Что такое мультиагентные системы
Мультиагентная система
Содержание
Обзор
В многоагентной системе агенты имеют несколько важных характеристик [4] :
Обычно в многоагентных системах исследуются программные агенты. Тем не менее, составляющими мультиагентной системы могут также быть роботы, люди или команды людей. Также, многоагентные системы могут содержать и смешанные команды.
В многоагентных системах может проявляться самоорганизация и сложное поведение даже если стратегия поведения каждого агента достаточно проста. Это лежит в основе так называемых муравьиных алгоритмов.
Агенты могут обмениваться полученными знаниями, используя некоторый специальный язык и подчиняясь установленным правилам «общения» (протоколам) в системе. Примерами таких языков являются Knowledge Query Manipulation Language (KQML) и FIPA’s Agent Communication Language (ACL).
Изучение многоагентных систем
Изучение многоагентных систем связано с решением достаточно сложных проблем искусственного интеллекта.
Темы для исследования в рамках МАС:
Парадигмы многоагентных систем
Многие МАС имеют компьютерные реализации, основанные на пошаговом имитационном моделировании. Компоненты МАС обычно взаимодействуют через весовую матрицу запросов,
Модель «Запрос — Ответ — Соглашение» — обычное явление для МАС. Схема реализуется за несколько шагов:
Для последнего шага обычно требуется ещё несколько (более мелких) актов обмена информацией. При этом принимаются во внимание другие компоненты, в том числе уже достигнутые «соглашения» и ограничения среды.
Другой часто используемой парадигмой в МАС является «феромон», где компоненты «оставляют» информацию для следующих в очереди или ближайших компонентов. Такие «феромоны» могут испаряться со временем, т. е. их значения могут изменяться со временем.
Свойства
МАС также относятся к самоорганизующимся системам, так как в них ищется оптимальное решение задачи без внешнего вмешательства. Под оптимальным решением понимается решение, на которое потрачено наименьшее количество энергии в условиях ограниченных ресурсов.
Главное достоинство МАС — это гибкость. Многоагентная система может быть дополнена и модифицирована без переписывания значительной части программы. Также эти системы обладают способностью к самовосстановлению и обладают устойчивостью к сбоям, благодаря достаточному запасу компонентов и самоорганизации.
Применение МАС
Мультиагентные технологии
Мультиагентные технологии — новый способ решения сложных задач, использующий принципы самоорганизации и эволюции, присущие живым системам.
Суть мультиагентных технологий заключается в принципиально новом методе решения сложных задач, которые не решаются или трудно решаются классическими математическими методами.
В отличие от классического способа решения задачи, когда проводится комбинаторный поиск вариантов решения по чётко определенному (детерминированному) алгоритму, позволяющего найти наилучшее решение проблемы, в мультиагентных технологиях решение задачи получается в ходе самоорганизации множества программных агентов, способных к конкуренции и кооперации, и имеющих собственные критерии, предпочтения и ограничения. Решение считается найденным, когда в ходе своих недетерминированных взаимодействий агенты достигают неулучшаемого консенсуса (временного равновесия или баланса интересов), который и принимается за решение задачи.
Решение задачи в такого рода системах всегда рассматривается как временное «равновесие» (неустойчивое равновесие или устойчивое неравновесие), получаемое как динамический останов системы в случае, когда ни один из агентов более не может улучшить свое состояние, что и свидетельствует о достижении разумного компромисса, баланса интересов или согласия (гармонии) всех участников в решении проблемной ситуации, даже если часть агентов остается не полностью удовлетворена (у них просто нет других лучших вариантов).
Агенты могут действовать как от лица и по поручению человека, так и любых физических и абстрактных сущностей, как это планируется в Интернете вещей, чтобы учесть действие и находить баланс как можно большего числа факторов.
Существует много определений понятия агента, но основные признаки программного агента следующие:
В нашем понимании основные отличия мультиагентных технологий могут быть показаны на схеме ниже:
В мультиагентной модели каждой сущности реального мира ставится в соответствие программный агент, который представляет интересы данной сущности и может согласовывать свои решения с другими агентами.
