Les technologies du numérique s’invitent de plus en plus dans l’enseignement et pendant les processus d’apprentissage. Les nouvelles pratiques pédagogiques révolutionnent également les standards de la formation. La « gamification » des cursus est, par exemple, devenue une tendance actuelle. Elle permet, par le jeu, d’exercer les apprenants différemment. Les simulations de gestion d’entreprise entrent dans ce cadre. Elles positionnent les stagiaires à la tête d’entreprises virtuelles et simulent un marché concurrentiel. Le déploiement de cette pratique se heurte néanmoins à quelques difficultés opérationnelles : taille du groupe, formation de l’animateur… C’est dans ce contexte que nous envisageons la mise en œuvre d’agents autonomes permettant d’accompagner les apprenants ou de les concurrencer. Pour cela, nous proposons, dans un premier temps, une modélisation performante d’une entreprise à base de programmes linéaires mixtes permettant l’optimisation des départements internes des entreprises (production, distribution, finance). Dans un deuxième temps, nous introduisons une heuristique de recherche locale assurant une génération de solutions performantes dans un environnement économique et concurrentiel donné. Dans un troisième temps, à la suite d’une phase d’extraction de connaissances, nous proposons la définition et la construction d’arbres d’anticipation qui permettent de prévoir les décisions concurrentielles des protagonistes engagés et ainsi de pouvoir estimer la qualité des solutions construites. Afin de valider les approches proposées, nous les avons comparées aux comportements réels de joueurs et avons évalué l’apport de l’exploitation de la connaissance. Enfin, nous avons proposé un cadre permettant une généralisation de la méthode à d’autres simulateurs de gestion d’entreprise.
- Directeur de thèse : Clarisse DHAENENS - Rapporteurs : • Mme Sylvie MIRA-BONNARDEL • M. Ameur SOUKHAL - Examinateurs : • Mme. Laurence DUCHIEN • M. Ammar OULAMARA
Thèse de l'équipe ORKAD soutenue le 13/10/2017
français
English