Магистр ДонНТУ Зудикова Юлия Владимировна

Зудикова Юлия Владимировна


Факультет: Компьютерных наук и технологий
Кафедра: Прикладной математики и информатики
Специальность: Программное обеспечение автоматизированных систем

Тема выпускной работы:


Оценка эффективности многоагентного моделирования систем с распределенным интеллектом


Научный руководитель: доцент, к.т.н. Федяев О.И.
 

Многоагентные системы: взгляд в прошлое, настоящее и будущее

 
 

На сегодняшний день среди различных направлений искусственного интеллекта на одно из ведущих мест все больше претендуют исследования в области теории многоагентных систем. Возрастающий интерес к многоагентным системам естественно обусловлен достижениями в области информационных технологий, искусственного интеллекта, распределенных информационных систем, компьютерных сетей и в компьютерной технике [1].

Вообще говоря, исследования по интеллектуальным агентам и многоагентным системам имеют уже более чем сорокалетнюю историю.

 

Историческое развитие многоагентных систем

История теории многоагентных систем (табл. 1) [4, 5] неразрывно связана с общим контекстом становления кибернетики, теории автоматов, искусственного интеллекта как научных дисциплин, моделирующих поведение искусственных и биологических сущностей в условиях некоторой внешней среды.

Первоначально идея интеллектуального посредника, или агента возникла как попытка интеллектуализации пользовательского интерфейса. Вместо взаимодействия, инициируемого пользователем путем команд и прямых манипуляций, пользователь вовлекается в совместный процесс решения. Как пользователь, так и компьютерный посредник, который сотрудничает с пользователем в той же рабочей среде, оба принимают участие в запуске задачи, управлении событиями и решении задачи.

Постепенно эта идея вышла за рамки интеллектуального пользовательского интерфейса, она все более и более ориентировалась на идеи и методы искусственного интеллекта, на активное использование тех преимуществ, которые дают современные локальные и глобальные компьютерные сети, распределенные базы данных и распределенные вычисления.

Таблица 1 - Историческое развитие многоагентных систем

№ Авторы Деятельность
Предыстория

1

У.Питтс, У.МакКаллок

Работы по формальным нейронам

2

Дж. фон Нейман

Работы по самовоспроизводящимся автоматам

3

А.Н.Колмогоров

Работы по теории информации и алгоритмической сложности объектов

4

У. фон Форстер, И.Пригожин, И.Стенгерс, Г.Хакен

Работы по теории самоорганизации и эволюции открытых систем

5

У.Эшби

Работы по моделям гомеостазиса и разнообразию систем

6

Г.Уолтер

Работы по реактивным роботам

7

Дж.Холланд

Работы по генетическим алгоритмам
Становление

8

М.Л.Цетлин

Школа коллективного поведения автоматов, в работах которой впервые в мире был поставлен вопрос о возможности моделирования целесообразного поведения в стационарной среде при рассмотрении коллектива реактивных агентов минимальной сложности

9

В.А.Лефевр

Школа рефлексивного поведения

Предложено описание действий автономных агентов фреймами поступков, приняты во внимание ментальные характеристики и социальные факторы: потребности, мотивы, намерения, ожидаемые оценки, нормы

10

Д.А.Поспелов

Школа нормативного социального поведения

11

М.Минский

Предложил распространить психические процессы (или ментальные свойства) на искусственные объекты, рассматриваемые в искусственном интеллекте, и трактовать ментальную сферу как следствие взаимодействия между активными объектами. Описал ряд механизмов возникновения интеллектуального поведения в результате конфликтов и сотрудничества между простейшими вычислительными единицами, которые он называл агентами

12

К.Хьюитт

Работы в области открытых систем и теории акторов. Предложил и реализовал концепцию разработки программ как сообществ специалистов, совместно решающих задачу в процессе коммуникации путем обмена сообщениями. В итоге родилось семейство языков акторов, которые стали первым средством реализации многоагентных систем, когда коммуникация осуществляется путем посылки асинхронных сообщений
Первые практические разработки (с 70-х гг. XX в.)

