ДонНТУ > Портал магистров

• Об авторе

• Биография

• Библиотека

• Ссылки

• Отчет о поиске

• Индивидуальный раздел

• Цели и задачи
• Актуальность темы
• Научная новизна
• Планируемые практические результаты
• Обзор исследований и разработок по теме
• Теория агентно-ориентированных систем
• Интеллектуальный агент
• Мультиагентные системы
• MadKit
• Модель агента в MadKit
• Взаимодействие агентов в MadKit
• Пример агентной модели процесса распространения вируса
• Выводы
• Список ссылок

Цели и задачи

Целью исследования является изучение многоагентных систем, возможности применения агентно-ориентированного подхода для решения задачи, а также реализация программного продукта с использованием агентной системы MadKit.

Задачи исследования:

• Обзор методологий и инструментальных средств анализа и проектирования многоагентных систем.

• Построение агентно-ориентированных моделей.

• Выбор архитектуры программных агентов.

• Выбор метода взаимодействия агентов.

• Анализ инструментальной среды MadKit.

• Программная реализация многоагентной системы

• Анализ результатов моделирования.

Актуальность темы

Мультиагентные системы – одно из новых перспективных направлений в программной инженерии и искусственном интеллекте, которое сформировалось на основе результатов, полученных в рамках работ по распределённому искусственному интеллекту, распределённому решению задач и параллельному искусственному интеллекту.

Актуальность МАС в настоящее время обусловливают следующие основные причины:

• Сложность современных систем и организаций, которая достигает такого уровня, что централизованное управление в них становится неэффективным из-за наличия огромных потоков информации;
  

• Сами решаемые задачи или разрабатываемые системы подчас неоднородны и распределены в пространстве и в функциональном плане, поскольку ни один человек не может создать современную сложную систему в одиночку;
  

• Эволюция программного обеспечения происходит в сторону его разработки на основе автономных, индивидуализированных, взаимодействующих модулей;
  

• Распространение различных сетей порождает распределенный взгляд на мир.
  

В целом, мультиагентные технологии обеспечивают следующие важные преимущества:

• являются инновационными продуктами нового поколения и несут в себе качественно новые возможности: хорошо известные или новые сложные проблемы решаются новым, продуктивным и эффективным способом;
  

• характеризуются гибкостью: они работают, динамично реагируя на изменения и постоянно улучшая решения в реальном времени;
  

• интеллектуальны: агенты не только следуют заданным процессам, но и анализируют ситуацию и ищут способ решения задачи, что гарантирует нахождение лучшего возможного решения;
  

• учитывают с разной степенью важности даже мельчайшие факторы, необходимые для принятия решений: принимаемые решения персонализированы, индивидуализированы и отвечают требованиям всех участников;
  

• обладают высокой производительностью;
  

• характеризуются высокой скоростью реакции на события и быстротой нахождения решения задачи;
  

• позволяют корректировать результаты работы системы;
  

• способны обучаться.
  

Главным недостатком МАС является непредсказуемость поведения полной системы [2], основанной на её составляющих компонентах, поскольку нет никакого «общего» управления безопасностью. В результате агент может действовать как нарушитель и использовать систему «мошеннически».

Таким образом, агентно-ориентированные среды могут служить эффективными средствами изучения, исследования и решения сложных проблем в широком спектре предметных областей.

Научная новизна

Моделирование поведения человека (людей) невозможно с помощью математического аппарата, потому что невозможно описать поведение человека ограниченным набором математических функций. Поэтому агентно-ориентированный подход является идеальным для моделирования поведения людей, т.к. интеллектуальный агент изначально имеет базовые знания, опираясь на которые он себя ведет определенным образом. С течением времени интеллектуальный агент «набирается опыта», изменяются либо расширяются знания и, следовательно, изменяется поведение.

В разрабатываемой мной системе используется многоагентная среда MadKit, что обусловливает отличие от всех других подобных систем.

Планируемые практические результаты

Практические результаты заключаются в следующем:

• Развитие нового научного направления многоагентных систем

• Повышения качества моделирования социально-экономических процессов за счет использования интеллектуальных агентов.

