These SMA Logistique

UNIVERSITÉ PAUL CÉZANNE AIX-MARSEILLE III
N° :
TITRE :
Un cadre méthodologique et une architecture logicielle

orientés agents pour la modélisation et la simulation
organisationnelles de chaînes logistiques
THÈSE
Pour obtenir le grade de
DOCTEUR DE L'UNIVERSITÉ PAUL CÉZANNE AIX-MARSEILLE III

Faculté des Sciences et Techniques
Discipline :
École Doctorale en Mathématiques et Informatique de Marseille (ED184)
Présenté par
Karam MUSTAPHA
22 Septembre 2011
JURY
M. ESPINASSE Bernard, Professeur, Université Paul Cézanne, Marseille (Directeur de thèse)

M. FERRARINI Alain, Maître de Conférences, Université Paul Cézanne, Marseille (Examinateur)
M. GOURGAND Michel, Professeur, Université Blaise Pascal, Clermont-Ferrand (Examinateur-Président)
M. TRANVOUEZ Erwan, Maître de Conférences, Université Paul Cézanne, Marseille (Co-Encadrant)
M. TRENTESAUX Damien, Professeur, Université de Valenciennes (Rapporteur)
Mme ZARATE Pascale., Professeur, Université Toulouse 1 (Rapporteur)
ANNÉE : 2011
TABLE DES MATIÈRES
CHAPITRE 1 : INTRODUCTION GÉNÉRALE ................................................................. 1
1. Problématique et contributions...................................................................................... 1
2. Organisation du Manuscrit ............................................................................................ 3
CHAPITRE 2: MODÉLISATION ET SIMULATION ORIENTÉS AGENTS DE

CHAÎNE LOGISTIQUE ......................................................................................................... 5
1. Introduction ..................................................................................................................... 7
2. Les chaînes Logistiques ................................................................................................... 7

2.1 Définitions et évolution du concept de « chaîne logistique » .................................... 8
2.1.1 Définition du concept ............................................................................................. 8
2.1.2 Evolution du concept .............................................................................................. 9
2.2 Le management des chaînes logistiques (Supply Chain Management) ................... 10
2.3 La modélisation et la simulation des chaînes logistiques ......................................... 13
2.3.1 Différentes approches de modélisations ............................................................... 13
2.3.2 Grandes classes de méthodes de modélisation de chaîne logistique .................... 15
2.3.3 Le modèle SCOR ................................................................................................. 17
2.3.4 Simulation des chaînes logistiques ....................................................................... 22
3. Les systèmes multi-agents (SMA) ................................................................................ 24

3.1 Définitions générales ................................................................................................ 24
3.2 Quelques modèles d‘agent ....................................................................................... 27
3.2.1 Agents réactifs ...................................................................................................... 27
3.2.2 Agents Cognitifs ................................................................................................... 28
3.2.3 Agents Hybrides ................................................................................................... 30
3.3 Le concept d‘holon ................................................................................................... 31
3.4 Interactions entre agents dans un SMA .................................................................... 32
4. La simulation orientée agents....................................................................................... 34

4.1 Simulations et modèles de simulation ...................................................................... 34
4.1.1 Simulation analogique et simulation numérique .................................................. 36
4.1.2 Modèles de simulation ......................................................................................... 37
4.2 La simulation orientée agents (SOA) ....................................................................... 39
4.2.1 Principes théoriques ............................................................................................. 39
4.2.2 La SOA et le temps .............................................................................................. 41
4.2.3 Domaines d‘application privilégiés de la SOA .................................................... 42
5 La conception de simulation orientée agents .............................................................. 44

5.1 Introduction .............................................................................................................. 44
5.2 Un cadre d‘étude et de comparaison de méthodes de conception de SOA .............. 45
5.3 Etude comparative de méthodes de conception de SMA ......................................... 48
5.3.1 La méthode GAIA ................................................................................................ 48
5.3.2 La méthode AGR / AALAADIN ......................................................................... 50
5.3.3 La méthode ADELFE........................................................................................... 52
5.3.4 La méthode MOISE+ ........................................................................................... 53
5.3.5 La méthode CRIO ................................................................................................ 56
5.3.6 Comparaison des méthodes : forces et faiblesses................................................. 57
6 La modélisation et la simulation orientées agents de chaînes logistiques ................ 60

6.1 Travaux en modélisation et simulation multi-agents de chaînes logistiques ........... 61
6.2 Le modèle MASCF .................................................................................................. 63
6.2.1 Présentation générale de MASCF ........................................................................ 63
6.2.2 Forces et limites de MASCF ................................................................................ 66
6.3 Les travaux du LSIS ................................................................................................. 67
6.3.1 Cadre méthodologique proposé par le LSIS ........................................................ 67
6.3.2 Forces et limites du cadre méthodologique du LSIS............................................ 69
7 Synthèse et conclusion ................................................................................................... 69
CHAPITRE 3 : UN CADRE MÉTHODOLOGIQUE ORIENTÉ AGENTS POUR LA

MODÉLISATION ET LA SIMULATION ORGANISATIONNELLES DE CHAÎNES
LOGISTIQUES ...................................................................................................................... 72
1. Introduction ................................................................................................................... 74
2. Objectif et fondements du cadre méthodologique proposé ....................................... 75

2.1 Explicitation d‘aspects organisationnels structurels et dynamiques ........................ 76
2.2 Explicitation d‘observables et d‘indicateurs organisationnels ................................. 77
2.3 Modélisation et simulation multi-niveaux, multi-échelles et multi-paradigmes ...... 82
2.3.1 Modélisation et simulation multi-niveaux............................................................ 82
2.3.2 Modélisation et simulation multi-échelles ........................................................... 82
2.3.3 Modélisation et simulation multi-paradigmes ...................................................... 83
3. Présentation générale du cadre méthodologique proposé ......................................... 84

3.1 Niveaux d‘abstraction considérés............................................................................. 85
3.2 Cadre méthodologique proposé ................................................................................ 87
3.3 Problématique de la modélisation conceptuelle ....................................................... 89
3.4 Problématique de la modélisation opérationnelle .................................................... 90
4. Modélisation conceptuelle d’une chaîne logistique .................................................... 91

4.1 Modèle Organisationnel Conceptuel Rôle (CROM) ................................................ 91
4.1.1 Les concepts principaux du modèle CROM ........................................................ 92
4.1.2 Le méta-modèle CROM ....................................................................................... 93
4.1.3 Illustration : modèle CROM d'une chaîne logistique ........................................... 95
4.2 Modèle Organisationnel Conceptuel Agent (CAOM) ............................................. 97
4.2.1 Concepts du modèle CAOM ................................................................................ 97
4.2.2 Le méta-modèle CAOM ....................................................................................... 97
4.2.3 Illustration : modèle CAOM d'une chaîne logistique ......................................... 101
5. Modélisation opérationnelle d’une chaîne logistique ............................................... 103

5.1 Vue structurelle : modèle opérationnel agent (OPAM) ......................................... 103
5.2 Vue dynamique : comportements et interactions ................................................... 105
5.2.1 Spécification des comportements d‘agents ........................................................ 105
5.2.2 Spécification des interactions entre agents......................................................... 108
5.3 Illustration : modélisation opérationnelle d'une chaîne logistique ......................... 109
5.3.1 Vue structurelle : modèle OPAM de la chaîne ................................................... 110
5.3.2 Vue dynamique : comportements et interactions ............................................... 110
6. Conclusion .................................................................................................................... 111
CHAPITRE 4 : UNE ARCHITECTURE LOGICIELLE POUR LA MODELISATION

ET LA SIMULATION ORGANISATIONNELLE DE CHAÎNE LOGISTIQUE ........ 113
1. Introduction ................................................................................................................. 114
2. Besoins à satisfaire par une architecture logicielle pour la simulation

organisationnelle d’une chaine logistique .......................................................................... 115
2.1 Besoins « métiers » ................................................................................................ 115
2.2 Besoins liés à la simulation .................................................................................... 116
2.3 Besoins méthodologiques ....................................................................................... 116
3. Différentes approches logicielles possibles ................................................................ 117

3.1 Approche basée sur un environnement de simulation unique ................................ 119
3.2 Approche basée sur l‘intégration de simulateurs existants .................................... 120
3.3 Approche retenue ................................................................................................... 124
4. Une architecture logicielle pour la simulation orientée organisation de chaînes

logistiques .............................................................................................................................. 125
4.1 Principes généraux ................................................................................................. 126
4.2 Choix techniques d‘implémentation....................................................................... 132
4.2.1 La plateforme JASON ........................................................................................ 133
4.2.2 La plateforme JADE........................................................................................... 135
4.3 Les agents du médiateur ......................................................................................... 139
4.4 Production et gestion d‘indicateurs ........................................................................ 141
5. Illustration du fonctionnement de l’architecture dans le cas d'une Chaîne
Logistique .............................................................................................................................. 145
5.1 Modèle OPAM considéré et son implémentation .................................................. 146
5.2 Illustration du fonctionnement de l‘architecture de simulation ............................. 148
6. Conclusion .................................................................................................................... 153
CHAPITRE 5 : MISE EN ŒUVRE SUR UN CAS D’ÉTUDE DE CHAÎNE

LOGISTIQUE ...................................................................................................................... 155
1. Introduction ................................................................................................................. 156
2. Présentation du cas d’étude : le cas « Raquettes » ................................................... 156

2.1 Description de la chaîne logistique du cas « Raquettes » ...................................... 156
2.2 Définition des rôles des acteurs de la chaine.......................................................... 160
2.3 Caractérisation et dimensionnement de la chaine .................................................. 161
3. Mise en œuvre du cadre méthodologique .................................................................. 165

3.1 Rappel du cadre méthodologique ........................................................................... 165
3.2 Modèle Organisationnel Conceptuel Rôle (CROM) .............................................. 167
3.3 Modèle Organisationnel Conceptuel Agent (CAOM) ........................................... 170
3.4 Modèle Opérationnel Agent (OPAM) .................................................................... 173
4. Implémentation et mise en œuvre de l’architecture logicielle ................................. 175

4.1 Présentation générale.............................................................................................. 175
4.2 Description du scénario et de la sous partie de la SC concernée ........................... 177
4.3 Implémentation des agents dans l‘architecture (ALMOSIM) ................................ 179
4.4 Implémentation des agents cognitifs en JASON .................................................... 180
4.5 Implémentation des agents réactifs en JADE ......................................................... 181
4.6 Scénario d‘interaction entre agents réactifs et agents cognitifs ............................. 182
5. Simulations : résultats et interprétations .................................................................. 189
6. Conclusion .................................................................................................................... 190
CHAPITRE 6: CONCLUSION GÉNÉRALE ET PERSPECTIVES ............................. 191
1. Bilan des travaux de recherche présentés ................................................................. 191
2. Perspectives de recherche ........................................................................................... 193
BIBLIOGRAPHIE ............................................................................................................... 195

LISTE DES FIGURES
Chapitre 2
Figure 2.1 : Exemple de chaîne logistique (SC) [LABARTHE, 2006] ................................. 9

Figure 2.2 : Quatres processus de base du SCOR [SUPPLY CHAIN COUNCIL, 2006] 19
Figure 2.3 : Modèle SCOR niveaux 2 [SUPPLY CHAIN COUNCIL, 2006] .................... 21
Figure 2.4: Cycle de vie d’une simulation (traduit de [BALCI, 1998]). ............................ 46
Figure 2.5 : méthode GAIA [WOOLDRIDGE et al., 2000] [ZAMBONELLI et al., 2003]
.................................................................................................................................................. 49
Figure 2.6 : Méthode AGR [FERBER et al., 2004] ............................................................. 51
Figure 2.7 : Méthode ADELFE [BERNON et al., 2002, PICARD, 2004] ......................... 53
Figure 2.8 : (a) Structure de l’équipe football et (b) l’attaque en MOISE+ [HUBNER et
al., 2007] .................................................................................................................................. 55
Figure 2.9 : Phases de développement du système multi-agent Ŕ concentrer de MASCF
[GOVIENDU et CHINNAM, 2007] ...................................................................................... 64
Figure 2.10 : Cadre Multi Agent de chaîne logistique multi-agents (MASCF)
[GOVIENDU et CHINNAM, 2007] ...................................................................................... 65
Chapitre 3
Figure 3.11 : Modèle d’indicateur de performance [BERRAH et al. 1995] ..................... 80
Figure 3.12 : Classification d'Indicateur [MUSTAPHA et al., 2010] ................................ 81
Figure 3.13 : Etapes de modélisation et de simulation ........................................................ 86
Figure 3.14 : Cadre méthodologique pour la modélisation et la simulation orientée
agents. ...................................................................................................................................... 88
Figure 3.15 : Méta-modèle CROM ....................................................................................... 93
Figure 3.16 : Illustration du modèle CROM dans le cas de chaîne logistique .................. 96
Figure 3.17 : Méta-modèle CAOM ....................................................................................... 98
Figure 3.18 : Modélisation de communication................................................................... 101
Figure 3.19 : Illustration du modèle CAOM dans le cas de chaîne logistique ................ 102
Figure 3.20 : Méta-modèle OPAM...................................................................................... 104
Figure 3.21 : Exemple de diagramme d’états .................................................................... 107
Figure 3.22 : Exemple de diagramme de séquences .......................................................... 108
Figure 3.23 : Echanges de messages entre agents délibératifs et agents réactifs. ........... 109
Figure 3.24 : Illustration du modèle OPAM dans le cas de chaîne logistique ................ 110
Figure 3.25 : Spécification des comportements et interaction entre les agents .............. 111
Chapitre 4
Figure 4.26: Fédérations en exécution (d’après [SERMENT, 2007] ............................... 121
Figure 4.27 : Architecture générale .................................................................................... 126
Figure 4.28 : Communication entre les simulateurs à partir d’un médiateur................ 127
Figure 4.29: Architecture générale : services du médiateur ............................................ 128
Figure 4.30 : Représentation d’un message KQML.......................................................... 130
Figure 4.31 : Principes architecturaux de JASON ............................................................ 134
Figure 4.32 : Exemple de code source d’un agent JASON ............................................... 135
Figure 4.33 : Architecture distribuée d’une plateforme JADE [RIMASSA et al., 1999],
................................................................................................................................................ 136
Figure 4.34 : Principe architecturaux d’un agent Jade .................................................... 137
Figure 4.35 : Exemple de code source d’un agent Jade .................................................... 138
Figure 4.36 : Architecture détaillée d’une simulation basée sur l’intégration de
simulateurs ............................................................................................................................ 139
Figure 4.37 : Interopérabilité par partage de données ..................................................... 142
Figure 4.38 : Interopérabilité entre les plateformes.......................................................... 143
Figure 4.39 : Modèle OPAM d’une Chaîne logistique simplifiée. ................................... 147
Figure 4.40 : Deux types d’agents avec module pour l’interopérabilité ......................... 148
Figure 4.41 : Transcription du modèle OPAM dans l’architecture logicielle ................ 149
Figure 4.42 : Interaction entre les agents dans le groupe 1 (Agents Délibératifs) et les
agents du médiateur ............................................................................................................. 151
Figure 4.43 : Interaction entre les agents dans le groupe 3 (Agent réactifs et Cognitifs)
................................................................................................................................................ 152
Figure 4.44 : Interaction entres les agents dans le Groupe 2 (agents cognitifs agent
réactifs) .................................................................................................................................. 153
Chapitre 5
Figure 5.45 : Les différentes parties de la raquette de tennis .......................................... 157

Figure 5.46 : Chaîne logistique considérée......................................................................... 159
Figure 5.47 : Exemple de chaîne logistique de cas d’étude Raquette de tennis .............. 162
Figure 5.48 : Cadre méthodologique pour la modélisation et la simulation orientée
agents. .................................................................................................................................... 166
Figure 5.49 : Illustration du modèle CROM dans le cas de chaîne logistique ................ 169
Figure 5.50 : Illustration du modèle CAOM dans le cas de chaîne logistique ................ 172
Figure 5.51 : Illustration du modèle OPAM dans le cas de chaîne logistique ................ 174
Figure 5.52 : Illustration de l’architecture dans le cas de la chaîne logistique ............... 176
Figure 5.53 : Une partie d’Illustration de l’architecture dans le cas de la chaîne
logistique ............................................................................................................................... 178
Figure 5.54 : Les agents de l’architecture ALMOSIM ..................................................... 179
Figure 5.55 : Les différents types d’agents ........................................................................ 180
Figure 5.56 : Exemple, Communication entres les agents cognitifs (ou agents JASON)
................................................................................................................................................ 181
Figure 5.57 : Communication entre les agents réactifs ..................................................... 182
Figure 5.58 : Communication entres les agents cognitifs et les agents réactifs .............. 184
Figure 5.59 : Exemple de messages échangés. ................................................................... 185
Figure 5.60 : Affichage sur la console (communication entre les agents) ....................... 186
Figure 5.61 : Interaction entre les agents JASON et JADE ............................................. 187
Figure 5.62 : Deux plateformes d’agents JASON et JADE .............................................. 188
LISTE DES TABLEAUX
Chapitre 2
Tableau 2.1 : Comparaison entre les méthodes ................................................................... 59
Chapitre 3
Tableau 3.2 : Types d’interactions dans un modèle CROM .............................................. 94

Tableau 3.3 : Type d’interactions dans le modèle CAOM ................................................. 99
Tableau 3.4 : Acteurs à des Agents ..................................................................................... 100
Tableau 3.5 : Type de message ............................................................................................ 106
Chapitre 4
Tableau 4.6 : Catégories de services assurés par le RTI................................................... 122
Tableau 4.7 : Classification et description des indicateurs retenus ................................. 132
Chapitre 5
Tableau 5.8 : Caractéristique et qualités des raquettes de tennis .................................... 164

Tableau 5.9 : Type raquette de tennis ................................................................................ 164
Tableau 5.10 : Demande par trimestre............................................................................... 165
Tableau 5.11 : Les paramètres d’initialisation des stocks des différents types .............. 165
CHAPITRE 1 : INTRODUCTION GÉNÉRALE
1. Problématique et contributions
La chaîne logistique (Supply Chain) trouve son essence dans la possibilité qu‘elle offre aux
entreprises de générer des profits supplémentaires tout en accroissant leur flexibilité et leur
réactivité. Dans ce contexte de concurrence accrue et de mondialisation, les synergies
d‘entreprises résistent plus efficacement, ainsi comme l‘avance [LEE et BILLINGTON,
1995], "La bataille pour dominer le marché ne sera pas une bataille d‘entreprises mais de
chaînes logistiques."
Les chaînes logistiques devenant de plus en plus complexes, dans la recherche de leur
performance, leur modélisation/simulation s‘avère nécessaire. En effet, la
modélisation/simulation de la chaîne logistique peut être utilisée soit à des fins descriptives ou
normatives. A des fins descriptives elle vise à aider les décideurs à mieux comprendre le
comportement et les performances de la chaîne logistique modélisée et de favoriser
l'émergence des idées de gestion. A des fins normatives elle utilise la simulation dans le but
d'améliorer le fonctionnement et la performance de la chaîne logistique en identifiant les
meilleures décisions à prendre concernant ses transformations structurelles ou
organisationnelles, ainsi que le choix de politiques managériales associées.
La modélisation/simulation orientée agent étend considérablement les capacités de
simulation à événements discrets à des fins descriptives et normatives dans le contexte des
connaissances complexes de la chaîne logistique. Les agents sont des entités autonomes aptes
à exercer leurs fonctions sans avoir besoin d‘une interaction continue de la part d‘utilisateur.
Les agents sont exploités pour la construction et ou la simulation de systèmes complexes. La
simulation orientée agent (SOA - Agent Based Simulation) est aujourd‘hui utilisée dans un
nombre croissant de domaines, citons notamment la sociologie, biologie, l‘économie, la
physique, la chimie, l‘écologie et le domaine industriel. Dans tous ces domaines, elle
remplace progressivement les différentes techniques de micro simulation et de simulation
orientée objets. Cette tendance tout d‘abord est due à la capacité de la SOA à appréhender des
modèles dynamiques très différents, composés d‘entités très simples (agents réactifs), jusqu‘à
des entités plus complexes (sous la forme d‘agents délibératifs). Le concept d‘agent permet
d‘abord de développer des modèles qui ont le principal intérêt d‘être exécutés (simulés),
permettant l‘étude du comportement du système complexe modélisé, et donc de sa
1
Chapitre 1: Introduction générale
dynamique, résultant des comportements des agents en interaction. Un autre intérêt de la

SOA, souvent mis en avant par rapport aux automates cellulaires, est la facilité avec laquelle
elle permet à un modélisateur de manipuler différents niveaux de représentation, par exemple
individus et groupe d‘individus.
De nombreux travaux de recherche s‘appuient déjà sur le paradigme agent pour proposer
une modélisation/simulation de chaînes logistiques, ce paradigme fournissant une approche
adaptée à la représentation de tels systèmes complexes permettant une prise en compte de leur
dynamique. Cependant ces travaux nous semblent présenter deux faiblesses principales.
La première limitation de ces travaux est liée à la modélisation des chaînes logistiques,
plus précisément du fait qu‘ils ne prennent pas suffisamment en compte, et de façon explicite,
certains aspects organisationnels de ces chaînes, notamment leur structure et à leur dynamique
organisationnelles, les relations entre les différents acteurs la composant, et les
comportements de ces différents acteurs, comportements généralement associés à des rôles.
Une seconde limitation de ces travaux est qu‘ils ne prennent pas explicitement en compte
les observables et les indicateurs organisationnels spécifiques à la chaîne logistique
considérée. Ces observables et indicateurs sont généralement définis par les experts du
domaine de la logistique, lors d‘une première modélisation de la chaîne (modélisation de
niveau domaine). Le fait que ces observables et indicateurs ne soient pas pris en compte lors
de la modélisation de la chaîne a des conséquences importantes au niveau de sa simulation.
En effet, ces observables et indicateurs sont des éléments importants dont il s‘agit de cerner
l‘évolution lors de la simulation. S‘ils ne sont pas pris en compte en modélisation, ils ne
pourront être étudiés lors de la simulation.
Dans ce travail de recherche, nous nous proposons de dépasser ces deux limitations et
ainsi de permettre une modélisation/simulation plus « organisationnelle » de la chaîne
logistique, comme le titre de la thèse l‘indique. Par modélisation/simulation
« organisationnelle », il faut entendre que l‘on tentera d‘intégrer explicitement la structure
organisationnelle de la chaîne logistique (qu‘elle soit stable ou temporaire) lors de la
simulation, notamment au travers la prise en compte d‘observables et d‘indicateurs associés
définis à différents niveau de détail de l‘organisation.
Plus précisément, nous proposons tout d‘abord un nouveau cadre méthodologique de
modélisation et simulation orienté agents de chaînes logistiques, prenant en compte
explicitement les aspects organisationnels, tant structurel que dynamique, ainsi que des
observables et indicateurs dans la modélisation de ces chaînes, avec leurs conséquences sur
2
leur simulation, ceci afin de mieux appréhender leurs comportements dans la recherche de
leurs performances.
Ensuite, afin de simuler les modèles de simulation de ces chaines logistiques obtenus par
ce cadre méthodologique, nous proposons une architecture logicielle multi-paradigmes
spécifique. Cette architecture a un double objectif : accompagner le processus de conception
de simulation de chaînes logistiques jusqu‘à son implémentation et exécution ; mais aussi
permettre d‘exploiter, et de réutiliser des modèles de simulations (opérationnels) préexistants
indépendamment du langage utilisé. Une approche par intégration à l‘aide d‘un médiateur
(mise en œuvre par une architecture agent) a été retenue pour atteindre ces deux objectifs.
2. Organisation du Manuscrit
Le chapitre deux constitue un état de l‘art de ce travail de recherche. Dans ce chapitre
nous nous intéressons tout d‘abord aux chaines logistiques en les définissant, en précisant la
problématique de leur management, et en présentant les différentes grandes approches de leur
modélisation et de leur simulation nécessaire à ce management. Puis convaincu que
l‘approche multi-agents était la plus pertinente pour aborder la modélisation et la simulation
de ces chaines, nous définissons ce que cette approche recouvre, tant au niveau des systèmes
multi-agents (SMA) qu‘au niveau de la simulation orientée agents (SOA). Ensuite , notre
contribution se voulant tout d‘abord méthodologique, nous nous intéressons plus
particulièrement à des travaux concernant le processus de conception d‘une SOA en générale,
ainsi que des travaux plus proches de nos préoccupations, portant sur le processus de la
modélisation et de la simulation orientées agents de chaines logistiques. Enfin nous concluons
en précisant la problématique de notre recherche.
Le chapitre trois présente notre première contribution, consistant en la proposition d‘un
nouveau cadre méthodologique de modélisation et de simulation orientées agents de chaînes
logistiques, prenant en compte explicitement les aspects organisationnels, tant structurel que
dynamique, ainsi que des observables et indicateurs dans la modélisation de ces chaînes. Tout
d‘abord nous précisons l‘objectif, les fondements ou principes, du cadre méthodologique
orienté agents que nous proposons pour la modélisation des chaines logistiques. Puis nous
présenterons de façon générale ce cadre méthodologique, notamment les différents niveaux
d‘abstraction qui le structure : niveau conceptuel et niveau opérationnel, ainsi que les
différents modèles qui le composent à chacun de ces niveaux d‘abstraction. Ensuite, nous
développons en détail l‘étape de modélisation conceptuelle du cadre méthodologique proposé,
en présentant les modèles concernés, leur articulation et le processus de leur élaboration, avec
3
une illustration concrète sur une chaîne logistique. Enfin nous développons en détail l‘étape
de modélisation opérationnelle de ce cadre méthodologique en l‘illustrant par la modélisation
d‘une chaîne simple.
Dans le chapitre quatre présentons une architecture logicielle orientée agents permettant
de simuler les modèles de simulation de ces chaines logistiques obtenus par le cadre
méthodologique proposé dans le chapitre précédent. L‘architecture logicielle multi-
paradigmes qui est proposée supporte l‘intégration de différentes plates-formes de simulation
qui assurent l‘implémentation et l‘exécution d‘agents cognitifs et d‘agents réactifs nécessaire
à la simulation de la chaine. Cette approche d‘intégration se justifie notamment par
l‘hétérogénéité des plateformes de simulation répondant chacune à des capacités et des
besoins de représentation différents selon la complexité des comportements à simuler.
L‘architecture d‘intégration proposée s‘appuie sur des travaux antérieurs au LSIS ainsi que
sur la spécification HLA (High Level Architecture), et est basée sur un médiateur assurant
l‘interaction entre les simulateurs à l‘aide d‘agents spécialisés. Ces agents sont chargés de
collecter les informations permettant de produire les observables, maintenir la structure
organisationnelle lorsque des entités organisationnelles (groupes) sont distribués sur différents
simulateurs, l‘interopérabilité entre ces simulateurs et enfin garantir la validité de la
simulation d‘un point de vue temporel. Ce chapitre se termine par une illustration sur un cas
simple des mécanismes d‘intégration et de production d‘indicateurs que permet cette
architecture dans la simulation d‘une chaîne logistique.
Le chapitre cinq illustre la mise en œuvre du cadre méthodologique et de l‘architecture
logicielle précédemment proposés. Cette illustration sur un cas d‘étude de chaîne logistique
relative à la fabrication des raquettes de tennis, cas d‘étude qui est tout d‘abord présenté. Puis
cette illustration présente les modélisations conceptuelle et opérationnelle de cette chaîne
obtenue selon le cadre de modélisation proposé. L‘implémentation de l‘architecture logicielle
à base d‘agents proposée est ensuite présentée, ainsi que sa mise en œuvre sur la chaine
logistique du cas d‘étude. Ce chapitre se termine par la présentation et l‘interprétation de
résultats de simulation associés à l‘étude de scénarios pertinents relatifs au comportement de
la chaine logistique du cas d‘étude.
Enfin, dans le chapitre six, conclusion générale, nous présentons un bilan de nos travaux
de recherche en mettant en avant nos principales contributions, et leurs limites, ainsi que les
différentes perspectives qui leurs sont associées.
4
CHAPITRE 2: MODÉLISATION ET SIMULATION
ORIENTÉS AGENTS DE CHAÎNE LOGISTIQUE
PLAN DU CHAPITRE
1. Introduction ..................................................................................................................... 7
2. Les chaînes Logistiques ................................................................................................... 7

2.1 Définitions et évolution du concept de « chaîne logistique » .................................... 8
2.1.1 Définition du concept ............................................................................................. 8
2.1.2 Evolution du concept .............................................................................................. 9
2.2 Le management des chaînes logistiques (Supply Chain Management) ................... 10
2.3 La modélisation et la simulation des chaînes logistiques ......................................... 13
2.3.1 Différentes approches de modélisations ............................................................... 13
2.3.2 Grandes classes de méthodes de modélisation de chaîne logistique .................... 15
2.3.3 Le modèle SCOR ................................................................................................. 17
2.3.4 Simulation des chaînes logistiques ....................................................................... 22
3. Les systèmes multi-agents (SMA) ................................................................................ 24

3.1 Définitions générales ................................................................................................ 24
3.2 Quelques modèles d‘agent ....................................................................................... 27
3.2.1 Agents réactifs ...................................................................................................... 27
3.2.2 Agents Cognitifs ................................................................................................... 28
3.2.3 Agents Hybrides ................................................................................................... 30
3.3 Le concept d‘holon ................................................................................................... 31
3.4 Interactions entre agents dans un SMA .................................................................... 32
4. La simulation orientée agents....................................................................................... 34

4.1 Simulations et modèles de simulation ...................................................................... 34
4.1.1 Simulation analogique et simulation numérique .................................................. 36
4.1.2 Modèles de simulation ......................................................................................... 37
4.2 La simulation orientée agents (SOA) ....................................................................... 39
4.2.1 Principes théoriques ............................................................................................. 39
4.2.2 La SOA et le temps .............................................................................................. 41
4.2.3 Domaines d‘application privilégiés de la SOA .................................................... 42
5 La conception de simulation orientée agents .............................................................. 44

5.1 Introduction .............................................................................................................. 44
5.2 Un cadre d‘étude et de comparaison de méthodes de conception de SOA .............. 45
5.3 Etude comparative de méthodes de conception de SMA ......................................... 48
5
5.3.1 La méthode GAIA ................................................................................................ 48
5.3.2 La méthode AGR / AALAADIN ......................................................................... 50
5.3.3 La méthode ADELFE........................................................................................... 52
5.3.4 La méthode MOISE+ ........................................................................................... 53
5.3.5 La méthode CRIO ................................................................................................ 56
5.3.6 Comparaison des méthodes : forces et faiblesses................................................. 57
6 La modélisation et la simulation orientées agents de chaînes logistiques ................ 60

6.1 Travaux en modélisation et simulation multi-agents de chaînes logistiques ........... 61
6.2 Le modèle MASCF .................................................................................................. 63
6.2.1 Présentation générale de MASCF ........................................................................ 63
6.2.2 Forces et limites de MASCF ................................................................................ 66
6.3 Les travaux du LSIS ................................................................................................. 67
6.3.1 Cadre méthodologique proposé par le LSIS ........................................................ 67
6.3.2 Forces et limites du cadre méthodologique du LSIS............................................ 69
7 Synthèse et conclusion ................................................................................................... 69
6
Chapitre 2 : Modélisation et simulation orientés agents de chaîne logistique
1. Introduction
Accompagner le processus de conception d‘une simulation d‘une chaîne logistique jusqu‘à
son expérimentation sur une architecture logicielle adaptée, requiert d‘appréhender
l‘ensemble des enjeux et opportunités que cet objectif soulève.
Dans l‘identification de ces enjeux et opportunités, une des difficultés rencontrées dans ce
travail de recherche résulte justement de la nature pluridisciplinaire de notre sujet de
recherche. Il s‘agit en effet de bien comprendre ce que peuvent apporter les Systèmes Multi-
Agents (SMA) d‘un point de vue méthodologique, conceptuel et logiciel à l‘ingénierie du
« complexe », ce qu‘implique la simulation de systèmes en terme de modèles et leurs
exploitation, et bien sûr déterminer les besoins soulevés par la compréhension et
l‘amélioration des performances (au sens large) des chaînes logistiques. De fait, la rencontre
entre SMA, Simulation et Chaînes Logistiques n‘est pas récente, et rend d‘autant plus difficile
son appropriation par les interconnexions qui se sont formés au fur et à mesure de ces
rencontres et les combinaisons multiples proposés par des chercheurs de communautés
scientifiques différentes.
Aussi dans ce chapitre d‘état de l‘art, nous nous intéressons tout d‘abord aux chaînes
logistiques en les définissant, en précisant la problématique de leur management, et en
présentant les différentes grandes approches de leur modélisation et de leur simulation
nécessaire à ce management. Ensuite convaincu que l‘approche multi-agents était la plus
pertinente pour aborder la modélisation et la simulation de ces chaînes, nous définissons ce
que cette approche recouvre, tant au niveau des systèmes multi-agents (SMA) qu‘au niveau de
la simulation orientée agents (SOA). Notre contribution se voulant en premier lieu
méthodologique, nous nous intéressons au processus même de conception d‘une SOA en
général, ainsi que des travaux plus proches de nos préoccupations, portant sur le processus de
la modélisation et de la simulation orientées agents de chaînes logistiques. Enfin nous
concluons en précisant la problématique de notre recherche.
2. Les chaînes Logistiques

La chaîne logistique (Supply Chain) trouve son essence dans la possibilité qu‘elle offre aux
entreprises de générer des profits supplémentaires tout en accroissant leur flexibilité et leur
réactivité. Les synergies d‘entreprises résistent plus efficacement aux pressions
7
concurrentielles comme énoncé dans [LEE et BILLINGTON, 1995], "La bataille pour
dominer le marché ne sera pas une bataille d‘entreprises mais de chaînes logistiques."
Dans cette section, nous définissons tout d‘abord le concept de chaîne logistique ainsi que
ses évolutions, et cernons brièvement le management de ces chaînes. Ensuite nous ferons un
tour d‘horizon des différentes approches de la modélisation et de la simulation des chaînes
logistiques pouvant contribuer au management de ces dernières. Enfin nous présentons le
modèle de référence SCOR qui s‘appuie sur des niveaux explicites et des indicateurs.
2.1 Définitions et évolution du concept de « chaîne logistique »

2.1.1 Définition du concept
La littérature scientifique donne de nombreuses définitions du concept de chaîne logistique ou
Supply Chain en anglais. Nous en retiendrons trois qui nous apparaissent les plus
significatives.
Pour TEIGEN et BARBUCEAUNU [TEIGEN et BARBUCEAUNU, 1996] « La chaîne
logistique est un réseau de fournisseurs, d‘entreprises, de dépôts, de centres de distribution et
de détaillants, au travers duquels les matières sont acquises, transformées, et livrées aux
clients ».
De leur côté, LEE et BILLINGTON [LEE et BILLINGTON, 1995] définissent une chaîne
logistique comme : « Un réseau d‘installations qui assure les fonctions d‘approvisionnements
en matières premières, de transformation de ces matières en composants puis en produits, et
de distribution des produits finis aux clients.»
Enfin, pour MENTZER et son équipe [MENTZER et al., 2001], « Une chaîne logistique
est un groupe d‘au moins trois entités directement impliquées dans les flux amonts et avals de
produits, de services, de finances et /ou d‘informations, qui vont d‘une source jusqu‘au
client.»
De ces trois définitions, nous retiendrons qu‘une chaîne logistique se présente comme une
organisation en réseau d‘entreprises complémentaires impliquant une circulation
bidirectionnelle de flux de matière et d‘information, comme l‘illustre la Figure 2.1.
L‘exemple de la Figure 2.1 tiré de [LABARTHE, 2006] présente les intervenants, leurs
rôles et leurs interactions dans la structure d‘une chaîne logistique. Les matières premières
issues des fournisseurs sont acheminées, via les transporteurs, vers les centres de distribution.
Ces derniers délivrent les matières premières auprès des manufacturiers. Celles-ci subissent
8
diverses étapes de transformation avant de prendre le statut de produit fini. Ces derniers sont
livrés vers les centres de distribution, dans lesquels ils sont stockés ou bien directement
dirigés vers les marchés. Les points de vente, qui constituent différentes zones de marché,
mettent ainsi à disposition les produits finis auprès des consommateurs. Les flux
informationnels, qui circulent en amont et en aval, concernent l‘ensemble des données qui
sont partagées entre les entreprises (commandes, délais, etc.).
Figure 2.1 : Exemple de chaîne logistique (SC) [LABARTHE, 2006]
2.1.2 Evolution du concept

De façon générale, dans l‘évolution du concept de chaîne logistique, on peut distinguer trois
périodes de management distinctes : la logistique séparée (avant 1975), la logistique intégrée
(de 1975 à 1990), et la logistique coopérée (depuis 1990).
A. Logistique séparée
De 1940 et 1950, la logistique concerne les fonctions physiques liées aux flux de distribution.
A partir de la fin des années 1950, la conjoncture économique met à jour l‘importance de la
fonction logistique puisse que l‘efficacité des entreprises repose sur l‘analyse et le contrôle
des coûts, [BOWERSOX et al., 1986].
Entre les années 1960 et 1970 la logistique devient une fonction de gestion matérielle et
informationnelle intégrée à l‘ensemble des autres fonctions, [BALLOU, 1992], grâce à
l‘émergence du management fonctionnel (séparation des principales fonctions de gestion de
l‘entreprise).
9
A partir des années 1970, la fonction logistique de l‘entreprise est plus particulièrement
appréhendée par l‘optimisation des lancements d‘ordres de fabrication, des achats, des plans
de production et des systèmes de distribution [HESKETT, 1973]. SLATER en 1976, cité dans
[GANESHAN et al., 1998], soutient qu‘une approche prenant en compte la globalité des
canaux logistiques devrait considérablement réduire les coûts et améliorer la qualité des
opérations.
B. Logistique intégrée
Pendant les années 1980, les entreprises responsabilisent et unifient la plupart de leurs
fonctions autour de la logistique, [COLIN et PACHÉ, 1988]. Cette évolution donne à cette
fonction un rôle clef dans les stratégies d‘entreprise, [SHAPIRO, 1984], notamment en
coordonnant les autres fonctions pour servir la production et la distribution physique.
C. Logistique coopérée
Les années 1990 voient le développement d‘alliances externes et de partenariats, dans le but
d‘accroître la compétitivité des partenaires du système logistique, basé sur l'optimisation des
flux [CHRISTOPHER, 1992]. Dans ce type de logistique, pour consolider les avantages
stratégiques nés de ces alliances, les entreprises mettent en œuvre des modes de coopération et
de coordination entre elles [SHAPIRO, 2001].
On est ainsi passé d‘une fonction purement physique liées aux flux de distribution, à la
recherche d‘une intégration globale partant du fournisseur du fournisseur jusqu‘au client du
client. Cette logique d‘intégration s‘est accompagnée du déploiement des nouvelles
technologies de l‘information et de la communication, et a abouti au développement d‘outils
informatisés permettant de mieux manager les chaînes logistiques, outils notamment liés à
l‘optimisation et surtout la simulation de ces chaînes, que nous aborderons dans une prochaine
section.
2.2 Le management des chaînes logistiques (Supply Chain

Management)
De nombreuses définitions du management de la chaîne logistique ou Supply Chain
Management (SCM) ont été proposées dans la littérature. Chercheurs et gestionnaires ont
négociés pendant plusieurs années au sujet de la définition du management de la chaîne
logistique (CL). Certains voient dans le SCM une logistique intégrée correctement
10
implémentée alors que d'autres le considèrent comme une intégration de plus de fonctions que
la logistique.
Le Council of Logistics Management (CLM) est considéré comme étant l‘un des premiers
organismes internationaux reconnaissant la nature intégrative des CL. Il a récemment mis à
jour sa définition pour identifier que le SCM est la plus étendu parmi les fonctions de
l‘entreprise et définit la logistique comme la partie du processus de CL qui projette,
implémente, et vérifie l'écoulement efficient et le stockage efficace des marchandises, des
services, et de leur information respective du point d'origine au point de consommation afin
de répondre aux exigences des clients. [CLM, 2006].
Aujourd'hui, après 15 ans sur les premiers travaux du CLM, plusieurs définitions du
management de la CL (SCM) ont lui été attribués. GIUNIRERO et al [1996] n‘identifient que
trois typologies de SCM s'étendant des flux (unique) de marchandises, un flux de
marchandises et d'information, à une approche intégrée à valeur ajoutée. Depuis, la plupart
des définitions se sont avancées sur la vision sommaire des flux de marchandises et ils
considèrent maintenant la nature intégrative des CL. COOKE [1997] définit le SCM comme
la coordination et l'intégration réussies de toutes ces activités associées aux circulations des
marchandises de l'étape de matières premières à l'utilisateur final, pour un avantage
concurrentiel durable. Ceci inclut des activités comme le management des systèmes,
l'approvisionnement, l'ordonnancement de la production, traitement d'ordre, gestion des
stocks, transport, entreposage, et service à la clientèle. [QUINN, 1997] ajoute, qu‘un SCM
réussi coordonne et intègre toutes ces activités dans un processus sans raccord. En plus de
l‘interaction entre les différents des départements de l'organisation, SCM incluse la relation
entre les fournisseurs, des entrepreneurs, des tierces compagnies, et des fournisseurs de
systèmes d'information.
Dans cette intégration [LAMBERT et al., 1998] renforce le concept de la valeur, l‘auteur
définit le SCM par le l'intégration des principaux processus d'affaires de l'utilisateur ultime
aux fournisseurs initial qui fournissent des produits, services et informations qui pourvoit de
la valeur ajoutée aux clients et autres dépositaires, à travers cette définition l‘auteur veut
renforcer le principe de la valeur ajoutée du SCM alors que [COOPER et al., 1997] notent que
cette définition est plus large que la définition traditionnelle de la logistique et précise le
besoin d'intégration au delà de la fonction logistique.
[BALLOU et al., 2000] se sont intéressés à la réalisation de la revue les changements de
définitions de la vision de la logistique avec le temps et associent la CL à toutes les activités
11
liées à la transformation, aux flux des marchandises et des services, comprenant leurs propres
flux d'information, de la source des matières premières à l‘utilisateur ultime. De leur part, les
auteurs identifient trois dimensions du management de la CL : (i) la coordination intra-
fonctionnelle, (ii) la coordination inter-fonctionnelle et (iii) coordination inter-
organisationnelle. La première dimension se rapporte à l'administration des activités et des
processus dans la fonction logistique de la société. La deuxième se réfère à la coordination
des activités entre les secteurs fonctionnels de la société tandis que la coordination inter-
organisationnelle s‘applique à la coordination des activités de la CL qui ont lieu entre les
sociétés légalement séparées.
De leur côté [MABERT et VENKATARAMANAN et al., 1998] ajoute le procédé de
conception de produits à la définition du CL et le présente comme le réseau d'installation et
d'activités qui exécute les fonctions du développement du produit, l'approvisionnement du
matériel depuis les fournisseurs, le déplacement des matériaux entre les installations, la
fabrication des produits, la distribution des produits finis aux clients, et enfin le service après
vente. Bien que [SIMCHI-LEVI et al., 2000] identifient le dispositif systémique inhérent à la
définition de la CL, devenant ainsi l‘un ensemble d'approches qui vise à intégrer efficacement
des fournisseurs, fabricants, entrepôts, et magasins, de sorte que les marchandises soient
produites et distribuées en bonnes quantités, aux bons endroits, et au bon moment, afin de
réduire au minimum le niveau des coûts du système tout en répondant aux conditions du
niveau de service tandis que [ALBER et al., 1998] ajoutent l'élément critique des flux
financier à la CL et la définissent comme un réseau global employé pour livrer des produits et
services depuis les matières premières au clients extrêmes par la construction des flux
d'information, de distribution CL comme un réseau global employé pour livrer des produits et
services depuis les matières premières aux clients extrêmes par la construction des flux
d'information, de distribution physiques, et financiers. Dans la même continuité, [AYERS,
2000] toujours centré sur les flux, mais ajoute également une dimension de connaissance, et
déclare que le management de la CL est plus qu'une circulation des marchandises physique
«terre à terre », c'est également de l'information, circulation de l'argent, et la création et le
déploiement du capital intellectuel."
De l'importance de la coordination fonctionnelle et de la congruence stratégique,
[MENTZER et al., 2001] définissent le management de la CL comme : « la coordination
systémique, stratégique des fonctions opérationnelles classiques et de leurs tactiques
respectives à l intérieur d‘une même entreprise et entre partenaires au sein de la CL, dans le
12
but d améliorer la performance à long terme de chaque entreprise membre et de l ensemble de

la chaîne »
Bien que nous avons réalisé, ci-dessus, une revue de la littérature sur la CL englobant les
principales définitions accordées à ce concept mais nous citons brièvement d‘autres
définitions ou caractérisations du SCM de la littérature :
- SCM est la coordination des flux des matériaux et des produits à travers l'entreprise et
avec les partenaires commerciaux. Il inclut également la gestion de flux d'information,
flux financier, et des flux de processus / travail. [TYNDALL et al., 1998].
- SCM intégré est une approche orientée processus pour l'approvisionnement,
production, et la livraison des produits et des services aux clients et a une large portée
qui inclut fournisseurs des fournisseurs, des fournisseurs, des opérations internes, des
clients commerciaux, des clients du détail, et des consommateur [MENTZER et al.,
2001].
- Le SCM est caractérisé par un contrôle basé sur la gestion de réseau et l'intégration des
processus à travers les interfaces fonctionnelles, géographiques, et organisationnelles
[VAN HOEK et al., 1998].
- SCM augmente le service à la clientèle et la rentabilité par la coordination/intégration
de multiples échelons, processus, et fonctions comme les fournisseurs, achat,
fabrication, distribution, marketing/ ventes, et des clients. [AKKERMANS et al.,
1999].
2.3 La modélisation et la simulation des chaînes logistiques

Pour répondre au besoin du management des chaînes logistiques, une modélisation de ces
chaînes est nécessaire. Dans cette section nous faisons un tour d‘horizon des différentes
approches de modélisation de ces chaînes qui ont été proposées dans la littérature.
2.3.1 Différentes approches de modélisations

Une première étude conduit à considérer toutes les approches de modélisation dites
« classiques » des entreprises. Dans un cadre général, la modélisation est un processus de
représentation qui permet d‘obtenir une image approchée du système réel suite à une phase
d‘abstraction. Ce processus facilite l‘étude et la compréhension des systèmes. Modéliser un
système nécessite de faire de nombreuses hypothèses simplificatrices puisque il n‘est pas
possible de décrire de manière identique l‘environnement réel dans lequel évolue le système.
13
La modélisation de l'organisation d‘une chaîne logistique consiste à décrire son principe

de fonctionnement, afin de parfaire ses performances et sa position concurrentielle. Les
modèles, les méthodes et les outils qui sont développés dans le domaine de la modélisation
d‘entreprise sont largement utilisés pour les chaînes logistiques, qui est fortement centrée sur
les systèmes de production, avait prouvée les limites de l'entreprise qui n‘était à mesure de
mettre en exergue ses évolutions organisationnelles et opérationnelles.
Dans la littérature, on distingue principalement trois types d‘approches pour la
modélisation des chaînes logistiques : les approches organisationnelles, les approches
analytiques, et les approches basées sur la simulation.
A. Les approches organisationnelles

Les approches organisationnelles s'appuient sur le processus de modélisation basé sur la
théorie des systèmes. Les modèles de chaîne logistiques issus de ces approches ne permettent
pas d'obtenir une évaluation comportementale du système dans le temps face aux stimuli
environnementaux. Les principales approches de modélisation qui appréhendent la notion
d‘organisation de la chaîne, le font selon des points de vus hiérarchiques (approches
cartésienne et systémique) ou hétérarchiques. L‘approche cartésienne s‘appuie sur une analyse
fonctionnelle et hiérarchique des systèmes. Pour cela, elle préconise la décomposition d‘un
système en sous systèmes fonctionnels. L‘approche systémique envisage la complexification
croissante des organisations et de leurs environnements. Dans le cadre de la modélisation des
systèmes de pilotages hétérarchiques, Trentesaux [TRENTESAUX, 2002] recense quatre
approches de modélisation : l‘approche par processus représente l‘organisation comme un
ensemble d‘entité, en interaction, pour la modélisation de processus et/ou activités, l‘approche
holonique repose sur la représentation des entités de l‘organisation à partir de holons
[KOESTLER, 1967], l‘approche en émergence, et enfin l‘approche multi-agents.
Dans ces approches organisationnelles sont souvent utilisés en tant qu‘outils de
modélisation, les réseaux de Petri [WANG, 1998] et IDEF [US AIR FORCE, 1993]. De tels
outils permettent une représentation du comportement des composants des entreprises. Ils sont
basés sur différents concepts d'activités, ressources, processus, et sont intégrés à des méthodes
de modélisation d‘entreprise (Enterprise Modelling) telles que CIMOSA [AMICE, 1993],
GRAI-GIM [DOUMEINGTS et al., 1992] et PERA [WILLIAMS, 1992]. Ils permettront de
concevoir des modèles adaptés aux différentes facettes de l'entreprise étudiée, en s'appuyant
sur différents formalismes de modélisation.
14
B. Les approches analytiques

Les approches analytiques, qui s'appuient sur une représentation thématiques des chaînes
logistiques, nécessitent des approximations et sont limitées dans la prise en compte du critère
de temps. La conduite de simulations permet une observation du comportement et de la
dynamique du système par rapport au temps. On peut distinguer deux approches l‘une reliant
de la théorie du contrôle et l'autre de la recherche opérationnelle. La première approche, basée
sur des équations différentielles ou aux différences afin d‘appréhender sa dynamique dans le
temps, permet d‘évaluer les comportements du système par l‘utilisation d‘outils
mathématiques, tandis que la seconde approche, s'appuyant sur les théories de l‘optimisation,
vise à élaborer les meilleures décisions en fonction d‘un ou plusieurs critères tout en
respectant les contraintes du système modélisé.
C. Les approches basées sur la simulation

La modélisation par la simulation de la chaîne logistique est basée sur la dynamique des
systèmes, [FORRESTER, 1961]. Cette décision était motivée par le fait que la structure de la
chaîne logistique et le contrôle de flux déterminent sa performance. La modélisation et la
simulation de la chaîne logistique a ensuite été étudiée par la simulation continue et la
simulation à événements discrets. Actuellement, la simulation à événements discrets est la
plus utilisée pour la simulation des chaînes logistiques, [TERZI et CAVALIERI, 2004]. Une
nouvelle tendance exploitant l'approche d‘agent relève de la simulation à événements discrets.
Ce type de modèle est adapté aux caractéristiques dynamiques de tels systèmes complexes,
afin d‘assurer une prise en compte des non linéarités des comportements. Le recours à la
simulation, comme outil d‘analyse, favorise la compréhension du comportement du système
face à la composante temporelle.
2.3.2 Grandes classes de méthodes de modélisation de chaîne logistique

Dans cette section, on peut citer la typologie des approches de modélisation des chaînes
logistiques proposée par Dong [DONG, 2001]. Celui-ci distingue trois classes de méthodes de
modélisation de chaîne logistiques : (i) les méthodes de conception du réseau de la SC, (ii) les
méthodes heuristiques, et (iii) les méthodes basées sur la simulation.
15
A. Les méthodes de conception du réseau de la chaîne logistique

Ces méthodes déterminent la localisation des installations de production, de stockage,
d'approvisionnement, et les itinéraires que prennent les produits. Les premiers travaux dans ce
secteur, bien que le terme "CL" n'ait été pas en vogue, sont réalisés par [GEOFFRION et
GRAVES, 1974]. Ils ont proposé un modèle de conception de réseau logistique multi-produit,
pour l'optimisation des flux des produits finis depuis les usines, aux centres serveurs de
distribution et clients finals. Plus tard [GEOFFRION et POWERS, 1995] se sont intéressés à
l'évolution des stratégies de distribution au cours des vingt dernières années, décrivant
comment leur premier modèle pouvait s'adapter à plusieurs échelons et produits.
B. Les méthodes heuristiques

Ces méthodes heuristiques sont généralement employées dans les solveurs de planification de
niveau tactique et opérationnel. Elles sont employées dans la planification et
l'ordonnancement de la CL, et incluent les approches aléatoires générales de recherche telles
que les algorithmes génétiques et les algorithmes tabous. Récemment, la théorie de
contraintes est également employée dans la planification opérationnelle de la CL.
C. Les méthodes basées sur la simulation

