Upload
raphael-gay
View
108
Download
3
Embed Size (px)
Citation preview
Émergence fonctionnelle par Émergence fonctionnelle par auto-organisation dans les auto-organisation dans les
systèmes artificielssystèmes artificiels
Adaptive Multi-Agent Systems
Carole BERNONÉquipe SMAC (Systèmes Multi-Agents Coopératifs)
Institut de Recherche en Informatique de Toulouse
http://www.irit.fr/SMAC
2
PlanPlan
Principes généraux des systèmes multi-agents (SMA)
Exemples d’applicationsProblématiques de l’équipe SMAC
ÉmergenceAuto-organisationCoopérationThéorie des AMAS (SMA adaptatifs)
Exemple d’applicationsConclusion – Apports possibles
3
Bref historique…Bref historique…
Intelligence Artificielle (IA) – Systèmes expertsAvant 1980Programmes capables d’exécuter des tâches complexesConcentration de « l’intelligence » dans un unique systèmeSystèmes experts, représentation des connaissancesModèles de raisonnement
IA Distribuée (IAD) - Systèmes Multi-Agents (SMA)Résolution collaborative de problèmesDécentralisation des données (IAD) et du contrôle (SMA)
Tout a tendance à devenir agent…Assistants personnels, interfaces, recherche d’information,
vie artificielle, agents économiques…
Mais tout n’est pas SMA…
4
À la croisée d’influencesÀ la croisée d’influences
SMA
Psychologie socialeSociologieEconomie. . . .
Informatique répartieParallélismeIntelligence ArtificielleProgrammation. . . .
Systèmes complexes en physiqueEthologieEcologie. . . .
Vie artificielleRéseaux de neurones. . . .
5
Exemple : « algorithme de colonies de fourmis »Exemple : « algorithme de colonies de fourmis »
Insectes sociaux, intelligence collective (en essaim)
[Dorigo96]Métaheuristique d’optimisation
Recherche du plus court chemin dans un graphe
Acheminement de données dans un réseau téléphonique
Problème du voyageur de commerce
Repliement de protéinesEtc.
Auto-organisation, stigmergieProblèmes dynamiques, multi-
objectifs[Wikipédia]
6
Notion de SMANotion de SMA
Ensemble d’entités en interaction situées dans un environnement commun et devant réaliser collectivement une tâche
Contrôle décentralisé dans les entités
7
Notion d’agentNotion d’agent
Entité réelle ou virtuelle située dans un environnement qu’elle peut (partiellement) percevoir et sur lequel elle peut agir de manière autonome [Ferber95]
Environnement
PerceptionAction
Contrôle du comportementRéactif (réponse à des stimuli)Pro-actif (dirigé par le but)Social (interaction)
8
Agent réactif / cognitifAgent réactif / cognitif
Métaphore biologiquePas de modèle
symbolique représentant l’environnement
Pas de but, pas (peu) de mémoire
Comportement réflexeCommunication indirecte Interaction par
l’environnementSMA avec beaucoup
d’agentsOrganisation impliciteValidation expérimentale
Métaphore sociologiqueReprésentation explicite
des autres et de leurs connaissances
Notion de but, de mémoire
Décision délibérativeCommunication directe Interactions directes via
langages d’interactionSMA à peu d’agentsOrganisation socialeValidation formelle
9
Agent – Cycle de vieAgent – Cycle de vie
SMA
Décider
Environnement du SMA
Environnement de l’agentEnvironnement de l’agentEnvironnement de l’agentEnvironnement de l’agent
Percevoir
Agir
10
Quand utiliser un SMA ?Quand utiliser un SMA ?