13

В.Лессер, Ф.Хэйес-Рот, Л.Эрман

Работы над системой HEARSAY II привели к созданию архитектуры «доски объявлений» и легли в основу многих дальнейших разработок по организации коммуникации между агентами

14

У.Корнфелд, К.Хьюитт

Работы над системой ETHER привели к созданию схожего подхода к совместному решению задач, исходящего из метафоры научных сообществ

15

Д.Ленат, К.Хьюитт

Разработана система PUPS, в которой была реализована идея решения задачи группой агентов (специалистов), именуемых «beings». Каждый специалист моделируется подобно фрейму множеством пар «атрибут-значение» и может обращаться за сведениями к другим специалистам, не зная их лично

16

Р.Смит

Разработал модель распределенного решения задач «протокол контрактной сети» (начало 80-х гг. XX в.), которая получила большую известность и стандартизована FIPA
Реальное применение (с 80-х гг. XX в.)

17

Группа В.Лессера

Создание прикладной системы DVMT (Distributed Vehicle Monitoring Test) для распознавания ситуаций дорожного движения

18

Группа Л.Гассера

Создание прикладной системы MACE
Появление агентно-ориентированного подхода (начало 90-х гг. XX в.)

19

И.Шоэм

В статье «Агентно-ориентированное программирование» описан социальный взгляд на организацию вычислений, связанный с взаимодействием агентов в процессе вычислений. При этом агент рассматривается как «прозрачный ящик» и моделируются такие его «внутренние переменные» (психические характеристики) как мотивы, убеждения, обязательства, способности к выработке и принятию решений. Мотивы агента лежат в основе его решений, а убеждения определяют логические ограничения на них. Общение агентов осуществляется с помощью протоколов коммуникации
Современные направления развития

20

Распределенный искусственный интеллект

Исследование взаимодействия и кооперации классических интеллектуальных систем, включающих небольшое число интеллектуальных агентов, базы знаний и решатели. Кооперативное распределенное решение задач

21

Искусственная жизнь

Связана с трактовкой интеллектуального поведения в контексте выживания, адаптации и самоорганизации в динамичной, враждебной среде. Глобальное интеллектуальное поведение всей системы рассматривается как результат локальных взаимодействий большого числа простых и необязательно интеллектуальных агентов

 

Современные сферы применения многоагентных систем

Интерес к многоагентным системам переместился из сферы академических исследований в сферу коммерческих и промышленных приложений, идеи и методы агентских технологий быстро мигрировали из искусственного интеллекта в практику разработки программного обеспечения.

Сегодня многоагентные системы и приложения нашли широкое применение в разных областях науки, производства и т.д. (табл. 2)

Таблица 2 - Современные сферы применения многоагентных систем

Системы управления и контроля сложными процессами в промышленности и экономике:

  • Управление, реинжиниринг производства
  • Виртуальные предприятия
  • Перевозки и цепочки поставок
  • Переработка отходов
  • Склад и логистика
  • Рынок и конкуренция
  • Фондовые рынки
  • Динамика персонала
  • Управление проектами
 Поисковые системы в сети Интернет
Электронная коммерция
Системы управления и контроля сложными процессами в медицине

Моделирование социальных процессов и явления:

  • Динамика населения
  • Здравоохранение
  • Экосистемы
  • Распространение эпидемий
  • Угрозы биологических войн
Системы телекоммуникации, энергетические сети
Транспорт и движение пешеходов
Компьютерные игры и киноиндустрия

Пример агентного приложения

Агентное приложение «Лабиринт» [6], разработанное в инструментальной среде Zeus, демонстрирует взаимодействие агентов, обладающих реактивным поведением.

Агент Environment ответственен за сохранение модели лабиринта. Он хранит координаты места нахождения агентов-участников в лабиринте, руководит их продвижением в лабиринте в зависимости от находящихся на их пути преградах.

Агент графически отображает лабиринт и местоположение агентов на экране.