• Проведение анализа результатов моделирования, оценка приближенности модели к действительности

Обзор исследований и разработок по теме

Мультиагентный подход используется для моделирования экономической системы в [4]. В [4] выделены четыре вида нестационарности внешней среды и предложен алгоритм решения задач для трёх из них. Алгоритм основан на применении мультиагентного подхода, который позволяет организовать распределённые вычисления, что позволит снизить время их выполнения Данный алгоритм может быть реализован и без использования мультиагентной системы. Однако при достаточно больших значениях объём вычислений будет достаточно велик. Формализовать прогнозирование в условиях нестационарности четвёртого вида затруднительно, поскольку этот вид нестационарности предполагает революционные изменения внешней среды, и, как следствие, непригодность накопленных данных для построения прогноза. В такой ситуации для решения задачи построения прогноза целесообразно привлечение экспертов либо построение нелинейной непараметрической модели, например, мультиагентной, алгоритмы поведения агентов в которой представляют собой направление дальнейших исследований.

Использование мультиагентного подхода в телемедицине приведено в [5]. В статье приводится опыт клинических телеконсультаций в Узбекистане, обсуждается новая концепция интеллектуализации телемедицины, реализуемая на базе технологий грид и мультиагентных систем. Гриды обеспечивают инфраструктуру, протоколы и промежуточное программное обеспечение, посредством которых можно обнаруживать, агрегировать и осваивать ресурсы. Агентские технологии создают автономные решатели задач, которые могут целенаправленно и аргументировано действовать в условиях динамично изменяющейся среды грид. Сочетание этих технологий создают новую перспективу развития теоретических и прикладных исследований в телемедицине.

Мульагентный подход также используется для моделирования клеточных автоматов. Аналитико-имитационное моделирование регулярных и статистически однородных больших сетевых структур (включая сети с очередями), предпринятое в целях выявления асимптотики их структурных свойств и развивающееся по схеме клеточных автоматов – решетки – больших сетевых структур, реализуемо в своей экспериментальной части в среде моделирования RepastS. Эта среда предоставляет развитые средства мультиагентного моделирования, мощный интерактивный графический интерфейс, методы создания разнообразных гридов (сетевых пространств деятельности агентов) и имеет высокую производительность [6]. Предварительные эксперименты свидетельствуют о реализуемости изложенной программы исследований и в ее теоретической части: с ростом размеров регулярных или статистически однородных структур обнаруживаются устойчивые асимптотические законы, выявляются ключевые параметры и определяются их критические значения, которые позволяют эффективно решать задачи синтеза больших сетевых структур.

Необходимость принятия большого количества управленческих решений администрацией муниципального образования (МО), направленных на развитие и модернизацию городской инфраструктуры, делает актуальным использование автоматизированных систем поддержки принятия решений (СППР). СППР на основе имитационной модели МО способна стать инструментом комплексного анализа и прогноза развития ситуации в городе, позволяя оценить возможные риски реализации тех или иных проектов, их влияние друг на друга и на качество жизни горожан [7]. Целесообразность применения аппарата мультиагентного имитационного моделирования для прогнозирования последствий при поиске эффективных управленческих решений в МО очевидна. Взаимодействие подмножеств агентов между собой в тех или иных условиях, с учетом принимаемых администрацией решений, дает целостную картину ситуации в городе. Внедрение полнофункциональной СППР сократит время, затрачиваемое на принятие решения, финансовые затраты на «ручные» расчеты и сбор информации, а также позволит интерактивно «проигрывать» различные варианты развития ситуаций, что позволит повысить обоснованность принятия стратегических решений руководителями высшего и среднего звена администрации МО.

Многоагентное моделирование используется для исследования механизмов защиты информации в сети Интернет в статье [8]. В статье рассмотрен предлагаемый подход к многоагентному моделированию процессов защиты информации. Подход представлен на примере антагонистического противоборства двух команд агентов: агентов реализации атак и агентов защиты от данного класса атак. Рассмотрены особенности подхода, описана разработанная среда моделирования и представлены некоторые из сценариев моделирования. Проведенные эксперименты показали возможность использования предложенного подхода для моделирования механизмов защиты и для анализа проектируемых сетей. Они продемонстрировали также, что использование кооперации нескольких команд и комбинированного адаптивного применения различных механизмов защиты ведет к существенному повышению ее эффективности. Направления дальнейших работ связаны с исследованием механизмов защиты от различных типов атак, а также с совершенствованием системы моделирования.