C'est une méthode par laquelle un modèle complet de la CL peut être analysé en considérant
ses éléments stratégiques et opérationnels. Cette méthode peut évaluer l'efficacité d'une
politique pré-spécifiée avant de développer de nouvelles.
La nature dynamique des CLs rend les méthodes de simulation nécessaires pour étudier le
comportement temps-variable des CL. Comme suggéré par [SWAMINATHAN et al., 1998],
le reengineering de la SC en raison du dynamisme des affaires devient une nécessité, mais ce
n'est pas une tâche facile. L'utilisation de la simulation comme un véhicule pour comprendre
les conditions de prise de décision dans l'organisation a pris une attention et un élan
considérables ces dernières années [KUMAR et al., 1993] [MALONI et DENTON,1997].
[TOWILL et al., 1992] ont utilisées les techniques de simulations pour évaluer les effets de
diverses stratégies de la CL sur l'amplification de la demande. [TZAFESTAS et KAPSIOTIS,
1994] ont utilisés un modèle combiné d'analycité/simulation pour analyser des CL.
Toutefois, la modélisation d'entreprise ne permet pas de décrire l'ensemble des propriétés
liées à des organisations en réseau. Cette approche offre un point de vue qui permet
d'envisager l'organisation en réseau comme une entreprise unique. Par conséquent, des
16
propriétés telles que la nature distribuée de la structure organisationnelle, l'autonomie des

entités coopératives, la dynamique d'interaction, etc., ne sont généralement pas exprimés ou
expliqués.
Nous pouvons ajouter à toutes ces propriétés du fait que les entreprises doivent elles
mêmes se redéfinir et redéfinir aussi leurs réseaux pour elles-mêmes afin de répondre aux
exigences des clients et de réussir à prospérer dans la nouvelle économie fortement
concurrentielle et très exigeante. Ces transformations peuvent être résumées en expliquant que
les organisations en réseau doivent évoluer. Cela implique des ajustements, des modifications
et des transformations à travers l'ensemble de la chaîne logistique, en mettant l'accent sur le
développement de la flexibilité, la réactivité et l'agilité de la chaîne logistique des acteurs, leur
permettant d'agir en tant que valeur ajoutée, les actions des collaborateurs doivent être
coordonnées dans l'ensemble du réseau afin d‘avoir une dynamique parfaite de
l'environnement.
2.3.3 Le modèle SCOR
A. Présentation générale
Le modèle SCOR (Supply Chain Operations Reference) fournit un cadre qui permet à ses
utilisateurs de définir puis améliorer leurs pratiques de management de la SC. Il a pour but
l‘optimisation de la communication entre partenaires de la SC par l'utilisation de définitions
standards et un langage commun, ce qui facilite la comparaison entre entreprises et entre
industries similaires. Le modèle SCOR a été développé en 1996 par le Supply Chain Council
(SCC) [SUPPLY CHAIN COUNCIL, 2006]
Le modèle SCOR est un modèle de référence. À la différence des modèles d'optimisation,
aucune description mathématique formelle de la SC et aucune méthode optimale ou
heuristique pour résoudre un problème n'est donné. Le modèle SCOR propose une
terminologie de processus normalisés permettant une description générale des SC. Le modèle
SCOR s‘appuie de manière explicite sur les concepts bien connus du « reengineering » qui
analyse l‘existant et propose une solution-cible, du « benchmarking » qui compare la
performance à des entreprises similaires, et de la recherche objective des meilleures pratiques
à partir de mesures de performance, dans un cadre « transfonctionnel».
L'utilisation d'une terminologie normalisée, qui définit et unifie les termes utilisés,
améliore la communication entre les entités d'une SC. En effet, régulièrement, les définitions
non unifiées d'un terme mènent à de fausses idées ou supposition. C'est pourquoi, le SCC a
17
établi une terminologie standard pour le SCM. Dans le modèle SCOR environ 120 termes,
appelés des termes de processus (process terms), sont définis dans un glossaire.
B. Les niveaux et indicateurs du modèle SCOR

Le modèle SCOR se compose d'une terminologie de système de définitions de processus qui
sont employées pour normaliser les processus qui se rapportent au SCM. Ces processus sont
par la suite évalués par des indicateurs. L‘indicateur est classifié par son statut financier et
non financier. Son rôle est de faciliter la prise de décision et le diagnostic. Ils servent en plus
d‘étalons de mesure permettant d‘examiner et d‘indiquer la viabilité des stratégies pour la
réalisation d‘objectifs précis. Ils résument aussi une information simple et claire à propos de
systèmes complexes. Cinq processus de management constituent le cœur de SCOR, et l'on a
préféré conserver ici les termes anglo-saxons, pour respecter la présentation du [SUPPLY
CHAIN COUNCIL, 2006] illustré par la Figure 2.2 :
- Plan : planifier ou piloter selon les cas (échelle de temps différente).
- Source : approvisionner depuis un fournisseur interne ou externe.
- Make : fabriquer, assembler, produire.
- Deliver : livrer, fournir, opération inverse de Source.
- Return : retourner.
Chaque intersection de deux processus d'exécution (Source_Make_Deliver) est un lien de
la SC :
- un processus d'exécution transforme ou transporte des matières premières et/où des
produits;
- chaque processus est un client du processus précédent est un fournisseur du processus
suivant.
Les processus de planification managent ces liens fournisseurs-clients :
- le processus de planification (ou pilotage) "balance" la SC, c'est-à-dire assure les
équilibres entre les entrées et sorties pour chaque période de temps ;
- chaque intersection de deux processus d'exécution demande un processus de pilotage
ou de planification.
Les indicateurs de performance sont classés en deux catégories:
- aspects externes perçus directement par le client :
o fiabilité (taux d‘exécution parfaite des commandes, par exemple),
18
o temps de réponse ou réactivité (délai de livraison),

o flexibilité (délai ou coût de réévaluation des plannings de production, temps de
changement de série, ...).
- aspects internes :
o coûts (chiffre d‘affaires, valeur ajoutée, …),
o actifs (temps du cycle cash-to-cash, niveaux de stocks exprimés en jours de
stock, …).
Modèle SCOR
Processus Indicateurs de performance

Meilleures pratiques Technologies
Figure 2.2 : Quatres processus de base du SCOR [SUPPLY CHAIN COUNCIL, 2006]
De plus le modèle SCOR peut se découper en 4 niveaux de modélisation qui sont détaillés
dans la section suivante.
B.1 Niveau 1 : les processus

Le niveau 1 est celui du processus d‘ensemble qui propose une architecture générale en six
macro-processus de base :
- Processus de pilotage (Plan) : processus qui équilibre la demande et l‘approvisionnement
global pour développer une ligne de conduite (actions) qui réunie les meilleures
conditions d‘approvisionnement de production et de livraison.
19
- Processus d’approvisionnement (Source) : Processus qui acquit les biens et services

pour répondre à une demande prévue ou réelle. Il correspond à la planification des
commandes, réceptions, contrôles et mise à disposition des matières et composants
nécessaires à la fabrication.
- Processus de production (Make) : Processus qui transforment le produit à un état fini
pour répondre à une demande prévue ou réelle. Il englobe la réception des matières et
composants, la fabrication, le contrôle et l‘emballage ainsi que la gestion des sites de
production et des équipements (aménagement, entretien, qualité, capacité court terme,
ordonnancement).
- Processus de livraison (Deliver): Processus qui fournissent des produits finis et services
pour répondre à une demande prévue ou réelle, typiquement comprenant le management
des ordres, management du transport, et management de la distribution (traitement des
commandes, de la gestion des entrepôts et des manutentions).
- Processus de retour des produits et processus de support (Return): Processus liés au
retour ou à la réception des produits. Ces processus s‘étendent au support à la clientèle de
la post-livraison.
B.2 Niveau 2 : configuration de la SC

Ce niveau qui traite de la configuration de la SC propose 29 processus génériques de base :
une cartographie des relations entre ces processus est proposée. Une description simplifiée du
niveau 2 de ce modèle est fournie à la Figure 2.3 [SUPPLY CHAIN CONCIL, 2006].
- Cinq modules de pilotage (niveau tactique et opérationnel) : pilotage des
approvisionnements, pilotage de la production, pilotage des livraisons, pilotage des retours
et pilotage général ;
- Dix modules de description de processus obtenus par croisement d‘une typologie de
production (production pour stock, assemblage à la commande, fabrication à la
commande) et des trois phases (approvisionner, produire et livrer) ; six modules de
description des retours obtenues par croisement du type d‘entité concernée (client ou
fournisseur) et des types de retour (produit défectueux, surplus, pièces de maintenance).
- Neuf modules de processus de support : (1) Établissement et management des principes de
management pertinents et cohérents pour l‘ensemble de la SC, et des règles de gestion qui
en découlent, (2) Management de la mesure et de l‘amélioration de la performance globale
de la SC (les coûts, la fiabilité de la distribution, les temps de réponse, la réactivité et les
20
actives mobilités), (3) Gestion des informations agrégées et détaillées utilisées par SC, (4)
Management intégré des stocks (matières premières et composants achetés, encours,
produits finis) de la SC (niveau stratégique, tactique et opérationnel), (5) Management de
la capacité productive de la SC (acquisition, maintenance, externalisation), (6)
Management des transports, (7) Management de la configuration de la SC, en cohérence
avec le portefeuille de produits et son évolution liée à leurs cycles de vie, (8) Management
des réglementations (respect des contraintes légales et réglementaires jouant sur
l‘ensemble de la SC), (9) Management stratégique de la cohérence de la SC avec la
stratégie globale de l‘entreprise.
Figure 2.3 : Modèle SCOR niveaux 2 [SUPPLY CHAIN COUNCIL, 2006]
21
B.3 Niveau 3 : opérationnel

A ce niveau les entreprises peuvent préciser les activités des sous processus, les meilleures
pratiques, les ruptures de flux, les fonctionnalités des progiciels et des outils existants.
B.4 Niveau 4 : spécifique

Ce niveau n'est pas dans le modèle de référence. Il convient à chaque entreprise de définir les
tâches élémentaires des activités.
C. Portée et limites du modèle SCOR

Le modèle SCOR fournit un découpage multi-niveaux précis des processus de la chaîne
logistique offrant ainsi une vision plus claire de celle-ci. Le modèle présenté propose
également un ensemble de bonnes pratiques issues d'un « benchmark » auprès des entreprises
partenaires du SCC ainsi que des indicateurs de performance permettant de vérifier et de
valider la mise en œuvre de ces bonnes pratiques. Ceci constitue un guide pour la définition
des étapes de l'évolution et une aide à la définition du système d'indicateurs de performance
permettant de valider cette évolution.
Cependant, le modèle SCOR ne couvre pas tous les aspects de l'entreprise. Il n'explique pas,
par exemple, comment gérer les ressources.
De plus, il ne couvre que certaines activités des entreprises et n'apportent donc pas de
vision globale de la chaîne logistique pourtant indispensable à sa gestion, sa caractérisation et
son évolution. D'autre part, il ne traite pas spécifiquement des interactions entre processus
même si le modèle SCOR propose quelques indicateurs de performance liés à cette notion.
Enfin, ce modèle n'offre pas de démarche méthodologique permettant la modélisation du
système existant qui est pourtant un pré-requis indispensable à toute évolution.
En conclusion, SCOR est distingué pour la définition et l‘analyse des processus de
mangement au niveau du SCM, il ne permet cependant pas facilement de définir des relations
organisationnelles entre acteurs identifiés, relations qui vont décrire la structure
organisationnelle, ni de caractériser les comportements de ces mêmes acteurs.
2.3.4 Simulation des chaînes logistiques

La simulation de la chaîne logistique peut être utilisée soit à des fins descriptives ou
normatives. Le premier vise à aider les décideurs à mieux comprendre le comportement et les
performances de la chaîne logistique modélisée et de favoriser l'émergence des idées de
22
gestion. Ce dernier utilise la simulation dans le but d'améliorer le fonctionnement et la

performance de la chaîne logistique en identifiant les meilleures décisions à prendre
concernant les transformations structurelles, organisationnelles, gestion et de processus. La
modélisation multi-agents ainsi que la simulation étendent considérablement les capacités de
simulation à événements discrets à des fins descriptives et normatives dans le contexte des
connaissances complexes de la chaîne logistique.
Les approches de simulation, parfois présentées comme des approches analytiques,
s'appuient sur l'expérimentation grâce à des modèles exécutables. La simulation est une
technique permettant de comprendre et prédire le comportement des systèmes [SAUTER et
PARUNAK, 1999]. Ces approches offrent plusieurs avantages [COURTNEY et al., 1997].
Tout d‘abord, la simulation est reconnue pour favoriser l'observation plus réaliste du
comportement de chaînes logistiques [PARUNAK et al., 1999] ou de modèles économiques
complexes plus généralement [CHATURVEDI et MEHTA, 1999]. Ensuite, elle permet une
analyse de la dynamique de la chaîne logistique et elle conduit à une observation du
comportement par rapport au temps, ce qui permet en même temps, de comprendre les
processus décisionnels de l'organisation [BISWAS et NARAHARI, 2004], d‘analyser les
interdépendances entre les acteurs de la chaîne logistique, et d'analyser la cohérence entre les
modes de coordination et les politiques décisionnelles. En outre la simulation peut être
couplée avec une démarche d'optimisation, permettant la validation de la pertinence et les
conséquences de ses résultats.
Lorsqu‘on utilise les approches de simulation, on peut distinguer deux types principaux de
modélisation [PARUNAK et al., 1998], la modélisation basée sur les équations et la
modélisation multi-agents. La première exprime les relations entre les observables
(caractéristiques quantifiables des une ou plusieurs personnes) par des équations. Le modèle
est exécuté par une évaluation itérative de ces équations et en observant l'évolution des
observables. La seconde encapsule dans les individus, génériquement appelées agents, le
comportement de chaque acteur de la chaîne logistique. L'exécution de ce modèle est une
simulation du comportement, permettant les agents d‘interagir les uns avec les autres, mais
aussi avec l'environnement, ainsi de surveiller leur comportement et les observables qui sont
touchés par les actions des agents.
Ainsi, la simulation multi-agent est la seule qui permette une observation du
comportement de chaque acteur de la chaîne logistique par rapport au temps et de la
dynamique de la chaîne générée a partir de leur d'interactions. Un intérêt majeur de la
23
modélisation orientée agents est qu‘elle permet en général une simulation autorisant une étude
de la dynamique du système considéré. La représentation du système, qu‘il soit physique,
biologique, économique ou encore social, peut s‘appuyer sur différentes approches de
modélisation. L‘approche de modélisation orientée agents permet de représenter le système à
travers l‘identification et la spécification du comportement des individus en interactions qui le
composent. Ces individus peuvent évoluer et agir sans contrôle ni intervention extérieure
(autonomie), peuvent percevoir leurs environnements et répondre à ces modifications
(réactivité), initier des comportements dirigés par des buts internes (pro-activité), et interagir
avec d‘autres individus (habilité sociale).
Les sections suivants introduisent plus en détail les systèmes multi-agents et la simulation
orientée agent, qui sont associés à l‘approche de modélisation et de simulation de chaînes
logistique que nous avons retenu pour cette recherche.
3. Les systèmes multi-agents (SMA)

Les Systèmes Multi-Agents (SMA), et plus généralement l‘Intelligence Artificielle Distribuée
(IAD), sont initialement une réponse à certaines limitations de l‘Intelligence Artificielle face à
certains problèmes complexes. Ils préconisent le passage d‘une "intelligence individuelle" à
une "intelligence collective" [FERBER, 1995] en distribuant l‘expertise (i.e. un système
expert ou système à base de connaissances) sur un groupe d‘entités autonomes en interactions.
Les SMA permettent « de modéliser le comportement d‘un ensemble d‘entités expertes, plus
ou moins organisées selon des lois de type social. Ces entités ou agents, disposent d‘une
certaine autonomie, et sont immergées dans un environnement dans lequel et avec lequel elles
interagissent » [ERCEAU et FERBER, 1991].
Les domaines d‘applications des systèmes multi-agents sont nombreux : qu‘ils agissent en
tant que paradigme de modélisation ou comme solution de mise en œuvre logicielle. Dans le
cadre de ce travail la notion d‘agent intervient à ces deux niveaux.
Cette section définit tout d‘abord les concepts principaux associés au paradigme agent et
aux SMA. Ces définitions seront complétées par une description des trois grandes classes de
modèles d‘agents ainsi qu‘aux modes d‘interaction entre agents dans les SMA.
3.1 Définitions générales

La littérature scientifique nous offre des travaux reconnus comme étant précurseurs dans le
domaine de recherche des agents et des SMA. Ces écrits sont les suivants : (i) le modèle
24
d‘Acteur pour la résolution de problèmes par l‘envois de messages asynchrones, [HEWITT,

1977], (ii) l‘architecture "blackboard" pour le partage d‘informations entre agents, [ERMAN
et al., 1980], (iii) le protocole de réseau contractuel pour l‘allocation de tâches "Contract Net
protocol", [SMITH, 1980], et, (iv) le système Distributed Vehicle Monitoring Task, [LESSER
et CORKILL, 1983]. Ces études qui sont à l‘origine des systèmes multi-agents, ont fait jaillir
de nombreux concepts et définissant ainsi le paradigme "agents".
A. Systèmes multi-agents
La conception et ensuite le développement d‘un système multi-agents requièrent la définition
d‘un certain nombre d‘éléments, indépendamment du domaine d‘application ou le degré
d‘intelligence des agents. Dans [FERBER, 1995], les éléments entrant dans la composition
d‘un système multi-agents sont multiples :
Ŕ Un environnement E, définissant un espace doté généralement d‘une métrique.
Ŕ Un ensemble d‘objets O situés dans E. Ces objets sont passifs, ils peuvent être perçus,
créés, détruits et modifiés par les agents.
Ŕ Un ensemble A constitué d‘agents qui sont des objets particuliers (A ⊆ O), lesquels
représentent les entités actives du système.
Ŕ Un ensemble de relations R rassemblant des objets (et donc des agents) entre eux.
Ŕ Un ensemble d‘opérations Op permettant aux agents de A de percevoir, produire,
consommer, transformer et manipuler des objets de O.
Ŕ Les lois de l‘univers désignent des opérateurs chargés de représenter l‘application de
ces opérations et la réaction du monde à cette tentative de modification.
Concevoir un SMA impose donc de traiter ces différentes questions en tenant compte
également de la dimension interaction entre agents. On peut retrouver dans l‘approche
Voyelle AEIO, [DEMAZEAU, 2001], une approche similaire où un SMA est constitué de 4
dimensions : Agent, Environnement, Interaction et Organisation.
Ŕ Agent: concerne les modèles (ou les architectures) utilisés pour la partie active de
l'agent, depuis un simple automate à un système à base de connaissances complexe;
Ŕ Environnement: qualifie les milieux dans lesquels sont plongés les agents. Ils sont
généralement spatiaux dans la plupart des applications multi-agents;
Ŕ Interactions: concernent les infrastructures, les langages et les protocoles
d'interactions entre agents, depuis de simples interactions physiques à des interactions
langagières par actes de langage;
25
Ŕ Organisation: structure les agents en groupes, hiérarchies, relations, etc.

Les modèles d‘organisation s‘intéressent aux structures et aux règles de cohabitation entre les
agents (Hiérarchies, Auto-organisations, etc.). Les modèles d‘interaction passent par
l‘élaboration d‘un ensemble de règles en adéquation avec la granularité d‘un agent
(Communication, Coordination, etc.). Les modèles d‘environnement correspondent aux
milieux dans lesquels évoluent les agents (exemple : représentation spatiale). Les modèles
d‘agent concernent plus particulièrement la description interne des agents (Architectures,
représentation des connaissances, etc.).
B. Agents
Dans la littérature scientifique il n‘existe pas vraiment de définition consensuelle définissant
ce qu‘est un agent. Cependant, la définition la plus reprise au sein de la communauté des
systèmes multi-agents est celle proposée dans [JENNINGS et al., 1998] : « Un agent est un
système informatique, situé dans un environnement, et qui agit d‘une façon autonome et
flexible pour atteindre les objectifs pour lesquels il a été conçu.». Dans [WOOLDRIDGE et
JENNINGS, 1995], les scientifiques fixent le concept d‘agent selon les propriétés suivantes :
Ŕ L’autonomie : l‘agent agit sans l'intervention directe d‘un tiers (humain ou autres) et
n‘est soumis à aucun contrôle sur son travail, ni sur son état interne;
Ŕ La réactivité : l‘agent est attentif à son environnement de travail et capable de faire
face aux changements dans ce cadre d‘une manière propice;
Ŕ La pro-activité : l‘agent doit être capable de montrer des comportements dirigés par
des buts internes, en prenant des initiatives;
Ŕ La sociabilité : les agents sont en interaction entre eux grâce à des langages de
communication et des règles de sociabilité communes. Les agents communiquent entre
eux et créent des règles de sociabilités qui leur sont propres.
A ces propriétés « minimales » de ce que doit être un agent, peuvent s‘ajouter des
propriétés additionnelles afin de répondre aux besoins parfois spécifiques du domaine d‘étude
ou de l‘approche retenue [CHAIB-DRAA et al., 2001]. Dans [FRANKLIN et GRAESSER,
1996], [NWANA, 1996] et [BRIOT et DEMAZEAU, 2001], sont fait des tours d‘horizon des
divers usages des agents selon différents domaines. Deux écoles coexistent selon le degré
d‘intelligence et de connaissance attribué aux agents, [LABIDI et LEJOUAD, 1993]. L‘une
concerne les agents réactifs qui considèrent des agents simples réalisant des actions par
26
l‘adoption de comportements simples. La seconde concerne les agents cognitifs, ayant la

capacité de planifier et mettant ainsi en œuvre des comportements élaborés.
Dans Erceau [ERCEAU, 1993], « Les agents sont des entités physiques (capteurs,
processeurs,...) ou abstraites (tâches à réaliser, déplacements,...), qui sont capables d‘agir sur
leur environnement et sur elles-mêmes, c‘est-à-dire de modifier leur propre comportement.
Elles disposent, pour ce faire, d‘une représentation partielle de cet environnement et de
moyens de perception et de communication. ». La sous-section suivante présente les modèles
et architectures d‘agents existants.
3.2 Quelques modèles d’agent

Il n‘existe là aussi pas de consensus pour définir ce qu‘est un modèle d‘agent, tant ces
modèles sont nombreux au travers de la littérature, tout comme la définition d‘agent. L‘agent
est conscient des modifications de son environnement et dispose de capacités d‘actions sur
celui-ci. Parmi les actions possibles, l‘agent devra déterminer alors la façon la plus appropriée
afin d‘atteindre ses objectifs [WOOLDRIDGE, 1999]. Outre le domaine d‘application,
certains éléments vont influer sur le choix ou la conception d‘un modèle d‘agent tel que les
besoins en termes de capacité décisionnelle, d‘Environnement, d‘Interaction et
d‘Organisation. Ce choix en définitive relèvera d‘une des trois principales architectures: les
architectures d‘agents réactifs, les architectures d‘agents cognitifs et les architectures d‘agents
hybrides.
Cette sous-section n‘a pas pour but de proposer une revue exhaustive des modèles
d‘agents existants mais d‘exposer les trois grandes classes de modèles d‘agents : les agents
réactifs, cognitifs et hybrides.
3.2.1 Agents réactifs

Ce sont des agents qui réagissent seulement à leur perception de l‘environnement et qui
agissent en fonction de cette perception. C‘est le niveau de complexité le plus bas des agents.
Ce type d‘agents ne peut pas vraiment être qualifié d‘intelligent. Les agents réactifs répondent
à la loi de stimulus/action. Leurs comportements sont régis par une série de règles qu‘ils
mettent en œuvre en réponse aux stimuli de l‘environnement. Ces agents ne possèdent pas de
représentation explicite de leur environnement. De plus, ils ne disposent pas de mémoire ni de
buts explicites et utilisent un protocole et un langage de communication réduit. Les agents
réactifs ne possèdent pas un comportement individuel intelligent, mais le comportement
27
global de la société d‘agent qui émerge de leurs interactions peut être "intelligent". La
simulation constitue un domaine privilégié pour l‘utilisation des systèmes d‘agents réactifs,
[BOUSQUET et LE PAGE, 2001].
Dans [SAUTER et al., 2002], les agents représentent des phéromones synthétiques et des
véhicules robotisés. Les véhicules robotisés utilisent les phéromones pour se déplacer au
cours de missions de combats. Dans le système MANTA (Modeling an ANThill Activity),
[DROGOUL, 1993], les agents disposent de trois types d‘opérations (perception, sélection et
activation) pour la réalisation d‘un ensemble de tâches. Celles-ci sont caractérisées par trois
paramètres (poids, seuil et niveau d‘activation) qui évoluent en fonction des stimuli de
l‘environnement. Selon cette approche, les premiers travaux réalisés s‘apparentent à
l‘architecture Subsumption présentée dans [BROOKS, 1986]. Selon cette étude, un agent est
caractérisé par un ensemble de comportements hiérarchisés en fonction de leur complexité.
Ces comportements se trouvent entre la perception et l‘action. Un comportement peut inhiber
toute action d‘un comportement de niveau inférieur. Au sein de l‘approche Eco-Résolution,
[FERBER, 1989], les agents sont à la recherche d‘un état de satisfaction en ayant recours à
trois conduites (satisfaction, agression et fuite). Si un agent est gêné par un autre agent dans
son aspiration à être satisfait, il se sent agressé, déclenchant chez lui un déplacement dans
l‘environnement (fuite).
3.2.2 Agents Cognitifs

Les agents cognitifs, appelés encore délibératifs, ont une représentation explicite de
l‘environnement et des autres agents. Ils ont conscience de leur passé et se projettent dans
l‘environnement en définissant des buts explicites. Dès lors, ces agents effectuent des
opérations complexes et mettent en place des modes de collaboration afin de résoudre les
problèmes rencontrés. L‘architecture d‘un agent cognitif se décompose en plusieurs
mécanismes de prises de décisions. L‘agent met alors en œuvre ces mécanismes qui sont
basés sur le raisonnement pour pouvoir déterminer quelles actions à accomplir, tout cela à
partir de la représentation de son environnement,
Dans [ERCEAU et FERBER, 1991], les auteurs proposent la définition suivante : « Les
systèmes cognitifs comprennent un petit nombre d‘agents, qui disposent d‘une capacité de
raisonnement sur une base de connaissances, d‘une aptitude à traiter des informations diverses
liées au domaine d‘application, et d‘informations relatives à la gestion des interactions avec
les autres agents et l‘environnement.»
28
Deux approches de conception d‘architectures d‘agents sont décrites, se basant sur la

notion d‘état mental permettant de préciser les mécanismes de décisions adoptés. Les
architectures BDI (Belief, Desire, Intention) définissent un agent au travers de ses croyances,
désirs et intentions, [RAO et GEORGEFF, 1991a et 1991b]:
Ŕ Les croyances (Belief) représentent la connaissance de l‘agent de l‘environnement et
des autres agents présent dans ce même environnement;
Ŕ Les désirs (Desire) correspondent aux différentes aspirations vers lesquels l'agent peut
vouloir transiter;
Ŕ Les intentions (Intention) représentent les états vers lesquels l'agent a choisi de
s‘engager.
C‘est en fonction des informations perçues dans l‘environnement que l‘agent modifie ses
croyances, définit les différentes options (à partir de ses désirs et de ses intentions courantes),
filtre les options possibles et met en œuvre les actions à poursuivre basées sur les intentions
qui leurs sont associées.
De nombreux systèmes s‘appuient sur une architecture de type BDI, parmi lesquels
peuvent être cités : IRMA (Intelligent Resource-bounded Machine Architecture) [BRATMAN
et al., 1987], PRS (Procedural Reasoning System) [GEORGEFF et LANSKY, 1987a et
1987b] et [GEORGEFF et INGRAND, 1989] suivi de dMARS (distributed Multi-Agent
Reasoning System) [D‘INVERNO et al., 1997], COSY [BURMEISTER et
SUNDERMEYER, 1992], ADEPT [JENNINGS et al., 2000], et enfin RETSINA (Reusable
Environment for Task- Structured Intelligent Networked Agents) [SYCARA et al., 2003].
Le développement de systèmes multi-agents orientés BDI, s‘effectue en général selon
deux approches possibles :
- soit en retenant une architecture d‘agent « ad hoc » dédiée utilisée pour traiter le
problème spécifique auquel doit répondre le SMA cognitif;
- soit en s‘appuyant sur des langages ou plateformes génériques, pas liées à une
application particulière.
Initialement, la relative immaturité du domaine de recherche multi-agents ne permettant
pas d‘avoir le recul suffisant pour pouvoir imaginer des langages génériques (à l‘exception de
la tentative de Shoham), les premiers travaux de recherche ont souvent suivi la première
approche. Depuis les années 2000, au vu du nombre important de plateformes agents qui ont
été développées, permettant d‘opter pour la deuxième approche.
29
Ainsi, SHOHAM a proposé un paradigme de programmation pour la conception d‘agents

cognitifs, appelé Agent Oriented Programming (AOP), [SHOHAM, 1993]. Ce paradigme est
constitué de trois composants : (i) un langage formel avec une syntaxe et une sémantique pour
décrire les états mentaux des agents, (ii) un langage de programmation interprété pour
programmer les agents, et, (iii) un processus d‘agentification pour traduire les applications en
agents. Chaque agent est spécifié en termes d‘ensembles : (i) de capacités, (ii) de croyances
initiales, (iii) d‘engagements initiaux, et, (iv) de règles d‘engagements (comment l‘agent agit).
Plus récemment Bordini et ses collègues [BORDINI et HÜBNER, 2006] [BORDINI et al.,
2005] ont proposé une plateforme de développement de systèmes d‘agents orienté BDI. Cette
plateforme, appelé JASON [VIEIRA et al., 2007], est basée sur un interprète d‘une version
étendue de AgentSpeak (L) [RAO, 1996].
3.2.3 Agents Hybrides

Un agent hybride se distingue par une architecture d‘agent associant un système réactif à un
système cognitif. Le système réactif réalise des activités de type réflexes et réponds aux
stimuli de l‘environnement. Ces activités ne demandent pas la mise en œuvre de
raisonnements complexes. Le système cognitif assure la réalisation d‘activités basées sur la
planification et la délibération nécessitant la mise en œuvre de raisonnements complexes.
L'approche de conception d'agents hybride essaie de répondre par l‘intégration à la
diversification des activités réalisées par un agent. Cette approche amène à la décomposition
modulaire des comportements et a pour objectif d‘assurer une gestion plus efficiente des
ressources de l'agent.
L‘architecture InteRRaP (Integration of Reactive Behavior and Rational Planning),
[MÜLLER, 1997] constitue un exemple significatif de ce type d‘approche. Elle est composée
d‘une hiérarchie de trois couches parallèles :
- la première couche, Comportements, constitue la partie réactive de l‘agent. Ce dernier
réagit aux modifications de l‘environnement en fonction de règles d‘actions définies
pour la réalisation de tâches routinières ;
- la deuxième couche, Planification Locale, constitue la partie cognitive de l‘agent.
Celle-ci permet la sélection de plans génériques orientés vers les buts;
- la troisième couche, Coopération, concerne planification coopérative pour la
modélisation et la gestion des interactions avec les autres agents (exemple : mise en
œuvre de stratégies de négociations).
30
L‘agent possède une base de connaissance hiérarchique ce qui lui assure la manipulation
des informations et la révision ses croyances. Le modèle du monde (croyances de l‘agent sur
l‘environnement) est le premier niveau de la base de connaissances, associé à la couche
Comportements. Le deuxième niveau, la couche Planification Locale, désigne le modèle
mental de l‘agent (croyances propres). Le troisième niveau, la couche Coopération, représente
le modèle social (croyances de l‘agent sur les autres agents du SMA).
Parmi les autres architectures d‘agents hybrides citons la Touring Machine où chaque
couche correspond à un niveau d‘abstraction [FERGUSON, 1992]. Elle se définie comme une
architecture horizontale selon la classification proposée dans [MÜLLER et al., 1995], puisque
les couches de réaction, planification et modélisation, se situent entre la perception et l‘action.
Le modèle ASTRO, [OCCELLO, 2003], est un modèle d‘agent disposant d‘aspects réactifs et
cognitifs tenant compte des contraintes liées au contexte de temps réel. En effet, les
architectures hybrides sont plus efficaces pour comprendre les capacités de décisions et
d‘actions des agents dans le temps durant la phase de conception du SMA. Cependant, il
n‘existe pas de véritable guide méthodologique pour guider la conception d'applications
utilisant de ce type d‘architectures. La conception d‘agents constitue une problématique
importante dans le domaine de recherche des SMA. De plus, les interactions entre agents
influent sur les architectures d‘agents à concevoir et exploiter. Les caractéristiques et les
propriétés liées au domaine d‘application de notre travail de recherche, à savoir les chaînes
logistiques, vont nous confronter à des choix relatifs aux architectures d‘agents.
3.3 Le concept d’holon

Les systèmes holoniques principalement évoqués dans la modélisation de systèmes
manufacturiers
La définition du paradigme d‘Holon proposée dans la littérature pourrait être : « Associer
un produit avec une information ». Toutefois, l‘origine de la définition du Holon est vient de
koestler qui l‘explique comme un tout et une partie d‘un tout ou d‘une organisation plus large
[KOESTLER, 1967]. Une Holarchie est la structure hiérarchique composée de Holons. Selon
le niveau d‘observation, Ce dernier peut être vu, comme une entité unique ou comme une
interaction d‘un groupe de Holons. La proximité des paradigmes Holon et SMA ont conduit
au rapprochement de deux communautés scientifiques. Il est parfois même considéré qu‘une
architecture multi-agent peut être une solution de mise en œuvre des concepts Holoniques.
31
Le processus ou les systèmes «Holoniques» sont les processus manipulant les Holons.
Depuis 1993, le terme «Holonique» a été adapté au monde de la fabrication Holoniques
(HMS : Holonic Manufacturing Systems). Les systèmes Holoniques manfacturiers sont basés
sur la métaphore du marché pour concevoir la coordination entre Holons. Les caractéristiques
et propriétés internes d‘un Holon ne sont pas pré-supposés par les systèmes Holoniques
manufacturiers [RODRIGUEZ et al., 2007].
Finalement, on définit la fabrication Holonique, par un ensemble d‘Holons dans une
hiérarchie où ceux-ci sont définis par leurs fonctions ou leurs tâches. Un Holon peut se
réguler automatiquement et réagir aux changements d‘environnement à l‘aide de stratégies
flexibles.
Par rapport aux autres modèles d‘agent, les Holons ont apporté une capacité de description
récursive : un holon peut être décrit comme composé d‘holons. De plus, les systèmes
holoniques étant largement appliqués (voire inspirés) de problématiques manufacturières, un
holon se voit souvent attribuer la possibilité de contrôler un ou plusieurs dispositifs matériels
intervenant dans un processus de production (ou de transport). Les holons constituent donc
davantage une spécification fonctionnelle qu‘un véritable modèle d‘agent. Il est à noter que
depuis le début des travaux sur les holons, le domaine des SMA s‘est emparé de ces objectifs.
Citons par exemple les travaux de [OCCELLO et DEMAZEAU, 1997] sur la récursivité ou
encore ceux de [FERBER et al., 2004] sur la dichotomie « esprit »-« corps ».
3.4 Interactions entre agents dans un SMA

L‘interaction entre agents participe à la dynamique de la société d‘agent. Dans [FERBER,
1995], l‘auteur définit l‘interaction comme une : « mise en relation dynamique de deux ou
plusieurs agents par le biais d’un ensemble d’actions réciproques, c’est un élément
nécessaire à la constitution d’organisations.». Cette notion d‘interaction est suffisamment
générale pour ne pas évoquer l‘intention des agents d‘agir (i.e. est ce que les agents
interagissent en conscience ou non), le medium diffusant l‘information c.à.d. indirectement
via l‘environnement (ex. des phéromones dans le cas de la simulation de procession de
fourmis) ou directement, ou encore la forme que peut prendre l‘interaction (signal, trace,
message, protocole…) [KONING et PESTY, 2001]. Le type d‘interaction privilégié
(coordination/coopération, compétition, …) est souvent lié à l‘objectif sous-jacent à la
constitution d‘un SMA : coordination pour la résolution distribuée de problème [DURFEE et
32
al., 1989], attraction/répulsion dans des systèmes réactifs [DROGOUL, 1993], négociation
pour l‘aide à la décision de groupe [TRANVOUEZ, 2001]).
Ainsi, deux modes principaux d‘interactions sont possibles :
- Interaction par émission de signal : inspirée des modèles biologiques, un agent émet
un signal qui sera capté par d‘autres agents qui pourront à leur tour réagir à ce signal
(soit en émettant d‘autres signaux soit en modifiant leur comportement). Un signal
peut prendre la forme d‘une trace (marque laissée dans l‘environnement), ou avoir une
signification (cri d‘alerte, appel au secours,…). Ce type d‘interaction est en souvent
associé à une architecture d‗agent réactive.
- Interaction par échange de message : les agents s‘échange des informations ou
requêtes sous la forme de message dont le contenu nécessite un traitement plus ou
moins complexes chez l‘agent destinataire. Selon la complexité de l‘interaction, les
messages peuvent être organisés en protocoles afin de garantir le bon déroulement de
l‘interaction. Parmi ces interactions citons par exemple, des processus collectifs de
coordination, de coopération ou encore de négociation.
Dans ce dernier cas, la définition de la forme et du contenu des messages peut nécessiter
une formalisation afin d‘ajouter une dimension sémantique et non plus seulement syntaxique
et ainsi avoir recours à des langages de communication. Deux principaux langages de
communication se sont imposés, ayant tous deux pour origine la théorie des actes de langage
proposée dans [SEARLE, 1969] :
- KQML (Knowledge Query Manipulation Language) développé en 1993 par le
consortium DARPA-KSE (Knowledge Sharing Effort), [FININ et al., 1994].
- ACL (Agent Communication Language) proposé en 1997 par la FIPA (Foundation for
Intelligent Physical Agents), [FIPA, 1997].
Ces langages reposent sur la définition de performatives (KQML) ou actes de
communication (ACL) dont l'énonciation constitue l‘expression d‘un acte (accomplissement
d‘une action). KQML et ACL se distinguent au niveau de la sémantique des actes du langage
utilisés. En effet, le langage ACL fortement inspiré des travaux de KQML, propose un
langage auquel s‘ajoute la définition de protocoles d‘interactions, [KONING et PESTY,
2001], dont la sémantique est basée sur ARCOL [SADEK, et al. 1997]. La FIPA propose de
nombreux protocoles dont notamment le protocole Contract-Net [FIPA, 2002], présenté dans
[SMITH, 1980].
33
Dans un contexte de simulation, le choix du mode d‘interaction dépendra du type de

phénomène ou d‘organisation étudié, ainsi que les objectifs de simulations implicites ou
explicites. La reproduction de flux de matière peut par exemple se traduire par des signaux
entre agents [LABARTHE, 2006] ou indirectement via des objets (ex. artefacts [RICCI et al.,
2007]. De même, la simulation de processus coopératifs s‘appuiera sur des échanges de
messages complexes : par leur contenu et leur protocoles.
L‘interaction peut également être un point d‘entrée dans la conception du SMA comme
dans l‘approche ADELFE [BERNON et al., 2002]. Elle constitue d‘ailleurs un objet de
recherche à part entière comme le confirme l‘organisation depuis quelques années de la
conférence MFI (Modèles Formels de l‘Interaction). Dans les approches « réactives », elle
peut être également l‘enjeu final du SMA au travers l‘observation de phénomènes émergents
[JEAN, 1997]. Dans ce dernier cas, la variété des problèmes posées rend difficile la définition
de méthodologies génériques, chaque problème donnant lieu, par exemple, à des architectures
d‘agents adhoc.
Dans la section suivante nous nous intéressons plus particulièrement à la simulation
orientée agents.
4. La simulation orientée agents

La simulation orientée agent s‘est désormais imposée dans le paysage des solutions
conceptuelles et logicielles pour l‘étude de comportements de systèmes complexes. Au travers
des interactions entre agents et leurs actions sur leur environnement (au sens large), les agents
apportent une vision à la fois macroscopique et microscopique du système simulé. Elles
peuvent également compléter et s‘associer à d‘autres approches de simulation afin d‘agréger
l‘ensemble des points de vues du système étudié.
Dans cette section, nous définissons tout d‘abord brièvement le terme générale de
« simulation », de simulation analogique et numérique, de modèle de simulation. Ensuite nous
introduisons le concept de simulation orienté agents (SOA), ses principes théoriques, les
modèles de simulation, ses relations avec le temps. Enfin nous évoquons ses grands domaines
d‘application privilégiés.
4.1 Simulations et modèles de simulation

Commençons par poser une première définition de la simulation ; pour [BRATLEY et al.,
1987] elle : « signifie faire évoluer le modèle d‘un système avec les entrées appropriées et
34
observer les sorties correspondantes ». De manière plus précise, dans le cadre de notre
recherche, nous avons retenu la définition de [DROGOUL et al., 2008] pour qui:« la
simulation est l‘activité au cours de laquelle, selon un protocole et avec un objectif précis, on
utilise un simulateur pour faire évoluer les entrées d‘un modèle dynamique, l‘exécuter, et en
recueillir les sorties. Tout modèle écrit en respectant le méta-modèle associé au simulateur et
comportant au moins un paramètre d‘entrée peut se prêter à ce processus de simulation ». On
retrouve cette notion d‘objectif dans la définition antérieure, devenue classique, proposée par
Minsky: « Pour un observateur B, un objet A* est un modèle d‘un objet A dans la mesure où
B peut utiliser A* pour répondre aux questions qu‘il se pose au sujet de A » [MINSKY,
1968].
Nous pouvons alors retenir de ces trois définitions, qu‘un modèle n‘est pas apprécié par sa
complexité ou sa précision de représentation du réel, mais par sa capacité à apporter des
réponses aux questions posées par les scientifiques qui vont se servir de ce modèle. En
relation avec l‘intention initiale de la simulation, l‘objectif de la simulation est alors de fournir
des résultats en fonctions de paramètres d‘entrées contrôlés. Ces résultats, leur nature et leur
métrique, participent à la définition de l‘objectif des expérimentateurs. Le choix du paradigme
et du langage de modélisation dépendra des connaissances du système réel disponibles.
La notion d‘objectif est ainsi relativement large. Elle peut recouvrir l‘usage que l‘on
escompte faire des résultats ou plus précisément les type d‘informations que l‘on recherche.
Dans le premier cas, une simulation peut viser des objectifs de:
- Prédiction : estimation d‘une valeur ou réponse à une observation à un choix multiple.
- Extrapolation : trouver la valeur en dehors des périmètres observés.
- Interpolation : permettre à compléter et combler la connaissance.
- Compréhension : évolué la connaissance des phénomènes ou des processus.
Indépendamment de ces objectifs globaux, la notion d‘objectif peut également plus
prosaïquement caractériser le type d‘informations attendues sur le comportement du système
simulé en cours et en fin de simulation. En fonction de leur nature, cet objectif peut conduire à
différents type de modèle et nécessiter un processus de conception particulier.
Dans la section suivante, nous nous intéresserons plus particulièrement à deux approches
de la simulation [DROGOUL, 1993] : les approches analogiques et les approches
numériques.
35
4.1.1 Simulation analogique et simulation numérique

La simulation analogique consiste à reproduire « physiquement » le système étudié à une
échelle réduite permettant à la fois d‘en maîtriser la complexité dans sa nature, les influences
possibles sur son comportement ainsi que les conséquences de ces influences afin de mieux
appréhender son fonctionnement. Approche ancienne, elle suppose une bonne connaissance
du phénomène étudiée, puisqu‘il faut être capable de reproduire les conditions réelles du
système (ou du moins celle dont on a connaissance et dont on est capable de caractériser).
L‘étude du désensablement du Mont St Michel est caractéristique de ce type d‘approche : la
construction d‘une maquette permettant de reproduire la configuration géographique et
sédimentaire du Mt St Michel, permet d‘étudier différents scénarii et d‘évaluer les
conséquences de certains choix d‘aménagement du littoral. Cette maquette permet donc de
valider des théories basées sur des modèles physiques généraux (et donc approximatifs) ou
partiels (donc ne recouvrant pas la totalité du problème posé), une modélisation exhaustive
pouvant s‘avérer trop complexe ou trop couteuse en temps de calculs.
L‘approche numérique de la simulation, encore appelée stochastique, est née de
l‘amélioration des capacités de calculs apportés par les progrès techniques de ce que les
anglophone qualifie de calculateurs (computer) [NOVELS et HACKWELL, 1991]. Elle
consiste à décrire comment certains paramètres (les causes) agissent sur d‘autres (les effets), à
travers des paramètres numériques et de relations mathématiques. Par rapport à l‘approche
analogique elle présente plus d‘avantages parmi lesquels :
Ŕ la possibilité de prise en compte de phénomènes aléatoires (par des méthodes
probabilistes);
Ŕ la facilité (mais éventuellement coûteuse temporellement) de réplication des
expériences (la destruction ou la modification de la maquette numérique pouvant être
rapidement inversée);
Ŕ la facilité d‘exploration de l‘espace des paramètres et des résultats de simulation et
leur analyse;
Ŕ la dimension mathématique, lorsqu‘elle existe, apporte avec elle toutes les méthodes et
outils de validation ou vérification des modèles.
Les travaux anciens de Lotka et Volterra [VOLTERRA, 1926] en constituent un exemple
caractéristique voire antinomique des approches orientées agents (devenu une citation
classique dans les thèses sur la simulation orienté agent). Ces chercheurs ont proposé une
36
formulation mathématique (à base d‘équations différentielles) des taux de croissance

respectifs d‘une population de prédateurs et d‘une population de proies partageant un même
environnement:
dN1/dt = r1N1 – PN1N2 dN2/dt = aPN1N2 – d2N2
P est le coefficient de prédation, N1 et N2 les effectifs des deux
populations, a est l‘efficacité avec laquelle les prédateurs convertissent la
nourriture en descendance, r1 le taux de fécondité des proies et d2 le taux
de mortalité des prédateurs.
Bien que ne prenant pas en compte les facteurs climatiques et saisonnières, ce système
permettait de formaliser un phénomène abstrait et de le transposer à des phénomènes
similaires. Ces modèles s‘intéressent cependant uniquement à des données macroscopiques,
sans tenir compte par exemple à la dimension géographique du problème : il n‘est ainsi pas
possible d‘étudier l‘influence de la répartition géographique et démographique de ces deux
populations dans un environnement. L‘émergence des approches individu centrée (et leurs
cousines multi-agents) est liée ce constat.
Dans la lignée de cette hérédité mathématique, d‘autres approches ont cherché à bénéficier
de ses avantages en ajoutant une aide à la conception des modèles au travers de formalismes
associés à des notations graphiques (diagramme état-transition, diagramme d‘Harel…). Parmi
les formalismes à événements discrets, DEVS [ZEIGLER, 1976] en est un exemple
remarquable par sa contribution et l‘étendue des évolutions et des applications qui ont suivi
[ZEIGLER, 1976]. DEVS propose une modélisation basée sur structure algébrique définissant
les relations entre les entrées et les sorties du modèle de simulation, les états du système, les
transitions (et leur règle de déclenchement) interne et externe au système/modèle permettant
de calculer le nouvel état du système lors de l‘occurrence d‘un événement, ainsi que les
conséquences sur l‘évolution des valeurs caractéristiques du système. L‘association d‘une
notation graphique de type états-transitions, facilite également la conception des modèles. Ces
approches apparaissent cependant peu adaptées pour modéliser et reproduire des
comportements délibératifs, ou favoriser l‘étude de phénomène d‘émergence ou d‘auto-
organisation.
4.1.2 Modèles de simulation

Afin qu‘un modèle puisse subir une simulation/pour qu‘un modèle soit simulable, la question
de la discrétisation du temps et/ou de l‘espace doit être soulevée. Ces caractéristiques
permettent de distinguer de nombreux types de modèles par rapport à la base de temps et des
37
variables descriptives des modèles. Question souvent secondaire en simulation orientée agent,
car implicite, la notion du temps est considérée comme incontournable dans le domaine de la
simulation qui distingue :
- les modèles à temps continu, dans lesquels le temps évolue de manière continue ;
- les modèles à temps discret, dans lesquels le temps évolue en passant d'une valeur
entière à une autre.
- De même, selon le type de variables descriptives du modèle, on parlera:
- de modèles à états discrets, lorsque les variables descriptives prennent leurs valeurs
dans un ensemble discret;
- les modèles continus, lorsque les variables descriptives prennent leurs valeurs dans
l‘ensemble des nombres réels.
Les discordances entre ces modèles mettent en exergue les obstacles que peuvent dévoiler
le couplage de modèles renfermant des échelles temporelles et spatiales de nature différente.
Les modèles de simulations étant classifiés peuvent alors être abordées en fonction de leur
déterminisme. Ces modèles peuvent être qualifiés soit de déterministe ou de stochastique :
- un modèle déterministe se doit d‘avoir un comportement monotone et assurer que
plusieurs expérimentations, avec les mêmes paramètres d‘entrée, doivent produire des
résultats similaire voire identique ;
- un modèle stochastique par contre présente un caractère plus aléatoire. Chaque
expérimentation peut donner lieu, à condition initiale égale, des résultats différents. La
réalisation de nombreuses simulation doit permettre de produire l‘équivalent de
valeurs d‘une variable aléatoire dont il faudra ensuite déterminer si elle suit un loi
particulière ou amène à un ensemble fini d‘états finaux associés à des probabilités
moyenne d‘occurrence.
Pour qu‘un modèle puisse subir une simulation, il est nécessaire que le modèle puisse être
implémenté (rendu fonctionnel d‘un point de vue informatique). Durant les nombreuses
étapes de modélisation, une simulation fonctionnelle est alors produite par les différents
acteurs qui ont interagi [DROGOUL et al., 2003] : les professionnels/experts du domaine à
savoir les informaticiens (experts informatique) et les modélisateurs (qui servent de liaison
entre les deux protagonistes). La fonction essentielle du modélisateur est d‘éclaircir les
concepts utilisés par le professionnel et de gommer les équivoques potentielles. Le recours à
des modèles de domaine, c‘est à dire maitrisé et peut être déjà existant, facilite la transition
vers la simulation elle-même, en assurant la prise en compte de la vision des experts (puisque
38
ces modèles spécialisés ont identifiés dans leur langage, les caractéristiques qui leur parait
importante dans le système étudié). L‘informaticien soumet un modèle faisant trait d‘union
entre le programme informatique et le modèle du modélisateur. Le processus n‘est pas tout à
fait séquentiel puisqu‘il passe par plusieurs étapes, allant de l‘énonciation du problème à la
prise de décision en passant par les différentes étapes de modélisation, l‘implémentation et la
simulation.
4.2 La simulation orientée agents (SOA)

La recherche en simulation orientée agents (SOA) remonte aux premiers travaux autour de
l‘IAD et en constitue l‘un des premiers terrains de jeux. L‘approche multi-agents apporte en
effet une alternative à des méthodes analytiques (lorsque c‘est possible en pratique) ou de
simulation classique (à événements ou à temps discret). Elle se justifie lorsque l‘étude porte
aussi bien sur la reproduction d‘un phénomène ou du comportement d‘un système que des
actions et interactions internes de ses composantes. Elle peut également apporter des
explications sur les liens entre les niveaux macroscopiques et microscopiques notamment
lorsque des phénomènes d‘émergence sont impliqués.
La recherche en simulation par systèmes multi-agents se révèle prolifique et donne lieu à
de multiples dénominations. On pourra la retrouver en effet sous les termes de simulation
orientée agents, à base d‘agents, contrôlée par des agents, holonique, individu centrée.
L‘usage de chaque terme s‘explique par le domaine scientifique ou d‘application dont il est
issu, mais bien souvent le terme agent apparaît comme un concept unificateur.
4.2.1 Principes théoriques

Le paradigme multi-agents intervient à deux niveaux : la modélisation et la simulation. Au
premier niveau, il s‘agit de construire des modèles multi-agents reproduisant la structure
naturellement distribuée des systèmes étudiés ou apportant une solution (alternative) de
modélisation de problèmes complexes. La distribution est alors dans ce cas définie
artificiellement. Les modélisations produites mettent en œuvre des modèles d‘agents réactifs
(comportement de type stimuli-réponse) ou cognitifs (type micro système experts), ou toute
combinaison des deux types. Ces modèles sont parfois appelés conceptuels [DROGOUL et al.
2003], car les agents ne peuvent pas intervenir au niveau opérationnel. On retrouve alors, bien
évidemment, les mêmes interrogations posées par la conception de SMA : types d‘agent,
39
modalités d‘interaction, etc. La prise en compte de l‘environnement et du temps devient

cependant encore plus nécessaire.
De fait, les premières approches de SMA réactifs répondaient à des objectifs de
simulation. La reproduction de comportements simples issus de modèles biologiques
(fourmis, termites, etc.). [DROGOUL, 1993]) a été qualifiée de simulation. La question du
temps a dans un premier temps été peu présente dans la communauté Multi-Agents. Les
modèles de simulation « réactifs » consistaient alors dans la description des comportements
d‘agents et de leurs interactions au sein d‘un environnement passif (i.e. réceptacle des actions
des agents) ou réactif (induisant une boucle de rétroaction sur les comportements d‘agents).
Cette première étape de modélisation isomorphique de systèmes biologiques a été également
suivie d‘approche plus abstraite où le concept d‘agent pouvait ne pas faire référence à une
entité « vivante » et naturellement proactive, mais à des entités encore plus basique (atome,
molécule) où l‘attribution de propriété « agent » permet de modéliser des processus
dynamique.
Les approches délibératives ont fait suite à l‘étude de processus décisionnels, dont la
modélisation et la reproduction impliquait des modèles de comportements plus complexes.
Les SMA proposent alors de valider des processus de négociation, de coopération ou encore
de coordination pouvant ensuite être transposés dans un système réel. [LE BARS, 2003]
[FRANCHESQUIN, 2001]. La complexité des comportements, de leur interdépendance et de
leurs influence sur un environnement a nécessité de recourir à des modèles sinon formels au
moins avec un niveau descriptifs accru.
Avec la maturité croissante de la recherche en SOA, le rapprochement avec la
communauté de recherche sur la simulation a conduit à mieux identifier ses propres
spécificités tout en la positionnant vis-à-vis d‘approches de simulation plus « classique ».
Ainsi, [RUSSEL et NORVIG, 2003], ajoutent comme propriétés caractéristiques à celles
citées en section 4 ; ciblées environnement (au sens multi-agents du terme) :
- Accessibilité: qualifiant le degré de perception de l‘environnement par les agents
(totale ou partielle);
- Caractère épisodique ou non de l‘environnement lié à la mémoire des agents. L‘action
d‘un agent suite à la perception d‘un événement pourra ou non tenir compte des
actions passées.
La question du temps a également pris une place plus importante, se rapprochant ainsi de
considérations classique de la théorie de la simulation.
40
Le deuxième niveau implique, la simulation c.à.d. l‘expérimentation de ces modèles, un

environnement de simulation qui pourra ou non s‘appuyer sur une architecture logicielle
distribuée. En d‘autres termes, le modèle opérationnel ne sera pas systématiquement multi-
agents mais pourra être orienté objet ou traduit dans d‘autres langages de simulation (DEVS
par exemple) [QUESNEL et al., 2007]. La dimension agent présente l‘avantage de pouvoir
traduire facilement le modèle en langage informatique. De plus elle rend compte au niveau
microscopique des phénomènes (éventuellement émergents) au niveau macroscopique.
Enfin, l‘intégration de l‘utilisateur peut être facilitée voire souhaitée aussi bien en phase
de conception de modèle qu‘en cours de simulation (qualifiés alors de participatif), tant pour
gagner son adhésion aux conclusions de l‘analyse de la simulation que pour améliorer la
vraisemblance des modèles. Ces approches participatives ont parfois rapprochés modèles
réactifs et délibératifs en donnant la possibilité de faire interagir des agents « humains », aux
capacités cognitives significatives, avec un environnement (au sens écologique) modélisé par
des agents réactifs. Ces approches soulèvent des défis nouveaux rapprochant ainsi de
considérations pédagogiques (rapprochant les SOA de la communauté EIAH –
Environnement Informatique pour l‘Apprentissage Humain ou E-Leaning) et architecturales
lorsqu‘il devient nécessaire d‘intégrer des modèles de simulations hétérogènes.
4.2.2 La SOA et le temps