Агенты-участники Red, Blue и Green пытаются найти выход из лабиринта. Т.к. они ничего не знают о модели лабиринта, они обращаются к агенту Environment за указанием, в каком направлении двигаться дальше.

Каждый агент-участник посредством интерфейса с пользователем сообщает ему координаты своего текущего положения в лабиринте.

База знаний агентов представлена онтологией, содержащей факты о:

  • текущем положении агента в лабиринте
  • текущей преграде на его пути
  • новом шаге агента-участника

Поведение всех агентов задается набором продукционных правил. Каждое правило описывает реактивные действия агентов в зависимости от сложившихся предусловий.

 Агентное приложение «Лабиринт», созданное средствами среды Zeus

Рисунок 1 - Пример агентного приложения «Лабиринт», созданного средствами инструментальной среды Zeus
(анимация - разрешение: 408 x 484 px; объем: 17.7 kb; кадров: 7; задержка между кадрами: 1с; количество повторений: 5)


 

Будущее развитие многоагентных систем

По мнению специалистов, большие перспективы развития персонифицированных «агентов-помощников» пользователей связаны с направленным поиском информации в сети Интернет с учетом ее семантических и прагматических характеристик, а также поддержкой принятия многокритериальных, трудноформализуемых решений.

Также следует ожидать широкого распространения недавно появившегося понятия agentware, которое характеризует новые архитектурные принципы организации обработки информации на основе агентов.

Основные направления развития многоагентных систем и искусственного интеллекта в целом отражены с работах Осипова Г.С. [2], Поспелова Д.А. [3].

Задача разработки виртуальных (искусственных) организаций и сообществ [4], состоящих из виртуальных агентов, является естественным развитием проблематики многоагентных систем.

Уровни исследований в искусственном интеллекте
Рисунок 2 - Уровни исследований в искусственном интеллекте

В рамках агентно-ориентированного подхода виртуальная (искусственная) организация понимается как сетевая (или, даже, межсетевая), компьютерно интегрированная организация, состоящая из неоднородных, свободно взаимодействующих многоагентных систем, находящихся в различных местах.

По мнению Тарасова В.Б., в будущем в информатике и искусственном интеллекте важное место займут такие направления как синергетическая информатика и самоорганизующийся искусственный интеллект [4]. В центре их внимания будут находиться способы кооперации и сценарии эволюции сложных компьютерных систем, вопросы интеграции сетевых и интеллектуальных технологий, проблемы деятельности искусственных агентов, спонтанные механизмы зарождения интеллектуальных (в особенности, многоагентных) систем и т.п.

 

Перечень ссылок

  1. Городецкий В.И., Грушинский М.С., Хабалов А.В. Многоагентные системы (обзор) [Электронный ресурс] / В.И. Городецкий, М.С. Грушинский, А.В. Хабалов. – Режим доступа: http://www.raai.org/library/ainews/1998/2/GGKHMAS.ZIP
  2. Осипов Г.С. Искусственный интеллект: состояние исследований и взгляд в будущее [Электронный ресурс] / Г.С. Осипов. – Режим доступа: http://www.raai.org/about/persons/osipov/pages/ai/ai.html
  3. Поспелов Д.А. Десять «горячих точек» в исследованиях по искусственному интеллекту [Электронный ресурс] / Д.А. Поспелов. – Режим доступа: http://alt-future.narod.ru/Ai/pospelov.htm
  4. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям [Электронный ресурс] / В.Б. Тарасов. – Режим доступа: http://www.yugzone.ru/x/tarasov-v-b-ot-mnogoagentnykh-sistem-k-intellektual-nym-organizacsiyam/
  5. Швецов А.Н. Агентно-ориентированные системы: от формальных моделей к промышленным приложениям [Электронный ресурс] / А.Н. Швецов. – Режим доступа: http://www.ict.edu.ru/lib/index.php?id_res=5656
  6. Collis J., Thompson S. Case Study 3: Maze Navigator. Creating Rule-based Agents with ZEUS [Электронный ресурс]