Для моделирования рыночных отношений также применяется многоагентная система в [9]. Для промышленности такой подход позволит повысить конкурентоспособность выполнения проектов в результате улучшения графика, эффективного использования ресурсов, тесного взаимодействия среди субподрядчиков. Метод распределенной координации представляет основу для разработки мультиагентной системы планирования и управления, которая поможет субподрядчикам произвести выбор времени действий, идентифицировать и анализировать собственные ограничения ресурсов в данном графике, предсказывать результат перепланирования действий, координировать различные перспективы планирования, сотрудничая в направлении лучшего решения.

В настоящее время на многих предприятиях и в организациях существует необходимость проведения быстрого анализа ситуации на рынке и принятия решения в короткие сроки. Для минимизации рисков, связанных с неточностью и необоснованностью решений, разрабатываются системы поддержки принятия решений (СППР). Основной функцией СППР является генерация различных альтернатив решений для определенной ситуации, возникшей в конкретном процессе преобразования ресурсов (ППР) [10]. Среди методов моделирования наиболее полно проблемной области ППР соответствует мультиагентное моделирование. В результате проведенных научных исследований, разработан программный комплекс имитационного моделирования и поддержки принятия решений, позволяющий вырабатывать эффективные управленческие решения на предприятиях и организациях различного типа; создавать модели процессов преобразования ресурсов с использованием возможности разработки сценариев поведения агентов и коалиций; проводить имитационные эксперименты с использованием механизма составления планов действий агентов и коалиций.

Многоагентное моделирование конкуренции фирм на рынке, борьба за максимальную прибыль и долю на рынке описана в [11]. Приведенные результаты мультиагентной имитации вскрывают и объясняют механизм стратегий ценообразования активных элементов в маркетинговой среде и позволяют прогнозировать процессы стабилизации рынка при различных экономических и социальных возмущениях с выбором оптимальных маркетинговых стратегий в соответствии со спросом и предложениями в текущих условиях.

Разработка виртуальной кафедры представляется актуальной задачей современного образовательного процесса, так как позволяет перенести часть нагрузки с преподавательского состава на систему, более гибко взаимодействовать со студентами, использовать индивидуальный подход. Разработка МАС обучения студента по дисциплине приведена в [12, 13]; дистанционная МАС – в [14].

Использование интеллектуальных агентов в поточном производстве также актуальная задача, т.к. постоянно меняется схема производства, необходимо сокращение времени производства, надежность, гибкость конфигурации продукта, масштабируемость объема выпуска. Разработка подобных МАС приведена в [15, 16].

Также существует перспектива использования многоагентного подхода в создании Грид. Основное задание Грид – координирование коллекций ресурсов. Использование агентных систем для планирования задач в Грид даст возможность развязать две основные проблемы – масштабируемости и адаптивности. Применение Грид систем позволяет значительно повысить скорость и качество вычислений, особенно в случае использования слабосвязанных гетерогенных вычислительных комплексов. В [17] описана архитектура современной Грид системы на основе программных агентов.

Также актуальны разработки многоагентных систем для команд роботов. В [18] рассматриваются групповые (командные) алгоритмы стратегического и тактического уровней управления командой роботов. Анализ указанных схем соревнований роботов-футболистов показывает, что, несмотря на различие конструкций таких роботов, и технических решений, принятых при их построении, в схемах соревнований роботов много общего в верхних, стратегических, уровнях управления игроками, что позволяет поставить задачу их отработки с помощью единых средств моделирования. В качестве такой системы в данной работе при разработке алгоритма управления использовалась система «Виртуальный футбол».

