Лукіна Юлія Юріївна

Факультет комп'ютерних наук і технологій
Кафедра прикладної математики та інформатики
Спеціальність «Програмне забезпечення автоматизованих систем»

Керівник: к.т.н., доц. Федяєв Олег Іванович

Реферат з теми «Агентно-орієнтовані програмні моделі поведінки людини в соціально-економічному середовищі»

Цілі та задачі

Метою дослідження є вивчення многоагентних систем, можливості використання агентно-орієнтованого підходу для вирішення задач, а також реалізація програмного продукту з використанням агентной системи Madkit.
Задачі дослідження:

  • Огляд методологій та інструментальних засобів аналізу і проектування многоагентних систем.

  • Побудова агентно-орієнтованіх моделей.

  • Вибір архітектури програмних агентів.

  • Вибір методу взаємодії агентів.

  • Аналіз інструментального середовища Madkit.

  • Програмна реалізація многоагентної системи.

  • Аналіз результатів моделювання.

Актуальність теми

Мультіагентні системи (МАС) – один з нових перспективних напрямів штучного інтелекту, який сформувався на основі результатів досліджень в області розподілених комп'ютерних систем, мережевих технологій вирішення проблем і паралельних обчислень.
Актуальність МАС в даний час обумовлюють наступні основні причини:

  • Складність сучасних систем і організацій, яка досягає такого рівня, що централізоване управління в них стає неефективним через наявність величезних потоків інформації;

  • Самі задачі, що вирішуються, або системи, що розроблюються, часом неоднорідні та розподілені в просторі та у функціональному плані, оскільки жодна людина не може створити сучасну складну систему поодинці;

  • Еволюція програмного забезпечення відбувається в бік його розробки на основі автономних, індивідуалізованих, взаємодіючих модулів;

  • Поширення різних мереж породжує розподілений погляд на світ.

У цілому, мультиагентні технології забезпечують наступні важливі переваги:

  • є інноваційними продуктами нового покоління і несуть в собі якісно нові можливості: добре відомі або нові складні проблеми вирішуються новим, продуктивним і ефективним способом;

  • характеризуються гнучкістю: вони працюють, динамічно реагуючи на зміни і постійно покращуючи рішення в реальному часі;

  • інтелектуальні: агенти не тільки слідують заданим процесам, а й аналізують ситуацію і шукають спосіб вирішення задачі, що гарантує знаходження найкращого можливого рішення;

  • враховують з різним ступенем важливості навіть найдрібніші чинники, необхідні для прийняття рішень;

  • є високопродуктивними;

  • характеризуються високою швидкістю реакції на події і швидкістю знаходження рішення задачі;

  • дозволяють корегувати результати роботи системи;

  • здатні до навчання.

Головним недоліком МАС є непередбачуваність поведінки повної системи [2], заснованої на її складових компонентах, оскільки немає ніякого «загального» управління безпекою. У результаті агент може діяти як порушник і використовувати систему як «шахрай».
Таким чином, агентно-орієнтовані середовища можуть служити ефективними засобами вивчення, дослідження і вирішення складних проблем у широкому спектрі предметних областей.

Наукова новизна

Моделювання поведінки людини (людей) неможливо за допомогою математичного апарату, тому що неможливо описати поведінку людини обмеженим набором математичних функцій. Тому агентно-орієнтований підхід є ідеальним для моделювання поведінки людей, тому що інтелектуальний агент спочатку має базові знання, спираючись на які він себе веде певним чином. З плином часу інтелектуальний агент «набирається досвіду», змінюються або розширюються знання і, отже, змінюється поведінка.
У системі, що розроблюється мною, використовується многоагентна середа MadKit, що обумовлює відміну від всіх інших подібних систем.

Плановані практичні результати

Практичні результати полягають у наступному:

  • Розвиток нового наукового напрямку мультиагентних систем

  • Підвищення якості моделювання соціально-економічних процесів за рахунок використання інтелектуальних агентів.

  • Проведення аналізу результатів моделювання, оцінка наближеності моделі до дійсності.