Complexité inhérente de l’applicationLimitations logicielles/matériellesHétérogénéité des composantsAbsence de solution globaleModélisation de systèmes naturels/sociaux
Distribution inhérente de l’applicationDifférents domaines de connaissancesDistribution
o Des donnéeso Du contrôleo Des connaissanceso De la sémantiqueo Des ressources
11
Quand utiliser un SMA ? (2)Quand utiliser un SMA ? (2)
Contraintes d’exécutionRésolutions concurrentes, simultanées, asynchronesContraintes de fiabilité, physiques…
Besoin d’évolutivitéChangement d’échelleChangement dynamique de données, de traitementAdaptation à des modifications / à l’environnement
Besoin d’ouvertureAjout / retrait dynamique de composantsDéveloppement incrémental
12
Mais…Mais…
Absence de contrôle globalAbsence de vision globale
N’est pas forcément la solution idéaleN’est pas une solution miracle
13
PlanPlan
Principes généraux des systèmes multi-agents (SMA)
Exemples d’applicationsProblématiques de l’équipe SMAC
ÉmergenceAuto-organisationCoopérationThéorie des AMAS (SMA adaptatifs)
Exemple d’applicationsConclusion – Apports possibles
14
Quelques exemples dans l’industrie…Quelques exemples dans l’industrie…
Massive SoftwareAnimation graphique (de foules)
o Lord of the rings, Harry Potter, Happy feet…Magenta Technology
Planification, allocation de ressources en temps réelo Transport routier, maritime…
Internet personnaliséo Méta-recherche, réseau social « intelligents »
DynalogicSimulation urbaine, optimisation circulation
Whitestein TechnologiesTélécommunications, logistique, chaînes de
productionAOS
Plate-forme de développement de systèmes autonomes (Jack)
15
Exemples en biologie - AgentCellExemples en biologie - AgentCell
[Emonet05]Modèle étudiant les relations entre les
processus intra-cellulaires stochastiques et le comportement de cellules
Chimiotactisme numériqueEscherichia ColiExemple 1
1166 cellules, pas d’attracteur chimique
Exemple 2E. Coli nageant dans un gradient vertical d’aspartate
16
Exemple en biologie - MitoScoPExemple en biologie - MitoScoP
[Lales07]ACI IMPBioModélisation du métabolisme mitochondrialAgents réactifsExemple
Bicouche avec 2 types de lipideso À 2 queues (PC)o À 4 queues (cardiolipine)o Structure conservéeo Apparition de cloisonnements
17
PlanPlan
Principes généraux des systèmes multi-agents (SMA)
Exemples d’applicationsProblématiques de l’équipe SMAC
ÉmergenceAuto-organisationCoopérationThéorie des AMAS (SMA adaptatifs)
Exemple d’applicationsConclusion – Apports possibles
18
Équipe SMACÉquipe SMAC
Systèmes Multi-Agents Coopératifs IRIT – Thème 3
Dialogue Interaction Autonomie Coopération
Responsable Marie-Pierre GLEIZES
16 permanents2 post-doc11 doctorants
6 axes de recherche
19
Centres d’intérêtsCentres d’intérêts
Systèmes multi-agents (logiciels)Les agents interagissent et évoluent dans un
environnement communRésolution de problèmes : interactions résolutionSimulation : interactions observation
Objectif de l’équipeConcevoir des systèmes complexes adaptatifsSMA qui s’adaptent pour réagir à un environnement
dynamiqueAdaptation dirigée par auto-organisationLa fonction adéquate du système émerge
20
ConstatConstat
Applications :Complexes (contrôle aérien)Ouvertes (Internet)
Environnement :Ouverts (Internet)Évolutifs (RoboCup)
Besoin de concevoir des systèmes de plus en plus complexes
MaisProblème incomplètement spécifiéAlgorithme pas toujours connuDes « imprévus » doivent être pris en compte
21
Solution ?Solution ?
Un système doit réaliser la « bonne » fonction, celle pour laquelle il a été créé
22
Théorème de l’adéquation fonctionnelleThéorème de l’adéquation fonctionnelle
Pour tout système fonctionnellement adéquat, dans un environnement donné, il existe un système à milieu intérieur coopératif qui réalise une fonction équivalente
Systèmes fonctionnellemen
t adéquats
Systèmes coopératifs
Systèmes à milieu
intérieur coopératif
23
Solution ?Solution ?
Un système doit réaliser la « bonne » fonction, celle pour laquelle il a été crééThéorème sur l’adéquation fonctionnelle
coopération
Le système doit pouvoir s’adapter à son environnement
24
Auto-organisationAuto-organisation
Motif ou fonction du niveau global d’un système (SMA) qui émerge suite aux interactions entre composants de plus bas niveau (agents) [Camazine01]
Transformation autonome de la topologie d’un système (e.g. connexions réseau) par ses composants résultant du fonctionnement de ce réseau [Camps97]
Processus par lequel un système change son organisation interne pour s’adapter aux changements de ses buts et de l’environnement sans contrôle externe explicite. L’auto-organisation résulte souvent en un comportement émergent désirable ou non [TFGSO04].
