Abstract : Le développement durable est un développement qui répond aux besoins du présent sans compromettre la capacité des générations futures à répondre aux leurs (1). En 1992, le Sommet de la Terre de Rio officialise la notion de développement durable avec ses trois dimensions, environnementale, écologique et sociale. Cinq finalités du développement durable sont généralement mises en avant : la lutte contre le changement climatique, la préservation de la biodiversité, des milieux et des ressources, la cohésion sociale et la solidarité entre les territoires et les générations, l'épanouissement de tous les êtres humains, une dynamique de développement suivant des modes de production et de consommation responsables (2). Nous nous intéresserons dans cet exposé à la deuxième de ces finalités : la préservation de la biodiversité. La biodiversité, contraction de « biologique » et de « diversité », représente la diversité des êtres vivants et des écosystèmes. Elle assure les fonctions indispensables à toutes les formes de vie et nous rend des services essentiels. Or, de multiples pressions pèsent aujourd’hui sur elle, dont les cinq principales sont la destruction, la fragmentation et l’altération des habitats naturels, l’introduction d’espèces exotiques envahissantes, la pollution de l’environnement, la surexploitation des espèces et le changement climatique (3). La perte de biodiversité est un phénomène particulièrement grave puisqu’il est irréversible. Nous illustrerons dans cet exposé l’aide que les modèles et méthodes d’optimisation peuvent apporter aux décideurs dans la mise en œuvre de stratégies essentielles à la préservation de la biodiversité. La littérature scientifique est abondante sur le sujet. Les exemples que nous avons choisis concernent la sélection de réserves naturelles, la maîtrise des effets néfastes engendrés par la fragmentation des paysages, l’exploitation rationnelle de la forêt, la lutte contre les espèces envahissantes et la préservation de la diversité génétique. Comme nous le verrons, les problèmes rencontrés sont souvent des problèmes d’optimisation combinatoire difficiles et des recherches sont nécessaires pour parvenir à les résoudre de façon satisfaisante sur des instances réelles. Par ailleurs, il est clair que des relations étroites entre les chercheurs et les praticiens du domaine sont encore à mettre en place. (1) Rapport de la Commission des Nations Unies sur l’Environnement et le Développement présidée par Mme Gro Harlem Brundtland, Premier ministre de Norvège (1987). (2) Article L.110-1 du code de l'environnement. (3) Ministère de l’écologie, du développement durable et de l’énergie : http://www.developpement-durable.gouv.fr/Les-enjeux-de-la-biodiversite-et,15157.html

Abstract : Après une introduction rapide à notre offre, nous verrons quelques exemples d'application où le "faire plus avec moins" réduit notre empreinte carbone. Nous illustrerons le propos avec des exemples précis dans l'énergie et le transport.

Abstract : Qu'y a-t-il de commun entre la conservation d'espèces menacées en interactions "trophiques", l'échantillonnage des adventices au sein des cultures à fin de cartographie, ou la gestion durable des variétés cultivées résistantes aux pathogènes? Ces trois problèmes, comme bien d'autres en écologie et en agriculture, peuvent être modélisés comme des problèmes de décision séquentielle dans l'incertain, comportant de nombreuses variables d'état et de décision intégrées au sein d'un réseau d'interactions. Les techniques d'IA/RO utilisables pour représenter et résoudre de tels problèmes se situent au croisement des domaines de la représentation de l'incertitude par des modèles graphiques stochastiques (Réseaux Bayésiens, Champs de Markov, etc.) et des méthodes d'optimisation, exacte (programmation dynamique, ...), ou approchée (approches variationnelles, heuristiques, optimisation par simulation, ...). Dans cette intervention, nous présenterons trois approches méthodologiques pour la gestion de processus sur réseaux, construites à l'interface entre modèles graphiques stochastique et méthodes d'optimisation ou approximation. Nous illustrerons leur utilisation sur les trois problèmes de gestion de réseaux écologiques évoqués plus haut, abordée en collaboration avec nos partenaires écologues ou agronomes. Travail en collaboration avec Nathalie Peyrard.

Abstract : La perspective d’un épuisement à moyen terme des énergies fossiles que sont le pétrole et le gaz est aujourd’hui plus qu’un simple scénario prospectif. Associé à la prise de conscience de l’impact de notre utilisation de ces énergies sur le climat, cet état de fait conduit aujourd’hui les gouvernements à revoir leurs politiques énergétiques. Une transition vers une utilisation plus responsable et efficiente de l’énergie disponible se dessine. Dans cette logique, un nombre croissant d’expérimentations relatives au déploiement des smart-grids – réseaux électriques dits « intelligents » – est actuellement observable à travers le monde. Une smart-grid peut être perçue comme un sous-réseau autonome ayant pour but d’adapter dynamiquement production, distribution, stockage et consommation de l’énergie de façon à maintenir l’équilibre du réseau et à en satisfaire tous les acteurs. Que ces expérimentations se situent à l’échelle d’un éco-quartier, d’une ville ou d’une région, et quel que soit le type (chaleur ou électricité) et l’origine (renouvelable ou non) de l’énergie considérée, la même question se pose : Comment optimiser le comportement énergétique du système considéré ? Les difficultés que rencontrent scientifiques et industriels pour répondre à cette question viennent autant de la diversité et de l’aspect intrinsèquement distribué des composants interagissant au sein – et avec – une smart-grid, que de l’hétérogénéité de leurs contraintes et objectifs respectifs. Les Systèmes Multi-Agents, de par leur positionnement à l’intersection des systèmes distribués et de l’intelligence artificielle, permettent d’aborder ces différents aspects et sont aujourd’hui considéré comme une partie de la solution. Au travers d’exemples industriels concrets, cet exposé présentera les différentes problématiques inhérentes aux smart-grids avant de se focaliser sur les mécanismes de coordination envisageables pour l’atteinte des objectifs des différents acteurs du réseau. Comme nous le verrons, une modélisation du problème indépendante de l’échelle et de l’environnement économique d’une smart-grid est possible et offre la perspective d’un large déploiement en opérationnel de solutions à base d’agents « intelligents » sur les réseaux de demain.

Abstract : Les dernières années la consommation de l’énergie dans les systèmes informatiques devient une problématique très importante. Différents mécanismes ont été développés, comme par exemple le mécanisme de variation de la vitesse du processeur, qui permettent de gérer l'énergie au niveau du système d'exploitation. Donc, des nouvelles questions algorithmiques liées à cette problématique dans les systèmes informatiques se posent. Dans ce contexte, on étudie des problèmes d’ordonnancement où l'objectif est la minimisation de l’énergie consommée tout en satisfaisant un certain niveau de qualité de service (performance). Dans cette présentation, nous proposons différentes techniques algorithmiques pour la conception des solutions optimales ou approchées.