Memoire Online - Modélisation des systèmes d'élevage et simulation multi-agents d'une épidémie animale en milieu rural.

Modélisation des systèmes d'élevage et simulation multi-agents d'une épidémie animale en milieu rurale

1 DEDICACES

2 A mon feu père DOUNGUE Marc et ma maman chérie MASSADO Pauline Remerciements

À Dieu tout Puissant pour son amour qu'il porte à notre égard, de m'avoir gardé, soutenu et permis que ce travail ait lieu.

À l'Université de Yaoundé I, la Faculté des Sciences et particulièrement le Département d'Informatique avec tous ses enseignants pour l'accueil, l'encadrement et la formation reçue.

À UNU-INRA-OU du Cameroun qui a bien voulu me compter dans son équipe pour son projet qui a fait l'objet de mon stage, je vous suis très reconnaissant.

J'exprime l'expression de ma profonde gratitude au Professeur Pauline FOTSO pour avoir eu confiance en moi, qui m'a soutenu, accompagné, conseillé et sans qui ce travail n'aura probablement pas eu lieu.

Au Docteur Paulin YONTA MELATAGIA, pour la merveilleuse expérience acquise tout au long de mon stage, pour toutes ses appréciations pour améliorer la qualité de mon travail et son précieux soutien scientifique.

Aux Membres du Jury qui me font l'honneur de partager avec moi ce travail et de l'évaluer.

À Docteur Jean Pierre MVONDO pour la connaissance qu'il nous a apporté dans le domaine de l'agronomie. Sans oublier tous les ingénieurs agronomes (Carine OMOKO, Pierre, Innocent) pour leur apport dans le domaine et leur soutien inconditionnel.

À Monsieur Elie FUTE, pour avoir accepté de prendre de son temps pour nous imprégner dans le monde des systèmes multi-agents.

À tous les membres de mon équipe de travail, ANYENG Cyrille, BESSALA Brice, KELE Ripaul et PEUPIE Guy Bertrand, pour leur support et les remarques qu'ils ont toujours su m'apporter pour me permettre d'améliorer mon travail.

À tous les membres du laboratoire MAT, pour leur conseil et leur sens de travail qu'ils m'ont inculpé.

À tous mes camarades de la promotion pour leur esprit d'équipe et leur solidarité.

À toute ma famille, mes frères et soeurs, ainsi qu'à tous mes amis qui de près ou de loin ont su me remonter le moral dans les moments difficiles. Ces remerciements vont spécialement à Papa DOUNGUE François, DCHINDA Landrine, DJIALA Bertori, MENGA Rodrigue, NONO Guy, MBELE Lionel, Maxwell MANGA, TIOMO Boris, TCHIPNANG Arthur, MBWENTCHOU Donald et vous tous.

À Dieu tout Puissant pour son amour qu'il porte à notre égard, de m'avoir gardé, soutenu et permis que ce travail ait lieu.

3 RESUME / ABSTRACT

Résumé : La modélisation d'un système est une activité permettant d'apprendre et de comprendre son fonctionnement afin d'élaborer les méthodes et les techniques de prise de décision pour une meilleure gestion. Ainsi, dans le cadre de notre mémoire, nous traitons le cas de la modélisation des systèmes d'élevage qui font partie intégrante des agro-systèmes et qui aujourd'hui nécessitent de définir des nouvelles politiques pour la préservation de la nature et le bien être des sociétés. En passant par les principes de modélisation, les modes de représentation, les méthodes/techniques de modélisation des systèmes d'élevages et les systèmes d'information d'élevage existants, nous avons réalisé un modèle permettant d'archiver les données du secteur d'élevage. De ce modèle, étant donné la diversité des pathologies qui déstabilisent les pratiques d'élevages en milieu rurale, nous nous sommes intéressés à la modélisation et la simulation d'une épidémie animale en milieu rurale qui est la peste porcine africaine. Or, l'une des techniques qui connaît actuellement un essor dans le cadre de la modélisation des systèmes complexes est la simulation multi-agents. Cette modélisation et simulation multi-agents permettent de sensibiliser l'ensemble des acteurs du domaine, de montrer comment cette épizootie (épidémie animale) se propage et son impact sur la filière porcine.

L'implémentation du modèle nous a montré qu'en prenant les mesures de contrôles, l'on peut arriver à réduire son impact.

Mots-clés : Modélisation, simulation, système d'élevage, système d'information d'élevage, systèmes multi-agents, épidémie animale.

Abstract: Modeling of a system is an activity that helps to learn and understand how it works so as to develop methods and techniques for decision making for better management. Thus, within our statement, we treat the case of modeling of breeding systems that are an integral part of agricultural systems which needs today to be defined by new policies for nature preservation and welfare of societies. Through the modeling principles, modes of representation, methods / techniques for modeling breeding systems and breeding information systems existing, we developed a model for archiving data from the breeding sector. From this model, given the diversity of diseases that disrupt breeding practices in rural areas, we focused on modeling and simulation of an animal disease outbreak in rural areas such as the African Swine Fever (ASF). Now, one of the techniques that is currently experiencing a boom in the modeling of complex systems is the multi-agent simulation. This multi-agent modeling and simulation help to educate all stakeholders, to show how this epizootic spreads and its impact of the pig industry.

Keywords: Modeling, simulation, breeding system, breeding information system, multi-agent system, epizootic.

4 TABLE DES MATIERES

5 Liste des Figures :

Figure 2.2 : Le modèle de base de la structure d'un système d'élevage [Landais, 1993]

Figure 2.3 : Schéma développé du système d'élevage : pôles et interfaces [Lhoste, 1984]

Figure 2.4 : Représentation classique d'un agent et de son environnement [Wooldridge, 2000].

Figure 2.5 : L'agent, un processus cyclique à trois phases : perception, délibération puis action [Ferber, 1995].

Figure 2.6 : Représentation schématique d'un système multi-agents [Michel, 2004].

Figure 2.9 : Modèle conceptuel du modèle multi-agents PastoTrop qui spatialise les choix alimentaires de bovins en libre pâture [Chirat, 2009].

Figure 3.1 Diagramme de classe du modèle d'un système d'élevage agropastoral.

Figure 3.4 : Diagramme de classe des agents de NetLogo (Environnement de simulation).

Figure 3.9 : Diagramme d'état-transition d'un intervenant, d'un matériel ou d'un aliment.

Figure 3.13 : Fin de la simulation de la peste après 38e jours de son introduction.

Figure 3.15 : Courbe de suivi de la propagation de la peste qui ressort individuellement le niveau des courbes.

6 Liste des Tableaux :

Tableau 3.1 : Principaux symptômes de la peste porcine africaine [Cruciere, 2003].

7 Quelques Sigles et Abréviations :

UMMISCO : Unité de modélisation mathématique et informatique des Systèmes Complexes

Chapitre 1 : INTRODUCTION GENERALE

7.1 Contexte

L'activité agricole est l'un des principaux moyens à travers lesquels les sociétés humaines gèrent le vivant [Landais, 1993]. La gestion de cette activité est aujourd'hui de plus en plus portée à l'attention de tous les pays ; que ce soit les pays industrialisés, que ceux en voie de développement. L'on assiste à des nouvelles techniques d'informations et de télécommunications qui sont déployées dans ce domaine pour la collecte de ces données et leur traitement ; ceci pour apprendre et comprendre d'une part sa dynamique et d'autre part pour l'aide à la prise de décisions. C'est ainsi que dans le souci du suivi, de la vulgarisation et de la maîtrise des informations relatives aux agro-systèmes^1(*), l' Institute for Natural Resources of Africa (INRA) de l'Université des Nations Unies (UNU) a mis sur pied un projet intitulé ~~« Development of MultiMedia database with spacial referenced for agro-systems management »~~ ou « Mise en oeuvre d'une base de données multimédia géo-référencées pour la gestion des agro-systèmes », afin de mieux établir des politiques de gestions des ressources naturelles pour la préservation de la nature et le bien être des sociétés. L'agro-système qui définit comme étant un écosystème agricole, modifié ou créé, et contrôlé par l'homme afin d'exploiter une part de la matière organique végétale ou animale qu'il produit, et ce à des fins alimentaires, industrielles ou énergétiques [Inra, 2012].

Un tel projet porte entre autre sur la réalisation d'un système d'information géographique (SIG) qui regroupe différentes méthodes et techniques informatiques, permettant de modéliser, de saisir sous forme numérique, de stocker, de gérer, de consulter, d'analyser, de représenter des objets ou des collections d'objets géographiques, avec la particularité essentielle de prendre en compte les caractéristiques spatiales de ces objets au même titre que les attributs descriptifs qui y sont attachés [Souris, 2011]. La mise en oeuvre d'un SIG repose sur cinq (5) étapes, les 5A à savoir l'Abstraction, l'Acquisition, l'Archivage, l'Analyse et l'Affichage [Denègre & Salgé, 1996].

Dans le processus de la réalisation du projet, une étude préliminaire dans l'abstraction, en vue de mettre sur pied un modèle pour l'archivage des données a permis de subdiviser le projet en différentes vues ou couches^2(*) autonomes. Chaque couche va permettre d'identifier, recenser et caractériser les informations spécifiques du domaine considéré. Les couches qui ressortent de cette étude sont reparties ainsi qu'il suit :

Ø Les couches principales : Parmi celles-ci, l'on retrouve la couche des zones de cultures qui va nous informer sur les différentes pratiques de cultures (maïs, sorgho, coton, manioc, ...), les acteurs du domaine et la production des exploitations dans une zone bien défini. La couche des zones d'élevage qui va quant à elle nous informe sur les pratiques d'élevages (boeufs, porcs, poulet, mouton, ...), la répartition des unités de production et leur production, les maladies qui infestent les animaux de la zone. La couche des zones forestières qui présente les informations sur les exploitations forestières, les exploitants de la forêt, les animaux et les produits agricoles de la forêt.

Ø Les couches complémentaires : On retrouve ici, la couche du réseau routier ou des transports qui présente la circulation et l'accès à la zone, les différentes routes et rues que l'on rencontre dans la zone. La couche de la couverture des sols qui présente de quoi est couverte le sol (habitat, savane, forêt, ...) et de l'utilisation des terres qui nous informe sur comment est utilisé le sol (pour les bâtiments, les routes, ...). Cette couche renseigne aussi sur la disponibilité des terres. La couche sociodémographique qui informe sur la répartition de la population de la zone, sa scolarisation, son ethnie, ses principales pratiques, etc. La couche du relief et du climat qui présente les formes de terrains que l'on rencontre dans la zone, les précipitations et les températures qui peuvent être propices à une pratiques de culture ou d'élevage. Pour terminer, nous avons la couche de l'hydrographie et de la pêche qui permet de faire ressortir le réseau hydrographique d'une zone, la disponibilité de l'eau pour l'agriculture et les pratiques de la pêche.

De ce découpage, il a été question de repartir les travaux selon les différentes couches et celle qui porte à l'attention du présent document est la couche des zones d'élevage. Cette couche se trouve être d'une importance capitale dans l'atteinte de l'objectif principale de ce projet, puisque relevant intégralement du domaine de l'agriculture.

On observe dans le monde une croissance rapide de la production et de la consommation de produits animaux. Si les systèmes d'élevage traditionnels contribuent aux moyens d'existence de 70% des populations rurales pauvres, ce sont de plus en plus de grandes entreprises, dotées de technologies sophistiquées et opérant à l'échelle internationale, qui répondent à la croissance rapide des marchés de la viande, du lait et des oeufs [FAO, 2012].

En 2005 au Cameroun, la contribution du secteur d'élevage est estimée à 10% du PIB (Produit Intérieur brut) du secteur [CCIMA, 2006]. La reprise de la croissance amorcée depuis 2006 s'est poursuivie en 2007 et 2008 avec des taux de croissance moyen du PIB par an supérieur à 3,5%. L'agriculture contribue amplement à cette reprise et demeure à ce jour un des principaux moteurs de la croissance au Cameroun [CountryStat CMR, 2009]. C'est ainsi qu'en 2008, la contribution du secteur agricole à la croissance du PIB a été estimée à près de 7% [MINADER, 2008].

7.2 Problématique

De nouvelles politiques de gestion des ressources naturelles sont envisagées et appliquées aujourd'hui, et l'informatique se met au service du politique pour l'aider à évaluer l'impact des stratégies de gestion pour la variabilité de ces ressources. Cette évaluation passe par la modélisation et la simulation.

Dans ce travail, nous nous intéressons à la modélisation et à la simulation.

Le modèle étant une représentation simplifiée d'un phénomène réel, la simulation permet d'étudier le comportement du modèle et d'extrapoler ensuite sur le phénomène initial pour en comprendre les propriétés [Bakam, 2002].

Étant donné la multiplicité des objectifs des systèmes d'élevage, qui sont fonctions des besoins et des aspirations des individus concernés et des autres acteurs de la filière aux niveaux local, national et international, il s'avère important de définir et de caractériser les différents types de modèle de système d'élevage qui peuvent être envisagés pour la satisfaction d'un besoin. Dans la même lancée, de pouvoir faire une simulation partant d'un modèle bien défini, pour montrer à l'exemple d'une épizootie (épidémie animale), comment elle peut se répandre dans une région sur la population animale considérée et quel peut être son impact dans son environnement, sur la population et la société humaine en général.

Un récapitulatif de ces problèmes porte nos travaux sur deux grands axes à savoir :

2. La modélisation et la simulation multi-agents d'une épidémie animale en milieu rurale.

7.3 Plan du mémoire

Afin de parvenir à une ébauche de solutions aux différents problèmes posés ci-dessus, notre document sera reparti ainsi que suit :

Ø Dans le chapitre 2 permettant de décrire les travaux qui ont déjà été effectué dans le domaine d'étude, nous présenterons tout d'abord les systèmes d'informations d'élevage (SIE), suivi de la modélisation des systèmes d'élevage (SE). Ensuite, nous parlerons d'outils de modélisation des SE que sont les systèmes multi-agents (SMA) et terminer ce chapitre avec les travaux qui ont utilisé les SMA pour modéliser les SE.

Ø Dans le chapitre 3 consacrée à la présentation de nos travaux, nous élaborerons un modèle conceptuel d'un système d'information d'élevage. Ensuite, nous présenterons un modèle conceptuel de la propagation d'une épizootie en milieu rurale et les résultats de simulation obtenus de ce modèle;

Ø Pour terminer, nous ferons une conclusion générale qui récapitule d'abord l'ensemble des travaux présentés dans le document et les perspectives à venir pour la continuation des travaux du domaine qui a porté l'attention de notre mémoire.

8 Chapitre 2 : SYSTEMES MULTI-AGENTS POUR LA MODELISATION DES SYSTEMES D'ELEVAGE

Dans ce chapitre, nous présenterons tout d'abord les systèmes d'information d'élevage (SIE), suivi de la modélisation des systèmes d'élevage (SE). Ensuite, nous parlerons d'outils de modélisation des SE que sont les systèmes multi-agents (SMA) et terminer ce chapitre avec les travaux des SMA pour modéliser les SE.

8.1 Les Systèmes d'information d'élevage (SIE)

Au cours de cette section consacrée à la présentation des systèmes d'information d'élevage, nous allons tout d'abord définir ce qu'est l'élevage, ensuite un système d'élevage. Nous allons par la suite présenter d'une façon générale la notion de système d'information, de SIE et quelques plateformes de système d'information du secteur d'élevage.

