Vers le passage à l'échelle de l'allocation en ligne multi-agents multi-tâches

On scaling-up online multi-agent multi-task assignment

• Auteur / Autrice : Déborah Conforto nedelmann
• Direction : Jérôme Lacan, Caroline Ponzoni carvalho chanel
• Type : Projet de thèse
• Discipline(s) : Robotique et Informatique
• Date : Inscription en doctorat le ; Soutenance le 26/11/2024
• Etablissement(s) : Toulouse, ISAE
• Ecole(s) doctorale(s) : École doctorale Systèmes
• Partenaire(s) de recherche : Laboratoire : ISAE-ONERA DECISIO DECIsion, Supervision et Interaction pour l'Opération de systèmes complexes
• Jury : Président / Présidente : Gauthier Picard
• Jury : Examinateurs / Examinatrices : Jérôme Lacan, Jean-Paul Jamont, Olivier Simonin, Caroline Ponzoni carvalho chanel, Aurélie Beynier
• Jury : Rapporteur / Rapporteuse : Jean-Paul Jamont, Aurélie Beynier

Mots clés

Mots clés libres

Systèmes multi-agents

Planification

Optimisation

Résilience

Réseaux

Robotique

Multiagent Systems

Scheduling

Optimisation

Resilience

Networks

Robotics

Résumé

Cette thèse s'inscrit dans le contexte de l'allocation en ligne multi-agents multi-tâches, dont le but est de coordonner efficacement un ensemble d'agents (ressources) afin de distribuer des tâches entre eux. À titre d'exemple d'application, nous pouvons citer les cas où des clients font des requêtes à un fournisseur de services qui cherchera la meilleure répartition des tâches parmi son ensemble d'agents : des taxis répondant à la demande des clients ou des robots assurant la distribution de colis. Contrairement au cadre hors ligne, qui suppose une connaissance totale du problème d'allocation à résoudre avant le début de l’allocation, dans le cadre en ligne, les tâches arrivent au cours du temps et doivent être allouées de manière dynamique. Ce cadre d'optimisation en ligne présente plusieurs défis. Tout d'abord, l'allocation répétée des tâches aux agents est un problème NP-difficile, dont une solution doit être trouvée en un temps limité, parfois très court. Ensuite, la connaissance sur l'arrivée de futures tâches (par exemple, moment d'arrivée et localisation) est en général modeste, ce qui rend difficile le raisonnement sur le long terme (c’est-à-dire optimiser le positionnement des agents pour la planification à plus long terme). Enfin, la taille du problème à traiter en termes d'agents et de tâches peut être importante, particulièrement dans un cadre réaliste où la recherche d’une solution en temps limité peut être parfois compromise. Dans ce contexte, cette thèse propose différentes contributions. Tout d'abord, cette thèse propose une approche proactive qui permet d'anticiper la disponibilité des agents dans un futur proche afin d'obtenir une coordination efficace (c’est-à-dire minimisant la distance parcourue par les agents et le temps qu'ils restent désœuvrés). Cette approche proactive a été comparée à une approche réactive classique. Les résultats obtenus dans deux problèmes de référence, l'un synthétique et l'autre basé sur des données réelles, montrent que la méthode proactive permet d'obtenir de meilleurs résultats en termes de coûts et de nombre de tâches allouées aux agents par rapport à une approche réactive, tout en diminuant le temps d'inactivité des ressources. Malgré les résultats encourageants obtenus, la méthode proposée présente des limitations de scalabilité dans notre problème de référence basé sur des données réelles. Pour pallier cette limitation, cette thèse propose une deuxième approche qui développe une méta-heuristique d'allocation multi-agent multi-tâche, appelée SKATE - Successive Rank-based Task Assignment for Proactive Online Planning, permettant le passage à l'échelle. SKATE permet de traiter des problèmes avec des milliers d'agents et de tâches en obtenant des solutions efficaces en temps limité. SKATE présente de bons résultats en termes de coût des solutions trouvées pour un tel ordre de grandeur d'agents et de tâches, comparé à des méthodes classiques de la littérature, telles qu'un algorithme génétique ou la programmation linéaire en nombres entiers. Grâce à ces résultats, cette thèse a pu envisager deux extensions à SKATE. La première extension permet d'optimiser non seulement les assignations de tâches, mais aussi le nombre d'agents à considérer. Pour cela, cette thèse développe deux méthodes qui permettent d'optimiser à la fois le nombre d'agents (économie de ressources pour le fournisseur de services) tout en garantissant la satisfaction des utilisateurs (temps d'attente avant réalisation d'une tâche). La deuxième extension couple SKATE avec des outils de calcul vérifiable, permettant d'une part aux agents de vérifier que l'assignation des tâches a été correctement effectuée par le serveur central, et d'autre part de contrer des attaques cyber-physiques qu'un réseau d'agents mobiles pourrait subir dans des environnements hostiles, par exemple.

This thesis is set in the context of online multi-agent multi-task allocation, aiming to efficiently coordinate a set of agents (resources) to distribute tasks among them. As an application example, we can cite cases where clients make requests to a service provider who seeks the best distribution of tasks among its set of agents: taxis responding to customer demands or robots ensuring the delivery of parcels. Unlike the offline framework, which assumes full knowledge of the allocation problem to be solved before the start of the allocation, in the online framework, tasks arrive over time and must be allocated dynamically. This online optimization framework presents several challenges. Firstly, the repeated allocation of tasks to agents is an NP-hard problem, whose solution must be found in a limited time, sometimes very short. Secondly, knowledge about the arrival of future tasks (e.g., arrival time and location) is generally modest, making long-term reasoning difficult (i.e., optimizing the positioning of agents for long-term planning). Finally, the size of the problem to be handled in terms of agents and tasks can be substantial, especially in a realistic setting where finding a solution within a limited time can sometimes be compromised. In this context, this thesis proposes various contributions. Firstly, this thesis proposes a proactive approach that anticipates the availability of agents in the near future to achieve efficient coordination (i.e., minimizing the distance traveled by agents and the time they remain idle). This proactive approach has been compared to a classic reactive approach. The results obtained in two benchmark problems, one synthetic and the other based on real data, show that the proactive method achieves better results in terms of costs and the number of tasks allocated to agents compared to a reactive approach, while reducing the idle time of resources. Despite the encouraging results obtained, the proposed method has scalability limitations in our real-data-based benchmark problem. To address this limitation, this thesis proposes a second approach that develops a multi-agent multi-task allocation meta-heuristic called SKATE - Successive Rank-based Task Assignment for Proactive Online Planning, enabling scalability. SKATE allows for handling problems with thousands of agents and tasks, obtaining effective solutions in a limited time. SKATE shows good results in terms of the cost of the solutions found for such a scale of agents and tasks when compared to classical methods in the literature, such as a genetic algorithm or integer linear programming. Thanks to these results, this thesis subsequently considered two extensions to SKATE. The first extension optimizes not only task assignments but also the number of agents to consider. To achieve this, this thesis develops two methods that optimize both the number of agents (resource savings for the service provider) while ensuring user satisfaction (waiting time before task completion). The second extension couples SKATE with verifiable computing tools, allowing agents to verify that task assignment has been correctly performed by the central server and countering cyber-physical attacks that a network of mobile agents could face in hostile environments, for example.