25
Principe d’auto-organisationPrincipe d’auto-organisation
Environnement
Système
Perception Temps t : fs Temps t+1 : f*s + Action
26
Solution ?Solution ?
Un système doit réaliser la « bonne » fonction, celle pour laquelle il a été crééThéorème sur l’adéquation fonctionnelle
coopération
Le système doit pouvoir s’adapter à son environnementAuto-organisation des composants adaptation
Pas d’algorithme pour construire un système complexe adaptatifLa fonction doit émerger au macro-niveau
27
AgentAgent
Autonomie de décisionPlongé dans un environnement (évolutif)But propre (local)Essaie de l’atteindre en utilisant une vue
locale de son environnementCycle de vie (classique)
PercevoirDéciderAgir
28
Agent coopératifAgent coopératif
Attitude coopérative (moteur de l’auto-organisation)Détecte certaines situations (SNC)
o Un signal perçu est incompris ou mal compris (incompréhension, incompétence, ambiguïté)
o L’information résultant de cette perception n’est pas utile au raisonnement de l’agent (improductivité)
o Son raisonnement débouche sur des actions inutiles pour les autres agents (inutilité)
o Et d’autres situations de conflit ou de concurrenceLes traite pour revenir à un état coopératif
Il ignore la fonction globale du système
29
Modèle d’agent coopératifModèle d’agent coopératif
Module d’interaction Interface agent / environnement
Module des représentationsConnaissance partielle à propos des autres, de son
environnement ou de soi-même
Module des compétencesConnaissance commune à propos d’un certain
domaine
Module des aptitudesCapacités à raisonner sur ses représentations, ses
compétences et ses perceptions
Module de coopérationReprésente l’attitude coopérative de l’agent
30
Modèle d’agent coopératifModèle d’agent coopératif
Perception Actions Sensor
Sensor
Sensor
Sensor
Sensor
Sensor
Sensor
Sensor
Sensor
Actuators
Actuators
Actuators
Actuators
Actuators
Actuators
Actuators
Actuators
Actuators
I nteraction
Representations
Skills
Aptitudes
Cooperation
Stimuli Actions
Interaction
Perception Actions
Compétences
Aptitudes
Coopération
Capteur
Capteur
Capteur
Capteur
Capteur
Capteur
Capteur
Effecteur
Effecteur
Effecteur
Effecteur
Effecteur
Effecteur
Effecteur
Stimuli Actions
Représentations
31
Solution ?Solution ?
Un système doit réaliser la « bonne » fonction, celle pour laquelle il a été crééThéorème sur l’adéquation fonctionnelle coopération
Le système doit pouvoir s’adapter à son environnementAuto-organisation des composants adaptation
Pas d’algorithme pour construire un système complexe adaptatifLa fonction doit émerger au macro-niveauChaque composant possède sa propre fonction locale
indépendante de la fonction globale agent
Les agents forment un AMASAdaptation compétences, représentations
AMAS
32
PlanPlan
Principes généraux des systèmes multi-agents (SMA)
Exemples d’applicationsProblématiques de l’équipe SMAC
ÉmergenceAuto-organisationCoopérationThéorie des AMAS (SMA adaptatifs)
Exemple d’applicationsConclusion – Apports possibles
33
Quelques applicationsQuelques applications
Commerce électronique (Arcadia, Abrose) [Camps98]
RoboCup [Pasquet99]Routage dans des réseaux téléphoniques [Dotto99]Résolution d’équationsPrévision de crues [Sontheimer99]Programmation émergente [Georgé04]Conception de mécanismes aéronautiques
[Capera05]Réseau de neurones [Mano06]Allocation dynamique de fréquences [Cornet06]Ontologies dynamiques [Ottens07]Conception avionique [Welcomme08]…
34
Exemples d’applicationsExemples d’applications
Simulation de fourmis fourrageuses [Topin99]Robots transporteurs [Picard04]Recherche de la conformation spatiale d’une
molécule [Besse05]
35
ANTS – Fourmis fourrageusesANTS – Fourmis fourrageuses
Simulation d’une fourmilière de fourmis fourrageuses
Dans le but de comparer fourmis réelles et fourmis « coopératives »
