La généralisation cartographique (GC) joue un rôle important dans les systèmes de production des cartes assistée par ordinateur et dans les systèmes d’informations géographiques. Elle est depuis longtemps l’enjeu de la cartographie en raison de sa complexité intrinsèque, et on ne connaît pas de méthodes de résolution directes et assurées. Devant un problème complexe comme la GC, il est difficile d’effectuer une bonne interprétation des informations géographiques connues pour les transformer, en respectant leur inter-relation, en données dessinables sur le support choisi dans le cadre d’objectifs particuliers des utilisateurs, en suivant l’ensemble des opérations subtiles effectuées actuellement par l’homme. Réciproquement, avec un vaste ensemble d’informations et d’opérations potentiellement accessibles, il est délicat de déterminer quelles informations sont les plus pertinentes pour effectuer telle opération plutôt que telle autre pour résoudre un problème précis. La communauté cartographique est convaincue que la GC ne trouvera sa juste place parmi les outils de communication et d’aide à la décision que lorsqu’elle aura réussi sa mutation informatique. On se pose donc des questions:
• quels sont les problèmes de la GC?
• comment ces problèmes sont-ils représentés?
• quelles sont les techniques informatiques disponibles face à un tel problème?
C’est autour de ces aspects que s’organise cette thèse. Bien entendu un certain nombre de préalables seront indispensables afin de bien préciser le problème de la GC. Une fois défini un cadre conceptuel nous étudierons les principales idées et techniques de l’intelligence artificielle. Après avoir donné quelques aspects de la modélisation des opérations de la GC et leur formulation mathématique et graphique, nous décrivons une méthodologie de représentation de connaissances qui, pourvue d’une interprétation adéquate et basée sur le concept de langage orienté objet et de règle de production, permet de coder les connaissances de la GC pour traiter les problèmes complexes. Enfin nous donnerons quelques résultats basés sur les détections et déductions par le moteur d’inférence écrit en Le-lisp en lui fournissant des connaissances initiales à l’aide des exemples, et des illustrations graphiques sorties par des codes PostScript.
Eléments d’intelligence artificielle
L’intelligence artificielle (IA) est depuis quelques années un point de focalisation des média, du public et des scientifiques. On s’interroge sur son existence en tant que discipline scientifique, sur ses buts et son champ d’investigation, sur sa situation et les limites qu’elle pourrait atteindre, sur ses applications actuelles ou à venir et leur impact social, économique ou psychologique[12]. Aujourd’hui, elle suscite un grand engouement dans l’industrie. Le concept d’intelligence est complexe et relatif, et l’expression fortement controversée, d’Intelligence Artificielle ne le précise pas davantage. Bien que les Chinois doutent du caractère inné de l’intelligence humaine, ils la nomme Vintelligence du ciel. La philosophie du donné, empirisme, considère que toute connaissance vient de l’expérience[17], c’est à dire que l’esprit est une pure passivité, une simple faculté d’enregistrer des réalités indépendantes de lui. L’empirisme est un procédé spontané qui consiste à agir par tâtonnement et sans réflexion préalable. Toute notre connaissance commence avec l’expérience, disait KANT, mais il n’en résulte pas qu’elle dérive toute de l’expérience. Il semble, en effet, qu’il y ait des vérités indépendantes de toute expérience particulière, notamment en logique et mathématiques.
Les théories de Wallon et de Piaget donnent du développement intellectuel l’image d’une hiérarchie de savoir-faire acquis par l’enfant à travers une série de stades. Au plus bas niveau se situent les comportements réflexes, puis viennent les comportements concrets, liés à une intelligence pratique qui existe déjà chez les animaux supérieurs; l’intelligence concrète est le premier niveau de l’intelligence discursive capable d’opérer sur des signes et des symboles; quand cette opération se libère de l’affectivité et de l’action immédiate, l’enfant atteint le stade de l’intelligence abstraite (capacité de distinguer les qualités d’un objet, de comparer, de classer), que complète l’intelligence conceptuelle (raisonnement hypothético-déductif, appel à une logique formelle).
Les humains pensent qu’ils sont des êtres plus intelligents que les animaux; en étant fier, ils cherchent toujours à reproduire les intelligences humaines, ce qui, avec les progrès des ordinateurs a fait naître l’intelligence artificielle. Son principal objectif est d’obtenir soit un résultat voisin de ce qu’aurait obtenu l’homme avec éventuellement des démarches différentes, soit d’un ordinateur un comportement semblable à celui d’un humain, c’est à dire, de disposer d’un programme qui adopte une démarche analogue à celle d’un spécialiste confronté à un problème précis. Dans cette dernière optique, le travail des chercheurs en IA commence par des observations de comportements humains et animaux faces à des situations particulières. De ces observations, on cherche à constituer un ensemble de théories scientifiques cohérentes, de lois de fonctionnement du raisonnement. Finalement, cette analyse longue et difficile doit aboutir à la reproduction, par des moyens réellement artificiels (mécaniques, informatiques), des comportements étudiés. L’ensemble des théories et des techniques mises en oeuvre pour réaliser des telles machines constitue l’intelligence artificielle. L’informatique classique traite des problèmes de manipulation de données: essentiellement des valeurs numériques ou des chaînes de caractères. Un programme y est chargé de traiter de manière spécifique un type de données bien propre. Les logiciels d’IA, par contre, doivent traiter non seulement des nombres et des caractères mais des informations plus abstraites: des connaissances humaines au milieu des activités concrètes, jusqu’ici faiblement , du type diagnostic, prévision, conception, planification d’actions; la généralisation cartographique en est un bon exemple.