Огляд досліджень і розробок по темі

Мультиагентний підхід використовується для моделювання економічної системи в [4]. У [4] виділені чотири види нестаціонарності зовнішнього середовища та запропоновано алгоритм рішення задач для трьох з них. Алгоритм заснований на застосуванні мультиагентної підходу, який дозволяє організувати розподілені обчислення, що дозволить знизити час їх виконання. Даний алгоритм може бути реалізований і без використання мультиагентної системи. Однак при досить великих значеннях обсяг обчислень буде досить великий. Формалізувати прогнозування в умовах нестаціонарності четвертого виду важко, оскільки цей вид нестаціонарності передбачає революційні зміни зовнішнього середовища, і, як наслідок, непридатність накопичених даних для побудови прогнозу. У такій ситуації для вирішення завдання побудови прогнозу доцільно залучення експертів або побудова нелінійної непараметричної моделі, наприклад, мультиагентної, алгоритми поведінки агентів в якій представляють собою напрямок подальших досліджень.
Використання мультиагентної підходу в телемедицині наведено в [5]. У статті наводиться досвід клінічних телеконсультацій в Узбекистані, обговорюється нова концепція інтелектуалізації телемедицини, реалізована на базі технологій грід і мультиагентних систем. Гріди забезпечують інфраструктуру, протоколи і проміжне програмне забезпечення, за допомогою яких можна виявляти, агрегувати і освоювати ресурси. Агентні технології створюють автономні вирішувачі задач, які можуть цілеспрямовано й аргументовано діяти в умовах динамічно мінливого середовища грід. Поєднання цих технологій створюють нову перспективу розвитку теоретичних і прикладних досліджень в телемедицині.
Мульагентний підхід також використовується для моделювання клітинних автоматів. Аналітично-імітаційне моделювання регулярних і статистично однорідних великих мережевих структур (включаючи мережі з чергами), розпочате з метою виявлення асимптотики їх структурних властивостей і розвивається за схемою клітинних автоматів – решітки – великих мережевих структур, реалізоване у своїй експериментальної частині в середовищі моделювання RepastS [6]. Це середовище надає розвинені засоби мультиагентного моделювання, потужний інтерактивний графічний інтерфейс, методи створення різноманітних грід (мережевих просторів діяльності агентів) і має високу продуктивність. Попередні експерименти свідчать про реалізованість викладеної програми досліджень і в її теоретичній частині: зі зростанням розмірів регулярних або статистично однорідних структур виявляються стійкі асимптотичні закони, виявляються ключові параметри і визначаються їх критичні значення, які дозволяють ефективно вирішувати задачі синтезу великих мережевих структур.
Необхідність прийняття великої кількості управлінських рішень адміністрацією муніципальної освіти (МО), спрямованих на розвиток і модернізацію міської інфраструктури, робить актуальним використання автоматизованих систем підтримки прийняття рішень (СППР). СППР на основі імітаційної моделі МО здатна стати інструментом комплексного аналізу і прогнозу розвитку ситуації в місті, дозволяючи оцінити можливі ризики реалізації тих чи інших проектів, їх вплив один на одного і на якість життя городян [7]. Доцільність застосування апарату мультиагентного імітаційного моделювання для прогнозування наслідків при пошуку ефективних управлінських рішень в МО очевидна. Взаємодія підмножин агентів між собою в тих чи інших умовах, з урахуванням прийнятих адміністрацією рішень, дає цілісну картину ситуації в місті. Впровадження повнофункціональної СППР скоротить час, що витрачається на ухвалення рішення, фінансові витрати на «ручні» розрахунки і збір інформації, а також дозволить інтерактивно «програвати» різні варіанти розвитку ситуацій, що дозволить підвищити обгрунтованість прийняття стратегічних рішень керівниками вищої і середньої ланки адміністрації МО.
Многоагентне моделювання використовується для дослідження механізмів захисту інформації в мережі Інтернет в статті [8]. У статті розглянуто запропонований підхід до многоагентного моделювання процесів захисту інформації. Підхід представлений на прикладі антагоністичного протиборства двох команд агентів: агентів реалізації атак та агентів захисту від даного класу атак. Розглянуто особливості підходу, описана розроблена середа моделювання і представлені деякі з сценаріїв моделювання. Проведені експерименти показали можливість використання запропонованого підходу для моделювання механізмів захисту і для аналізу проектованих мереж. Вони продемонстрували також, що використання кооперації кількох команд і комбінованого адаптивного застосування різних механізмів захисту веде до істотного підвищення її ефективності. Напрями подальших робіт пов'язані з дослідженням механізмів захисту від різних типів атак, а також з удосконаленням системи моделювання.
