CC BY
47
13. Вяткин А.В., КучуноваЕ.В., ШайдуровВ.В. Полулагранжевый метод решения двумерного уравнения неразрывности с законом сохранения // Вычислительные технологии. 2017. Т. 22. № 5. С. 27-38.
14. Shaydurov V., Vyatkin A., Kuchunova E. A Semi-lagrangian numerical method for the three-dimensional advection problem with an isoparametric transformation of subdomains // Lecture notes in computer science. 2017. P. 599-607.
15. Shaidurov V.V., Vyatkin A.V., Kuchunova E.V. Semi-Lagrangian difference approximations with different stability requirements // RJNAMM, 2018. Vol. 33. No. 2, Р. 123-135.
Сведения об авторах
Елена Владимировна Кучунова
к.ф.-м.н., доцент
Институт математики и фундаментальной
информатики СФУ
Эл. почта: HKuchunova@sfu-kras.ru
Россия, Красноярск
Антон Сергеевич Кер
магистрант
Институт математики и фундаментальной
информатики СФУ
Эл. почта: anton_kerp@mail.ru
Россия, Красноярск
Елена Сергнеевна Мальцева
магистрант
Институт математики и фундаментальной информатики СФУ Эл. почта: mielena-95@mail.ru Россия, Красноярск
Information about authors
Helen Kuchunova
candidate of physical and mathematical sciences, associate Prof. Institute of Mathematics and Fundamental Informatics Siberian Federal University E-mail: HKuchunova@sfu-kras.ru Russia, Krasnoyarsk Anton Kerp Student
Institute of Mathematics and Fundamental Informatics Siberian Federal University E-mail: mielena-95@mail.ru Russia, Krasnoyarsk Helen Maltseva Student
Institute of Mathematics and Fundamental Informatics Siberian Federal University E-mail: anton_kerp@mail.ru Russia, Krasnoyarsk
УДК 004.4'2: 519.876.5
О.А. Николайчук, А.И. Павлов, А.Б. Столбов
Институт динамики систем и теории управления им. В.М. Матросова СО РАН
АНАЛИЗ АРХИТЕКТУР АГЕНТОВ И ИХ ПРЕДСТАВЛЕНИЕ В АСПЕКТЕ MDD-МЕТОДОЛОГИИ
Описывается концептуальная модель архитектуры агента, полученная на основе обобщения существующих методологических архитектур. Модель предназначена для использования в рамках технологии агентного имитационного моделирования, разрабатываемой на основе мо-дельно-управляемой разработки.
Ключевые слова: агент, агентно-ориентированные системы, архитектура агента, модельно-ориентированный подход, проектирование, имитационное моделирование
O.A. Nikolaychuk, A.I. Pavlov, A.B. Stolbov
Matrosov Institute for System Dynamics and Control Theory of Siberian Branch of Russian Academy of Sciences
AN AGENT ARCHITECTURES ANALYSIS AND THEIR REPRESENTATION IN THE ASPECT OF MDD-METHODOLOGY
The conceptual model of the agent architecture obtained on the basis of the generalization of existing methodological architectures is described. The model is intended for use in the framework of agent-based simulation model creation technology utilizing model-driven development approach. Keywords: agent, agent-oriented systems, agent architecture, model-oriented approach, design, simulation
Введение
В настоящее время применение агентных имитационных моделей (АИМ) при решении различных проблемных и предметных задач является актуальным направлением в области научных исследований, логистики, социальных исследованиях, финансах и др. Однако практика применения данного подхода, ограничена в связи со сложностью создания АИМ. Проблема обусловлена недостатками существующих инструментальных средств, в частности:
• ориентированность на программирующего пользователя, высокий уровень абстракции понятийного аппарата, отсутствие предметной ориентированности, что понижает уровень когни-тивности инструментальных средств;
• отсутствием поддержки всего жизненного цикла создания АИМ;
• значительное разнообразие инструментальных средств, реализующих индивидуальные методологии создания АИМ, отсутствие унифицированного методологического подхода, как следствие, сложность выбора эффективного инструментального средства.
