Cette thèse s'inscrit dans le cadre d'un projet de recherche et de développement qui vise à mettre en place des technologies de simulation permettant de reproduire des comportements humains dans une ville. L'objectif de nos travaux est de définir des algorithmes permettant de simuler les déplacements d'une grande quantité de piétons dans un environnement urbain, en temps réel, et de manière crédible. Pour ce type d'exercice, plusieurs solutions existent. Ces solutions sont principalement développées à partir de deux types d'approches : les approches microscopiques, où les piétons sont modélisés comme des agents autonomes, et les approches macroscopiques, où les piétons sont considérés comme soumis à des lois d'écoulement continues ou discrètes. Notre position est que ces deux approches ne s'opposent pas, contrairement à ce qui ressort de la pratique courante, mais se complètent mutuellement. Privilégier l'une au détriment de l'autre fait courir le risque de produire des solutions partiellement satisfaisantes. Aussi nous sommes nous proposés de clarifier le cadre formel permettant d'appréhender la complexité des déplacements. En ligne avec plusieurs études statistiques et psychologiques sur le déplacement des piétons, nous explicitons un déplacement crédible comme un déplacement économe en énergie métabolique. Nous nous inspirons des jeux de congestion et du paradigme multi-agent pour proposer une formulation générique du problème de déplacement des piétons : nous introduisons la notion de ressources de navigation, que nous décrivons comme des régions de l'espace que les agents utilisent pour atteindre leurs destinations, et via lesquelles les agents interagissent pour estimer leurs dépenses énergétiques de manière robuste. Nous proposons une stratégie de déplacement basée sur les heuristiques taboues et nous considérons le principe influence et réaction pour implémenter les actions de déplacements. Le concept d'environnement issu du paradigme multi-agent s'avère particulièrement utile pour appréhender la complexité de la simulation. L'environnement est considéré comme un composant indépendant et ontologiquement différent des agents qui est pris en compte à tous les niveaux de décisions. Une importante partie de la dynamique de la simulation peut ainsi être déléguée à l'environnement sans altérer l'autonomie des agents. Cette séparation favorise à la fois la crédibilité des résultats et le passage à l'échelle. Nous avons choisi de comparer notre proposition avec un modèle microscopique standard à travers plusieurs scénarios de simulation. Il ressort de notre comparaison que notre modèle permet de reproduire des résultats plus crédibles du point de vue d'un observateur extérieur et plus proches des études empiriques connues sur les déplacements des piétons.

Cette thèse concerne l'apprentissage de règles relationnelles à partir d'exemples et de contre-exemples, à l'aide d'algorithmes évolutionnaires. Nous étudions tout d'abord un biais de langage offrant une expressivité suffisamment riche pour permettre de couvrir à la fois le cadre de l'apprentissage relationnel par interprétations et les formalismes propositionnels classiques. Bien que le coût de l'induction soit caractérisé par la complexité NP-difficile du test de subsomption pour cette classe de langages, une solution capable de traiter en pratique les problèmes réels complexes est proposée. Le système SIAO1, qui utilise ce biais de langage pour l'apprentissage de règles relationnelles est ensuite présenté. Il est fondé sur une stratégie de recherche évolutionnaire qui se distingue principalement des approches classiques par: - des opérateurs de mutation et de croisement dirigés par la théorie du domaine et par les exemples d'apprentissage; - le respect de la relation d'ordre définie sur le langage. L'évaluation du système sur plusieurs bases faisant référence en apprentissage automatique montre que SIAO1 est polyvalent, se compare favorablement aux autres approches et sollicite peu l'utilisateur en ce qui concerne la spécification de biais de recherche ou d'évaluation. La troisième partie de ce travail propose deux architectures parallèles génériques derivées des modèles maître-esclave asynchrone et du pipeline. Elles sont étudiées dans le cadre de l'extraction de connaissances à partir de données à l'aide de SIAO1 du point de vue de l'accélération qu'elles procurent d'une part et de leur capacité à changer d'échelle d'autre part. Un modèle de prédiction simple mais précis des performances de chacune des architectures parallèles est également proposé.

A travers cette thèse, nous montrons l'importance de la modélisation et de la coopération de métaheuristiques pour la résolution de problèmes réels en bioinformatique. Pour ce faire, deux problèmes ont été étudiés : le premier dans le domaine de la protéomique pour l'identification de protéines à partir de données spectrales et le second dans le domaine de l'analyse structurale de molécules pour le problème du docking moléculaire flexible. Ainsi, pour le premier problème, un nouveau modèle basé sur une comparaison directe des bases de données protéiques avec les données expérimentales brutes a été mise en place. L'approche associée a été intégrée au sein d'un moteur d'identification par empreinte de masse peptide appelé ASCQ_ME. Ce modèle d'identification a permis ensuite de proposer et de valider une modélisation pour le problème de " de novo protein sequencing " qui consiste à retrouver la séquence d'une protéine à partir seulement des données expérimentales. Il s'agit d'un modèle en trois étapes appelé SSO pour " Sequence ", " Shape " et " Order ". Après une étude de chacune de ces étapes, SSO a été implémenté et testé à travers trois métaheuristiques collaborant de manière séquentielle. Pour le second problème, une étude des nouvelles modélisations multi-objectives a été menée et a conduit à la définition d'un ensemble de huit modèles différents testés à l'aide d'algorithmes génétiques multi-objectifs parallèles. Une douzaine de configuration d'opérateurs génétiques ont été testé afin de mettre en évidence l'efficacité de l'hybridation des algorithmes génétiques avec des recherches locales. Pour chacune des parties, l'implémentation et la mise en place des collaborations fut possible grâce à la plateforme ParadisEO et notamment grâce à mes contributions à la partie ParadisEO-MO dédiée aux métaheuristiques à base de solution unique. L'ensemble de ces travaux a été soutenu par le PPF BioInformatique de l'Université des Sciences et Technologies de Lille et le projet ANR Dock.

Nous étudions les systèmes de véhicules en libre service en aller-simple : avec emprunt et restitution dans des lieux éventuellement différents. La publicité promeut l'image de flexibilité et d'accessibilité (tarifaire) de tels systèmes, mais en réalité il arrive qu'il n'y ait pas de véhicule disponible au départ, voire pire, pas de place à l'arrivée. Il est envisageable (et pratiqué pour Vélib' à Paris) de relocaliser les véhicules pour éviter que certaines stations soient vides ou pleines à cause des marées ou de la gravitation. Notre parti-pris est cependant de ne pas considérer de "relocalisation physique" (à base de tournées de camions) en raison du coût, du trafic et de la pollution occasionnées (surtout pour des systèmes de voitures, comme Autolib' à Paris). La question à laquelle nous désirons répondre dans cette thèse est la suivante : Une gestion via des tarifs incitatifs permet-elle d'améliorer significativement les performances des systèmes de véhicules en libre service ?