Для моделювання ринкових відносин також застосовується многоагентна система в [9]. Для промисловості такий підхід дозволить підвищити конкурентоспроможність виконання проектів у результаті поліпшення графіка, ефективного використання ресурсів, тісної взаємодії серед субпідрядників. Метод розподіленої координації представляє основу для розробки мультиагентної системи планування і управління, яка допоможе субпідрядникам зробити вибір часу дій, ідентифікувати та аналізувати власні обмеження ресурсів у даному графіку, передбачати результат перепланування дій, координувати різні перспективи планування, співпрацюючи в напрямі кращого рішення.
В даний час на багатьох підприємствах і в організаціях існує необхідність проведення швидкого аналізу ситуації на ринку і ухвалення рішення в короткі терміни. Для мінімізації ризиків, пов'язаних з неточністю і необгрунтованістю рішень, розробляються системи підтримки прийняття рішень (СППР). Основною функцією СППР є генерація різних альтернатив рішень для певної ситуації, що виникла в конкретному процесі перетворення ресурсів (ППР). Серед методів моделювання найбільш повно проблемної області ППР відповідає мультиагентне моделювання [10]. У результаті проведених наукових досліджень, розроблений програмний комплекс імітаційного моделювання та підтримки прийняття рішень, що дозволяє виробляти ефективні управлінські рішення на підприємствах і організаціях різного типу; створювати моделі процесів перетворення ресурсів з використанням можливості розробки сценаріїв поведінки агентів і коаліцій; проводити імітаційні експерименти з використанням механізму складання планів дій агентів і коаліцій.
Многоагентне моделювання конкуренції фірм на ринку, боротьба за максимальний прибуток і частку на ринку описана в [11]. Наведені результати мультиагентної імітації розкривають і пояснюють механізм стратегій ціноутворення активних елементів в маркетинговому середовищі і дозволяють прогнозувати процеси стабілізації ринку при різних економічних і соціальних обуреннях з вибором оптимальних маркетингових стратегій у відповідності з попитом і пропозиціями в поточних умовах.
Розробка віртуальної кафедри представляється актуальним завданням сучасного освітнього процесу, тому що дозволяє перенести частину навантаження з викладацького складу на систему, більш гнучко взаємодіяти зі студентами, використовувати індивідуальний підхід. Розробка МАС навчання студента з дисципліни наведена в [12, 13]; дистанційна МАС – в [14].
Використання інтелектуальних агентів в потоковому виробництві також актуальне завдання, тому що постійно змінюється схема виробництва, необхідно скорочення часу виробництва, надійність, гнучкість конфігурації продукту, масштабованість обсягу випуску. Розробка подібних МАС наведена в [15, 16].
Також існує перспектива використання многоагентного підходу у створенні Грід. Основне завдання Грід – координування колекцій ресурсів. Використання агентних систем для планування завдань у Грід дасть можливість розв'язати дві основні проблеми – масштабованості і адаптивності. Застосування Грід систем дозволяє значно підвищити швидкість і якість обчислень, особливо у разі використання слабосвязанних гетерогенних обчислювальних комплексів. В [17] описана архітектура сучасної Грід системи на основі програмних агентів.
Також актуальні розробки мультиагентних систем для команд роботів. У [18] розглядаються групові (командні) алгоритми стратегічного і тактичного рівнів управління командою роботів. Аналіз зазначених схем змагань роботів-футболістів показує, що, незважаючи на відмінність конструкцій таких роботів, і технічних рішень, прийнятих при їх побудові, в схемах змагань роботів багато спільного в верхніх, стратегічних, рівнях управління гравцями, що дозволяє поставити завдання їх відпрацювання з допомогою єдиних засобів моделювання. В якості такої системи в даній роботі при розробці алгоритму управління використовувалася система «Віртуальний футбол».