8.1.1 Définition d'élevage, de système d'élevage

L'élevage^3(*) qui est la partie de l'agriculture destinée à la production animales, est l'ensemble des opérations qui assurent la multiplication à l'usage des humains d'animaux souvent domestiques, parfois sauvages. L'ensemble des sciences et des techniques mises en oeuvre dans l'élevage des animaux pour l'obtention de produits ou de services à destination de l'homme est la zootechnie^4(*).

Cependant, une multitude de définitions du système d'élevage sont proposées, mais l'une des plus complètes et la plus fréquente dans la littérature, est celle formulée par Landais. Il décrit le système d'élevage comme « un ensemble d'éléments en interaction dynamique organisé par l'homme en vue de valoriser des ressources par l'intermédiaire d'animaux domestiques pour en obtenir des productions variées ou pour répondre à d'autres objectifs » [Landais & Bonnemaire, 1996]. Le système d'élevage est inexistant, ce serait plutôt une conception ou une représentation où « le choix des éléments et des relations privilégiées relève d'une décision arbitraire de l'observateur selon des objectifs propres et les résultats attendus » [Pacaud & Cournut, 2007].

Dans la littérature, l'on distingue principalement trois classes de systèmes de production d'élevage à savoir [Steinfeld & Mäki-Hokkonen, 2012] :

Ø Le système extensif: suivi non rigoureux et très peu de moyen mis en oeuvre;

Ø Le système semi-intensif: moyen de plus en plus mis en oeuvre, présence d'un local, un peu plus de suivi. Production forte que dans le cas précédent;

Ø Le système intensif: Tout est contrôlé, allant de la nutrition au logement, qualité des aliments, température, modification génétique de l'animale. On recherche la productivité optimale. C'est l'élevage industriel.

8.1.2 Notion de Système d'information (SI)

La notion de système d'information est liée à celle d'organisation. Une organisation étant le siège d'activités les plus diverses visant à créer de la valeur et dans laquelle l'information est considérée comme une essence et une ressource vitale pour son fonctionnement [Izza, 2006].

Diverses définitions ont été données pour cette notion de système d'information. Nous pouvons, cependant, retenir qu'un système d'information est un ensemble organisé de ressources matériels (machines informatiques, supports, ...), personnel (utilisateurs, informaticiens, ...), données (connaissances, modèles, ...), logiciels et procédures (programmes informatique, des méthodes de travail, ...), permettant d'acquérir, de traiter, de stocker et de communiquer des informations sous des formes variées au sein d'une entreprise [Reix, 1995]. Une représentation schématique est présentée par la figure suivante.

Un système d'information est perçu comme un sous système d'une organisation. Son objectif est de fournir aux différents niveaux de l'organisation les informations nécessaires permettant de la faire fonctionner [Ermes, 1994]. Dans le même courant d'idée, Lemoigne [Lemoigne, 1984] définit une organisation comme la composition de trois types de systèmes :

- Le système opérant, qui réagit aux événements quotidiens, qui viennent de l'environnement, selon des règles définies. Il est chargé de transformer des ressources ou flux primaires (flux financiers, flux de personnel, flux de matière, flux d'information).

- Le système de pilotage, qui permet d'engager le processus de décision tout en définissant au préalable les objectifs, les critères d'évaluation et les règles de gestion. Il dirige l'entreprise et maintient le cap sur les objectifs choisis.

- Le système d'information, qui relie les deux systèmes précédents tout en jouant un rôle de coupleur. Il correspond à la partie chargée de la collecte, du traitement, du stockage et de la diffusion des informations. Il peut être perçu comme une représentation de l'activité du système opérant et/ou du système de pilotage.

Cette vue du système d'information est à l'origine même de la typologie des Systèmes d'Information qui distingue selon leur finalité principale: des systèmes d'information supports d'opérations (traitement de transaction, contrôle de processus industriels, etc.) et des systèmes d'information supports de gestion (aide à la production de rapports, aide à la décision, etc.) [Tessier, 1995]. Définissant ainsi un système d'information, il peut nous arriver de confondre un système d'information et un système informatique qui est la partie automatisée d'un système d'information [Izza, 2006].

8.1.3 Notion Système d'information d'élevage (SIE)

La notion de SIE se rapporte à la notion de système d'information d'entreprise. Dans un tel cadre, la définition et la spécification des besoins sont orientées dans le domaine de l'élevage. L'entreprise de définissant ici par l'élevage, les pratiques d'élevage ou les exploitations d'élevage.

Comme tout SI, un SIE doit satisfaire à des besoins spécifiques du domaine de l'élevage. Étant donné la multiplicité des besoins et des aspirations des éléments qui portent l'intérêt à la réalisation du SIE, il est très important comme dans le cas de tout SI de comprendre et de bien formaliser les besoins des clients ou des utilisateurs du système à produire.

8.1.4 Quelques plateformes existantes de système d'information d'élevage

8.1.4.1 CountrySTAT

CountrySTAT^5(*) est un système d'informations statistiques développé par la FAO, en ligne sur l'alimentation et l'agriculture à l'échelle nationale et internationale. Il permet aux décideurs d'accéder aux statistiques de multiples secteurs thématiques (production, prix, commerce international, consommation, etc.) en favorisant l'analyse, l'élaboration et le suivi de politiques dans le but d'éradiquer l'extrême pauvreté et la faim dans le monde.

L'approche de CountrySTAT est basée sur l'application de données et métadonnées standards de FAOSTAT. Le système Web a été développé depuis Mai 2004 utilisant PX-Web au siège de la FAO. Nombreux pays ont manifesté leur intérêt et sont en train de l'adopter dans leur système statistique national. En outre, CountrySTAT a une stratégie de renforcement des capacités au niveau des pays pour rendre le système durable à long terme.

Ce système est très large et répond de nombreux objectifs. Cependant, il n'est premièrement pas géo-référencé. De plus les informations fournies restent au niveau des pays et non au niveau des différentes subdivisions administratives du pays.

8.1.4.2 Système d'information sur le pastoralisme au Sahel (SIPSA)

L'objectif ultime de la SIPSA^6(*) est de contribuer au développement durable des sociétés pastorales au Sahel. La principale idée de cet objectif est d'améliorer la prise de décision en matière de formulation et mise en oeuvre de politique pastorale, notamment en ce qui concerne leur transparence, l'implication des acteurs et la prise en compte des multiples composantes du pastoralisme. Ceci en favorisant la circulation d'information spécifique et actualisée et en proposant un soutien direct à la formulation et mise en oeuvre de politiques.

La SIPSA traite un grand nombre de thèmes donc nous pouvons mentionner par exemple la sécurisation de la mobilité pastorale, la prévention des conflits entre pasteurs et agro-pasteurs, la réglementation de l'accès à la ressource, la gestion des épisodes de sécheresse, la gestion durable des pâturages et lutte contre la désertification, la gestion de l'eau, les prix et marchés.

Le premier inconvénient de ce système est qu'il ne traite pas les données géo-référencées en plus des données multimédias. De plus, il n'intègre pas les informations sur la gestion des unités de production animale (alimentation, suivi, santé).

8.1.4.3 Système d'information de gestion du secteur de l'élevage au Sénégal (SIGEL)

Le SIGEL^7(*) est un système d'information pour gérer et de traiter l'information zoo sanitaire, zootechnique et zoo économique, et de suivre le développement du secteur de l'élevage. Il traite l'information relevant des différents domaines de l'élevage, à savoir les productions animales, la situation pastorale, la santé animale, la santé publique vétérinaire, mais aussi les données connexes impactant le secteur. Ce système a pour but de mettre en place des outils de diffusion permettant aux utilisateurs de consulter les données rendues publiques et d'effectuer des requêtes sur une série de critères. Il permet par ailleurs une représentation cartographique du secteur de l'élevage et de prendre en charge l'intégration, la gestion et la diffusion de données géographiques croisées avec les indicateurs de suivi.

Ce système est vraiment pluridimensionnel dans la notion de suivi du secteur d'élevage. Mais il n'intègre pas les potentialités et les pratiques et le suivi des organismes ou associations présentes dans les zones d'élevage. De plus, ce système ne traite pas les données multimédias.

8.2 Modélisation des systèmes d'élevage (SE)

Le processus de modélisation est une activité qui consiste à produire des modèles. Un modèle permettant de donner une représentation structurée d'un système faisant l'objet d'une étude. Le concept de modèle est perçu de façon différente selon l'utilisateur. Pour le commun des mortels, un modèle est perçu comme un objet réel dont on cherche à donner une représentation, ou qu'on cherche à imiter. Tandis que pour les scientifiques, un modèle se définit comme une construction abstraire qui permet de comprendre le fonctionnement d'un système afin de répondre à une question qui le concerne [Marilleau, 2006].

8.2.1 Les finalités d'une modélisation

Parmi les différentes finalités d'une modélisation, deux sont très nettement dominantes dans la littérature : la modélisation pour l'aide à la décision d'acteurs et la modélisation pour l'apport de connaissances [Pacaud & Cournut, 2007].

8.2.1.1 Pour l'aide à la décision

Par définition, un modèle ou un système (au sens outil) a une finalité d'aide à la décision quand il a pour objectif de faciliter ou d'améliorer le processus de prise de décision stratégique ou opérationnelle d'acteurs, qui évoluent dans un environnement plus ou moins précis et plus ou moins incertain [Attonaty, Chatelin & al., 1999]. Un tel modèle est aussi appelé « modèle pour l'action ». Les modèles qui affichent une finalité d'aide à la décision sont relativement nombreux et sont tous des modèles implémentés.

La finalité des modèles « pour décider » n'est pas tant d'aider à la réflexion d'un acteur réel mais plutôt d'aider à la réflexion sur des modifications décisionnelles. Ces considérations, au coeur des débats sur les « Decisionnal Support Systems » soulèvent également les questions d'identification de marges de manoeuvre décisionnelles [Joannon, 2004].

8.2.1.2 Pour apprendre et comprendre

La deuxième grande finalité et caractéristique des modèles est leur apport de connaissances à plusieurs niveaux. Jouven met en évidence cet apport en deux temps ; d'une part, pendant la phase d'élaboration du modèle, la réflexion autour de l'intégration de la connaissance dans le modèle peut permettre de dégager certaines propriétés émergentes et d'étudier le fonctionnement d'un système difficile à décrire par les méthodes classiques. D'autre part, à partir des simulations effectuées grâce au modèle, il est possible de répondre à un certain nombre de questions scientifiques difficilement traitées dans les réflexions classiques [Jouven, 2006].

Le modèle pour apprendre et/ou comprendre s'inscrit dans la notion de « Knowledge representation » définie par Davis et al. et reprise par Guerrin ([Davis, Shrobe & al., 1993], [Guerrin 2007]). Cette notion peut se décliner en 5 composantes : un substitut du réel, une ontologie, un schéma de rationalité, un cadre computationnel et un langage de communication. Ces modèles aident à « mieux comprendre pour mieux gérer » [Guerrin, 2007].

Juristo et al. déclinent cette finalité d'apport de connaissances en plusieurs buts [Juristo & Moreno, 2000] :

ü Un but de compréhension : représenter un système réel et un problème à résoudre ;

ü Un but de synthèse : mise à plat de la connaissance à incorporer dans le modèle.

8.2.2 Importances du facteur géographique dans la modélisation d'un SE

Dans le processus de modélisation des systèmes d'élevage, la facteur géographique est d'une grande importance car permet de situer d'une part le modèle à réaliser. Dans la littérature, l'on rencontre deux grandes catégories de logique de représentation des SE [Pacaud & Cournut, 2007] :

Ø Les systèmes inscrits dans une logique économique de subsistance : Cette première catégorie comprend les systèmes d'élevage tels qu'ils sont abordés par des pays en voie de développement. Ces systèmes sont rarement spécialisés et sont souvent associés à une économie de subsistance, marquée essentiellement par l'agriculture vivrière et l'autoconsommation des productions. La représentation de ces systèmes dans les modèles est toujours marquée par une approche qui reste très globale et qui prend en compte un grand nombre de facteurs de production sociaux, politiques et environnementaux [Thornton, Galvin & al., 2003].

Ø Les systèmes inscrits dans une logique d'économie de marché : Ce sont les systèmes d'élevage de territoires où l'agriculture atteint un niveau d'intensification plus important. Par opposition au premier cas, les modèles représentant ces systèmes n'offrent en général plus cette vision globale du système et ne prennent pas en compte autant d'enjeux externes. Ils sont focalisés sur un processus ou un phénomène particulier. L'angle d'attaque peut être porté du côté du fonctionnement du troupeau ou la gestion des surfaces ou du pâturage [Cournut, 2001].

8.2.3 Principes de modélisation des SE

Pour comprendre le fonctionnement des exploitations agricoles, plusieurs auteurs évoquent deux approches conceptuelles : l'une centrée sur l'analyse des pratiques des agriculteurs et l'autre qui s'attache à comprendre comment les agriculteurs prennent leurs décisions [Sébillotte & Soler, 1990]. Dans cette optique, Cournut qualifiera la modélisation systémique de l'activité agricole comme « une démarche permettant de rendre compte d'un ensemble de décisions humaines finalisées, d'actions concrètes et matérielles orientant des processus biologiques et de formaliser les liens complexes qui les associent » [Cournut, 2001]. La modélisation dynamique du fonctionnement des élevages est aussi un moyen de s'atteler à des cohérences de plusieurs ordres, notamment techniques, économiques et sociales [Cros, Duru & al., 2004]. Ainsi, l'on peut regrouper les différentes articulations mise en jeu pour la réalisation d'un modèle d'élevage.

Cependant, une diversité des points d'attention peuvent être élaborés pour une modélisation d'un SE. Ces points d'attention permettent de définir l'angle d'attaque du système à modéliser. Les principaux points d'attention dans la modélisation d'un SE sont les suivants [Pacaud & Cournut, 2007] :

Ø La modélisation centrée sur la dynamique du fonctionnement du troupeau. Dans cette catégorie de modélisation, on retrouve deux principales tendances :

Ø La modélisation de la gestion du territoire. Les modèles mise en oeuvre dans cette catégorie permettent par exemple d'évaluer l'impact de changements climatiques sur le fonctionnement des systèmes d'élevage, d'aborder les questions de durabilité écologique des exploitations ou de représenter le fonctionnement de la prairie.

Ø La modélisation de la combinaison troupeau et territoire. Trois principales représentations sont à relever :

Ø La modélisation de l'activité de l'éleveur. La représentation explicite de l'activité humaine est indispensable pour l'aide à la gestion de systèmes de production agricoles. Cette représentation se résume en deux niveaux :

8.2.4 Modes de représentation des systèmes d'élevage

Dans ses travaux de thèse, Bernard mentionne que la conception d'un modèle de système d'élevage nécessite de faire une représentation qui permet de mieux appréhender le phénomène étudié [Bernard, 2010]. Ainsi, une première représentation par Landais qui permet l'identification des éléments et des interactions à prendre en compte pour comprendre le fonctionnement d'un système d'élevage, conduit à un schéma général de départ extrêmement simple (Figure 2.2).