But globalRamener le plus de nourriture au nidNon explicitement donnéCette fonction doit émerger
But localFourrager et ramener de la nourriture
Communication IndirecteDépôt de phéromone
36
Attitude sociale chez un agent-fourmiAttitude sociale chez un agent-fourmi
Environnement dynamiqueApparition / disparition de nourriture
Comportement coopératifÉviter les situations non coopératives (SNC) Jugées de son point de vue (local)
Les énumérer pour pouvoir les traiter
Exemple de SNC : concurrenceEntre une piste de phéromone et de la nourritureEntre deux sources de nourritureEntre le nid et de la nourriture
37
SNC de concurrence (1)SNC de concurrence (1)
Deux choix possiblesContinuer à suivre la pisteAller vers la source de
nourriture
Ne pas être en concurrenceAller vers la source de
nourriture
38
SNC de concurrence (2)SNC de concurrence (2)
Deux choix possiblesAller vers la source exploitéeAller vers l’autre source
Ne pas être en concurrenceAller vers l’autre source
(même s’il y en a moins)
39
SNC de concurrence (3)SNC de concurrence (3)
Deux solutionsRentrer directement au nidRentrer en déposant plus de
phéromone
Communication spontanéeRentrer en déposant plus de
phéromone
40
Fourmis oecophylles – Agents-fourmis Fourmis oecophylles – Agents-fourmis
Environnement avec 5 agrégats
0
200
400
600
800
1000
1200
1400
1600
1800
2000
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Cycles
Nou
rrit
ure
ram
enée
au
nid
Fourmis oecophylles 1 Robots-f ourmis 1
41
Fourmis oecophylles – Agents-fourmisFourmis oecophylles – Agents-fourmis
Environnement avec 100 agrégats
0
200
400
600
800
1000
1200
1400
1600
1800
2000
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Cycles
Nou
rrit
ure r
am
ené
e a
u ni
d
Fourmis oecophylles 1 Robots-Fourmis 1
42
ANTS - DémonstrationANTS - Démonstration
43
RobotsRobots
Robots transporteursDeux pièces séparées par deux couloirs
Couloirs de la largeur d’un robot
Tâche allouée à un robot : Prendre une boîte dans une pièceLa déposer dans l’autre pièce
Perception localePas de communication directe
44
Robots – Démonstration (début)Robots – Démonstration (début)
45
Situations jugées non coopérativesSituations jugées non coopératives
Ne pas pouvoir avancerEn face d’un murEn face d’un autre robot allant dans la direction
opposéeRésoudre ce conflit
o Se déplacer de côtéo Le robot le plus proche de son but a l’avantage
Devoir reculer (donc s’éloigner de son but)Car on est obligé de laisser la placeRésoudre cette inutilité
o Se déplacer de côté (si possible)o Avancer tant que c’est possible OU jusqu’à rencontrer
un autre robot qui recule et est plus près de son but
46
Comportement émergentComportement émergent
Evitement des autres robots codéSens de circulation émergent
Non codé explicitementNe peut être déduit du code des agents
47
Bio-S: Conformation spatiale de protéinesBio-S: Conformation spatiale de protéines
Molécule = atomes liés par deux types de liaisons
Interactions fortesMise en commun d’électronsDéfinissent des distances inter-
atomiques quasiment stables
Interactions faiblesNatures diverses
o Interactions de van der Waalso Interactions électrostatiqueso Liaisons di-hydrogèneso ….o Effets du solvant
Effet si nombreuses et entre voisins
48
Énergie des liaisons faiblesÉnergie des liaisons faibles
Fonction d’énergie potentielle Interactions de van der Waals
o Équilibre (rayon de vdW)Suit une loi (Lennard-Jones,
choisie)o Empirique, paramètres équation
inconnueÉnergie potentielle globale
d’une moléculeSomme des énergies « faibles »
entre couples d’atomesLa conformation spatiale est
obtenue enMinimisant l’énergie potentielle
de la moléculeTout en respectant les
contraintes des liaisons fortes
49
ApprochesApproches
Problème NP-completMolécules réelles : repliement en 10-6 sHypothèse : un jour pour simuler une nanoseconde
30 années CPU !!