La question du temps dans les SMA a été peu abordée au début : la référence par exemple à
une horloge temporelle commune à parfois été perçue comme ajoutant un contrôleur
centralisé antinomique avec la notion d‘autonomie ou le caractère asynchrone d‘une
organisation multi-agents. La synchronisation des comportements apparaissait essentiellement
dans la simulation d‘agents réactifs, au niveau de son implémentation logicielle. Les actions
simultanées de l‘ensemble des agents modélisés étaient ainsi « simulée » par l‘exécution
itérative des agents réactifs souvent implémentés avec un langage Orienté Objet.
Ainsi écartée, la notion du temps est associée à un cycle d‘exécution avec l‘hypothèse
implicite que l‘ordre d‘exécution des agents (considération « logicielle ») n‘a pas d‘influence
sur le résultat de la simulation et donc la validation des modèles. Dans le cas contraire, l‘ajout
d‘une dimension aléatoire (à l‘image des modèles de simulation stochastiques) a été proposé
(ordre aléatoire des agents) sans pour autant adresser totalement le problème du temps. Cette
question est maintenant explicitement abordée avec notamment l‘identification de situation à
risque [TREUIL et al., 2008] [MICHEL et al. 2009]. Les solutions possibles vont de la mise
41
en place d‘algorithme complexes ciblant une situation particulière (actions d‘agents sur un
même objet – une ressource à consommer par des agents animaux par exemple), au recours à
des modèles relativement générique séparant l‘aspect action (décision d‘agir) et la
conséquence de cette action sur l‘environnement (influence) [MICHEL, 2006]
Aux architectures type BDI, s‘est ajoutée la question de la coordination des actions dans le
temps ainsi que le coût temporel du processus de délibération de l‘agent notamment lorsque
ces comportements délibératifs sont associés à des simulations où le temps est pris en compte.
Le recours à des architectures hybride est parfois considéré comme nécessaire afin de
proposer des comportements « rapides » face à une situation d‘urgence (i.e. délai de réaction
« logiciel » donné par l‘environnement). Un autre approche consiste à gommer l‘hétérogénéité
des modèles de simulation en s‘appuyant sur un modèle de simulation « informatique »
exprimé dans un formalisme tiers intégrant explicitement les notions de temps et de causalité.
L‘environnement Mimosa1 par exemple [MÜLLER, 2004], propose de traduire les différents
modèles de comportement d‘agents en un modèle DEVS afin de bénéficier des propriétés que
ce langage propose notamment au niveau temporel.
Enfin, il est possible de considérer ces différents modèles de simulation comme des
environnements de simulation indépendants [SERMENT, 2007] : la coordination des
environnements est alors assurée de la même manière que des simulations classiques et vue
comme un problème d‘interopérabilité. Ainsi, le standard HLA [DMSO, 1998], standard
IEEE 1516, propose une architecture logicielle et une spécification d‘interface pour la
simulation distribuée afin de faciliter l‘interopérabilité et la réutilisation de simulations dans
un contexte distribués. La notion d‘interopérabilité ne se limite pas à des problèmes de
compatibilité de formats de données ou d‘appels de fonction, et traite explicitement la
question de l‘échange d‘évènements entre simulateurs et leur synchronisation. Cette dernière
solution est particulièrement utile lorsqu‘une SOA est associée à d‘autres types de simulation.
4.2.3 Domaines d’application privilégiés de la SOA

La simulation orientée agent est utilisée dans de nombreux domaines d‘application [TREUIL
et al., 2008], [MICHEL et al.,2009]. Un panorama rapide est présenté ci-après.
L‘étude des écosystèmes, anthropisés ou non, allant de la société d‘insectes à la gestion de
ressources naturelles, a fortement inspiré la recherche en simulation multi-agents dés ses
débuts. L‘écologie met de fait en avant la forte dépendance entre les différents systèmes
1
http://mimosa.sourceforge.net/
42
biologiques (végétaux, insectes, animaux voire humains) et leur milieu naturel. La conception
de sociétés d‘agents permet de reproduire le comportement de chaque sous-système en
interaction tout en intégrant les dynamiques internes à l‘origine de ces comportements. Ces
sous-systèmes sont généralement mis en œuvre via des architectures réactives. L‘ajout du
facteur humain peut conduire à recourir à des modèles cognitifs pour montrer les
conséquences de différents modes de rationalité sur l‘évolution de l‘écosystème. Il peut
également assurer la stabilité de ce système (exemple: gestion d‘un parc naturel) [SERMENT
et al. 2007].
Les sciences économiques et sociales expérimentent aussi le paradigme agent dans l‘étude
de théories économiques (en particulier micro-économiques), de phénomènes sociologiques,
en théorie des jeux ou encore en simulation financière [PHAN et AMBLARD, 2007]. Le
terme « artificial economics » a d‘ailleurs consacré l‘existence à part entière de ce champ de
recherche. Les applications ont porté aussi bien sur des comportements de marchés, formation
de coalition ou de réseaux, diffusion d‘opinion politique, formation des normes, etc. [PHAN,
2004].
Les systèmes socio-techniques par leur nature distribuée, du fait que les performances
globales dépendent des performances locales et qu‘ils font face à des environnements
changeants, présentent toutes les caractéristiques d‘un problème multi-agents. La simulation
multi-agents s‘est donc rapidement intéressée à l‘étude des systèmes de production ou encore
aux chaînes logistiques [BUSSMANN et al., 2004] [GALLAND et al. 2005]. Les travaux
étudient leur comportement en vue d‘améliorer leur productivité ou leur robustesse face aux
perturbations. La validation de stratégie de contrôle de ces systèmes peut requérir des
simulations complexes hétérogènes dans lesquelles des SMA cognitifs réagissent aux stimuli
de SMA réactifs reproduisant les réactions du système de production aux décisions du
système dit « décisionnel » [LABARTHE et al., 2007].
Dans le domaine de la Physique, l‘approche agent a été utilisée dans l‘étude du
comportement de matériaux granulaires i.e. la formation ou la rupture d‘états d‘équilibre
(modèle GranuLab), la modélisation de l‘écoulement d‘eau sur des reliefs variés (modèle
Rivage par exemple), la reproduction de phénomènes astrophysique, ou de la structure
moléculaire.
On peut retrouver des approches similaires en Biologie. Une société d‘agents peut
modéliser des processus biologiques (évolution de populations d‘animaux) ou biochimiques
43
(processus métaboliques comme la glycolyse par exemple ou la dynamique de sociétés

bactériennes) [MONTAGNA et al., 2008].
A la croisée des problèmes de physique, sociotechniques et écologique, la simulation orienté
agent s‘est également intéressée à la sécurité et la gestion des risques naturels et/ou
industriels. Le risque d‘inondation ou d‘accident industriels fait intervenir aussi bien des
capacités de modélisation de propriétés physiques (écoulement de l‘eau, propagation d‘une
vague ou de gaz, etc.), biologique (impact sur l‘écosystème), que du comportement humain.
La modélisation et la simulation du trafic routier est également un champ d‘application
pertinent.
Ces domaines d‘applications sont sources d‘études de systèmes complexes. Cette
complexité s‘explique aussi bien par les niveaux de description possible (du niveau d‘une
molécule à celui d‘un organisme vivant), des lois régissant chaque niveau de description
(physiques, biologique, financière, mécanique, etc.), des interactions complexes à chaque
niveau et entre les niveaux (organisation hiérarchique ou fortement couplée). A ces difficultés
s‘ajoutent les contraintes d‘échelles (temporelle, géographique, etc.) reliant ces différents
niveaux que les différentes modélisations doivent vérifier tout en contournant les difficultés
pratiques de calculs numériques (notamment en terme de durée de traitement). Ces
simulations peuvent mobiliser un grand nombre d‘agents (de la dizaine au million) en général
de type réactif dès lors que l‘on dépasse la centaine. A noter que l‘implémentation
informatique peut abandonner en cours de route la notion d‘agent en le réduisant à son état et
aux changements d‘états auquel il a droit.
5 La conception de simulation orientée agents

5.1 Introduction
La conception de SOA est un processus complexe, reposant sur différentes étapes, allant de
l‘expression de besoins, à la conception de modèles de simulations orientés agents, et leur
exécution informatique. L‘articulation entre ces différentes étapes est définie dans le cadre
d‘une méthode ou méthodologie.
Un objectif principal de ce travail de thèse étant de proposer un cadre méthodologique
orienté agent pour la simulation de chaînes logistiques prenant en compte des aspects
organisationnels associés à ces dernières.
44
Cette section étudie et compare différentes méthodes existantes de conception de SOA,

des méthodes générales, c‘est à dire indépendantes du domaine d‘application. Ces méthodes
étudiées, nous les comparons ensuite entre elles. Nous définissons tout d‘abord le cadre dans
lequel nous étudierons ces différentes méthodologies et les comparerons.
5.2 Un cadre d’étude et de comparaison de méthodes de

conception de SOA
Une méthodologie est une démarche progressive qui commence par la définition des besoins
préalables de l‘utilisateur afin d‘implémenter un système capable de satisfaire les besoins
initiaux. Pour ce faire, elle consiste en : (i) une définition de l‘espace du problème auquel la
méthodologie est applicable, (ii) un ensemble de modèles qui représente différents aspects du
domaine du problème ou une solution aux différents étapes, (iii) un ensemble de méthodes qui
transforment les instances d‘un modèle en un autre modèle, (iv) un ensemble de directives
procédurales qui définissent un ordre pour l‘application systématique des étapes de la
méthodologie.
La question du processus de conception a été formulée par Balci dans comme une
succession d‘étapes d‘élaboration d‘objectifs ou de modèles impliquant des sous objectifs et
des acteurs spécifiques ainsi que des retours en arrière éventuels [BALCI, 1998]. Comme
l‘illustre la Figure 2.4, une fois la frontière de l‘étude et le périmètre du système définis, les
modèles suivants pourront être produits:
- Un modèle conceptuel : abstraction du système réel il est produit par les thématiciens
(i.e. les experts du domaine d‘étude duquel relève le domaine) en fonction du
problème posé tel et défini;
- Un ou plusieurs modèles de communication généralement décrits dans des
formalismes moins spécialisés permettant le dialogue entre les experts du domaine et
les informaticiens qui vont devoir implémenter le modèle;
- Un modèle programmé qui est le modèle écrit dans un langage de programmation;
- Un modèle d’expérience qui est la représentation d‘expériences constituées du modèle
programmé associé à des jeux de données décrivant les paramètres et données externes
au modèle devant intervenir au cours de la simulation.
L‘analyse des résultats de ces expérimentations permettra de modifier ces modèles en vue
de les corriger, les calibrer, valider voire de répondre à de nouvelles questions.
45
Figure 2.4: Cycle de vie d‘une simulation (traduit de [BALCI, 1998]).
Cette démarche cohérente se doit de fournir un ensemble approprié d‘abstractions pour

identifier, formuler et décrire un problème ainsi que sa solution éventuelle.
En ce qui concerne notre objectif de recherche, il faut établir les besoins conceptuels et
opérationnels soulevés par la simulation de Chaînes Logistiques (CL). Nous reviendrons en
détail sur ces besoins dans le chapitre 3, mais d‘ores et déjà peuvent être cités :
- Accompagner, autant que se peut, l‘ensemble du processus de conception : de
l‘identification des objectifs de simulation à son exécution.
- Ouverture aux modélisations issues du domaine d‘application : c'est-à-dire intégrer
dans le processus de conception qu‘il faudra traduire ou adapter des modèles pré-
existants;
46
- Tenir compte de la structure organisationnelle d‘une CL puisqu‘elle est le siège de

la dynamique des mécanismes de coopération, négociation ou encore de
coordination qui donnent sa capacité d‘adaptation à une CL ;
- Ne pas imposer un modèle unique de représentation de comportements d‘agent,
afin de tenir compte des niveaux de complexité variable des entités composant la
chaîne logistique. La démarche de conception ainsi que la simulation devra
intégrer différent paradigme de modélisation;
- Intégrer et conserver les objectifs finaux de simulation (observables).
Ainsi, pour étudier des méthodes de conception de SOA et les comparer ensuite, nous
nous intéresserons plus particulièrement : (i) aux méta-modèles regroupant les concepts
qu‘elles impliquent, (i) au processus de développement qu‘elles préconisent, et (iii) enfin aux
techniques et outils qu‘elle propose pour la phase d‘implémentation. Nous adaptons en cela,
les critères de comparaisons retenus par [Gaud 2007] à savoir :
- Processus de développement : Ce critère concentre sur l‘analyse du processus de
développement. Il vise à déterminer si le modèle de processus utilisé est clairement
défini, et si la méthodologie étudiée couvre l‘intégralité du processus de
développement.
- Concepts : Ce critère se focalise sur l‘étude du méta modèle afin d‘étudier ce que
recouvre, dans ces travaux, les concepts d‘agent et d‘organisation sont supportés.
- Structure du système : Ce critère s‘intéresse à la capacité de representation de la
structure du système (dans notre cas la chaîne logistique) notamment selon
plusieurs niveaux d‘abstraction (une hiérarchie par ex.).
- Respects des standards : Ce critère est lié à des enjeux d‘interopérabilité afin
d‘identifier des difficultés particulières d‘intégration de systèmes ou de la
compatibilité des modèles entre eux.
- Outils et implantation : L‘objectif de notre travail étant d‘accompagner le
processus de conception d‘une simulation d‘une chaîne logistique, il s‘agit de
mesure le niveau de cet accompagnement dans ces méthodes ou architectures.
Dans les sections suivantes nous étudierons tout d‘abord différentes méthodes de
conception de SMA générales, c‘est à dire indépendantes du domaine d‘application, avant de
les comparer.
47
5.3 Etude comparative de méthodes de conception de SMA

Il existe de nombreuses méthodes de conception de SOA. Parmi ces méthodes nous avons
choisi d‘étudier les méthodes suivantes : GAIA [WOOLDRIDGE et al., 2000,
ZAMBONELLI et al., 2003], AGR/AALAADIN [FERBER et al., 2009], ADELFE
[BERNON et al., 2002] [PICARD, 2004], MOISE+ [HÜBNER et al., 2007] et enfin la
méthode CRIO [GAUD et al., 2008]. Parmi ces cinq méthodes, seule la dernière peut être
considérée comme une méthode de conception de SOA. Cependant ces cinq méthodes nous
ont paru intéressantes à étudier dans le cadre de notre recherche, de par leur capacité à
pouvoir prendre en compte les aspects organisationnels des chaînes logistiques.
5.3.1 La méthode GAIA

La méthode GAIA, proposée par Wooldridge [WOOLDRIDGE et al., 2000][ ZAMBONELLI
et al., 2003] utilise une approche centrée sur l‘organisation pour analyser et concevoir un
SMA. Les agents modélisés dans GAIA, pouvant être hétérogènes, sont des systèmes
computationnels à gros grain, qui vont essayer de maximiser une mesure de qualité globale.
Elle se caractérise par :
- Processus de développement : GAIA est devenue une méthode de référence
incontournable, mais se focalise sur les phases d‘analyse et de conception. Dans
GAIA, un système est vu comme une organisation d‘agents. La phase d‘analyse a
donc pour but d‘identifier les rôles et définir leurs interactions. La phase de
conception précise ces deux modèles (rôle et interaction), en associant aux rôles
des types d‘agents pour créer des modèles d‘agents.
- Concepts : Cette méthode est conçue, comme l‘illustre la Figure 2.5, à partir
d‘analyse du système selon 2 couches. La première couche représente le processus
d‘analyse et la deuxième la phase de conception :
o Le processus d‘analyse est découpé en deux phases : phase de définition
des rôles (Roles model) et phase de définition des interactions (Interactions
model). Un rôle est défini comme une description abstraite de la fonction
qu‘une entité peut avoir au sein d‘un système. Chaque rôle est décrit par :
 des permissions qui identifient les ressources que le rôle a la
possibilité d‘utiliser;
 des responsabilités qui définissent les fonctionnalités du rôle, et
donc ce qu‘il est capable de réaliser;
48
 des protocoles qui symbolisent les interactions entre les rôles. Ils
sont conçus dans la phase de définition des interactions.
Figure 2.5 : méthode GAIA [WOOLDRIDGE et al., 2000] [ZAMBONELLI et al., 2003]
o La couche de conception est décrite en trois modèles : celui des agents

(Agent Model), celui des services (Services Model) et celui des
accointances (Acquaintance Model) :
 Le modèle d‘agent (Agent Model) définit les différents types
d‘agents existants dans le système et les instances correspondantes.
Elle est définie à partir de la couche précédente. L‘agent possède les
permissions, les responsabilités et les protocoles de chacun des
rôles agrégés;
 Les services (Services Model) énumèrent, les différents services
assurés par chaque rôle;
 les accointances (Acquaintance Model) déterminent par des
graphes, les voies de communications possibles entre les agents en
s‘appuyant principalement sur les protocoles.
- Structure du système : GAIA ayant pour but de construire une organisation
multi-agent « plate », ne propose pas explicitement de gérer plusieurs niveaux
d‘abstraction ou une récursivité des descriptions de rôles (voire du système). Les
rôles restent l‘objectif premier de la modélisation sans aller jusqu‘à une
décomposition en sous organisations (i.e. groupes). [JUAN, 2005] propose par
exemple d‘utiliser AGR/Aalaadin pour traiter cet aspect.
49
- Respect des standards : La modélisation dans GAIA s‘appuie sur les langages
AUML et UML.
- Outils et Implantation : GAIA ne propose pas de solution d‘implantation et donc
d‘outils associés. Des travaux complémentaires ont cependant cherché à
compenser cette lacune (cf. par ex. [PAYLOS et al., 2002] pour un couplage avec
Jade).
5.3.2 La méthode AGR / AALAADIN

La méthode AALAADIN introduit un méta-modèle multi-agent fondé sur les notions d‘Agent
de Groupe et de Rôle (AGR). [FERBER et al., 2009] [FERBER et al., 2004][FERBER et
GUTKNECHT, 1998], [GUTKNECHT, 2000]. Elle se caractérise par :
- Processus de développement : AGR est une démarche méthodologique est
définie pour le cadre organisationnel des applications multi-agents. AGR ne
propose cependant pas de guide méthodologique pour la construction de ses
modèles. Comme GAIA, l‘objectif est de construire une organisation multi-agents
à un niveau d‘agent « conceptuel » ie s‘arretant juste avant l‘étape de
développement. Le choix de l‘architecture interne des agents relève donc du
concepteur mais peut s‘appuyer cependant sur un environnement qui supporte le
modèle organisationnel..
- Concepts : AGR est un méta-modèle organisationnel pour les SMA. Les concepts
sont introduits dans le diagramme UML présenté sur la Figure 2.6. Les concepts
d‘agent, de groupe et de rôle en constituent la base. Un agent est une entité
autonome qui joue des rôles dans des groupes. Un agent peut avoir plusieurs rôles
et être membre de plusieurs groupes. Un rôle est une représentation abstraite d‘une
fonction, d‘un service ou d‘une identification d‘un agent au sein d‘un groupe. Un
rôle peut être joué par plusieurs agents. Le rôle est une représentation abstraire de
la fonction de l‘agent. Une structure de groupe est définie comme un triple : S=<R,
G, L>. R est l‘ensemble des identifiant des rôles. G est le graphe des interactions.
L est le langage d‘interaction. Une structure organisationnelle est définie comme
un ensemble de structures de groupe, définissant un modèle organisationnel multi-
agent. Dans le méta-modèle AGR, deux niveaux d‘abstraction organisationnelle
sont pris en compte : l‘organisation et le groupe. Le groupe représente un ensemble
d‘agents rassemblés par un objectifs ou caractéristiques communes..
50
Le principe de conception d‘une organisation multi-agents consiste à identifier les

groupes et les rôles le composant, la structure organisationnelle résultant de
l‘union de ces groupes ainsi que des intersections entre les groupes (lorsque des
rôles de groupes différents sont reliés entre eux ie associé à un même agent). La
dynamique de groupe (ie création, destruction, arrivée et départ de nouveaux
agents…) doit être également spécifiée.
Figure 2.6 : Méthode AGR [FERBER et al., 2004]
- Structure du système : AGR considère la propriété de récursivité des agents.

Cependant, la notion de groupe peut permettre de représenter un équivalent en
utilisant des rôles transversaux entre deux groupes, où un rôle dans un groupe sera
associé à un autre rôle qui représentera son groupe dans un autre groupe.
- Respect des standards : AGR se base sur le langage UML.
- Outils et Implantation : AGR est associé à la plate-forme d‘implantation Madkit
qui fournit les concepts de base nécessaires à l‘implantation du modèle
organisationnel. L‘organisation d‘un système multi-agents ayant une architecture
AGR peut être facilement générée sous Madkit [GUTKNECHT et FERBER,
2000].
51
5.3.3 La méthode ADELFE

La méthode ADELFE (Atelier de DÉveloppement de Logiciels à Fonctionnalité Émergente)
[BERNON et al., 2002][PICARD, 2004]. ADELFE est une méthode spécialisée dans l‘étude
des aspects adaptatifs et auto-organisateurs des SMA. Elle repose un processus, une notation
et des outils. Elle se caractérise par :
- Processus de développement : ADELFE supporte les phases d‘analyse et de
conception. Au niveau de la méthode ADELFE, quatre phases de développement
sont couvertes : la collecte des besoins préliminaires, la collecte des besoins
finaux, l‘analyse et la conception. ADELFE a représenté son processus de
développement de manière explicite
- Concepts : ADELFE n‘est pas orientée organisation et donc ne la représente pas
explicitement. Les concepts dans ADELFE sont introduits dans le diagramme
UML présenté sur la Figure 2.7. ADELFE est une méthode coopérative, l‘agent
coopératif est basé sur la perception de l‘environnement, la connaissance et de
croyances. L‘agent a des caractéristiques qui sont des propriétés physiques. Une
caractéristique peut être quelque chose que l‘agent peut faire pour changer ou
mettre à jour ses propriétés. Chaque agent possède des représentations du système
qui correspond à des croyances au sujet des autres agents, de l‘environnement
physique qui l‘entoure et de lui même. Ces représentations permettent à l‘agent de
définir son comportement. Un agent peut communiquer avec les autres agents ou
avec son environnement. La communication directe avec les agents fait appel aux
patterns des protocoles d‘interaction. L‘agent possède un ensemble de
compétences et d‘aptitudes, les compétences étant des connaissances particulières
lui permettant de réaliser une fonction. L‘activité de l‘agent, basée sur un ensemble
de règles de coopération qui lui permettent d‘identifier et de résoudre des
situations non coopératives.
- Structure du système : ADELFE ne permet pas la modélisation d‘un système à
différents niveaux d‘abstraction. Son processus de structuration du système est
directement inspiré de l‘orienté-objet. Il est basé sur l‘exploitation des diagrammes
de cas d‘utilisation et de séquence.
- Respect des standards : La modélisation dans ADELFE s‘effectue avec les
langages de modélisation UML et AUML.
52
- Outils et Implantation : Adelfe propose un outil d‘aide à la conception

"OpenTool" [GLEIZES et PICARD, 2003]. OpenTool est outil graphique qui
supporte la notation UML et AUML pour la représentation des protocoles
d‘interactions.
Figure 2.7 : Méthode ADELFE [BERNON et al., 2002, PICARD, 2004]
5.3.4 La méthode MOISE+

La méthode Moise+ (Model of Organization for multI-agent SystEms) [HUBNER et al.,
2007] est en fait un modèle organisationnel. Elle se caractérise par :
- Processus de développement : Il se concentre essentiellement sur les aspects de
conception.
- Concepts : Moise+ est un modèle organisationnel spécifiant un ensemble de
contraintes pour les agents selon trois dimensions : une spécification structurelle,
une spécification fonctionnelle et une spécification déontique. La spécification
structurelle est construite sur les concepts de rôle, de liens entre rôle et de groupes.
Comme illustré sur la Figure 2.8 (a), une spécification structurelle se représente
graphiquement et nous permet de constater que les groupes sont composés de
rôles, que ces rôles sont hiérarchisés et qu‘ils peuvent être liés entre eux avec
quatre types de liens. Les rôles sont des labels utilisés pour assigner un ensemble
de contraintes sur le comportement des agents les jouant. Les liens sont des
relations entre deux rôles qui contraignent directement les agents dans leurs
53
interactions avec les autres agents jouant les rôles correspondants. Les groupes
sont des ensembles de liens, de rôles et de relations de compatibilité entre rôles.
En ce qui concerne la spécification fonctionnelle, les concepts de bases sont le
schéma, le plan, le but et la mission. Comme illustré sur la Figure 2.8 (b), un
schéma social est composé d‘un ensemble de buts, de plans et de missions et
représente une fonction d‘un ou de plusieurs agents au sein de l‘organisation. Le
schéma a un but racine qui sera le but à atteindre pour exécuter le schéma social.
Les buts sont découpés en plans, c‘est-à-dire en ensembles de sous-buts qu‘il faut
atteindre séquentiellement, en parallèle, ou au choix (seulement l‘un d‘entre eux).
Enfin les missions regroupent les buts en ensembles cohérents au sein d‘un même
schéma pour être assignées aux rôles.
La spécification déontique est composée d‘un ensemble d‘expressions mettant en
relation les deux autres spécifications (un rôle et une mission) paramétrées par un
opérateur déontique (Obligation, Permission ou Interdiction) et une contrainte
temporelle. Ces relations rendent explicites la dimension normative des rôles que
joueront les agents en définissant par exemple l‘Obligation pour le rôle R1
d‘accomplir la mission m1 avant la date t. Ces expressions contraignent les agents
sur la possibilité de s‘engager sur une mission ou d‘atteindre un but suivant le rôle
qu‘ils jouent.
La spécification de ces trois dimensions forme une spécification d‘organisation
(OS) tandis que l‘instanciation des trois dimensions à l‘aide d‘agents jouant les
rôles et donc contraints par l‘organisation représente une entité organisationnelle
(OE). A un instant t de l‘évolution de l‘OE, chaque agent se voit contraint
d‘accomplir ou de ne pas accomplir une mission.
Par rapport aux modèles vus dans la section précédente, nous remarquons que
Moise+ utilise à la fois une spécification de la structure et de la fonction du SMA
ainsi qu‘une spécification déontique. De plus, même si la fonctionnalité du
système n‘est pas aussi poussée que dans TÆMS (Task Analysis, Environment
Modeling, and Simulation) [PRASAD et al., 1996], la structure est une des plus
complètes vue jusqu‘à maintenant et les expressions déontiques se basent sur ces
deux spécifications pour définir précisément les droits et devoirs non pas des
agents mais des rôles que ces agents joueront. Suivant si l‘agent joue un ou
plusieurs rôles, l‘agent sera plus ou moins contraint à accomplir ou non des
54
missions définies dans les fonctions du système. Cependant, AGR comme GAIA
spécifie les interactions entre les agents (ou les rôles selon le point de vue), ce que
Moise+ ne fait pas directement puisqu‘il ne définit aucun protocole mais des
contraintes sur les communications entre rôles grâce aux liens.
Figure 2.8 : (a) Structure de l‘équipe football et (b) l‘attaque en MOISE+ [HUBNER et al.,
2007]
La séparation en trois spécifications distinctes apporte une plus grande flexibilité

au modèle et permet d‘assigner plus explicitement des buts à atteindre aux rôles
contrairement à la description des activités de GAIA associées directement à
chaque rôle. STEAM [TAMBE, 1997] est plus proche de Moise+ dans le sens où
ce modèle définit une dimension structurelle et une fonctionnelle. Le lien entre ces
deux dimensions est cependant fait à l‘aide des domaines regroupant rôles et buts.
Nulle part il est fait mention d‘obligation pour un rôle d‘atteindre un ou plusieurs
buts de son domaine. Les règles présentes permettent seulement la gestion des
rôles, des communications et des buts. L‘aspect normatif du modèle n‘est donc pas
explicite. Concernant Moise+, il manque quant à ce modèle une spécification des
protocoles permettant de définir les interactions entre rôles et la possibilité de
normé ces interactions.
- Structure du système : MOISE+ facilite la modélisation d‘un système à différents
niveaux d‘abstraction puisqu'il y a la notion de groupe et sous-groupe.
55
- Respect des standards : la modélisation dans MOISE + repose sur les notations
graphique celle qui est utilisée dans les figures précédentes.
- Outils et Implantation : MOISE+ n‘adresse pas la phase d‘implantation.
5.3.5 La méthode CRIO

La méthode CRIO, contrairement aux précédentes est plus orientée SOA. Elle cherche à
exploiter les propriétés hiérarchiques des systèmes complexes pour les analyser et les
modéliser [GAUD et al., 2008] pour simulation. Elle se caractérise par :
- Processus de développement : Il se concentre essentiellement sur les aspects de
conception et l‘analyse.
- Concepts : La méthode CRIO adopte une approche organisationnelle dont la
notion de comportement est l‘abstraction qui en constitue la base. CRIO est un
méta-modèle organisationnel destiné à la modélisation de systèmes complexes
ouverts et de grande échelle. Un méta-modèle se doit de définir de manière
exhaustive l‘ensemble des concepts manipulés dans le processus de
développement. Le méta-modèle CRIO est issu de l‘intégration et l‘extension de
deux méta-modèles existants. Le premier RIO a été proposé dans [HILAIRE,
2000] et fut conçu pour la modélisation organisationnelle de systèmes multi-agents
non hiérarchiques. Le second est le "framework" générique pour la modélisation
de systèmes multi-agents holoniques proposé dans [RODRIGUEZ, 2005]. RIO tire
son nom des trois principaux concepts sur lesquels il repose : Rôle, Interaction, et
Organisation. CRIO, quant à lui précise et redéfinit certains des concepts
précédemment introduits dans RIO et leur adjoint celui de capacité. A cela il
intègre ensuite les concepts holoniques.
- La capacité possède une double fonction dans le métamodèle CRIO. (i) Elle
constitue tout d‘abord une interface entre l‘agent et le rôle, permettant de définir le
comportement du rôle en faisant abstraction de l‘architecture d‘agent. (ii) Elle
permet également, dans le processus de modélisation, d‘effectuer l‘interface entre
deux niveaux d‘abstraction adjacents dans la hiérarchie organisationnelle du
système.
- Structure du système : CRIO supporte la composition ou la notion de Holon. En
revanche l‘approche organisationnelle qu‘il adopte, permet de modéliser un
système à différents niveaux d‘abstraction.
56
- Respect des standards : La modélisation dans CRIO repose sur les langages de
modélisation UML.
- Outils et Implantation : CRIO est associé à la plate-forme d‘implantation JANUS
qui fournit les concepts de base nécessaires à l‘implantation du modèle
organisationnel.
5.3.6 Comparaison des méthodes : forces et faiblesses

Dans cette section nous établissons une comparaison entre les méthodes multi-agents
existantes étudiées précédemment, et plus particulièrement celles qui intègrent la phase gigue,
de modélisation et de traduction sur un environnement logiciel que requiert la simulation
multi-niveau, multi-paradigme d‘une Chaîne Logistique.
Toutes les approches utilisent les rôles afin de promouvoir la souplesse du processus de
développement, à différents niveaux. La plupart de celles-ci exploitent les rôles pour séparer
clairement les questions relatives à la vie de l‘agent, tel que la mobilité, sa sociabilité, ses
interactions, en fonction du contexte (par ex. selon les groupes ou sous sociétés auxquels il
appartient). Ces méthodes couvrent de manière variable le cycle de vie d‘un agent (analyse,
conception, développement). Lorsqu‘une méthode ne traite pas spécifiquement de modèle de
simulation (notamment d‘un point de vue temporel ou ouverture à d‘autres paradigmes de
modélisation), elle peut toutefois proposer des éléments de réponses pour la phase d‘analyse
du système réel.
Logiquement les questions centrales de l‘identification des rôles, de leurs interactions
entre dans les prérequis de chacune des méthodes. La notion d‘organisation ne l‘est pas
autant, mais surtout reste comme avec GAIA, à un seul niveau d‘abstraction (organisation
« plate »). En ADELFE par exemple, les agents sont considérés comme des composants
logiciels qui s‘auto-organisent pour configurer les applications. L‘organisation de SMA n‘est
pas spécifiée d‘une façon explicite, mais elle est conséquence des interactions entre les agents.
Le concepteur doit exprimer sa structure organisationnelle sous forme de règles de
coopération propres à chaque agent..
Avec la notion de groupe, AGR peut répondre à ce besoin, mais ne gère pas la transition
entre les modèles et l‘implémentation dans MadKit (environnement intégrant les concepts
AGR). Moise+ est un modèle organisationnel, qui se concentre essentiellement sur les
aspects de conception. L‘aspect structurel de MOISE correspond globalement à l‘approche
décrite dans AGR. Sur ce point, MOISE étend AGR notamment par la définition de la notion
57
d‘héritage et de composition entre rôles. La dimension fonctionnelle (Plans sociaux) de

MOISE+ est une sorte de description de tâches/ activités/ processus basées sur la
décomposition en but. L‘une de ces principales missions est d‘affecter des rôles à l‘aide de
lien déontique.
CRIO définit un méta-modèle organisationnel destiné à la modélisation de systèmes
complexes. Celui-ci permet aussi d'exploiter les hiérarchies dans les systèmes complexes pour
les modéliser et les analyser et aborde également la question de la gestion du temps.
Cependant CRIO ne propose pas de guide pour la constitution de l‘organisation : les critères
sont davantage liés aux propriétés des entités formant l‘organisation que l‘objectif de la
simulation c'est-à-dire les résultats qu‘il doivent produire. De même il considère un
environnement homogène et n‘intègre pas le besoin d‘interagir avec d‘autres environnements
de simulation.
Les travaux précédents du LSIS, autour de la thèse d‘Olivier LABARTHE tiennent
compte de ses derniers objectifs mais suivent un processus de décomposition statique ie
déterminé une fois pour toute (ie système décisionnel versus système physique). De même la
notion d‘organisation n‘est pas explicitée.
Les limites de ces méthodes peuvent être synthétisées par les points suivants : (i)
l‘absence d‘une démarche qui assure le passage du niveau conceptuel vers le niveau
d‘implémentation; (ii) le passage de la conception à l‘implémentation est coûteux en temps et
en efforts de développement; (iii) prise en compte de l‘organisation et (iv) multi-modélisation
et v) gestion du temps.
58
A: Analyse, C: Conception, D : Développement, Haut: Support de génération de code, Moyen: Cadre « Modèle»
méthodes
CRIO GAIA AGR ADELFE MOISE (A&A)
Critères
Couverture du cycle de vie

de vie
Cycle
A&C&D A&C A& D A&C&D A&C&D
Modèle organisationnelle Oui

Oui Oui Oui Non
Multi-niveaux Oui
Oui Oui Oui Non
Conception
Modélisation multi-paradigme Non - Non

Non Non
Support d‘Ontologie Oui - Oui Non Oui
Notation graphique OML (ie

UML UML-AUML UML UML-AUML
spécifique)
Environnement de Oui Janus Non Oui MadKit Oui Adelfe OUI
développement
Développement
Simulation multi-échelle
Oui Non Oui Non Non
Gestion des différentes échelles envisagé avec

temporelles Oui Non Non Non
Mimosa
Support d‘implémentation Haut Haut Haut
Non Moyen
Tableau 2.1 : Comparaison entre les méthodes
59
6 La modélisation et la simulation orientées agents de

chaînes logistiques
Un intérêt majeur de la modélisation orientée agents est qu‘elle permet en général une
simulation autorisant une étude de la dynamique du système considéré. L‘approche de
modélisation orientée agents permet de représenter le système à travers l‘identification et la
spécification du comportement des individus en interactions qui le composent. Ces individus
peuvent évoluer et agir sans contrôle ni intervention extérieure (autonomie), peuvent
percevoir leurs environnements et répondre à ces modifications (réactivité), initier des
comportements dirigés par des buts internes (pro-activité), et interagir avec d‘autres individus
(habilité sociale).
Modéliser une chaîne logistique consiste à décrire sa structure et son fonctionnement afin
de l‘étudier en vue d‘améliorer ses performances et sa position concurrentielle. Dans une
modélisation orientée agent d‘une chaîne logistique, il ne s‘agit pas de construire un modèle
multi-agent ex-nihilo d‘un système réel, nécessitant par exemple de passer par une phase
d‘expression des besoins très générale, mais plutôt d‘associer un agent à chaque entité de la
chaîne logistique et de modéliser leur interactions, afin d‘étudier le comportement de la
chaîne par simulation, pour en améliorer son management.
Le choix de l‘approche agent pour la modélisation de chaînes logistiques est motivé par le
fait que c‘est un système où l‘organisation est distribuée (système économique et social
constitué d‘un ensemble d‘entreprises inter-agissantes) et donc la prise de décisions
distribuée(processus de coopération, de coordination et de négociation), où les interactions
sont dynamiques or la modélisation orientée agents est particulièrement adaptée pour la
représentation d‘organisations qui disposent de structures modulaires où la prise de décision
est distribuée et l‘environnement est fortement dynamique.
Dans cette section nous faisons tout d‘abord un rapide historique des divers travaux en
modélisation multi-agents de chaînes logistiques. Ensuite nous étudions plus en détail deux
approches méthodologiques ou méthodes de modélisation et de simulation orientées agents de
chaîne logistique. D‘autres méthodes existent, seule ces deux méthodes nous ont semblé
significatives pour la problématique générale de notre recherche. Il s‘agit tout d‘abord de la
méthode ou modèle MASCF [GOVIENDU et CHINNAM, 2007] et ensuite des travaux
développés au sein du LSIS, notamment autour de la thèse de Olivier Labarthe [LABARTHE
et al, 2004, 2005, 2006, 2007].
60
6.1 Travaux en modélisation et simulation multi-agents de

Les chercheurs ont étudié les systèmes multi-agents afin de mieux modéliser les différents
problèmes de la chaîne logistique. Dans cette section ; nous allons présenter quelques-unes
des recherches en cours.
[FOX et al., 2000] examinent la construction de l'architecture logicielle à base d'agents
intelligents pour la gestion des chaînes logistique aussi bien au niveau tactique
qu‘opérationnel. Ils développent une « agent building shell (ABS) » qui fournit des
composants génériques, réutilisables, garantissant les services pour appuyer le travail de
coopération perturbée par des événements stochastiques.
Une Vue d'ensemble de la MASCOT [SADEH et al., 2001] (Multi-Agent Supply chain
COordination Tool) - une architecture de planification et d'ordonnancement reconfigurable,
multi-niveau à base d‘agents - est présentée dans [SADEH et al., 2001]. Les principaux
éléments de l'architecture de soutien en temps réel dans l'ordonnancement à capacité finie et le
développement de nouveaux protocoles de coordination sont discutés.
[WAGNER et al., 2003] montrent comment les agents TAEMS, lorsqu'ils sont équipés de
mécanismes de coordination, permettent d'automatiser et de gérer une chaîne logistique
dynamique. Ils démontrent que les agents permettent d'accroître la souplesse et permettent à la
chaîne logistique de donner de meilleures réponses dans les négociations et les raisonnements
entre producteurs et consommateurs.
[LIN et SHAW, 1998] proposent une approche par un système d‘information multi-agent
d'information dans la réingénierie des processus d'exécution des commandes (OFP – Order
Fulfillment Processus), des réseaux de la chaîne logistique (SCN- Supply Chain Network).
Une plate-forme de simulation multi-agent, SWARM, a été améliorée pour mener des
expériences de simulation pour aider aux efforts importants de réingénierie et pour identifier
et évaluer des stratégies d'amélioration potentielle. [NISSAN, 2001] présente une chaîne
logistique d‘agents intelligents de conduite des affaires pour le compte des utilisateurs des
produits, les acheteurs et les fournisseurs. Dans le contexte de l‘intégration de la chaîne
logistique dans une grande entreprise, le processus de conception d‘une chaîne logistique à
base d'agents, sa structure, et le comportement de fédération des agents sont discutés.
Dans l'un des premiers documents et les plus fréquemment cités, [SWAMINATHAN et
al., 1998] présentent une plate-forme pour l'élaboration de modèles fidèles de simulation de
chaîne logistique avec un minimum de temps et d‘efforts. Il s'agit de composer des modèles à
61
partir d'une bibliothèque de logiciels primitifs, représentant les agents de la chaîne,

réutilisables, à domaine spécifique, avec leurs objets éléments de contrôle, et leurs protocoles
d'interaction. Ils discutent un prototype de Cross-Docking, et comparent les multi-agents et les
approches classiques de modélisation. Bien que les auteurs mentionnent une application à
grande échelle au sein d'IBM, ils ne présentent pas des détails complets, les résultats, ne
discutent les détails du système. Une plateforme qui intègre les différents éléments d'une
chaîne logistique représentés de façon unifiée, intelligente, et orientée objet est proposée par
[JULKA et al., 2002]. Elle est conçue afin de modéliser, surveiller, gérer et aider à analyser
les politiques métiers au sein d'une chaîne logistique. Ils démontrent son application à travers
un prototype de système d‘aide à la décision, qui étudie les effets des politiques internes, des
événements exogènes et modifications des installations de la raffinerie.
[JIAO et al. 2006] proposent un système de négociation multi-agents, multi-contrat pour
la coordination globale de la chaîne logistique de fabrication. Le système est implémenté en
utilisant la plateforme de développement d‘agents, JADE basé sur l'architecture du tableau
noir dans une société de fabrication de téléphones mobiles. Un système d‘agents flexible qui
peuvent s'adapter aux changements de transaction induits par de nouveaux produits ou des
partenaires commerciaux a été présenté dans [AHN et al., 2003]. Leur approche a été
démontrée à l'aide d‘un prototype d'une chaîne logistique des PCs.
[GJERDRUM et al., 2001] ont appliqué des techniques de modélisation multi-agent pour
simuler et contrôler un système simple axée sur la demande du réseau de chaîne
d'approvisionnement. Ils utilisent Java Agent Template Lite (JATLite) pour la modélisation
du système multi-agent et l'optimisation des composantes de fabrication à l'aide d‘un système
générale de planification des lots (gBSS – general Batch Scheduling System).
Bien que la technologie multi-agent existe depuis un certain temps et gagne en popularité,
il nous a été très difficile de trouver dans la littérature des travaux qui se rapporte aux
applications de qualité industrie en général, et les applications dans la chaîne logistique
en particulier. À l'exception de quelques documents (par exemple, [FOX et al., 2000];
[SWAMINATHAN et al., 1998]) qui discutent de l'importance du développement de
composants génériques et les aspects de réutilisation, la plupart des applications semblaient
offrir une solution de modélisation spécifique à un problème particulier.
Des articles comme [SADEH et al., 2001] et [WAGNER et al., 2003] fournissent une
discussion sur les questions d'architecture, mais l'accent a été mis sur des aspects spécifiques
tels que la coordination ou l‘ordonnancement en temps réel. De la littérature, il apparaît que la
62
plupart des applications sont axées sur la recherche dans la nature. Il existe quelques
prototypes industriels qui ont utilisé un langage de programmation (Par exemple, Java), un
logiciel commercial, ou un freeware / boîtes à outils open-source (par exemple, Swarm,
JATLite, JADE) pour leur développement.
La littérature ne semble pas envisager, explicitement, l'analyse et la conception (Aspects
les plus importants dans le développement d'applications de qualité industrielle), mais semble
prendre directement la mise en œuvre d‘exigences pré-déclarées. Nous n'avons pas trouvé
dans la littérature que des opinions considérant le développement des systèmes multi agents
dans la chaîne logistique comme un processus générique. Comme une étape dans cette
direction, les chercheurs ont commencé à développer des méthodes génériques, et boîtes à
outils pour les systèmes multi-agents.
6.2 Le modèle MASCF

Le modèle MASCF est basé principalement sur l'analyse du système et les phases de
conception du modèle de simulation orientée agents. MASCF repose d‘une part sur le modèle
des chaînes logistique SCOR déjà présenté dans la section 2.3.2., et d‘autre part sur GAIA, la
méthode générale de conception de SMA présentée dans la section 5.3.1. Cette section
présente le modèle MASCF, en précisant comment SCOR y améliore la précision et
l'efficacité de GAIA, et cerne ses forces et ses limites
6.2.1 Présentation générale de MASCF

Comme l'illustre la Figure 2.9, le processus de développement d‘un SMA, (tout comme celui
de n'importe quel autre logiciel) requière l'exécution de quatre phases: le recueil des
exigences, l‘analyse du système, la conception du système (architecturale et détaillée), et la
mise en œuvre. Les travaux de Govindu et Chinnam [GOVIENDU et CHINNAM, 2007] se
sont principalement axés sur la conception et l‘implémentation d‘une plateforme à base
d‘agents logiciels.
Dans les phases d‘analyse du système et de conception, les MASCF combine de façon
créative les caractéristiques de SCOR pour améliorer la précision et l'efficacité de la méthode
Gaia. La phase de collecte de besoins va au-delà de son champ d'application, et ainsi la phase
de mise en œuvre.
Comme indiqué par la Figure 2.10, l'application de la plateforme commence à construire
une entrée pour la phase d‘analyse en partant des besoins du système, et cela en combinant à
63
la fois SCOR et GAIA. Il se termine par l'achèvement de la phase de conception détaillée

ayant généré une sortie sous forme d‘agent, et de modèles de services. A la différence de
Gaia, le MASCF n‘exige pas l‘usage d‘une plate-forme de développement spécifique, et
permet la mise en œuvre utilisant n‘importe quelle boîte à outils générique pour les multi-
agents, pour peu qu‘elle soit appropriée.
Figure 2.9 : Phases de développement du système multi-agent – concentrer de MASCF

[GOVIENDU et CHINNAM, 2007]
Le modèle MASCF utilise surtout SCOR dans la phase d'analyse et dans une moindre
mesure, dans la phase de conception architecturale. Cependant SCOR n‘est pas utilisé dans la
conception détaillée. La phase d'analyse impliquant les SCOR transforme les entrées des
exigences du système en sorties d‘informations pour la définition des rôles basés sur SCOR,
leurs interactions, et leurs attributs. Cette information devient une entrée aux différents
modèles à développer dans la phase d'analyse utilisant la méthode GAIA.
La procédure d'analyse utilisant GAIA reste la même que dans la méthode GAIA
originale. La seule exception de l'analyse fondée sur GAIA est de rendre plus précises les
entrées à base de SCOR en plus des exigences habituelles du système. En conséquence, la
sortie de la phase d'analyse serait également plus précise et conforme aux définitions de
processus standard de SCOR. Une fois la phase d'analyse utilisant GAIA terminée, elle génère
une sortie sous forme d‘attributs basés sur le SCOR et relatifs à l'environnement, les rôles, les
interactions et les règles d'organisation pour toutes les sous-organisations du système de
chaîne logistique. Cette sortie devient une entrée à la phase de conception architecturale. En
outre, il pourrait y avoir des entrées supplémentaires SCOR relatives à ces rôles et à ces
interactions qui sont d'ordre organisationnel, très spécifiques et non prises en compte dans la
phase d'analyse. À part ces entrées supplémentaires, plus spécifiques, la phase de conception
architecturale dans le cadre reste le même que dans méthode GAIA. La sortie de la phase de
conception architecturale sera une contribution à la phase de conception détaillée. Etant donné
64
que les SCOR y sont exclus, la phase de conception détaillée resterait la même que dans la
méthode et GAIA génèrera une sortie sous la forme d'agents et de modèles de services pour le
système multi-agent de la chaîne logistique en cause.
Figure 2.10 : Cadre Multi Agent de chaîne logistique multi-agents (MASCF) [GOVIENDU et
CHINNAM, 2007]
Après avoir présenté les détails le cadre, nous allons maintenant concentrer notre
discussion sur comment SCOR améliore la précision et l'efficacité de GAIA.
La méthode autonome GAIA ne propose que des directives générales pour le
développement de tout système multi-agents. Ces directives générales sont très conceptuelles,
et sont destinées à fournir des orientations pour la réalisation de l'analyse et la conception,
laissant ainsi aux analystes individuels / développeurs, de prendre beaucoup de décisions.
Bien que l'information des systèmes du monde réel aide à apporter plus de clarté, les
développeurs auraient encore à traiter plusieurs variantes possibles pour chaque élément du
système multi-agent, que ce soit dans la définition des rôles, les interactions, les sous-
organisations, l‘environnement ou des règles de l'organisation. Ils doivent également faire
face à la modélisation de la bonne résolution (niveau global ou au niveau détaillé). Cela fait
de la conception de systèmes multi-agent une tâche très complexe.
65
En outre, la modélisation dans les situations du monde réel n'a jamais statique, en effet, la
modification, expansion, et réduction de la portée dépendent de temps en temps de l'évolution
des besoins. Toutes ces possibilités énumérées, nous pensons que si des descriptions plus
précises et plus d‘informations sont apportées dans ces activités, la modélisation des systèmes
multi-agents de la chaîne logistique restera une tâche complexe et fastidieuse. Même si les
développeurs individuels jouent toujours un rôle essentiel dans la plateforme, l‘apport de
précision grâce à des descriptions de processus standard, aiderait à réduire la complexité dans
une large mesure. C'est ici que le SCOR joue un rôle majeur dans ce cadre MASCF. Il
s‘aligne avec la méthode Gaia dans la définition de chaque élément du système. L‘analyse à
base de SCOR convertit les exigences du système en entrées plus précises, spécifiques,
structurées et bien définies pour l'analyse en utilisant la méthode GAIA. Cette entrée permet à
GAIA d‘apporter une analyse mieux structurée et la sortie qu'il offre serait beaucoup plus
précise. Il aide à une meilleure réalisation de la phase de conception.
6.2.2 Forces et limites de MASCF

Le modèle MASCF est conçu de façon à adopter les éléments d'un modèle de processus de
référence générique, SCOR, pour améliorer la précision d'une méthode générique de
conception, GAIA, dans le développement de SMA de la chaîne logistique. De par l‘usage
conjoint de GAIA et du modèle SCOR, modèle MASCF nous semble très intéressant pour la
modélisation et la simulation de chaînes logistiques, les principales forces de ce modèle sont
qu‘il est :
- Générique : applicable pour modéliser une large gamme de la chaîne logistique par
systèmes multi-agents.
- Centré sur les processus : introduit la notion de processus centré sur la métaphore
d‘organisation et la met en œuvre en utilisant SCOR.
- Méthodologique : il suit les étapes d‘un processus de modélisation bien défini.
- Complet : couvre tous les aspects des opérations de chaîne logistique, et traite à la fois
des aspects macro (liés à la société) et micro (agents) dans le développement des
systèmes multi-agents.
- Neutre : à la fois à l'égard du domaine cible de la chaîne logistique et de l'architecture
d'agents au sein du système multi-agents.
- Scalable : Applicable pour le développement à grande échelle dans le monde réel des
systèmes de chaîne d'approvisionnement de SMA.
66
Néanmoins le modèle MASCF nous apparaît présenter des limites, elles aussi liées à
l‘usage conjoint de la méthode GAIA et et du modèle SCOR. Ces limites sont :
- MASCF ne s'engage pas à des techniques spécifiques pour la modélisation (par
exemple, les rôles, l'environnement, et les interactions) étant donné que les normes
multi-agents sont encore en évolution.
- Il est technologiquement neutre et ne traite pas directement de la mise en œuvre
informatique.
- Les activités liées à la collecte des exigences et à la modélisation sont en dehors de
son champ d'application.
- MASCF couvre toutes les opérations définies dans le modèle SCOR. Du fait que
SCOR est un model opérationnel de référence, il ne couvre pas tous les processus ou
activités (par exemple, de génération de demande, le support client après livraison, et
de l'administration). Toutefois, comme le modèle MASCF est basé sur une méthode
générique à savoir GAIA, il serait encore possible de modéliser d'autres aspects (par
exemple, tactique et stratégique) des systèmes non couverts par SCOR.
6.3 Les travaux du LSIS

Après s‘être intéressé à la modélisation et la simulation de la gestion des perturbations en
ordonnancement [ESPINASSE et TRANVOUEZ, 1998] [TRANVOUEZ et al. 2001], depuis
une dizaine d‘années, le LSIS s‘intéresse à la modélisation et la simulation orientée agents des
chaînes logistiques [ESPINASSE et al., 2000] [FERRARINI et al., 2001] [LABARTHE et al.,
2007] [MONTEIRO et al., 2008], ainsi qu‘à la gestion des perturbations sur ces dernières
[FERRARINI et FOURNIER, 2009].
Les travaux méthodologiques développés au sein du LSIS sur la modélisation et la
simulation sont principalement liés à la thèse de Olivier Labarthe [LABARTHE, 2006] et des
publications qui l‘ont accompagnées [LABARTHE et al., 2004, 2005, 2006, 2007]. Ces
travaux méthodologiques proposent principalement un cadre méthodologique orienté agents
pour la modélisation et simulation de chaînes logistiques [LABARTHE et al., 2006]. Cette
section présente ce cadre méthodologique et cerne ses forces et ses limites.
6.3.1 Cadre méthodologique proposé par le LSIS