Figure 2.2 : Le modèle de base de la structure d'un système d'élevage [Landais, 1993]

Parti de cette représentation, l'on rencontre diverses autres représentations de SE développées dans la littérature. Parmi ces représentations, figure un schéma proposé originellement par Lhoste puis repris et complété par Landais. Cette conception, dont une version est proposée en figure 2.3, définit le système d'élevage comme un système piloté à trois pôles à savoir :

Ø Le pôle « éleveur », identifié comme le pôle principal. C'est au sein de ce pôle que Landais situe une dimension « travail » et il souligne que « différentes études ont montré l'importance que prend ce facteur (le travail) dans les motivations et les choix des éleveurs, et il n'est plus possible de le négliger ».

Ø Le pôle « troupeau » qui peut être vu comme un agrégat dont les caractéristiques résultent de la somme des individus qui le composent ou bien comme une véritable entité avec ses propres règles de fonctionnement.

Ø Le pôle « territoire » où se situe la dimension spatiale. Le « territoire » ne doit pas être réduit à des surfaces fourragères exploitées, mais « doit être perçu comme un milieu structuré, support contrasté (dans l'espace et dans le temps) de ressources et de contraintes » [Landais & Bonnemaire, 1996].

Figure 2.3 : Schéma développé du système d'élevage : pôles et interfaces [Lhoste, 1984]

8.2.5 Méthodes et techniques de modélisation des SE

Deux méthodes sont largement dominantes pour la modélisation des systèmes d'élevage : Optimisation et Simulation.

8.2.5.1 Optimisation

Les modèles basés sur des techniques d'optimisation sont les modèles où le fonctionnement du système est basé sur un ou plusieurs objectifs explicites qui est (sont) sensé(s) refléter le comportement du preneur de décision ou ses objectifs. Les modèles d'optimisation relatifs aux systèmes d'élevage visent à optimiser certaines pratiques agricoles ou stratégies (gestion) ou à identifier un système optimal, le plus souvent dans un but purement économique, parfois technique [Pacaud & Cournut, 2007].

Parmi les techniques de mise en oeuvre des modèles d'optimisation, deux principales restent dominantes [Pacaud & Cournut, 2007] :

Ø La programmation linéaire qui est la plus fréquente dans les modèles des systèmes d'élevage, implique que la fonction objectif et les contraintes évoluent de manière linéaire ;

Ø La programmation dynamique qui admet qu'une solution optimale se compose nécessairement de sous-solutions optimales.

Stonehouse et al. [Stonehouse & al., 2002] caractérisent les modèles d'optimisation comme étant proches du mode de décision de l'agriculteur, permettant la prise en compte de contraintes variées, particulièrement adaptés à l'évaluation de politiques environnementales.

Cros et al. émettent quelques réserves dans l'utilisation de l'optimisation dans les questions de stratégies de gestion des exploitations agricoles dans le sens où i) il n'y a généralement pas une seule solution optimale qui répond à un problème particulier dans la gestion « car l'efficacité d'une solution dépend de contraintes spécifiques et du jugement subjectif de l'agriculteur » et ii) la gestion d'un système de production agricole est généralement trop complexe pour être représentée de manière pertinente par l'optimisation et la nécessité de simplifier la représentation des stratégies a pour conséquence leur impossibilité de réalisation dans la pratique [Cros, Duru & al., 2004]. De plus, les modèles d'optimisation spécifient systématiquement une hypothèse de comportement, ce qui les différencie des modèles de simulation [Weersink, Jeffrey & al., 2002].

8.2.5.2 Simulation

La simulation consiste à faire évoluer une abstraction d'un système au cours du temps afin d'aider à comprendre le fonctionnement et le comportement de ce système et à appréhender certaines de ses caractéristiques dynamiques dans l'objectif d'évaluer différentes décisions [Hill, 1993].

Les méthodes de simulation sont fréquemment opposées aux méthodes d'optimisation [Guerrin, 2007]. La modélisation par simulation permet une meilleure révélation des clés, des leviers et des processus [Cros, Duru & al., 2004]. Elle permet entre autre de rendre compte de la complexité de la relation entre les processus décisionnel et biophysique, de prendre en compte le rôle essentiel des événements aléatoires (comme l'aléa climatique), de tester des règles de gestion et ainsi explorer les problèmes de gestion des exploitations agricoles et de situer les marges de manoeuvre les plus importantes pour cibler où peuvent intervenir des améliorations.

Coleno et al. ajoutent que la simulation est utile quand la question n'est pas de trouver une solution optimale mais d'explorer la diversité des solutions possibles pour identifier les paramètres qui apporteraient une amélioration significative [Coleno & Duru, 1999].

Une large gamme de technique de modélisation par simulation est présente dans la littérature. L'application de la méthode par simulation demande de définir l'échelle de l'étude, le niveau d'abstraction et de préciser les choix techniques qui doivent effectués. Ainsi, dans un cadre temporel du modèle, une opposition est faite entre les modèles de simulation à temps continu et les modèles de simulation discrète où le temps est divisé en intervalles au cours desquels il ne se passe rien. La modélisation par événements discrets est surtout employée dans les modèles de fonctionnement de troupeau [Pacaud & Cournut, 2007].

L'utilisation de méthodes stochastiques pour représenter la complexité et l'aspect aléatoire de certains phénomènes naturels est très fréquente. Cette utilisation de l'aléa peut s'opérer de différentes façons :

Ø L'utilisation d'équations différentielles stochastiques dans le cas de modèles mathématiques basés sur des équations.

Ø Le recours au principe de Monte-Carlo qui repose sur la loi des grands nombres : en répétant un grand nombre de fois une expérience (comme une simulation), de façon (théoriquement) indépendante, on obtient une approximation de plus en plus fiable de la vraie valeur de l'espérance du phénomène observé.

Ø L'utilisation des techniques de Markov qui sont des processus stochastiques qui permettent de prédire l'état futur du système à partir de l'état présent. Les changements d'état des entités du système sont gouvernés par des distributions de probabilités qui introduisent un aléa.

L'on rencontre aussi les méthodes déterministes, où, à une « condition initiale » donnée à l'instant « présent » va correspondre à chaque instant ultérieur un et un seul état « futur » possible. On utilise aussi des techniques mécanistes destinées à révéler plus ou moins finement certains processus ou phénomènes et les techniques empiriques qui s'appuient sur l'expérimentation ou l'observation.

L'une des techniques porte sur la simulation multi-agents qui connaît actuellement un essor très important dans le cadre de la modélisation des systèmes complexes, le plus souvent à une échelle d'organisation territoriale. Elle offre l'intérêt de pouvoir mieux étudier les systèmes combinant des dynamiques naturelles et des dynamiques sociales, ce qui est le cas des systèmes d'élevage [Bah, Touré & al., 2006].

8.3 Système multi-agents (SMA)

De la notion de système multi-agents, se dégage immédiatement l'idée d'un système qui est fait de plusieurs agents. Le concept d'agent reste donc le pivot de ce domaine et l'interprétation qu'on a de ce terme, doit être le premier dans l'exploitation de l'univers multi-agents [Bakam, 2002].

8.3.1 Notion d'agent

8.3.1.1 Agent & Objet

La notion d'agent s'apparente beaucoup au concept classique d'objet qui est une structure encapsulant les données (attributs) et les procédures (méthodes). La programmation objet, basée sur le paradigme « Objet = données + méthodes », se distingue clairement de la programmation structurée, traduite par « Programme = données + procédures » [Bakam, 2002].

L'agent étend un objet en y ajoutant son autonomie et ses objectifs propres. Ceci dit, lorsqu'un agent reçoit un message, il met en oeuvre avec son contexte interne et sa perception un véritable protocole de communication, contrairement à un objet qui active simplement une méthode associée si elle a été implémentée lors de sa définition. On se demande à savoir qu'est ce qu'un agent ?

8.3.1.2 Définition d'agent

Répondre à cette question est aujourd'hui encore quelque peu embarrassant car il n'existe pas de dé?nition formelle relative à l'implémentation. La programmation orientée agent est donc aujourd'hui beaucoup plus une manière de penser un système informatique qu'une technique d'implémentation particulière. Ainsi, la plupart des dé?nitions qui ont été proposées pour le terme agent s'attachent à décrire des principes généraux liés à cette approche ([Ferber, 1995], [Russell & Norvig, 2003], [Briot & Demazeau, 2001]).

L'une des dé?nitions les plus célèbres de la notion d'agent a été formulée par [Russell & Norvig, 2003], ils considèrent un agent comme « Tout ce qui peut être vu comme percevant son environnement à l'aide de capteurs et agissant sur cet environnement à l'aide d'effecteurs, de façon autonome». Cette dé?nition très générale et volontairement minimaliste dans sa formulation (uniquement). Elle est étendue par Ferber pour, en outre, accentuer l'importance de l'environnement (qui demeurait rarement spéci?é). Pour [Ferber, 1995], « On appelle agent une entité physique ou virtuelle

Cette dé?nition énonce les propriétés minimales dont disposent un agent pour qu'il soit considéré en tant que tel. Ces caractéristiques se résument en quatre mots [Wooldridge, 1997] :

Ø l'autonomie : capacité à évoluer selon un comportement propre sans intervention de l'extérieur ;

Ø la réactivité : capacité à réagir en fonction d'évènements extérieurs ;

Ø la pro-activité : capacité à prendre des décisions de manière plus ou moins élaborée a?n d'accomplir des objectifs ;

De cette autre définition, il est facile de voir qu'un agent possède un état interne qui change en fonction de ses perceptions (entrées) et on parle du comportement d'un agent pour quali?er la manière dont il réagit à son environnement (relation E/S). On le représente d'ailleurs souvent de manière abstraite à l'aide du schéma suivant (?gure 2.4) [Wooldridge, 2000]:

Figure 2.4 : Représentation classique d'un agent et de son environnement [Wooldridge, 2000].

Comme le montre cette ?gure, un agent est dé?ni par un ensemble de perceptions (entrées), un ensemble d'actions (sorties) et on parle de l'architecture interne de l'agent pour désigner les mécanismes qui dé?nissent sa dynamique intrinsèque [Michel, 2004]. On utilise aussi fréquemment les termes senseurs et e?ecteurs pour désigner les moyens par lesquels un agent interagit avec son environnement. L'architecture interne d'un agent est perçue comme un processus cyclique comportant trois phases successives : perception, délibération et action [Ferber, 1995] (figure 2.5) :

Figure 2.5 : L'agent, un processus cyclique à trois phases : perception, délibération puis action [Ferber, 1995].

8.3.1.3 Principaux types d'agents

En fonction du degré de détails des connaissances d'un agent, ou de la complexité de ses fonctionnalités (on parlera aussi de granularité d'un agent), on distingue dans les systèmes multi-agents deux principales catégories d'agent : les agents cognitifs et les agents réactifs.

Les agents cognitifs sont des agents capables à seuls d'effectuer des opérations complexes. Ils sont dotés d'une grande capacité de perception, de raisonnement et d'action [Bakam, 2002]. Ce type d'agent est parfois qualifié d'intelligent ou rationnel [Michel, 2004].

Par contre, les agents purement réactifs sont vus comme des entités qui ne font que réagir de manière mécanique aux stimuli qu'ils perçoivent. Ils n'ont pas de buts explicites. Pour autant, il ne faut pas en déduire que les agents réactifs ne peuvent exhiber un comportement qui, pour un observateur extérieur, ne peut être considéré comme intelligent. Le classique exemple de la fourmilière en est l'illustration : les fourmis n'ont a priori pas de capacités cognitives mais elles accomplissent cependant des tâches extrêmement complexes [Michel, 2004]. Les agents réactifs sont perçus comme une approche plutôt biologique de la notion d'agent [Bakam, 2002].

8.3.2 Définition Système multi-agents

251657216De façon générale, un système multi-agents (SMA) peut être considérer comme tout simplement un ensemble d'agents partageant un environnement commun. On peut donc représenter un système multi-agents comme suit :

Figure 2.6 : Représentation schématique d'un système multi-agents [Michel, 2004].

Ce schéma ressort les trois éléments que compose un SMA à savoir Agents, Environnement et Interactions. [Feber, 1995] définit un SMA comme un système composé des éléments suivants :

1. Un environnement E, c'est-à-dire un espace disposant généralement d'une métrique.

2. Un ensemble d'objets O. Ces objets sont situés, c'est-à-dire que, pour tout objet, il est possible, à un moment donné, d'associer une position dans E. Ces objets sont passifs, c'est-à-dire qu'ils peuvent être perçus, créés, détruits et modi?és par les agents.

3. Un ensemble A d'agents, qui sont des objets particuliers (A ?O), lesquels représentent les entités actives du système.

4. Un ensemble de relations R qui unissent des objets (et donc des agents) entre eux.

5. Un ensemble d'opérations Op permettant aux agents de A de percevoir, produire, consommer, transformer et manipuler des objets de O.

6. Des opérateurs chargés de représenter l'application de ces opérations et la réaction du monde à cette tentative de modi?cation, que l'on appellera les lois de l'univers.

Cette définition est synthétisée par celle de Demazeau [Demazeau, 2001] qui propose de définir un SMA comme un ensemble d'agents potentiellement organisés qui interagissent dans un environnement commun. Cette définition fait ressortir les quatre éléments de l'approche VOYELLES qui consiste à considérer que l'analyse, le design, l'implémentation et le déploiement d'un système multi-agents peuvent être étudiés en fonction de quatre aspects fondamentaux à savoir : Agents, Environnement, Interaction et Organisation. En voici une description simpli?ée [Michel, 2004] :

Ø Organisation : les moyens utilisés pour structurer l'ensemble des entités.

Les SMA au même titre que le concept d'objet, de composant ou d'aspect, entrent dans une démarche de structuration de la pensée qui aide les scienti?ques ou industriels à résoudre les divers problèmes auxquels ils sont confrontés. Les systèmes multi-agents sont considérés comme une suite logique du concept objet ([Ferber, 1995], [Wooldridge, 1997]) apportant davantage de modularité grâce à ses facultés d'adaptation, d'apprentissage et d'autonomie.

8.3.3 Modélisation et simulation multi-agents

Le monde de la modélisation agent a connu des grands mouvements et on distingue en général deux approches ou méthodes de modélisation à savoir [Fute, 2012] :

Ø L'approche de modélisation centrée agent : elle est essentiellement centré sur l'agent et sur ses aspects individuels. On a par exemple l'approche ACMAS^8(*) où le SMA est conçu sur la base des états mentaux des agents (but, désir, croyance, intention, engagement, etc.) ;

Ø L'approche de modélisation centrée groupe : On considère une organisation où les agents forment des groupes et des hiérarchies, et suivent des règles et des comportements spécifiques. Comme exemple d'approche, nous avons OCMAS^9(*).

Une méthode se dé?nissant comme un processus structuré, réutilisable à souhait dans un domaine d'application limité [Marilleau, 2006]. Dans le processus d'analyse et de conception des SMA, l'approche organisationnelle fondé sur trois éléments à savoir Agent, Groupe et Rôle [Marilleau, 2006], présente de nombreuses avantages à savoir : hétérogénéité des langages, modularité, multiples architectures, un panel large d'applications, et une plus grande sécurité des applications [Fute, 2012]. Mais plusieurs méthodologies existantes adoptant l'approche organisationnelle durant l'analyse et reviennent à une approche centrée-agent au fil de la conception, pour obtenir une implantation complètement centrée-agent, perdant ainsi une grande partie des avantages de l'approche organisationnelle. Ceci peut aisément être expliqué par l'absence de plate-forme multi-agents véritablement organisationnelle permettant d'implanter la notion de rôle en tant qu'entité de premier ordre et autorisant ainsi une dynamique importante pour les rôles d'un agent [Fute, 2012]. L'architecture AGR qui s'inscrit dans une approche organisationnelle est la suivante :

Figure 2.7 : Le méta-modèle AGR [Feber & Gutknecht, 1988; Marilleau, 2006].