Преимущества мультиагентных технологий, позволяющих строить самоорганизующиеся системы, в особенности проявляются в условиях априорной неопределенности и высокой динамики окружающего мира, позволяя строить адаптивные системы, перестраивающие свои планы по событиям в реальном времени.
Так, в классических методах планирования и оптимизации считается, что все заказы и ресурсы заданы наперед и не меняются в ходе решения задачи, а размерность задачи существенно ограничена во избежание комбинаторного взрыва и экспоненциально быстрого замедления решения задачи.
В предлагаемых нами моделях, методах и алгоритмах изначально применяется распределенный подход к решению задачи (Distributed Problem Solving), когда сложная задача разбивается на много малых, а потом путем самоорганизации решаются конфликты между получаемыми решениями. При этом система не ищет единственное глобальное решение, а за счет множества параллельных и асинхронных взаимодействий, быстро находит допустимое рациональное решение, несмотря на наличие множества самых различных и часто противоречивых критериев, причем в задачах любой размерности.
Шаг к искусственному интеллекту: интеллект роя и эмерджентный интеллект
Мы привыкли к тому, что компьютер всегда действует строго по заложенной в него программе, имеющей мало общего с интеллектом человека.
На наш взгляд, интеллект человека строится совершенно по другим принципам, как самоорганизующаяся неравновесная термодинамическая система, что и дает возможность ориентироваться в сложной обстановке, иметь дело с нечетко поставленными задачам, адаптироваться к меняющимся условиям и т.д.
В этом контексте, мультиагентные технологии предлагают новые модели, методы и средства для создания действительно интеллектуальных систем, способных самостоятельно решать сложные задачи в условиях неопределенности и высокой динамики изменений.
Для решения сложных задач управления ресурсами мы предлагаем набор специальных агентов потребностей и возможностей, которые взаимодействуют на виртуальном рынке системы и образуют между собой связи, формируя сеть потребностей и возможностей (ПВ-сеть), которые максимизируют их собственные функции удовлетворенности при заданных функциях бонусов и штрафов.
Построенная так система демонстрирует функции интеллектуального резонатора, позволяющего при определенных условиях даже в случае относительно простых агентов и небольших изменений на входе получать на выходе довольно сложные решения, образующиеся в ходе длинных цепных автокаталитических реакций пересмотров ранее принятых решений.
В этом случае можно говорить о наблюдении феномена «интеллекта роя» (Swarm Intelligence) – как важной альтернативе принятому ныне в искусственном интеллекте (ИИ) классическому пониманию интеллектуальной системы, механически собираемой из таких компонент, как блок индукции и дедукции и т.д.
Действительно ведь умственные возможности одного муравья или пчелы может быть и относительно малы, но действуя вместе, как единый организм, рой пчел или колония муравьев представляют собой мощную силу с высокой степенью интеллекта, позволяющий защищать гнездо от непредвиденных нашествий, постоянно осваивать новые территории, находить пропитание в незнакомой местности и решать многие другие критически важные жизненные задачи в условиях постоянно изменяющихся условий в среде.
Развивать «интеллект роя» можно создавая модели все более сложных командных взаимодействий, включая новые классы агентов и протоколов их переговоров для достижения уступок, обучение из опыта и т.д.
Чем выше интеллект каждого агента и чем богаче возможности такой коммуникации между агентами – тем более сложное и творческое поведение может демонстрировать система.
Такого рода системам, по определению, присуща совершенно другая феноменология, связанная с недетерминированным поведением, явлениями порядка и хаоса, бифуркаций, катастроф и многими другими нелинейностями.
Различного рода классы таких моделей ИИ нового поколения мы будем называть «Эмерджентным интеллектом» (ЭИ), отражая присущую ему природу самоорганизации.
В сравнении с ИИ в ЭИ нет никакого главного блока управления, отвечающего за интеллект системы — напротив, ЭИ рассматривается как временно возникающее свойство самоорганизующейся системы.
Для наблюдателя ЭИ может проявляться как автокаталитическая реакция или цепочка согласованных изменений в системе решений агентами, которая возникает спонтанно, в заранее не известный момент времени, и распространяется в системе как волна согласований (как пожар в лесу или молния в грозу), после чего также неожиданно исчезает, но в момент своего существования определяет работу своих элементов.
