Contribution à la visualisation des connaissances par des graphes dans une mémoire d'entreprise : application sur le serveur Atanor
Abstract
The smooth development of a knowledge management process is based on the use of efficient visualization methods that enable the user to easily understand the knowledge models which are used. Experience feedback of the knowledge management system Atanor, which is knowledge-deployment-oriented in an operational context for complex systems, showed that the tree model currently used for the visualization of the knowledge models is not intuitive. Too many vertices redundancies can lead to reading difficulties and hide some important characteristics. To solve these problems, we propose the Graph'Atanor model which is based on hierarchical graphs.
Moving to a graph-based model raises the issue of its visual representation. The drawings have to remain readable and understandable by all users. They have to satisfy various criteria such as aesthetic ones which model a combinatorial optimization problem consisting, for each layer, in finding an optimal order of the vertices. To solve this problem, we develop a new hybridized genetic algorithm which follows the basic scheme of a genetic algorithm with two major differences: the use of two problem-based crossovers and a hybridization resulting from a local-search strategy.
Computational experiments for standard size graphs show that the genetic algorithm gives better results than the other methods we know. The comparison of the two knowledge models on an industrial example shows that Graph'Atanor based models are not only easier to read but also allow to follow the trace of the users and show critical vertices.
Moving to a graph-based model raises the issue of its visual representation. The drawings have to remain readable and understandable by all users. They have to satisfy various criteria such as aesthetic ones which model a combinatorial optimization problem consisting, for each layer, in finding an optimal order of the vertices. To solve this problem, we develop a new hybridized genetic algorithm which follows the basic scheme of a genetic algorithm with two major differences: the use of two problem-based crossovers and a hybridization resulting from a local-search strategy.
Computational experiments for standard size graphs show that the genetic algorithm gives better results than the other methods we know. The comparison of the two knowledge models on an industrial example shows that Graph'Atanor based models are not only easier to read but also allow to follow the trace of the users and show critical vertices.
Le bon déroulement d'un processus de gestion des connaissances passe par l'utilisation de méthodes efficaces de visualisation qui permettent une compréhension aisée des différents modèles de connaissances utilisés. Les retours d'expériences avec le système de gestion des connaissances Atanor, qui est orienté vers le déploiement des connaissances dans un contexte opérationnel portant sur des systèmes complexes, ont montré que le modèle d'arbres actuellement utilisé pour la visualisation des modèles de connaissances n'est pas intuitif. Des redondances de sommets trop nombreuses peuvent entraîner des difficultés de lecture et cacher des caractéristiques importantes. Pour résoudre ces problèmes nous proposons le modèle Graph'Atanor qui est basé sur des graphes en niveaux.
Le passage au modèle de graphes pose le problème de sa représentation visuelle. Les tracés doivent rester lisibles et compréhensibles par les utilisateurs. Ceci se traduit notamment par le respect de critères esthétiques qui permettent de modéliser un problème d'optimisation combinatoire consistant à trouver un ordre optimal des sommets dans chaque niveau. Pour résoudre ce problème, nous avons développé un algorithme génétique qui possède deux particularités : deux opérateurs de croisements spécifiques et une hybridation par une recherche locale. Les expérimentations montrent que pour des graphes de taille standard, l'algorithme génétique donne de meilleurs résultats que les autres méthodes que nous connaissons. La comparaison des modèles de représentation des connaissances sur un exemple industriel montre qu'en plus de faciliter la lecture, Graph'Atanor permet de facilement suivre la trace des utilisateurs et de mettre en avant les sommets critiques.
Le passage au modèle de graphes pose le problème de sa représentation visuelle. Les tracés doivent rester lisibles et compréhensibles par les utilisateurs. Ceci se traduit notamment par le respect de critères esthétiques qui permettent de modéliser un problème d'optimisation combinatoire consistant à trouver un ordre optimal des sommets dans chaque niveau. Pour résoudre ce problème, nous avons développé un algorithme génétique qui possède deux particularités : deux opérateurs de croisements spécifiques et une hybridation par une recherche locale. Les expérimentations montrent que pour des graphes de taille standard, l'algorithme génétique donne de meilleurs résultats que les autres méthodes que nous connaissons. La comparaison des modèles de représentation des connaissances sur un exemple industriel montre qu'en plus de faciliter la lecture, Graph'Atanor permet de facilement suivre la trace des utilisateurs et de mettre en avant les sommets critiques.