Dans ses travaux de thèse [Marilleau, 2006] conclu qu'un travail modélisation-simulation se résume à l'élaboration de quatre modèles intermédiaires :

Ø le modèle du domaine qui décrit le système dans sa globalité, dans un langage naturel ou sous la forme de règles ;

Ø le modèle de conception qui est une représentation structurée et rigoureuse du système. Il s'agit d'un intermédiaire entre le modèle du domaine et le modèle computationnel ;

Ø le modèle computationnel qui modélise par des algorithmes le système en vue de les implémenter dans un simulateur ;

Ø le modèle d'analyse qui constitue le résultat des simulations qui seront étudiées ensuite.

La figure ci-dessous montre le cycle de modélisation-simulation qui part du système réel à la publication des résultats. Il fait ressortir les différents types d'acteurs qui interviennent dans ce processus et leur niveau d'intervention. On comprend que comme dans un processus la réalisation d'un système d'information où plusieurs parties prenantes sont mises en jeu, le processus de modélisation-simulation fait aussi intervenir les classes de personnes différentes.

Figure 2.8 : Cycle de modélisation-simulation d'un système [Hutzler, 2012].

8.3.4 Quelques plateformes de simulations multi-agents

La simulation étant une activité visant à faire évoluer un modèle pour expliciter les dynamiques intéressantes du système étudié [Marilleau, 2006].

L'objectif des plateformes de simulation est de proposer un cadre logiciel facilitant l'implémentation et l'exécution de simulateurs. Un simulateur se définissant comme étant un programme informatique capable d'interpréter des modèles dynamiques, et utilisé pour produire des perturbations désirées sur des modèles [Marilleau, 2006].

On récence dans le monde plus de 400 plateformes de simulations [Marilleau, 2006]. Nous nous intéressons à quelques unes qui sont présentées dans la suite.

NetLogo^10(*) est un environnement de modélisation programmable pour simuler des phénomènes naturels et sociaux. Il a été rédigé par Uri Wilensky en 1999 et a été en constante évolution depuis le Centre d'apprentissage Connecté (Center for Connected Learning) et Computer-Based Modeling. C'est un environnement de programmation pour la modélisation/ simulation de phénomènes collectifs naturels. NetLogo est particulièrement bien adapté pour la modélisation de systèmes complexes en développement au fil du temps. Il est aussi bien adapté à la modélisation de systèmes complexes composés de centaines, de milliers d'agents agissant en parallèle. Il est également un environnement de création qui permet aux élèves, les enseignants et les concepteurs de programme de créer leurs propres modèles. Il est multiplateforme, programmé entièrement en Java, avec un environnement de modèle en 2D et 3D. Avec son client HubNet, les simulations peuvent être sauvegardées comme des applets et être embarquées dans des pages web. NeLogo dispose d'une extension SIG qui fournit les possibilités de charger les données vecteurs (points, lignes et polygones) et raster (grilles) dans les modèles.

GAMA^11(*) est une plate-forme de simulation, qui vise à fournir aux experts sur le terrain, aux modélisateurs et aux informaticiens, une modélisation complète et un environnement de développement de simulation pour la construction spatialement explicite des simulations multi-agents. Il a été développé par le MSI équipe de recherche (situé au sein des IFI, Hanoi, et une partie de l'IRD / UPMC international de recherche de l'unité UMMISCO) depuis 2007. Il permet la possibilité d'utiliser les données SIG, la capacité de gérer un grand nombre d'agents. Il offre une plateforme pour les expériences à contrôle automatisé et permet la possibilité aux utilisateurs non informaticiens de concevoir les modèles scientifiques et d'interagir avec les agents lors des simulations. Sa plateforme de simulation à base d'agents est sous licence GPL, développée en JAVA et son langage est GAML qui est un langage de modélisation complet basé sur XML.

MadKit^12(*) est une plateforme open source multi-agents modulaire et évolutive écrit en Java et repose sur le modèle organisationnel AGR (Agent/Groupe/Rôle). Des agents MadKit jouent un rôle dans les groupes et ainsi créer des sociétés artificielles. MadKit ne vous impose aucune considération sur la structure interne des agents, ce qui permet à un développeur construire librement ses propres architectures d'agents. MadKit est un logiciel libre basé sur la licence LGPL, mettant en vedette la création artificielle des agents et une gestion du cycle de vie, une infrastructure organisationnelle pour communication entre les agents, une grande hétérogénéité dans les architectures d'agents: Pas de modèle d'agent prédéfini. Le principal défaut de Madkit tient à son implantation du modèle organisationnel et notamment du concept de Rôle. Les rôles ne sont pas véritablement des comportements que les agents peuvent acquérir dynamiquement, mais sont réduits à de simples tags. Cette approche des rôles nuit gravement à la modularité et à la généricité des organisations [Fute, 2012].

8.4 Les systèmes multi-agents (SMA) pour les systèmes d'élevage (SE)

8.4.1 SMA et SE

Un système complexe étant composé d'un grand nombre d'éléments ou d'entités qui interagissent simultanément [Weber, 2007]. Un système d'élevage composé par exemple des animaux, d'éleveurs, évoluant dans un environnement, est lui aussi constitué d'un ensemble d'éléments qui interagissent comme un système multi-agents composé des agents en interactions. Dès lors, l'on aperçoit une certaine similitude entre système d'élevage et système multi-agents. Janssen indique que les systèmes multi-agents sont spécialement adaptés lorsqu'il s'agit de simuler le fonctionnement de systèmes composés par des agents hétérogènes qui interagissent et qui sont influencés par leur localisation dans l'espace au sein des situations qui peuvent être hors d'équilibre [Janssen, 2002].

Nombreux sont les travaux de modélisation et de simulation du domaine d'élevage qui ont été effectués avec la technologie des SMA.

Dans leurs travaux, Dumont et Hill montrent l'intérêt des modèles multi-agents pour apporter des réponses à des questions de comportements de groupes d'animaux, car ils permettent de représenter les conséquences d'interactions d'agents agissant en parallèle, ce qui va influencer l'ensemble du système [Dumont & Hill, 2001]. L'implémentation de ce modèle a permis de simuler individuellement le déplacement d'animaux et d'évaluer ainsi l'effet de changement au niveau des capacités de l'animal ou de facteurs environnementaux ou de combinaisons des deux éléments.

D'autres modèles multi-agents cherchent à représenter la gestion d'un troupeau allaitant [Ingrand, Dedieu & al., 2002], l'interaction entre troupeau et ressources herbagères [Baumont, Cohen-Salmon & al., 2004] ou encore les problèmes de remembrement [McAllister, Gross & al., 2006]. Dans ce dernier modèle qui inclut l'échelle territoriale, l'entreprise pastorale est elle-même un agent du modèle.

Dans ses travaux de thèse, Chirat [Chirat, 2009] présente un modèle multi-agents PastoTrop qui spatialise les choix alimentaires de bovins en libre pâture sur des territoires pastoraux et agropastoraux, en zones tropicales sèches. PastoTrop situe le modèle sur parcours (agro)pastoraux tropicaux, mais illustre aussi les facteurs d'orientation des bovins pour les aménagements du parcours et les aires de végétation [Chirat, 2009]. Ce modèle est présenté par la figure ci-dessous :

Figure 2.9 : Modèle conceptuel du modèle multi-agents PastoTrop qui spatialise les choix alimentaires de bovins en libre pâture [Chirat, 2009].

8.4.2 SMA dans la modélisation de la propagation des épidémies animales

Le premier travail de modélisation en épidémiologie a été réalisé par Bernoulli, vers la fin du dix-huitième siècle (1760), pour évaluer l'efficacité de la variolisation : nombre de morts évités et gain d'espérance de vie. La modélisation « fonctionnelle » d'un système épidémique part de l'apparaître des phénomènes observés, l'expression du système, pour poser des hypothèses sur les processus de contrôles sous-jacents [Sabatier, Bicout & al., 2005]. Les principaux modèles retrouvées dans la littérature sont le modèle SI (Sensible-Infecté), le modèle SIR (Sensible-Infecté-Guéri ou Immunisé) qui est le plus utilisé et le modèle SEIR (Sensible-Exposé-Infecté-Guéri) [Choisy, 2010].

Dans leur article, Ivorra et al. [Ivorra & al., 2009] présentent un modèle hybride spatial développé pour la propagation de la peste porcine classique (PPC). Ce modèle est basé sur la combinaison d'un modèle stochastique individu-centré, basé sur un modèle de Sensible-infecté.

Un travail de modélisation multi-agents consacré à la peste bubonique Malgache a été effectué par Lepierre [Lepierre, 2006], pour représenter la dynamique des interactions afin de mieux comprendre, par des simulations exploratoires, l'expression spatiotemporelle de la peste à grande échelle, au cours d'une phase d'épidémie. Cette modélisation passe par la définition des diagrammes d'états UML pour caractériser les agents qui interviennent dans l'expression de la peste.

Dans ses travaux de thèse, Weber présente une simulation orientée agents pour la propagation d'un parasite dans un écosystème : Cryptosporidium. Ce parasite infecte les humains comme les animaux et qui se vit le plus dans l'élevage bovin [Weber, 2007]. Au cours de ses travaux sur la race bovine, il définit individuellement les caractéristiques des agents du domaine, ensuite les interactions entre ces agents, avant de faire une simulation.

9 Conclusion

Ce chapitre nous a permis de définir et présenter les travaux effectués dans le domaine des systèmes d'information d'élevage, de la modélisation des systèmes d'élevage, des systèmes multi-agents et des systèmes multi-agents pour les systèmes d'élevage.

Au cours de ce chapitre, nous avons insisté sur la modélisation des systèmes d'élevages et l'interaction entre les systèmes multi-agents et les systèmes d'élevage. Nous avons aussi présenté les travaux qui ont été effectués pour la modélisation des systèmes d'élevage en utilisant la technologie des systèmes multi-agents et aussi les systèmes multi-agents dans la modélisation de la propagation des épidémies animales.

Dans la suite de nos travaux, nous définirons et élaborerons une modélisation d'un système d'information d'élevage dans un contexte bien précis. Par la suite, nous ferons une modélisation et simulation de la propagation d'une épidémie animale en milieu rural. L'épidémie considérée est la Peste Porcine Africaine (PPA).

Chapitre 3 : MODELISATION D'UN SYSTEME D'INFORMATION D'ELEVAGE ET SIMULATION MULTI-AGENTS D'UNE EPIDEMIE ANIMALE.

Ce chapitre consacré à la présentation de nos travaux est reparti en deux grandes parties. Nous présenterons en premier le modèle conceptuel d'un système d'information d'élevage dans un agro-système avec des centres d'intérêt bien défini. En second, nous présenterons nos travaux sur la modélisation multi-agents et la simulation d'une épidémie animale en milieu rurale. L'épidémie qui est portée à notre étude est la peste porcine africaine (PPA).

9.1 Modélisation d'un système d'information d'élevage

L'un des objectifs premiers de notre travail est la « Mise en oeuvre d'une base de données multimédia géo-référencées pour la gestion des agro-systèmes » où nous nous intéressons au secteur d'élevage.

La réalisation de ce travail passe par la définition d'un modèle conceptuel pour l'archivage des données relevant du secteur de l'élevage. Afin de concevoir le modèle, n'étant pas du domaine, nous avons eu des entretiens, des séances de travail et des échanges avec des ingénieurs agronomes du domaine et les chercheurs. En plus de ces atouts, des articles et des documents reçus, nous avons pu obtenir le formulaire APESS^13(*) pour les enquêtes de ménages. Ce formulaire permet à la collecte des données du secteur couplé agriculture-élevage et il a été réalisé dans le cadre du projet intitulé « Intensification durable des systèmes intégrés agriculture-élevage en vue d'accroître la productivité agropastorale et la sécurité alimentaire en Afrique de l'Ouest et du Centre ».

Ainsi, pour réaliser un modèle pour la base de données du secteur d'élevage, il est important de définir tout d'abord la logique du modèle à mettre en oeuvre, de poursuivre avec quelques cas d'utilisations du système à modéliser. Ensuite, d'identifier et caractériser les éléments qui vont intervenir dans la modélisation afin de présenter le modèle conceptuel géo-référencé et multimédia pour l'archivage des données du secteur d'élevage.

i. Présentation du type de modèle de système d'élevage

Dans un environnement où la production des foyers est à but autoconsommation pour satisfaire les besoins du foyer, la représentation d'un système d'élevage porte beaucoup plus sur la maîtrise de la sécurité alimentaire [Pacaud & Cournut, 2007].

Dans un environnement comme le notre, la représentation d'un système d'élevage porte le plus à la maitrise de la sécurité alimentaire. La production des foyers est à but autoconsommation et vente pour satisfaire les besoins du foyer. Dans ce système, l'on doit prendre en compte un grand nombre de facteurs de production sociaux, politiques et environnementaux [Thornton, Galvin & al., 2003]. Les objectifs majeurs d'une telle représentation sont d'étudier différentes stratégies de gestion du territoire ou de vente des animaux pour survenir à des besoins des foyers agricoles. Un système qui s'intéresse à une telle étude est un système inscrit dans une logique économique de subsistance [Pacaud & Cournut, 2007].

Dans la suite, étant donné que notre modèle doit porter sur un système qui s'inscrit dans une logique économique de subsistance, nous nous proposons de proposer quelques cas d'utilisation, ensuite d'identifier les éléments du domaine et de les définir.

Dans la suite, ayant défini la logique du modèle à réaliser et afin de parvenir à la réalisation du modèle conceptuel pour stocker des données du secteur d'élevage, nous énumérons quelques cas d'utilisations. Cette énumération doit être suivie de l'identification et caractérisation des éléments du modèle à mettre en oeuvre. Cette dernière permet d'exhiber les entités et leurs propriétés qui vont constituer le modèle.

ii. Quelques cas d'utilisation

Les cas d'utilisation sont au centre de l'ingénierie logiciel. Ils permettent à la définition et la spécification des besoins fonctionnels d'un système. Ils recensent et décrivent les principales fonctionnalités attendues du système. C'est le support de référence tout au long du processus de développement du système. La recherche des cas d'utilisation permet, en particulier, de formaliser les réponses aux questions : « Pourquoi » (les intentions du système) et "Pour qui" (les acteurs) [Capuozzo, 2004].