Решением проблемы является разработка технологии (методов и средств), ориентированной на непрограммирующего пользователя, а именно, позволяющей взаимодействовать с инструментальным средством в терминах предметной области, сопровождать и поддерживать пользователя в течение всего жизненного цикла АИМ, а также минимизировать участие пользователя в процессе программой реализации АИМ. Для реализации такого рода технологии целесообразно использование методологии модельно-управляемой разработки программного обеспечения (Model Drive Development, MDD).
В работе [1] предложен метод применения MDD-методологии для создания агентных имитационных систем, который включает описание метаметамоделей и метамоделей на четырех уровнях моделирования и соответствующие агрегации и трансформации, позволяющие получить программный код создаваемой программной системы. Отличительной особенностью метода является возможность учитывать в моделях аспекты методологий создания АИМ.
Целью работы является анализ существующих методологий проектирования агентных имитационных систем и разработка онтологических моделей данных методологий с целью реализации MDD-подхода в рамках инструментального средства проектирования прикладных агентных имитационных систем.
1. Метод создания АИМ на основе MDD-подхода
Предложенный метод создания АИМ использует следующую четырехуровневую архитектуру метамоделей:
• M 0 - имитационная модель во время выполнения;
• M1 - спецификация АИМ;
• M 2 - спецификация элементов M1 согласно выбранной методологии разработки АИМ (архитектуры АИМ);
• M 3 - определяет наиболее абстрактные элементы для спецификации M 2.
В качестве основы модели уровня M 3 используется метаметамодель MOnt в виде хорошо известной онтологической формы: концепт - атрибут - отношение.
тт л кOnt TV /¡Ont-D
На основе метамтамодели M создается концептуальная модель M , описываю-
щая структурную составляющую предметной области, и модель поведения M(модели уровня M 2). Поведение, обусловленное предметной областью, описывается формализмом продукционных правил как естественным и простым способом представления информации для понимания человеком. На основе данных моделей создается конкретная модель поведения
M KB-D в рассматриваемой предметной области D (предметно-зависимая модель).
Следующим блоком моделей уровня M 2 являются предметно-независимые модели, определяющие методологию агентного моделирования и также имеющие структурную и поведенческую составляющие. Модель MSt A описывает элементы агентной модели (агенты, объекты,
среда, события и т.п.) и отношения между ними в терминах MOnt . Выделение данной модели в самостоятельный компонент позволяет не фиксировать заранее используемую методологию агентного моделирования, а определять ее в зависимости от решаемой задачи. Конкретные модели MSt A и MOnt D могут быть разработаны независимо друг от друга и затем агрегированы
в модель MSt A D, содержащую как методологическую, так и предметную информацию о структуре АИМ.
Модель поведения агентной модели MCom A определяется на основе конечного множества операций M<Com, которые группируются в интерфейсы и реализуются соответствующими программными средствами (компонентами), что в совокупности позволяет определить предметно-независимую агентно-ориентированную метамодель MA (модель уровня M1):
MSt-Ax MCom ^ MCom -A
MCom-A x MSt-A ^ MA .
На основе метамодели MA , осуществляется формирование предметно-зависимой модели MA D с использованием модели предметной области в форме онтологии MOnt D, а также описания поведения объектов предметной области в виде продукционных баз знаний M x M ^ M ), результатом данного процесса является спецификация агентной
имитационной модели MA D (модель уровня M1):
MOnt-Dx MSt-A ^ MSt-A-D,
MAx MSt-A-Dx MKB-D ^ MA-D .
На основе интерпретации, полученной спецификация MA D или генерации кода на ее основе (уровень M 0) осуществляется имитационное моделирование.
2. Анализ архитектур агентов
Описание элементов агентной модели определяет модель MSt A , предназначенную для отражения методологических аспектов агентного имитационного моделирования. Проведем анализ архитектур агенов для выявления видов архитектур и их основных элементов.