В результате ЭИ возникает как бы ниоткуда «из воздуха» — на самом деле за счет потенциальной энергии принятых ранее решений, отражающих накопившиеся неудовлетворенности или неравновесия — но в процессе своего существования определяющим образом «правит» работой всей системы также, как пробка на дороге управляет водителями.
Этот феномен «двойной спирали» в принятии решений известен в теории самоорганизации, где локальные взаимодействия агентов формируют глобальные структуры, которые в свою очередь влияют на поведение образовавших их локальных агентов (принцип Кауфмана).
В развитие данного направления большой вклад внесли Александр Богданов (теория организации), Илья Пригожин (самоорганизация в физических системах), Марвин Минский (психология и теория мышления), Артур Кестлер (биология) и ярд других ученых.
В настоящее время мультиагентные технологии — одно из наиболее динамично развивающихся и перспективных направлений в области информационных технологий, успешно дополняющее такие передовые направления как семантический интернет и онтологии, сетецентрические системы, Интернет вещей и другие.
По оценкам всемирно известной компании Gartner рынка информационных технологий к 2020 году мультиагентные технологии будут служить основой для более чем 40% всех мобильных приложений.
Перспективные области применения мультиагентных технологий:
В настоящее время выделяются следующие перспективные области применения мультиагентных технологий:
В этих областях могут решаться следующие сложные задачи:
Важные перспективы технологии связываются с развитием Интернета вещей и повсеместных вычислений.
Результаты применения мультиагентных технологий:
Разработка интеллектуальных систем на основе мультиагентных технологий позволяет добиваться результатов:
В результате, мультиагентные технологии позволяют строить интеллектуальные системы нового поколения, отличающиеся высокой открытостью, гибкостью и эффективностью, производительностью, масштабируемостью, надежностью и живучестью.
Мультиагентные системы: структура, принципы построения, применение. Искусственный интеллект
Определение мультиагентных систем
Вам будет интересно: Выдающийся кораблестроитель и академик Крылов Алексей Николаевич
МАС представляет собой перспективный подход к разработке программного обеспечения для приложений в сложных областях, где взаимодействующие компоненты приложения автономны и распределены, работают в динамичных и неопределенных средах, должны соблюдать некоторые организационные правила и законы и могут присоединиться и покинуть мультиагентную систему во время выполнения.
Примерами таких приложений являются системы, которые управляют и оптимизируют производство и распределение электроэнергии между потребителями или системами, оптимально планирующих грузы в транспортных системах. Разработка мультиагентных систем требует создание отдельных агентов, организаций и сред.
Языки программирования предоставляют программные конструкции для реализации отдельных агентов с точки зрения социальных и когнитивных концепций, таких как информация, цели, варианты, нормы, эмоции и правила принятия решений.
Мультиагентные организации с точки зрения социальных и организационных концепций обладают ролями, наделены нормами, протоколами связи, ресурсы, которых подвержены мониторингу. Разработанные языки программирования и фреймворки применяются для создания симуляций на основе агентов для многих отраслей непрерывного производства: электроэнергия, металлургия, здравоохранение, интернет, транспорт, управления трафиком и создания серьезных игр.
Вам будет интересно: Виды, сущность и понятие национальной безопасности РФ
МАС отличаются от одноагентных систем тем, что в них существует несколько агентов, которые моделируют цели и действия друг друга. В общем сценарии может быть прямое взаимодействие между агентами. С точки зрения отдельного агента, многоагентные системы отличаются от систем с одним агентом наиболее существенно тем, что динамика окружающей среды может быть определена другими агентами. В дополнение к неопределенности, которая может быть присущей домену, другие агенты намеренно воздействуют на окружающую среду непредсказуемыми способами.
Таким образом, все МАС можно рассматривать как имеющие динамические среды, что характерно для современных мультиагентных систем. Может быть любое количество агентов с разной степенью неоднородности, с/или без возможности прямого общения.