Approches existantesFolding@home : distribue le calcul sur un réseau
mondialRosetta : compare une conformation donnée à une
base de données
Mais…On ne connaît pas tout à propos de la moléculeL’énergie potentielle n’est pas connue
Résolution par émergenceIdéal : …en un temps limité…
50
Approche par AMASApproche par AMAS
Résolution par émergenceEnergie globale de la molécule inconnueAgent = atome
Ne connaît pas l’énergie globale de la moléculeA une vue locale (ses voisins)Essaie de minimiser son énergie locale
Se déplace pour rester coopératifPour réduire l’énergie potentielleTant que son énergie n’est pas minimaleSans pénaliser ses voisins (augmenter leur énergie)
Ce qui se traduit par cette SNCDétection : être lié à un atome de plus haut niveau
d’énergieAction : se déplacer pour réduire cette énergie
51
Entrées / Sortie du systèmeEntrées / Sortie du système
EntréesDescription de la molécule (format PDB)Conformation non stable (positions aléatoires)
SortieConformation stable
52
Évolution dans le tempsÉvolution dans le temps
Adaptation des agents après une phase préliminaire Stabilisation de l’énergie globale
53
Impact de la taille de la moléculeImpact de la taille de la molécule
0
1000
2000
3000
4000
0 20 40 60 80 100 120
Number of atoms
Num
ber
of cy
cles
010203040506070
Tim
e (H
)
Number of cycles Time (H)
Temps de résolution : linéaire Technique efficace
54
Bio-S : DémonstrationBio-S : Démonstration
55
Partenariat en cours…Partenariat en cours…
Projet microMéga ANR 2005-2008Modélisation du comportement d’une levureSMA adaptatif dont les agents représentent
o des éléments (quantité, masse, énergie)o des gèneso des transporteurso des catalyseurs et des synthétiseurs
56
Exemple : GlycolyseExemple : Glycolyse
57
Partenariat en cours…Partenariat en cours…
Projet microMéga ANR 2005-2008Modélisation du comportement d’une levureSMA adaptatif dont les agents représentent
o des éléments (quantité, masse, énergie)o des gèneso des transporteurso des catalyseurs et des synthétiseurs
Comportement « nominal » des agents : définiComportement « adaptatif » : pose problème (bruit)
Thèse inter-site Insa/UpsSylvain VideauSMA adaptatif pour contrôler un bio-procédé
58
PlanPlan
Principes généraux des systèmes multi-agents (SMA)
Exemples d’applicationsProblématiques de l’équipe SMAC
ÉmergenceAuto-organisationCoopérationThéorie des AMAS (SMA adaptatifs)
Exemple d’applicationsConclusion – Apports possibles
59
Apports possibles des SMAApports possibles des SMA
Niveau d’abstraction plus bas que les modèles mathématiques
Description au niveau individuModularité, mise au point incrémentaleOuverture, adaptation, émergence
Moins formel Plus de puissance de calcul nécessaire
Émergence fonctionnelle par Émergence fonctionnelle par auto-organisation dans les auto-organisation dans les
systèmes artificielssystèmes artificiels
Merci pour votre attention
http://www.irit.fr/SMAC
61
RéférencesRéférencesRéférences internes à SMAC
[Besse 05] C. Besse, Recherche de conformation de molécules et apprentissage du potentiel de Lennard-Jones par systèmes multi-agents adaptatifs, Rapport de Master Recherche IARCL, Université Paul Sabatier, juin 2005.
[Camps 97] V. Camps, M.P. Gleizes, S. Trouilhet, Properties Analysis of a Learning Algorithm for Adaptive Systems, First International Conference on Computing Anticipatory Systems, Liège, Belgium, August 1997.
[Camps 98] V. Camps, Vers une théorie de l'auto-organisation dans les systèmes multi-agents basée sur la coopération : application à la recherche d'information dans un système d'information répartie, Thèse de Doctorat de l'Université Paul Sabatier N°2890, IRIT, Toulouse, Janvier 1998.
[Capera 05] D. Capera, Systèmes multi-agents adaptatifs pour la résolution de problèmes : Application à la conception de mécanismes, Thèse de Doctorat de l'Université Paul Sabatier, IRIT, Toulouse III, 23 juin 2005.
