L'architecture acteur critique pour le contrôle des systèmes

Abstract

Les recherches menées dans cette thèse portent sur la conception d'agents intelligents autonomes pour le contrôle des systèmes en particulier et pour la résolution des problèmes complexes d'optimisation en général.Les approches actuelles dans ce domaine sont divisées principalement en deux grandes catégories ayant en commun de s'inspirer des principes de l'intelligence humaine pour concevoir des solutions intelligentes. La première catégorie vise à concevoir des agents assez intelligents pour extraire des connaissances à partir de l'expérience d'un superviseur externe. Ces agents visent essentiellement à reproduire la compétence d'un expert humain. Il s'agit des systèmes d'apprentissage supervisé. La deuxième catégorie vise plutôt à concevoir des agents capables d'apprendre, de façon autonome, de leurs propres expériences. Il s'agit des systèmes d'apprentissage par renforcement. Le travail présenté dans cette thèse portent sur la combinaison des deux approches afin de concevoir des agents assez flexibles pour assimiler toute l'expertise humaine disponible à priori, mais aussi assez généraux pour apprendre de façon autonome à accomplir des tâches complexes même en l'absence de toute aide externe. Nous avons conçu une nouvelle famille d'agents intelligents, désignés par l'acronyme FNAC signifiant Fuzzy Neural Actor Critic. La mise en oeuvre de chaque agent FNAC utilise la logique floue, pour faciliter l'incorporation des informations disponibles à priori et la validation des solutions apprises, et les réseaux de neurones artificiels pour leur capacité d'apprentissage. Nous avons validé les performances de l'agent FNAC sur les problèmes du pendule inverse et de la conduite d'un vélo.Les résultats démontrent la pertinence et la validité des contributions proposées.