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].
| 