Будем выделять следующие виды архитектур [2, 3]:
• архитектура, которая базируется на принципах и методах искусственного интеллекта, т.е. систем основанных на знаниях (deliberative agent architecture, «архитектура разумного агента»),
• архитектура, основанная на поведении (reactive architecture) или «реактивная архитектура»,
• гибридная архитектура, имеющая те или иные черты от архитектур вышеуказанных видов,
• одноуровневая архитектура,
• многоуровневая архитектура.
Одноуровневая архитектура используется в простых приложениях, многоуровневая - отражает иерархию уровней, реализующих различные аспекты функциональности. Наиболее часто в архитектуре агента присутствуют уровни, ответственные за [3]:
• восприятие и исполнение действий,
• реактивное поведение,
• локальное планирование,
• кооперативное поведение,
• моделирование,
• формирование намерений,
• обучение агента.
Многоуровневая архитектура имеет горизонтальную или вертикальную организацию, в первом случае все уровни имеют доступ к уровню восприятия и исполнения, во-втором - только один из уровней.
Рис. Фрагмент модели архитектуры агента
Рассмотрим несколько характерных архитектур, где используется понятие базы знаний.
1) Многоуровневая архитектура для автономного агента («Touring Machine»). Эта архитектура разработана для специального приложения автономного агента-подвижного робота [3]. Она включает в себя три уровня:
• уровень реакции на события поддерживает способность агента быстро реагировать на события, выдаваемые вышележащим уровнем, даже если они ранее не планировались;
• уровень планирования генерирует, исполняет и динамически реконструирует частичные планы, например, для выбора маршрута подвижного робота;
• уровень предсказания, или моделирования моделирует поведение сущностей внешней среды и самого агента, что может использоваться для объяснения наблюдаемого поведения и предсказания возможного их поведения в будущем.
Каждый из уровней напрямую связан с компонентами восприятия и действия и в состоянии независимо от других уровней решать, реагировать или не реагировать в текущем состоянии мира.
Архитектура содержит подсистему управления на основе правил, обеспечивающая подходящее поведение агента в случае конфликта вариантов поведения, инициируемого различными уровнями.
2) InteRRaP-архитектура. Основная идея этой архитектуры [3] в том, чтобы представить агента как множество уровней, которые связаны через управляющую структуру и используют общую базу знаний.
Архитектура содержит следующие уровни управления:
• уровень, ответственный за реактивное поведение, обеспечивающий реализацию поведения «рутинным» образом без использования планирования на основе знаний,
• уровень, ответственный за планирование, содержит механизм планирования, позволяющий строить локальные планы агента,
• уровень, ответственный за кооперацию агентов, участвует в конструировании планов совместного поведения агентов для достижения некоторых общих целей или выполнения своих обязательств перед другими агентами, а также выполнения соглашений.
База знаний агента имеет трехуровневую структуру, где уровни фактически отвечают уровням абстракции знаний в соответствии со структурой управляющих уровней:
• модель мира агента содержит убеждения агента в соответствии с уровнем, ориентированным на поведение.
• модель ментальных знаний агента, позволяющая определять цель и выполнять планирование действий агента,
• модель знаний и убеждений агента о других агентах, информации о совместных планах, целях и намерениях, т.е. «общественный контекст».
Общее управление поведением осуществляется путем коммуникаций между уровнями. Интерфейс с внешним миром содержит возможности агента по восприятию событий внешнего мира, воздействия на него и средства коммуникации.
3. Онтологическая модель архитектур агентов
На основе обобщения рассмотренных архитектур агентов получена модель MS Л , которая описывается на онтологическом языке, как перечень понятий и отношений между ними (рисунок). Модель учитывает такие виды архитектур, как реактивные и делиберативные (интеллектуальные), одноуровневые и многоуровневые.
В процессе решения прикладных задач пользователь конкретизирует модель архитектуры агента, согласно используемой агентной методологии.
4. Модель поведения агента, обусловленная его архитетурой
Архитектура агента предусматривает описание соответствующего поведения агента. Как
было сказано выше модель поведения агентной модели M определяется на основе конеч-
- л лСот
ного множества операций M .