Теория агентно-ориентированных систем

Интеллектуальный агент

Интеллектуальным называется агент, который способен действовать автономно и гибко (flexible) для достижения поставленных перед ним целей, при этом под гибкостью понимают:

• реактивность (reactivity) или действенность: интеллектуальные агенты способны воспринимать окружающую их среду и своевременно реагировать на изменения, которые происходят в среде, для достижения поставленных перед ними целей;
  

• про-активность (pro-activity) или целеустремленность: интеллектуальные агенты способны демонстрировать целенаправленное поведение путем проявления инициативы в достижении поставленных перед ними целей;
  

• способность к общественной деятельности (social ability) или коллективность: интеллектуальные агенты способны взаимодействовать друг с другом (и, возможно, с человеком) для достижения поставленных перед ними целей.
  

Обобщенная функциональная структура агента состоит из 5 блоков (рис.1):

Рис.1 – Обобщенная функциональная структура агента (S – сенсорная система, E – блок оценки, D – блок принятия решений, A – исполнительная система, C – блок информационного взаимодействия с другими агентами)

• S (sense) – сенсорная система; отвечает за получение информации про состояние среды, например, в виде значений параметров, которые измеряются датчиками сенсорной системы (температура, давление, радиоактивность), или в виде изображений полученных с помощью видеокамеры.

• C (communicate) – блок информационного взаимодействия с другими агентами; обеспечивает обмен информацией определенного содержания и формата с соседними агентами.
  

• E (estimate) – блок оценки; формирует сигнал выигрыша или проигрыша на основании информации про текущее состояние среды и информации от блока информационного взаимодействия.
  

• D (decide) – блок принятия решений; отвечает за выбор следующего действия, исходя из информации об успешности предыдущих действий (пример: автомат с линейной тактикой, который обеспечивает сходимость к выигрышному решению в условиях стационарной случайной среды).
  

• A (actuate) – исполнительная система; обеспечивает исполнение (реализацию) выбранных действий (принятых решений) (например, реализует перемещение агента в пространстве в выбранном направлении)
  

Мультиагентные системы

Многоагентные системы (МАС) – объединение отдельных интеллектуальных систем.

Можно дать формализованное определение многоагентной системы:

где MAS – многоагентная система, А – множество агентов, Е – множество сред, находящихся в определенных отношениях R и взаимодействующих друг с другом, формирующие некоторую организацию ORG, обладающих набором индивидуальных и совместимых действий ACT (стратегия поведения и поступков), включая возможные коммуникативные действия COM и возможность эволюции EV.

Чтобы сделать МАС готовыми к промышленному применению, некоммерческая ассоциация под названием FIPA, предложила ряд норм и стандартов, которые разработчики мультиагентных систем должны выполнять, чтобы МАС были совместимым с другими системами:

• Агент может связаться с любым другим агентом
  

• Агент предоставляет ряд услуг, которые доступны любому агенту в системе.
  

• Каждый агент обязан ограничить свою доступность от других агентов.
  

• Каждый агент обязан определить свое отношение, контракты, и т.д. с другими агентами. Таким образом, агент "знает" непосредственно набор агентов, с которыми он может взаимодействовать.
  

• Каждый агент содержит со своим именем свой путь (понятие ID Агента). Поэтому, агенты, как предполагается, автономны, и нет ограничений на способ взаимодействия.
  

Недостатки МАС [21]:

• Главный недостаток МАС – непредсказуемость поведения полной системы, основанной на ее составляющих компонентах.

• Безопасность приложений. Поскольку нет никакого "общего" управления безопасностью, агент может действовать как нарушитель и использовать систему мошеннически.

• Модульный принцип. При классической разработке программного обеспечения объекты, которые тесно взаимодействуют, сгруппированы в модули или "пакеты". Для каждого модуля определены правила видимости. Это не возможно в МАС, т.к. все агенты должны быть доступны друг другу.

MadKit

В качестве инструментальной среды разработки была выбрана система MadKit. MadKit является набором пакетов, классов Java, которые реализует ядро агента, различные библиотеки сообщений и агентов [23]. Она также включает в себя графическую среду разработки и стандартные модели агента. Архитектура MadKit основана на очень маленьком ядре. Базовые службы, такие как: распределенная передача сообщений, миграция или контроль – осуществляются агентами платформы для максимальной гибкости. Компонентная интерфейсная модель позволяет устанавливать интерфейсы для различных агентов и управляет ими в глобальном GUI.