Nous pouvons entre autre recenser quelques cas d'utilisation par des scénarii permettant de définir quelques besoins fonctionnels du système d'informations d'élevage. Ces besoins sont présentés comme suit :

Ø Renseigner sur les maladies des animaux concernant la morbidité et mortalité;

iii. Identification et caractérisation des éléments du modèle

La modélisation d'un système passe par l'identification et la caractérisation des éléments qui vont permettre la compréhension du modèle. Ce modèle réalisé, il va permettre de présenter le squelette du système et pour l'archivage des données. Cette phase d'identification et caractérisation a permis de recenser les éléments ci-dessous :

Ø La superficie de la zone et la superficie utilisée pour la production animale ;

Ø Les facteurs de la zone : édaphiques (sols), climatiques (climat), topographiques (relief) ;

Ø La population humaine de la zone : culture, pratique prédominante, les appartenances religieuses et les tabous (les interdictions);

Ø Les politiques mises sur pied pour valoriser le développement du domaine de l'élevage et/ou de la pêche dans la zone : faire ressortir les politiques que la juridiction légale a mise sur pied pour valoriser les investissements en matière d'élevage dans la zone;

Ø Le cheptel : c'est le nombre total des animaux élevés dans une zone. ~~C'est l'ensemble des têtes d'animaux d'élevage que l'on rencontre dans la zone.~~ Il se caractérise par les filières pratiquées (bovin, caprin, porcine, etc.), les races d'animaux, leur sexe et la reproduction de ces animaux;

Ø Les systèmes de productions pratiqués : ils se caractérisent par le niveau de technologie utilisée (le logement), la nutrition (le contrôle de l'alimentation), la nature du personnel, les rendements (bas et incertains, moyens, très élevés et sûr);

Ø Les services et organes présents dans la zone : renseignent sur les services vétérinaires existants dans la zone, les services agricoles (associations, GIC, ONG, Coopératives) et leurs fonctions ;

Ø Le potentiel de la zone : c'est son niveau de développement lié à l'élevage ;

Ø Les limites : on renseigne ici sur les facteurs de risque et les facteurs limitant la productivité du troupeau au sein du système de production, car ils peuvent influer sur le potentiel de développement du système.

iv. Modèle conceptuel du système d'information d'élevage

La représentation du modèle conceptuel d'un système est de nos jours réalisé en utilisant particulièrement le langage de modélisation UML. Ceci part par la construction de l'un de ses multiples diagrammes qui le « diagramme de classe ». Ainsi, nous présentons notre modèle du système construit pour l'archivage des données du secteur d'élevage en utilisant le diagramme de classe UML. La figure 3.1 présente le diagramme de classe du système exempt des méthodes ou opérations.

Figure 3.1 Diagramme de classe du modèle d'un système d'élevage agropastoral.

Ce modèle permet de présenter l'ensemble des classes ou des tables qui vont permettre la construction de la base de données. Chaque classe ou entité a été caractérisée par ses propriétés ou attributs et les relations qu'elle a avec les autres classes du système.

~~Parti de ce modèle, dans la suite de nos travaux, nous observons les maladies animales qui infestent les troupeaux et impactent considérablement les pratiques d'élevage en milieu rurale.~~

Ce modèle permet de présenter l'ensemble des classes ou des tables qui vont permettre la construction de la base de données. Chaque classe ou entité a été caractérisée par ses entités ou attributs et les relations qu'elle a avec les autres classes du système.

Ce modèle a été réalisé dans l'environnement Enterprise Architech qui est un atelier de Génie Logiciel. Ayant mis en oeuvre du tel modèle dont chaque entité possède ses attributs dans cet environnement, il est possible d'extraire directement le schéma SQL des tables pour créer la base de données.

Dans notre cas, afin de faire les tests d'importation et de création de la base de données du secteur d'élevage, nous avons précisé que le Système de gestion de base de données (SGBD) à utiliser est PostgreSQL. Ce choix a été fait par ce qu'il possède une extension spatiale PostGIS, compatible avec plusieurs environnements de digitalisation des données comme QuantumGIS et MapInfo. Il faut mentionner que PostgreSQL est open source et libre.

~~Parti de ce modèle, dans la suite de nos travaux, nous observons les maladies animales qui infestent les troupeaux et impactent considérablement les pratiques d'élevage en milieu rurale.~~

Parti de ce modèle, étant donné la pluralité des maladies qui infestent les animaux dans les unités de production ou exploitation et impactent considérablement les pratiques d'élevage, la suite de nos travaux portera sur la modélisation et la simulationl'étude de la propagation d'une épidémie en milieu rurale.

b. Modélisation Multi-agents de la propagation d'une épidémie animale en milieu rurale : Cas de la peste porcine africaine

i. Contexte

Après avoir mis sur pied le modèle conceptuel du système d'information d'élevage, il nous a été demandé d'explorer le monde des systèmes multi-agents, puisqu'ils sont très utilisés pour la modélisation et simulation des systèmes complexes où s'intègrent les agro-systèmes. Cette modélisation et simulation permettant d'apprendre et de comprendre ces systèmes afin de mieux établir les politiques de prise de décision [Pacaud & Cournut, 2007].

Ayant fait les travaux de modélisation portant sur le secteur de l'élevage, il a été question de dégager du modèle mis en oeuvre, une partie qui va porter à l'attention du système multi-agents.

Ayant fait les travaux de modélisation portant sur le secteur de l'élevage, il a été question de d'extraire du modèle mis en oeuvre, un sous-système qui va porter à l'étude des systèmes multi-agents. Nous avons opté d'explorer l'impact que peut avoir une épizootie^14(*) (épidémie animale) sur une filière animale en milieu rurale. C'est où nous nous sommes retrouvés dans le monde de la modélisation épidémiologique. En cette période (Juin/Juillet), une épidémie du nom de Peste Porcine Africaine (PPA) frappait la filière porcine dans les hauts-plateaux de l'Ouest Cameroun. Ce qui a dès lors porté à notre attention et où le cas de notre modélisation et simulation multi-agents est axée.

ii. Problématique

L'introduction de la Peste Porcine Africaine (PPA) dans une zone engendre de nombreuses pertes économiques ainsi qu'une profonde désorganisation de la filière porcine. De nombreux élevages « modernes » au cheptel important disparaissent. La viande de porc devient de se fait très rare et chère sur le marché, et reste pas moins très appréciée par les consommateurs [Franco, 2007].

Dans un souci de compréhension de la propagation de la peste porcine africaine, nous nous intéressons à la façon dont cette peste peut évoluer dans une population de porc en milieu rurale.

Ø Quelles sont les sources de provenance de la maladie et quel est l'agent pathogène responsable de la maladie ?

Ø Comment se propage t-elle et quels sont les vecteurs de transmissions ou de propagation?

Ø Quels en sont les symptômes et quelle est la période d'incubation (durée entre l'infection et la manifestation de la maladie) et la durée de manifestation de la maladie ?

L'apport de réponses à ces différentes questions nous permettra premièrement de présenter et de définir tous les éléments qui interviennent dans la propagation, de connaitre leur fonctionnement afin de les caractériser de manière formelle.

Cette étude la propagation de la peste porcine africaine en milieu rurale par une analyse va permettre de mettre en oeuvre un modèle de propagation et de simuler par des agents pour une zone, ses dégâts ; de sensibiliser la population éleveur, les organes institutionnels présents dans la zone, le pouvoir public et privé concernant les sources de provenance potentielles, des acteurs de propagation et les impacts que cette dernière a sur la filière porcine.

iii. Méthodologie

~~Une prise de connaissance de la peste porcine, de sa définition à sa manifestation, de la période d'incubation et des agents vecteurs de transmission, nous permettra de mieux cerner sa propagation.~~

L'objectif étant de proposer ~~une approche de modélisation~~ un modèle agent de la propagation de la peste porcine africaine, il est important de décrire premièrement cette épizootie. Ensuite, nous allons, pour ~~l'approche de modélisation~~ le modèle, définir l'architecture du système, définir l'ensemble des agents qui y interviennent en précisant le rôle de chaque agent, décrire le fonctionnement de chaque agent, proposer un diagramme de classe du système, suivi de la formalisation des agents qui passe par des diagrammes d'états-transition des agents du système et proposer des algorithmes pour une simulation de la propagation. Enfin, nous décrirons les résultats de simulations que nous avons réalisées.

iv. Description de la peste porcine africaine

1. Définition

La peste porcine africaine (PPA) ou African Swine Fever est une maladie infectieuse, contagieuse, hémorragique affectant les suidés. Toutes les classes d'âge sont sensibles à la maladie. Sa haute contagiosité, ainsi que la mortalité élevée qu'elle entraîne, qui lui ont valu le terme de peste et lui donnent une importance considérable pour l'élevage porcin. Elle fut identifiée pour la première fois en 1910 au Kenya, par Montgomery [Franco, 2007]. Les espèces sensibles à l'infection sont les porcs domestiques et les sangliers européens [Franco, 2007]. La PPA apparait au Cameroun dans les années 1980 et sévit surtout dans les hautes terres de l'ouest Cameroun.

La peste porcine africaine a été inscrite sur la liste des maladies qui figurent dans l'édition 2011 du Code sanitaire pour les animaux terrestres publié par l'Organisation mondiale de la santé animale (OIE) (article 1.2.3). Il s'agit d'une maladie à notification obligatoire auprès de l'OIE (article 1.1.3) - Notification des maladies et informations épidémiologiques).

2. Le virus

Le virus de la PPA appartient à la famille des Asfarviridae (ou African Swine Fever-like viruses) et au genre Asfivirus, dont il est le seul représentant. Il s'agit d'un virus enveloppé, composé d'un ADN double brin, d'une taille variant de 170 à 190 kilobases selon la souche. Le virion est constitué d'éléments concentriques (core, couches lipidiques internes, capside icosaédrique) entourés d'une enveloppe externe. Sa taille moyenne est de 200 nm [Franco, 2007].

Une des caractéristiques fondamentales du virus de la PPA est sa résistance prolongée dans le milieu extérieur et dans les milieux biologiques. Il résiste plus de 11 jours dans les fèces et plus de 16 jours dans le sang putréfié d'un porc. Il peut résister pendant 18 mois dans du sang ou du sérum stocké à température ambiante [Franco, 2012].

3. Transmission

Le sang, les tissus et les produits de sécrétion et d'excrétion des animaux malades ou morts sont virulents. Lors de la transmission par contact, la pénétration peut se faire par voie digestive, respiratoire ou transcutanée. Les animaux peuvent être porteurs sains. Tel est le cas des suidés sauvages africains et des porcs domestiques des régions enzootiques ([Cruciere, 2003], [Toma \& al., 2001]).

La transmission du virus entre porcs domestiques se réalise le plus fréquemment par contact direct entre animaux malades et animaux sains. L'infection se fait par voie oronasale suite à un contact direct avec un animal infecté ([Cruciere, 2003], [Toma \& al., 2001]).

La distribution d'eaux grasses ou de viande contaminée est un mode de transmission indirecte. Elle peut également avoir lieu par piqûre d'une tique infectée, qui joue le rôle de vecteur biologique. Enfin, de part l'extrême résistance du virus dans le milieu extérieur, la transmission peut avoir lieu par un vecteur mécanique : locaux, véhicules, instruments, vêtements contaminés ([Cruciere, 2003], [Toma \& al., 2001]).

4. Manifestation / Symptômes

Sous ses formes hautement virulentes la peste porcine africaine se caractérise par une forte fièvre, une perte d'appétit, des hémorragies au niveau de la peau et des organes internes.

Chez les porcs domestiques, directement après infection de l'animal, le virus se dissémine alors dans tout l'organisme. 48 heures après, une virémie qui désigne la présence de virus dans le sang, est à l'origine d'une hyperthermie importante. Elle s'accompagne de la phase d'excrétion virale, une forte fièvre, une perte d'appétit, des hémorragies au niveau de la peau et des organes internes qui dure une à deux semaines. La mortalité des animaux infectés peut atteindre 100%. La rate, le foie, les noeuds lymphatiques et le poumon sont les principaux sites de réplication. Chez les porcs qui réchappent à la maladie, l'excrétion du virus a lieu pendant plusieurs mois, principalement par les voies respiratoires supérieures et par les urines et les fèces. ([Cruciere, 2003], [Franco, 2007]).

Les symptômes sont variables selon la virulence de la souche, l'état physiologique de l'hôte, et la durée de l'infection dans l'élevage et dans le pays. On distingue ainsi cinq formes cliniques évolutives : suraiguë, aiguë, subaiguë, chronique et subclinique.

La période d'incubation qui est le délai entre la contamination et l'apparition des premiers symptômes est elle aussi variable, selon la voie d'inoculation, la dose infectieuse, et la souche virale mise en jeu. Elle est comprise entre 4 et 19 jours (au maximum 40 jours) [Franco, 2007].

Il n'existe pour l'instant aucun traitement ni vaccin efficace de lutte contre la peste porcine africaine dans la littérature scientifique [OIE, 2012]. Le moyen le plus souvent utilisé pour y faire face est l'abattage de tous les animaux infectés dans un milieu, voire même l'abattage de tous les animaux lorsque l'un d'eux est atteint par la maladie. La peste porcine africaine ne constitue pas une menace pour la santé de l'homme [OIE, 2012]

Le tableau 3.1 décrit de façon détaillée les symptômes rencontrés dans les différentes formes de l'épizootie.

Tableau 3.1 : Principaux symptômes de la peste porcine africaine [Cruciere, 2003].

Formes	Symptomatologie
Suraiguë	- Hyperthermie (41-42°C) - Mort en 2 à 3 jours (morbidité et mortalité avoisinant les 100 %)
Aiguë	- Hyperthermie (40-41°C) - Perte d'appétit et anorexie - Abattement et prostration - Troubles de la locomotion (faiblesse du train postérieur) - Troubles respiratoires (polypnée et dyspnée) - Congestion des muqueuses et rougeur cutanée - Cyanose des extrémités : oreilles, queue, pattes, cuisses - Diarrhée sanguinolente ou constipation - Vomissements - Troubles nerveux - Avortements - Leucopénie - Mort en 7 à 10 jours (près de 100 % de mortalité)
Subaiguë	- Persistance de la fièvre pendant 10 à 14 jours - Signes cliniques identiques à ceux observés pour la forme aiguë - Mortalité après 11 jours (fonction de l'état physiologique de l'animal) - Avortements - Survie possible
Chronique	- Signes cliniques identiques à ceux de la forme aiguë mais atténués - Hyperthermie (39,5-40°C) - Somnolence, démarche difficile (arthrite) - Perte d'appétit et amaigrissement - Poils ternes, ulcères au niveau des articulations - Evolution sur 20 à 30 jours - Survie possible
Subclinique	- Absence de signes cliniques - Avortements possibles

v. Approche de modélisation

1. Modèle

« A model is at best and imperfect representation of the real system » [Pandey & Hardaker, 1995]. Cette définition ressort la notion de simplification qui est inhérente à tout travail de modélisation. La finalité d'un travail de modélisation peut revêtir plusieurs aspects: réponse à une question scientifique, création d'un outil opérationnel pour l'aide à la décision, représentation d'un système, apports pédagogiques etc. Coquillard et al. définissent un modèle comme une abstraction qui simplifie le système réel pour se focaliser sur des aspects qui intéressent le modélisateur (reliés à des enjeux disciplinaires) et qui définissent la problématique du modèle [Coquillard & Hill, 1997].

Dans notre cas, la modélisation est de nature aide à la décision en se sens où elle permet de ressortir le phénomène de la propagation. Ceci pour une meilleure compréhension du phénomène, afin de prendre les mesures et y faire face. Elle ~~est aussi de nature~~ a aussi un aspect réponse à une question scientifique dans ce sens où elle permet d'enrichir la littérature.

2. Modélisation globale du système

Dans un environnement multi-agents, il s'avère très important de représenter l'ensemble des interactions qui peuvent exister entre les éléments du milieu considéré. Ces interactions permettent de mettre en exergue la dynamique des éléments qui constituent cet environnement. Le schéma de la figure 3.3 présente celle de notre environnement.