Поведение также, как и структура, описывается пользователем на графическом языке, обеспечивающем возможность описания действий (операций) и переходов между ними с указанием входных и выходных параметров, а также программных компонентов, реализующих действия.
Операции, исполняемые во время жизненного цикла агента, могут осуществлять отправку сообщений; обрабатывать данные, поступающие от сенсоров; выполнять принятие решений на основе текущего множества ролей агента и связанных с ними базами знаний. В этих случаях применяются базовые программные компоненты, реализующие логический вывод и поддерживающие процесс симуляции.
Для каждого архитектурного элемента и их сочетаний формируется соответствующее поведение, обусловленное методологией, определяющей архитектуру агента.
Рассмотрим пример описания реактивного поведения (реактивная архитектура агента) в рамках предложенной технологии [1, 5], в частности в виде последовательности этапов:
1) агенты принимают решения;
2) среда выполняет свое поведение;
3) результаты формируются и отправляются внешним системам.
Для понимания сущности обработки этапов представим их в форме «псевдокода»:
RuntimeController^ RetrieveData(AMM; "Состояние", State)
ЕСЛИ State==FINISH ТО RuntimeController ^ Execute(АИМ "завершение");
RuntimeController ^ RetrieveData(АИМ "Агент", Агенты);
ДЛЯ ВСЕХ (Агенты as Агент) ВЫПОЛНИТЬ
RuntimeController ^ Execute(Агент, "Командный цикл");
RuntimeController ^ RetrieveData(АИМ "Среда", Env);
RuntimeController ^ Execute(Env, "Командный цикл");
RuntimeController ^ RetrieveData(АИМ "Внешние клиенты данных АИМ",
Extern alDataProcessors);
ДЛЯ ВСЕХ (ExternalDataProcessors as ExternalDataProcessor) ВЫШОЛНИТЬ
RuntimeController ^ RetrieveData(ExternalDataProcessor,
"Процедура подготовки данных", PrepareDataFunction);
RuntimeController ^ RetrieveData(ExternalDataProcessor,
"Процедура отправки данных", SendDataFunction);
Imperative Engine ^ Execute(PrepareDataFunction, Агенты, DataToSend);
Imperative Engine ^ Execute(SendDataFunction, DataToSend);
Псевдокод демонстрирует вид спецификации, описывающей поведение создаваемой агентной имитационной модели, которая генерируется в рамках предлагаемой технологии. В данном примере активно используется компоненты RuntimeController, задачей которого является поддержка вспомогательных операций в процессе выполнения модели: операция RetrieveData -получение информации, связанной с некоторым объектом, доступным в процессе выполнения АИМ (например, список всех агентов для текущей АИМ или специфические процедуры подготовки и отправки данных, связанные с внешними обработчиками); операция Execute - выполнение именованной композитной операции, связанной с элементом АИМ. Компонент Imperative Engine реализует непосредственный вызов внешний процедур, при этом входные и выходные
параметры описываются в терминах MOnt D и задачей данного компонента является обеспечение соответствующих преобразований в/из форматов конкретных внешних процедур. Приведенный способ описания архитектуры и поведения агентной системы позволяет повторно использовать это описание для создания различных спецификаций АИМ за счет интерпретации элементов A/fSt - A
M в других предметных терминах.
Заключение
Авторы считают, что в данной работе новыми являются следующие положения и результаты: концептуальная (онтологическая) модель архитектуры агента, обобщающая существующие архитектуры агентов и позволяющая пользователю применять различные методологические подходы агентного имитационного моделирования в зависимости от решаемой задачи в рамках предлагаемой авторами технологии и инструментального средства [1, 5].
В работе [4] отмечается, что в настоящее время отсутствует общепринятая методология создания MAC, нет инструментальных средств, которые бы зарекомендовали себя на уровне промышленного использования. Предлагаемый подход - это обеспечение возможности отступления от индивидуальных методологических взглядов (взглядов узкого круга исследователей) и предоставления платформы (информационной, методологической, программной) для реализации различных методов агентного имитационного моделирования, выбор которых обусловлен требованиями решаемой задачи, а не отсутствием инструментов для ее решения.