Теорія агентно-орієнтованих систем

Інтелектуальний агент

Інтелектуальним називається агент, який здатний діяти автономно і гнучко (flexible) для досягнення поставлених перед ним цілей, при цьому під гнучкістю розуміють:

  • реактивність (reactivity) або дієвість: інтелектуальні агенти здатні сприймати навколишнє середовище і своєчасно реагувати на зміни, які відбуваються в середовищі, для досягнення поставлених перед ними цілей;

  • про-активність (pro-activity) або цілеспрямованість: інтелектуальні агенти здатні демонструвати цілеспрямовану поведінку шляхом прояву ініціативи в досягненні поставлених перед ними цілей;

  • здатність до громадської діяльності (social ability) або колективність: інтелектуальні агенти здатні взаємодіяти один з одним (і, можливо, з людиною) для досягнення поставлених перед ними цілей.

Узагальнена функціональна структура агента складається з 5 блоків (рис.1):
Узагальнена функціональна структура агента
Рисунок 1 – Узагальнена функціональна структура агента (S – сенсорна система, E – блок оцінки, D – блок прийняття рішень, A – виконавча система, C – блок інформаційної взаємодії з іншими агентами)

  • S (sense) – сенсорна система; відповідає за отримання інформації про стан середовища, наприклад, у вигляді значень параметрів, які вимірюються датчиками сенсорної системи (температура, тиск, радіоактивність), або у вигляді зображень отриманих за допомогою відеокамери.

  • C (communicate) – блок інформаційної взаємодії з іншими агентами; забезпечує обмін інформацією певного змісту та формату з сусідніми агентами.

  • E (estimate) – блок оцінки; формує сигнал виграшу чи програшу на підставі інформації про поточний стан середовища та інформації від блоку інформаційної взаємодії.

  • D (decide) – блок прийняття рішень; відповідає за вибір наступної дії, виходячи з інформації про успішність попередніх дій (приклад: автомат з лінійною тактикою, який забезпечує збіжність до виграшного рішенням в умовах стаціонарного випадкового середовища).

  • A (actuate) – виконавча система; забезпечує виконання (реалізацію) вибраних дій (прийнятих рішень) (наприклад, реалізує переміщення агента в просторі в обраному напрямку)

Мультиагентні системи

Многоагентні системи (МАС) – об'єднання окремих інтелектуальних систем.
Можна дати формалізоване визначення багатоагентної системи:
MAS = (A, E, R, ORG, ACT, COM, EV),                                                                  (1)

де MAS – многоагентних система, А – множина агентів, Е – множина середовищ, що перебувають у певних відносинах R і взаємодіють один з одним, формують деяку організацію ORG, що володіють набором індивідуальних і сумісних дій ACT (стратегія поведінки та вчинків), включаючи можливі комунікативні дії COM і можливість еволюції EV.
Щоб зробити МАС готовими до промислового застосування, некомерційна асоціація під назвою FIPA, запропонувала ряд норм і стандартів, які розробники мультиагентних систем повинні виконувати, щоб МАС були сумісним з іншими системами:

  • Агент може зв'язатися з будь-яким іншим агентом

  • Агент надає ряд послуг, які доступні будь-якому агенту в системі.

  • Кожен агент зобов'язаний обмежити свою доступність від інших агентів.

  • Кожен агент зобов'язаний визначити своє ставлення, контракти, і т.д. з іншими агентами. Таким чином, агент "знає" безпосередньо набір агентів, з якими він може взаємодіяти.