Le cadre méthodologique orienté agents pour la modélisation et simulation de chaînes
logistiques proposé par le LSIS [LABARTHE et al., 2006] est structuré selon trois niveaux
67
d‘abstraction et s‘articule autour de trois modèles : (i) un modèle de domaine, (ii) modèle
conceptuel, (iii) et un modèle opérationnel. Il se concentre essentiellement sur les aspects de
conception et l‘analyse.
La modélisation orientée agents de la chaînes logistique repose sur la transformation du
modèle de domaine. Les éléments du modèle de domaine sont représentés dans le modèle
conceptuel par des agents et des objets. Il s‘agit de spécifier les agents au niveau conceptuel
afin de les rendre opérationnel. La transformation des éléments selon deux types d‘agents
d‘un niveau conceptuel : l‘Agent-Acteur et l‘Agent-Activité. L‘Agent - Acteur représente un
centre NetMan (Networked Manufacturing) [LABARTHE et al., 2007] et l‘Agent-Activité
représente un processus de transformation de distribution ou de stockage réalisé par un Agent-
Acteur. A travers la phase de spécification l‘informaticien transforme les agents conceptuels
sur la base d‘architectures d‘agents adaptées à la modélisation opérationnelle. Cette phase
repose sur la définition des processus décisionnels et opérationnels. Chaque agent conceptuel
est représenté par un modèle d‘agent composé de deux architectures logicielles d‘agents : les
agents cognitifs et les agents réactifs.
Le modèle de l‘Agent-Acteur représente un acteur du système réel, par son aspect
comportemental, par son rôle social et par les responsabilités qu‘il exerce au sein de
l‘organisation [LABARTHE et al., 2006] .Le modèle de l‘Agent Acteur définit une relation de
dépendance entre deux ou plusieurs agents. Il compose deux types d‘agents caractérisés par
une structure interne et des fonctionnalités différentes. Un Agent Acteur en représenté par un
seul agent cognitif ou bien par un seul agent réactif selon les spécificités et les caractéristiques
du système à simuler.
Le modèle de l‘Agent-Acteur permet de représenter les comportements des agents d‘un
point de vue local et d‘un point de vue social. Le niveau local recouvre les comportements
individuels de l‘agent mis en œuvre pour l‘atteinte de ses objectifs propres. Le niveau social
concerne les comportements collectifs des agents pour la réalisation d‘objectifs communs.
Le modèle de l‘Agent-Acteur est défini en tant que composition d‘agents élémentaires en
interactions. Dans le modèle Agent-Acteur il y a deux formalismes de spécification des
comportements. Les comportements des agents réactifs sont spécifiés à l‘aide du langage de
modélisation AUML, tandis que les comportements des agents cognitifs sont spécifiés à l‘aide
d‘un formalisme spécifique développé au LSIS.
68
6.3.2 Forces et limites du cadre méthodologique du LSIS

La principale force du cadre méthodologique proposé par le LSIS est de s‘appuyer sur une
modélisation de domaine, de couvrir la conception et le développement de modèles de
simulation orientés agents adaptés aux spécificités des chaînes logistiques. De plus le modèle
de l‘Agent-Acteur permet une traduction facilitée entre le modèle de domaine et le modèle
agent de par sa structuration. Enfin l‘approche acteurs/agents permet de séparer les
considérations décisionnelles et opérationnelles lors des étapes de modélisation et
d‘opérationnalisation.
Cependant ce cadre méthodologique nous semble présenter deux principales faiblesses,
principalement liées à la modélisation même des chaînes logistiques, et à leur simulation :
- La première faiblesse au niveau de la modélisation des chaînes logistiques est liée au
fait que ces travaux méthodologiques ne nous semblent pas suffisamment prendre en
compte les aspects purement organisationnels d‘une chaîne logistique. En effet, ces
travaux ne prennent pas en compte, de façon explicite, la structure et la dynamique
organisationnelle de la chaîne, notamment l‘évolution des relations entre les différents
acteurs la composant, et les comportements liés à l‘appartenance à des groupes de
compétences de ces différents acteurs, comportements généralement associés à des
rôles.
- Une seconde faiblesse de ce cadre, toujours liée à la modélisation même des chaînes
logistiques, est qu‘il ne prend pas explicitement en compte les observables et les
indicateurs spécifiques à l‘organisation de la chaîne logistique considérée. Ces
observables et indicateurs sont généralement définis par les experts du domaine de la
logistique, lors d‘une première modélisation de la chaîne étudiée (modélisation de
niveau domaine). Le fait que ces observables et indicateurs ne soient pas pris en
compte dès le premier niveau de modélisation a des conséquences importantes au
niveau de la simulation de la chaîne. En effet, ces observables et indicateurs sont des
éléments importants dont il s‘agit de cerner l‘évolution lors de la simulation.
7 Synthèse et conclusion
Dans notre état de l‘art, nous avons tout d‘abord défini le concept de chaîne logistique, et
cernés le management de la chaîne logistique, ainsi que le besoin de modéliser ces chaînes et
simuler la dynamique de leur comportement.
69
La prise en compte de la dynamique est une étape importante dans la création des modèles
pour la simulation. Les propriétés qui caractérisent les SMA apparaissent "naturelles" pour
l‘étude et la représentation comportementale des entités qui constituent la chaîne logistique,
entités soumises à la nature dynamique des interactions. Les systèmes multi-agents offrent la
possibilité de représenter et d‘exprimer explicitement les individus, leurs comportements et
leurs interactions. La simulation par système multi-agents s‘appuie sur la spécification du
comportement d‘entités autonomes dont les interactions définissent le comportement du
système.
Un nombre croissant de travaux portent sur la modélisation et/ ou la simulation de chaînes
logistiques par SMA. Les agents sont essentiellement utilisés pour la représentation des
entités de la chaîne logistique. La spécification de leurs comportements est déterminée par le
niveau d‘abstraction du modèle. De fait, les rôles joués par les agents et leur nombre sont
différents d‘un projet à l‘autre. Les agents possèdent des compétences, des comportements,
des capacités de communication et de prise de décisions qui s‘étendent de la gestion d‘une
ressource matérielle à la gestion stratégique d‘une entreprise.
Les méthodologies de conception de SMA générales s‘intéressent à des problèmes de
conception de systèmes multi-agents relatifs à : l‘identification des agents, la spécification des
capacités de raisonnement, l‘organisation du système multi-agents et la représentation des
interactions entre agents. Elles ont pour objectifs de guider le concepteur dans les phases
d‘analyse et de conception de systèmes multi-agents.
Les difficultés inhérentes à la modélisation de la chaîne logistique sont principalement
dues aux causes suivantes : (i) l‘hétérogénéité des entités qui la composent, (ii) la complexité
des interactions, (iii) la prise en compte de l‘environnement, et (iv) la diversité des structures
organisationnelles.
De nombreux projets de recherche s‘intéressent à l‘analyse du comportement de la chaîne
logistique dans le cadre de l‘échange de données. Au niveau de la conception des modèles
pour la simulation, la demande est généralement spécifiée comme un paramètre d‘entrée.
Cependant, dans un contexte de personnalisation des produits, cette demande est difficile à
obtenir par l‘exploitation de modèles prédictifs classiques du fait du manque de données ou
d‘historiques.
La prise en compte de la dynamique est une étape importante dans la création des modèles
pour la simulation. Les propriétés qui caractérisent les systèmes multi-agents, apparaissent
"naturelles" pour l‘étude et la représentation comportementale des entités qui constituent la
70
chaîne logistique, entités soumises à la nature dynamique des interactions. Les systèmes
multi-agents offrent la possibilité de représenter et d‘exprimer explicitement les individus,
leurs comportements et leurs interactions. La simulation par système multi-agents s‘appuie
sur la spécification du comportement d‘entités autonomes dont les interactions définissent le
comportement du système.
L‘objectif général de notre recherche est d‘accompagner le processus de modélisation et
de simulation d‘une chaîne logistique jusqu‘à son expérimentation. L‘atteinte de cet objectif
nécessite d‘une part la proposition d‘un cadre méthodologique spécifique, et d‘autre part la
proposition d‘une architecture logicielle adaptée à ce cadre, permettant l‘exécution des
simulations de ces chaînes.
Aussi en nous appuyant sur les divers travaux présentés dans cet état de l‘art, dans la
poursuite des travaux développés au LSIS, le chapitre trois présentera notre contribution au
niveau méthodologique consistant à proposer un cadre méthodologique de modélisation de
chaînes logistiques modélisant de façon explicite des indicateurs, et des aspects
organisationnels liés à ces chaînes.
Etroitement lié à ce cadre méthodologique proposé, le chapitre quatre présentera notre
contribution relative à la proposition d‘une architecture logicielle permettant la simulation de
chaînes logistiques avec la prise en compte de ces indicateurs et ces aspects organisationnels.
71
CHAPITRE 3 : UN CADRE MÉTHODOLOGIQUE
ORIENTÉ AGENTS POUR LA MODÉLISATION
ET LA SIMULATION ORGANISATIONNELLES
DE CHAÎNES LOGISTIQUES
PLAN DU CHAPITRE
1. Introduction ................................................................................................................... 74
2. Objectif et fondements du cadre méthodologique proposé ....................................... 75

2.1 Explicitation d‘aspects organisationnels structurels et dynamiques ........................ 76
2.2 Explicitation d‘observables et d‘indicateurs organisationnels ................................. 77
2.3 Modélisation et simulation multi-niveaux, multi-échelles et multi-paradigmes ...... 82
2.3.1 Modélisation et simulation multi-niveaux............................................................ 82
2.3.2 Modélisation et simulation multi-échelles ........................................................... 82
2.3.3 Modélisation et simulation multi-paradigmes ...................................................... 83
3. Présentation générale du cadre méthodologique proposé ......................................... 84

3.1 Niveaux d‘abstraction considérés............................................................................. 85
3.2 Cadre méthodologique proposé ................................................................................ 87
3.3 Problématique de la modélisation conceptuelle ....................................................... 89
3.4 Problématique de la modélisation opérationnelle .................................................... 90
4. Modélisation conceptuelle d’une chaîne logistique .................................................... 91

4.1 Modèle Organisationnel Conceptuel Rôle (CROM) ................................................ 91
4.1.1 Les concepts principaux du modèle CROM ........................................................ 92
4.1.2 Le méta-modèle CROM ....................................................................................... 93
4.1.3 Illustration : modèle CROM d'une chaîne logistique ........................................... 95
4.2 Modèle Organisationnel Conceptuel Agent (CAOM) ............................................. 97
4.2.1 Concepts du modèle CAOM ................................................................................ 97
4.2.2 Le méta-modèle CAOM ....................................................................................... 97
4.2.3 Illustration : modèle CAOM d'une chaîne logistique ......................................... 101
5. Modélisation opérationnelle d’une chaîne logistique ............................................... 103

5.1 Vue structurelle : modèle opérationnel agent (OPAM) ......................................... 103
5.2 Vue dynamique : comportements et interactions ................................................... 105
5.2.1 Spécification des comportements d‘agents ........................................................ 105
5.2.2 Spécification des interactions entre agents......................................................... 108
5.3 Illustration : modélisation opérationnelle d'une chaîne logistique ......................... 109
72
5.3.1 Vue structurelle : modèle OPAM de la chaîne ................................................... 110
5.3.2 Vue dynamique : comportements et interactions ............................................... 110
6. Conclusion .................................................................................................................... 111
73
Chapitre 3 : Un cadre méthodologique orienté agents pour la modélisation et la simulation de
1. Introduction
Comme nous l‘avons vu lors du chapitre précédent d‘état le l‘art, de nombreux travaux de
recherche s‘appuient sur le paradigme agent pour proposer une modélisation et/ou une
simulation de chaînes logistiques. En effet, ce paradigme fournit une approche adaptée à la
représentation de tels systèmes complexes permettant une prise en compte de leur dynamique.
La conception de modèles orientés agents pour la modélisation et/ou la simulation de chaîne
logistiques est une tâche complexe qui nécessite la mise en œuvre de connaissances et de
compétences spécifiques.
Pour aider le concepteur dans la conception de ces modèles, une démarche

méthodologique reposant sur l‘élaboration de divers modèles est nécessaire. Nous appellerons
« cadre méthodologique », l‘ensemble de ces modèles articulés entre eux, permettant de
baliser le processus de modélisation de chaînes logistiques, devant conduire à leur simulation
informatique.
Dans la revue de littérature, nous avons présenté différents travaux de recherche consacrés
à la définition de méthodologies guidant les concepteurs dans le développement de modèles
multi-agents en général. Nous avons aussi présenté un ensemble de travaux méthodologiques
centrés sur la modélisation et la simulation orientées agents de chaînes logistiques.
Ces travaux méthodologiques, dont certain ont été conduits dans notre laboratoire de
recherche le LSIS, constituent une première avancée dans l‘élaboration de modèles orientés
agents pour la modélisation et/ou la simulation de chaîne logistiques. Cependant ces travaux
nous semblent présenter un certain nombre de faiblesses, des faiblesses liées à la modélisation
même des chaînes logistiques, et à leur simulation.
La première faiblesse au niveau de la modélisation des chaînes logistiques est liée au fait
que ces travaux méthodologiques ne nous semblent pas suffisamment prendre en compte les
aspects purement organisationnels d‘une chaîne logistique, notamment de façon explicite la
structure et la dynamique organisationnelle de la chaîne. Une seconde faiblesse porte sur la
prise en compte explicitement des observables et indicateurs spécifiques à l‘organisation de la
chaîne logistique considérée. Le fait que ces observables et indicateurs ne soient pas pris en
compte dès le premier niveau de modélisation a des conséquences importantes au niveau de la
simulation de la chaîne notamment par le fait qu‘ils ne pourront pas être clairement étudiés
lors de la simulation.
74
Enfin au niveau de la simulation des chaînes logistiques, si l‘on enlève la conséquence de
la non prise en compte des observables et indicateurs portant sur l‘organisation précédemment
évoquée, la principale faiblesse nous semble résider dans le fait que les architectures de
support à la simulation proposées, peuvent paraître assez rigides, et notamment ne pas
suffisamment permettre l‘intégration, la réutilisation, de modèles de simulation pouvant être
développées dans d‘autres outils de simulation.
Dans ce chapitre, nous proposons un nouveau cadre méthodologique de modélisation et
simulation orienté agents de chaînes logistiques, tentant de répondre à ces faiblesses,
notamment en prenant en compte explicitement les aspects organisationnels, tant structurel
que dynamique, ainsi que des observables et indicateurs dans la modélisation de ces chaînes,
avec leurs conséquences sur leur simulation. Dans le chapitre suivant, nous proposons une
architecture logicielle de support à l‘exécution des modèles de simulation élaborés selon ce
cadre méthodologique proposé.
Dans la deuxième section de ce chapitre nous précisons l‘objectif, les fondements ou
principes, du cadre méthodologique orienté agents que nous proposons pour la modélisation
des chaînes logistiques. Dans la troisième section nous présenterons de façon générale ce
cadre méthodologique, notamment les différents niveaux d‘abstraction qui le structure :
niveau conceptuel et niveau opérationnel, ainsi que les différents modèles qui le composent à
chacun de ces niveaux d‘abstraction. Dans la quatrième section, nous développons l‘étape de
modélisation conceptuelle du cadre méthodologique proposé, en présentant les modèles
concernés, leur articulation et le processus de leur élaboration, avec une illustration concrète
sur une chaîne logistique. Dans la section cinq nous présentons en détail l‘étape de
modélisation opérationnelle de ce cadre méthodologique en l‘illustrant par une modélisation
d‘une chaîne simple.
2. Objectif et fondements du cadre méthodologique

proposé
La simulation des chaînes logistiques, notamment orientée agents, est de plus en plus utilisée
pour étudier leur dynamique pouvant être très complexe. Comme nous l‘avons vu dans le
chapitre précédent, peu de travaux de recherche proposent un cadre général relatif à la fois la
conception et la réalisation d‘une telle simulation. Parmi les travaux préconisant le paradigme
orienté agents, citons tout d‘abord la méthodologie MASCF (Multi-Agent Supply Chain
Framework) [GOVINDU ET CHINNAM, 2007], qui adapte le modèle SCOR (Supply Chain
75
Operation Reference) à une structure méthodologique générique pour le développement d‘un
système multi-agents selon la méthode Gaia. Citons aussi les travaux développés au
laboratoire LSIS [LABARTHE et al., 2007] qui proposent un cadre méthodologique pour la
modélisation et la simulation des chaînes logistiques, cadre reposant sur plusieurs niveaux
d‘abstraction assurant un continuum dans l‘expression des modèles issus du domaine, et ce,
jusqu‘à leur mise en œuvre pour la simulation.
Comme nous l‘avons déjà évoqué, ces travaux présentent différentes faiblesses tant au
niveau de la modélisation (aspects organisationnels et indicateurs) des chaînes logistiques
qu‘au niveau de leur simulation qui doit en résulter (intégration, réutilisation). L‘objectif
général du cadre méthodologique proposé dans cette recherche est de palier certaines de ces
faiblesses, plus précisément il s‘agit plus de permettre la modélisation et la simulation de
chaînes logistiques prenant mieux en compte les aspects organisationnels et les finalités
d‘étude de ces chaînes.
Pour atteindre cet objectif, le cadre méthodologique proposé est fondé sur trois grands
principes : (i) une description organisationnelle de la chaîne, (ii) une identification explicite
d‘observables, et (iii) une approche multi-niveaux dans laquelle cette description
organisationnelle et cette identification des observables seront faites à des niveaux de détail
et/ou d‘organisation différents, jugés pertinents pour la modélisation et la simulation de la
chaîne. Dans les sous-sections suivantes nous développons ces trois grands principes sur
lesquels est fondé notre cadre méthodologique.
2.1 Explicitation d’aspects organisationnels structurels et

dynamiques
Les travaux actuels sur la modélisation et la simulation agent de chaînes logistiques sont plus
orientés vers les études quantitatives et les performances des chaînes en fonction de différents
contextes et différentes politiques de gestion, mais ne s‘intéressent pas explicitement à
l‘aspect organisationnel du problème, notamment les relations entre les différents acteurs la
composant. D‘autre part, ces travaux ne mettent pas forcément en évidence la dynamique
organisationnelle de la chaîne, notamment celle qui est liée aux comportements des différents
acteurs, comportements associés en général à des rôles pouvant être multiples ainsi que par
leur appartenance à des groupes de compétences.
Dans le chapitre d‘état de l‘art précédent, nous avons fait une comparaison entre
différentes méthodologies multi-agents existantes, en particulier celles incluant une phase
76
d‘implémentation. La plupart de ces méthodes utilisent les rôles afin de rendre le
développement plus flexible, en ayant souvent recours à des niveaux d‘abstraction ou de
détail (hiérarchiques). Elles exploitent les rôles soit pour décomposer ou contextualiser les
comportements d‘agent et ajoutent souvent des contraintes au travers de règle ou de normes.
De plus, dans ces méthodes, le temps n‘est en général pas traité - excepté dans CRIO
[GAUD et al., 2008], et une granularité homogène (un seul type d'agents) sont la plupart du
temps supposés. Quand les agents délibératifs et les agents réactifs reproduisent des
comportements d'horizon temporel différents, alors la synchronisation s‘impose et doit être
spécifiée lors la phase de modélisation, avec éventuellement des conséquences au niveau de
l‘implémentation logicielle.
La description de l'organisation de la chaîne logistique, sa structure organisationnelle et sa
dynamique, doit être faite dès le début de la modélisation de la chaîne, afin de proposer les
observables appropriés à ses composants, et du fait que cette organisation préexiste au modèle
d'agent. Enfin, en ce qui concerne la dynamique organisationnelle, les comportements
coopératifs sont les outils de base pour reproduire des situations de coopération dans une
chaîne logistique réelle comme pour traiter des événements perturbateurs, permettant à la
chaîne de s‘adapter [TRANVOUEZ et FERRARINI, 2006].
Une architecture délibérative et réactive d'agents, architecture composée d‘agents
délibératifs et d‘agents réactifs en interaction, résulte directement du besoin de valider de tels
comportements coopératifs. Dans [LABARTHE et al., 2007] il est proposé de mixer différents
types de comportements (réactifs et délibératifs), afin de permettre d‘étudier comment les
comportements locaux peuvent impacter le comportement global de la chaîne logistique.
Cependant, des aspects organisationnels ont principalement été pris en considération au
niveau du logiciel de simulation.
Ainsi, le cadre méthodologique que nous proposons doit explicitement prendre en compte
dans la modélisation de la chaîne logistique, sa structure organisationnelle et sa dynamique,
notamment les relations organisationnelles pouvant exister entre les acteurs de la chaîne, ainsi
que la modélisation des comportements réactifs et délibératifs et les différents rôles de ces
acteurs.
2.2 Explicitation d’observables et d’indicateurs organisationnels

Les travaux liés à la modélisation des chaînes logistiques étudiés dans l‘état de l‘art ne
définissent pas explicitement d‘observables organisationnels spécifiques à une chaîne
77
logistique considérée, observables caractérisant tant sa structure que sa dynamique comme
nous l‘avons vu dans le chapitré précédents.
Les observables organisationnels d‘une chaîne logistique sont généralement définis par les
experts de la logistique, lors d‘une première modélisation de la chaîne (modélisation de
niveau domaine). Comme nous l‘avons déjà évoqué, le fait que ces observables et indicateurs
ne soient pas pris en compte dans la phase de modélisation de la chaîne a des conséquences
importantes au niveau de la simulation de la chaîne. En effet, ces observables sont des
éléments organisationnels de la chaîne importants, dont il s‘agit de cerner l‘évolution lors de
la simulation (taux de rotation des stocks, niveau de service client…). Aussi s‘ils ne sont pas
pris en compte en modélisation, ils ne pourront être pleinement ou simplement étudiés lors de
la simulation. Afin de mieux cerner les enjeux posés par l‘identification des observables et la
production d‘indicateur nous rappelons ci-après quelques définitions en nous inspirant du
cadre d‘analyse proposée par [LETOUZEY, 2001]
Les observables sont des données, des informations, devant être mises en avant dans les
résultats de simulation pour être plus particulièrement étudiés dans leur évolution. L'objectif
principal est de reproduire le comportement de la chaîne logistique selon des niveaux de détail
requis pour produire les observables désirés par un utilisateur observateur. Les observables
décrivent ainsi des informations ou des indicateurs, simples ou agrégés (à différents niveaux
hiérarchiques), décrivant les états des entités de la chaîne logistique, les performances, ainsi
que les processus ou les décisions (stratégies d‘ordonnancement, stratégies de gestion de
stock, etc.), et leurs conséquences (évaluation des performances de leurs résultats sur la
chaîne). Ces observables organisationnels sont généralement mesurés selon des indicateurs,
notamment de performance, qui permettront de constituer des métriques d‘observation et
évaluation de la chaîne lors de sa simulation.
En management un indicateur se définit comme une information ou un ensemble
d‘informations contribuant à l‘appréciation d‘une situation. Il peut être défini comme un
événement, un fait observable, mesurable et déterminé par un calcul qui l‘identifie de façon
qualitative ou quantitative. A partir de cela, nous considérons un indicateur organisationnel
comme l‘information choisie associée à un phénomène organisationnel, destinée à en observer
périodiquement les évolutions au regard d'objectifs. Ainsi, ces indicateurs sont des données
quantitatives qui caractérisent une situation en évolution (une action ou des conséquences
d'une action) afin d'évaluer et comparer leur statut à différentes dates.
78
Si la notion d‘indicateur n‘est pas nécessairement associée à une mesure de performance,
les indicateurs de performance sont largement utilisés en management, notamment pour
l‘élaboration de divers tableaux de bords. Un indicateur de performance (Key Performance
Indicator) [RECH, 2005] est une mesure ou un ensemble de mesures orientées sur un aspect
critique de la performance globale de l'organisation. Le but principal d'une évaluation des
performances d'un système est de mesurer l'écart entre les performances réelles et les
performances souhaitées, et de juger le caractère plus ou moins acceptable de cet écart [LE
DAIN et NDAO, 1997]. En conséquence, un indicateur de performance est une donnée
quantifiée qui mesure l‘efficacité et/ou l‘efficience de tout ou partie d‘un processus ou d‘un
système (réel ou simulé) par rapport à une norme, un plan ou un objectif, déterminé et accepté
dans le cadre d‘une stratégie d‘entreprise.
Une première caractéristique fondamentale de l‘indicateur de performance est qu‘il est
généralement défini par rapport à un objectif [BERRAH, 1997] [BITTON, 1990], en
conséquence son évaluation se fait par comparaison à une référence. Le but principal d'une
évaluation des performances d'un système est de mesurer l'écart entre les performances réelles
et les performances souhaitées, et de juger le caractère plus ou moins acceptable de cet écart
[LE DAIN et NDAO, 1997]. Une autre caractéristique de l‘indicateur de performance est son
aspect quantifié [LE DAIN et NDAO, 1997] [BERRAH, 1997] [BITTON, 1990], il est avant
tout une mesure, pas nécessairement directe, et pouvant nécessiter une recherche
d'information à des niveaux plus ou moins élevés du système évalué.
Ainsi l'indicateur de performance est caractérisé par un objectif, une mesure d'efficacité et
des variables d'action [BERRAH et HAURAT, 1997]. L'objectif représente l'état espéré, la
mesure l'état réel et la variable d'action l'un des leviers sur lesquels on peut agir en fonction de
l'écart entre l'objectif et la mesure [BERRAH et al., 2000].
D‘une façon générale, on distingue dans la littérature deux grands types d‘indicateurs :
- Indicateur de résultat : il se réfère à la qualité du produit ou de la prestation, ce type
d‘indicateur indique une valeur à un moment donné et reflète la réalité. Généralement
sa lecture se fait dans la durée, la propension à l‘efficacité ou non résulte en effet du
cumul de ces données dans le temps (par exemple pour un résultat de production de
6000 chaises par jour).
- Indicateur de processus : c‘est une mesure qui donne l‘ensemble à mettre en œuvre
pour atteindre un objectif déterminé, sur une période déterminée. Indique le respect
79
des processus existant, par exemple le délai (par exemple pour les travaux en cours au
sein d'un processus de production).
A ces deux types d‘indicateurs de performance peut se rajouter des indicateurs externes,
comme les indicateurs associés à la satisfaction du client. Les indicateurs de résultats et de
processus peuvent être répartis en trois grandes familles :
- Stratégique (par exemple pour une augmentation des ventes de 10% il ya aura des
indicateurs précis par produit, par vente, par vendeur, par territoire).
- Tactique (par exemple pour l'atteinte de résultats au niveau de l'amélioration continue
à l'intérieur de l'entreprise; pour améliorer le temps de 'setup' d'une machine).
- Opérationnel (par exemple pour déterminer et améliorer les temps d'opération au sein
d'un processus).
On trouve aussi dans [BERRAH, 1997] et [BERRAH et al., 1995] la proposition d‘un
modèle d‘indicateur de performance articulé autour de trois facettes : objectifs, évaluation et
appréciation (Figure 3.11) :
Figure 3.11 : Modèle d‘indicateur de performance [BERRAH et al. 1995]
- la facette objectif concernant la formalisation de l'objectif : spécification du domaine

d'analyse (univers du discours, qualitatif ou quantitatif) puis détermination de la valeur
à atteindre;
80
- la facette évaluation concernant la mesure : acquisition puis évaluation par rapport à
l'objectif;
- la facette appréciation concernant l'interprétation de la mesure par l'utilisateur :
vérification de la validité de la mesure (conditions de la mesure) et remise en cause de
l'objectif, en fonction des connaissances et de l'expertise de l'utilisateur.
Ce modèle nous apparaît original car il propose d'intégrer l'évaluation de données
qualitatives, alors que l'indicateur de performance précédemment défini était essentiellement
une donnée quantifiée. Cet aspect qualitatif, que l'on retrouve également au niveau de
l'objectif associé, est un point intéressant des indicateurs, quoique très discuté. Bien que
souvent ignoré par la recherche, il est très présent dans l'industrie où il est parfois difficile de
formuler précisément l'objectif à atteindre.
A partir de cela, nous pouvons considérer que, comme l‘illustre la Figure 3.12
[MUSTAPHA et al., 2010], l‘indicateur de performance peut être caractérisé par : (i) une
catégorie spécifiant le type d‘objectif pour lequel il a été défini, par exemple décrire une
activité, une productivité, une qualité, des coûts, des délais, (ii) un type qui peut être soit
quantitatif ou qualitatif et ainsi nécessiter la définition de ses unités et les valeurs autorisées
(un nombre réel si de type quantitatif et liste des valeurs si de type qualitatif), et enfin (iii) par
une ou plusieurs fonctions comme un objectif de mesure (résultats, processus, satisfaction
client, etc.), un domaine de mesure (activité, projet, entreprise, etc.), ou encore une catégorie
d‘utilisateur (direction générale de l‘entreprise, direction du projet, chefs de projet, etc.).
Figure 3.12 : Classification d'Indicateur [MUSTAPHA et al., 2010]
81
2.3 Modélisation et simulation multi-niveaux, multi-échelles et
multi-paradigmes
Le cadre méthodologique pour la modélisation et la simulation de chaîne logistiques que nous
proposons préconise une modélisation de la chaîne logistique intégrant des modélisations de
composants de celle-ci réalisées à différents niveaux de détail. En effet la prise en compte
explicite d‘une part d‘aspects organisationnels de la chaîne logistique, aspects tant structurels
que dynamiques, avec notamment l‘explicitation de rôles et de comportements de types
réactifs ou délibératifs des composants de la chaînes, et d‘autre part d‘observables et
d‘indicateurs associés à la chaîne ou à ses différents composants, font qu‘il est nécessaire de
préconiser une modélisation à la fois multi-niveaux de détails et multi-échelles, avec ses
conséquences au niveau de la simulation.
2.3.1 Modélisation et simulation multi-niveaux

Une chaîne logistique est composée de divers composants pouvant être décrit de façon
organisationnelle tant en ce qui concerne ses aspects structurels que dynamiques. Ces
composants peuvent être décrits par des comportements réactifs et/ou délibératifs avec plus ou
moins de détails, selon le choix du modélisateur. Ces composants peuvent aussi, à leur tour,
être décomposés en composants, plus fins eux-mêmes organisés. On peut alors parler de
niveaux d‘organisation différents voir emboités. Des observables spécifiques à ces
composants de différents niveaux de détail et/ou d‘organisation peuvent aussi être définis.
Ainsi la description de la chaîne logistique dans son ensemble, ainsi que la description des
composants de la chaîne, pourra impliquer différents niveaux d'organisation avec plus ou
moins de détails. Chaque niveau doit être centré sur ses besoins spécifiques en matière de
représentation du comportement observable, mais les différents niveaux doivent être liés entre
eux. Par conséquent, les détails peuvent aller de l'organisation d'une cellule de production ou à
l'efficacité d‘une machine, jusqu'à ou à un niveau supérieur de l‘entreprise tel la gestion de la
flotte de transport ou de la stratégie vente d'achat d‘une entreprise de chaîne logistique.
2.3.2 Modélisation et simulation multi-échelles

Une modélisation multi-niveaux de la chaîne logistique, pouvant impliquer différents niveaux
d'organisation avec plus ou moins de détails, nécessite d'être capable de modéliser et surtout
simuler ces différents comportements à différentes échelles notamment temporelles.
Cependant, tous les composants sur les différentes échelles de la chaîne logistique ne peuvent
82
être pertinents et efficaces du point de vue de la complexité de la modélisation ou du point de
vue technique. Par conséquent, la modélisation et la simulation doit permettre l‘élagage de la
structure organisationnelle de la chaîne, et de considérer différentes échelles de simulation.
Ainsi dans la simulation d‘une chaîne logistique un acteur entreprise peut être complètement
simulée tout le long de son niveau d'organisation, alors que la simulation d‘un autre acteur
entreprise puisse se résumer à une seule entité de simulation, sans que cela n‘empêche ces
deux acteurs entreprises d‘interagir.
Au niveau de la simulation de la chaîne logistique, une gestion d‘échelles temporelles
différentes s‘avère nécessaire. En effet, les composants de la chaîne logistique peuvent
réaliser des activités dans en temps réel (simulé) ; (par exemple la surveillance d'une machine
de production ou d'un camion) ou avoir une durée plus longue (par exemple, un processus de
rééchelonnement). La simulation doit donc faire face à des ordonnanceurs locaux (chacune
dédiée à un niveau d'organisation ou un groupe d'entités simulées), tout en assurant un
comportement global cohérent de la SC (en termes de contrainte de temps et de causalité).
2.3.3 Modélisation et simulation multi-paradigmes

Comme nous l‘avons vu, une modélisation multi-niveaux de la chaîne logistique peut
impliquer différents niveaux d'organisation avec plus ou moins de détails, nécessite d'être
capable de modéliser et simuler ces différents comportements. Les comportements des
composants de la chaîne logistique peuvent être couplés et nécessiter une modélisation
spécifique plus ou moins complexe.
Ainsi, en fonction du niveau d‘organisation et de détail retenu par le modélisateur, pour un
composant donné de la chaîne logistique, un paradigme de modélisation sera plus ou moins
adapté. Ainsi un modèle réactif sera plus particulièrement adapté à la modélisation d‘une
ressource simple comme une machine production, un camion, un modèle mathématique
pourra être retenu pour modéliser une gestion de stocks, un modèle multi-agents pourra être
retenu pour modéliser une négociation avec des fournisseurs, etc.
La conséquence de cette modélisation multi-paradigmes au niveau de la simulation de la
chaîne est qu‘il est nécessaire quelle permette une intégration de logiciels de simulation
existants, pouvant simuler chacun un composant de la chaîne particulier qui aura été modélisé
selon un paradigme particulier. Ceci nécessitera une interopérabilité entre les modèles de
simulation, ainsi qu‘une interopérabilité logicielle entre les divers logiciels associés aux
divers composants de la chaîne lors de la simulation.
83
En raison de la nature de la chaîne logistique (SC) et des exigences de simulation,
l'architecture de logiciels distribués est nécessaire. Deux approches principales sont possibles:
 L’architecture à base d’agents génériques (homogènes) avec le langage de

modélisation dédié [GAUD et al., 2008] [HÜBNER et al., 2008].
 Les simulations distinctes coordonnées, en particulier lorsque des paradigmes

différents sont utilisés, à travers des mécanismes d'interopérabilité et des protocoles
comme HLA [CHATFIELD et al. 2007] [OUNNAR et al., 2008].
Comme nous le verrons plus en détail dans le chapitre suivant, nous combinerons ces deux
approches. Ainsi, nous adopterons tout d‘abord une approche de modélisation
organisationnelle centrée d‘individu qui est assez simple pour être liées au langage dédié
modélisation relevant du domaine des chaînes logistiques, et produiront des modèles qui
pourront ensuite être traduit dans d‘autres paradigmes de modélisation avec leur langage
spécifique.
De plus nous proposeront un « framework » logiciel ou « cadriciel » à base d‘agents,
constituant une infrastructure d‘intégration spécifique, qui assurera l‘interopérabilité, la
cohérence des différents modèles de simulations, ceci indépendamment de l'environnement
logiciel dans lequel ils auront été exécutés, comme dans [ESPINASSE et al., 2007] dans un
contexte aide à la décision environnementale.
3. Présentation générale du cadre méthodologique proposé

Face à la complexité de conception de simulation orientées agents, il s‘agit d‘assister les
modélisateurs en leur proposant une démarche composées d‘étapes, lors desquelles seront
développés des modèles, selon des objectifs de modélisation spécifiques, et formalisés dans
des formalismes adaptés, ceci de la modélisation du domaine des chaînes logistique à leur
simulation informatique.
Dans cette section, nous présenterons de façon générale notre cadre méthodologique, en
introduisant tout d‘abord les différents niveaux d‘abstraction le structurent et définissent des
grandes étapes de notre démarche. Ensuite sont définies la problématique générale des deux
principales étapes de la démarche, la modélisation conceptuelle et la modélisation
opérationnelle, en introduisant les différents modèles sur lesquels elles reposent.
84
3.1 Niveaux d’abstraction considérés
Les travaux de recherche présentés lors de la revue de littérature proposent différentes
approches de modélisation de la chaîne logistique. Ces approches reposent sur un mécanisme
de représentation positionnant la phase d‘abstraction entre le système réel et le modèle multi-
agents.
Nous proposons une démarche de modélisation incrémentale selon laquelle différents
modèles sont élaborés à des niveaux d‘abstraction différents. Dans un premier temps, le
système réel est représenté selon une approche de modélisation liée au domaine de l‘étude.
Dans un second temps, nous avons recours au paradigme agent pour traduire le modèle de
domaine en un modèle multi-agents. Ceci, afin de prendre en considération l‘ensemble des
propriétés relatives au domaine de l‘étude dés la phase d‘abstraction. La transformation du
modèle de domaine en modèle multi-agents favorise le transfert des connaissances rapportées
par l‘expert du domaine, tant au niveau de la représentation des individus qu‘au niveau de la
représentation de leur organisation.
Trois intervenants majeurs dans le processus général de la modélisation et simulation de
chaînes logistiques ont été définis dans [MEURISSE et VANBERGUE, 2001] : le
thématicien, le modélisateur et l‘informaticien. Ces intervenants travaillent conjointement
dans le but de concevoir et de manipuler des modèles aux objectifs différents. Le thématicien
définit les besoins de simulation et se charge de la description du système par la conception
du modèle de domaine. Le modélisateur transforme le modèle de domaine en un modèle
conceptuel, et s‘appuie pour cela sur le paradigme agent. L’informaticien pour sa part
s‘intéresse à l‘opérationnalisation du modèle conceptuel pour l‘implémentation d‘agents
logiciels au sein d‘un environnement de simulation. De plus l‘informaticien conçoit un
environnement d‘expérimentation pour l‘exploitation des simulations et des résultats associés.
Ces modèles différents modèles impliqués dans le processus général de la modélisation et
simulation de chaînes logistiques peuvent être structurés selon différents niveaux de
conceptions, ou niveaux d‘abstraction, déjà été définis dans [LABARTHE et al., 2007], et qui
sont les suivants :
- Le niveau domaine a pour objet de formaliser les connaissances manipulées par
l‘expert de domaine sur les chaînes logistiques. Il s‘agit de décrire la structure du
réseau manufacturier ainsi que les comportements de ses acteurs. Ce niveau requiert
l‘utilisation de formalismes relevant du domaine de l‘étude.
85
- Le niveau conceptuel traduit le modèle de domaine en s‘appuyant sur une approche
de modélisation orientée agents. Le modélisateur fait abstraction des considérations
techniques liées à l‘exécution de simulations. La modélisation conceptuelle repose sur
plusieurs modèles précisant la nature des agents et l‘architecture du système multi-
agents.
- Le niveau opérationnel a pour objet de traduire le modèle conceptuel afin de le
rendre opératoire. Il s‘agit pour l‘informaticien d‘opérationnaliser le modèle
conceptuel agent. Chaque agent identifié au niveau conceptuel est spécifié et
implémenté selon les contraintes liées à l‘environnement de développement.
- Le niveau exploitation s‘intéresse à la mise en œuvre du modèle opérationnel au sein
d‘un système informatique. Il s‘agit, toujours pour l‘informaticien, de prendre en
compte les contraintes techniques ignorées au niveau opérationnel. Ainsi le système
multi-agents sera déployé au sein d‘un environnement logiciel autorisant son
exécution pour la conduite d‘expérimentations par simulations.
La « colonne vertébrale » du cadre méthodologique proposée est ainsi définie par la mise
en relief de l‘ensemble des niveaux d‘abstraction. A ces niveaux, correspondent des grandes
étapes du processus de modélisation et de simulation, étapes prises en charge par les trois
intervenants (thématicien, modélisateur et informaticien). L‘articulation de ces étapes est
illustrée à la Figure 3.13.
Figure 3.13 : Etapes de modélisation et de simulation
86
L‘enchaînement de ces étapes offre une vue d‘ensemble des niveaux de conception pour la
modélisation et la simulation orientées agents. Il s‘agit par la suite de définir le cadre
méthodologique.
3.2 Cadre méthodologique proposé

La complexité du processus de modélisation, ainsi que sa mise en œuvre, nous amènent à
proposer une approche de modélisation basée sur une structure supplémentaire, dans laquelle
les différents modèles sont développés. Selon cette approche, le système réel est d'abord
représenté par une modélisation de domaine de chaîne logistique (par exemple un modèle
NetMan [LABARTHE et al., 2007], un modèle UEML2 (Unified Enterprise Modeling
Language) etc. permettant de représenter les aspects organisationnels.
La démarche de modélisation globale repose sur une approche incrémentale durant
lesquels différents modèles sont élaborés. Dans la Figure 3.14, nous précisons les champs
d‘intervention des experts, les différents modèles et les transitions entre les deux étapes de
modélisation et la simulation orientée agents, ceci au travers du cadre méthodologique
proposé.
Le cadre méthodologique proposé se veut prendre en compte les aspects organisationnels,
tant structurels que dynamiques des chaînes logistiques. Il est structuré selon les différents
niveaux d‘abstraction introduits précédemment. [MUSTAPHA et al., 2010(a)] [MUSTAPHA
et al., 2010(a)]
Dans le processus de modélisation et de simulation de chaîne logistiques, notre cadre
méthodologique distingue trois principales étapes : l‘étape de modélisation conceptuelle,
l‘étape de modélisation opérationnelle, et l’exploitation.
L‘étape de modélisation conceptuelle conduit à l‘élaboration tout d‘abord d‘un Modèle
Organisationnel Conceptuel Rôle (ou CROM – Conceptual Role Organizational Model), puis
à partir de celui-ci, d‘un Modèle Organisationnel Conceptuel Agent (ou CAOM – Conceptual
Agent Organizational Model). L‘étape de modélisation opérationnelle est composée du
Modèle OPérationnel Agent (ou OPAM – OPerational Agent Model). Enfin, l‘étape
d‘exploitation est constituée du système multi-agents et du cadre d‘expérimentation.
Dans les sous-sections suivantes nous introduisons la problématique générale des deux
étapes majeures de notre cadre méthodologique, les étapes de modélisation conceptuelle et de
modélisation opérationnelle. Ces étapes seront détaillées dans les sections suivantes de ce
2
www.ueml.org
87
chapitre. L‘étape de modélisation de domaine ne sera pas traitée dans le cadre de cette
recherche, nous renvoyons le lecteur sur la littérature consacrée à la modélisation d‘entreprise,
notamment dans [LABARTHE, 2006]. En ce qui concerne l‘étape d‘exploitation, elle sera
abordée dans le chapitre suivant relatif à l‘architecture logicielle de support à la simulation.
Figure 3.14 : Cadre méthodologique pour la modélisation et la simulation orientée agents.

88
3.3 Problématique de la modélisation conceptuelle
La problématique générale de l‘étape de modélisation conceptuelle est de traduire la
modélisation de domaine de la chaîne logistique considérée en une modélisation orientée
agents, en faisant abstraction des considérations techniques liées à l‘exécution de simulations.
D‘une façon générale, la modélisation conceptuelle part d‘une modélisation de domaine
de la chaîne logistique déjà réalisée par un expert du domaine, selon un formalisme spécifique
au domaine. Ensuite, il s‘agit pour le modélisateur, en collaboration avec l‘expert, de traduire
ce modèle de domaine de la chaîne en un modèle conceptuel. Cette traduction repose sur le
concept organisationnel central de rôle, qui permettra de modéliser les aspects
organisationnels (structurels et dynamiques) de la chaîne ainsi que les observables et
indicateurs associés. Cette traduction permet de mettre en évidence la structure de
l'organisation en détachant le modèle des aspects "métiers" trop contraignants tout en gardant
une représentation forte de l'organisation et des relations structurelles et dynamiques entre les
composants de cette organisation. Enfin, il s‘agit à l‘informaticien, en collaboration avec le
modélisateur, de traduire cette modélisation conceptuelle centrée rôles de la chaîne, en une
modélisation conceptuelle orientée agents.
Plus précisément cette modélisation conceptuelle repose sur l‘élaboration de deux
modèles développé consécutivement : le Modèle Organisationnel Conceptuel Rôle (CROM -
Conceptual Role Organizational Model), puis le Modèle Organisationnel Conceptuel Agent
(CAOM - Conceptual Agent Organizational Model), permettant de façon progressive et via le
concept de rôle, d‘agentifier le modèle de domaine de la chaîne logistique.
L‘élaboration du modèle CROM repose sur l'identification des entités actives et leur
organisation à partir du modèle de domaine selon le concept des rôles et des groupes. Ce
modèle met en évidence la structure organisationnelle de la chaîne logistique ainsi que les
relations structurelles et dynamiques entre les entités qui composent cette chaîne logistique.
Ce modèle est ensuite transposé dans le paradigme agents, dans l‘élaboration d‘un premier
modèle agent de la chaîne, le modèle CAOM. Ce modèle est défini sur la base des
observables dont l'utilisateur a besoin pour la préparation de la mise en œuvre de la
simulation. La clé importante de l‘élaboration du modèle CAOM est l‘identification et la
caractérisation des agents concourants à décrire la chaîne logistique dans ses aspects
organisationnels, tant structurels que dynamiques, selon différents niveaux d‘organisation et
de détails, et selon une perspective d‘observation spécifique.
89
3.4 Problématique de la modélisation opérationnelle
La problématique générale de l‘étape de modélisation opérationnelle est de traduire le modèle
conceptuel orienté agent obtenue à l‘issue de la modélisation conceptuelle dans un modèle
orienté agents opératoire. Il s‘agit pour l‘informaticien d‘opérationnaliser le modèle
conceptuel agent CAOM. Chaque agent identifié au niveau conceptuel doit être spécifié et
implémenté selon les contraintes liées à l‘environnement de développement.
Cette modélisation opérationnelle repose principalement sur l‘élaboration d‘un modèle, le
Modèle OPérationnel Agent (OPAM – OPerational Agent Model). Nous voyons dans la
section 5 dédiée à la modélisation opérationnelle, que ce modèle OPAM n‘est pas suffisant
pour couvrir toutes les spécifications attendues à ce niveau opérationnel, aussi d‘autres
modèles ou diagrammes le complèteront.
Le passage de la modélisation conceptuelle et la modélisation opérationnelle se fait au
travers de la « spécification ». Nous proposons de découper cette spécification en deux
temps : (i) traduire le modèle de rôles en Modèle Organisationnel Conceptuel Agent (ou
CAOM – Conceptual Agent Organizational Model) (agentification) et ensuite (ii) spécifier un
modèle opérationnel agent à partir de ce modèle conceptuel agent.
A partir du Modèle OPérationnel Agent (ou OPAM – OPerational Agent Model),
l‘informaticien s‘intéresse à la conception du système multi-agent. Il s‘agit pour
l‘informaticien de rendre exécutable le modèle opérationnel en l‘implémentant au sein d‘un
environnement de développement agents. Cette dernière étape de conception nécessite la
réalisation de nombreux tests pour la validation du système multi-agents.
Notons que dans les travaux développés dans [LABARTHE et al., 2007], les observables,
potentiellement liés à la structure organisationnelle du système réel ne sont pas explicitement
décrits au niveau de la modélisation (conceptuelle et opérationnelle). Ils ne sont mentionnés
qu‘au niveau du modèle de système multi-agents, c‘est-à-dire qu‘ils n‘apparaissent qu‘au
moment de la mise en œuvre. Dans le cadre méthodologique que nous proposons, ces
observateurs sont rattachés aux aspects organisationnels de la chaîne, ils sont alors spécifiés
dès la modélisation conceptuelle.
Un autre objectif visé par ce cadre méthodologique au niveau opérationnel est de
permettre une simulation de composants de la chaîne, à différents niveaux d‘organisation
et/ou de détail, sur différentes plates-formes logicielles associées à différents paradigmes de
modélisation, et ainsi de faciliter le processus de traduction vers ces différents paradigmes et
90
leur mise en œuvre. Cela nécessite une architecture logicielle, multi-modèle, multi-paradigme
et un cadre méthodologique pour faciliter la construction de la simulation d'une chaîne
logistique.
4. Modélisation conceptuelle d’une chaîne logistique

Tout d‘abord rappelons que la problématique générale de l‘étape de modélisation conceptuelle
est de traduire la modélisation de domaine de la chaîne logistique considérée en une
modélisation orientée agents, en faisant abstraction des considérations techniques liées à
l‘exécution de simulations. Cette traduction repose sur le concept organisationnel central de
rôle, qui permettra de modéliser les aspects organisationnels (structurels et dynamiques) de la
chaîne ainsi que les observables et indicateurs associés, et conduira ensuite à l‘identification
des agents.
Pour conduire cette modélisation conceptuelle, nous supposons qu‘une modélisation de
domaine a déjà été faite, c‘est à dire qu‘il existe un modèle de domaine de la chaîne
logistique, modèle qui aura pu être développé dans un formalisme relevant du domaine du
génie industriel, plus précisément de la modélisation d‘entreprise.
Cette modélisation conceptuelle repose sur l‘élaboration de deux modèles unifiés
développés consécutivement : le Modèle Organisationnel Conceptuel Role (CROM -
Conceptual Role Organizational Model), puis le Modèle Organisationnel Conceptuel Agent
(CAOM - Conceptual Agent Organizational Model). Les modèles CROM et CAOM sont des
modèles unifiés dans la mesure où ils se suffisent à eux-mêmes, c‘est à dire qu‘ils ne
nécessitent pas le développement complémentaire d‘autres modèles ou diagrammes.
Dans cette section nous présentons ces deux modèles de la modélisation conceptuelle qui
permettent progressivement et au travers du concept de rôle, d‘agentifier le modèle de
domaine de la chaîne logistique. Tout d‘abord le modèle CROM (Conceptual Role
Organizational Model) puis le modèle CAOM (Conceptual Agent Organizational Model).
Pour chacun de ces modèles nous rappelons ses objectifs, ses concepts fondateurs, son méta-
modèle, et illustreront son élaboration sur une chaîne logistique simple.
4.1 Modèle Organisationnel Conceptuel Rôle (CROM)

Ce modèle a pour objectif de modéliser au travers du concept central de rôle, la chaîne
logistique avec ses aspects organisationnels, tant structurels que dynamiques, ainsi que les
observables associés. Nous présentons tout d'abord les concepts principaux sur lesquels
91
repose ce modèle CROM, puis son méta-modèle. Enfin, nous présentons un exemple
illustratif d‘élaboration d'un modèle CROM pour une chaîne logistique simple.
4.1.1 Les concepts principaux du modèle CROM

Le modèle CROM permet de modéliser une chaîne logistique avec ses aspects
organisationnels, au travers du concept central de rôle. Ces aspects organisationnels
concernent la structure même de la chaîne, ainsi que les relations structurelles et dynamiques
entre les entités qui la composent. Les concepts principaux sur lesquels repose ce modèle
CROM s‘inspirent de travaux existants déjà cités dans l‘état de l‘art. Ainsi ces concepts
principalement étendent les travaux du LSIS en la matière [LABARTHE et al., 2006]. Il
s‘inspire des concepts du méta-modèle organisationnel CRIO [GAUD et al., 2008],
notamment du concept de capacité, concept possédant de constituer une double interface: (i)
tout d‘abord entre l‘agent et le rôle, permettant de définir le comportement du rôle en faisant
abstraction de l‘architecture de l‘agent sous-jacent, et (ii) ensuite entre deux niveaux
d‘abstraction adjacents dans la hiérarchie organisationnelle du système.
Le modèle CROM doit permettre de préciser un certain nombre de propriétés au niveau
conceptuel qui pourront définir, notamment, la structure organisationnelle au niveau
conceptuel pour qu‘on puisse en tenir en compte lors de la traduction en un modèle
opérationnel. Se centrant essentiellement sur des aspects de conception et d‘analyse, le
modèle CROM intègre les concepts majeurs d‘acteur, de groupe, de rôle, de service et de
relation, définis ainsi :
- L'acteur est une entité active de l'organisation;
- Le groupe représente un ensemble de rôles joués dans l'organisation;
- Le rôle représente le concept joué par un acteur ("abstraction d'un comportement dans
le contexte d'une organisation" [FERBER et al., 2009];
- Un service représente une fonction réalisée par un acteur [WOOLDRIDGE et al.,
2000];
- Une relation représente une interaction entre entités.
Ces concepts étant utilisés pour traduire des modèles de domaine de chaîne logistique
élaborés par ailleurs par des experts du domaine de la logistique, un modèle CROM est
associé à une ontologie du domaine des chaînes logistiques. Cette ontologie peut proposer une
bibliothèque de la hiérarchie des rôles, recueillir les différents rôles à utiliser, notamment la
92
chaîne ainsi que le type prédéfini des groupes (par exemple l'organisation des services
différents de production).
4.1.2 Le méta-modèle CROM