Архитектура платформы MADKIT основана на AGR (Agent/Group/Role) модели, известной как AALAADIN (рис. 2). Модель AGR основана на трех примитивных понятиях: агент, группа и роль, которые структурно соединены и не могут быть определены другими примитивами.

Рис. 2 – Модель AALAADIN

Агент – активный объект передачи сообщений, который играет роли в пределах групп. Агент может играть несколько ролей, и может быть членом нескольких групп. Одна из самых важных характеристик модели AGR – то, что нет никаких ограничений, наложенных на внутреннюю архитектуру агента, его поведение, его возможности. Важно, чтобы сделать модель настолько универсальной, насколько это возможно.

Группа – ряд агентов, совместно использующих некоторые общие характеристики. Агент может быть членом нескольких групп в одно и то же время. Важный пункт групп AALAADIN – то, что они могут свободно накладываться. Группа может быть основана любым агентом.

Роль – абстрактное представление функциональной позиции агента в группе. Агент должен играть роль в группе; агент может играть несколько ролей. Роли локальны для групп, и агент должен запросить роль для её выполнения. Несколько агентов могут играть одну роль. Таким образом, роль – абстрактное понятие, которую могут играть один или много агентов.

Модель агента в MadKit

Структура агента в MadKit приведена на рис. 3.

 

Рис. 3 – Структура модели агента в MadKit

Агент в MadKit состоит из  4 обязательных разделов [24]:

• Раздел активации (activate section), содержащий некоторый программный код, который будет выполняться непосредственно после создания агента.

• Раздел «жизнь» (live section), который содержит основной программный код, описывающий поведение агента. Обычно, этот раздел содержит бесконечный цикл.

• Раздел «завершения» (end section), содержащий некоторый код, который выполняется, когда агент уничтожается.

• Графический раздел (initGUI section), содержащий описание компонента Java, который должен использоваться в качестве графического интерфейса агента, и предназначен для замены графического интерфейса по умолчанию.

MadKit не налагает на архитектуру агентов никаких ограничений для достижения максимальной универсальности приложений.

Взаимодействие агентов в MadKit

Взаимодействие агентов в MadKit осуществляется с помощью асинхронной передачи сообщений. Агент может отправить сообщение другому агенту, определяемому его адресом или с помощью широковещательного сообщения, которое передают агентам, играющим данную роль в определенной группе.

MadKit обеспечивает несколько видов предопределенных сообщений, таких как StringMessage, XMLMesssage и ActMessage. С помощью последнего вида сообщения можно определить следующие подвиды сообщений: ACLMessages и KQMLMessages [24]. Также есть возможность определить свой собственный класс сообщения, который будет наследоваться от класса сообщения по умолчанию.

У каждого агента есть свой «почтовый ящик», в который доставляются сообщения и который должен проверять агент для получения сообщения.

Пример агентной модели процесса распространения вируса

С помощью системы MadKit создана агентная модель распространения вирусов. Моделируемая среда представляет собой набор объектов (допустим, людей), определенное количество которых заражены вирусом, а остальные – нет. Все объекты двигаются определенным образом в произвольном направлении. Заражение происходит при непосредственном столкновении здорового и зараженного объектов или может произойти в некотором радиусе от зараженного объекта.

Несколько состояний моделируемого процесса распространения вирусов показано на рис. 4. В этом примере здоровые объекты обозначены зеленым цветом, заражённые – красным.

Рис.4 – Моделирование процесса распространения вируса средствами инструментальной среды MadKit
(анимация - разрешение: 196 x 214 px; объем: 36.6 kb; кадров: 6; задержка между кадрами: 0.5с; количество повторений: 6)

Параллельно визуальному моделированию пошагово строится график зависимости количества зараженных объектов от времени.

С помощью оконного интерфейса можно задавать начальные параметры моделирования.

Данная модель может быть применена для изучения следующих процессов:

• эпидемия гриппа в местах скопления людей;

• распространение слухов в социальных сетях;

• распространение информации в рабочем коллективе, студенческой группе, группе родственников, в группе знакомых людей и т.д.