Литература
1. Николайчук О.А., Павлов А.И., Столбов А.Б. Особенности разработки агентных
имитационных моделей на основе модельно-управляемого подхода // Восьмая всероссийская научно-практическая конференция по имитационному моделированию и его применению в науке и промышленности «Имитационное моделирование. Теория и практика» (ИММОД-2017) (18-20 октября 2017 г., С-Петербург). - С-Петербург, 2017. С. 288-293.
2. Тарасов В.Б. Агенты, многоагентные системы, виртуальные сообщества: стратегическое направление в информатике и искусственном интеллекте // Новости искусственного интеллекта. 1998. № 2. С. 5-63.
3. Городецкий В.И., ГрушинскийМ.С., Хабалов А.В. Многоагентные системы (обзор) // Новости искусственного интеллекта. 1998. № 2. С. 64-116.
4. Городецкий В.И., Бухвалов О.Л., Скобелев П.О. и др. Современное состояние и перспективы индустриальных применений многоагентных систем // Управление большими системами. Вып. 66. М.: ИПУ РАН, 2017. С. 94-157.
5. Павлов А.И., Столбов А.Б. Прототип системы поддержки проектирования агентов для имитационных моделей сложных систем // Программные продукты и системы. 2016. № 3. С. 79-84.
Сведения об авторах
Ольга Анатольевна Николайчук
доктор техн. наук, старший научный сотрудник Институт динамики систем и теории управления им. В.М. Матросова СО РАН Эл. почта: nikoly@icc.ru Россия, Иркутск
Александр Иннокентьевич Павлов
кандидат техн. наук, старший научный сотрудник Институт динамики систем и теории управления им. В.М. Матросова СО РАН Эл. почта: asd@icc.ru Россия, Иркутск
Александр Борисович Столбов, кандидат техн.
наук, младший научный сотрудник
Институт динамики систем и теории управления
им. В.М. Матросова СО РАН
Эл. почта: stolboff@icc.ru
Россия, Иркутск
Information about authors
Olga A. Nikolaychuk
Ph.D., Senior Researcher
Matrosov Institute for System Dynamics and Control
Theory of Siberian Branch of RAS
Е-mail: nikoly@icc.ru
Russia, Irkutsk
Alexander I. Pavlov
Ph.D., Senior Researcher
Matrosov Institute for System Dynamics and Control Theory of Siberian Branch of RAS E-mail: asd@icc.ru Russia, Irkutsk
Alexander B. Stolbov
Ph.D., Researcher
Matrosov Institute for System Dynamics and Control Theory of Siberian Branch of RAS E-mail: stolboff@icc.ru Russia, Irkutsk
УДК 004.89 Г.А. Самигулина1, З.И. Cамигулина2
1 Институт информационных и вычислительных технологий 2Казахстанско-Британский технический университет
МОДИФИЦИРОВАННЫЕ АЛГОРИТМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ СОЗДАНИЯ ЛЕКАРСТВЕННЫХ ПРЕПАРАТОВ
Статья посвящена разработке интеллектуальной технологии для прогнозирования зависимости «структура-свойство» лекарственных соединений на основе модифицированных алгоритмов искусственного интеллекта в пакете прикладных программ Rapid Miner. Ключевые слова: прогнозирование зависимости «структура-свойство», модифицированные алгоритмы, методы искусственного интеллекта.
G.A. Samigulina1, Z.I. Samigulina2
institute of information and computing technologies 2Kazakh-British Technical Universit
MODIFIED ALGORITHMS OF ARTIFICIAL INTELLIGENCE TO DRUGS DESIGN
The article is devoted to development of the intellectual technology for predicting of the dependence "structure-property" on the basis of modified algorithms of artificial intelligence in the Rapid Miner software package.
Key words: prediction of dependence «structure/property», modified algorithms, artificial intelligence methods.