Perspectives
Les deux sciences, la généralisation cartographique et l’IA, ne sont pas des sciences aussi mûres et rigoureuses que les mathématiques. Néanmoins, on espère les marier ensemble par une étude des techniques existantes en informatique autant qu’en cartographie. La vocation d’un système expert est d’aider à résoudre des problèmes très difficiles pour l’homme relevant d’un domaine de compétence particulier où les activités sont difficilement représentables sous forme d’algorithmes sûrs et définitifs comme on l’a déjà indiqué plusieurs fois dans le domaine de la généralisation cartographique. On espère contourner cette difficulté partiellement en faisant appel à la méthodologie des systèmes-experts: leur structure et leur fonctionnement se prête assez bien à la reproduction des facultés humaines de décision ou jugement, à partir non d’algorithmes complets mais d’éléments d’algorithmes, spécifiques d’un domaine d’application, plus ou moins épars et non définitifs, fournis par des experts humains du domaine considéré. Par une étude critique des cartes existantes et par une analyse objective des facteurs de généralisation, quelques spécialistes ont déjà montré que certains principes, et notamment ceux de la sélection, peuvent recevoir une formulation mathématique et que les directives générales résultant de l’expérience et de la tradition peuvent s’exprimer sous une forme cartésienne. La structure complexe de l’image cartographique est régie par une multitude de règles qui sont appliquées plus ou moins implicitement par le dessinateur, selon son expérience et son habileté; aussi, sans nier l’importance de ces facteurs humains, il importe de limiter leur influence pour réduire la part d’interprétation personnelle, codifier ce qui peut l’être et normaliser ainsi les résultats et la qualité de la généralisation. Notre but est:
• de constituer une approche du problème par une analyse objective des facteurs de généralisation, en recueillant des règles qui sont appliquées plus ou moins implicitement par le cartographe, tout en essayant d’en tirer des règles générales, de formuler et codifier ce qui peut l’être et normaliser ainsi les résultats et la qualité de la généralisation.
• de montrer, dans quelques cas bien précis, comment il est possible de tendre vers cette normalisation.
• de concevoir un système capable de réaliser les opérations de la G.C. ayant recours aux techniques diverses de l’intelligence artificielle, en cherchant une certaine automatisation et la souplesse des processus, apportant la rapidité et l’économie, et peut être une qualité supérieure et une plus grande homogénéité du travail.
Le système a les fonctionnalités suivantes:
• Saisir et modifier des connaissances.
• Rédiger des cartes d’une échelle donnée à partir des données d’une échelle plus grande.
• Résoudre le problème qu’on lui demande dans le cadre de ses capacités, et dialoguer avec l’opérateur humain.
• Justifier la trace de sa résolution.
|
Table des matières
1 Introduction
1.1 Aperçu de la généralisation cartographique
1.2 Difficultés essentielles
1.3 Eléments d’intelligence artificielle
1.4 Perspectives
1 Cartographie
2 La généralisation cartographique
2.1 Analyse du problème
2.2 Cas des voies de communication
2.2.1 Carrefour
2.2.2 Voies
2.3 Les facteurs d’influence
2.4 Règles de lisibilité
2.5 Problème des signes conventionnels
2.5.1 Nécessité des signes conventionnels
2.5.2 Les signes conventionnels linéaires
2.5.3 Evolution des signes avec l’échelle
2.6 Placement des toponymes
2.6.1 Ponctuel
2.6.2 Linéaire
2.7 Un critère de résolution de problème
II Outils Informatiques
3 Choix de modes de représentation des connaissances
3.1 Caractéristiques des systèmes experts
3.1.1 Composants de base d’un système expert
3.1.2 Notre système, en résumé
3.2 Difficulté de concevoir la connaissance
3.3 Quelques modes de représentation des connaissances
3.4 Procédural ou déclaratif?
3.5 Raisonner logiquement
3.5.1 Règles d’inférence en logique
3.5.2 La logique des prédicats
4 Les langages orientés objets
4.1 Les réseaux sémantiques
4.2 Les prototypes
4.3 Les classes et objets
4.4 Les frames
4.5 Les acteurs
4.6 Les langages hybrides
4.7 Les messages
4.8 L’héritage
4.9 La relation d’héritage
4.10 Objet et représentation des connaissance
4.11 Les exceptions
4.11.1 Héritage et exception
4.11.2 Chemins d’héritabilité
4.11.3 Quelques techniques de résolution
4.12 L’intelligibilité
4.13 Les défauts
4.14 Comparaison des formalismes
5 Lisp et objets
5.1 Intérêt de programmer en Lisp
5.2 Ceyx
5.3 Common Lisp Object System: CLOS
5.4 KEE
III Réalisation
6 Modélisation des opérations graphiques
6.1 Les mesures
6.2 Règles de sélection
6.2.1 Cas général
6.2.2 Idées théoriques de sélection
6.2.3 Cas linéaire
6.3 Règles de schématisation structurale
6.4 Signes linéaires
6.4.1 Définitions des segments, arcs, tronçons
6.4.2 Définition de la convexité
6.4.3 Règles globales de schématisation
6.4.4 Deux segments non alignés: virage
6.4.5 Linéarisation locale
6.5 Règles d’harmonisation
6.5.1 Hiérarchie des éléments
6.5.2 Séparer deux signes voisins ponctuels
6.5.3 Séparer un groupe de signes ponctuels
6.5.4 Séparer deux signes voisins linéaires
6.5.5 Séparer un groupe de signes voisins linéaires
6.5.6 Translation d’un signe linéaire
6.6 Traitement des carrefours
6.6.1 Importance de carrefours
6.6.2 Domaine de convexité d’un carrefour
6.6.3 Distance entre carrefours
6.6.4 Direction de déplacement d’un carrefour
6.7 Stratégie générale
6.8 Résumé
7 Conclusion
Télécharger le rapport complet