Архитектура МАС-систем
Агенты должны быть снабжены когнитивной моделью:
Вам будет интересно: Что такое сечение конуса? Как найти площадь осевого сечения конуса
У агентов должна быть система связи. Для этой цели существует несколько специализированных языков: Language Query and Manipulation Language (KQML). В последнее время распространен стандарт FIPA-ACL, созданный Фондом для интеллектуальных физических агентов FIPA. Этот последний принцип построения мультиагентных систем основан на теории речевых актов.
Наконец, эффективная реализация МАС, хотя и не являющаяся, строго говоря, частью архитектуры системы, заслуживает внимания на примере многих языков программирования, которые были разработаны для исследования искусственного интеллекта. В частности, упоминается язык LISP. Эти архитектурные элементы применяются к системе, состоящей из когнитивных агентов.
Категории или модели агентов
Первая поддерживает фундаментальный подход «умных» агентов для сотрудничества с социологической точки зрения. Во второй изучается возможность возникновения «умного» поведения набора неинтеллектуальных агентов (ant type). Второе различие между поведенческим поведением и рефлексом отделяет преднамеренное поведение, стремление к явным целям, от поведения, связанного с восприятием. Таким образом, тенденции агентов могут быть явно выражены в агентах или, наоборот, исходят из окружающей среды. Таблица, группирующая различные типы агентов:
Когнитивные агенты в основном преднамеренные, то есть у них есть фиксированные цели, которые они пытаются выполнить. Однако иногда используют агентов, называемые модулями, которые имеют представление о своей «вселенной» без конкретных целей. Они могли бы служить, например, для ответа на вопросы других агентов во «вселенной».
Реагенты можно разделить на приводы и тропические агенты. У инстинктивного агента будет фиксированная миссия и вызовет поведение, если он увидит, что окружающая среда больше не соответствует назначенной ему цели. Тропический агент реагирует только на местное состояние окружающей среды, например если свет, то он бежит. Источник мотивации во внутреннем случае приводных агентов, у которых есть «миссия», относится только к среде.
Организационные парадигмы
С развитием таких систем были разработаны различные организационные парадигмы. Эти структуры мультиагентных систем устанавливают рамки взаимоотношений и взаимодействия между агентами.
Вам будет интересно: Что такое конус: определение. Основание, вершина, высота конуса
Иерархии. В этой модели агенты иерархичны в соответствии со структурой дерева, в котором каждый узел представляет собой агента и имеет ссылку полномочий на своих дочерних узлах. Эта модель разрушает общую задачу системы.
Холархий приближается к иерархии. Между агентом и его подгруппой нет отношений полномочий.
Коалиция является временным союзом агентов, которые объединяются и сотрудничают, потому что их личные интересы встречаются. Значение коалиции должно быть больше, чем сумма отдельных значений компонентов агентов.
Конгрегации очень похожи на коалиции и команды. Однако они призваны быть постоянными и, как правило, имеют несколько целей для достижения. Кроме того, агенты могут входить и покидать конгрегации и одновременно принадлежать нескольким.
Общество представляет собой набор разнообразных агентов, которые взаимодействуют и общаются. Они имеют разные цели, не имеют одинакового уровня рациональности и одинаковых возможностей, но все они подчиняются общим законам (нормам).
Агенты федерации отдают часть своей автономии делегату своей группы. Групповые агенты взаимодействуют только со своим делегатом, который, в свою очередь, взаимодействует с делегатами из других групп.
Агенты по продаже предлагают товары, на которые могут претендовать агенты покупателя. Такой тип организации позволяет, например, моделировать реальные рынки и сравнивать разные торговые стратегии.
Агенты матричной организации являются иерархическими. Однако в отличие от представленной выше иерархии, когда агент подчиняется только нескольким другим агентам, эти в одной матричной организации могут быть подвержены нескольким другим.
Искусственный разум
Область внеприродного интеллекта предоставляет технические навыки для перевода желаемых типов агентов в язык программирования, сопутствующее ПО и соответствующую архитектуру (аппаратное и сопутствующее ПО) для реализации агента в реальном или моделируемом мире.