Выводы

Инструментальная среда MadKit является универсальной мультиагентной платформой. Этот инструментарий основан на организационной модели AGR. Архитектура MadKit основана на микроядре [23]. Базовые службы, такие как: распределенная передача сообщений, миграция или контроль – реализованы агентами платформы для достижения максимальной гибкости. Компонентная интерфейсная модель позволяет устанавливать интерфейсы для различных агентов.

Есть примеры удачного использования MadKit в проектах, касающихся широкого диапазона приложений от моделирования гибридной архитектуры для управления подводных роботов до оценки социальных сетей или исследованию мультиагентного управления на производственной линии.

Методика, используемая в MadKit, является достаточно простой в применении.

Большим преимуществом данной инструментальной среды является тот факт, что она не налагает никаких ограничений на архитектуру агентов для достижения максимальной универсальности приложений. Например, сейчас общепризнанной является BDI-архитектура, а через некоторое время, возможно, будет использоваться другая новая архитектура интеллектуального агента. В данном случае разработчикам агентных систем не нужно будет изучать другую инструментальную среду для использования новой архитектуры.

Взаимодействие агентов осуществляется с помощью сообщений различных типов, также есть возможность создавать свои типы сообщений. Большое разнообразие типов сообщений можно отнести к положительным характеристикам среды. Агенты могут взаимодействовать как в сети, так и на одном компьютере из одной или разных сессий моделирования.

Система MadKit является удобным инструментом для разработки МАС, т.к. она имеет множество визуальных элементов, которые упрощают работу. Например, в MadKit есть дерево отношений агентов, которая содержит информацию о том, к какой группе относятся агенты, какую роль играют и т.д., таблица сообщений, содержащая сведения об агенте-отправителе, агенте-получателе, дате, времени и т.д., автоматически строится временная диаграмма, есть возможности для построения визуализации МАС.

Таким образом, принципиальных недостатков в инструментальной среде MadKit обнаружено не было. MadKit отвечает современным требованиям и в дальнейшем планируется применение её для разработки моделей поведения человека в социально-экономической среде.

Список ссылок

1. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям [Электронный ресурс]. – Режим доступа: http://www.burnlib.com/x/tarasov-v-b-ot-mnogoagentnykh-sistem-k-intellektual-nym-organizacsiyam/

2. Бочкарев O. Теория коллективного поведения [Электронный ресурс]. – Режим доступа: http://www.krelib.com/files/technique/Poved_Bosch.pdf

3. Городецкий В.И., Грушинский М.С., Хабалов А.В. Многоагентные системы [Электронный ресурс]. – Режим доступа: http://www.raai.org/library/ainews/1998/2/GGKHMAS.ZIP

4. Меркулова Т.В., Акулов Н.В. Мультиагентный подход к моделированию экономической системы в условиях нестационарной внешней среды [Электронный ресурс]. – Режим доступа: http://www.nbuv.gov.ua/Portal/Soc_Gum/Bi/2009_4/4(2)/117-119.pdf

5. Адылова Ф.Т. Технология грид и мультиагентных систем: новая парадигма развития телемедицины [Электронный ресурс]. – Режим доступа: http://www.nbuv.gov.ua/portal/Chem_Biol/Ujtm/2008_2/2008_2_8.pdf

6. Задорожный В.Н., Юдин Е.Б. Мультиагентный подход в имитационном моделтровании клеточных автоматов и сетевых структур – ИММОД 2007 с 72-77 [Электронный ресурс]. – Режим доступа: http://window.edu.ru/window_catalog/files/r63711/immod-mat-2.pdf

7. Клебанов Б.И., Москалев И.М., Бегунов Н.А., Крицкий А.В.  Мультиагентная имитационная модель муниципального образования – ИММОД 2007 с 86-90 [Электронный ресурс]. – Режим доступа: http://window.edu.ru/window_catalog/files/r63711/immod-mat-2.pdf

8. Котенко И.В. Многоагентное моделирование для исследования механизмов защиты информации в сети Интернет – ИММОД 2009 с 38-47 [Электронный ресурс]. – Режим доступа: http://www.spiiras.nw.ru/files/conferences/IMMOD-2009/IMMOD-2009-1.pdf