  • Кожен агент містить зі своїм ім'ям свій шлях (поняття ID Агента). Тому, агенти, як передбачається, автономні, і немає обмежень на спосіб взаємодії.

Недоліки МАС:

  • Головний недолік МАС – непередбачуваність поведінки повної системи, заснованої на її складових компонентах.

  • Безпека додатків. Оскільки немає ніякого "​​загального" управління безпекою, агент може діяти як порушник і використовувати систему як «шахрай».

  • Модульний принцип. При класичній розробці програмного забезпечення об'єкти, які тісно взаємодіють, згруповані у модулі чи "пакети". Для кожного модуля визначені правила видимості. Це неможливо в МАС, тому що всі агенти повинні бути доступні один одному.

MadKit

В якості інструментального середовища розробки була обрана система MadKit. MadKit є набором пакетів, класів Java, які реалізує ядро агента, різні бібліотеки повідомлень і агентів. Вона також включає в себе графічне середовище розробки і стандартні моделі агента. Архітектура MadKit заснована на дуже маленькому ядрі. Базові служби, такі як: розподілена передача повідомлень, міграція або контроль - здійснюються агентами платформи для максимальної гнучкості. Компонентна інтерфейсна модель дозволяє встановлювати інтерфейси для різних агентів і керує ними в глобальному GUI.
Архітектура платформи MADKIT заснована на AGR (Agent / Group / Role) моделі, відомої як AALAADIN (рис. 2). Модель AGR заснована на трьох примітивних поняттях: агент, група і роль, які структурно з'єднані і не можуть бути визначені іншими примітивами.
модель АГР
Рисунок 2 – Модель AALAADIN
Агент – активний об'єкт передачі повідомлень, який грає ролі в межах груп. Агент може грати кілька ролей, і може бути членом декількох груп. Одна з найважливіших характеристик моделі AGR – те, що немає ніяких обмежень, накладених на внутрішню архітектуру агента, його поведінку, його можливості. Важливо, зробити модель настільки універсальною, наскільки це можливо.
Група – ряд агентів, які разом використовують деякі загальні характеристики. Агент може бути членом декількох груп в один і той же час. Важливою особливістю груп AALAADIN є те, що вони можуть вільно накладатися. Група може бути заснована будь-яким агентом.
Роль – абстрактне уявлення функціональної позиції агента в групі. Агент повинен відігравати роль у групі; агент може грати кілька ролей. Ролі локальні для груп, і агент повинен запросити роль для її виконання. Кілька агентів можуть грати одну роль.

Модель агента в MadKit

Структура агента в MadKit наведена на рис. 3.
структура моделі агента 
Рисунок 3 – Структура моделі агента в MadKit
Агент в MadKit складається з 4 обов'язкових розділів [24]:

  • Розділ активації (activate section), що містить деякий програмний код, який буде виконуватися безпосередньо після створення агента.

  • Розділ «життя» (live section), який містить основний програмний код, що описує поведінку агента. Зазвичай, цей розділ містить нескінченний цикл.

  • Розділ «завершення» (end section), що містить певний код, який виконується, коли агент знищується.

  • Графічний розділ (initGUI section), що містить опис компонента Java, що має використовуватися в якості графічного інтерфейсу агента, і призначений для заміни графічного інтерфейсу за замовчуванням.

MadKit не накладає на архітектуру агентів ніяких обмежень для досягнення максимальної універсальності програм.

Взаємодія агентів в MadKit

Взаємодія агентів в MadKit здійснюється за допомогою асинхронної передачі повідомлень. Агент може відправити повідомлення іншому агенту, який визначається його адресою або за допомогою широкомовного повідомлення, яке передається агентам, які грають певну роль в певній групі.
MadKit забезпечує декілька видів визначених повідомлень, таких як StringMessage, XMLMesssage і ActMessage. За допомогою останнього виду повідомлення можна визначити такі підвиди повідомлень: ACLMessages і KQMLMessages [24]. Також є можливість визначити свій власний клас повідомлення, який буде успадковуватися від класу повідомлення за замовчуванням.
У кожного агента є своя «поштова скринька», в яку доставляються повідомлення і яку повинен перевіряти агент для отримання повідомлення.