Les concepts sur lesquels repose le modèle CROM sont définis au travers d‘un méta-modèle.
Ce méta-modèle définit le plus précisément possible l‘ensemble des concepts impliqués dans
un modèle CROM et leurs relations sémantiques. Le méta-modèle CROM est formalisé par le
diagramme de classe UML présenté dans la Figure 3.15. D‘un point vue structure
organisationnelle une chaîne logistique sera décrite dans un modèle CROM par les concepts
suivants : Organisation, Niveau, Groupe (Structurel et dynamique), Acteur, Rôle et Relation.
Figure 3.15 : Méta-modèle CROM
Dans un modèle CROM l‘organisation d‘une chaîne logistique est composé de niveaux
(hiérarchiques) qui détiennent un ou plusieurs groupes, chaque groupe contenant les acteurs
jouant des rôles. Notons qu‘un acteur joue un rôle dans un groupe, mais peut aussi jouer le
même rôle dans les différents groupes. Inversement, le même rôle peut être joué par plusieurs
acteurs.
93
L‘organisation, le groupe, et les acteurs peuvent générer des observables (quantitatifs ou
qualitatifs). Un rôle fournit des services à d'autres rôles du même groupe, tandis qu'un service
peut exiger des capacités (tel que définies dans le modèle de domaine). Des relations peuvent
se tisser entre acteurs et/ou rôles. Elles représentent un flux d'informations et/ou flux
physiques (produits, produits semi-finis, matières premières, etc.).
Il existe dans un modèle CROM deux types de groupes d‘acteurs jouant des rôles :
- les groupes structurels associés à une description isomorphe de l'organisation
structurelle de la chaîne logistique;
- les groupes dynamiques, caractérisé par une durée de temps ou un objectif partagé par
des acteurs de différents groupes structurels.
Type de Catégorie de la Notation
Type de flux Description
relation relation graphique
Représenter les processus de
collaboration entre les acteurs d'une
Collaboration Information même sous-structure telle que la

planification coopérative (implique une
certaine autonomie)
Un acteur (hiérarchique) a un contrôle
Structurel
sur un autre c'est à dire qu'il peut

Contrôle Information
ordonner aux autres à faire des tâches
spécifiques.
Organiser la réalisation des tâches, en
Information
Ordonnancement prenant en considération les contraintes
Matériels
de temps (délais, ...)
Information La planification est la mise en œuvre
Planification
Matériels
des objectifs au fil du temps.
L'interaction générale entre les acteurs
Fonctionnel (Dynamique)
appartenant à différents groupes

dynamiques. La relation peut être
Contractuelle Information limitée dans le temps. par exemple, les

aspects métiers tels que le
commandement en passant entre un
client et son fournisseur
Tableau 3.2 : Types d‘interactions dans un modèle CROM
On distingue deux types d‘interactions dans un modèle CROM : les relations structurelles
correspondant à des interactions permettant de développer une collaboration, des contrôle, un
94
ordonnancement et une planification, et les relations dynamiques associées à des interactions
contractuelles. Notons que les relations structurelles et fonctionnelles des sous-types reliées à
la même distinction : un groupe de structure ne détient ainsi que la relation structurelle. Le
Tableau 3.2 présente plus en détail ces deux types de relations (interactions) possibles dans un
modèle CROM, avec les types de flux concernés, et les notations graphiques adoptées.
Les observables sont caractérisés par ses catégories comme l‘activité, productivité,
qualité, coûts, délais (quantitative ou qualitative).
Sur la base de concepts CROM (acteurs, des groupes et niveaux hiérarchiques), chaque
niveau est défini par ses groupes, leurs acteurs et leurs rôles. Les rôles sont caractérisés par
un service qu'ils mettent en mouvement.
Ainsi, la structure d‘un groupe est définie comme un quintuplé: Gi = (Aci, Ri, Si, Rei, T),
où :
- Aci est l'ensemble des acteurs représentés par le groupe Gi ;
- Ri est l'ensemble des rôles joués par des Aci ;
- Si est l'ensemble des services des rôles;
- Rei est l'ensemble des relations entre les acteurs;
- T représente l'horizon de temps. Chaque niveau a un horizon temporel (court terme,
moyen terme, à long terme) qui sera utile pour la simulation.
4.1.3 Illustration : modèle CROM d'une chaîne logistique

Pour illustrer l‘élaboration des différents modèles de notre cadre méthodologique, nous
modéliseront une chaîne logistique simple composée de trois acteurs : un fournisseur, nommé
Compagnie 1, un transporteur, nommé Compagnie 2, et un client, nommé Compagnie 3.
Le modèle CROM de cette chaîne logistique, illustré à la Figure 3.16, est un modèle
structurel divisé en trois niveaux hiérarchique. Un acteur de la chaîne pourra être modélisé par
un ou plusieurs groupes structurels positionnés chacun à un niveau hiérarchique donné. Au
niveau de la chaîne, chaque niveau se compose ainsi d‘un ou plusieurs groupes, pouvant être
des groupes structurels ou des groupes dynamiques.
Dans un premier niveau, Compagnie 1, Compagnie 2, Compagnie 3 sont trois acteurs liés
par une relation de type « collaboration » dans le groupe dynamique G1 au niveau N1.
Chacun de ces trois acteurs compagnies est représenté par un groupe d‘acteurs jouant des
rôles à un niveau hiérarchique spécifique. Par exemple l‘acteur Compagnie 1, peut collaborer
95
en négociant avec l‘acteur Compagnie 2 au niveau N1. Tandis qu‘au niveau N2, cet acteur
Compagnie 2 contrôle ses capacités de production/assemblage avec un autre acteur qui est son
Directeur de production/assemblage. Ce dernier acteur prend des décisions à court terme à ce
niveau N2, et il contrôle en temps réel l‘exécution de ces décisions par des acteurs plus fins
qui sont Machine 1, Machine 2, Machine n modélisés sur le niveau N3.
Figure 3.16 : Illustration du modèle CROM dans le cas de chaîne logistique
Dans cet exemple, est décrit un processus VMI (Vendor Management Inventory) dans
lequel la Compagnie 2 utilise Compagnie 1 comme une ressource d'actions en cas de besoin.
Considérant que l'acteur Stock appartient à la Compagnie 1 (relation structurelle) joue le
96
même rôle <stock> dans un groupe dynamique constitué avec l'acteur de camions de
Compagnie 2. Une relation de type contrôle spécifie les flux d'informations que les acteurs
échangent pour atteindre leurs objectifs.
4.2 Modèle Organisationnel Conceptuel Agent (CAOM)

Le modèle conceptuel organisationnel agent (CAOM) est une traduction du modèle
conceptuel organisationnel rôle (CROM) dans une modélisation orientée agents. Les agents
spécifiés au niveau du CAOM ne sont pas détaillés, ils le seront dans le modèle opérationnel,
selon des architectures agents spécifiques (cf. Figure 3.14).
Cette modélisation opérationnelle, est classique dans la conception de génie logiciel
orienté agent associe les rôles avec les agents en fonction de l'approche de modélisation
choisi. Nous présentons tout d'abord les concepts fondateurs de ce modèle CAOM, puis son
méta-modèle. Enfin, nous présentons un exemple illustratif d‘élaboration d'un modèle CAOM
pour une chaîne logistique simple.
4.2.1 Concepts du modèle CAOM

L‘objectif de CAOM est de spécifier les comportements de chaque acteur du modèle CROM.
Il s'agit de filtrer d‘une part les comportements d‘un « système physique » du monde réel et
d‘autre part les comportements d‘un « système complexe » dans lequel des processus de
décisions complexes interviennent.
Cette traduction permet aussi de mettre en évidence les observables, valeurs
quantitatives/qualitatives pertinentes au regard des objectifs de représentation du système, et
qui peuvent préciser la nature des comportements à simuler.
Les concepts sur lesquels repose le modèle CAOM sont assez similaires à ceux associés
au modèle CROM. Les principales différences résident dans l‘apparition du concept d’agents
et de ses sous types (réactif, délibératif et hybride), concept qui se substitue au concept
d’acteur du modèle CROM, et le concept d’interaction entre agents qui remplace celui de
relation entre acteurs dans le modèle CROM.
4.2.2 Le méta-modèle CAOM

Le méta-modèle suivant dans la Figure 3.17 illustre ces concepts qui constituent les blocs de
construction d'un modèle CAOM.
97
Comme le précise le méta-modèle, une organisation est structurée selon des niveaux
(hiérarchiques) qui contiennent un ou plusieurs groupes, qui à leur tour se composent d‘un ou
plusieurs agents jouant un seul rôle. Ainsi, dans un modèle CAOM, un agent joue un rôle
unique dans un groupe. Notons qu‘un agent peut jouer le même rôle dans des groupes
différents, et qu‘un même rôle peut être joué par plusieurs agents dans un même groupe.
L‘organisation, le groupe, et les agents peuvent générer des valeurs observables
(quantitatifs ou qualitatifs). Un rôle fournit des services à d'autres rôles du même groupe,
tandis qu'un service peut exiger des capacités (tel que défini dans le modèle de domaine). Il
existe une ontologie de domaine pour chaque rôle. Les interactions reliant les agents peuvent
s‘établir entre l'agent et/ou des rôles.
Il existe deux types de groupes : les groupes structurels, correspondant à une description
isomorphe de l'organisation de la chaîne logistique, et des groupes dynamiques, caractérisés
par une durée de temps ou un objectif partagé par des agents de différents groupes structurels.
Figure 3.17 : Méta-modèle CAOM
On distingue deux sous-types d'interactions, des interactions de nature informationnelles

et des interactions de nature physique. Ces deux types d‘interactions sont caractérisés dans le
Tableau 3.3.
98
Type Catégories de notation Description
d'interaction l'interaction graphique
Physique
C‘est l‘échange des matériels entre les acteurs

Matériel représentés par les agents réactifs, par exemple,
livraison de matériel (entre Stock et Camions)
Simple échange d'informations pour réaliser des

Simple tâches, la répartition des tâches ou le partage des
connaissances.
Information
Suppose que les agents doivent coordonner leurs

actions afin de combiner leurs compétences pour
résoudre des taches complexes. Par exemple les
Complexe activités industrielles nécessitant une approche
distribuée, ce genre de systèmes de contrôle, la
conception et la fabrication de produits industriels,
un contrôle distribué. [FERBER et al., 2009].
Tableau 3.3 : Type d‘interactions dans le modèle CAOM
De façon similaire aux modèles l'AGR [FERBER et al., 2009] et CRIO [GAUD et al.,
2008], la structure d‘un groupe d‘agents dans le modèle CAOM peut être défini par un
quadruplet : Gi = (Ai, Si, Ii, T), où :
- Ai est l‘ensemble des agents appartenant au groupe Gi;
- Si est l'ensemble des services des agents ;
- Ii est l'ensemble des interactions entre les agents ;
- T représente la simulation du temps à identifier l'échelle de temps (court terme, moyen
terme, à long terme) comme défini dans le CROM.
Le passage d‘un modèle CROM à un modèle CAOM repose sur une agentification
effectuée à partir des rôles des acteurs définis dans le modèle CROM. Les rôles d‘acteurs du
modèle CROM peuvent être combinés en caractérisant un ou plusieurs agents, selon le type de
comportement qui devrait être étudiée « simple » ou « intelligents ».
Le Tableau 3.4 résume les différents critères utilisés pour décider de l‘agentification à
partir des rôles d‘acteurs définis dans le modèle CAOM. Par exemple, dans le modèle Agent-
Acteur "mécanique" les rôles sont décrits avec des agents réactifs, (mis en œuvre dans JADE
[RIMASSA et al., 1999], tandis que le rôle des comportements complexes est édicté par
l'agent délibératifs (plate-forme JASON [BORDINI et HÜBNER, 2006] [BORDINI et al.,
99
2005] [VIEIRA et al., 2007]. Dans le cas de l‘architecture CRIO (agent/holon) le choix est
fait de soutenir le modèle CAOM, puis les rôles peuvent être décrits avec l'agent hybride.
CROM CAOM
Agent Comportement (Critères de traduction)
Agent Réactive Si le comportement simple est requis, un type de comportement stimulus-
réponse est suffisant. Ceci peut être décrit plus tard avec un diagramme
<AR>
Rôles de l’acteur
d'état UML. (Par exemple une machine de production)

Si la prise de décision et de négociation sont nécessaires, il faudra alors les
Agent délibérative
capacités d'un agent de délibération à percevoir son environnement et le
<AD> comportement des autres agents. Exemple: directeur de production
(Exemple CROM)
Les comportements réactifs et les comportements délibératifs sont
Agent hybride
nécessaires. Par exemple, une machine "intelligente" capable de coopérer
<AH> avec d'autres machines quand des les événements perturbateurs se
produisent.
Tableau 3.4 : Acteurs à des Agents
La deuxième tâche de ce passage du modèle CROM au modèle CAOM concerne la

transformation de la relation entre les acteurs CROM. Ainsi, les relations CROM sont
transposées dans un monde d‘agents tout en conservant leur classification (cf. Tableau 3.4).
La Figure 3.18 montre un exemple d'un diagramme de séquence UML utilisé pour
modéliser la communication entre les agents au cours de la réalisation d'une stratégie de
résolution de rupture de coopération.
Au début, Compagnie 1 envoi une demande de coopération à compagnie 2 et Compagnie
3 (par exemple envoi de la date limite de réception ou de livraison de la tâche après utilisation
des stocks) qui reçois la demande de coopération (Figure 3.18 (1)).
Il y a ensuite proposition de solutions issues du processus de coopération. Puis réception
de(s) proposition(s) de solution(s). Si la réception du message « Permutation impossible avec
la tâche », alors suppression de la solution correspondante à la liste des tâches proposées. S‘il
y a un manque de temps alors on envoi le message « Arrêt des calculs». Si on réceptionne le
message « Fin des calculs» alors entrée en phase de décision. (Figure 3.18 (2)).
Cette phase de décision consiste en une sélection d‘une solution de la liste des solutions
potentielles. L‘envoi du message « Permutation confirmé avec la tâche » à l‘unité de
résolution retenue.
100
(1)
(2)
(3)
Figure 3.18 : Modélisation de communication
Enfin, si on réceptionne le message « Permutation confirmée avec la tâche », alors si

toujours valide, on envoie un message de « Confirmation de coopération avec la tâche »,
sinon on envoie un message de « Coopération impossible». (Figure 3.18 (3)).
4.2.3 Illustration : modèle CAOM d'une chaîne logistique

Nous reprenons la modélisation de la chaîne logistique simple que nous avons déjà utilisé
pour illustrés les modèles CROM. La figure suivante (Figure 3.19) illustre un modèle CAOM
dérivé du modèle CROM élaboré précédemment. Ce modèle CROM décrit la structure
organisationnelle de la chaîne logistique considérée selon une approche agents.
101
Figure 3.19 : Illustration du modèle CAOM dans le cas de chaîne logistique
La structure est divisée en 3 niveaux. Chaque niveau se compose d'une ou plusieurs

groupes (structurale ou dynamique) des agents. Dans le premier niveau, Compagnie 1,
Compagnie 2 et Compagnie 3 sont trois compagnies agents liés par une interaction
(complexes); chacune de ces compagnies est représenter par un groupe d'agents qui jouent un
rôle à différents niveaux hiérarchiques. Figure 3.19, donne une représentation graphique
description d'un modèle CAOM avec des agents réactifs et délibératifs.
En outre, un processus VMI (Vendor Management Inventory) est décrit, parce que le
comportement de Compagnie 3 est limitées, il est représenté par un agent réactif, il utilise
102
Compagnie 2 en tant que ressource de camion en cas de besoin. L'interaction physique
spécifie la circulation de l'information à l'usage agent pour accomplir leurs objectifs.
La section suivante développe plus en détail la modélisation opérationnelle du cadre
méthodologique proposé, en présentant les modèles concernés, leur articulation et processus
d‘élaboration, avec une illustration concrète sur une chaîne logistique.
5. Modélisation opérationnelle d’une chaîne logistique

Rappelons tout d‘abord que la problématique générale de cette étape de modélisation
opérationnelle est de traduire le modèle conceptuel orienté agent obtenue à l‘issue de la
modélisation conceptuelle dans un modèle orienté agents opératoire. Il s‘agit pour
l‘informaticien d‘opérationnaliser le modèle conceptuel agent CAOM, pour lequel chaque
agent devra être spécifié et implémenté selon les contraintes liées à l‘environnement de
développement.
Contrairement aux modèles du la modélisation conceptuelle (CROM et CAOM) qui
étaient unifiés, un seul diagramme ne sera pas suffisant pour couvrir toutes les spécifications
attendues à ce niveau opérationnel. La vue structurelle de cette modélisation opérationnelle
sera couverte par un diagramme ou modèle nommé OPAM (OPAM – OPerational Agent
Model), directement dérivé du modèle CAOM. Pour la vue dynamique, se rajouteront d‘autres
diagrammes complémentaires, notamment des diagrammes d‘états et des diagrammes de
séquences (UML/AUML), pour spécifier les comportements des agents et leurs interactions.
Dans cette section nous présentons tout d‘abord le modèle associé à la vue structurelle de
cette modélisation opérationnelle, le modèle OPAM, avec ses concepts et son méta-modèle,
définissant un environnement d‘agents réactifs et un environnement d‘agents délibératifs,
ainsi que la démarche retenue pour passer d‘un modèle CAOM à un modèle OPAM. Ensuite
nous montrons comment sur la vue dynamique de cette modélisation opérationnelle, les
comportements d‘agents et les interactions entre agents sont spécifiés, en utilisant notamment
des diagrammes d‘états ou de séquences. Enfin, nous présentons un exemple illustratif
d‘élaboration d‘une modélisation opérationnelle pour une chaîne logistique simple.
5.1 Vue structurelle : modèle opérationnel agent (OPAM)

La modélisation opérationnelle spécifie une solution d‘implémentation du modèle conceptuel
agent (CAOM). Cette étape conduit à l‘élaboration d‘un modèle OPAM impliquant
notamment des choix d‘architectures d‘agents.
103
Figure 3.20 : Méta-modèle OPAM
Les concepts du modèle OPAM sont formalisés dans le méta-modèle (diagramme de

classe UML) présenté à la Figure 3.20. Ce méta-modèle est composé de deux environnements
d‘agents : environnement réactifs et environnement délibératifs (ou cognitifs). Ces
environnements contiennent un ou plusieurs agents (réactifs ou délibératifs). Pour chaque
agent il y des comportements qui peuvent défini par un diagramme « statchart ». Il existe
aussi une interaction entre les agents dans chaque environnement.
Pour la représentation des agents et de leurs comportements au niveau opérationnel, nous
différencierons les agents, cette différentiation étant par les observables. On distinguera ainsi
deux environnements d‘agents : un environnement d’agents réactifs et un environnement
d’agents délibératifs (cognitifs).
Les agents délibératifs : ces agents présents dans l'environnement délibératif agissent de
manière autonome pour l‘atteinte de leurs objectifs. Ils disposent d‘une représentation
explicite de l‘environnement et possèdent des capacités de raisonnement. Ils peuvent jouer
plusieurs rôles au sein du système multi-agents, par la mise en œuvre de multiples plans.
Les agents réactifs : ces agents présents dans l'environnement réactif agissent en réponse
aux stimuli de l‘environnement.
Afin de décrire les liens existants entre les deux environnements d‘agents, nous proposons
une architecture d‘agent définie en tant que composition d‘agents en interactions, agents de
nature cognitive et agents de nature réactive. Les agents délibératifs adoptent des
comportements complexes et les agents réactifs adoptent les comportements simples.
104
5.2 Vue dynamique : comportements et interactions
Comme nous l‘avons déjà dit, un seul diagramme, le modèle OPAM n‘est pas suffisant pour
couvrir toutes les spécifications attendues à ce niveau opérationnel, notamment les
comportements d‘agents et les interactions entre agents, associés à la vue dynamique de la
modélisation opérationnelle.
5.2.1 Spécification des comportements d’agents

La modélisation opérationnelle nécessite la description détaillée des comportements d‘agents
ainsi que le contenu de leurs interactions. Le choix d‘architecture d‘agent ayant été effectué
au niveau conceptuel, il s‘agit de spécifier comment (i.e. quels plans) leur permettent
d‘assurer les rôles et services.
Chaque agent conceptuel est représenté par un modèle d‘agent composé d‘une de deux
architectures logicielles d‘agents : architecture cognitive et réactive. Cette distinction, au
niveau des architectures logicielles d‘agents, nous amène à considérer deux plateformes
d‘agents. Chaque plateforme regroupe les agents de même type qui disposent
d‘environnements de simulation spécifiques.
La conception du modèle opérationnel agent permet de définir les modèles d‘agents
impliqués dans le système multi-agents. Cette étape de modélisation intègre la phase de
spécification des agents et s‘appuie pour cela sur des formalismes de représentation adaptés. Il
s‘agit de représenter les comportements des agents, pour cela nous retenons l‘utilisation de
deux formalismes de spécification de comportements. Les comportements des agents réactifs
et délibératifs sont spécifiés à l‘aide du langage de modélisation AUML (Agent Unified
Modeling Language) [ODELL et al., 2001].
Les interactions entre agents délibératifs et agents réactifs se formalisent par l‘envoi et la
réception de messages, plusieurs types de message sont présentés dans le tableau ci-dessus
(Tableau 3.5). La représentation des actions de communication s‘appuie sur les diagrammes
de séquences issus du langage de modélisation AUML pour la visualisation du type de
messages échangés et leur contenu.
Le langage de modélisation Agent-UML (AUML - Agent Unified Modelling Language)
est utilisé pour la conception de systèmes multi-agents [ODELL et al., 2000]. Basé sur le
langage UML utilisé pour les développements des différents composants de systèmes selon
l‘approche objets, AUML propose un langage de modélisation orienté agents. AUML
capitalise les travaux d‘UML en intégrant les différences qui existent entre les agents et les
105
objets. Par rapport aux objets, les agents disposent d‘un ensemble de propriétés
caractéristiques leur permettant notamment de réaliser des actions pour l‘atteinte de leurs buts
(exemple : l‘autonomie). Ces différences mettent en avant l‘insuffisance d‘UML pour
modéliser les agents et les systèmes multi-agents. A titre d‘exemple, AUML remplace la
notion de méthode par celle de service et la notion de classe par celle de but.
Nom - Type Description

Demande groupe d‘agent Message utilisé par les agents qui veulent remettre à jour leur connaissance sur
les groupes.
Réponse groupe d‘agents Message utilisé par un agent pour signaler la liste des groupes que cet agent
peut contacter.
Connaître l‘agent Message qui permet de connaître les agents qui sont dans le même groupe ou
dans les autres groupes (Message entre les agents dans les groupes)
Conflit Message qui permet de résoudre un conflit (entre les agents)
Répondre « Informer» Message qui permet à un agent de répondre à la requête, il fournit son
identifiant, son rôle et son groupe.
Requête Demande d‘un agent à un autre agent d‘exécuter un plan.
Demande d‘informer Requête d‘un agent à un autre agent. L‘agent à l‘initiative de la communication
à besoin d‘une information à un autre agent,
Information Échange d‘informations
Négociation Communication entre les agents, il fournit aussi l‘identifiant, le rôle et le groupe
Coopération Communication entre les agents pour finaliser une tâche.
Tableau 3.5 : Type de message
Les diagrammes proposés dans AUML concernent essentiellement la modélisation des

agents (diagrammes de classes), la représentation de leurs comportements (diagrammes
d‘états) et sur les protocoles d‘interaction (diagrammes de séquences). Les diagrammes de
classes sont utilisés pour représenter les entités du système réel (agents, objets) ainsi que leurs
relations. Les diagrammes d‘états sont utilisés pour représenter la dynamique du système réel
en décrivant les états et les actions des agents. Les diagrammes de séquences sont utilisés
pour représenter les échanges de messages entre les agents.
Nous retenons l‘utilisation des diagrammes d‘états pour représenter les comportements
des agents réactifs et délibératifs. Les diagrammes d‘états servent à représenter des automates
à états finis sous forme de graphes d'état, reliés par des arcs orientés qui décrivent les
transitions. Les états permettent de décrire les différentes actions réalisées par un agent réactif
et un agent délibératif en réponse aux stimuli de l‘environnement. Une transition représente le
passage d'un état vers un autre.
106
Une transition est déclenchée par l'arrivée d'un événement. La Figure 3.21 propose sur un
exemple, la représentation du comportement d‘un agent réactif pour la réalisation d‘une
activité de livraison de produits suite à la réception d‘un ordre. Lorsqu‘une commande ne peut
être complétée, elle est retardée et placée en attente. Chaque réception de produits conduit
l‘évaluation des commandes en souffrance afin d‘identifier si les ordres retardés peuvent être
complétés.
Figure 3.21 : Exemple de diagramme d‘états
Ce type de diagramme représente de manière dynamique les actions réalisées par un agent
réactif et un agent délibératif. Les diagrammes d‘état offrent un formalisme pour décrire le
comportement des agents réactifs et des agents délibératifs. Chaque état concerne une action
réalisée par l‘agent. La transition est associée à un événement issu de l‘environnement ou bien
résultant d‘une action de l‘agent. Les stimuli représentent les interactions avec d'autres agents
(réactifs et/ou délibératifs) ou des objets situés dans le système multi-agents.
Au sein du Modèle Opérationnel Agent, les agents communiquent par échanges de
messages. Nous retenons les diagrammes de séquence pour représenter les échanges de
messages. Ce type de représentation permet de visualiser le type de messages échangés, leur
contenu, ainsi que le processus d‘activités qu‘ils déclenchent. La bande d‘activation
représente les périodes d'activité des agents. Les flèches représentent les messages échangés
entre les agents. La Figure 3.22 illustre un exemple d‘échange de messages entre deux agents,
source [Odell et al., 2000].
107
Figure 3.22 : Exemple de diagramme de séquences
5.2.2 Spécification des interactions entre agents

Au sein du Modèle Opérationnel Agent les interactions entre les agents cognitifs et les agents
réactifs se formalisent par l‘envoi et la réception de messages. Les interactions entre agents
peuvent se décliner selon trois possibilités : (i) les interactions entre agents délibératifs, (ii) les
interactions entre agents délibératifs et agents réactifs, définis en fonction des liens de
responsabilité, et (iii) les interactions entre agents réactifs.
Dans le cas des interactions entre agents délibératifs, agents réactifs et agents
délibératifs/réactifs, les diagrammes de séquences AUML sont utilisés pour modéliser les
communications. Il s‘agit de représenter les messages échangés en spécifiant une partie des
champs des messages. L‘exemple suivant montre les communications entres les différents
agents (Figure 3.23).
108
Figure 3.23 : Echanges de messages entre agents délibératifs et agents réactifs.
5.3 Illustration : modélisation opérationnelle d'une chaîne

logistique
Comme nous l‘avons déjà vu, contrairement à la modélisation conceptuelle, la modélisation
opérationnelle reposera sur plusieurs diagrammes associés soit à la vue structurelle, soit à la
vue dynamique de cette modélisation. Pour la vue structurelle le modèle OPAM sera dérivé
du modèle CAOM de la modélisation conceptuelle. Pour la vue dynamique, divers
diagrammes de séquences et d‘états permettront de spécifier les comportements des agents du
modèle OPAM, ainsi que leurs interactions.
Nous reprenons la modélisation de la chaîne logistique simple que nous avons déjà utilisé
pour illustrés les modèles CROM et CAOM de la modélisation conceptuelle.
109
5.3.1 Vue structurelle : modèle OPAM de la chaîne
Pour l‘élaboration du modèle OPAM de notre chaîne logistique simple, la structure du modèle
de classes du modèle CAOM est divisée en deux partitions, une pour les agents délibératifs et
l‘autre pour les agents réactifs.
Figure 3.24 : Illustration du modèle OPAM dans le cas de chaîne logistique
Comme l‘illustre la Figure 3.24, dans l‘environnement d‘agents délibératifs, nous plaçons
l‘Agent Compagnie 1 et l‘Agent Directeur de production, et ces deux agents sont reliés par
une interaction de type message. L‘agent Compagnie 2 est considéré comme un agent hybride
parce qu‘il joue deux rôles différents, un rôle délibératif dans l‘environnement délibératif et
un rôle réactif dans l‘environnement réactif.
5.3.2 Vue dynamique : comportements et interactions

A titre illustratif, voici la spécification d‘un comportement d‘agent et d‘une interaction entre
les agents spécifiés par des diagrammes d‘états et de séquence.
110
Figure 3.25 : Spécification des comportements et interaction entre les agents
Ce diagramme montre l‘échange des messages entre les différents types d‘agents (réactifs
et cognitifs). Le but de cet exemple est de fabriqué un produit, tout d'abord l‘Agent
Compagnie 1 il envoi une commande à l‘Agent Directeur de Production pour fabriqué ce
produit. Ce dernier s‘occupe à exécuter et envoyé cet ordre vers les Agents Machines pour
fabriquer les produits. Ensuite, le produit fini sont livrés vers le stock qu‘ils soient disponibles
pour l‘étape suivante (assemblage, transporteur..).
6. Conclusion
Modéliser des systèmes complexes nécessite la définition de nombreuses hypothèses
simplificatrices. Le problème de modélisation se trouve reformulé, puisqu‘il ne s‘agit pas de
construire un modèle multi-agent ex-nihilo d‘un système réel, nécessitant par exemple de
passer par une phase d‘expression des besoins très générale. Comme toute organisation
humaine, la solution d‘associer un agent à une entité de la chaîne logistique s‘impose assez
vite, ne serait-ce que pour des raisons de compréhension ou d‘interprétation par l‘expert de
domaine ne disposant pas de compétences en ingénierie multi-agents. La proposition d‘un
111
cadre méthodologique s‘intéresse à la définition des étapes de conception nécessaires à
l‘élaboration de modèles multi-agents, tant au niveau conceptuel qu‘au niveau opérationnel.
La Modélisation Conceptuelle de chaînes logistiques offre une représentation du modèle
de domaine. Cette modélisation repose sur plusieurs modèles, Modèle Organisationnel
Conceptuel Rôle et Modèle Organisationnel Conceptuel Agent ; Le modèle conceptuel offre
une représentation des éléments du Modèle Structurel et de leurs comportements définis dans
le Modèle Dynamique.
La Modélisation Opérationnelle Agent propose une représentation détaillée du Modèle
Organisationnel Conceptuel Agent. Pour la représentation des agents et de leurs
comportements au niveau opérationnel, nous proposons une approche de modélisation
permettant de différencier les agents, ce type de modélisation est dirigées par l‘observables.
Cette approche de modélisation est composée de deux environnements d‘agents : un
environnement d‘agents réactifs et un environnement d‘agents délibératifs.
Afin de décrire les liens existants entre les deux environnements d‘agents, nous
proposons, dans le chapitre suivant les environnements de développement pour les différents
types d‘agents, et une architecture d‘agent définie en tant que composition d‘agents en
interactions, agents de nature cognitive et agents de nature réactive. Les agents délibératifs
adoptent des comportements complexes et les agents réactifs adoptent les comportements
simples.
112
CHAPITRE 4 : UNE ARCHITECTURE LOGICIELLE
POUR LA MODELISATION ET LA SIMULATION
ORGANISATIONNELLE DE CHAÎNE
LOGISTIQUE
PLAN DU CHAPITRE
1. Introduction ................................................................................................................. 114
2. Besoins à satisfaire par une architecture logicielle pour la simulation

organisationnelle d’une chaine logistique .......................................................................... 115
2.1 Besoins « métiers » ................................................................................................ 115
2.2 Besoins liés à la simulation .................................................................................... 116
2.3 Besoins méthodologiques ....................................................................................... 116
3. Différentes approches logicielles possibles ................................................................ 117

3.1 Approche basée sur un environnement de simulation unique ................................ 119
3.2 Approche basée sur l‘intégration de simulateurs existants .................................... 120
3.3 Approche retenue ................................................................................................... 124
4. Une architecture logicielle pour la simulation orientée organisation de chaînes

logistiques .............................................................................................................................. 125
4.1 Principes généraux ................................................................................................. 126
4.2 Choix techniques d‘implémentation....................................................................... 132
4.2.1 La plateforme JASON ........................................................................................ 133
4.2.2 La plateforme JADE........................................................................................... 135
4.3 Les agents du médiateur ......................................................................................... 139
4.4 Production et gestion d‘indicateurs ........................................................................ 141
5. Illustration du fonctionnement de l’architecture dans le cas d'une Chaîne

Logistique .............................................................................................................................. 145
5.1 Modèle OPAM considéré et son implémentation .................................................. 146
5.2 Illustration du fonctionnement de l‘architecture de simulation ............................. 148
6. Conclusion .................................................................................................................... 153
113
Chapitre 4 : Une architecture logicielle pour la modélisation et la simulation
organisationnelle de chaînes logistique
1. Introduction
L‘objectif de ce chapitre est de présenter la solution logicielle retenue pour accompagner le
processus de conception et de production de simulations de chaînes logistiques orientées
organisation et basées sur une modélisation multi-agents. Il s‘agit de proposer une architecture
logicielle qui facilite la production de ces simulations en intégrant les besoins fonctionnels et
logiciels liés à la simulation de chaînes logistiques.
Les différentes étapes du cadre méthodologique présentées dans le chapitre précédent,
aboutissent à une modélisation opérationnelle cristallisée par le modèle OPAM et caractérisée
par :
- L‘affinement de l’organisation multi-agents : décomposée en deux sociétés distinctes
mais en interaction : l‘une dite cognitive (ou délibérative) simulant des processus
décisionnels, et l‘autre dite réactive, simulant des processus simple ou fortement
automatisés.
- La spécification des comportements des agents : dans des langages adaptés à la
granularité des agents, il s‘agit de décrire comment l‘agent doit se comporter au cours
de la simulation sans préjuger de la manière dont ils seront effectivement mis en
œuvre (langage de programmation, langage de simulation, environnement, etc.).
- La spécification des interactions entre agents : desquelles résulte la dynamique de la
simulation. Ces interactions présenteront des problématiques de mise en œuvre
différentes selon que sont impliqués des agents d‘une même société ou de deux
sociétés différentes (réactive et cognitive).
Le modèle OPAM représente ainsi un premier niveau de solution d‘implémentation du
modèle conceptuel (CAOM). Il s‘agit maintenant de le mettre en œuvre avec une architecture
logicielle adaptée.
Dans ce chapitre nous présentons tout d‘abord les besoins de différentes natures auxquels
doit répondre une telle architecture. Puis nous présentons différentes approches logicielles
possibles, et argumentons l‘approche « intégrative » que nous avons retenue. Ensuite nous
présentons en détail l‘architecture logicielle que nous proposons pour la simulation
organisationnelle de chaines logistiques. Enfin, avant de conclure, nous illustrons le
fonctionnement de cette architecture sur un exemple de simulation d‘une chaine logistique
très simple.
114
2. Besoins à satisfaire par une architecture logicielle pour

la simulation organisationnelle d’une chaine logistique
Un environnement de simulation a pour objectif à la fois de faciliter la manipulation de
modèles de simulation et de contrôler leur exécution en vue d‘exploiter leurs résultats. Afin
d‘accompagner le processus de conception de simulation orientée organisation de chaînes
logistiques, présenté dans le chapitre précédent, différents besoins doivent être traités, aussi
bien en terme conceptuel que logiciel. Ces besoins peuvent être résumés en trois grandes
catégories :
- Besoins « métiers » liés au domaine d’étude (et des pratiques liées) i.e. des chaînes
logistiques :
o Gestion (conception, exécution) de modèles exprimés dans des langages de
modélisation variés (modèles de simulation « hérités », etc.).
o Intégration logicielle et sémantique de ces modèles.
- Besoins liés à l’objectif de simulation :
o Gestion du temps.
- Besoins résultants du cadre méthodologique proposé :
o Production des observables.
o Gestion des groupes.
Ces différents besoins adressent ainsi à des niveaux d‘abstraction différents, et concourent
à la mise en œuvre opérationnelle de modèles (i.e. jusqu‘à leur exécution) produits à l‘aide du
cadre méthodologique. Les sous-sections suivantes développent ces besoins et présentent
quelques travaux pouvant y répondre.
2.1 Besoins « métiers »

Comme évoqué en section précédente, le système complexe que constitue une chaîne
logistique impose de tenir compte de nombreuses contraintes. Il s‘agit de pouvoir modéliser et
simuler un système selon différents niveau d‘analyse en fonction des fonctions de la chaîne
logistique (au sens métier, i.e. production, logistique, stock, etc.), ainsi que leur niveau de
mise en œuvre (décisionnel, opérationnel). De fait, la nature des processus, des calculs ou
processus décisionnels mis en œuvre impose une grande variabilité de modalité de
représentation des comportements des entités de la chaîne logistique. Ceci se traduit par des
modèles exprimés dans des langages de modélisation adaptés, qu‘il faut pouvoir alors intégrer
115
c'est-à-dire rendre ou maintenir compatibles à un niveau conceptuel et opérationnel. Le
paradigme multi-agent nous paraît le permettre.
Ce besoin issu d‘une analyse a priori du système peut également, de manière plus
pragmatique, résulter d‘investissements en termes d‘effort d‘analyse et de modélisation
antérieurs. Ainsi, des modèles « hérités » (issus de legacy systems) peuvent avoir été produits
et présenter un intérêt dans une expérience particulière de simulation [CHATFIELD et al.,
2007]. Ces modèles peuvent avoir été développés dans des langages de modélisation et/ou de
programmation différents (par exemple avec AnyLogic3, Arena4, etc.). Cette approche
d‘intégration de logiciel « prêt à l‘emploi » (ou COTS – Components Off The Shelves ou
encore (CSPs - Commercial-Off-The-Shelf Simulation Packages), présente des difficultés
spécifiques [BOER et al., 2008] [TAYLOR et al. 2009]. La simulation finale devant exploiter
l‘ensemble des modèles disponibles et assurer une bonne interaction entre ces modèles.
Si l‘intégration conceptuelle de ces modèles a pu être gérée dans les étapes de
modélisation précédente, il reste à maintenir cette intégration au niveau logiciel, ainsi qu‘à
gérer l‘éventuelle interopérabilité entre les systèmes logiciels dans lesquels évoluent ces
modèles (partage de données, redirection d‘évènements, etc.).
2.2 Besoins liés à la simulation

La nature distribuée de la simulation de chaîne logistique, ainsi que la prise en compte du
besoin précédent, conduit à répartir la charge de simulation sur plusieurs simulateurs. Dés lors
que le mot « simulation » est posé, la question du temps devient incontournable et s‘impose
au sein et entre les simulateurs. Il faut alors pouvoir synchroniser les simulateurs pour éviter
un comportement incohérent de la simulation dans sa globalité et donc des résultats de
simulations erronés [FUJIMOTO, 2000].
Ce problème n‘est pas spécifique à la simulation de chaînes logistiques et a déjà été posé.
Différentes solutions existent notamment en termes d‘algorithme de synchronisation,
d‘architecture logicielle.
2.3 Besoins méthodologiques

Aux besoins métiers de la chaîne logistique et de simulation, s‘ajoutent ceux directement liés
aux propositions conceptuelles du cadre méthodologique présenté dans le chapitre précédent.
Ces besoins nouveaux peuvent se résumer à la gestion des groupes et des observables.
3
http://www.xjtek.com
4
http://www.arenasimulation.com
116
La gestion des groupes pose problème à différent niveaux en fonction du contexte de
simulation. L‘architecture de simulation doit ainsi proposer des primitives de gestion de
groupe (création, demande d‘entrée dans un groupe, gestion des rôles dans un groupe,
communication intergroupe, etc.) dans un contexte d‘hétérogénéité logicielle. Si des
propositions ont déjà été faites au sein d‘environnement « totalement » multi-agent (exemple,
MadKit [GUTKNECHT et FERBER, 2000]), la question de la conservation de l‘identité de
groupe, tel que définis et maintenus dans les modèles CROM, CAOM puis OPAM, dans des
environnements logiciels non agent est plus délicate. A moins de prévoir, et modifier
fortement, les modèles de simulation antérieurs, il faut pouvoir assurer cette identité de
groupe à l‘extérieur des environnements de simulation. Ce point peut également être
important pour le respect du besoin de la production d‘observables.
La production d‘observables, simples ou agrégés, identifiés et définis dans les étapes
précédentes du cadre méthodologique, constitue un enjeu important au niveau architectural,
notamment lorsque plusieurs environnements logiciels sont concernés. Cette production
d‘information peut avoir un impact sur la performance de la simulation : une approche naïve
pourrait par exemple ne pas tenir compte du coût de transport de message au sein et entre les
simulateurs et augmenter la charge de simulation. D‘un point de vue architectural, il faut alors
trouver une solution assurant la cohérence et la validité des données produites et ce à un coût
(en terme de temps d‘exécution) raisonnable.
Ayant identifié les différents besoins que doit remplir un simulateur capable
d‘accompagner le processus de conception de simulation proposé dans le cadre
méthodologiques, nous étudierons dans les sections suivantes les solutions existantes pouvant
répondre en tout ou partie à ces besoins.
3. Différentes approches logicielles possibles

Cette recherche se développant au sein du laboratoire LSIS, il nous apparaît légitime de
rappeler les travaux développés notamment dans le cadre de la thèse d‘Olivier Labarthe
[LABARTHE, 2006]. Ces travaux ont déjà été présentés dans le chapitre deux d‘état de l‘art
(section 6.3). L‘architecture logicielle de la plateforme de simulation de chaîne logistique
proposée dans ces travaux est caractérisée par :
117
- Une société d‘agents (type BDI) développée avec MAJORCA5 [TRANVOUEZ, 2001]
pour l‘exécution des agents cognitifs, auxquels s‘ajoutent des agents de services
(gestion d‘annuaire, etc.).
- Anylogic pour la simulation de la société réactive : chaque agent (réactif) est en fait un
modèle orienté objet (Active Object) d‘Anylogic.
- Un Agent Events Scheduler assurant l‘interopérabilité entre les deux sociétés
consistant à traduire des messages ACL (entre les agents cognitifs) en événements
(associé à un objet message contenant les informations utiles) renvoyés aux Active
Objects correspondants.
- une base de données : pour la gestion des scénarii et des résultats de simulation.
Cette architecture logicielle est en accord avec le cadre méthodologique proposé dans
[LABARTHE, 2006], cadre considérant une chaîne logistique comme étant composée d‘une
partie décisionnelle et d‘une partie physique. La partie décisionnelle décrivant des
comportements des niveaux supérieurs de la hiérarchie, alors que la partie physique décrit la
partie exécutive de la chaîne logistique (les machines de production, les véhicules de
transports, etc.). De fait, la simulation repose sur deux niveaux hiérarchiques avec des
échanges de messages relativement homogène ; des ordres venant de la partie décisionnelle et
des informations de la partie physique. Cette homogénéité se traduit par un mécanisme
d‘intégration relativement simple en ce qu‘il consiste à relayer les messages en les traduisant
en événement dans la partie « physique » et en faits (Jess) dans la partie décisionnelle.
Dans notre recherche, comme l‘a montré le chapitre précédent, si un agent « décisionnel »
au sens de ces travaux précédents ne présentait pas d‘intérêt pour la simulation, il se trouverait
simulé sous la forme d‘un agent simple, réactif, et ainsi se retrouverait dans ce qui était la
partie physique du système antérieur. La modélisation organisationnelle, par la génération
d‘observables, pose alors la question du maintien de l‘ « identité » du groupe ainsi réparti sur,
par exemple, deux environnements différents. Cette identité implique la possibilité de
récupérer des informations, ainsi que relayer des messages de natures différentes selon le lien
d‘interaction et le type d‘agents considérés. A cette difficulté s‘ajoute également, les
contraintes temporelles propres à chaque environnement de simulation. Il s‘agit de garantir la
synchronisation des agents où qu‘ils se trouvent.
Ainsi, la spécificité de notre cadre méthodologique, apporte de nouveaux besoins non
couverts par l‘architecture proposée dans [LABARTHE, 2006], rendant nécessaire une
5
Consistant en une instanciation du moteur d‘inférence Jess (http://www.jessrules.com/), d‘un module de
communication et d‘un gestionnaire de plan.
118
nouvelle réflexion sur les choix architecturaux. Au vu des besoins de différentes natures
identifiés dans la section précédente, l‘exécution des modèles de simulations OPAM peut être
réalisée de trois façons différentes :
- Traduire les modèles dans un seul environnement de simulation.
- Disposer ou définir d‘un environnement générique et ouvert à d‘autres langages et
modèles de simulation (i.e. moteur de simulation générique).
- Proposer une architecture d‘intégration.
Les deux premières façons reviennent à retenir un seul environnement de simulation, alors
que la troisième réutilise des modèles de simulation exécutés sur des simulateurs pouvant être
différents et pose le problème de leur intégration. Nous étudions dans les sections suivantes
chacune de ces deux approches basées, soit sur un environnement de simulation unique, soit
sur l‘intégration de simulateurs existants.
3.1 Approche basée sur un environnement de simulation unique

Comme nous venons de le voir une première approche de l‘exécution des modèles de
simulations OPAM peut être faite soit en traduisant les modèles dans un seul environnement
de simulation, soit en disposant ou définissant un environnement générique et ouvert à
d‘autres langages et modèles de simulation (moteur de simulation générique). La différence
entre ces deux options se situant au niveau du degré de généricité de la solution logiciel.
Dans les deux cas, il faut choisir un environnement de simulation avec un langage de
simulation ouvert permettant de représenter les différents types de comportement : c'est-à-dire
à la fois des comportements simples (représentable par des machines à état ou autres
diagrammes équivalent) et des comportements plus complexes, manipulant des connaissances
et relevant davantage de l‘intelligence artificielle (IA), et ainsi plus éloignées de la
« simulation » classique. Ces derniers comportements, s‘appuyant sur des protocoles de
coordination potentiellement complexes, doivent également tenir compte des besoins
organisationnels issus de la partie méthodologique de notre contribution. Ainsi,
[CHATFIELD et al., 2007], proposent un environnement de simulation de chaînes logistiques,
basé sur une description « à plat » de la hiérarchie et l‘identification des interactions entre les
acteurs de la chaîne. La modélisation consiste à associer aux acteurs des comportements
représentés (et implémentés) sous la forme d‘une librairie de classes Objet (Java). On retrouve
les limites mentionnées concernant la prise en compte de l‘organisation et de représentation
de connaissances.
119
Il existe de nombreux paradigmes de modélisation pour la simulation (orienté objet,
événements discrets, individu centré, etc.), ainsi que de langages et d‘environnements
logiciels de simulation (Anylogic6, Arena7, NetLogo8) la plupart commercialisés. Il n‘existe
pas vraiment de langage standard de simulation à l‘image de ce qu‘à pu constituer UML pour
la modélisation Objet. Certains de ces environnements supportent différents langages de
simulation. Lorsque plusieurs langages de modélisation sont proposés, et si tant est qu‘ils
conviennent au besoin de modélisation (ce qui n‘est pas le cas d‘ores et déjà pour la
dimension IA de notre simulation), il faudrait alors traduire les modèles déjà produits
(lorsqu‘ils existent) dans des modèles sans doute équivalent mais requérant tout de même une
charge de travail supplémentaire, avec le risque potentiel, d‘ajouter des biais de modélisation.
A l‘inverse, l‘existence de modules de modélisation déjà disponibles, permettant
d‘importer, de réutiliser des modèles prédéfinis pourrait constituer une alternative. La
stratégie commerciale des éditeurs semble aller en l‘encontre d‘une recherche de
compatibilité, même lorsque des approches type HLA (cf. ci après) pourraient le proposer
[BOER et al., 2008]. De même, la particularité de devoir gérer des comportements « IA » ne
correspond pas ou peu avec la démarche des simulateurs existants.
Il parait ainsi difficile de pouvoir disposer d‘une solution « prête à l‘emploi ». La seconde
approche, basée sur l‘intégration de simulateurs existants, apparaît comme une solution de
compromis réaliste, réduisant l‘investissement architectural à la définition d‘une infrastructure
logicielle d‘intégration.
3.2 Approche basée sur l’intégration de simulateurs existants

Afin de mieux cerner les enjeux conceptuels et techniques, nous revenons sur la solution
retenue dans d‘autres travaux déjà réalisés du LSIS notamment dans le cadre de la thèse de J.
Serment [SERMENT, 2007].
L‘objectif de cette thèse était d‘intégrer différent systèmes logiciels concourant à la
conception d‘un Système d‘Aide à la Décision Environnemental. Dans le cadre de ce travail,
la simulation impliquait différents modèles de simulation exécutée par des simulateurs
différents, mais également d‘autres systèmes logiciels, notamment un SIG. L‘intégration y est
assurée principalement par invocation de service pour gérer l‘interopérabilité entre, par
exemple, un module de simulation et un module de visualisation. Cette solution d‘intégration,
6
http://www.xjtek.com
7
http://www.arenasimulation.com
8
http://ccl.northwestern.edu/netlogo/
120
supportée par un SMA et qui s‘inspire sur l‘architecture HLA (High Level Architecture),
apparaît intéressante dans notre contexte de simulation organisationnelle de chaînes
logistiques.
Rappelons que l‘architecture HLA constitue un standard reconnu IEEE 1516 [IEEE,
2000], plus particulièrement dédié à la construction de simulations suffisamment complexes
pour recourir à plusieurs simulateurs (simulation distribuée). Chaque simulateur produit des
données éventuellement exploitées en retour par d‘autres simulateurs : la distribution du
contrôle et des données est alors incontournable et se confronte alors au besoin de
synchronisation des simulateurs garantissant la validité des résultats de simulation.
Développée à l‘initiative et sous le contrôle de l'Office pour la Modélisation et la
Simulation de la Défense américaine (DMSO), HLA constitue une réponse à des besoins réels
rencontrés par cet office dans la constitution de simulations complexes mêlant micro et macro
simulation, avec des degrés divers de dépendance entre les simulateurs (relation
fournisseur/client de données, respect de la temporalité ou causalité des évènements). Cette
architecture est donc très générique mais présente des faiblesses que nous rappellerons en
conclusion.
Figure 4.26: Fédérations en exécution (d‘après [SERMENT, 2007]
121
L‘architecture HLA constituée de trois principaux éléments : les fédérés, le RTI (Run
Time Infrastructure), et les fédérations (Figure 4.26):
- Fédération : est une simulation composée d‘un groupe de simulateurs ou fédérés
interagissant via un médiateur (RTI).
- Fédéré : représente un simulateur au sein d‘une fédération. Les fédérés sont constitués
d‘un simulateur et d‘une implémentation de l‘interface assurant l‘interface avec le
RTI. Chaque fédérés possède des fonctions interne (assurent la simulation local) et
externes (assurent la connexion avec les autres fédérés à travers le RTI).
- RTI (RunTime Infrastructure) : est une infrastructure permettant aux fédérés de
coordonner des opérations et des échanges de données durant l‘exécution d‘une
simulation globale. Il gère aussi les interactions et des objets partagés entre fédérés,
l‘ajout ou le retrait de simulateurs dans la simulation. Enfin, il assure la
synchronisation du temps et la communication entre fédérés. Les services rendus par
le RTI sont synthétisés dans le tableau suivant.
Catégorie de Services et descriptions
services
Gestion de la Création, la destruction, l‘exécution, la mise en pause, l‘enregistrement
fédération ou la restauration de fédérations. Ces services permettant également aux
fédérés de rejoindre ou quitter une fédération.
Gestion de Services permettant aux fédérés de communiquer (publier) leurs
déclarations données (objets) et interactions qu‘ils proposent à la fédération, ou
celles d‘autres fédérés qu‘ils souhaitent utiliser (souscrire un
abonnement).
Gestion d’objets Services utilisés pour créer une nouvelle instance d‘objet HLA,
supprimer une instance, modifier les valeurs des attributs.
Gestion de Services concernant les propriétés d‘attributs pour acquérir ou modifier
propriété un privilège sur un attribut d‘un objet.
Gestion du Services concernant la gestion du temps et notamment la
temps synchronisation entre les différents fédérés. Ils permettent aux fédérés
de choisir le mode de gestion des évènements désiré (parmi ceux
supportés par le RTI), de faire appel aux services d‘incrémentation du
temps de simulation correspondant, de connaître son temps local de
simulation.
Gestion de la Les services DDM tentent de réduire le nombre d‘échanges de données
distribution de sur le réseau
données (DDM)
Tableau 4.6 : Catégories de services assurés par le RTI
122
Il est intéressant de faire un parallèle entre la gestion d‘un SMA et d‘une fédération HLA,
et de constater des similitudes, sans toutefois être surprenant du fait des enjeux similaire de
gestion de la distribution sur un ensemble d‘entité. Ainsi, la gestion de la fédération est à
rapprocher à la gestion de groupes tel que proposé dans AGR [FERBER et al., 2009].
La gestion de déclaration fait également penser aux missions remplies par les agents dits
annuaires (par ex. Pages Blanches, Page Jaunes, etc.). La gestion d‘objets partagés peut être
comparée à la gestion d‘Artefacts dans A&A et plus généralement dans [HÜBNER et al.,
2010] et A&A [MONTAGNA et al., 2008]. Enfin, la gestion de la distribution de données
constitue une autre face du problème de l‘optimisation des échanges entre entités … elle est
en général traitée dans les SMA au niveau de l‘environnement de développement de SMA
(par exemple échanges de références sur des objets « Message » au sein d‘un « noyau » et par
TCP/IP ou invocation de méthodes à distance - RMI – entre noyaux). La différence se situe au
final à plusieurs niveaux :
- La manière dont ces services sont mis en œuvre : par invocation de service par ex.
dans HLA (donc ordre comminatoire) ou par échange de message (demande a priori
acceptée), ou combinaison des deux. Ainsi, dans GRIDS [SUDRA, 2001], ou ARTI
[TAN et al., 2000] les agents communiquent entre eux mais encapsulent des
simulateurs. Cette encapsulation peut être gérée par exemple selon la proposition de la
FIPA sur l‘agentification de service [FIPA, 2002] (cf. [SERMENT, 2007] pour une
présentation détaillée).
- La prise en compte explicite du temps : le temps est rarement pris en compte par les
approches agents… Lorsqu‘elle l‘est, dans les plateforme MIMOSA [MULLER,
2004] [MULLER, 2010] et VLE [QUESNEL et al., 2007, elle est conditionnée à une
homogénéisation des modèles de simulation (à rapprocher des discussion de la section
précédente) en s‘appuyant sur DEVS par exemple.
- Le niveau de description du partage d’objet : très formel et structuré dans HLA, mais
on peut trouver une approche s‘en rapprochant dans [HÜBNER et al., 2010], A&A
[MONTAGNA et al., 2008] et Moise [HUBNER et al., 2007]).
- La granularité des entités gérées : en pratique, HLA considère un nombre restreint de
simulateurs et en tous les cas, de forte granularité… mettant en œuvre des simulateurs
complexes. A l‘opposé, une approche agent s‘appuie sur une distribution des calculs
sur des entités plus simple. Ceci s‘explique facilement, dans la différence des
approches de la distribution, mais a des conséquences lourdes sur le nombre de
message/événements envoyés ou données partagés.
123
La complexité de la mise en œuvre de HLA, du fait de son objectif de généricité et des
motivations initiales de son développement, et tous les inconvénients que cela implique, peut
freiner sa diffusion. Aussi, Taylor et ses collègues (Taylor et al. 2008) ont également tenté de
proposer ce qui peut devenir un standard pour l‘intégration de simulateurs. On retrouve les
mêmes problèmes de synchronisation entre simulateurs, de partage de données.
L‘optimisation des temps de calculs est obtenu par une architecture de type Grid et orientée
service. Le parallèle avec une distribution de la simulation sur des agents disséminés sur un
réseau d‘ordinateur est alors naturel, et apporte une solution alternative à ces différentes
approches9.
3.3 Approche retenue