9. Гулаков В.К., Буйвал А.К., Паршиков П.А. Моделирование координации субподрядчиков путем коммуникации программных агентов с компенсацией невыгодных соглашений и передачей полезности – ИММОД 2009 с 235-240 [Электронный ресурс]. – Режим доступа:http://www.spiiras.nw.ru/files/conferences/IMMOD-2009/IMMOD-2009-1.pdf

10. Зраенко А.С., Аксенов К.А. Разработка комплекса имитационного моделирования коалиций агентов BPSIM.KIT – ИММОД 2009 с 262-264 [Электронный ресурс]. – Режим доступа: http://www.spiiras.nw.ru/files/conferences/IMMOD-2009/IMMOD-2009-1.pdf

11. Ивашкин Ю.А. Мультиагентное имитационное моделирование больших активных систем – ИММОД 2009 с 266-271 [Электронный ресурс]. – Режим доступа: http://www.spiiras.nw.ru/files/conferences/IMMOD-2009/IMMOD-2009-1.pdf

12. Грач Е.Г. Модель предприятия как интеллектуальная искусственная система для анализа и управления на основе знаний [Электронный ресурс]. – Режим доступа: http://masters.donntu.ru/2006/fvti/grach/diss/index.htm

13. Лямин Р.В. Многоагентная система обучения студентов на кафедральном уровне [Электронный ресурс]. – Режим доступа: http://masters.donntu.ru/2008/fvti/lyamin/diss/index.htm

14. Зайцев И.М Модели коллективного поведения интеллектуальных агентов в многоагентных системах моделирования и управления предприятием [Электронный ресурс]. – Режим доступа: http://masters.donntu.ru/2009/fvti/zaytsev/diss/index.htm

15. Терзі І. Аналіз і розробка механізмів координації й співробітництва для агентно-орієнтованих систем [Электронный ресурс]. – Режим доступа: http://masters.donntu.ru/2005/fvti/terzi/diss/index.htm

16. Зудикова Ю.В. Оценка эффективности многоагентного моделирования систем с распределенным интеллектом [Электронный ресурс]. – Режим доступа: http://masters.donntu.ru/2010/fknt/zudikova/links/index.htm

17. Евдокимов А.А. Разработка и исследование программных агентов для распределённых вычислений в Грид среде [Электронный ресурс]. – Режим доступа: http://masters.donntu.ru/2009/fvti/evdokimov/diss/index.htm

18. Гаврик С.С. Разработка системы управления командой роботов-футболистов [Электронный ресурс]. – Режим доступа: http://masters.donntu.ru/2006/kita/gav/diss/index.htm

19. Блог – Агенты  и мультиагентные системы [Электронный ресурс]. – Режим доступа:http://agentlab.ru/confluence/pages/viewpage.action?pageId=6619475

20. Т.В. Солодуха Мультиагентные системы в экономике [Электронный ресурс]. – Режим доступа: http://2010.it-edu.ru/docs/Sekzii_4-5/20_Soloduha_1253475363569911.doc

21. Jacques Ferber, Olivier Gutknecht, Fabien Michel From Agents to Organizations: an Organizational View of Multi-Agent Systems [Электронный ресурс]. – Режим доступа: http://www.lirmm.fr/~fmichel/publi/pdfs/ferber04ocmas.pdf

22. Jacques Ferber, Olivier Gutknecht, Fabien Michel The MADKIT Agent Platform Architecture [Электронный ресурс]. – Режим доступа: http://www.madkit.net/documents/others/MadkitTechnicalReport.pdf

23. Muhammad Sohail MADKIT (Multi-Agent Development Kit) : A generic multi-agent platform [Электронный ресурс]. – Режим доступа: http://perso.limsi.fr/jps/enseignement/examsma/2005/1.plateformes_2/SOHAIL/SOHAIL.htm

24. Лукина Ю.Ю., Федяев О.И. Технология создания мультиагентных систем в инструментальной среде MadKit

Примечание

При написании данного автореферата магистерская работа еще не завершена. Окончательное завершение – 1 декабря 2011 г. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.