Приклад агентно моделі процесу поширення вірусу

За допомогою системи MadKit створена агентно модель розповсюдження вірусів. Модельоване середовище являє собою набір об'єктів (скажімо, людей), певну кількість яких заражено вірусом, а інших – ні. Всі об'єкти рухаються певним чином в довільному напрямі. Зараження відбувається при безпосередньому зіткненні здорового і зараженого об'єктів або може відбутися в деякому радіусі від зараженого об'єкта.
Кілька станів модельованого процесу поширення вірусів показано на рис. 4. У цьому прикладі здорові об'єкти позначені зеленим кольором, заражені - червоним.
моделбвання процесу поширення вірусу
Рисунок 4 – Моделювання процесу пошишерення вірусу засобами інструментальної середи MadKit
(анімація – розмір: 196 x 214 px; обсяг: 36.6 kb; кадров: 6; затримка між кадрами: 0.5с; кількість повторів: 6)
Паралельно візуальному моделювання покроково будується графік залежності кількості заражених об'єктів від часу.
За допомогою віконного інтерфейсу можна задавати початкові параметри моделювання.
Дана модель може бути застосована для вивчення наступних процесів:

  • епідемія грипу в місцях скупчення людей;

  • поширення чуток в соціальних мережах;

  • поширення інформації в робочому колективі, студентській групі, групі родичів, у групі знайомих людей тощо.

Висновки

Інструментальне середовище MadKit є універсальною мультиагентної платформою. Цей інструментарій заснований на організаційній моделі AGR. Архітектура MadKit заснована на мікроядрі. Базові служби, такі як: розподілена передача повідомлень, міграція або контроль – реалізовані агентами платформи для досягнення максимальної гнучкості [23]. Компонентна інтерфейсна модель дозволяє встановлювати інтерфейси для різних агентів.
Є приклади вдалого використання MadKit у проектах, що стосуються широкого діапазону програм від моделювання гібридної архітектури для управління підводних роботів до оцінки соціальних мереж або дослідженню мультиагентної управління на виробничій лінії.
Методика, використовувана в MadKit, є досить простою у застосуванні.
Великою перевагою даного інструментального середовища є той факт, що вона не накладає ніяких обмежень на архітектуру агентів для досягнення максимальної універсальності додатків. Наприклад, зараз загальновизнаною є BDI-архітектура, а через деякий час, можливо, буде використовуватися інша нова архітектура інтелектуального агента. У даному випадку розробникам агентних систем не потрібно буде вивчати іншу інструментальну середовище для використання нової архітектури.
Взаємодія агентів здійснюється за допомогою повідомлень різних типів, також є можливість створювати свої типи повідомлень. Велику розмаїтість типів повідомлень можна віднести до позитивних характеристик середовища. Агенти можуть взаємодіяти як в мережі, так і на одному комп'ютері з однієї або різних сесій моделювання.
Система MadKit є зручним інструментом для розробки МАС, тому що вона має безліч візуальних елементів, які спрощують роботу. Наприклад, в MadKit є дерево відносин агентів, яка містить інформацію про те, до якої групи відносяться агенти, яку роль відіграють тощо, таблиця повідомлень, що містить відомості про агента-відправника, агента-одержувача, дату, час тощо, автоматично будується часова діаграма, є можливості для побудови візуалізації МАС.
Таким чином, принципових недоліків в інструментальному середовищі MadKit виявлено не було. MadKit відповідає сучасним вимогам і надалі планується застосування її для розробки моделей поведінки людини в соціально-економічному середовищі.

Cписок посилань

  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

Примітка

При написанні даного автореферату магістерська робота ще не закінчена. Остаточне завершення - 1 грудня 2011. Повний текст роботи та матеріали по темі можуть бути отримані у автора або його керівника після зазначеної дати.