L‘objectif de notre recherche est de proposer un cadre méthodologique facilitant la conception
(et la réutilisation) de modèles de simulation orientée organisation et incluant des modèles
multi-agents (notamment pour la reproduction de processus de décision complexes). Comme
nous l‘avons vu, il s‘agit ainsi de faciliter le passage des modèles opérationnelles (OPAM
notamment) à une simulation effective avec la production d‘observables identifiés en amont
de la démarche. La mise en œuvre de ces modèles peut être réalisée selon différents
paradigmes et langage de modélisation. La prise en compte explicite de l‘organisation initiale
de la chaîne logistique est rendue difficile lorsque les groupes, structurant cette organisation,
sont distribués sur un ensemble hétérogène de modèles eux même potentiellement exécutés
sur différents environnements de simulation.
L‘approche que nous avons retenu relève ainsi d‘une approche d‘intégration, adapté à ce
contexte, et transpose une partie des concepts usuels de l‘intégration de logiciel en général et
de HLA en particulier. Ainsi, une approche basée sur un médiateur s‘est imposée en tenant
compte des contraintes de la simulation [TAYLOR et al., 2009] et des objectifs spécifiques de
notre cadre méthodologique.
L‘architecture logicielle de simulation que nous proposons pour la simulation
organisationnelle de chaînes logistique sera alors constituée d‘un ensemble de simulateurs et
d‘un médiateur. Ce médiateur aura un rôle majeur dans le processus d‘intégration, en assurant
plus précisément les fonctions suivantes :
- Gestion des données partagées i.e. données produites par un composant intégrable de
l‘architecture (ici un simulateur) et nécessaire (i.e. requis) ou utile (i.e. identifié
9
A noter que des travaux combinant ces différentes approches existent également, citons par ex. l‘infrastructure
GRIDS ((Generic Runtime Infrastructure for Distributed Simulation) [Sudra , 2000], base sur un SMA.
124
comme tel et donc fourni proactivement) à un autre, mais également production des
indicateurs correspondant aux observables retenus pour cette simulation. Ce dernier
point devra être également possible au niveau des groupes (indicateurs globaux)
indépendamment de la manière dont les entités, contenues dans ces groupes, sont
modélisés et simulés (i.e. sur différents simulateurs).
- Gestion du temps : assurer la synchronisation des simulateurs et/ou des
événements/message circulant en et entre eux.
- Gestion des agents : au sens large, c.à.d. toute les fonctions requises pour qu‘un SMA
fonctionne (création, activation, communication, etc.).
- Gestion de l’interopérabilité : entre les simulateurs pour pouvoir transmettre les
informations au bon format.
- Gestion de l’intégrité organisationnelle : i.e. faire en sorte que les interactions
identifiées dans les modèles CROM et CAOM au sein des groupes soient maintenues
au niveau des différents
La section suivante présente plus en détail l‘architecture logicielle de simulation que nous
proposons pour la simulation organisationnelle de chaînes logistique, en mettant plus
particulièrement l‘accent sur ce module logiciel majeur qu‘est le « médiateur ».
4. Une architecture logicielle pour la simulation orientée

organisation de chaînes logistiques
La section précédente montré tout l‘intérêt de recourir à un médiateur et a identifié les
principales fonctions qu‘il devait assurer. Cette section détaille ces fonctions, leurs
interactions avec les simulateurs, et enfin comment ils peuvent être réalisés à l‘aide d‘une
infrastructure multi-agents. Dans l‘élaboration de ce médiateur nous nous inspirerons plus
particulièrement de travaux réalisés autour de la thèse de Julien Serment [SERMENT 2006],
et plus particulièrement de l‘infrastructure d‘intégration IMAGIN qui y est proposée et qui
s‘inspire de l‘architecture HLA déjà évoquée.
Dans un premier temps nous développons les principes généraux sur lesquels repose notre
architecture à base de médiation, en développant plus en détail les grandes fonctions assurées
par le médiateur. Ensuite nous présentons les choix technologiques qui ont été fait pour son
implémentation, puis l‘architecture multi-agents interne de notre médiateur sera détaillée.
Enfin nous développons comment est faite notamment au niveau du médiateur la production
et la gestion d‘indicateurs dans notre architecture de simulation.
125
4.1 Principes généraux
L‘architecture logicielle [MUSTAPHA et al., 2011] que nous proposons pour la simulation
organisationnelle de chaînes logistique est basée sur l‘intégration de simulateurs par
médiation, en s‘inspirant des travaux antérieurs du LSIS et de la spécification HLA. Il s‘agit
dans cette proposition de gagner en généricité dans le couplage des simulateurs, d‘intégrer
l‘objectif de production d‘observables identifiés en amont de la démarche méthodologique
présentée dans le chapitre 3, tenant compte de la structure organisationnelle de la chaîne
logistique, et ce en facilitant au mieux le passage de l‘idée de simulation à son implantation
logicielle et son expérimentation. Le recours à un médiateur facilitant l‘intégration
d‘environnements de simulation hétérogènes s‘imposent.
Ainsi que l‘illustre la Figure 4.27, ce médiateur assure le lien entre ces simulateurs,
permettant ainsi de bénéficier de leurs avantages spécifiques (simulations existantes, expertise
des experts, spécificité des comportements à simuler …), tout en ajoutant les objectifs
supplémentaires, identifiés grâce à la démarche méthodologique, de maintien de la structure
organisationnelle et la production d‘observables.
Plateforme 1 Plateforme 2
Base de
donnée
Médiateur
Plateforme 3 Plateforme N
Figure 4.27 : Architecture générale
Ces simulateurs devront être capables de simuler les modèles produits par les étapes
précédentes de la démarche méthodologique. Le médiateur doit alors permettre l‘interaction
entre ces simulateurs. Ces interactions peuvent concerner l‘échange de résultats (partiels) de
simulation, la synchronisation des simulateurs, etc. La Figure 4.28 illustre une interaction
126
« classique » entre deux simulateurs, dans le cadre de partage d‘information au cours d‘une
simulation [SERMENT et al. 2007] :
1- Demande/Production d’un résultat de simulation d‘un simulateur auprès du
médiateur. Le simulateur 1 peut émettre un besoin d‘information (explicite ou détecté
comme tel) ou produire un résultat de simulation (idem) qui sera traité/intercepté par
le médiateur ;
2- Le médiateur recherche alors si un simulateur (en l‘occurrence le Simulateur 2) a
besoin/peut être intéressé par ces données ;
3- Et transfère les données au Simulateur 2, ou, dans le cas d‘une demande de résultat,
se charge de récupérer les données demandées ou transmettre la demande de donnée ;
4- Le Simulateur 2, en cas de demande de résultat de simulation produit à son tour ces
données qui suivent le chemin inverse pour arriver au Simulateur 1.
Figure 4.28 : Communication entre les simulateurs à partir d‘un médiateur
Ce fonctionnement du médiateur cache des difficultés à la fois logicielles et conceptuelle

(i.e. syntaxique et sémantique). L‘interopérabilité logicielle est un problème également
classique pour lequel de nombreuses solutions existent, en fonction du degré d‘ouverture des
simulateurs (couplage faible/fort, approche RTI /HLA…). D‘un point de vue conceptuel, il
s‘agit de vérifier que l‘échange des informations se fait correctement (quoi et quand) et assure
l‘intégrité de la simulation. De même, l‘approche orienté agent de notre modélisation et de la
simulation suivie tout au long de la démarche méthodologique, implique l‘existence d‘au
moins un « simulateur » multi-agents. Il faut donc également tenir compte de ce besoin,
127
d‘autant que ces agents contribuent également à la représentation de la structure
organisationnelle de la chaîne logistique et la production d‘observables.
Dans ce but, nous avons identifié cinq missions principales du médiateur (cf. Figure 4.29)
qualifiés de service, dans le reste du document. Ces services sont :
- Gestion de l’interopérabilité ;
- Gestion du temps ;
- Gestion des agents ;
- Communication inter-agent ;
- Gestion du modèle organisationnel ;
- Gestion d’Indicateurs ;
Le rôle de chacun de ces services est détaillé ci après.
Utilisateur (s)
Simulateur 1 Simulateur 2
Médiateur
Gestion d'interopérabilité Logicielle
Gestion d’agents Gestion du modèle organisationnel

Base de
donnée
Gestion Communication inter-agent Gestion des indicateurs
Gestion du temps
Simulateur 3 Simulateur N
Figure 4.29: Architecture générale : services du médiateur
1. Gestion de l’interopérabilité
L‘interopérabilité a pour objectif de permettre à plusieurs systèmes logiciels, de même nature
ou hétérogènes, de communiquer voire se coordonner. Elle peut s‘appuyer sur des standards
définissant les pré-requis (en terme d‘interface, de protocoles…) nécessaires a priori pour que
deux systèmes puisse interagir. Elle peut également être le résultat d‘une conception ad hoc en
réponse à un problème ou des architectures logicielles spécifiques. Dans notre architecture, le
module assurant l‘interopérabilité regroupe l‘ensemble des dispositifs (librairies, wrappers,
128
services web…) chargés de gérer au niveau logiciel les transferts d‘information ou autres
invocation de services entre Simulateurs.
2. Gestion du temps
Cette question est rarement évoquée en simulation multi-agents du fait que la nature
distribuée de la simulation est souvent plus conceptuelle que logicielle. Ainsi, la gestion du
temps est soit implicitement centralisée dans les SMA réactifs (les cycles de simulation – ie
exécution à tour de rôle de tous les agents pour « une action » - revenant à une simulation à
temps discret) soit non gérés dans les systèmes délibératifs si ce n‘est en terme relatifs
(répondre avant x unités de temps). Dès lors que l‘on considère l‘interfaçage avec des
simulateurs « non-agents », la gestion du temps de simulation devient une mission importante
du médiateur. Nous reprenons l‘approche retenue dans la plateforme IMAGIN [Serment
2006] à savoir la possibilité d‘implémenter différents mode de gestion du temps : gestion
pessimiste du temps avec contrôle du déroulement de temps de simulation dans chaque
simulateur en fonction de l‘arrivée d‘événements, discrétisation du temps en fonction des
différents pas de temps de chaque simulateurs, recours à un groupe d‘agents pour gérer le
temps [FIANYO, 2001].
3. Gestion des agents

Ce module est classique dans les SMA, en ce qu‘il assure l‘ensemble des fonctions
nécessaires à la gestion du cycle de vie des agents : adressage, lancement, arrêt, etc. Il permet
par exemple, d‘ajouter, de modifier, ou de supprimer dynamiquement des agents, il maintient
un annuaire de ces agents tenant compte notamment du simulateur dans lequel ils évoluent
(réellement ou conceptuellement i.e. au sein d‘un environnement non-agent).
4. Communication inter-agent
Ce module assure la communication, i.e. le bon acheminement des messages ou signaux, entre
les agents indépendamment de leur « localisation » et ce aussi bien à un niveau logiciel que
syntaxique. Le niveau logiciel peut nécessiter l‘invocation du module responsable de
l‘interopérabilité entre simulateurs, et ainsi assurer le routage « physique » du message. Au
niveau syntaxique, il s‘agira d‘une part de trouver la localisation de l‘interlocuteur
(simulateur), de traduire éventuellement ce message pour qu‘il soit exploitable par le
destinataire (exemple, message ACL  message simple type signal) en se basant sur les
informations qu‘il aura maintenue dans un annuaire. Il peut également gérer un annuaire type
129
page jaune intégrant des informations sur les capacités et/ou rôles joués par les agents de la
simulation. La Figure 4.30 rappelle la structure d‘un message KQML auquel recourront les
agents délibératifs (cf. section suivante).
KQML (Knowledge Query Manipulation Language), premier standard de
communications muli-agents, recouvre l‘ensemble des besoins d‘une communication riche
entre agent : un langage de communication structuré (définissant le format d‘un message), des
protocoles de communications (i.e. séquence normative de messages) et des considérations
logicielles et réseau sur le transport physique de ces messages. Un message KQML est
structuré comme suivant :
( <Performatif> Intention du message (issu de la théorie des actes de langage)

: content Le contenu du message (une requête, une information…)
: force Degré d‘engagement de l‘agent émetteur dans ce message
: in-reply-to Etiquette identifiant le message ayant conduit à cette réponse
: langage Langage utilisé pour formuler le contenu
: ontology Ontologie associé au message/protocole
: receiver Destinataire du message
: in-reply-with Si une réponse est attendue, spécifie l‘étiquette in-reply-to en retour
: sender Destinataire du message
)
Figure 4.30 : Représentation d‘un message KQML
5. Gestion du modèle organisationnel

Ce module gère et maintient la structure organisationnelle définie et maintenue au fur et à
mesure du raffinement des modèles produits lors du déroulement de la méthode de conception
de simulation de chaîne logistique. Ce module gère donc, ce qui est maintenant classique en
SMA, les demandes d‘agents de jouer un rôle dans un groupe (à l‘image de ce qui est fait dans
MadKit avec le modèle AGR).
A cette gestion des rôles, s‘ajoute également des considérations supplémentaires propres à
nos préoccupations. Ainsi, ce module devra également assurer la cohérence de l‘identité du
groupe alors que les agents le composant pourront se situer dans des simulateurs différents.
De fait, la production des indicateurs devra s‘appuyer sur ces informations (cf. sections
suivantes) pour pouvoir obtenir les données nécessaires.
130
6. Gestion des indicateurs
L‘objectif est de produire les indicateurs caractérisant les observables définis lors de la
modélisation conceptuelle de la chaîne logistique étudiée. Ce module est responsable de la
production des indicateurs identifiés dans les étapes précédentes du cadre méthodologique
décrit dans le chapitre précédent. Il s‘agit de s‘assurer la récupération des données
nécessaires, leur transformation en une donnée globale et la diffusion de ces données
consolidées.
Un indicateur portera donc sur un aspect particulier de la chaîne, impliquant un certain
nombre d‘agents (ou de groupes) représentant des acteurs et/ou entités de la chaîne, de
méthodes de calculs de ces indicateurs, et ce le plus indépendamment possible de la source
des données nécessaires à sa production. Le tableau suivant liste les catégories d‘indicateurs
retenus illustrés par des exemples d‘indicateurs et leur mode de calcul dans le cadre de l‘étude
de chaînes logistiques.
Catégories Indicateurs
(Objet et Méthode de calcul)
Activité 1. Volumes traités = Nombre de commandes
1. Taux d’utilisation des ressources = Taux ressource utilisé / Taux
ressource total.
2. Délai moyen de lancement ou modification = Moyenne des délais de
livraison des nouveaux produits ou des modifications validés/ le mois, le
Productivité
trimestre ou l‘année.
3. Taux de ponctualité des lancements ou modifications = Nombre de
lancements ou modifications dans les délais/ Nombre de lancements ou
modifications.
1. Qualité du produit. : total produits conformes / total produits fabriqués
2. Qualité du service = Nombre des commandes livrées à temps/ nombre
total de commandes.
3. Qualité du service de fournisseurs = Nombre de commandes
d'approvisionnement livrées dans les conditions demandées / Nombre de
commandes totales.
4. Qualité du service de production = Nombre d'ordres de fabrication
Qualité soldés dans les conditions demandés/ nombre total d'ordre de fabrication
(Conditions demandées = respect des quantités et du premier délai
défini).
5. Qualité du service de clients = Nombre de commandes livrées
complètes dans les conditions demandées / Nombre de commandes
totales expédiées (Conditions demandées = respect du premier délai
défini avec le client, des quantités).
6. Qualité de transport = Nombre des commandes transportées/ nombre
total de transport.
131
1. Coût unitaire.
2. Coût total = ∑ (Coût de chaque unité).
3. Coût de production = coûts d‘acquisition + charges de production.
4. Coût de transport (des ventes) = Dépenses annuelles en transport/Valeur
des ventes annuelles.
5. Coût de stockage: en % flux annuels: Valeur du stock/ valeur du flux
Coûts annuel.
6. Coût de stockage: Taux de rotation du stock: Valeur du flux/ valeur du
stock.
7. Coût de commande: dépenses annuelles en commande/ valeur des
commande annuelles.
8. Coût de distribution: ensemble des charges de distribution afférentes aux
ventes de la période.
1. Délai de livraison
Délais 2. Délai de réponse
Tableau 4.7 : Classification et description des indicateurs retenus
La section suivante présente les choix technologiques qui ont été faits pour
l‘implémentation de notre architecture de simulation.
4.2 Choix techniques d’implémentation

La section précédente a identifié les grandes fonctions de l‘architecture logicielle d‘un
environnement de simulation orienté agent et organisation. La complexité de la mise en œuvre
en termes de conception détaillée et d‘implémentation, nous a amené à nous focaliser sur les
missions nouvelles de l‘architecture que des précédents travaux avaient déjà abordées. Ainsi,
les modules d‘interopérabilité et de gestion du temps n‘ont pas été traité dans le prototype
développé pour tester la pertinence de notre démarche pour pouvoir mieux traiter les
nouveaux besoins liés à la gestion de la structure organisationnelle et la production
d‘indicateurs.
L‘environnement de simulation orienté agents proposé, s‘appuie sur deux plateformes
multi-agents, simplifiant dans un premier temps les besoins d‘interopérabilité. Cette section
détaille donc une implémentation orientée agent du médiateur en interactions avec ces deux
environnements de simulation chargés chacun de mettre en œuvre des comportements
d‘agents spécifiques. Le problème de l‘hétérogénéité dans environnements est donc maintenu
en écartant des enjeux plus techniques pour lesquels des solutions existent déjà. Nous
introduisons dans premier temps le fonctionnement général du médiateur et des agents le
composant, avant d‘illustrer sur un exemple simple les mécanismes assurant l‘intégrité de la
132
simulation. Le chapitre suivant développera davantage ces mécanismes sur un cas d‘étude
plus complet.
Après avoir présenté rapidement les choix technologiques pour simuler les comportements
délibératifs et réactifs identifiés dans les modèles opérationnels du cadre méthodologique,
nous détaillons l‘architecture orientée agent du médiateur avant de s‘intéresser au mécanisme
de production d‘indicateur.
L‘objectif de la simulation de chaîne logistique impliquant des comportements
hétérogènes en termes de complexité des comportements mis en œuvre, nous avons retenus
deux plateformes différentes pour réaliser ces comportements : Jade et JASON.
4.2.1 La plateforme JASON

Jason est un environnement multi-agents orienté BDI (Belief – Desire – Intention) [RAO et
GEORGEFF, 1991a et 1991b]: implémenté en Java. Jason [BORDINI, R. et HÜBNER, 2006]
[BORDINI et al., 2005] est un interprète d‘une version étendue [VIEIRA et al., 2007] de
AgentSpeak [RAO, 1996] associé au support maintenant classique au déploiement d‘agents
notamment en terme de gestion des communications inter agents. Jason est disponible en open
source et utilise jEdit10 comme IDE.
Par rapport à l‘environnement Majorca [TRANVOUEZ, 2002], Jason apporte un
fondement théorique [BORDINI et al., 2005] sur la définition et l‘exécution des
comportements tout en se basant comme Majorca, BDI oblige, sur la définition de plans. Cette
capacité permet de doter un agent délibératif d‘un arsenal de comportements permettant de
modéliser et simuler des processus complexes de résolution de problèmes, de coopération ou
encore de négociation.
JASON qui est parfaitement aux besoins de représentation de comportements complexes,
s‘appuie également sur :
- Un langage de programmation orienté agent : une extension de AgentSpeak ;
- Des messages KQML : permettant des échanges de message avec un contenu
complexe notamment en relation avec des protocoles de communication ;
- Des plans de contingences : ajoutant un mode réactif aux agents (en cas de
changement de condition de l‘environnement remettant en cause les plans en cours
d‘exécution) ;
- Ouverture du « moteur de décision » : c.à.d. de l‘équivalent d‘un moteur d‘inférence,
chargé de gérer l‘exécution des plans. L‘utilisateur peut modifier ce moteur en se
10
http://www.jedit.org/
133
basant notamment sur des annotations de plans permettant de mettre en œuvre des
processus de décision lors du choix du plan à réaliser (par ex. sélection d‘une stratégie
de résolution de problème – i.e. plan - en fonction du contexte) ;
- Un environnement de développement d‘agents ;
- Et enfin une capacité d‘extensibilité de la plateforme en intervenant directement sur
les classes java utilisées pour développer les agents.
Les figures suivantes, apportent un éclairage supplémentaire sur l‘architecture et la
programmation avec JASON.
Un agent JASON, comme l‘indique la Figure 4.31, est donc constitué (de manière
simplifiée) de Croyances (base de faits), de Désirs (buts) et d‘Intentions (Plans). L‘arrivée
d‘un évènement (nouvelle croyance – éventuellement issue de ses percepteurs – ou nouveau
sous-buts) enclenche une mise à jour/révision des croyances. De cette mise à jour, de
nouveaux (sous) buts peuvent être déduits. La fonction de délibération identifie les plans à
même de le satisfaire et en sélectionne un, le place dans la liste des plans à exécuter et donc
met à jour la liste des intentions (i.e. agenda des plans). La fonction d‘action exécute le plan
suivant, l‘ordre des plans ayant pu être modifié par l‘opération précédente. Le cycle se répète
tant que des buts restent (et peuvent l‘être) à satisfaire. L‘échange des messages, nous l‘avons
vu, se fait en KQML.
Figure 4.31 : Principes architecturaux de JASON
134
La figure suivante donne un exemple de code source d‘un agent Jason. Ce code est
simplifié, mais il permet de reconnaître des croyances ou faits (nom de l‘agent : agent-
supplier ), des buts ( !registration) et des plans. Un plan est défini par l‘évènement
déclencheur (un but par exemple : +registration), une condition ( : true ici donc
toujours vérifiée) et le corps de la règle contenant les actions à entreprendre (ici envoi de
message essentiellement).
name(agent-supplier)
!produce(productX,10).
!registration.
/* Plans */
+!registration
:true
 jadedf.register("Gestionnaire1","Registration1");
jadedf.register("Get-Info","Quality").
+!produce(Product,Qty)
: true
.wait(15000);
-+target(Product,Qty);
.print("A message has been sent to 'production_manager' to produce: [Product: ",Product," ; Quantity: ",Qty,"].");
.send(production_manager, achieve, produce1(Product,Qty)).
+!kqml_received(Sender, cfp, Ready, MsgId)

: Sender==gestionnaire1
 .send(Sender, tell, "Register", MsgId).
Figure 4.32 : Exemple de code source d‘un agent JASON
Construire un agent JASON, consiste ainsi à définir ce qu‘il sait, ce qu‘il veut et comment il
peut l‘obtenir dans un langage déclaratif. Ayant posé les motivations et le principe d‘une
programmation avec JASON, nous faisons de même dans la section suivante avec la
deuxième plateforme : Jade.
4.2.2 La plateforme JADE

La plateforme JADE (Java Agent DEvelopment framework) est un environnement de
développement de SMA conforme aux normes de la FIPA très diffusé. JADE inclus un
ensemble d‘outils inclus facilitant les différentes phases de développement SMA [RIMASSA
et al., 1999]. La Figure 4.33 ci après donne l‘organisation générale d‘un SMA développé avec
JADE.
JADE fournit, à l‘instar d‘autres environnements comme MadKit, une infrastructure
gérant la communication, la gestion du cycle de vie des agents, ainsi qu‘un ensemble d‘agents
135
« utilitaires » assurant le bon fonctionnement d‘un SMA. La programmation se fait
directement en Java, et malgré un système de gestion de comportements (des classes
Behaviour associées à un agenda interne à chaque agent permettant la gestion de l‘activation –
éventuellement cyclique - de ces comportements), ne facilite pas le développement de
comportements complexes.
A1
AMS DF
Is registered with
Main Container
Is registered with
Plateforme 1
A4 A2 A3
Container 2 Container 1
Réseau
AMS DF
Main Container
Plateforme 2 A5
Figure 4.33 : Architecture distribuée d‘une plateforme JADE [RIMASSA et al., 1999],
Les agents utilitaires sont rappelés ci-dessous :

- DF «Director Facilitor» fournit un service de « pages jaunes» à la plate-forme ;
- ACC «Agent Communication Channel» gère la communication entre les agents ;
- AMS «Agent Management System» supervise l'enregistrement des agents, leur
authentification, leur accès et l'utilisation du système.
- RMA « Remote Management Agent » : gère la mobilité « physique » des agents au
sein d‘un réseau de Main container
- Un Sniffer Agent est un agent qui intercepte les messages ACL envoyés et les
représente graphiquement en utilisant une notation semblable aux diagrammes de
séquence UML.
136
- L‘Introspector Agent est un agent qui permet de contrôler l‘activité d‘un agent : son
cycle de vie, ses messages ACL échangés et les comportements exécutés.
Un agent Jade est de fait une sous classe de la classe Agent : la programmation de l‘agent
se fait donc directement en Java en s‘appuyant sur des librairies dédiées. De manière plus
abstraite, un agent Jade sera composé de croyances et de capacités (attributs d‘objet) et d‘un
ensemble de comportements (i.e. classes héritant de la classe Behaviour). C‘est
l‘ordonnanceur de comportement qui définira l‘ordre des comportements de l‘agent et donc la
séquence d‘actions qu‘il entreprendra. Le gestionnaire du cycle de vie des agents se situe au
niveau du Container et gère l‘ensemble des agents. Les agents communiquent via des
messages ACL.
Figure 4.34 : Principe architecturaux d‘un agent Jade
Le code source ci après donne un aperçu de la programmation en Java. Très simplifié, il

montre la nécessiter de définir un ensemble de comportements (classe
DoSimpleReceiveBehaviour), où se trouveront implantés les différentes actions que
l‘agent est amené à réaliser. Cette présentation, sans doute technique, a pour objet de
souligner la différence de niveau d‘abstraction dans la programmation entre JASON et Jade.
137
Cette différence reflète d‘ailleurs la différence de rôle attribué à chacun des environnements :
la mise en œuvre de processus décisionnels dans Jason, et des comportements plus simple
dans Jade.
/*Agent Stock*/
public class Stock1 extends Agent {

class DoSimpleReceiveBehaviour extends SimpleBehaviour {
private boolean finished = false;
private Integer Parts = 0;
public DoSimpleReceiveBehaviour(Agent agent){
super(agent);}
public void action() {
ACLMessage msg = receive();
if (msg!= null){
System.out.println(getLocalName() + ": Received the following delivery: ");
System.out.println(msg.toString());
Parts = Parts+1; }
if (Parts == 3){
System.out.println(getLocalName() +
": All parts are received, ready to assemble.");
finished = true; }
else{
System.out.println(getLocalName() + ": Waitting for delivery.");
block();
}
}
public boolean done() {

return finished; }
protected void setup() {

DoSimpleReceiveBehaviour behaviour = new DoSimpleReceiveBehaviour(this);
addBehaviour(behaviour);
}
}
Figure 4.35 : Exemple de code source d‘un agent Jade
Un SMA est alors constitué de « Main containers », i.e. noyaux d‘exécution d‘une société
d‘agents, d‘une ou plusieurs instanciation d‘agents services, et bien sur des agents propres au
domaine d‘application (i.e. acteurs de la CL). Jade ne considère pas spécifiquement les
besoins propres à la simulation notamment d‘un point de vue gestion du temps (à noter
quelques tentatives allant dans ce sens comme [PAWLASZCZYK et TIMM 2006]. Ceci nous
l‘avons vu s‘explique par rapport au type d‘applications multi-agents généralement
développées. Sa facilité d‘interopérabilité avec JASON a cependant conforté ce choix de
plateforme. Le renforcement des autres fonctions du médiateur, permettra éventuellement de
considérer d‘autres plateformes après avoir effectué une première validation de l‘approche
proposée.
138
4.3 Les agents du médiateur
La plateforme de simulation orientée agent et organisation, dont nous avons entrepris le
développement, est donc basée sur deux Simulations Orientées Agents (SOA) et un
médiateur. Ce dernier sera également mis en œuvre par des agents aux capacités spécifiques et
dont les interactions assureront l‘intégration des deux simulateurs. Le problème de
l‘intégration, nous l‘avons vu, sera moins logiciel que sémantique : i.e. faire échanger les
bonnes informations entre les simulateurs pour réaliser les objectifs définis en amont de la
démarche méthodologique.
Comme l‘illustre la Figure 4.36, cette plateforme sera constituée de : (i) JASON pour
l‘exécution des agents cognitifs, (ii) JADE pour l‘exécution des agents réactifs, (iii) un
Médiateur pour assurer l‘interopérabilité, et, (iv) une base de données pour l‘enregistrement
des paramètres des scénarii et la sauvegarde des résultats de simulation. Les modèles OPAM
des différents agents cognitifs et réactifs sont traduits dans des langages de programmation
adaptés dans chaque plateforme (i.e. langage AgentSpeak pour Jason, et Java dans Jade). Les
agents sont développés séparément dans chaque environnement, avec des outils adéquats,
reproduisant ainsi les contraintes spécifiques de développement qui aurait pu être rencontré
avec d‘autre type de simulateurs (à la différence d‘une interopérabilité simplifiée du fait des
choix de Jade et Jason).
Utilisateur (s)
2
1 3
JASON
Médiateur
Agent Gestionnaire
Agent Source de Données Agent ACC

Base de
donnée Agent AMS Agent DF
Agent Indicateur
JADE
4 6
5
Figure 4.36 : Architecture détaillée d‘une simulation basée sur l‘intégration de simulateurs
139
Le médiateur est lui-même composé de plusieurs agents spécialisés répartis en 6 grands types,
détaillés ci-dessous :
- L‗Agent Management System (AMS) assure principalement des services de gestion
de cycle de vie des agents, et des services de type « pages-blanches ». Il contrôle
l‘accès et l‘utilisation des canaux de communication des agents, créé et supprime des
agents, décide si un agent peut être enregistré dans le SMA, et supervise les
éventuelles migrations des agents vers d‘autres plateformes.
- L‘agent Pages Jaunes ou Directory Facilitator (DF) fournit un service de
renseignement de type « pages-jaunes ». Les agents publient leurs services (e.g.
compétences…) aux agents du domaine en enregistrant les descriptions de leurs rôles
auprès de l‘agent DF.
- L‘agent Agent Communication Channel (ACC) est l'agent qui fournit la route pour
les interactions de base entre les agents dans et hors de la plate-forme ; c'est la
méthode de communication implicite qui offre un service fiable et précis pour le
routage des messages ; il doit aussi être compatible avec le protocole IIOP pour
l'interopérabilité entre les différentes plates-formes multi-agents.
- L’Agent Gestionnaire de Groupe (AGG): cet agent est responsable de l‘intégrité du
groupe, tel que définis dans les modèles CROM et CAOM, en tenant compte de leur
périmètre i.e. de leur localisation dans tel simulateur comme induit par les choix du
modèle OPAM. Il assure l‘enregistrement des compétences des agents contenus dans
son groupe, leur localisation et le moyen de les contacter.
- L’Agent Source de Donnée (ASD) : l‘agent source de donnée joue un rôle double : i)
un rôle d’intermédiaire vis-à-vis des indicateurs en leur relayant les données dont ils
ont besoin pour produire leurs indicateur ; et ii) un rôle gestion de l’interopérabilité
puisqu‘il doit être capable de récupérer ces mêmes données auprès des différents
agents du groupe concernés, et ce où que ces agents se trouvent (i.e. dans JASON ou
JADE dans notre implémentation).
- L’Agent Indicateur : est responsable de la production d‘un indicateur. Il contacte les
agents source de données requis, produit les valeurs de l‘indicateur et les diffusent à
ses abonnés. La section suivante développe davantage son fonctionnement et son
interaction avec les autres agents.
La figure ci après, donne un exemple caractéristique des situations possibles que l‘on peut
obtenir après l‘implémentation d‘un modèle OPAM dans l‘architecture de simulation orientée
organisation. Le module d‘interopérabilité est présent davantage à titre indicatif, puisque
140
s‘agissant de Jade et Jason, la compatibilité des plateformes permet une communication
directe entre les agents. Sa description est cependant intéressante en ce qu‘il montre une
approche intermédiaire entre HLA et IMAGIN [SERMENT, 2007] : il est le tube par lequel
passe les informations et s‘appuie sur des sous modules d‘interopérabilité (équivalent au RTI
mais surtout aux adaptateurs d‘IMAGIN) situés dans chacune des plateformes. Le module de
gestion du temps est similaire à celui défini dans IMAGIN. Il peut mettre en œuvre des
stratégies différentes pour la synchronisation du temps on trouvera dans [SERMENT, 2006]
des exemples de stratégies possibles.
Les groupes 1, 2 et 4 sont des groupes homogènes, en ce qu‘ils se trouvent chacun localisé
dans un même environnement de simulation, facilitant ainsi l‘interopérabilité. Le groupe 3 par
contre est « à cheval » sur deux environnements, impliquant un travail accru dans la gestion
des messages entre ces deux agents. Chaque groupe est donc constitué d‘un agent
Gestionnaire de Groupe (AGG), d‘un agent Source de données (ASD) et d‘un ensemble
d‘agents « métiers » modélisant la chaîne logistique. Chaque AGG et ASD gèrent un seul
groupe à la fois. Les agents indicateurs eux peuvent s‘adresser à différents AGG et ASD
comme l‘explique la section suivante.
4.4 Production et gestion d’indicateurs

Comme nous l‘avons évoqué en section 2.2 du chapitre précédent, la simulation de la chaîne
logistique réponds à des questions et des objectifs posés par des experts du domaine. Ces
questions et objectifs se trouvent formulés sous la forme d‘observables définis en terme
d‘objet de la mesure, de mode de calculs ou encore de fréquence de prise des mesures…Ils se
trouvent également formulés en termes de niveaux de détails variés, tout au long de la chaîne
hiérarchique et/ou fonctionnelle de la chaîne, amenant à privilégier l‘analyse de certaines
parties de la CL et donc implique une modélisation multi-échelle et hétérogène. Au travers du
cadre méthodologique, ces objectifs sont maintenus tout au long du processus de raffinement
des modèles jusqu‘à leur implémentation au sein de simulateurs dédiés.
141
Figure 4.37 : Interopérabilité par partage de données
En recourant à un environnement de simulation unique, la production d‘indicateurs ne

pose pas de grand problèmes en soit (pour peu que le simulateur le permette), mais devient
plus complexe lorsque la simulation est distribuée, et notamment lorsqu‘elle doit agréger des
informations localisées sur différents simulateurs. Le dialogue entre les agents Gestionnaire
de Groupe, Sources de Données et bien sûr les Indicateurs répondent à cet objectif.
Ce dialogue se déroule en deux phases : la première relève de la phase de configuration ou
du support aux échanges, alors que la seconde, phase d‘échange d‘information, gère
effectivement l‘échange et la production d‘informations pertinentes aux utilisateurs de la
simulation. Ces deux phases s‘appuient sur un processus de publication/abonnement de
données que l‘on retrouve dans de nombreuses solutions d‘interopérabilités, notamment HLA.
Différents types de publication et d‘abonnements, inspirés de HLA et des spécifications de la
FIPA, sont possibles dans ALMoSim (Architecture Logicielle pour la Modélisation et
Simulation). Avant de les présenter, considérons le dialogue en lui-même tel qu‘illustré par la
Figure 4.37.
142
Chapitre 4 : Une architecture logicielle pour la modélisation et la simulation organisationnelle de chaînes logistique
Figure 4.38 : Interopérabilité entre les plateformes

143
1. La phase de configuration
La phase de configuration débute comme dans tout SMA par l‘inscription des agents des deux
systèmes auprès du DF (agent pages jaunes/pages blanches), suivis d‘une inscription auprès
de l‘agent Gestionnaire de Groupe (AGG), i.e. à qui il demande de jouer un rôle dans son
groupe. Les agents indicateurs font partie d‘un groupe support du médiateur (groupe
Indicateurs dans la Figure 4.38).
Chaque indicateur possède les informations utiles pour la production de l‘indicateur qu‘il
représente : les rôles et groupes de la chaîne logistique, fréquence de récupération des
données, les calculs à réaliser et la fréquence de production de ces indicateurs (à destination
d‘une interface graphique, d‘une base de données, d‘un fichier de résultats…). De même,
chaque agent « logistique » doit déclarer auprès de son ASD les données qu‘il peut mettre à
disposition afin que l‘ASD puisse savoir à qui s‘adresser en cas de requête.
A noter que pour l‘heure, la spécification de cette enregistrement est simplifiée mais
pourrait être enrichie par la notion de contexte (i.e. quelle donnée mais à qui ? à l‘entreprise,
au groupe fonctionnel, pour quelle durée, etc.) afin notamment de modéliser des contraintes
de confidentialités inter entreprises dans la chaîne logistique. La Figure 4.38 montre que ceci
est réalisé au niveau des deux simulateurs (i.e. par un agent Jason, et un agent Jade). Dans le
cas de simulateurs plus fermés, cette opération doit directement être effectuée au niveau de
l‘agent ASD et du module d‘interopérabilité. L‘ASD est donc dépositaire des informations sur
les données publiable par les agents de la simulation.
2. Phase d’échange d’information

Une fois la phase de configuration terminée, la phase d‘échange d’information peut devenir
opérationnelle. Voici un exemple de dialogue qu‘illustre la Figure 4.38.
- L‘agent Indicateur contacte (un ou plusieurs) ASD afin d‘obtenir une donnée. Cette
demande peut faire l‘objet d‘un abonnement (cf. type abonnements ci-après).
- En se basant sur son registre des données publiables, l‘ASD transmet cette demande
auprès des agents concernés où qu‘ils se trouvent. Si des agents sont concernés, la
demande est émise par message structuré (ACL ou KQML), si un simulateur est
« fermé », cette demande peut se traduire, via le module d‘interopérabilité, par une
invocation de service auprès du simulateur (réalisée par ex. selon la recommandation
de la FIPA – cf. [FIPA, 2001] et [SERMENT, 2006]. Ainsi l‘agent Indicateur n‘a pas à
gérer ces aspects de l‘obtention des données et se concentre sur leur exploitation.
144
- Les agents sollicités par l‘ASD lui fournissent alors les données nécessaires une seule
fois (i.e. demande unique) ou selon une fréquence, un seuil de signalement …selon la
règle de publication choisie. Ainsi, l‘agent ASD s‘abonne lui aussi aux données
d‘autres agents qui peuvent alors gérer leur propre liste d‘abonnement (mais qui
auront par contre un seul souscripteur : l‘ASD, réduisant ainsi les flots de messages
qui résulte de ces échanges).
- L‘ASD transmet alors le groupe d‘informations demandé à l‘agent Indicateur qui peut
produire alors la valeur agrégée. A noter, que des objectifs d‘optimisation des flux
d‘information peuvent amener à préférer à un enregistrement des données dans la Base
de données ; l‘ASD se contentant alors d‘informer l‘agent Indicateur que les
informations sont disponibles.
La publication des informations s‘appuie sur différentes stratégies de publication (HLA
[OUNNAR et al., 2001] et [SERMENT, 2007]), déclarées auprès de l‘ASD :
- publication à la demande : il ne s‘agit pas à proprement parler d‘un abonnement en ce
qu‘il s‘agit d‘une demande ponctuelle. Par exemple, nombre de machine
opérationnelle à un instant t) ;
- publication à chaque modification : automatiquement l‘agent signalera tout
changement de situation de son état, de l‘état d‘une de ses connaissances ou propriété
(par ex. panne machine).
- Publication datée : l‘agent publiera les données à un rythme donné. Par exemple,
publication toutes les heures des commandes clients reçues.
- Publication conditionnelle : l‘agent informera l‘ASD dés qu‘une condition est
vérifiée (par exemple Etat machine != occupée).
A l‘aide de cette spécification, le SMA est à même de gérer des sources de données
multiples et hébergées dans des environnements hétérogènes. Ayant présenté les principes
généraux de l‘architecture logicielle supportant une simulation orientée agent et
organisationnelle, nous illustrons dans la section suivante son fonctionnement sur un cas
d‘étude simplifié.
5. Illustration du fonctionnement de l’architecture dans

le cas d'une Chaîne Logistique
Cette section illustre le fonctionnement de l‘architecture de simulation organisationnelle à
base de médiation proposée sur un exemple de simulation d‘une chaine logistique très simple,
composée de seulement trois acteurs entreprises.
145
Tout d‘abord nous présentons le modèle OPAM associé à cette chaine logistique et ensuite
nous illustrons le fonctionnement de l‘architecture, plus particulièrement des interactions
entre les différents agents du médiateur assurant le processus d‘intégration.
5.1 Modèle OPAM considéré et son implémentation

Considérons le modèle OPAM décrit par la Figure 4.39 (résultat d‘un raffinement de modèles
conceptuels initiaux), constitué de 10 agents (3 cognitifs et 7 réactifs) appartenant à 4
groupes, dont 2 mêlant agents réactif et cognitifs. La distinction entre ces deux choix
d‘architecture agent est lié à la nature des observables identifiés dans le cadre
méthodologique. Cette hétérogénéité se traduit de deux manières différentes : une relation de
contrôle entre un agent délibératif et 3 agents Machine (i.e. machine de production) ainsi que
la traduction d‘un agent hybride, l‘agent Compagnie 2, qui présente à la fois des
comportements délibératifs et réflexes. Les interactions entre ces différents agents sont
représentées par des flèches : elles illustrent les points de couplages qui relient les deux
environnements (de simulation) multi-agents, c‘est à dire : i) des échanges de messages entre
les agents Compagnie 1 et Directeur de production ; ii) des envois de signaux entre les agents
Machine s et Stocks ; iii) des échanges d‘information entre l‘agent directeur de production et
les agents réactifs de son groupe ; et enfin un « dialogue intérieur » dans les deux incarnations
de l‘agent Compagnie 2.
L‘implémentation de ces agents implique donc de les développer les agents délibératifs
dans Jason et les agents réactifs dans Jade. Le rôle du médiateur n‘est pas encore détaillé
puisque nous en sommes qu‘au début de
La Figure 4.39, page suivante, montre la transcription du modèle OPAM dans
l‘architecture d‘intégration, en indiquant les agents nécessaires à la mise en œuvre de ce
modèle et qui constituent le médiateur. L‘organisation multi-agents obtenue résulte de la
transcription directe du modèle OPAM. Les agents Compagnie 1, Directeur de production et
Compagnie 2 se retrouvent naturellement dans l‘environnement Jason de par la nécessité de
pouvoir simuler des processus de décision. Les autres agents Machines, Stock et Compagnie 3
ne nécessitent pas, dans le cas présent en tout cas, de comportements complexes et sont donc
simulés avec Jade.
146
Figure 4.39 : Modèle OPAM d‘une Chaîne logistique simplifiée.
Les groupes existent au travers des agents Gestionnaire de Groupe, dans le médiateur :
ainsi dans le cas de simulateurs « fermés », l‘identité du groupe (ses membres, les rôles joués,
les compétences, etc.) pourra être maintenue indépendamment de l‘architecture interne du
simulateur. De même, les agents Sources de Données sont reliés, soit directement aux agents,
soit à la description des données qu‘ils peuvent produire, garantissant ainsi sa capacité à
répondre aux demandes d‘information des agents Indicateurs. Ainsi que nous l‘évoquions en
début de la section 4.2, l‘interopérabilité est dans le cas présent simplifiée puisque les agents
peuvent communiquer directement. Elle se résume donc à la capacité d‘un agent à trouver son
interlocuteur indépendamment de sa localisation (i.e. environnement multi-agents) : aussi est
elle assurée par l‘agent DF i.e. fournissant un service d‘annuaire type Page Blanches et Pages
Jaunes. La Figure 4.40, montre le mécanisme de cette interopérabilité entre un agent cognitif
(Jason) et un agent réactif (Jade). De manière classique en SMA, elle se limite de fait à
l‘enregistrement des agents auprès du DF puis au la réponse du DF au demande d‘information
d‘adressage d‘un agent à un autre. Les agents peuvent alors communiquer directement entre
eux.
147
Figure 4.40 : Deux types d‘agents avec module pour l‘interopérabilité
5.2 Illustration du fonctionnement de l’architecture de

simulation
Les simulateurs pouvant maintenant interagir, nous donnons ci après quelques exemples de
simulation de processus au sein de la chaîne logistique. Les exemples choisis, décrivent des
processus classiques de chaîne logistique en considérant les trois types d‘interactions entre
simulateur et le médiateur : i) interactions intra simulateur « cognitif » (Jason) ; i) interactions
inter simulateurs et i) interactions intra simulateur « réactifs » (Jason).
Ainsi, la Figure 4.41 présente ce qui va déclencher le processus de fabrication et la
livraison des produits finis aux clients (i.e. marché). La simulation n‘implique que des agents
délibératifs et se décompose en plusieurs phases :
- Phase Configuration : volontairement simplifiée, pour ne pas charger le schéma, la
simulation est précédée d‘une phase de configuration consistant en l‘inscription des
agents auprès de l‘agent Gestionnaire. De même, les échanges de messages liés à la
gestion de la communication (un agent contact le DF pour connaître l‘adresse d‘un
autre agent afin de lui envoyer un message) ne sont pas mentionnés. Enfin, la phase de
configuration liée à la production d‘indicateur n‘est également pas mentionnée (cf.
section 4.3).
148
Chapitre 4 : Une architecture logicielle pour la modélisation et la simulation organisationnelle de chaînes logistique
Figure 4.41 : Transcription du modèle OPAM dans l‘architecture logicielle
149
- Phase Simulation CL :
1- L‘agent Compagnie 1 contacte son Directeur de Production afin de préparer et
livrer la commande qu‘il a pu négocier avec un autre agent.
2- Ce dernier évalue sa capacité à répondre à cette commande dans les temps. Elle
peut impliquer un calcul complexe comme celui décrit dans [TRANVOUEZ et
FERRARINI, 2006] consistant soit à recourir aux stocks disponibles, à produire
totalement la commande ou toute combinaison des deux, en se basant sur des
opérations de réordonnancement au niveau des machines de production. Dans ce
dernier cas, un processus de négociation pourrait être lancé par l‘agent Directeur
de production. La complexité du processus justifie ainsi pleinement le recours à
une architecture délibérative.
3- L‘agent Directeur de Production confirme (ou non) sa capacité à traiter la
demande.
- Phase Production d’indicateur :
L‘agent Indicateur demande à l‘Agent Source de Données (ASD) du groupe 1, de lui
envoyer le nombre de commandes validées.
L‘ASD relaie cette information auprès de l‘agent Directeur de production; qui lui
répond avec les informations demandées. L‘ASD transmet alors l‘information à
l‘agent indicateur qui peut produire l‘indicateur de type Activité (cf. Tableau 4.7)
Volume traité en intégrant les données reçues.
150
Figure 4.42 : Interaction entre les agents dans le groupe 1 (Agents Délibératifs) et les agents
du médiateur
La Figure 4.42, donne un exemple d‘interactions inter-simulateurs, c'est-à-dire impliquant

des agents localisés à différents endroits, mais ne devant pas en tenir compte (si tant est qu‘ils
en soient « conscients »). Elle décrit la simulation d‘une demande de fabrication suivie du
processus de calcul d‘un indicateur :
- Partie Simulation CL :
1- L‘agent Directeur de Production (Jason) demande à « ses » trois machines de
production (Jade) de fabriquer chacune un produit spécifique (i.e. produit 1 par
machine 1 etc.) ;
2- Chaque agent Machine accuse réception et confirme la production du bien ;
3- Elles livrent leur produit à un agent Stock, i.e. émettent un signal l‘indiquant et
simulant l‘arrivée du produit.
- Partie Production d’indicateur
151
1- L‘agent Indicateur demande à l‘Agent Source de Données (ASD) du groupe 2, de

lui envoyer le nombre de produits fabriqués et le nombre de rebuts par machine du
groupe (i.e. Service Production)
2- L‘ASD relaie cette information auprès de chaque agent Machine ;
3- Les agents Machine lui répondent
4- L‘ASD transfère l‘information consolidée à l‘agent Indicateur
5- Qui peut alors produire la valeur de l‘indicateur Qualité du produit (type Qualité
dans le Tableau 4.7) à partir des données reçues en calculant le taux de produits
conformes.
Figure 4.43 : Interaction entre les agents dans le groupe 3 (Agent réactifs et Cognitifs)
La Figure 4.43 décrit la gestion d‘un transport de produit après fabrication : l‘Agent
Compagnie 2 donne l‘ordre aux agents (réactifs donc implémentés en Jade) Camion et Stock
de se préparer à livrer une commande. L‘agent Camion confirme sa disponibilité ou sa
capacité à répondre dans les temps, demande les produits concernés à l‘agent Stock qui les lui
remet, et part les livrer au client (Compagnie 3) qui lui remet un accusé de réception de la
marchandise. Il confirme enfin à l‘agent Compagnie 2 la livraison (ou pas) des produits.
152
Figure 4.44 : Interaction entres les agents dans le Groupe 2 (agents cognitifs agent réactifs)
L‘agent Indicateur demande le nombre de produits livrés à l‘ASD qui relaie à l‘agent
Compagnie 2 cette demande, puis il transmet cette information à l‘agent Indicateur afin qu‘il
puisse produire un indicateur de qualité de service concernant le taux de produits livrés dans
le temps.
6. Conclusion
Le chapitre 3 a décrit le cadre méthodologique, que nous proposons, pour faciliter
l‘élaboration de simulations de chaînes logistiques tenant compte de leur structure
organisationnelle et des observables retenus dans une expérimentation particulière.
L‘architecture logicielle, que ce chapitre a présentée, se propose d‘accompagner cette
implémentation en permettant une transition simplifiée des modèles CAOM et leur
implémentation dans différents simulateurs. Nous avons alors établi les différents types de
besoin que cet objectif soulevait (gestion de la structure organisationnelle i.e. les groupes,
production des indicateurs correspondants aux observables, gestion du temps , etc.).
Une revue de littérature ciblée sur ces besoins a conclu à l‘intérêt d‘une approche par
intégration capable d‘assurer l‘intégration des modèles produits par le cadre méthodologiques
153
et potentiellement exploitable par des environnements de simulations différents. Cette étude a

abouti à proposer une intégration basée sur un médiateur chargé d‘assurer la simulation des
modèles produits, la production d‘indicateurs, dans un contexte distribué (plusieurs
simulateurs), hétérogène et organisationnel. Des solutions existant déjà pour gérer
l‘interopérabilité ou la synchronisation d‘horloges entre plusieurs simulations, nous avons
retenu deux environnements de développement de systèmes multi-agent, Jade et Jason pour
simuler le comportement d‘agents réactifs et délibératifs. Nous avons donc recentré le rôle du
médiateur sur le maintien de la structure organisationnelle d‘entités simulées sur différent
médiateur ainsi que la production d‘indicateurs définis au niveau d‘un agent ou d‘un groupe
d‘agents. Un exemple simple a été employé pour illustrer les mécanismes assurant
l‘intégration des simulateurs, le maintien de l‘identité de groupe indépendamment de la
localisation des agents et enfin l‘échange d‘information entre les simulations.
Le chapitre suivant illustre la mise en œuvre du cadre méthodologique sur un cas d‘étude
d‘une chaîne logistique, en partant d‘une modélisation métier de la chaîne logistique jusqu‘à
sa transcription dans notre architecture logicielle.
154
CHAPITRE 5 : MISE EN ŒUVRE SUR UN CAS
D’ÉTUDE DE CHAÎNE LOGISTIQUE
PLAN DU CHAPITRE
1. Introduction ................................................................................................................. 156
2. Présentation du cas d’étude : le cas « Raquettes » ................................................... 156

2.1 Description de la chaîne logistique du cas « Raquettes » ...................................... 156
2.2 Définition des rôles des acteurs de la chaine.......................................................... 160
2.3 Caractérisation et dimensionnement de la chaine .................................................. 161
3. Mise en œuvre du cadre méthodologique .................................................................. 165

3.1 Rappel du cadre méthodologique ........................................................................... 165
3.2 Modèle Organisationnel Conceptuel Rôle (CROM) .............................................. 167
3.3 Modèle Organisationnel Conceptuel Agent (CAOM) ........................................... 170
3.4 Modèle Opérationnel Agent (OPAM) .................................................................... 173
4. Implémentation et mise en œuvre de l’architecture logicielle ................................. 175