Les interactions entre les éléments de l'environnement sont décrites comme suit :

1. Le virus ou agent pathogène réside chez les agents vecteurs^15(*) qui sont des réservoirs^16(*) du virus.

2. L'infection des animaux d'un troupeau ou d'une unité de production est faite à travers un agent vecteur qui est responsable de la propagation de la peste. Un porc est lui-même un agent vecteur.

3. Cette relation représente les actions que peuvent avoir les intervenants (personnes intérieures ou extérieures de l'unité de production : éleveurs, vétérinaires, marchants,...) et sur une unité. Ces intervenants sont des agents vecteurs.

5. Cette dernière relation représente les interactions entre l'environnement d'exécution et l'observateur qui est chargé d'informer sur la propagation de la maladie, les statistiques des animaux infectés et ceux qui sont encore sensibles. Il est externe à l'environnement.

3. Définition des agents du domaine

Une étude du domaine nous a permis de dégager les agents du système qui sont : les intervenants, le troupeau, le porc, le vecteur (le porc, humain, un tique, eau grasse, matériel souillé), l'agent pathogène ; tout ceci dans un environnement.

Observateur : collecte les informations sur les animaux sains, infectés, contagieux, malades, mort de suite de la peste, guéri ou porteur de la maladie sans manifestation. En général, il collecte toutes les informations ou recense tous les mouvements qui se produisent dans une unité de production ou dans tout l'environnement de propagation. Ce n'est pas un agent du système mais de l'environnement de simulation.

Vecteur de transmission/propagation (agent vecteur) : C'est un agent qui sert de propagation de la maladie. Un vecteur peut être :

Ø Le porc : Transmission par contact direct, par excrétion, par voie respiratoire ;

Ø La tique : Acarien parasite des animaux comme le porc. Lorsqu'elle pique un porc contagieux, après 15 à 21 jours, elle devient un agent vecteur. Elle peut de ce fait transmettre la maladie par piqûre d'un porc sain. Une tique peut aussi transmettre le virus à une autre par voie transovarienne, sexuelle. Le virus peut persister jusqu'à 8 ans après l'infection chez une tique. Après un repas sanguin rapide sur leur hôte, elles restent nichées dans des fissures du sol et sont de ce fait difficiles à mettre en évidence. Très résistantes, elles peuvent survivre de 5 à 6 années sans nourriture.

Ø Humains : Etant en contact avec un porc ou un agent vecteur porteur du virus, il peut en emporter et infecter un porc ou un autre agent vecteur par contact.

Ø Les autres animaux : On peut avoir des animaux domestiques comme le chien, le chat qui entrent en contact avec le virus et le propage. En Afrique, les suidés sauvages comme le phacochère (Phacochoerus aethiopicus), l'hylochère (Hylochoerus meinertzhageni) et le potamochère (Potamochoerus porcus) sont des réservoirs du virus et des porteurs sains.

Ø Le matériel souillé : Par contact avec un matériel souillé, l'animal est infecté. On peut citer : les locaux, les véhicules, les instruments, les vêtements contaminés.

Intervenant : La personne qui intervient dans une unité de production. Il peut être un éleveur, un vétérinaire, etc.

Agent pathogène (Virus) : C'est l'agent infectant, responsable de la peste. C'est lui qui est à l'origine de la maladie de l'animale.

4. Modèle conceptuel agent du système

Un formalisme classique de présentation des modèles est l'UML (Unified Modeling Language). L'intérêt des modèles conceptuels en UML est de proposer un schéma de fait synthétique de l'organisation des entités (modèles statiques) et des processus de décision des agents (modèles dynamiques) [Chirat, 2010]. Nous présentons ici le diagramme de classes conceptuel agent de la propagation de la peste porcine africaine en milieu rurale ~~en passant par une représentation des différents agents de notre environnement de simulation NetLogo~~. Ce diagramme permet de ressortir les entités, les propriétés, les méthodes et les relations entre les différentes entités de notre modèle.

Figure 3.4 : Diagramme de classe des agents de NetLogo (Environnement de simulation).

5. Formalisme des agents

a. Agent Porc

Dans une zone atteinte par l'épizootie, un porc peut être dans l'un des états suivants :

Ø Etat Susceptible ou sensible : Le porc ne porte pas encore le virus mais est sensible à l'infection;

Ø Etat infecté : Le porc vient de contacter la maladie. Il est porteur simple et ne peut pas encore la transmettre ;

Ø Etat contagieux ou infectieux : Le porc est un agent vecteur de propagation de la maladie, mais il ne manifeste pas encore les signes cliniques de la maladie ;

Ø Etat malade ou signes cliniques : Le porc présente déjà les signes cliniques de la maladie et est toujours contagieux ;

Ø Etat mort : L'animal n'a pas peu résisté à l'infection et il est mort.

1. Lorsqu'un porc est infecté, suivant sa race, sa forme physiologique et la quantité des pathogènes reçus à l'infection, il peut mettre entre 2 à 4 jours après lesquels il devient contagieux.

2. Lorsqu'un porc passe à l'état contagieux, suivant la souche du virus et de la forme de la maladie dans la zone, si c'est une épizootie ou une enzootie, en association avec les paramètres cités en 1, l'animal doit mettre un certain nombre de jours après lesquels il sera soit immunisé soit passé aux signes cliniques, suivant sa résistance à la maladie.

5. Lorsqu'un porc passe à l'état malade ou signes cliniques, il peut après un certain nombre de jours suivant les éléments décrits en 2, soit être immunisé, soit mourir.

6. L'animal n'a pas résisté, meurt et disparait de l'environnement de simulation.

8. Lorsqu'un porc passe à l'état immunisé, il va y rester pendant un certain temps après lequel il redeviendra sensible à la maladie.

Un troupeau étant constitué d'un ensemble de porcs. La caractérisation des états d'un troupeau est alors la suivante :

1. Un troupeau est supposé dans l'état « sensible » (S) si aucun porc du troupeau n'est infecté.

2. L'état « infecté » (I) est supposé pour les troupeaux ayant au moins un porc infecté (mais il n'est toujours pas contagieux pour les autres porcs).

3. L'état « contagieux » (C) est supposé pour les troupeaux avec au moins un porc qui a atteint la période de latence^18(*).

4. L'état des « signes cliniques » ou « malade » (M) est supposé pour les troupeaux avec au moins un porc qui a atteint la période d'incubation (il présente des symptômes physiques, tels que la fièvre).

5. Les troupeaux dans l'un ou l'autre des deux états « contagieux » et « les signes cliniques » sont considérés comme une source potentielle d'infection à d'autres troupeaux de porcs.

b. Agent Autre animal

Comme décrit dans la partie de définition des agents, un autre animal peut être un animal domestique ou un suidé sauvage. La caractérisation des états par lesquels il peut transiter est représentée par la figure suivante :

1. Si l'animal est un animal domestique, il va mettre 0 à 2 jours avec le virus. Si par contre c'est un animal de la famille des suidés, l'infection dure presque toute la vie.

c. Agent Tique

Acarien parasite des animaux comme le porc, une tique dans un milieu en présence de la PPA peut transiter dans les états représentés comme suit :

Une tique peut mourir suite à la désinfection des lieux, à son âge ou tué par un porc, un humain.

d. Agent Intervenant, matériel, aliment

La caractérisation des états par lesquels transitent ces agents est représentée par la figure suivante :

Figure 3.9 : Diagramme d'état-transition d'un intervenant, d'un matériel ou d'un aliment.

- Tous ces agents peuvent propager la maladie s'ils ont été en contact avec un agent contagieux

6. Description formelle du modèle

Le modèle que nous présentons tire ses sources du modèle réalisé par Ivorra et al. [Ivorra & al., 2009], vu que la peste porcine classique (PPC) et la peste porcine africaine (PPA) ont beaucoup de similarités du point de vu agents vecteurs, symptômes et mode de transmissions. Il est très difficile de faire la différence entre les deux, mais seulement que la PPC est préventive et la PPA non [Franco, 2007].

Considérons un intervalle de temps [0, T], T un entier positif, le nombre maximal de jours pendant lesquels la propagation est effectuée dans la zone.

1. Un animal est contagieux ou agent vecteur s'il est dans l'un des états suivants : contagieux, signes cliniques ou immunisé.

Si un porc est contagieux, il peut rependre la maladie autour de lui. S'il y a un autre porc proche de lui qui est sensible, il peut être contaminé. Il est affecté un nombre aléatoire compris entre 0 et 100 exclu pour matérialiser la probabilité que l'animal sensible soit infecté. Si ce nombre est inférieur au paramètre de transmission â, alors l'animal est infecté, sinon il ne l'est pas et reste sensible à la maladie [Klinkenberg & al., 2002].

Si un intervenant est en contact avec un porc contagieux, il peut être infecté. S'il est infecté, un nombre aléatoire compris entre 0 et 2 lui est affecté pour représenter le nombre de jours qu'il peut propager la maladie à d'autres troupeaux, porcs, autres animaux ou intervenants. Ce nombre matérialise le nombre de jours que l'intervenant va porter le virus et pourra le propager.

Si un intervenant porte la maladie, il peut contaminer les animaux et les intervenants qui se rapprochent de lui. Cette propagation se fait en utilisant le paramètre de transmission â.

S'il y a une tique à l'état sensible sur un porc contagieux, elle peut être infectée. Si elle est infectée, un nombre aléatoire entre 15 et 21 lui est affecté pour représenter le nombre de jours pendant lequel elle restera infectée avant d'être contagieuse. Lorsque ce nombre de jours est atteint, elle passe à l'état contagieux et va infecter les porcs sensibles sur lesquels elle va s'accrocher et piquer.

Lorsqu'un porc contagieux passe sur un lieu, il peut y laisser la maladie ce qui fait que si quelques temps après lui un autre animal sensible ou un intervenant se rend sur ce même endroit, en fonction du paramètre de transmission, il peut être infecté.

3. L'évolution journalière de la peste est déterminée en fonction du nombre de porcs déjà contagieux dans la zone, du type du système d'élevage pratiqué et de la répartition des animaux dans le troupeau. Un animal qui vient d'être infecté ne peut pas transmettre la maladie à un autre.

Cette évolution journalière S(t) et I(t) respectivement du nombre de porcs sensible et du nombre de porcs porteurs de la maladie le jour t est obtenue en utilisant une variable aléatoire P(t) suivant une distribution de Poisson de moyenne â(S(t) * I(t))/ (S(t) + I(t)) [Ivorra & al., 2009]. On obtient donc :

4. La transition d'un porc de l'état « infecté » à « contagieux » dépend de la période de «latence» qui suit une distribution de Poisson avec une moyenne de 2 jours après la première infection du porc considéré [Ivorra & al., 2009]. Car l'animal infecté peut commencer à sécréter le virus après deux jours ou plus.

5. La transition d'un porc de l'état « contagieux » aux « signes cliniques » ou « malade » (présente les signes de la maladie) dépend de la période d'incubation qui suit une distribution de Poisson avec une moyenne m qui est fonction du paramètre de guérison á précisé [Klinkenberg & al., 2002]. À la fin de la période de l'état contagieux, suivant la dynamique des symptômes considérée, un nombre entier aléatoire compris entre 0 et 100 exclus est généré et affecté à l'animal pour matérialiser la virulence de la souche, l'état physiologique de l'hôte, et la durée de l'infection dans l'élevage et dans le pays. Si ce nombre est inférieur au seuil de résistance de la maladie qui est le paramètre de guérison, l'animal ne sera pas malade, il passe à l'état immunisé.

6. La transition de l'animal de l'état « malade » à la mort de l'animal suit une distribution de Poisson avec une moyenne m de jours du début de l'état malade. À la fin de la période de l'état malade, suivant la dynamique des symptômes considérée, un nombre entier aléatoire compris entre 0 et 100 exclus est généré et affecté à l'anima. Si ce nombre est inférieur au paramètre de guérison, l'animal passe à l'état immunisé, sinon, il meurt.

7. Soit C(t), M(t), IM(t) et D(t) respectivement le nombre de porcs à l'état contagieux, malade, immunisé et mort le jour t, on a :

vi. Résultats de simulations

1. Présentation des paramètres d'entrées

Afin de percevoir la propagation de la PPA dans une zone rurale, nous présentons ici une simulation qui montre son évolution et ses dégâts au cours du temps. Notre simulation a été faite avec le simulateur multi-agents NetLogo5.0.

Ø max-day-propagation qui permet de définir le nombre de jour maximal de propagation dans la zone et peut être ajusté au cours de la simulation ;

Ø infection-chance qui permet de définir le seuil de probabilité d'infection d'un animal qui est proche d'un agent vecteur contagieux ;

Ø resistance-chance qui permet de définir le seuil de probabilité qu'un porc infecté résiste ou pas à la maladie ;

Ø day-immune qui permet de définir par une distribution de Poisson le nombre de jours qu'un porc va rester dans l'immunité, avec sa valeur minimale qui est de 0 car un porc peut ne pas rester immuniser. Dans ce cas, un porc s'il résiste à la maladie passe à l'état sensible ;

Ø les paramètres number-of-person, number-of-tiques, number-other-animal, initial-person-infected, initial-tiques-infected et initial-otheranimal-infect permettent de définir respectivement le nombre initial d'intervenants, de tiques, d'autres animaux (domestiques ou suidés sauvages), d'intervenants infectés, de tiques contagieuses et des autres animaux infectés pour les suidés et contagieux pour les domestiques. Le matériel et les aliments sont considérés comme des agents non mobiles du système.

Etant données la diversité de la source de provenance de la maladie dans une zone, qui peut être des porcs, des intervenants, des tiques ou des animaux qui sont des réservoirs, nous présentons ci-dessous un exemple de simulation avec initialement 100 porcs, dont 2 infectés. La probabilité qu'un porc résiste à l'infection à 5%, la probabilité qu'un porc soit infecté à 100% et le nombre de jours d'immunité à 80. On introduit aussi 5 intervenants avec 0 infecté et 5 tiques avec 0 infectées, 5 autres animaux avec 0 infecté.

Figure 3.10 : Interface NetLogo5.0. Initialisation d'une simulation de la PPA.

Cette figure nous montre que les 2 porcs de couleur bleu infectés vont mettre chacun 2 et 3 jours avant de devenir contagieux.

2. Evolution de la simulation

Au cours de la simulation, en utilisant l'algorithme décrit ci-haut, on obtient la figure ci-dessous.

On observe avec les moniteurs de gauche que presque la moitié des porcs ont déjà été infectés avec 1 mort. La propagation est très forte dans les secteurs où il y a déjà un porc contagieux. Chaque porc non sensible présente le nombre de jours qu'il va passer dans cet état. La couleur des animaux est définie comme suit :

Ø Vert : le porc ou l'agent en général est à l'état sensible ou susceptible ;

Ø Rouge : le porc ou l'agent en général est à l'état malade, présente les signes cliniques ;

Les patches de couleur bleu sont ceux infectés et qui peuvent infecter un porc si ce dernier se rapproche de ce patch.

Figure 3.13 : Fin de la simulation de la peste après 38^e jours de son introduction.

On constate dans cette simulation qu'après 38 jours, seulement 12 porcs ont résisté à la maladie.

