22</number>
</detail>
<detail type="issue"><caption>no.</caption>
<number>1</number>
</detail>
<extent unit="pages"><start>63</start>
<end>85</end>
<total>24</total>
</extent>
</part>
</relatedItem>
<identifier type="istex">9B1A989FAB44818181D4A1CED8F25196D1F9A855</identifier>
<identifier type="ark">ark:/67375/HT0-QP19J7VL-X</identifier>
<identifier type="DOI">10.3166/ria.22.63-85</identifier>
<identifier type="publisher-ID">ria221p63</identifier>
<accessCondition type="use and reproduction" contentType="copyright">© Lavoisier SAS 2008</accessCondition>
<recordInfo><recordContentSource authority="ISTEX" authorityURI="https://loaded-corpus.data.istex.fr" valueURI="https://loaded-corpus.data.istex.fr/ark:/67375/XBH-4L897VLR-T">lavoisier</recordContentSource>
<recordOrigin>© Lavoisier SAS 2008</recordOrigin>
</recordInfo>
</mods>
<json:item><extension>json</extension>
<original>false</original>
<mimetype>application/json</mimetype>
<uri>https://api.istex.fr/ark:/67375/HT0-QP19J7VL-X/record.json</uri>
</json:item>
</metadata>
<serie></serie>
</istex>
</record>

Pour manipuler ce document sous Unix (Dilib)

EXPLOR_STEP=$WICRI_ROOT/Wicri/Lorraine/explor/InforLorV4/Data/Istex/Corpus

HfdSelect -h $EXPLOR_STEP/biblio.hfd -nk 002421 | SxmlIndent | more

HfdSelect -h $EXPLOR_AREA/Data/Istex/Corpus/biblio.hfd -nk 002421 | SxmlIndent | more

Pour mettre un lien sur cette page dans le réseau Wicri

{{Explor lien
   |wiki=    Wicri/Lorraine
   |area=    InforLorV4
   |flux=    Istex
   |étape=   Corpus
   |type=    RBID
   |clé=     ISTEX:9B1A989FAB44818181D4A1CED8F25196D1F9A855
   |texte=   Résolution du problème de la patrouille multi-agent en utilisant des colonies compétitives de fourmis
}}

This area was generated with Dilib version V0.6.33.
Data generation: Mon Jun 10 21:56:28 2019. Site generation: Fri Feb 25 15:29:27 2022

	Serveur d'exploration sur la recherche en informatique en Lorraine
	Attention, ce site est en cours de développement ! Attention, site généré par des moyens informatiques à partir de corpus bruts. Les informations ne sont donc pas validées.

Serveur d'exploration sur la recherche en informatique en Lorraine

Résolution du problème de la patrouille multi-agent en utilisant des colonies compétitives de fourmis

Résolution du problème de la patrouille multi-agent en utilisant des colonies compétitives de fourmis

Source :

Abstract

Links to Exploration step

Le document en format XML

Pour manipuler ce document sous Unix (Dilib)

Pour mettre un lien sur cette page dans le réseau Wicri