4.1 Présentation générale.............................................................................................. 175
4.2 Description du scénario et de la sous partie de la SC concernée ........................... 177
4.3 Implémentation des agents dans l‘architecture (ALMOSIM) ................................ 179
4.4 Implémentation des agents cognitifs en JASON .................................................... 180
4.5 Implémentation des agents réactifs en JADE ......................................................... 181
4.6 Scénario d‘interaction entre agents réactifs et agents cognitifs ............................. 182
5. Simulations : résultats et interprétations .................................................................. 189
6. Conclusion .................................................................................................................... 190
155
Chapitre 5 : Mise en œuvre sur un cas d‘étude de chaîne logistique
1. Introduction
Les deux chapitres précédents ont présenté nos principales contributions, tout d‘abord un
cadre méthodologique et ensuite une architecture logicielle pour la modélisation et la
simulation « organisationnelle » de chaines logistiques. L‘objet de ce chapitre est de mettre en
œuvre ces deux contributions sur un cas d‘étude de chaine logistique.
Dans la deuxième section de ce chapitre nous présentons l‘étude de cas d‘une chaine
logistique, le cas « Raquette », relatif à la production de raquettes de tennis, qui nous servira à
illustrer la mise en œuvre de nos deux contributions. La section trois développe la
modélisation de cette chaine logistique selon le cadre de modélisation que nous avons
proposé, conduisant à la production des modèles CROM, CAOM et OPAM. La section quatre
présente l‘implémentation et la mise en œuvre de l‘architecture logicielle à base d‘agents que
nous avons proposé, permettant l‘exécution du modèle OPAM. Enfin la section cinq présente
et interprète les résultats de simulations relatifs à la chaîne logistique du cas « Raquette »,
obtenus par l‘étude de plusieurs scénarios pertinents.
2. Présentation du cas d’étude : le cas « Raquettes »

Cette section présente un cas d‘étude de chaîne logistique, le cas « Raquettes », relatif à la
production de raquettes de tennis. Nous utiliserons ce cas pour illustrer la mise en œuvre du
cadre méthodologique et de l‘architecture logicielle que nous avons proposée dans les
chapitres précédents.
Tout d‘abord nous présentons de façon générale la chaine logistique associée au cas
« Raquette », ensuite nous définissons les différents rôles affectés aux acteurs de cette chaine,
et enfin nous caractérisons et dimensionnons la chaine logistique que nous utiliserons dans les
sections suivantes pour la mise en œuvre de notre cadre de modélisation et notre architecture
logicielle.
2.1 Description de la chaîne logistique du cas « Raquettes »

La chaîne logistique considérée est inspirée des manufacturiers appartenant à l‘industrie des
raquettes des tennis. Les entreprises qui composent la chaîne logistique sont considérées
comme juridiquement autonomes et collectivement responsables pour approvisionner les
produits finis sur l‘ensemble de zones marchées. En amont se trouve un ensemble de
156
fournisseurs chargés d‘acheminer les composants ou les matières premières dont ils assurent
la production, vers le manufacturier de produits finis (manufacturier de la raquette de tennis).
L‘offre du marché en matière de raquettes de tennis doit permettre au joueur de mieux
choisir sa raquette en fonction de ses mensurations, de son type de jeu, et de ses préférences
en général. Les raquettes de tennis présentent donc un intérêt d‘un point de vue organisation
de la chaîne logistique : elles peuvent être produites à la fois en de nombreux exemplaires et
présenter de nombreuses combinaisons d‘assemblage voire être proposée en production sur
mesure. En d‘autres termes, l‘organisation de la chaîne logistique doit alors répondre à ces
différents types de demande des profils de joueurs.
Figure 5.45 : Les différentes parties de la raquette de tennis
Comme l‘illustre la Figure 5.45, la raquette de tennis se compose d'un cœur qui peut être
en différents matériaux (bois, aluminium, composite,...) et d‘un cordage. La partie par laquelle
on tient la raquette est le manche, bordé d'un grip pour le confort et une meilleure tenue. Les
rôles des différents éléments sont les suivants :
- Le manche : partie par laquelle le joueur tient sa raquette, le manche peut être de
différentes épaisseurs afin de répondre aux besoins spécifiques de chaque client.
157
- Le cadre (Cœur compris): Le matériau utilisé lors de la fabrication du cœur va influer

sur le poids, la rigidité, la puissance, le contrôle et enfin et surtout le prix.
- Le cordage : à nouveau, le choix de matériau est varié (polyester, nylon, …),

l‘épaisseur et la pression du cordage peuvent également varier selon que le niveau de
résistance ou de contrôle de balle recherché.
Les commandes de Raquettes de Tennis peuvent être émises de deux manières

différentes :
- auprès de détaillants : disposant de stocks de produits suffisants en type et quantité
de produits, ces détaillants peuvent être des grandes surfaces, magasins de sports ou
boutiques spécialisés. Ces commandes concernent en général des produits
« standards », mais certains détaillants peuvent proposer un service de commande sur
mesure, qu‘ils relaient à la chaîne logistique (la plus value pouvant notamment se
justifier par le conseil apporté pour constitué une commande).
- directement à la chaîne logistique via une architecture B2C (Business to Client) soit
classiquement un site internet avec une organisation adaptée (Figure 5.46). Ce dernier
mode de commande, se prête particulièrement à la prise en compte des besoins
spécifiques de clients individuels. Les détaillants peuvent d‘ailleurs l‘employer dans
le même but.
Dans cette étude, les demandes clients sont regroupées par zone de marché, la chaîne
cherchant alors à rationaliser sa production en fonction de ces demandes.
Les commandes sont délivrées par des distributeurs qui nécessitent également une
capacité de stock pour livrer ses propres clients. Par simplification, le cas d‘étude considère
des distributeurs régionaux (i.e. limités à un marché) qui livrent à des clients ou détaillants et
un distributeur général qui interagit uniquement avec des distributeurs régionaux.
158
Figure 5.46 : Chaîne logistique considérée
159
Les fabricants de Raquettes de Tennis (ou manufacturier dans la Figure 5.46) se chargent
de l‘assemblage des produits finis, à partir des matières premières ou semi-finies produites par
les fournisseurs de chacun des type de composant formant une raquette de Tennis. Un
fabricant réalise : i) des opérations de modification des composants (Manche, Cadre,
Cordage) et ii) leur assemblage (insertion du cadre sur le manche, etc.). Ces opérations
peuvent traiter des commandes globales ou répondre à des demandes de personnalisation de
produit. Il fait transporter sa production vers le distributeur principal. Les fabricants des
pièces à assembler interagissent également avec les fournisseurs de matières premières.
Dans le cas de matériaux ou d‘opérations d‘assemblage complexes, un fabricant peut
sous-traiter une partie de sa production à un autre fabricant. Ces différents transports de
marchandises sollicitent donc, à différent moment du cycle de vie d‘une raquette de Tennis,
des transporteurs. Leur constitution est un peu différente des autres entreprises en ce sens
qu‘ils sont généralement issus d‘un tissu d‘entreprises de petite ou moyenne taille (PME),
caractérisées généralement par une structure hiérarchique allégée. Dans le présent cas
industriel, nous avons retenus les fabricants intermédiaires suivants : (i) un fabricant de
Manche (Handle), un fabricant de cadre (cœur compris) (Shoulder), (iii) et un fabricant de
cordage (Stringing).
2.2 Définition des rôles des acteurs de la chaine

Dans ce cas d‘étude on définit pour chaque acteur de la chaîne logistique, un ou plusieurs
rôles. Ces rôles seront aux acteurs du Modèle Organisationnel Conceptuel Acteur et aux
agents du Modèle organisationnel Conceptuel Agent. Ces rôles sont basés sur les rôles
génériques proposés par Montreuil cité dans [LABARTHE, 2006] et sont ensuite
particularisés pour le cas d‘étude. La typologie de rôles génériques proposée par
[LABARTHE, 2006] est la suivante :
- Producteur : Fabrique des produits, des modules ou des pièces par des opérations sur
des matériaux ;
- Processeur : Réalise des opérations sur des produits ou des pièces selon le devis de
clients ;
- Assembleur : Assemble des produits ou modules à partir de pièces ou modules
délivrés par des fournisseurs ;
- Personnaliseur: Réalise des commandes personnalisées à partir de produits et de
modules ;
160
- Distributeur : Reçoit, stocke, prépare et expédie des produits, modules et pièce pour
satisfaire des commandes ou requis de clients ;
- Détaillant : Accomplit des actes de commerce. Reçoit, stocke et prépare des produits
pour satisfaire des commandes ou requis de clients ;
- Transporteur : Déplace, transporte, manipule des biens entre les centres selon les
ordres des clients.
Cette typologie des rôles générique permet de décrire les principaux rôles qui s‘inscrivent
dans une chaîne logistique qui dispose d‘un rôle précis au sein de l‘organisation. Afin de
prendre en considération le contexte des produits configurables, et ce, dès la phase de
conception, nous proposons d‘ajouter un rôle qui est celui du consommateur. Dans le but
d‘appréhender les comportements de ces individus distincts aux besoins personnalisés il
apparaît nécessaire de les représenter, et ce, dès la phase de modélisation.
2.3 Caractérisation et dimensionnement de la chaine

A partir de la description d‘une chaîne logistique (CL) permettant la production et la vente de
raquettes de tennis, nous avons retenu une première instanciation simplifiée en vue d‘être
simulée. Ainsi, la chaîne logistique considérée est composée de quatre entreprises
manufacturières et d‘un distributeur comme l‘illustre la Figure 5.47. Ces entreprises
collaborent en vue de délivrer les raquettes aux différentes zones de marché, tout en
maintenant leur autonomie de gestion.
L‘entreprise « centrale » de la CL, l‘assembleur, reçoit les composants nécessaires à
l‘assemblage de la raquette (c.à.d. le cordage, le cadre et le manche) de trois entreprises
fournisseurs. Une fois assemblées, les raquettes sont prises en charge par un distributeur qui
livre les trois marchés : France, Italie et Suisse. Ces marchés peuvent eux-mêmes être divisés
en sous-marchés régionaux. Une zone de marché est alors définie comme un ensemble de
distributeurs, de points de ventes et de consommateurs. Dans notre cas d‘étude, la demande
est définie au niveau des marchés et agrège des besoins de produits exprimés par des points de
ventes ou des demandes individuelles passées (en théorie) via une interface B2C.
161
Figure 5.47 : Exemple de chaîne logistique de cas d‘étude Raquette de tennis
162
La Figure 5.47 décrit les interactions entre les entreprises (fournisseurs, manufacturiers,
distribution et points de vente) de la CL. Cette représentation constitue un modèle de domaine
de la chaîne logistique indiquant notamment le fonctionnement interne de chaque entreprise
en termes de processus (production, assemblage, etc.) et de gestion de stock.
Dans les tableaux suivants (Tableau 5.8 et Tableau 5.9) sont présentées les
caractéristiques associées au niveau des marchés considérés.
Caractéristique Description
Taille La taille de la tête des raquettes tennis représente la longueur du cadre, le profilé et les
dimensions du tamis.
Tamis Le tamis décrit la surface de cordes des raquettes tennis. Selon sa taille, il détermine la puissance
de la raquette et sa tolérance. Un tamis moyen est compris entre 630 cm² et 660cm². Un grand
tamis est supérieur à 660 cm². Un petit tamis est inférieur à 630 cm².
Cadre Le cadre est décrit par sa longueur, représentée par la longueur totale d‘une raquette exprimée en
centimètre comprenant le manche et la tête. Les raquettes tennis de taille standard ont une
longueur de leur cadre circulant de 68 à 69. Devenant stretch ou long body quand leurs tailles
sont plus grandes que 69 cm. le profilé de la raquette, quant à lui, est exprime en millimètre et
détermine l‘épaisseur du cadre.
Profilé L‘épaisseur du cadre varie selon l‘objectif du client : fin pour un gain de précision et large pour
plus de puissance. et de contrôle.
Poids Le poids de la raquette de tennis intervient également dans la puissance et le contrôle du jeu : ces
deux objectifs étant en opposition : une raquette plus lourde aura plus de puissance mais moins
de contrôle. Ainsi, le poids de raquettes cordées pour des enfants et débutant varie entre 200 gr et
270 gr contre 240 à 360/370 pour des joueurs plus expérimentés..
Contrôle La raquette de tennis est plus puissante lorsque son profile est plus élevé, inversement, le
contrôle est plus élevé lorsque le profilé est plus petit.
Matériau En aluminium pour des raquettes de débutant, les matériaux employés sont en graphite ou des
combinaisons d‘aluminium et de graphite, en Fibre de carbone, etc.
Puissance La puissance des raquettes de tennis peuvent être améliores, selon les types de mouvements, ou
des styles de jeux des joueurs. Les raquettes tennis sont ainsi caractérisées selon plusieurs critères
: matériaux, profilé, tamis, équilibre. La puissance est d‘autant plus grande que le tamis est plus
grand au détriment du contrôle.
Maniabilité La maniabilité d‘une raquette est inversement proportionnelle au poids de la raquette.
Précision Un tamis petit ou moyen, un profilé plus fin et un matériau Titanium ou graphite répond à un
besoin (client) de contrôle.
Equilibre Il détermine la distance (en cm) de la base du manche jusqu'au point d'équilibre de la raquette.
Les raquettes dites rallongées ont un équilibre environ toujours en tête et sont en général plus
légères. Le choix de l'équilibre d'une raquette changera selon la morphologie et le type de jeu
pratiqué. Un joueur avec un aspect d'une amplitude plus importante et désirant obtenir un gain de
puissance privilégiera une raquette plus en tête (plus grand de 34cm) à l‘inverse, un joueur au
aspect court et voulant obtenir un gain de maniabilité privilégiera un équilibre plutôt en manche
(plus petit de 32cm).
La souplesse et la La souplesse et la rigidité sont fonction de la nature des matériaux utilisés dans la fabrication.
163
rigidité Une raquette rigide apportera plus de stabilité à l'impact et donc plus de contrôle et de précision,
à l'inverse une raquette souple apportera un gain de puissance et de confort. Un équilibre en tête
peut faire apparaître la raquette pour plus lourde qu'elle ne l'est en réalité et inversement.
Le plan de cordage Le tamis peut accueillir 14, 16 ou 18 montants et 18, 19, 20 ou 22 travers. Plus la balle est en
contact avec une densité importante de cordes plus on peut lui donner la précision que l'on désire.
Moins il y a de cordes, moins il y a de contrôle mais davantage de puissance et de prise d'effet.
Tableau 5.8 : Caractéristique et qualités des raquettes de tennis
La demande est considérée comme étant l‘un des éléments essentiels formant la
dynamique de l‘environnement de la chaîne logistique. En termes de produit nous considérons
trois types, qui sont les suivants (Tableau 5.9) :
Type Description
Junior Destinés à des enfants, deux gammes de raquettes sont prévues en fonction du niveau de
pratique:
1. gamme débutant : pour les enfants commençant à jouer au tennis.
2. gamme confirmé : si l‘enfant possède déjà des bases techniques.
La raquette sera choisie également en fonction de la taille de l'enfant.

Adulte Le joueur doit choisir sa raquette en favorisant la précision. il choisira donc pour une raquette
avec un petit tamis, un équilibre en manche et/ou un poids supérieur à 300g.
intensif
- Taille du tamis: Un grand tamis est supérieur à 660 cm². un tamis moyen est compris
entre 630 cm² et 660cm².
- Poids: Une raquette est dite légère quand son poids est inférieur à 285g.
- Equilibre: Un équilibre neutre correspond à une distance d'environ 32 cm. un

équilibre en manche correspond à une distance de moins de 31cm.
Adulte Le joueur régulier doit choisir sa raquette en favorisant le contrôle et la puissance. S‘il a besoin
de contrôle, il choisira pour une raquette avec un tamis moyen et/ou un équilibre neutre. S'il a
régulier
besoin de puissance, il choisira pour une raquette avec un grand tamis et/ou un équilibre en tête.
- Taille du tamis: Un grand tamis est supérieur à 660 cm². un tamis moyen est compris
entre 630 cm² et 660cm².
- Poids: Une raquette est dite légère quand son poids est inférieur à 285g.
- Equilibre: Un équilibre neutre correspond à une distance d'environ 32 cm. Un

équilibre en manche correspond à une distance de moins de 31cm.
Tableau 5.9 : Type raquette de tennis
Afin de reproduire des phénomènes saisonniers, propre à l‘industrie du loisir, nous avons
établi un volume de vente par trimestre et par marché. Ces données sont synthétisées dans le
Tableau 5.10.
164
Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4

Précisions Quantité/ Moyenne/ Quantité/ Moyenne/ Quantité/ Moyenne/ Quantité/ Moyenne/
Marché
Marché Trimestre Jour Trimestre Jour Trimestre Jour Trimestre Jour
Junior
4000 44 4500 50 1750 19 1250 14
France Adulte
5000 56 5250 58 2000 22 1500 17
intensif
Adulte
3250 36 4000 44 1500 17 1250 11
régulier
Junior
3000 33 3750 42 2500 28 1750 19
Adulte
Italie 3500 39 4000 44 2250 25 2000 22
intensif
Adulte
2000 22 2750 31 2000 22 1750 19
régulier
Junior
3500 39 4250 47 3750 42 2500 28
Adulte
Suisse intensif 2750 31 3250 36 3000 33 2000 22
Adulte
4250 47 4500 50 3500 39 1750 19
régulier
Tableau 5.10 : Demande par trimestre
De même, nous avons défini un niveau de stock de produits selon chaque famille de
produit (Junior, Intensif et Régulier), ainsi que l‘indique le Tableau 5.11.
Niveau Stock de type Junior Stock de type adulte intensif Stock de type adulte régulier
Stock initial Taille initiale Stock initial Taille initiale Stock initial Taille initiale
Agent
Stock Vrai 7000 Vrai 8750 Vrai 8500
Tableau 5.11 : Les paramètres d‘initialisation des stocks des différents types
3. Mise en œuvre du cadre méthodologique

Cette section illustre la mise en œuvre du cadre méthodologique orienté agents sur le cas
d‘étude « Raquettes ». Après avoir brièvement rappelé le cadre méthodologique, cette
illustration présente les différents modèles découlant des différentes phases de conception du
cadre méthodologique proposé au chapitre trois. Aussi nous détaillons tout d‘abord le Modèle
Organisationnel Conceptuel Rôle (CROM), le Modèle Organisationnel Conceptuel Agent
(CAOM), et le Modèle Opérationnel Agent (OPAM).
3.1 Rappel du cadre méthodologique

L‘objectif général du cadre méthodologique proposé est de permettre la modélisation et la
simulation de chaînes logistiques prenant mieux en compte les aspects organisationnels et les
finalités d‘étude de ces chaînes. Pour cela il est fondé sur trois grands principes : (i) une
description organisationnelle de la chaîne, (ii) une identification explicite d‘observables, et
165
(iii) une approche multi-niveaux dans laquelle cette description organisationnelle et cette
identification des observables seront faites à des niveaux de détail et/ou d‘organisation
différents, jugés pertinents pour la modélisation et la simulation de la chaîne.
Dans le processus de modélisation et de simulation de chaîne logistiques, comme l‘illustre
la figure suivante, notre cadre méthodologique distingue trois principales étapes :
Figure 5.48 : Cadre méthodologique pour la modélisation et la simulation orientée agents.
166
- La modélisation conceptuelle avec l‘élaboration du Modèle Organisationnel

Conceptuel Rôle (ou CROM – Conceptual Role Organizational Model), puis au
Modèle Organisationnel Conceptuel Agent (ou CAOM – Conceptual Agent
Organizational Model).
- La modélisation opérationnelle est composée du Modèle OPérationnel Agent (ou
OPAM – OPerational Agent Model) ;
- L’exploitation qui à partir du modèle OPAM, conduit à la constitution d‘un système
multi-agents et de l‘exécution de simulations avec celui-ci.
Dans les sous-sections suivantes nous présentons les étapes de modélisation conceptuelle
et de modélisation opérationnelle. L‘étape d‘exploitation sera présentée dans la section quatre
de ce chapitre.
3.2 Modèle Organisationnel Conceptuel Rôle (CROM)

Le modèle CROM a pour objectif de spécifier la structure organisationnelle de la chaîne
logistique, ainsi que les relations structurelles et dynamiques entre les entités/acteurs qui la
composent. Pour notre cas d‘étude, nous retrouvons les types acteurs principaux : les
fournisseurs, les transporteurs, les assembleurs et les clients.
La modélisation conceptuelle de notre chaine a été faite à trois niveaux de détail: N1, N2
et N3. Chaque niveau se compose d‘un ou plusieurs groupes d‘acteurs. Rappelons qu‘il existe
dans un modèle CROM deux types de groupes d‘acteurs : les groupes structurels associés à
une description isomorphe de l'organisation structurelle de la chaîne logistique, et les groupes
dynamiques, caractérisés par une durée de temps ou un objectif partagé par des acteurs de
différents groupes structurels.
Dans le premier niveau, le niveau N1, on trouve les quatre acteurs Compagnie1,
Compagnie2, Compagnie3 et Compagnie4, liés par une relation de type collaboration, et
jouant respectivement les rôles de Fournisseur, d‘Assembleur, de Transporteur et de Clients.
Chacune de ces Compagnies est représentée par un groupe d‘acteurs plus fins jouant des rôles
spécifiques dans les niveaux N2 et N3. Ainsi l‘acteur Compagnie1, peut négocier avec
l‘acteur Compagnie2, chacun de ces acteurs vérifiant la capacité de production/assemblage
avec leur Directeur de production et Directeur d‘assemblage respectifs spécifiés au niveau N2.
Ces derniers acteurs prennent les décisions à court terme au niveau N2, mais ils sont aussi
responsables de ces décisions et du contrôle en temps réel de leur exécution sur le niveau N3.
167
Ainsi l‘acteur Compagnie1 joue tout d‘abord deux rôles différents (Fournisseur et
Représentant de la direction) dans deux groupes différents (un Groupe Dynamique et un
Groupe Structurel) et dans les niveaux N1 et N2. Cet acteur envoie un ordre à l‘acteur
Directeur_de_production pour fabriquer un produit, en jouant deux rôles: Gestion de produit
(au niveau N2) et Assignation de produit (au niveau N3), ils s‘assurent de la bonne exécution
de cet ordre.
168
Figure 5.49 : Illustration du modèle CROM dans le cas de chaîne logistique

169
Ensuite, l‘acteur Directeur_de_production vérifie la disponibilité de stock et la

disponibilité de matières premières à partir de l‘acteur Stock1 et de l‘acteur Stock_matière.
Ces derniers délivrent les matières premières vers les acteurs Machines_de_production
(acteurs Production1, Production2 et Production3) pour fabriquer les produits. Ces derniers
acteurs réalisent diverses étapes de transformation conduisant aux produits finis. Ces derniers
sont livrés à l‘acteur Stock1.
Enfin, l‘acteur Compagnie2 (joue le rôle d‘assembleur) utilise l‘acteur Compagnie1 à
partir de l‘acteur Stock qui joue le même rôle dans deux groupes différents (Groupe Structurel
et Groupe Dynamique). Le rôle de Compagnie2 est d‘assembler les produits finis. Diverses
étapes sont nécessaires pour assembler les produits finis (Groupage, Assemblage et
Emballage), ces derniers sont livrés vers le stock (Stock2), Ensuite, ce produit est transporté
par la Compagnie3 vers la Compagnie4 qui s‘occupe de le personnaliser, et de le distribuer à
un distributeur ou à un détaillant.
On utilise des variables pour caractériser l‘activité (volumes traités), productivité (taux
d‘utilisation des ressources), qualité (qualité du produit, qualité du service), coûts (coût
d‘unité, coût total, coût de production coût de transport, coût de stockage, coût de commande,
coût de distribution, coût logistique), délais (délai de livraison, délai de réponse).
Dans notre cas Raquettes, un processus VMI (Vendor Management Inventory) est décrit
dans la Compagnie2 qui utilise la Compagnie1 comme une ressource d'actions en cas de
besoin. Considérant que l'acteur Stock appartient à la Compagnie1 (relations structurelles)
joue le même rôle (Stock) dans un groupe dynamique constitué avec l'acteur Camion de la
Compagnie2. La relation de type « contrôle » est une relation orientée indiquant qu‘un rôle a
un contrôle sur d‘autres rôles et peut ainsi leur demander d‘effectuer des tâches spécifiques :
la marge de manœuvre des rôles « subalternes » est donc réduite.
3.3 Modèle Organisationnel Conceptuel Agent (CAOM)

Rappelons que l‘objectif du modèle CAOM (Conceptual Agent Organizational Model), est de
spécifier les comportements de tous les acteurs précédemment identifiés dans le modèle
CROM.
Dans ce modèle, il s‘agit de filtrer les comportements d‘un système physique et les
comportements d‘un système complexe dans lequel des processus de décisions complexes
interviennent. Cette traduction permet aussi de mettre en évidence les variables (Quantitatives
ou Qualitatives). Cela consiste à transformer les acteurs dans le modèle (CROM) en agents
170
dans le modèle (CAOM). Chaque acteur dans le CROM est présenté par un agent dans le
modèle CAOM. Cette tâche permet de traduire les relations entre les acteurs définis lors de la
première tâche. Il s‘agit de reporter sur le CAOM, l‘ensemble des relations recensées sur le
CAOM. Chaque relation du CROM est représentée sur le CAOM par des interactions. Dans le
modèle CAOM on distingue deux grands types d‘agents : les agents réactifs (AR) aux
comportements basiques, et les agents délibératifs (AD) aux comportements complexes
pouvant nécessiter des interactions avec d‘autres agents délibératifs ou réactifs.
La Figure 5.50 illustre le modèle CAOM associé à notre cas d‘étude. Comme le modèle
CROM dont il est dérivé, il est structuré en 3 niveaux N1, N2 et N3. Chaque niveau se
compose d‘une ou plusieurs groupes (Structurel ou Dynamique) d‘agents. Dans le niveau N1,
les agents Compagnie1, Compagnie2, Compagnie3 et Compagnie4 sont liés par une
interaction de type complexe, définie par relation de type « collaboration » dans le Modèle
CROM. Chacune de ces agents est représenté par un groupe d‘agents (de nature réactive ou
délibérative) qui jouent un rôle à différents niveaux hiérarchique.
En outre, un processus VMI et décrit dans laquelle l‘agent Compagnie 2 utilise l‘agent
Compagnie 1, comme l‘agent Compagnie 3 utilise l‘agent Compagnie 2, en tant que
ressources d‘actions en cas de besoin. Ainsi l‘agent Stock est un agent jouant le même rôle
dans deux groupes différents, c‘est un agent commun à Compagnie 1 et à Compagnie 2.
L‘interaction physique spécifie la circulation de l‘information entre agents liés à des flux
physiques (i.e. transfert de matières, produits…). Ainsi que spécifiée dans le modèle CROM
précédent, ces interactions ont lieu au sein de groupes dynamiques (GD 5 et GD 6),
caractérisant des relations « contractuelles », c'est-à-dire définie en dehors d‘un cadre
structurel (i.e. dans entreprise) et dont la durée de vie est liée à celle du contrat (au sens large,
i.e. dans un cadre de collaboration ou client/fournisseur).
171
Figure 5.50 : Illustration du modèle CAOM dans le cas de chaîne logistique

172
3.4 Modèle Opérationnel Agent (OPAM)

L‘objectif du modèle OPAM correspond à la notion de modèle de conception en ingénierie
logicielle : il donne les informations nécessaires à l‘implémentation des modèles. Le modèle
précédent, CAOM, a déjà identifié les types de comportements attendus des agents, et indiqué
le type d‘architecture à préférer en fonction des observables désirés. Ceci implique donc de
gérer au moins deux environnements de simulation de nature et de structure différentes : un
environnement pour agents réactifs – AR, et un environnement pour agents délibératifs (ou
cognitifs) - AD.
Dans la Figure 5.51, la structure est divisée en deux environnements, d‘agents délibératifs
et d‘agents réactifs. Dans l‘environnement d‘agents délibératifs (AD) par exemple, l’Agent
Compagnie 1, l’Agent Compagnie 2, l’Agent Compagnie 3 et l’Agent Compagnie 4 sont
connectés par une interaction de type message. Dans l‘environnement d‘agents réactifs (AR)
par exemple, l‘agent Stock_de_Matière et l‘agent Production1 sont aussi connectés par une
interaction de type message.
L‘Agent Compagnie3 est un agent « hybride » en ce qu‘il doit assurer à la fois des
fonctions de négociations (contrats de livraison) et de suivi du bon déroulement des livraisons
(affectation des missions, suivi des livraisons…). Ceci s‘explique par la petite taille de
l‘entreprise en question (une PME par ex.), amenant la personne en charge joue les deux
rôles. Ces rôles représentent donc un seul acteur mais nécessitent différent niveaux de
représentations des comportements mettant en œuvre ces fonctions. Il y a donc deux agents
(en forte coordination) pour jouer le rôle de l‘entreprise Compagnie 3 : l‘un cognitif et l‘autre
réactif.
De même, on peut noter deux choix différents de modélisation du rôle transporteur
(camion). Ainsi, on pourrait considérer que ce rôle est plus important (par rapport aux
objectifs de simulation) lorsqu‘il intervient dans le transport entre les compagnie 1 et 2 car
intervenant directement dans le processus de production (zone manufacturier dans la Figure
5.46) alors que le transport entre les compagnies 2 et 4 relève de la modélisation de la relation
clients. Ceci a conduit à proposer deux choix d‘architectures différents : cognitif pour l‘agent
Camion 1 et réactif pour l‘agent Camion2.
Cet exemple relativement simple permet donc d‘illustrer les différents de cas de figures
rencontrés dans l‘élaboration d‘un modèle OPAM à partir d‘un modèle CAOM donné.
173
Figure 5.51 : Illustration du modèle OPAM dans le cas de chaîne logistique
174
4. Implémentation et mise en œuvre de l’architecture

logicielle
4.1 Présentation générale
La simulation du modèle opérationnel, produite après des étapes de raffinement du modèle
conceptuel initial, suppose l‘existence d‘une infrastructure logicielle. Au niveau des
architectures logicielles d‘agents, nous conduit à considérer deux environnements d‘agents.
Chaque environnement regroupe les agents de même type qui disposent d‘environnements de
simulation spécifiques.
Dans cet exemple (Figure 5.52), la structure est supportée par deux plates-formes, une
pour les agents cognitifs et l‘autre pour les agents réactifs.
La plateforme JASON, est retenue pour les développements d‘agents cognitifs pour sa
facilité de mise en œuvre des agents BDI. Les interactions entre les agents cognitifs sont
définies sous la forme de messages, par exemple, l‘interaction entres les quatre agents,
l’Agent Compagnie 1, l’Agent Compagnie 2, l’Agent Compagnie 3 et l’Agent Compagnie 4.
Nous avons aussi retenu la plateforme JADE pour implémenter les agents réactifs pour sa
facilité de mise en œuvre de comportements simples (modèles de comportements simplifiés)
et son support logiciel bas niveau. Les interactions entre les agents réactifs sont définies sous
la forme de message, par exemple, l‘interaction entre l’Agent de Production 1 et l’agent
Stock. Dans cette architecture, il existe un agent pour la gestion du groupe (Agent
Gestionnaire), il joue un rôle de gestionnaire du groupe pour déterminer ses droits à
l‘admission. Ensuite, notre Médiateur joue un rôle spécifique, il assure des services liés à
l‘interopérabilité entre les agents dans les plateformes JASON et JADE.
Il est à noter que l‘implémentation de l‘architecture actuelle se base fortement sur Jade, en
ce que certaines des missions du médiateur (gestion des agents essentiellement) se situent
« physiquement » (i.e. au niveau programmation logicielle) dans Jade.
175
Base de données
Résultats
Données
Paramètre
Groupe 3 Groupe 4 Groupe 5

Registre
Groupe 1
JASON
Agent Agent Agent Agent
Compagnie1 Compagnie2 Compagnie3 Compagnie4
Agent directeur Agent Agent directeur

de production Camion1 de production
Agent directeur
Agent Stock de marché
Matière
Reçois des
Groupe d’Indicateurs
informations
MÉDIATEUR
Source de Source de Source de Source de Source de Source de
données données données données données données Demande
d’informations
Gestion du modèle organisationnel
Gestion d‘un groupe (Interne)
Groupe Groupe Groupe Groupe Groupe Groupe
manager manager manager manager manager manager
Gestionnaire Globale (Externe)
DF
Production1 Emballage Personnaliseur
Service de « pages jaunes» à la
Compagnie3
plate-forme
JADE
Agent
Production2 Stock 1 Assemblage Stock 2
Chercher
Distributeur AMS
ACC
Supervise
Agent Gère la Communication
Agent Agent l'enregistrement des
Camion2 agents
entre agents
Production3 Groupage Agent
Groupe 2 Groupe 6 Personnaliseur
Containeur
Figure 5.52 : Illustration de l‘architecture dans le cas de la chaîne logistique
176
Le modèle opérationnel agent est composé de deux environnements d‘agents en

interactions. La conception du système multi-agents implique l‘implémentation d‘un
environnement d‘agents cognitifs, simulant les comportements complexes, mais également
l‘implémentation d‘un environnement d‘agents réactifs, simulant les comportements simples.
Les comportements d‘agents sont spécifiés à l‘aide d‘un diagramme AUML, ces
comportements seront implémentés au sein d‘une plateforme informatique spécifique. Au
cours de cette section nous détaillons les étapes d‘implémentation des agents développés au
sein des plateformes JASON et JADE.
4.2 Description du scénario et de la sous partie de la SC

concernée
Au cours de cette partie, nous présentons un scénario que nous avons retenu pour la conduite
des simulations. La démarche d‘expérimentation repose sur la simulation de différentes
politiques de gestion et de pilotages de la chaîne logistique. La conduite d‘expérimentations
par simulation facilite l‘étude et l‘analyse comportementale des organisations. Les objectifs
de ces travaux de simulation sont de plusieurs ordres. Il s‘agit en premier lieu d‘accomplir une
mise en œuvre complète du cadre méthodologique proposé dans le chapitre 3. En deuxième
lieu, nous souhaitons valider les propositions conceptuelles et les modèles opérationnels. En
troisième lieu, nous voulons valider nos choix en termes de réalisation informatique au travers
de l‘environnement de simulation proposé.
Dans ce scénario, nous considérons une partie d‘illustration de l‘ensemble d‘agents dans
l‘exemple ci-dessus, cette partie est proposée à la Figure 5.53. Cet exemple présente différents
types d‘agents, leurs rôles et leurs interactions dans la structure d‘une chaîne logistique. Les
agents de différents type cognitifs et réactifs (Compagnie 1 (Fournisseur), Directeur de
Production, Stock Matière, Production 1, Production 2 et Production 3) maintiennent des
stocks de produit finis du point de commande (Quantités, Qualités). Ces derniers sont livrés
vers le centre de distribution, dans lesquels ils sont stockés ou bien dirigés vers les marchés
(qui suivra les étapes : Groupage, Assemblage et Emballage).
Nous souhaitons dans ce scénario observer le comportement des agents réactifs et
cognitifs, ces comportements sont les suivants :
- L‘Agent Fournisseur (Compagnie1) envoi un ordre à l’Agent Directeur de Production
pour fabriqué un produit. Ce dernier s‘exécute et envoi une confirmation de réception
à l‘Agent Fournisseur pour valider l‘ordre d‘exécution.
177
- L’Agent directeur de production vérifie la disponibilité du stock. En même temps il

vérifie la disponibilité des matières premières (i.e. en quantité suffisante pour
fabriquer soit les produits), dans le cas contraire il commande les quantités
manquantes.
- L’Agent Matériels Stock envoi les matières premières vers les Agents Production pour
fabriquer les produits. Enfin, les produits finis sont livrés vers le stock afin qu‘ils
soient disponibles pour l‘étape suivante.
- L‘Agent Assembleur (Compagnie 2) envoi un ordre à l’Agent Directeur pour
commencé la phase de l‘assemblage. Ce dernier transfère l‘ordre vers les Agents
Groupage, Assemblage et Emballage. Celles-ci subissent diverses étapes de
transformation avant de prendre le statut de produit fini. Ces derniers sont livrés
directement vers l‘Agent Stock 2.
Figure 5.53 : Une partie d‘Illustration de l‘architecture dans le cas de la chaîne logistique
178
4.3 Implémentation des agents dans l’architecture (ALMOSIM)

Nous présentons dans cette section l‘implémentation des agents dans notre architecture
appelée ALMOSIM pour Architecture Logicielle pour la Modélisation et le SIMulation. Les
agents ont été implémentés à partir d‘une spécification de leurs comportements faite au
travers de diagrammes AUML.
Agents JASON
Agent AMS Agent Source de
Médiateur
Donnée
Agent ACC Interopérabilité entre
les plateformes
Agent Gestionnaire « Agents DF» Agent Indicateur
Groupe
Agents JADE
Figure 5.54 : Les agents de l‘architecture ALMOSIM
Les agents AMS et ACC du médiateur, relatifs à la gestion des agents, sont déjà
implémentés dans la plateforme JADE, et les services administratifs spécifiés pour chaque
type agent dans ALMOSIM sont gérés automatiquement et de manière transparente par
JADE. L‘interaction entre l‘agent cognitif et l‘agent réactif repose sur l‘échange de message
entre les deux environnements de développement retenus. Les interactions entre les
plateformes de développement multi-agents JASON et JADE s‘effectuent via des messages
ACL. Cette communication ou l‘interaction communication entre un agent cognitif à un agent
réactif se fait à partir un composant DF qui fait office d'annuaire. Les agents Sources de
Données faisant partie de noyau de l‘architecture (Médiateur), ces agents peuvent assurer
l‘interopérabilité entre l‘agent indicateur et les agents dans les plateformes (JASON «Agents
Cognitifs» et JADE «Agents Réactifs») pour partager les données ou l‘échange des
informations. Enfin, l‘agent Gestionnaire de groupe est responsable de la gestion des entrées
179
dans le groupe (i.e. demande de jouer un rôle dans un groupe), du maintien des informations
sur groupes, notamment vis-à-vis de requêtes d‘autres agents..
Figure 5.55 : Les différents types d‘agents
4.4 Implémentation des agents cognitifs en JASON

Les agents cognitifs sont utilisés pour simuler des comportements complexes adoptés dans le
cadre de processus de prise de décision. Il s‘agit de reproduire des stratégies décisionnelles
telles qu‘elles peuvent être mise en œuvre au sein d‘une chaîne logistique. Chaque agent
cognitif repose sur une architecture d‘agent de type BDI. La programmation des agents
cognitifs est réalisée au sein de l‘environnement de développement JASON.
Ce diagramme présente les communications entre les agents JASON dans
l‘environnement cognitifs. L‘agent Fournisseur est le principal élément déclencheur d'un
processus de production qui sera lancé dans le but de produire une quantité prédéfinie d'un
produit spécifique. Cette demande se traduit par un message vers l‘agent gestion de
production pour gérer cette production et obtient en retour une confirmation. Ensuite l'agent
gestion de production s‘entretient avec son responsable de stock de matière première en vue
d‘assurer cette commande.
180
Figure 5.56 : Exemple, Communication entres les agents cognitifs (ou agents JASON)
4.5 Implémentation des agents réactifs en JADE

Les agents présents dans l‘environnement réactif sont implémentés à l‘aide de la plateforme
JADE. Les agents réactifs sont utilisés pour simuler des comportements simples. Le
diagramme ci-dessous montre les communications entre les agents réactifs.
L‘agent Stock Matériel envoi les matières premières vers les machines de production pour
fabriquer les produits. Celles-ci subissent diverses étapes de transformation avant de prendre
le statut de produit fini. Ces derniers sont livrés vers l‘agent Stock1 afin qu‘ils soient
disponibles pour l‘étape suivante (Groupage, Assemblage, Emballage).
181
Figure 5.57 : Communication entre les agents réactifs
4.6 Scénario d’interaction entre agents réactifs et agents

cognitifs
Au cours de cette section nous avons présenté la mise en œuvre des agents au niveau de
l‘implémentation. Chaque environnement d‘agent a été décrit de manière distincte. Il s‘agit
dans cette partie de détailler, sur la base d‘un exemple, l‘implémentation du système multi-
agents. Pour cela, nous précisons les interactions entre (i) les agents cognitifs Fournisseur,
Gestion de Production, Stock de matière (ii) les agents réactifs Stock, Production1,
Production2, Production, (iii) les agents réactifs et les agents cognitifs Gestion de Production,
Stock1, Stock de matière, Production1, Production2, Production3.
La phase de spécification des interactions entres agents, relative à l‘échange des messages,
est représentée à l‘aide des diagrammes de séquence définis dans AUML. Un exemple de
182
diagramme de séquence est proposé à la Figure 5.58, permettant ainsi d‘illustrer les
communications entres les agents cognitifs et réactifs.
Le message envoyé de l‘agent cognitif Supplier vers l‘agent cognitif Production Manager
contient des informations la quantité et ainsi la référence de produits à commander. Le
message envoyé sous forme suivante: Name_Message (Type : Order ; Format : Confirm ;
Ref_Product : Chiffre ; Quantity: 10 ; From : Supplier ; To : Production Manager;).
Le message envoyé de l‘agent cognitif «Agent Gestion de Production» vers l‘agent réactif
«Agent Stock1» concernant une demande d‘information sur l‘espace de stockage disponible.
Le message envoyé par l‘agent cognitif « Stock Matière Première » vers les agents réactifs
« Production 1, Production 2, Production3 » contient des informations concernant la mise à
disposition des matières premières nécessaires à la fabrication des produits.
183
Figure 5.58 : Communication entres les agents cognitifs et les agents réactifs
184
La Figure 5.59 présente des messages de la Figure 5.58. Cet exemple présente la
communication entre deux agents JASON (agents délibératifs). Le rôle de premier agent où
l‘agent fournisseur à demandé de fabriqué d‘un produit (Raquettes de Tennis) à l‘agent
gestion de production.
Figure 5.59 : Exemple de messages échangés.
La figure suivante montre l‘état ou les messages entre tous les agents (Réactifs et
Cognitifs) dans le système. La Figure 5.60 montre une trace « brute » des messages échangés.
185
Figure 5.60 : Affichage sur la console (communication entre les agents)
Alors que la Figure 5.61, montre l‘échange entre les agents, toujours en cours d‘exécution.
186
Initialisation phase
(name /roles/abilitiesregistration…)
Simulation phase
Figure 5.61 : Interaction entre les agents JASON et JADE
187
Enfin, la Figure 5.62, donne un apperçu de l‘environnement complet en cours d‘exécution.
Figure 5.62 : Deux plateformes d‘agents JASON et JADE
188
5. Simulations : résultats et interprétations

Cette section cinq présente et interprète les résultats de simulations relatifs à la chaîne
logistique du cas « Raquettes » selon différents scénarios d‘étude pertinents.
Des difficultés techniques liées à la mise en œuvre de l‘architecture logicielle ne nous
permettent pas encore de présenter les résultats de simulations obtenus ainsi que leurs
interprétations. Ces résultats et interprétations seront fournis aux rapporteurs à la fin aout.
Nous les prions de nous en excuser.
189
6. Conclusion
Ce chapitre nous a tout d‘abord permis d‘illustrer, à travers un cas industriel, la mise en
œuvre du cadre méthodologique proposé au chapitre 3. Cette illustration concerne, au niveau
exploitation, la simulation d‘une chaîne logistique de fabrication de raquettes de tennis.
Pour réaliser cette simulation, nous avons proposé un environnement logiciel permettant
l‘implémentation du Modèle Opérationnel Agent. Cet environnement de simulation permet de
simuler les agents délibératifs et les agents réactifs, par la mise en œuvre deux plates-formes
logicielles spécifiques, l‘une pour les agents délibératifs (JASON), et l‘autre pour les agents
réactifs (JADE).
Afin de valider le cadre méthodologique, nous avons détaillé les étapes de conception et
les phases de transition, menant de l‘abstraction du système réel jusqu‘à la conduite
d‘expérimentations. Appliqué au cas industriel, nous avons implémenté et exécuté un système
multi-agents nous permettant d‘analyser le comportement d‘une chaîne logistique.
Au niveau de la conduite d‘expérimentations par simulations orientées agents, nous avons
atteint un premier niveau nous permettant de mener des études et des analyses sur les
comportements de chaînes logistique. A travers la définition de différentes interfaces
expérimentales, nous avons obtenu de nombreux résultats de simulation. la proposition et la
simulation de différents scénarii nous ont permis de définir de multiples indicateurs de
performances.
190
CHAPITRE 6: CONCLUSION GÉNÉRALE ET
PERSPECTIVES
1. Bilan des travaux de recherche présentés

Les chaînes logistiques devenant de plus en plus complexes, dans la recherche de leur
performance, leur modélisation/simulation devient nécessaire. Cette modélisation/simulation
des chaînes logistiques demande une multi-modélisation avec l‘utilisation de différents
formalismes ou paradigme de représentation. Le paradigme agent, qui permet de modéliser et
de simuler le comportement d‘une chaîne logistique de manière distribuée, et selon différents
niveaux décisionnels, apparaît adapté au développement d‘outils d‘aide à la décision
spécifiques.
L‘élaboration d‘un tel outil, basé sur la simulation, nécessite de disposer d‘une
modélisation adéquate de la chaîne logistique. Ces modélisations, principalement issues du
domaine de la modélisation d‘entreprise, sont difficilement exploitables dans les
environnements de simulation actuels, qui nécessitent l‘élaboration de l‘étude. Comme nous
l‘avons montré lors de l‘état de l‘art, si les diverses modélisations actuellement disponibles
permettent de modéliser la structure organisationnelle de la chaîne, elles ne permettent pas la
prise en compte explicite de son agilité et de la dynamique de son environnement. En effet,
l‘implémentation de modèles de simulation est plus liée à des contraintes de développement
logiciel qu‘à des spécificités du système réel étudié.
L‘approche orientée agents nous étant apparue pertinente, notamment pour la prise en
compte de comportements au niveau des différents acteurs de la chaîne, notre travail de
recherche s‘est concentré sur la définition d‘une approche de modélisation pour la simulation
orientée agents de chaînes logistiques, avec pour objectif majeur de permettre une
modélisation/simulation orientée agents plus « organisationnelle » de la chaîne logistique.
Cette modélisation/simulation « organisationnelle », tente d‘intégrer explicitement la structure
organisationnelle de la chaîne logistique (qu‘elle soit stable ou temporaire) lors de la
simulation, notamment au travers la prise en compte d‘observables et d‘indicateurs associés
définis à différents niveau de détail de l‘organisation.
Notre première contribution (chapitre 3) consiste en la proposition d‘un cadre
méthodologique organisationnelle permettant une modélisation et une simulation orientées
agents des aspects organisationnels de chaîne logistique. Pour cela, nous avons fondé sur trois
grands principes : une description organisationnelle de la chaîne, une identification explicite
191
Chapitre 6 : Conclusion générale et perspectives
d‘observables, et une approche multi-niveaux dans laquelle cette description organisationnelle

et cette identification des observables seront faite à des niveaux de détail et/ou d‘organisation
différents, jugés pertinents pour la modélisation et la simulation de la chaîne. Ce cadre
méthodologique est structuré selon deux niveaux d‘abstraction, Conceptuel et Opérationnel. A
chacun de ces niveaux est développé une modélisation spécifique de la chaîne : modélisation
conceptuelle et modélisation opérationnelle.
Le niveau conceptuel est compose d'un Modèle Organisationnelle Rôle Conceptuel
(CROM), qui est raffiné dans un Modèle Organisationnelle Agent Conceptuel (CAOM). En
ce qui concerne le niveau opérationnel, il est essentiellement composé du Modèle
OPérationnel Agent (OPAM). Ce cadre doit permettre l'étude de l'impact d'une structure
organisationnelle spécifique de chaîne logistique et ses politiques de gestion à la performance
de chaîne logistique. Basé sur une modélisation d'un expert de chaîne logistique particulier,
une modèle conceptuelle organisation / rôle orienté (CROM) et agent orienté (CAOM) permet
de concevoir un modèle de simulation, qui reproduisent le comportement de chaîne logistique
global et local. Ces modèles conceptuels sont définis indépendamment de l'architecture agent
particulier ou même sur l'architecture logiciels spécifiques, mais de proposer des mesures
transitoires afin de guider leur développement. Ce niveau conceptuel ne nous permettant pas
d‘obtenir des agents exécutables ou opérationnels, pour cela nous avons proposé un niveau
‗abstractions pour la conception d‘organisations multi-agents. Ces organisations sont décrites
au sein du Modèle Opérationnel Agent (OPAM). Ce modèle est utilisé pour séparer les
comportements simples et les comportements complexes lors de la phase d‘implémentation de
l‘organisation multi-agents.
Notre seconde contribution (chapitre 4) concerne la mise en œuvre des différentes étapes
de ce cadre méthodologique. Pour cela nous avons développé une plateforme de simulation
pour l‘implémentation du modèle Opérationnel Agent (OPAM) et l‘exécution du système
multi-agents. Une architecture logicielle été proposé pour la mise en œuvre de modèle OPAM
et de la simulation. Cette architecture sera l'intégration de deux plates-formes de simulation
différentes permettant une simulation distribuée, basée sur deux environnements de
simulation spécifiques, une pour les agents cognitifs (JASON) et l'autre pour les agents
réactifs (JADE), et aussi le médiateur qui assure l‘interopérabilité entre ces plateformes
proposé. Rendre interopérable des simulateurs implique de coordonner de nombreux éléments
partagés par ces deux simulateurs : le temps, les événements animant les modèles simulés, les
informations ou données exploitées ou produites… En prolongement de notre cadre
192
méthodologique, nous nous sommes plus particulièrement intéressé à la représentation de

l‘organisation de la chaîne logistique en cours de simulation ainsi que la production
d‘indicateurs liés aux observables retenus au niveau des modèles CROM et CAOM. Ce
dernier point a d‘ailleurs été traité à l‘aide d‘agents spécialisés et des protocoles/mécanismes
d‘échange et synthèse de données.
Afin de valider ce cadre méthodologique et cette architecture proposés, nous avons traité
un cas d‘étude de chaine logistique (Chapitre 5). Pour ce cas nous avons élaborés les
différents modèles de la chaîne logistique considérée, Modèle Conceptuel (CROM et
CAOM), et Modèle Opérationnel (OPAM), modèles associés à notre cadre méthodologique
proposé. Ce modèle opérationnel a été implémenté dans l‘environnement de simulation que
nous avons précédemment défini, et le système multi-agents obtenu nous a permis d‘analyser
par simulation le comportement de la chaîne logistique du cas d‘étude. Nous avons ainsi
conduit, avec notre plate-forme de simulation, plusieurs simulations de cette chaîne logistique
permettant l‘étude de plusieurs scénarios pertinents.
2. Perspectives de recherche
Le travail réalisé jusqu‘ici a permis d‘établir les contributions citées dans la section
précédente ainsi qu‘un début de validation expérimentale de la pertinence de notre démarche.
Les perspectives de recherche que nous dégageons de tout ce travail peuvent se résumer en
une poursuite de cette volonté de validation de la démarche et de l‘architecture logicielle
associée, suivie d‘un enrichissement des propositions faites dans ce mémoire.
L‘objectif final étant de produire des simulations, une validation renforcée pourrait se
faire en plusieurs temps : i) développer le cas d‘étude afin d‘obtenir in fine une simulation
plus complète ; ii) développer les autres fonctions du médiateur (essentiellement la gestion du
temps et de l‘interopérabilité logicielle) en intégrant un environnement de simulation non-
agent. Bien que nous ayons identifié les solutions possibles pour mettre en œuvre ces
fonctions, il reste encore à les implémenter. Ces deux améliorations valideraient ainsi
l‘ensemble de nos propositions.
L‘enrichissement du cadre méthodologique consisterait, à court terme, à préciser la
procédure de traduction assurant la transition entre les modèles CROM, CAOM et OPAM. De
fait, des critères de décision ont été proposés mais des expérimentations plus exhaustives (cf.
paragraphe précédent) permettraient de définir des règles explicites facilitant le travail des
modélisateurs et des informaticiens chargés de produire ces simulations. En se rapprochant
193
des concepts et techniques de l‘ingénierie dirigée par les modèles (ou Model Driven
Engineering), ceci pourrait être mise en œuvre à l‘aide d‘outils comme ATL11.
A plus long terme, la poursuite de l‘objectif de prise en compte de l‘organisation dans
la simulation de chaîne logistique impliquerait d‘intégrer la dimension réellement dynamique
de cette organisation en rendant encore plus explicite l‘organisation, à l‘image de ce que
propose A&A [MONTAGNA et al., 2008] et Moise (et Moise+) [HUBNER et al., 2007].
Ainsi, en donnant la capacité des agents de pouvoir raisonner sur l‘organisation, il serait
possible de simuler des processus de décision conduisant à externaliser une partie de la
production (par ex.) d‘une entreprise et d‘étudier leur conséquence et donc de comparer les
performances de la chaîne au fur et à mesure des changements organisationnels.
Enfin, concernant l‘architecture logicielle elle-même, au-delà des optimisations que
des expérimentations supplémentaires permettraient d‘identifier (échanges de message,
exécution sur une grille de calcul…), il serait intéressant voire nécessaire d‘améliorer la
réutilisation des modèles et des simulations. De fait, le processus de conception des
simulations peuvent amener, en fonction des objectifs de simulation et des observables
associés, à produire plusieurs modèles de simulation à partir d‘un même modèle de domaine
d‘une chaîne logistique. De fait, la réutilisation actuellement réside dans la possibilité de
récupérer entre deux simulations des modèles ou des implémentations d‘agents. Dans le cas
de modèles non agent, cette réutilisation peut être moins simple et ainsi nécessiter une étude à
part entière pour ajouter, par exemple, une conception à base de composants (agentifiés ou
non [PUJALTE et al. 2006].
11
http://wiki.eclipse.org/ATL
194
BIBLIOGRAPHIE
[AHN et al., 2003] AHN, H. J., Lee, H., et Park, S. J. (2003). A flexible agent system for
change adaptation in supply chains. Expert Systems with Applications, 25, 603–618.
[ALBER et WALKER, 1998] ALBER, K. L. et WALKER, W. T. (1998) Supply Chain
Management: Principles and Techniques for the Practitioner, Research Paper Series,
APICS Educational & Research Foundation, Falls Church, VA.
[AMICE, 1993] AMICE (1993) CIMOSA : Open Systems Architecture for CIM, Springer-
Verlag.
[AKKERMANS et al., 1999] AKKERMANS, H.; BOGERD, P. et VOS, B. (1999) Virtunous
and Vicious Cycles on the Road Towards Intrnational Supply Chain Management,
International Journal of Operations & Production Management, Vol. 19, No. 5/6, 565-
58.
[AYERS, 2000] AYERS, J. (2000) A Primer on Supply Chain Management, Information
Strategy : The Executive’s Journal, Vol. 16, No. 2, 6-15.
[BALCI, 1998] BALCI O., (1998) Verifiation, validation and testing. The Handbook of
Simulation. Edited by Jerry Banks, John Wiley et Sons, New York, USA.. Chapter 10,
pp. 335-393.
[BALLOU, 1992] BALLOU, R. (1992) Business Logistics Management, Englewood Cliffs.
[BALLOU et al., 2000] BALLOU, R. H.; GILBERT, S. M. et MUKHERJEE, A. (2000). New
Managerial Challenges from Supply Chain Opportunities, Industrial Marketing
Management, Vol. 29, No. 1, 7 - 18.
[BERNON et al., 2002] BERNON, C., GLEIZES, M.P., PICARD, G. et GLIZE, P. (2002)
The Adelfe Methodology For an Intranet System Design. In Proc. of the Fourth
International Bi-Conference Workshop on Agent-Oriented Information Systems
(AOIS), Toronto, Canada.
[BERRAH et al., 2000] BERRAH, L., MAURIS, G., FOULLOY L. et HAURAT A., (2000)
"Global vision and performance indicators for an industrial improvement approach",
Computers in Industry, vol., n°43, pp. 211-225.
[BERRAH, 1997] BERRAH, L., (1997) "Une approche d'évaluation de la performance
industrielle. Modèle d'indicateur et techniques floues pour un pilotage réactif", Thèse de
Doctorat en Génie Industriel, Institut National Polytechnique de Grenoble, Juillet.
[BERRAH et HAURAT, 1997] BERRAH, L., HAURAT, A., (1997) "Une stratégie de mise
en place d'indicateurs de performance pour le pilotage des processus de production",
MOSIM 97, 1ère Conférence Francophone sur la Modélisation et la Simulation, Rouen,
France, 5-6 Juin,
[BERRAH et al., 1995] BERRAH, L., MAURIS, G., HAURAT, A. et FOULLOY, L., (1995)
« Modélisation de la performance : une approche par la logique des indicateurs de
performance», Congrès International de Génie Industriel : La productivité dans le
monde sans frontière, Montéal, canada.
[BISWAS et NARAHARI, 2004] BISWAS, S. et NARAHARI, Y. (2004) ‗Object oriented
modelling and decision support for supply chain‘, European Journal of Operational
Research, Vol. 153.
[BITTON, 1990] BITTON, M., (1990) "ECOGRAI : méthode de conception et d'implantation
des systèmes de mesure des performances pour organisations industrielles", Thèse de
Doctorat en Automatique, Université de Bordeaux I, Septembre.
[BOER et al., 2008] BOER, C.A., DE BRUIN A. et VERBRAECK A. DISTRIBUTED
SIMULATION IN INDUSTRY – A SURVEY PART 3 – THE HLA STANDARD IN
195
Bibliographie
INDUSTRY, Proceedings of the 2008 Winter Simulation Conferenc e S. J. Mason, R. R. Hill,