3. Tableau récapitulatif de la simulation

Jour	Données	Observations
1^e	- 100 porcs avec 2 infectés. - Probabilité qu'un porc proche d'un vecteur infecté a d'être infecté à 100% - Probabilité de résister à la maladie 5% - 5 intervenants avec 0 infecté - 5 tiques avec 0 infecté - 5 autres animaux avec 0 infecté.	On a 98 sensibles et 2 infectés. Parmi les 5 autres animaux, on 3 animaux domestiques et 2 suidés sauvages.
10^e	Le nombre de porcs à chaque état : - Sensible : 73 - Infecté : 6 - Contagieux : 17 - Signe clinique : 2 - Immunisé : 0 - Mort : 2	On observe que deux porcs sont morts. La propagation est très forte dans les secteurs où il y a déjà un porc contagieux. Chaque porc non sensible présente le nombre de jours qu'il va passer dans cet état.
20^e	Le nombre de porcs à chaque état : - Sensible : 12 - Infecté : 16 - Contagieux : 28 - Signe clinique : 24 - Immunisé : 1 - Mort : 19	Il ne reste plus que 12 porcs sensibles et déjà 19 porcs sont morts. De plus nombreux de ceux qui restent manifeste la maladie.
38^e	Le nombre de porcs à chaque état : - Sensible : 0 - Infecté : 0 - Contagieux : 0 - Signe clinique : 0 - Immunisé : 12 - Mort : 88	On constate dans cette simulation qu'après 38 jours, seulement 12 porcs ont résisté à la maladie. Cette simulation décrit la forme aiguë de la peste porcine où la morbidité et la mortalité sont à presque 100 %.

Voici la courbe qui décrit l'ensemble des évènements qui ce sont produits tout au long de la simulation.

Figure 3.15 : Courbe de suivi de la propagation de la peste qui ressort individuellement le niveau des courbes.

NB : Lorsqu'un porc est malade, son déplacement est très réduit car il ne possède plus assez d'énergie pour le faire. Cette simulation décrit la forme aiguë de peste porcine où la morbidité et la mortalité sont à presque 100 %. La résistance à une infection est très peu probable.

4. Observation

Parti de la définition et de la description de la PPA, nous avons mis en oeuvre une modèle conception de la propagation de la PPA, suivi d'une description algorithmique. De ce modèle conceptuel, nous observons que la maladie se propage intensément dans les zones où la concentration des porcs est forte, ce qui est d'ailleurs le cas comme le montre les résultats de simulations. Celle-ci, par le déplacement des porcs et de tous les autres acteurs, se repend et attaque tous les porcs de la zone.

Des premiers résultats de simulation le propagation de la PPA tel que présenté par le schéma de la figure \ref{f24}, l'on s'aperçoit que sa morbidité est à 100% et sa mortalité est très élevée car grand nombre de porcs qui sont infectés ne résiste pas à la maladie. De plus, on constate qu'après 8 jours de la présence de la PPA dans l'ensemble du troupeau, les porcs commencent à mourir. Ceci par le tableau 3.1 [Cruciere, 2003] de la description de PPA, nous amène à dire que cette simulation décrit la forme aigüe des symptômes de la PPA. Dans cette simulation, nous n'avons pas introduit les mesures de précautions. Cette peste est dévastatrice de la filière porcine et ses pertes sont énormes. Au Cameroun par exemple la PPA, cette peste se repend dans une zone en une trentaine de jours [Tanon, 2012]. Cette peste a causé de nombreuses pertes dans les hautes terres de l'Ouest Cameroun dans la période de Mai/Juillet.

D'après le modèle conceptuel du schéma de la figure \ref{f15} et la description algorithmique effectuée, l'on peut s'apercevoir qu'en protégeant les exploitations (unités de production animale) contre l'accès aux animaux étrangers, les personnes étrangères, aussi en désinfectant les lieux des tiques, l'on arrive à réduire probabilité que son exploitation soit atteint. Cette réduction passe aussi par un contrôle rigoureux de l'alimentation des animaux. Ces mesures de précautions permettent de réduire les champs d'action des agents vecteurs de la peste. C'est ainsi que les résultats de la simulation illustrée dans la figure \ref{f25}, nous présente une forte réduction de la morbidité et de la mortalité des porcs. Au cours de la simulation, l'on s'aperçoit qu'en faisant un élevage ou les porcs sont éloignées les uns des autres et en s'occupant individuellement d'eux, en éloignant les porcs atteints par la maladie, l'on réduit sa propagation au sein de l'exploitation et augmente la probabilité qu'un porc ne soit pas atteint et donc puisse passer la période de propagation. Ce qui a d'ailleurs été le cas de ces deuxièmes résultats de simulation.

Au cours de cette partie des résultats de simulation, nous avons essayé de présenter comment la PPA peut se rependre dans une région suite à une source de provenance comme le porc. On observe que la PPA se repend très fortement dans une zone où les porcs sont proches les uns des autres. Celle-ci, par le déplacement des porcs et de tous les autres acteurs, se repend et attaque tous les porcs de la zone. Sa morbidité est à 100% et sa mortalité est très élevée car grand nombre de porcs qui sont infectés ne résiste pas à la maladie. De plus, on constate qu'après 8 jours de la présence de la PPA dans l'ensemble du troupeau, les porcs commencent à mourir. Ceci par le tableau 3.1 [Cruciere, 2003] nous amène à dire que cette simulation décrit la forme aigüe des symptômes de la PPA. Cette peste est dévastateur de la filière porcine et ses pertes sont vraiment très énormes comme l'a montré les résultats de la simulation.

La grande difficulté de l'étude de la PPA est due au fait que lorsque celle-ci attaque une localité ou une exploitation, tous les animaux qui s'y trouvent sont abattus. Ce qui rend l'étude de l'évolution de cette épizootie assez complexe. Mais d'après le modèle réalisé et la simulation effectuée, l'on peut déduire qu'en protégeant les exploitations contre l'accès aux animaux étrangers, les personnes étrangères, aussi en désinfectant les lieux des tiques, l'on arrive à réduire probabilité que son exploitation soit atteint. Cette réduction passe aussi par un contrôle rigoureux de l'alimentation des animaux. Au cours de la simulation, l'on s'aperçoit qu'en faisant un élevage ou les porcs sont éloignées les uns des autres et en s'occupant individuellement d'eux, en éloignant les porcs atteints par la maladie, l'on réduit sa propagation au sein de l'exploitation et augmente la probabilité qu'un porc ne soit pas atteint et donc puisse passer la période de propagation.

Au Cameroun par exemple la PPA, cette peste se repend dans une zone en une trentaine de jour (Innocent TANON, Juillet 2012, Ingénieurs Agro-Zootechniciens, Dschang). Cette peste a causé de nombreuses pertes dans les hautes terres de l'Ouest Cameroun dans la période de Mai/Juillet.

7. Conclusion

Dans ce chapitre consacré à nos travaux ou apports au monde scientifique, nous avons effectué la modélisation d'un système d'information d'élevage dans un agro-système et terminé par la Modélisation / Simulation multi-agents de la propagation d'une épidémie animale qui présente l'impact d'une telle épidémie sur la filière animale considérée ici comme la filière porcine en milieu rurale.

Au cours de la modélisation du système d'information d'élevage, nous avons présenté un modèle conceptuel pour l'archivage des données du secteur d'élevage dans notre contexte.

Parlant de la Modélisation / Simulation multi-agents de la propagation de la peste porcine africaine, nous avons fait ressortir en passant par une modélisation et la simulation l'impact que cette peste a sur la filière porcine suite à une infection dans une zone. Pour la simulation, nous considérerons une zone avec les troupeaux repartis de façon aléatoire dans toute la zone.

La suite de notre mémoire portera sur une conclusion générale des travaux présentés et des perspectives pour la continuité des travaux.

10 Chapitre 4 : CONCLUSION ET PERSPECTIVES

8. 9. Conclusion générale

Tout long de notre travail, nous avons traité la modélisation d'un système d'information d'élevage et le couple modélisation/simulation multi-agents de la propagation d'une épidémie animale. Ces deux problèmes sont liés par le fait que la modélisation de la propagation d'une épidémie dans un système d'élevage par d'abord de la compréhension de ce dernier.

La modélisation du système d'information d'élevage a été faite pour répondre au besoin qui nous a été posé au départ concernant la mise d'une base de données multimédias géo-référencées pour la gestion des agro-systèmes par UNU/INRA et où notre étude sur le secteur d'élevage. Ce travail nous a permis de comprendre le fonctionnement des systèmes d'élevage et nous avons mis sur pied, en plus du modèle conceptuel présenté, un dictionnaire de données pour un système d'information d'élevage.

Dans la continuité de nos travaux, après avoir réalisé le dictionnaire de données, nous avons proposé une approche de modélisation de la Peste Porcine Africaine (PPA). Dans cette approche de modélisation, nous avons présenté l'architecture du système à définir, suivi d'un diagramme de classe du modèle avec l'ensemble des agents qui interviennent dans le processus de la propagation et défini chaque par des diagrammes d'états transitions. Par la suite, nous avons implémenté le modèle et effectué des simulations pour répondre à la question de montrer l'impact que cette épizootie a sur la filière porcine. Nous avons ainsi présenté par des simulations avec NetLogo comment cette épizootie peut se rependre dans une zone sur cette filière, sa morbidité et sa mortalité.

Le présent document porte sur la modélisation des systèmes d'élevage et la simulation multi-agents de la propagation de la PPA. Ce sujet est extrait du problème générale qui a fait l'objet de notre sage de Master 2 à savoir : \emph{la mise en oeuvre d'une base de données multimédias géo-référencées pour la gestion des agro-systèmes} où nous avons travaillé sur la partie des systèmes d'élevage. Ainsi, tourné vers le problème des systèmes d'élevage, ceci a porté nos travaux sur deux grands axes à savoir :

2. La modélisation et la simulation multi-agents d'une épidémie animale en milieu rurale.

\section{Système d'information d'élevage (SIE) : Travail effectué et résultats}

Dans une logique de mettre en oeuvre le modèle pour l'archivage des données du secteur d'élevage, nous avons commencé par définir un ensemble de termes liés au système d'élevage (SE) et système d'information, parlé de la notion de SIE et présenté quelques plateformes existantes de SIE. Ensuite, nous avons présenté dans la modélisation des systèmes d'élevage telle que présente dans la littérature, les finalités d'un travail de modélisation, l'importance du facteur géographique dans un tel domaine, les modes de représentations des systèmes d'élevage, les principes et les techniques de modélisation des SE.

Partant de ces éléments de la littérature, avec les entretiens avec les thématiciens (chercheurs et ingénieurs) du domaine de l'agronomie et l'aide de l'APESS par son formulaire des enquêtes de ménages, nous sommes arrivés à définir les étapes à suivre, avec les éléments pour mettre en oeuvre le modèle de SIE. Dans cette logique, nous avons commencé par présenter le type de modèle de système d'élevage à mettre en oeuvre. Ensuite, nous avons proposé quelques cas d'utilisation de notre système. Ces cas d'utilisation on permit d'identifier et de caractériser les éléments du modèle. Partant de cette identification et caractérisation, nous sommes parvenus à mettre en oeuvre le modèle de SIE qui est illustré dans la figure \ref{f10} et qui présente les différentes entités du domaine, avec leurs attributs et les interactions qui existent entre elles.

Ce modèle a permis en de réaliser le dictionnaire de données qui constituait la suite du résultat attendu du travail de modélisation du SIE. En suite pour les besoins de test du modèle, nous avons extrait le script SQL pour l'intégrer dans un SGBD qui ici est PostgreSQL avec son extension PostGIS pour les données géo-référencés.

Afin de montrer la réalisation des cas d'utilisation que nous avons énumérée par notre modèle, nous avons réalisé quelques diagrammes de collaborations.

Dans notre travail, nous avons pour un premier temps modélisé un système d'information d'élevage, ensuite, nous avons modélisé et simulé en utilisant le système multi-agents la propagation d'une épidémie animale. %Ces deux problèmes sont liés par le fait que la modélisation de la propagation d'une épidémie dans un système d'élevage par d'abord de la compréhension de ce dernier.

La modélisation du système d'information d'élevage a été faite dans le cadre de notre sujet de stage au Laboratoire MAT à savoir : \emph{la mise en oeuvre d'une base de données multimédias géo-référencées pour la gestion des agro-systèmes} où nous avons travaillé sur la couche des systèmes d'élevage. % par UNU/INRA et où notre étude sur le secteur d'élevage.

Après une étude du domaine, nous avons mis sur pied, en plus du modèle conceptuel de données, un dictionnaire de données pour un système d'information d'élevage. \\

Dans ce travail de SMA, dans une optique de pouvoir mettre en oeuvre un modèle muti-agents de la propagation de peste porcine africaine (PPA) en milieu rurale et de faire les simulations, nous avons commencé par définir la notion d'agent qui est une entité autonome, en relation avec la notion d'objet et présenté les principaux types d'agents. Ensuite, nous avons défini ce qu'est un système multi-agents qui se résume à un ensemble d'agents potentiellement organisés qui interagissent dans un environnement commun. Cette définition est illustré dans la figure \ref{f6}. Ensuite, nous avons présenté tel que décrit dans la littérature la notion de modélisation des SMA où nous avons illustré deux approches à savoir : l'approche de modélisation centrée agent et l'approche de modélisation centrée groupe dans lequel on définit le modèle AGR (Agent/Groupe/Rôle) qui est illustré dans la figure \ref{f7}. Dans cette suite, Marilleau [Marilleau, 2006] dans ses travaux de thèse conclut en définissant les différents modèles d'un travail de modélisation-simulation et dont le schéma de la figure \ref{f8} qui présentes les étapes d'un tel travail. Nous avons ainsi poursuivi les travaux par la présentation de quelques plateformes de simulation multi-agents.

Cette présentation des SMA étant ainsi faite, nous avons poursuivi nos travaux avec la présentation des SMA pour les SE dans lequel nous présentons les travaux du domaine de SE qui ont été effectués en utilisant les SMA comme le montre Chirat [Chirat, 2010] dans ses travaux de thèses avec son modèle multi-agents PastoTrop illustré par la figure \ref{f9}. Ensuite, nous avons présenté les travaux de modélisation de la propagation des épidémies animales en utilisant les SMA où nous énumérons les principaux modèles, les travaux d'Ivorra et al. [Ivorra & al., 2009] et des travaux de thèse de Weber [Weber, 2007]. Cette étude nous a ainsi permit d'avoir une connaissance du domaine des SMA et de leur pratique dans les SE pour pouvoir réaliser un modèle multi-agents de la propagation de PPA.

Afin de parvenir à ce modèle, en passant par la description de la PPA, nous avons défini par le schéma de la figure \ref{f13} une architecture qui présente tous les acteurs et le milieu de la propagation. Ensuite, nous avons réalisé un modèle conceptuel, continuant avec les digrammes d'états transitions qui décrivent les états par lesquels peuvent transiter un acteur et ses différentes actions. Nous avons poursuivi avec une description algorithmique de la propagation de la PPA.