[Cornet 06] F. Cornet, Etude d'un problème d'allocation de fréquences par systèmes multi-agents adaptatifs, Rapport de Master Recherche IARCL, Université Paul Sabatier, juin 2006.
[Dolto 99] F. Dotto, L. Trave-Massuyes, P. Glize, Acheminement du trafic d'un réseau téléphonique commuté par une approche multi agent adaptative, Congrès CCIA, Girona.
[Georgé 04] J.P. Georgé, Résolution de problèmes par émergence, Etude d'un Environnement de Programmation Emergente, Thèse de Doctorat de l'Université Paul Sabatier, IRIT, Toulouse III, 6 juillet 2004.
[Mano 06] J.P. Mano, Etude de l’émergence fonctionnelle au sein d’un réseau de neuro-agents coopératifs, Thèse de Doctorat de l'Université Paul Sabatier, IRIT, Toulouse III, 30 mai 2006.
62
Références (2)Références (2)[Ottens 07] K. Ottens, Un système multi-agent adaptatif pour la construction d'ontologies à partir de textes, Thèse de Doctorat de l'Université Paul Sabatier, IRIT, Toulouse III, 2 octobre 2007.
[Pesquet 99] B. Pesquet, M.P. Gleizes, P. Glize, Une équipe de robots footballeurs auto-organisée : les SMACkers, Intelligence artificielle située, cerveau, corps et environnement, A. Drogoul & J.A. Meyer coordonnateurs, Editions Hermès, 1999.
[Picard 04] G. Picard, Cooperative Agent Model Instantiation to Collective Robotics, In 5th International Workshop on Engineering Societies in the Agents World (ESAW 2004), Toulouse, France, M.P. Gleizes, A. Omicini, F. Zambonelli (Eds), Springer Verlag, LNCS 3451, 209-221.
[Sontheimer 99] T. Sontheimer, Modèle adaptatif de prévision de crues par systèmes multi-agents auto-organisateurs, Rapport de stage Institut Universitaire Professionnalisé, 1999, Diren.
[TFGSO 04] Rapport du groupe de travail d’AgentLinkIII « Self-organisation in Multi-Agent Systems ».
[Topin 99] X. Topin, V. Fourcassie, M.P. Gleizes, G. Theraulaz, C. Régis, P. Glize, Theories and Experiments on Emergent Behaviour: From Natural to Artificial Systems and Back, Proceedings on European Conference on Cognitive Science, Siena, 1999.
[Welcomme 08] J.B. Welcomme, MASCODE : un système multi-agent adaptatif pour concevoir des produits complexes. Application à la conception préliminaire avion, Thèse de l’Université de Toulouse, 31 mars 2008.
63
Références (3)Références (3)Références extérieures à SMAC
[Camazine 01] S. Camazine, J.L. Deneubourg, N. Franks, J. Sneyd, G. Theraulaz G., E. Bonabeau, Self-Organization in Biological Systems, Princeton University Press, 2001.
[Dorigo 96] M. Dorigo, V. Maniezzo, A. Colorni, Ant System: Optimization by a Colony of Cooperating Agents, IEEE Transactions on Systems, Man, and Cybernetics - Part B, 26(1):29-41.
[Emonet 05] T. Emonet, C. M. Macal, M. J. North, C. E. Wickersham, P. Cluzel, AgentCell: a Digital Single-cell Assay for Bacterial Chemotaxis, Bioinformatics Advance Access, Bioinformatics, 21, 2714-2721.
[Ferber 95] J. Ferber, Les systèmes multi-agents. Vers une intelligence collective, InterEditions, 1995.
[Lales 07] C. Lales, Modélisation gros grain et simulation multi-agents. Application à la membrane mitochondriale, Thèse de Doctorat de l’Université de Bordeaux I, décembre 2007.
Liens utilesMassive Software : http://www.massivesoftware.com/Magenta Technology : http://www.magenta-technology.com/fr/Dynalogic : http://www.dynalogic.fr/Whitestein Technologies : http://www.whitestein.com/AOS : http://www.agent-software.com/AgentCell : http://emonet.biology.yale.edu/agentcell/MitoScoP : http://www.phys-mito.u-bordeaux2.fr/ACI/
Le contenu de quelques diapositives est inspiré de celles des cours sur les SMA de :V. Chevrier (Loria)O. Boissier et L. Vercouter (Emse)