L. Mönch, O. Rose, T. Jefferson, J. W. Fowler eds., 2008
[BORDINI et HÜBNER, 2006] BORDINI, R. et HÜBNER, J, (2006). An Overview of Jason.
Association for Logic Programming Newsletter 19(3).
[BORDINI et al., 2005] BORDINI, R., HÜBNER, J. et VIEIRA, R, (2005). Jason and the
Golden Fleece of Agent-Oriented Programming. Multi-Agent Programming. pp. 3-37.
[BOUSQUET et LE PAGE, 2001] BOUSQUET, F. et LE PAGE, C. (2001) ‗Systèmes multi-
agents et écosystèmes‘, dans BRIOT, J.P. et DEMAZEAU, Y., Principes et architecture
des systèmes multi-agents, Hermès.
[BOWERSOX et al., 1986] BOWERSOX, D.J., CLOSS, D.J. et HELFERICH, O.K. (1986)
Logistical Management, Macmillan Publishing, New York.
[BRATMAN, 1987] BRATMAN, M.E. (1987) Intention, Plans, and Practical Reason,
Harvard University Press.
[BRATMAN et al., 1987] BRATMAN, M.E., ISRAEL, D., et POLLACK, M. (1987) ‗Plans
and resource bounded practical reasoning‘, Computational Intelligence, vol. 4, pp. 349-
355.
[BRATLEY et al., 1987] BRATLEY P., FOX B. et SCHRAGE L., (1987) A guide to
Simulation, 2è edition, NY:Springer-Verlag.
[BRIOT et DEMAZEAU, 2001] BRIOT, J.P. et DEMAZEAU, Y. (2001) Principes et
architecture des systèmes multiagents, Hermès.
[BROOKS, 1986] BROOKS, R. (1986) ‗A robust layered control system for a mobile robot‘,
IEEE Journal of Robotics and Automation, vol. 2, n° 1, pp. 14-23.
[BURMEISTER et SUNDERMEYER, 1992] BURMEISTER, B. et SUNDERMEYER, K.
(1992) ‗Cooperative problem solving guided by intentions and perception‘ Proceedings
of the Third European Workshop on Modelling Autonomous Agents and Multi-Agent
Worlds, WERNER, E. and DEMAZEAU, Y., (Eds).
[BUSSMANN et al., 2004] BUSSMANN, S., JENNINGS, N. ET WOOLDRIDGE, M. R.,
(2004) Multiagent Systems for Manufacturing Control : A Design Methodology;
Springer Series on Agent Technology, XIV, 288 p. ISBN: 978-3-540-20924-9
[CHAIB-DRAA et al., 2001] CHAIB-DRAA, B., JARRAS, I. et MOULIN B. (2001)
‗Systèmes multi-agents : principes généraux et applications‘, dans BRIOT, J.P. et
DEMAZEAU, Y., Principes et architecture des systèmes multi-agents, Hermès.
[CHATFIELD et al., 2007] CHATFIELD D.C., HAYYA J.C., HARRISON T.P., (2007) A
multi-formalisme architecture for agent-based, order-centric supply chain simulation,
Journal of Simulation Modelling : practice and theory, Vol 15, pp. 153-174, 2007
[CHATURVEDI et MEHTA, 1999] CHATURVEDI, A.R. et MEHTA, S.R. (1999)
‗Simulation in Economics and Management‘, Communications of the ACM, Vol. 42 No.
3, pp. 60-61.
[CHRISTOPHER, 1992] CHRISTOPHER, M. (1992) Logistics, The strategic Issues,
Chapman & Hall.
[CLM, 2006] CLM, (2006) Council of Logistics Management, http://clm1.org.
[COLIN et PACHE, 1988] COLIN, J. et PACHE, G. (1988), La logistique de distribution,
Chotard et Associés Éditeurs, Paris.
[COOKE, 1997] COOKE, J. A. (1997) In This Issue, Supply Chain Management Review,
Vol. 1, No. 1, 3.
[COOPER et al., 1997] COOPER, M. C.; LAMBERT, D. M. et PAGH, J. D. (1997) Supply
Chain Management: More Than a New Name for Logistics, International Journal of
Logistics Management, Vol. 8, No. 1, 1-13.
[COURTNEY et al., 1997] COURTNEY, H., KIRKLAND, J. et VIGUERIE, P. (1997)
‗Strategy Under Uncertainty‘, Harvard Business Review, November, pp. 67-79.
196
Bibliographie
[DEMAZEAU, 2001] DEMAZEAU, Y. (2001), VOYELLES. Mémoire d‘habilitation à

diriger des recherché, Institut National Polytechnique de Grenoble INPG, Avril 2001.
[D‘INVERNO et al., 1997] D‘INVERNO, M., KINNY, D., LUCK M., and WOOLDRIDGE,
M.J. (1997) ‗A Formal Specification of dMARS‘, Proceedings of the Fourth
International Workshop on Agent Theories, Architectures and Languages, SINGH,
M.P., RAO, A.S. and WOOLDRIDGE, M.J. (Eds).
[DMSO, 1998] DMSO: ―High Level Architecture‖, (1998).
[DONG, 2001] DONG, M. (2001) Process Modeling, Performance Analysis and
Configuration Simulation in Integrated Supply Chain Network Design, Dissertation for
the degree of Doctor of Philosophy in Industrial and Systems Engineering, Faculty of
the Virginia polytechnic Institute and State University.
[DOUMEINGTS, 1992] Doumeingts, G., Vallespir, B., Zanettin, M. et Chen, D. (1992) ‗GIM
: GRAI Integrated Methodology, a methodology for designing CIM systems‘,
GRAI/LAP, Technical Report.
[DROGOUL et al., 2008] DROGOUL A., TREUIL, J-P. et ZUCKER, J-D., (2008)
Modélisation et simulation à base d’agents, Edition Dunod, Paris, page 1 & 9.
[DROGOUL et al., 2003] DROGOUL A., VANBERGUE D., ET MEURISSE T.(2003).
Simulation Orientée Agent : où sont les agents ? Actes des Journées de Rochebrune,
Rencontres interdisciplinaires sur les systèmes complexes naturels et artificiels,
Megève, France.
[DROGOUL, 1993] DROGOUL, A., (1993) "De la simulation multi-agent à la résolution
collective de problèmes. Une étude de l'émergence de structures d'organisation dans les
systèmes multi-agents", Thèse de l'Université Paris 6.
[DURFEE et al., 1989] DURFEE, E.H., LESSER, V.R. et CORKILL D.D.,(1989) Trends in
Cooperative Problem Solving, IEEE Transactions on Knowledge and Data
Engineering, KDE-1(1), PP. 63-83, Mars 1989
[ERCEAU, 1993] ERCEAU J. (1993), Intelligence Artificielle Distribuée et Systèmes Multi-
Agents — de la théorie aux applications. 23ème Ecole Internationale d‘Informatique de
l‘AFCET, Neuchâtel.
[ERCEAU et FERBER, 1991] ERCEAU, J. et FERBER, J. (1991) ‗L‘Intelligence Artificielle
Distribuée‘, La recherche, vol. 22, pp. 750-758.
[ERMAN et al., 1980] ERMAN, L.D., HAYES-ROTH, F. LESSER V.R et REDDY, D.R.
(1980) ‗The Hearsay II speech understanding system; Integrating knowledge to resolve
uncertainty‘, ACM Computing Survey, vol. 12, pp. 213-253.
[ESPINASSE et al., 2007] ESPINASSE, B., SERMENT, J., TRANVOUEZ, E., (2007) An
Agent Integration Infrastructure for the Development of Environmental Decision
Support Systems based on Simulation‖, in: AIS-CMS International modeling and
simulation multi-conference, Buenos Aires - Argentina. ISBN 978-2-9520712-6-0.
[ESPINASSE et al., 2000] ESPINASSE, B. FERRARINI, A., et LAPEYRE R. "A Multi
Agents Systems for Modelling and Simulation of Supply Chains", Second Conference
on Management and Control of Production and Logistics - MLCP'2000, Grenoble,
France, 2000
[ESPINASSE et TRANVOUEZ, 1998] ESPINASSE, B., TRANVOUEZ, E., (1998)
"Ordonnancement d'atelier coopératif et réactif : une approche multi-agents" , in :
Hermès, in : Journal of Decision Systems, Vol. 7, pp. 215-237, 1998.
[FERRARINI et FOURINIER, 2009] FERRARINI, A. et FOURNIER, S., (2009) "Gestion
des perturbations dans l'organisation de chantiers : aide à la décision par modélisation et
simulation orientée agent" , 8ème Congrès International de Génie Industriel (CIGI
2009),Tarbes, France, jui 2009
197
Bibliographie
[FERRARINI et al., 2001] FERRARINI, A., LABARTHE, O., et ESPINASSE, B., (2001)
"Modelling and Simulation of Supply Chains with a Multiagent System" , Workshop on
Multiagent Based Modelling and Simulation in Industry and Environment, ESS'2001 -
13th European Simulation Symposium and Exibition, Marseille, 2001
[FERBER et al., 2009] Ferber, J., Stratulat, T. et Tranier, J. (2009), Towards an integral
approach of organizations in multi-agents systems: the MASQ approach. Semantics and
dynamics of organizational models in Virginia Dignum,.
[FERBER et al., 2004] FERBER, J., GUTKNECHT, O. et MICHEL, F. (2004) From agents
to organizations : an organizational view of multi-agent systems. In Agent-Oriented
Software Engineering IV 4th International Workshop, volume 2935 of LNCS, pages
214–230, Melbourne, Australia, mar 2004. Springer Verlag.
[FERBER et GUTKNECHT, 1998] FERBER, J. et GUTKNECHT, O. (1998). A meta-model
for the analysis and design of organizations in multiagent systems. In Y. Demazeau, E.
Durfee, and N.R. Jennings, editors, Third International Conference on Multi-Agent
Systems (ICMAS), pages 128–135, Paris, France, july 1998.
[FERBER, 1995] FERBER, J. (1995) Les Systèmes Multi-Agents, vers une intelligence
collective, InterEditions.
[FERBER, 1989] FERBER, J. (1989) ‗Eco Problem Solving: how to solve a problem by
interactions‘, Proceedings of the 9th workshop on Distributed Artificial Intelligence.
[FERGUSON, 1992] FERGUSON, I.A. (1992) TouringMachines : An Architecture for
Dynamic, Rational, Mobile Agents, PhD thesis, University of Cambridge.
[FININ et al., 1994] FININ, T., LABROU, Y. et MAYFIELD, J. (1994) ‗KQML as an agent
communication language‘, Proceedings of the 3rd International Conference on
Information and Knowledge Management.
[FIPA, 1997] FIPA (1997) Agent Communication Language, Foundation for Intelligent
Physical Agents, www.fipa.org/specs/fipa00018/.
[FIPA, 2002] FIPA (2002) FIPA Contract Net Interaction Protocol Specification, Foundation
for Intelligent Physical Agents, www.fipa.org/specs/fipa00029/.
[FORRESTER, 1961] Forrester, J.W. (1961) Industrial Dynamics, MIT Press.
[FOX et al., 2000] FOX, M. S., Barbuceanu, M., et Teigen, R. (2000). Agent-oriented supply
chain management. The International Journal of Flexible Manufacturing Systems, 12,
165–188.
[FRANCHESQUIN, 2001] FRANCHESQUIN N., (2001), Modélisation et simulation Multi-
Agents d'écosystèmes anthropisés : une application à la gestion hydraulique en Grande
Camargue. Thèse d'informatique de l'Université de Droit, d'Économie et des Sciences
d'Aix-Marseille, Aix-Marseille III.
[FRANKLIN et GRAESSER, 1996] FRANKLIN, S. et GRAESSER, A. (1996) ‗Is it an
Agent, or just a Program?: A Taxonomy for Autonomous Agents‘, Proceedings of the
Third International Workshop on Agent Theories, Architectures, and Languages.
[FUJIMOTO, 2000] FUJIMOTO R. 2000. Parallel and distributed simulation systems. John
Wiley & Sons, Inc. USA
[GALLAND et al., 2005] GALLAND, S., GRIMAUD, F., BEAUNE, P. et CAMPAGNE,
J.P., (2005) ―Simulation of Distributed Industrial Systems - A Multi-Agent
Methodological Approach‖, Supply Chain Optimisation: Product/Process Design,
Facility Location and Flow Control». Series: Applied Optimization, Vol. 94. Dolgui,
Alexandre; Soldek, Jerzy; Zaikin, Oleg (Eds.), 289 pages. Springer. ISBN: 0-387-
23566-3
[GANESHAN et al., 1998] GANESHAN, R., JACK, E., MAGAZINE, M. et STEPHENS, P.
(1998) ‗A taxonomic review of supply chain management research‘, in TAYUR, S.,
198
Bibliographie
GANESHAN, R. and MAGAZINE, M. (Eds), Quantitative Models for Supply Chain

Management, Kluwer Academic Publishers, chapter 27, pp. 839-879.
[GAUD et al., 2008] GAUD, N., GALLAND, S. et KOUKAM, A. (2008), Towards a
Multilevel Simulation Approach based on Holonic Multi-agent. Published in the 10th
International Conference on Computer Modeling and Simulation (EUROSIM/
UKSiM‟08), pp. 180–185, England. April 1–3.
[JUAN, 2005] JUAN C. GARCÍA-OJEDA, ÁLVARO E. ARENAS, AND JOSÉ DE J.
PÉREZ-ALCÁZAR. (2005) Paving the Way for Implementing Multiagent Systems:
Integrating Gaia with Agent-UML. In Agent-Oriented Software Engineering VI: 6th
International Workshop, AOSE 2005, Utrecht, The Netherlands, July 25, 2005. Revised
and Invited Papers. Müller and Zambonelli (Eds.) Springer Berlin / Heidelberg, 2005.
[GIUNIPERO et BRAND, 1996] GIUNIPERO, L. C. et BRAND, R. R. (1996) Purchasing's
Role in Supply Chain Management, International Journal of Logistics Management,
Vol. 7, No. 1, 20- 37.
[GEOFFRION et GRAVES, 1974] GEOFFRION, A. M. et GRAVES, G. (1974) Multi-
commodity Distribution System Design by Benders Decomposition, Management
Science, Vol. 29, No.5, 822-844
[GEORGEFF et LANSKY, 1987a] GEORGEFF, M.P. et LANSKY, A.L. (1987a) ‗Reactive
reasoning and planning: an experiment with a mobile robot‘ Proceedings of the 6th
National Conference on Artificial Intelligence.
[GEORGEFF et LANSKY, 1987b] GEORGEFF, M.P. and LANSKY, A.L. (1987b)
‗Decision-Making in an Embedded Reasoning System‘ Proceedings of the Twelfth
International Joint Conference on Artificial Intelligence.
[GEOFFRION et POWERS, 1995] GEOFFRION, A. M. et POWERS, R.F. (1995) Twenty
Years of Strategic Distribution System Design: An Evolutionary Perspective, Interfaces,
Vol. 25, No.5, 105-127
[GEORGEFF et INGRAND, 1989] GEORGEFF, M.P. et INGRAND, F.F. (1989) ‗Decision-
Making in an Embedded Reasoning System‘ Proceedings of the Twelfth International
Joint Conference on Artificial Intelligence.
[GJERDRUM et al., 2001] GJERDRUM, J., SHAH, N., & PAPAGEORGIOU, L. G. (2001).
A combined optimization and agent-based approach to supply chain modeling and
performance assessment. Production Planning & Control, 12(1), 81–88.
[GLEIZES et PICARD, 2003] GLEIZES M-P et PICARD G, (2003), Outils pour la
réalisation de systèmes multi-agents adaptatifs dans le cadre de la méthode ADELFE
Journées Francophones sur les Systèmes Multi-Agents, JFSMA'03, 27-29, Hammamet,
Tunisie.
[GOVINDU et CHINNAM, 2007] GOVINDU R. et CHINNAM R. (2007), MASCF : a
generic process-centered methodological framework for analysis and design of multi-
agent supply chain systems, Computers & Industrial Engineering, Vol. 53, n° 4, pp.
584-609.
[GUTKNECHT, 2001] GUTKNECHT, O. (2001) Proposition d‘un modèle organisationnel
générique de systèmes multi-agents et examen de ses conséquences formelles,
implémentatoires et méthodologiques. PhD thesis, Université des Sciences et
Techniques du Languedoc, september 2001
[GUTKNECHT et FERBER, 2000] GUTKNECHT O. et FERBER. J., (2000). Madkit : a
generic multi-agent platform. : autonomous agents. In AGENTS 2000, pages 78-79,
Barcelona, 2000. ACM Press.
[HESKETT, 1973] HESKETT, J. (1973) ‗Sweeping changes in distribution‘, Harvard
Business Review, vol. 51, n° 2, pp. 123-132.
199
Bibliographie
[HEWITT, 1977] HEWITT, C. (1977) ‗Viewing Control Structures as Patterns of Message

Passing‘, Artificial Intelligence, vol. 8, n° 3, pp. 323-364.
[HILL, 1996] HILL D.; (1996) Object-Oriented Analysis and Simulation. Addison-Wesley.
[HÜBNER et al., 2010] HÜBNER, J.F., BOISSIER, O., KITIO R. et RICCI, A. (2010):
Instrumenting multi-agent organisations with organisational artifacts and
agents. Autonomous Agents and Multi-Agent Systems 20(3): 369-400 (2010)
[HÜBNER et al., 2008] HÜBNER, J.F., VERCOUTER, L. et BOISSIER, O. (2008),
Instrumenting Multi-Agent Organizations with Artifacts to Support Reputation
Processes, Sixth European Workshop on Multi-Agent Systems, Bath, UK, 18-19
December.
[HÜBNER et al., 2007] HÜBNER J. F, SICHMAN J.S., et BOISSIER O., (2007),
Developing Organised Multi-Agent Systems Using the Moise+ Model: Programming
Issues at the System and Agent Levels, Int. J. Accounting, Auditing and Performance
Evaluation,1(3/4):370–395
[HILAIRE, 2000] HILAIRE , V., (2000). Vers une approche de spécification, de prototypage
et de vérification de Systèmes Multi- Agents. : PhD thesis, UTBM.
[IEEE, 2000] IEEE, (2000), IEEE Standard for Modeling and Simulation (M&Amp;S) High
Level Architecture (HLA) - Framework and Rules
[JEAN, 1997] JEAN, M.R., (1997) (nom collectif), Emergence et SMA. In Quinqueton and
Thomas and Trousse (ed.), 5èmes Journées Francophones sur l'Intelligence Artificielle
Distribuée et les systèmes Multi-Agents, pages 323-342, 1997, Hermes publisher.
[JENNINGS et al., 1998]JENNINGS, N.R., SYCARA, K. et WOOLDRIDGE, M. (1998) ‗A
Roadmap of Agent Research and Development‘, Autonomous Agents and Multi-Agent
Systems, vol. 1, n° 1, pp. 7-38.
[JENNINGS et al., 2000] JENNINGS, N.R., FARATIN, P., NORMAN, T.J., O'BRIEN, P.,
ODGERS, B. et ALTY, J.L. (2000) ‗Implementing a Business Process Management
System using ADEPT: A Real-World Case Study‘, International Journal of Applied
Artificial Intelligence, vol. 14, n° 5, pp. 421-465.
[JIAO et al., 2006] JIAO, J. (ROGER), YOU, X., et KUMAR, A. (2006). An agent-based
framework for collaborative negotiation in the global manufacturing supply chain
network. Robotics and Computer-Integrated Manufacturing, 22(3), 239–255.
[JULKA et al., 2002] JULKA, N., SRINIVASAN, R., et KARIMI, I. (2002). Agent-based
supply chain management – 1: Framework. Computers and Chemical Engineering, 26,
1755–1769.
[KOESTLER, 1967] KOESTLER, A. (1967). The Ghost un the Machine. Hutchinson.
[KONING et PESTY, 2001] KONING, J.L. et PESTY, S. (2001) ‗Modèles de
communication‘ dans BRIOT, J.P. et DEMAZEAU, Y., Principes et architecture des
systèmes multi-agents, Hermès.
[KUMAR et al., 1993] KUMAR, A.; OWEN, P.S. et PRIETULA, M.J. (1993) Organizational
Simulation and Information Systems Design: An Operations Level Example,
Management Science, Vol. 39, No. 2, 218-240
[LABARTHE et al., 2007] LABARTHE, O., ESPINASSE, B. , FERRARINI, A. et
MONTREUIL B. (2007), Toward a Methodological Framework for Agent-Based
Modeling and Simulation of Supply Chains in a Mass Customization Context, in:
Simulation Modeling Practice and Theory International Journal (SIMPAT), vol. 15, n°
2, pp. 113-136.
[LABARTHE, 2006] LABARTHE, O., (2006), Modélisation et simulation orientées agents de
chaînes logistiques dans un contexte de personnalisation de masse : modèles et cadre
méthodologiques, Thèse, Université Paul Cézanne, Marseille.
200
Bibliographie

MONTREUIL B. (2006). "A Methodological Approach for Agent Based Simulation of
Mass Customizing Supply Chains", in : Journal of Decision Systems (JDS), Vol. 14
(4/2005), pp. 397 - 425, 2006
MONTREUIL B. (2007)"Multi-Agent Modelling for Simulation of Customer-Centric
Supply Chain." , in : International Journal of Simulation & Process Modelling (IJSPM),
special issue : Supply Chain Modelling and Simulation, Vol. 14 (4/2005),
[LABARTHE et al., 2004] LABARTHE, O., MONTREUIL B., FERRARINI, A., et
ESPINASSE, B., (2004) "Modélisation multi-agents pour la simulation de chaînes
logistiques de type personnalisation de masse", MOSIM 04, 5eme Conférence
Francophone de Modélisation et Simulation, Nantes, France, sep 2004
[LAMBERT et al., 1998] LAMBERT, D. M.; COOPER, M. C. et PAGH, J. D. (1998) Supply
Chain Management: Implementation Issues and Research Opportunities, International
Journal of Logistics Management, Vol. 9, No. 2, 1-19
[LABIDI et LEJOUAD, 1993] LABIDI, S. et LEJOUAD, W. (1993) De l’Intelligence
Artificielle Distribuée aux Systèmes
Multi agents, Rapport de recherche INRIA Sophia Antipolis, n° 2004.
[LE BARS, 2003] LE BARS, M., (2003), Un Simulateur Multi-Agent pour l'Aide à la
Décision d'un Collectif : Application à la Gestion d'une ressource Limitée Agro-
environnementale. Thèse de doctorat d'Informatique, Université Paris IX-Dauphine,
218p., 27 mai 2003.
[LE DAIN et NDAO, 1997] LE DAIN, A.-M. et NDAO, P.I., (1997) "Sur un système
d'indicateurs de performance pour l'évaluation d'une automatisation dans une entreprise
papetière", 2ème Congrès International Franco-Québécois, "Le génie industriel dans un
monde sans frontières", Albi, France, 3-5 Septembre.
[LEE et BILLINGTON, 1993] LEE, H.L et BILLINGTON, C. (1993) ‗Material management
in decentralized supply chains‘, Operations Research, vol. 41, n° 5, pp. 835-847.
[LEE et BILLINGTON, 1995] LEE, H.L et BILLINGTON, C. (1995) ‗The evolution of
supply-chain-management models and practice at Hewlett–Packard‘, Interfaces, n° 25,
pp. 42-63.
[LESSER et CORKILL, 1983] LESSER, V.R. et CORKILL, D.G. (1983) ‗The Distributed
Vehicle Monitoring Testbed: A Tool for Investigating Distributed Problem Solving
Networks‘, AI Magazine, vol. 4, n° 3, pp. 15-33.
[LETOUZEY, 2001] LETOUZEY, A., (2001) Ordonnancement interactif basé sur des
indicateurs : Applications à la gestion de commandes incertaines et à l'affectation des
opérateurs. Thèse, Institut National Polytechnique de Toulouse.
[LIN et SHAW, 1998] LIN, F., et SHAW, M. J. (1998). Reengineering the order fulfillment
process in supply chain networks. International Journal of Flexible Manufacturing
Systems, 10(3), 197–229.
[MABERT et VENKATARAMANAN, 1998] MABERT, V. A. et VENKATARAMANAN,
M. A. (1998) Special Research Focus on Supply Chain Linkages: Challenges for Design
and Management in the 21st Century, Decision Sciences, Vol. 29, No. 3, 537 552.
[MALONI et DENTON, 1997] MALONI, M.J. et DENTON, W.C. (1997) Supply Chain
Partenerships: Opportunity for Operations Research, European Journal Of Operational
Research, Vol. 101, 419-429
[MENTZER et al., 2001] MENTZER, J.T., DEWITT, W., KEEBLER, J.S., MIN, S., NIX,
N.W., SMITH, C.D. et ZACHARIA, Z.G. (2001) ‗Defining the Supply Chain
Management‘, Journal of Business Logistics, vol. 22, n° 2, pp. 1-26.
201
Bibliographie
[MEURISSE et VANBERGUE, 2001] MEURISSE, T. et VANBERGUE, D. (2001) ‗Et

maintenant à qui le tour ? Aperçu de Problématiques de Conception de Simulations
Multi-Agents‘, Actes de la conférence Agents Logiciels - Coopération - Apprentissage -
Activités Humaines.
[MICHEL et al., 2009] MICHEL F., FERBER J. et DROGOUL A. (2009) Multi-Agent
Systems and Simulation: a Survey From the Agents Community's Perspective Multi-
Agent Systems: Simulation and Applications CRC Press - Computational Analysis,
Synthesis, and Design of Dynamic Systems/
[MICHEL, 2006] MICHEL, F., (2006) Le modèle IRM4S : le principe Influence/Réaction
pour la simulation de systèmes multi-agents. JFSMA'06 Journées Francophones sur les
Systèmes Multi-Agents, Annecy, France, 18-20 octobre 2006
[MINSKY, 1968] MINSKY M. (1968) Reprinted in "Semantic Information Processing,"
Published in Proc. International Federation of Information Processing Congress 1965,
vol. 1, pp. 45-49. (Marvin Minsky, Ed.) MIT Press.
[MONTAGNA et al., 2008] MONTAGNA, S., RICCI, A., et OMICINI, A., (2008) A&A for
modelling and engineering simulations in Systems Biology, International Journal of
Agent-Oriented Software Engineering- Vol. 2, No.2 pp. 222 – 245.
[MONTEIRO, et al., 2008] MONTEIRO, T., ANCIAUX, D., ESPINASSE, B., FERRARINI,
A., LABARTHE, O., et ROY D., (2008) "Chapter 6. The Interest of Agents for Supply
Chain Simulation" , in : Wiley-ISTE, Simulation for Supply Chain Management,
Caroline Thierry - Andre Thomas - Gerard Bel, sep 2008 ISBN: 978-1-84821-090-5
[MÜLLER, 2010] Müller J.P., (2010), A framework for integrated modeling using a
knowledge-driven approach, in: Proceedings of the International Congress on
Environmental Modelling and Software, Ottawa, Canada.
[MULLER, 2004] MÜLLER J.P.. 2004, The mimosa generic modelling and simulation
platform : The case of multi-agent systems, in : SCS. Proceedings of the 5th Workshop
on Agent-Based Simulation, Lisbon, 2004 . s.l. : s.n., p. 77-86. International Workshop
on Agent-Based Simulation. 5, 2004-05-03/2004-05-05, Lisbonne, Portugal.
[MÜLLER et al., 1995] MÜLLER, J.P., PISCHEL, M. et THIEL, M. (1995) ‗Modeling
reactive behaviour in vertically layered agent architectures‘, in Intelligent Agents:
Theories, Architectures, and Languages, WOOLDRIDGE, M.J. and JENNINGS, N.
(Eds).
[MÜLLER, 1997] MÜLLER, J.P. (1997) The Design of Intelligent Agents: A Layered
Approach, Springer Verlag.
[MUSTAPHA et al., 2010] MUSTAPHA, K, TRANVOUEZ, E., ESPINASSE, B. et
FERRARINI, A. (2011), An Agent-based Software Architecture for Supply Chains
Organizational Aspects Simulation, 16th IEEE International Conference on Emerging
Technologies and Factory Automation, Sept, 2011, Toulouse, France.
FERRARINI, A. (2010) An Organization-oriented Methodological Framework for
Agent-Based Supply Chain Simulation. Fourth International Conference on Research
Challenges in Information Science. May 19-21, 2010, Nice, France.
FERRARINI, A. (2010), Agent-Based Supply Chain Simulation: Towards an
Organization-Oriented Methodological Framework" , MOSIM 2010, ENIM - UPVM
(France) - ESSTT (Tunisie), Hammamet - Tunisia, mai 2010
[NISSAN, 2001] NISSAN, M. E. (2001). Agent-based supply chain integration. Information
Technology and Management, 2, 289–312.
202
Bibliographie
[NOVELS et HACKWELL, 1991] NOVELS M. D. et HACKWELL G. B., (1991)

Simulation: Decision with Vision, Actes de ESM'91, Copenhague, Simulation Councils,
pp. 425-430.
[NWANA, 1996] NWANA, H.S. (1996) ‗Software agents: An overview‘, Knowledge
Engineering Review, vol. 11, n° 3, pp. 205–244.
[OCCELLO et DEMAZEAU, 1997] OCCELLO M. ET DEMAZEAU Y. (1997), Vers une
approche de conception et de description récursive en univers multi-agents. In Joel
Quinqueton and Marie-Claude Thomas and Brigitte Trousse (ed.), 5emes Journées
Francophones sur l'Intelligence Artificielle Distribuée et Systèmes Multi-Agents
(JFIADSMA'97), pages 143-157, La Colle-sur-Loup, France, April 1997, Hermès
publisher.
[OCCELLO, 2003] OCCELLO, M. (2003) Méthodologie et Architectures pour la Conception
de Systèmes Multi-Agents, Habilitation à diriger des recherches, Université Pierre
Mendès France de Grenoble.
[ODELL et al., 2000] ODELL, J., PARUNAK, H.V.D. et BAUER B. (2000) ‗Extending
UML for Agents‘, Proceedings of the Agent-Oriented Information Systems Workshop,
WAGNER, G., LESPERANCE, Y. and YU, E. (Eds).
[ODELL et al., 2001] ODELL, J., PARUNAK, H.V.D. et BAUER, B. (2001) ‗Representing
agent interaction protocols in UML‘, Proceedings of the First International Workshop on
Agent- Oriented Software Engineering, CIANCARINI, P. and WOOLDRIDGE, M. (Eds).
[OUNNAR et al., 2008] OUNNAR, F., ARCHIMÈDE, B., PUJO, P., et CHARBONNAUD,
P. (2008), HLA Distributed Simulation Approaches for Supply Chain‖, in: Hermès
Science Europe Ltd (Ed.), ''Simulation for Supply Chain Management'', Hermès Science
Europe Ltd.
[PARUNAK, 2000] PARUNAK, H.V.D. (2000) ‗A Practitioners' Review of Industrial Agent
Applications‘, Autonomous Agents and Multi-Agent Systems, vol. 3, n° 4, pp. 389-407.
[PARUNAK et al., 1999] PARUNAK, H.V.D., SAVIT, R., RIOLO, R.L. et CLARK, S.J.
(1999) ‗DASCh : Dynamic Analysis of Supply Chains’, Center for Electronic
Commerce, Final Report.
[PAYLOS et al., 2002] PAVLOS M. , PETRAKI, E., NIKOLAOS I. SPANOUDAKIS,
(2002) Engineering JADE agents with the Gaia methodology, Proceedings of the NODe
2002 agent-related conference on Agent technologies, infrastructures, tools, and
applications for E-services, October 07-10, 2002, Erfurt, Germany
[PHAN et AMBLARD, 2007] PHAN, D. et AMBLARD, F. (eds). Agent-Based Modelling
and Simulation in the Social and Human Sciences. The Bardwell Press: Oxford, UK.
[PHAN, 2004] PHAN, D.. From Agent-Based Computational Economics towards Cognitive
Economics. In Bourgine P., Nadal J.P. eds. Cognitive Economics; Springer Verlag, pp.
371-398.
[PICARD, 2004] PICARD, G. (2004) Méthodologie de développement de systèmes multi-
agents adaptatifs et conception de logiciels à fonctionnalité émergente, thèse de
doctorat, Université Paul Sabatier de Toulouse III.
[PRASAD et al., 1996] PRASAD N.M.V., DECKER K., GARVEY A., et LESSER V,
(1996). Exploring organizational design with TÆMS: A case study of distributed data
processing. In Toru Ishida, editor, Proc. of the 2nd International Conference on Multi-
Agent Systems (ICMAS’96), pages 283–290. AAAI Press.
[PUJALTE et al., 2006] PUJALTE, V., SCHMITZ, B., BACETA, J.I., BERNAOLA, G.,
DINARÈSTURELL, J., Orue-Etxebarria, X., Payros, A., 2006. Correlation of the
Thanetian-Ilerdian turnover of larger foraminifera and the IETM: confirming evidence
from the Campo area (Pyrenees, Spain). In: Caballero, F., Apellaniz, E., Baceta, J.I.,
203
Bibliographie
Bernaola, G., Orue-Etxebarria, X., Payros, A., Pujalte, V. (eds.). Climate and Biota of
the Early Paleogene 2006, Bilbao, Volume of abstracts, p. 104
[QUESNEL et al., 2007] QUESNEL G., DUBOZ R., RAMAT E., et TRAORÉ M.K.. VLE:
A Multimodeling and Simulation Environment. Proceedings of the Summer Simulation
Multiconference (SummerSim‘07), San Diego, California, USA, July 15-18, 2007, pp.
367-374.
[RAO, 1996] RAO, A, (1996). S. AgentSpeak(L): BDI Agents speak out in a Logical
Computable Language. In W. Van de Velde and J Perram, editors, Proceedings of the
Seventh Workshop on Modeling Autonomous Agents in a Multi-Agent World
(MAAMAW'96), Jan. 22-25, Eindhoven, Netherlands, no. 1038 in LNAI, pp. 42-55,
Springer-Verlag, London, U.K.
[RAO et GEORGEFF, 1991a] RAO, A.S. et GEORGEFF, M.P. (1991a) ‗Asymmetry thesis
and side-effect problems in linear time and branching time intention logics‘
Proceedings of the Twelfth International Joint Conference on Artificial Intelligence.
[RAO et GEORGEFF, 1991b] RAO, A.S. and GEORGEFF, M.P. (1991b) ‗Modeling rational
agents within a BDIarchitecture‘ Proceedings of Knowledge Representation and
Reasoning, FIKES, R. and SANDEWALL, E. (Eds).
[RECH, 2005] RECH, J., (2005). Your Guide to Management: Key Performance Indicators.
[RICCI et al., 2007] RICCI, A., VIROLI, A. et OMICINI, A. (2007). "Give Agents their
Artifacts": The A&A Approach for Engineering Working Environments in MAS. 6th
International Joint Conference "Autonomous Agents & Multi-Agent Systems"
(AAMAS 2007), 14-18 May 2007.
[RIMASSA et al., 1999] RIMASSA G., BELLIFEMINE F., et POGGI A. (1999), JADE - A
FIPA Compliant Agent Framework, PMAA`99, p. 97-108, Londres.
[RODRIGUEZ et al., 2007] RODRIGUEZ, S., GAUD, N., HILAIRE, V., GALLAND, S. et
KOUKAM, A. (2007). An analysis and design concept for selforganization in holonic
multi-agent systems. In S. Bruckner, S. Hassas, M. Jelasity, and D. Yamins, editors,
Engineering Self-Organising Systems, volume 4335 of LNAI, pages 15–27. Springer-
Verlag.
[RODRIGUEZ, 2005] RODRIGUEZ, S. (2005). From analysis to design of Holonic MAS : A
Framework, Methodological Guidelines and Applications. : PhD thesis, UTBM.
[RUSSEL et NORVIG, 2003] RUSSEL, S. et NORVIG, P. (2003). Artificial Intelligence A
Modern Approach. Pearson Education, Upper Saddle River, New Jersey, second edition
[SADEH et al., 2001] SADEH, N. M., HILDUM, D. W., KJENSTAD, D., et TSENG, A.
(2001). MASCOT: An agent-based architecture for dynamic supply chain creation and
coordination in the internet economy. Production Planning & Control, 12(3), 212–223.
[SADEK et al., 1997] SADEK, M.D., BRETIER, P. et PANAGET, F. (1997) ‗Artimis:
natural dialogue meets rational agency‘, Proceeding of IJCAI'97, Nagoya, Japan.
[SAUTER et al., 2002] SAUTER, J.A., MATTHEWS, R., PARUNAK, H.V.D. et
BRUECKNER, S. (2002) ‗Evolving adaptive pheromone path planning mechanisms‘
Proceedings of the first international joint conference on Autonomous agents and
multiagent systems.
[SAUTER ET PARUNAK, 1999] SAUTER, J. A. ET PARUNAK, H. V. D., (1999) ANTS
in the Supply Chain. In Workshop on Agent-Based Decision-Support for Managing the
Internet-Enabled Supply-Chain, Agents'99, Seattle, WA, 1999, pp. 81-88.
[SEARLE, 1969] SEARLE, J.R. (1969) Speech acts, Cambridge University Press.
[SERMENT, 2007] SERMENT, J. (2007) Une infrastructure d‘intégration à base d‘agents
logiciels pour l‘élaboration de systèmes d‘aide à la décision environnementale :
Application à la gestion hydraulique camarguaise. Thèse, Université Paul Cézanne, Aix-
Marseille II.
204
Bibliographie
[SERMENT et al., 2007] SERMENT, J., ESPINASSE, B et TRANVOUEZ, E., An Agent

Integration Infrastructure for the Development of Environmental Decision Support
Systems based on Simulation, AIS-CMS International modeling and simulation
multiconference, Buenos Aires - Argentina, 2007 ISBN 978-2-9520712-6-0
[SHAPIRO, 1984] SHAPIRO, R.D. (1984) ‗Get leverage from logistics‘, Harvard Business
Review, vol. 62, pp. 119-126.
[SHAPIRO, 2001] SHAPIRO, J.F. (2001) Modeling the Supply Chain, Pacific Grove,
Wadsworth Group.
[SHOHAM, 1993] SHOHAM, Y. (1993) ‗Agent oriented programming‘, Artificial
Intelligence, vol. 60, n° 1, pp. 51-92.
[SIMCHI-LEVI et al., 2000] SIMCHI-LEVI, D.; KAMINSKY, P.; et EDITH SIMCHI-LEVI
(2000) Designing and Managing the Supply Chain, Irwin McGraw-Hill, Boston, MA.
[SIMON, 1996] SIMON, H.A. (1996) The Sciences of the Artificial, MIT Press.
[SMITH, 1980] SMITH, R.G. (1980) ‗The contract net protocol: high-level communication
and control in distributed problem solver‘, IEEE Transactions on Computers, vol. 29, n°
12, pp. 1104–1113.
[SYCARA et al., 2003] SYCARA, K., PAOLUCCI, M., VAN VELSEN, M. et GIAMPAPA,
J.A. (2003) ‗The RETSINA MAS Infrastructure‘, Autonomous Agents and Multi-Agent
Systems, vol. 7, n° 1-2, pp. 29-48.
[SUDRA et al., 2001] SUDRA R., TAYLOR S.J.E. et JANAHAN T. (2001). Time
Management in Distributed Supply Chain Management using GRIDS. In Proceedings of
the Fifth UK Simulation Society Conference. ed. Al-Dabass, D. United Kingdom
Simulation Society, Nottingham Trent University Press. pp. 28-34.
[SUPPLY-CHAIN CONCIL, 2006] SUPPLY-CHAIN CONCIL (2006) Sypply-Chain
Operations Reference-model.
[SWAMINTHAN et al., 1998] SWAMINTHAN, J.M.; SMITH, S.F.; et SADEH, N.M.
(1998) Modeling Supply Chain Dynamics: A Multiagent Approach. Decision Sciences,
Vol. 29, No. 3, 607-632
[TAMBE, 1997] TAMBE M. (1997), Towards flexible teamwork. Journal of Artificial
Intelligence Reseearch, 7:83–124.
[TAN et al., 2000] TAN , T., SHI, Y., & GAO, W. (2000) (Eds.). Advances in multimodal
interfaces: ICMI 2002. Proceedings of ICMI 2000. Lecture Notes in Computer Science,
Volume 1948. Springer-Verlag.
[TAYLOR et al., 2009] TAYLOR, S. J. E., MUSTAFEE, M., TURNER, S. J., PAN, K. et
STRASSBURGER, S., (2009). Commercial-off-the-shelf simulation package
interoperability: issues and futures. In Winter Simulation Conference (WSC '09). Winter
Simulation Conference 203-215.
[TEIGEN et BARBUCEANU, 1996] TEIGEN, R. et BARBUCEANU, M. (1996) The Supply
Chain Demonstrator, Enterprise Integration Laboratory Report.
[TERZI et CAVALIERI, 2004] TERZI, S. et CAVALIERI, S. (2004) ‗Simulation in the
supply chain context: a survey‘, Computers in Industry, Vol. 53, pp. 3-16.
[TOWILL et al., 1992] TOWILL, D.R.; NAIM, N.M; et WIKNER, J. (1992) Industrial
Dynamics Simulation Models in the Design of Supply Chains, International journal Of
Physical Distribution and Logistics Management, Vol. 22, 3-13
[TRANVOUEZ et FERRARINI, 2006] TRANVOUEZ, E. et FERRARINI, A. (2006),
―MultiAgent Modelling of Cooperative Disruption Management in Supply Chains‖, in:
IEEE – International Conference on Service System and Service Management
(ICSSSM'06), Troyes, France.
205
Bibliographie
[TRANVOUEZ, 2001] TRANVOUEZ, E. (2001), IAD et ordonnancement: une approche

coopérative du réordonnancement par Systems multi-agents. Thèse, Université d‘Aix-
Marseille III, Mai 2001.
[TRANVOUEZ et al., 2001] TRANVOUEZ, E., FERRARINI, F., et ESPINASSE, B., (2001)
"Multiagent modelling and simulation of workshop disruptions management by
cooperative rescheduling strategies" , Workshop on Multiagent Based Modelling and
Simulation in Industry and Environment, ESS'2001 - 13th European Simulation
Symposium and Exibition, Marseille, 2001
[TRENTESAUX, 2002] TRENTESAUX, D. (2002) Pilotage hétérarchique des systèmes de
production, Habilitation à diriger des recherches, Université de Valenciennes et du
Hainaut-Cambrésis.
[TREUIL et al., 2008] TREUIL, J-P. DROGOUL, A., et ZUCKER J-D. (2008). Modélisation
et Simulation `a base d‘agents. Dunod Paris, 2008.
[TYNDALL et al., 1998] TYNDALL, G., GPAL, C., PARTSCH, W. et KAMAUFF, J.
(1998) Supercharging Supply Chains, John Wiley & Sons, Inc., New York, NY
[TZATESTAS et KAPSIOTIS, 1994] TZATESTAS, D. et KAPSIOTIS, G., (1994)
Coordinated Control of Manufacturing Supply Chains Using Multi-level Techniques,
Computer Integrated Manufacturing Systems, Vol. 7, No. 3, 206-212
[US AIR FORCE, 1993] US AIR FORCE (1993) ‗Integrated Computer Aided Manufactured
Definition Language (IDEF methods)‘, Department of Commerce, National Institute of
Standards and Technology, Computer Systems Laboratory, Technical Report.
[VAN HOEK et al., 1998] VAN HOEK, R. I., COMMANDEUR, H. L. et Vos, B. (1998)
Reconfigur ing Logistics Systems Through Postponement Strategies, Journal of
Business Logistics, Vol. 19, No. 1, 33-57
[VIEIRA et al., 2007] VIEIRA, R., MOREIRA, A., WOOLDRIDGE, M. et BORDINI, R. H,
(2007). On the formal semantics of speech-act based communication in an agent-
oriented programming language. In Journal of Artificial Intelligence Research 29
(2007), pp. 221-267.
[VOLTERRA, 1926] VOLTERRA V., (1926) "Variations and Fluctuation of the Number of
Animal Species Living Together", Animal Ecology,.
[WANG, 1998] Wang, J. (1998) Timed Petri Nets, Theory and Application, Kluwer Academic
Publichers.
[WAGNER et al., 2003] WAGNER, T., GURALNIK, V., et PHELPS, J. (2003). TAEMS
agents: Enabling dynamic distributed supply chain management. Electronic Commerce
Research and Applications, 2, 114–132.
[WIENER, 948] WIENER N., (1948) Cybernetics, or Control and Communication in the
Animal and the Machine, J. Wiley & Sons, New Yorks.
[WILLIAMS, 1992] WILLIAMS, T.J. (1992) ‗The Purdue Enterprise Reference
Architecture‘, Instrument Society of America, Research Triangle Park.
[WOOLDRIDGE et JENNINGS, 1995] WOOLDRIDGE, M. et JENNINGS, N. (1995)
‗Intelligent Agent: Theory and practice‘, Knowledge Engineering Review, vol. 10, n° 2,
pp. 115-142.
[WOOLDRIDGE, 1999] WOOLDRIDGE, M. (1999) ‗Intelligent Agent‘, in WEISS, G. (Ed),
Multi-Agent Systems : A Modern Approach to Distributed Artificial Intelligence, MIT
Press.
[WOOLDRIDGE et al., 2000] WOOLDRIDGE, M, JENNINGS, N. et KINNY, D. (2000)
‗The Gaia methodology for agent –oriented analysis and design‘, Autonomous Agents
and Multi-Agent Systems, vol. 3, n° 3, pp. 285-312.
206
Bibliographie
[ZAMBONELLI et al., 2003] ZAMBONELLI, F, JENNINGS, N.R. et WOOLDRIDGE, M.

(2003) ‗Developing Multiagent Systems: The Gaia Methodology‘, ACM Transactions
on Software Engineering and Methodology, vol. 12, n° 3, pp. 317-370.
[ZEIGLER, 1976] ZEIGLER, B., (1976) Theory of Modeling and Simulation, Wiley
Interscience, New York.
207

These SMA Logistique

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

These SMA Logistique

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSITÉ PAUL CÉZANNE AIX-MARSEILLE III

Un cadre méthodologique et une architecture logicielle

DOCTEUR DE L'UNIVERSITÉ PAUL CÉZANNE AIX-MARSEILLE III

École Doctorale en Mathématiques et Informatique de Marseille (ED184)

M. ESPINASSE Bernard, Professeur, Université Paul Cézanne, Marseille (Directeur de thèse)

2. Organisation du Manuscrit ............................................................................................ 3

CHAPITRE 2: MODÉLISATION ET SIMULATION ORIENTÉS AGENTS DE

2. Les chaînes Logistiques ................................................................................................... 7

3. Les systèmes multi-agents (SMA) ................................................................................ 24

4. La simulation orientée agents....................................................................................... 34

5 La conception de simulation orientée agents .............................................................. 44

6 La modélisation et la simulation orientées agents de chaînes logistiques ................ 60

7 Synthèse et conclusion ................................................................................................... 69

CHAPITRE 3 : UN CADRE MÉTHODOLOGIQUE ORIENTÉ AGENTS POUR LA

2. Objectif et fondements du cadre méthodologique proposé ....................................... 75

3. Présentation générale du cadre méthodologique proposé ......................................... 84

4. Modélisation conceptuelle d’une chaîne logistique .................................................... 91

5. Modélisation opérationnelle d’une chaîne logistique ............................................... 103

6. Conclusion .................................................................................................................... 111

CHAPITRE 4 : UNE ARCHITECTURE LOGICIELLE POUR LA MODELISATION

1. Introduction ................................................................................................................. 114

2. Besoins à satisfaire par une architecture logicielle pour la simulation

3. Différentes approches logicielles possibles ................................................................ 117

4. Une architecture logicielle pour la simulation orientée organisation de chaînes

6. Conclusion .................................................................................................................... 153

CHAPITRE 5 : MISE EN ŒUVRE SUR UN CAS D’ÉTUDE DE CHAÎNE

1. Introduction ................................................................................................................. 156

2. Présentation du cas d’étude : le cas « Raquettes » ................................................... 156

3. Mise en œuvre du cadre méthodologique .................................................................. 165

4. Implémentation et mise en œuvre de l’architecture logicielle ................................. 175

5. Simulations : résultats et interprétations .................................................................. 189

6. Conclusion .................................................................................................................... 190

CHAPITRE 6: CONCLUSION GÉNÉRALE ET PERSPECTIVES ............................. 191

1. Bilan des travaux de recherche présentés ................................................................. 191

2. Perspectives de recherche ........................................................................................... 193

BIBLIOGRAPHIE ............................................................................................................... 195

Figure 2.1 : Exemple de chaîne logistique (SC) [LABARTHE, 2006] ................................. 9

Figure 5.45 : Les différentes parties de la raquette de tennis .......................................... 157

Tableau 2.1 : Comparaison entre les méthodes ................................................................... 59

Tableau 3.2 : Types d’interactions dans un modèle CROM .............................................. 94

Tableau 5.8 : Caractéristique et qualités des raquettes de tennis .................................... 164

dynamique, résultant des comportements des agents en interaction. Un autre intérêt de la

2. Les chaînes Logistiques ................................................................................................... 7

3. Les systèmes multi-agents (SMA) ................................................................................ 24

4. La simulation orientée agents....................................................................................... 34

5 La conception de simulation orientée agents .............................................................. 44

6 La modélisation et la simulation orientées agents de chaînes logistiques ................ 60

7 Synthèse et conclusion ................................................................................................... 69

2. Les chaînes Logistiques

2.1 Définitions et évolution du concept de « chaîne logistique »

Figure 2.1 : Exemple de chaîne logistique (SC) [LABARTHE, 2006]

2.1.2 Evolution du concept

2.2 Le management des chaînes logistiques (Supply Chain

but d améliorer la performance à long terme de chaque entreprise membre et de l ensemble de

2.3 La modélisation et la simulation des chaînes logistiques

2.3.1 Différentes approches de modélisations

La modélisation de l'organisation d‘une chaîne logistique consiste à décrire son principe

A. Les approches organisationnelles

B. Les approches analytiques

C. Les approches basées sur la simulation

2.3.2 Grandes classes de méthodes de modélisation de chaîne logistique

A. Les méthodes de conception du réseau de la chaîne logistique

B. Les méthodes heuristiques

C. Les méthodes basées sur la simulation