Среда мира восприятия
Автономная система воздействия
Такие агенты чувствуют свою среду. Но здесь сенсорные данные или восприятия включают в себя не только данные о других объектах, но и влияние самого агента на состояние дел в окружающей среде. Датчики могут быть органическими, такими как глаза и уши, и их нейронные процессоры, или искусственные, такие как видео- и аудиопроцессоры, встроенные в цифровой компьютер. Окружающая среда может быть очень ограниченной областью, например, замкнутым пространством, или очень сложной, такой как фондовый рынок или набор астероидов. Датчики должны соответствовать типам объектов, с которыми агент взаимодействует.
Рефлексный тип взаимодействия
Агент-рефлектор имеет более сложный механизм. Вместо непосредственного динамического отношения к окружающей среде он ищет то, что он должен делать, в списке правил. Агент рефлекса реагирует на заданное восприятие с запрограммированным ответом. Даже если есть тысячи возможных реакций на данное восприятие, у агента есть встроенный список правил действия ситуации, чтобы выполнить те реакции, которые уже были рассмотрены программистом. Правило действия ситуации в основном является гипотетическим императивом.
Рефлексные агенты действительно не очень яркие. Они просто не могут справиться с новинкой. Интеллектуальный агент содержит функции своих менее сложных родственников, но он не настолько ограничен. Он действует в соответствии с повесткой дня. У этого есть набор целей, которые он активно преследует. Агент, основанный на цели, имеет представление о текущем состоянии среды и о том, как эта среда обычно работает. Он преследует основные стратегии или цели, которые не могут быть немедленно достигнуты. Это делает агента активным, а не только реактивным.
Целевая функциональная утилита
В более сложных агентах применяется служебная мера для различных возможных действий, которые могут быть выполнены в среде. Этот сложный планировщик является агентом, основанным на услугах. Агент, основанный на услугах, будет оценивать каждый сценарий, чтобы узнать, насколько он достигает определенных критериев в отношении получения хорошего результата. Такие вещи, как вероятность успеха, ресурсы, необходимые для выполнения сценария, важность достижимой цели, время, которое потребуется, могут быть учтены в расчетах функций полезности.
Поскольку программист не может, как правило, прогнозировать все состояния мира, с которым будет сталкиваться агент, количество правил, которые нужно было бы написать для рефлекторного агента, было бы астрономическим даже в очень простых областях, например, планированием совещаний или организацией транспортных маршрутов и поставок.
Базовый цикл управления
Вам будет интересно: Подберем рифму к слову «капля»
С учетом определения интеллектуального агента можно рассмотреть базовый цикл управления, написанный теоретиком агента Майклом Вуладричем в 2000 году:
Платформы для разработки нескольких агентов
JADE (Java Agent DEVELOPMENT) является основой разработки многоагентных систем с открытым исходным кодом, и на основе языка Java.
Семь моделей стандарта
В эволюционном процессе исследований появляется больший вклад в то, как создать такую систему, которая является надежной и представляет собой более высокий уровень качества. Тенденция к продолжению заключается в дополнении или расширении существующих методов, которым удалось консолидировать принятие решения в рамках развития.
Методологический стандарт позволяет, по понятным и простым способом, создать МАС, не только используя естественный язык, но и используя шаблоны описания, которые помогают в спецификации системы.
В методологическом стандарте предлагаются семь моделей проблем или их решения для построения МАС:
Примеры взаимодействия между агентами
МАС используются для имитации взаимодействия между автономными агентами. Применение мультиагентных систем, например, в социологии позволяет параметризовать различные агенты, составляющие сообщество. Добавляя ограничения, можно попытаться понять, какой будет наиболее эффективный компонент для достижения ожидаемого результата. Они должны экспериментировать со сценариями, которые не были бы достижимы реальными людьми, либо по техническим или этическим причинам.
МАС также используются в мире финансов. Например, платформа MetaTrader 4 позволяет использовать экспертные агенты в автоматической торговле, которые следуют курсам Forex
Преимущества в использовании системы
В исследованиях ИА технология систем на основе агентов была воспринята, как новая парадигма для концептуализации, проектирования и внедрения программных систем. Преимущества подхода с несколькими агентами MAS:
В исследованиях ИА-технология систем на основе агентов была воспринята как новая парадигма для концептуализации, проектирования, внедрения и мультиагентного обучения программных систем.