Le modèle étant mis en oeuvre, nous avons poursuivi avec la phase d'implémentation en utilisant l'environnement de simulation multi-agent NetLogo du modèle réalisé, la simulation et la présentation des résultats assortis de ces simulations. De ces résultats, nous avons observé une forte propagation de l'épidémie dans un milieu ou les porcs sont concentrés, et ne prenant pas les mesures de précautions ou de contrôles, l'épidémie peut prendre une forme aigüe ou la morbidité et la mortalité sont à presque 100% [Cruciere, 2003], ceci par le schéma de la figure \ref{f24}. En prenant les mesures de précautions ou de contrôles tels que illustrés par les résultats de la deuxième simulation illustré dans la figure \ref{f26}, nous observons une réduction considérable de morbidité et la mortalité de animaux.

Par la suite, nous avons proposé une approche de modélisation de la propagation de la Peste Porcine Africaine (PPA). Dans cette approche, nous avons présenté l'architecture du système, suivie d'un diagramme de classe du modèle avec l'ensemble des agents qui interviennent dans le processus avec leurs diagrammes d'états transitions. Pour terminer, nous avons implémenté avec NetLogo le modèle et effectué des simulations pour montrer l'impact que cette épizootie a sur la filière porcine. %Nous avons ainsi présenté par des simulations comment cette épizootie peut se rependre dans une zone sur cette filière, sa morbidité et sa mortalité. \\

en passant par la description de la PPA, nous avons défini par le schéma de la figure \ref{f13} une architecture qui présente tous les acteurs et le milieu de la propagation. Ensuite, nous avons réalisé un modèle conceptuel, continuant avec les digrammes d'états transitions qui décrivent les états par lesquels peuvent transiter un acteur et ses différentes actions. Nous avons poursuivi avec une description algorithmique de la propagation de la PPA , mis fait ressortir l'impact que cette peste a sur la filière porcine suite à une infection dans une zone.

a. Perspectives

1. Concernant la base de données multimédia géo-référencées, nous projetons de fusionner les différentes couches ou vues définies et de la mettre en oeuvre avec un SGBD disposant d'une extension pour les données géo-référencées comme PostgreSql avec sa cartouche PostGIS ou Oracle avec son extension OracleSpacial. Nous optons le plus pour PostgreSql/PostGIS, car il est open source et free.

2. Parlant de la Peste Porcine Africaine, nous projetons de faire une simulation avec les données géo-référencées de terrain, les données collectés pour le calibrage et la représentation de plusieurs exploitations d'élevage avec la répartition des troupeaux présents dans ces derniers avant la présence de la peste. Car dans notre simulation, les troupeaux ne sont pas définis, les porcs sont repartis de façon aléatoire dans la zone.

3. Après avoir simulé un cas avec les données réelles de la PPA, nous projetons continuer avec les pestes qui infestent les bovins comme la trypanosomiase.

4. Pour poursuivre l'exploration du modèle de système d'information du secteur d'élevage, nous pouvons par exemple explorer la production dans une exploitation d'élevage en relation avec le système de production mis en oeuvre.

11 Bibliographie

[Attonaty, Chatelin et al., 1999] Attonaty, J. M., M. H. Chatelin, F. Garcia. Interactive simulation modeling in farm decision-making. Computers and Electronics in Agriculture 22, 2/3(1999).

[Bah, Touré & al., 2006] Bah, A., I. Touré, G. Leclerc. Modélisation et Simulation Multi-agents : Concepts, Méthodes et Outils. Synthèse bibliographique, Projet ADD-TRANS, Pôle Pastoral Zones Sèches, 2006.

[Bakam, 2002] Innocent BAKAM TCHIAKAM. Des systemes multi-agents aux reseaux de petri pour la gestion des ressources naturelles : Le cas de la faune à l'Est-Cameroun. Thèse Doctorat, Universite Yaoundé1, Juin 2002.

[Baumont, Cohen-Salmon & al. 2004] Baumont, R., D. Cohen-Salmon, S. Prache, D. Sauvant. A mechanistic model of intake and grazing behaviour in sheep integrating sward architecture and animal decisions, 2004.

[Bernard, 2010] Jennifer BERNARD; Conception de systèmes de production innovants dans une dynamique d'intensification laitière. Thèse Doctorat, 2010.

[Briot & Demazeau, 2001] Briot, Jean-Pierre, & Demazeau, Yves (eds). Principes et architecture des systèmes multi-agents. Paris: Hermes Science Publications, 2001.

[Capuozzo, 2004] Olivier Capuozzo ; Cas d'utilisation, une introduction, 2004.

[Chirat, 2010] Guillaume CHIRAT; Description et modélisation du comportement spatial et alimentaire de troupeaux bovins en libre pâture sur parcours, en zone tropicale sèche. Thèse Doctorat, 2010.

[Choisy, 2010] Marc Choisy : Modélisation mathématique en épidémiologie, 2010.

[Coleno & Duru, 1999] Coleno, F. C., M. Duru. "A model to find and test decision rules for turnout date and grazing area allocation for a dairy cow system in spring". Agricultural Systems 61, 3(1999): 151-164.

[Coquillard & Hill, 1997] Coquillard, C. Hill. Modélisation et Simulation des Ecosystèmes, 1997.

[CountryStat CMR, 2009] CountryStat Cameroun. Rapport panorama sur les statistiques agricoles et alimentaires du Cameroun 2009. Par Serge KAMGAING.

[Cournut 2001] Cournut, S. Le fonctionnement des systèmes biologiques pilotés : simulation à évènements discrets d'un troupeau ovin conduit en trois agnelages en deux ans, Thèse de Doctorat, université Claude Bernard, Lyon I, 2001.

[Cros, Duru & al., 2004] Cros, M. J., M. Duru, F. Garcia, R. Martin-Clouaire. Simulating management strategies: the rotational grazing example. Agricultural Systems 80, 1(2004).

[Cruciere, 2003] Cruciere, C. Peste Porcine Africaine. In : Lefevre, P.-C., Blancou, J., Chermette, R. Principales maladies infectieuses et parasitaires du bétail ; Europe et régions chaudes. Tome 1. Généralités. Maladies virales. Paris : Lavoisier, 2003, 735-746.

[Davis, Shrobe et al. 1993] Davis, R., H. Shrobe, P. Szolovits. What is knowledge representation ? AI Magazine 14, 1(1993):.

[Demazeau, 2001] Demazeau, Yves. VOYELLES. Habilitation à Diriger des Recherches, Institut National Polytechnique de Grenoble INPG, Grenoble, 2001.

[Denègre & Salgé, 1996] J. Denègre et f. Salgé; Les systèmes d'information géographique, Que sais-je?, 1996.

[Dumont & Hill, 2001] Dumont, B., D. R. C. Hill. Multi-agent simulation of group foraging in sheep: effects of spatial memory, conspecific attraction and plot size, 2001.

[Ermes, 1994] ERMES- Groupe ESCP, Systèmes d'Information: La perspective du management. Masson, 1994.

[Feber, 1995] Jacques Ferber. Les systèmes multi-agents: vers une intelligence collective, InterEditions, France, 1995.

[Feber & Gutknecht, 1988] Jacques Ferber and Olivier Gutknecht. Aalaadin : a meta-model for the analysis and design of organizations in multi-agent systems. In 3rd International Conference on Multi-Agent Systems, ICMAS'98, Paris, France, 1998.

[Franco, 2007] FRANCO S., Epidémiologie De La Peste Porcine Africaine Dans La Région Du Lac Alaotra (Madagascar). Etude des facteurs de risque et estimation de la prévalence. Thèse Doctorat, 2007.

[Fute, 2012] Elie Fute. Cours de Systèmes multi-agents: Ingénierie logicielle, 2012.

[Guerrin, 2007] Guerrin, F. Représentation des connaissances pour la décision et l'action, Mémoire d'habilitation à diriger des recherches, Université de la Réunion, 2007.

[Hill, 1993] Hill, D. R. C. Analyse orientée objets et modélisation par simulation. Paris: Addison Wesley, 1993.

[Hutzler, 2012] Guillaume Hutzler, La simulation à base d'agents, Juin 2012. http://www.ibisc.univ-evry.fr/~hutzler/Cours/SMA.html

[Ingrand, Dedieu & al. 2002] Ingrand, S., B. Dedieu, J. Agabriel, L. Perochon. Representation of the beef cattle herd functioning according to the combination of rearing rules: a modelling approach, 2002.

[Issza, 2006] Saïd IZZA; Integration des systèmes d'information industriels: Une approche flexible basée sur les services sémantiques. Thèse Doctorat, 2006.

[Ivorra & al., 2009] Ivorra B., Martinez-Lopez B., Ramos A., Sanchez-Vizcaino J.; Modeling classical swine fever spread using a spatial hybrid model, 2009.

[Janssen, 2002] Janssen, M. A. Complexity and ecosystem management: the theory and practise of multi-agent approaches. Cheltenham: Edward Elgar Publishers, 2002.

[Joannon, 2004] Joannon, A. Coordination spatiale des systèmes de culture pour la maîtrise des processus écologiques. Cas du ruissellement érosif dans les bassins versants agricoles du pays de Caux, Haute Normandie, Thèse de Doctorat, Institut National Agronomique Paris-Grignon, Paris, 2004.

[Jouven, 2006] Jouven, M. Quels équilibres entre production animale et utilisation durable des prairies dans les systèmes bovins allaitants herbagers ? Une approche par modélisation des interactions conduite-troupeau-ressources. Thèse de Doctorat, Institut National Agronomique Paris-Grignon, Paris, 2006.

[Juristo & Moreno, 2000] Juristo, N., A. Moreno. Introductory paper: Reflections on conceptual modelling. Data and Knowledge Engineering 33, (2000): 103-117.

[Landais, 1993] Landais, Etienne, SYSTÈME D'ÉLEVAGE : D'une intuition holiste à une méthode de recherche, le cheminement d'un concept, 1933.

[Landais & Bonnemaire, 1996] Landais, E., J. Bonnemaire. La zootechnie, art ou science ? Entre nature et société, l'histoire exemplaire d'une discipline finalisée. Courrier de l'Environnement de l'INRA 27, 1996.

[Lemoigne, 1984] Lemoigne J. L., "La théorie du système général". Editions Presse Universitaire Française, 1984.

[Lepierre, 2006] Vincent Lepierre. Un modéle multi-agents pour simuler l'expression spaciale à grande échelle de la peste Malgache, 2006.

[Lhoste, 1984] Lhoste, P. Le diagnostic sur le système d'élevage. Les Cahiers de la Recherche-Développement, (1984): p84-88.

[Magne, 2007] Marie-Angélina MAGNE; Modéliser le système d'information des agriculteurs : Le cas des éleveurs de bovins allaitants. Thèse Doctorat, 2007.

[Marilleau, 2006] Nicolas Marilleau. Méthodologie, formalismes et outils de modélisation-simulation pour l'étude des systèmes complexes : application à la mobilité géographique. Thèse Doctorat, Université de Franche-Comté, 2006.

[McAllister, Gross & al., 2006] McAllister, R. R. J., J. E. Gross, C. Stokes, J. Rangeland consolidation patterns in Australia: An agent-based modelling approach. On: Proc. CABM-HEMA-SMAGET, Bourg-Saint-Maurice, France, 3-5 avril 2006.

[Michel, 2004] Fabien Michel. Formalisme, outils et éléments méthodologiques pour la modélisation et la simulation multi-agents. Thèse Doctorat, Université de MonpellierII, 2004.

[Pacaud & Cournut, 2007] Thomas PACAUD, Sylvie COURNUT. Modélisation des systèmes d'élevage : synthèse bibliographique, 2007.

[Pandey & Hardaker, 1995] Pandey, S., J. B. Hardaker. "The role of modelling in the quest for sustainable farming systems". Agricultural Systems 47, 4(1995): 439-450.

[Reix, 1995] Reix R., "Systèmes d'Information de Gestion". Editions d'Organisation, 1995.

[Russell & Norvig, 2003] Russell, Stuart J., & Norvig, Peter. Artificial Intelligence : A Modern Approach. Pearson Education, 2003.

[Sabatier, Bicout & al., 2005] P. Sabatier, D. Bicout, Benoît Durand et A. Dubois. Le recours a la modélisation en épidémiologie animale. 2005.

[Sébillotte & Soler 1990] Sébillotte, M., L. G. Soler. Les processus de décision des agriculteurs, INRA publications, Paris, 1990, 88-102.

[Souris, 2011] Marc Souris ; Les principes des systèmes d'information géographique. Principes, algorithmes et architecture du système Savane, 2011.

[Steinfeld & Mäki-Hokkonen, 2012] H. Steinfeld and J. Mäki-Hokkonen. A classification of livestock production systems, 2012.

[Stonehouse & al., 2002] Stonehouse, D. P., G. W. d. Vos, A. Weersink. "Livestock manure systems for swine finishing enterprises". Agricultural Systems 73, 3(2002): 279-296.

[Tessier, 1995] Tessier C., La pratique des méthodes en informatique de gestion: typologie, analyse comparative, choix et mise en oeuvre. Editions d'organisation, 1995.

[Thornton, Galvin & al., 2003] Thornton, P. K., M. Herrero. Integrated crop-livestock simulation models for scenario analysis and impact assessment, 2001.

[Toma & al., 2001] Toma, B., Dufour et al., Epidémiologie appliquée à la lutte collective contre les maladies animales transmissibles majeures. Maisons-Alfort : AEEMA, 2001.

[Weber, 2007] Alexandre WEBER; Modélisation et Gestion de flux par systèmes multi-agents: Application à un système d'aide à la décision en Epidémiologie. Thèse Doctorat, 2007.

[Weersink, Jeffrey & al., 2002] Weersink, A., S. Jeffrey, D. Pannell. Farm-level modeling for bigger issues. Review of Agricultural Economics 24, 1(2002).

[Wilkinson, 1989] Wilkinson, P. J. African Swine Fever Virus. In : PENSAERT, M. B. Virus infections of vertebrates. Vol. 2, Virus infections of porcines. Amsterdam : Elsevier Science Publishers, 1989, 17-35.

[Wooldridge, 1997] Michael Wooldridge. Agent based software engineering. In software engineering, volume 144, 1997, p 26-37.

[Wooldridge, 2000] Michael Wooldridge. Intelligent agents. Multiagent systems: a modern approach to distributed artificial intelligence. MIT Press, 2000.

* ² Une couche est une unité d'information géographique élémentaire qui peut être demandée sous forme de carte à un serveur conformément à la norme EN ISO 19128. (INSPIRE)

* ⁵ CountrySTAT : http://www.fao.org/economic/ess/ess-capacity/countrystathome/fr/

* ⁶ SIPSA : http://www.fao.org/agriculture/lead/themes0/drylands/information0/fr/

* ¹⁴ Epizootie : c'est l'épidémie chez le règne animal, c'est une maladie frappant, dans une région plus ou moins vaste, une espèce ou un groupe d'espèces animales.

* ¹⁵ Vecteur : « Etre vivants qui à l'occasion de relations écologiques acquiert un agent pathogène sur un hôte, et le transmet ensuite à un autre hôte. » [Wilkinson, 1989]

* ¹⁶ Réservoir : « Espèce(s), milieu(x) ou mécanisme(s) permettant la survie d'un agent pathogène considéré en tant qu'espèce. »

* ¹⁷ Sensibilité : « Aptitude à exprimer cliniquement l'action d'un agent pathogène. »

* ¹⁸ Période de latence : Temps après lequel un animal passe de l'état infecté à l'état contagieux.

Modélisation des systèmes d'élevage et simulation multi-agents d'une épidémie animale en milieu rural.