A metaheuristic approach for modeling animal behavior : towards new tools for understanding animal behavior
Proposition d'une approche de modélisation du comportement d’espèces animales guidée par les métaheuristiques : vers de nouveaux outils d'aide à la compréhension du comportement animal
Résumé
Since prehistoric times, the study of animal behavior has been crucial to mankind, and evenmore so today in the face of current ecological and economic challenges. However, the direct study ofanimal behavior is often limited by spatial, temporal, technical and financial constraints. To overcomethese difficulties, the field of computer modeling and simulation has made a major contribution, offeringthe possibility of modeling and therefore predicting behaviors of interest. For decision-makers, theyrepresent an effective tool for testing various scenarios, thus facilitating the taking of certain decisions.The rapid evolution of modeling techniques, notably Deep Learning, has considerably boosted theeffectiveness of behavioral models. However, these models often have a major shortcoming: the moreprecise they are, the less interpretable and explicable they become. What's more, their implementationby a non-computer-savvy audience, such as biologists, can be laborious.To respond to this problem, this thesis proposes a new, innovative approach that treats themodeling of animal behavior as an optimization problem. This method is based on a set of elementaryactions built up from knowledge, notably ethograms and existing models, validated by the community.From this dataset of elementary, we have to find the optimal actions and parameters that best reproducethe behavior to be modeled. Such optimization problems are solved using metaheuristics, a class ofsolution methods that are particularly effective for this type of problem. The ANIMETA approach hasbeen developed to generate accurate, interpretable and explainable models of animal behavior.ANIMETA comprises several tools, including ANIMETA-MOD, a typical animat model representinganimal behavior through elementary actions. This model is integrated into a multi-agent system,ANIMETA-SMA, specially designed for this purpose. ANIMETA-ENGINE is responsible for theactual model generation, using metaheuristics to select optimal actions and parameters. TheANIMETA-HIM and ANIMETA-API tools interface with the user and other computer systems.Although there is still room for improvement, ANIMETA offers promising results for animal behaviormodeling.
L’étude du comportement animal, depuis la préhistoire, demeure cruciale pour l’humanité, plusencore de nos jours face aux enjeux écologiques et économiques actuels. Bien souvent, des contraintesspatiales, temporelles, techniques et financières peuvent entraver l’étude directe du comportementanimal. Pour pallier ces difficultés, le domaine de la modélisation et la simulation informatiques estd’une grande contribution, en offrant la possibilité de modéliser et donc de prédire des comportementsd’intérêt. Pour les décideurs, elles constituent un outil efficace pour tester divers scénarios, facilitantainsi la prise de certaines décisions. L’évolution rapide des techniques de modélisation, notamment leDeep Learning, a considérablement renforcé l’efficacité des modèles de comportement. Cependant, cesmodèles présentent souvent un défaut majeur : Plus ils sont précis, moins ils sont interprétables etexplicables. De plus, leur mise en oeuvre par un public non expert en informatique, tel que lesbiologistes, peut être laborieuse.Pour répondre à cette problématique, cette thèse propose une nouvelle approche novatricetraitant la modélisation du comportement animal comme un problème d’optimisation. Cette méthoderepose sur une base de données d’actions élémentaires constituée à partir de connaissances, notammentles éthogrammes et des modèles existants, validés par la communauté. Dans cette base de données, ilfaut trouver les actions et paramètres optimaux reproduisant au mieux le comportement à modéliser. Larésolution de tels problèmes d’optimisation se fait avec des métaheuristiques, une classe de méthodesde résolution particulièrement efficaces pour ce type de problème. Ainsi, l’approche ANIMETA a étédéveloppée pour générer des modèles de comportement animal à la fois précis, interprétables etexplicables.ANIMETA se compose de plusieurs outils, notamment ANIMETA-MOD, un modèle typed’animat représentant le comportement animal par des actions élémentaires. Ce modèle est intégré dansun système multi-agent, ANIMETA-SMA, spécialement conçu à cet effet. ANIMETA-ENGINE estchargé de la génération des modèles proprement dite, utilisant des métaheuristiques pour choisir lesactions et les paramètres optimaux. L’interface avec l’utilisateur, ainsi que d’autres systèmesinformatiques, est assurée par les outils ANIMETA-HIM et ANIMETA-API. Bien que desaméliorations restent envisageables, ANIMETA offre des résultats prometteurs pour la modélisation ducomportement animal.
Origine | Version validée par le jury (STAR) |
---|