10Известия Кабардино-Балкарского научного центра РАН № 6 (56) 2013
- МАТЕМАТИКА. ИНФОРМАТИКА. НАНОТЕХНОЛОГИИ =
УДК 004. 896
ОНТОНЕЙРОМОРФОГЕНЕТИЧЕСКОЕ МОДЕЛИРОВАНИЕ ВИРТУАЛЬНЫХ ПРОТОТИПОВ В ИНТЕГРИРОВАННЫХ САПР НА ОСНОВЕ МУЛЬТИАГЕНТНЫХ ЗНАНИЙ И БИОИНСПИРИРОВАННЫХ АЛГОРИТМОВ*
З.В. НАГОЕВ, В.Ч. КУДАЕВ, М.М. ОШХУНОВ, И.А. ПШЕНОКОВА
ФГБУН Институт информатики и проблем регионального управления Кабардино-Балкарского научного центра РАН 360000, КБР, г. Нальчик, ул. И. Арманд, 37-а E-mail: iipru@rambler.ru
Разработаны принципы онтонейроморфогенетического моделирования виртуальных прототипов объектов в интегрированных САПР. Показано, что применение мультиагент-ных рекурсивных когнитивных архитектур, саморазвивающихся на основе взаимодействия с помощью мультиагентных экзистенциальных отображений, позволяет получать многомодальные виртуальные модели изделий. Разработана концепция мультиагентных знаний и алгоритмов, реализующих избирательное отражение базовых свойств виртуальных прототипов, существенных для целей проектирования.
Ключевые слова: мультиагентные рекурсивные когнитивные архитектуры, онтонейро-морфогенетическое моделирование, мультиагентные экзистенциальные отображения, интегрированные САПР.
Введение
Интегрированные САПР механики и электроники являются современным перспективным направлением, актуальность которого определяется необходимостью разработки сложных устройств, содержащих механические, мехатронные, электронные и программные компоненты, такие, например, как роботы и другие аппаратно-программные комплексы. Наиболее эффективной метафорой проектирования в таких САПР, на наш взгляд, в настоящее время является так называемый виртуальный прототип - модель изделия или устройства, отвечающая требованиям многомодальности и наличия геометрических и расчетных данных для интерактивной трехмерной визуализации и моделирования поведения и свойств реального изделия или устройства с помощью подпрограмм инженерных расчетов.
Если рассматривать нейроны головного мозга как базовые управляющие узлы, обеспечивающие внутренние модели алгоритмикой и вычислительными ресурсами, то можно сделать вывод, что благодаря абстрагированию и связанному с ним избирательному упрощению наблюдаемой реальности вычислительные сети мозга способны управлять объектами реального мира, намного превосходящими сами эти сети по количеству структурных элементов и сложности взаимосвязей [1, 4]. Очевидно, подобная эффективность основана на способах избирательного построения моделей, обеспечивающих их исключительную биологическую ценность и на средствах их представления, характеризующихся высочайшей функциональной пригодностью.
* Работа выполнена при поддержке грантов РФФИ № 12-07-00624-а, № 13-07-01003-а, № 12-01-00367-а, № 13-01-00929-а.
Цель данного исследования состоит в разработке основных принципов и универсальных алгоритмов моделирования виртуальных прототипов изделий и сборок в интегрированных САПР на основе нейроморфологического подхода.
Задачами исследования являются:
- анализ причин эффективности нейроморфологических моделей головного мозга;
- разработка архитектуры самообучающихся моделей на основе процессов онтонейро-морфогенеза;
- разработка алгоритмов построения онтонейроморфогенетических моделей реальных объектов на основе процессов извлечения и применения мультиагентных знаний и биоин-спирированных алгоритмов самоорганизации мультиагентных рекурсивных когнитивных архитектур.
1. Нейроморфологические модели и мультиагентные отображения
Основная функция модели любого типа - предоставление информации о свойствах и поведении объектов в ответ на запросы некоторых внешних по отношению к ней систем. Это свойство сохраняется вне зависимости от формы представления модели. Реализация подобного функционала моделей возможна в силу того, что, как правило, эти модели применяются в составе некоторых систем управления и принятия решений (рис. 1).
Гипотезы: Запросы подтверждения правильности и новых гипотез Модели: Знания Решения:
- люди - планировщики - алгоритмы - роботы - агенты - «движки» - нейроны - математические - имитационные - дескриптивные - натурные - компьютерные - вербальные - концептуальные - нейронные - действия - значения - зависимости - свойства - описания - сообщения
Система управления, или принятия решений
Рис. 1. Общая концепция применения моделей
Не следует забывать о том, что все виды информации, которые способен осознавать человек, в мозге приводятся в формат, который может быть обработан вычислительными сетями нейронов (рис. 2).
Важно, на наш взгляд, следуя в направлении общемирового тренда биоинспирирован-ных формализмов, все же ориентироваться на вычислительные аспекты нейронных сетей головного мозга. В этом смысле нейрон, повторимся, на наш взгляд, следует рассматривать как базовый вычислитель, который берет на себя определенную часть расчетов, которые необходимо провести для того, чтобы вся модель была адекватна и достаточно точна. В этом смысле в рассуждениях об универсальных средствах построения моделей удобно опираться на концепцию агента: нейроны могут рассматриваться как агенты [5], а в совокупности вычислительная сеть, состоящая из нейронов, - как слабо связанная мультиа-гентная система, в которой происходят процессы самоорганизации, направленные на достижение аттракторов, интерпретируемых в терминах значимых состояний и алгоритмов. В [8] вводится так называемая мультиагентная когнитивная архитектура (МуРКА), задающая общие конструктивные архитектурные принципы для создания сложных систем ин-
теллектуального принятия решений и управления на основе слабо связанных мультиагентных систем.
• ► Имитационные <
Внешняя среда
Рис. 2. Взаимосвязь традиционных видов моделей с базовой нейроморфологией мозга
Агентом ранга Ь, МуРКА [6] считается рекурсивный агент:
Здесь ^ - геном агента, С; - приобретенные знания, - множество рецеп-
торов агента, ^¿{/¿1, — - множество эффекторов агента, К/ - «встроенные» агенты нижних рангов (уровней вложенности МуРКА), расположенные на 7-х структурных уровнях ранга Ь — 1. Множества ^ и С; состоят из знаний, представляющих собой продукции вида (рис. 3):
'Г = <41с л 4!"; 4Те>- )а<гь<ьс<)-<ье<
Здесь - начальная ситуация, я/" - конечная (желательная) ситуация, а-/е - действие, которое переводит агента из начальной ситуации в конечную.
Рис. 3. Темпоральная структура знания в МуРКА
Будем считать, что множества ( и С^ образуют базу знаний агента: ( 0 С^ = 12 3" 4.
Подобная рекурсивная структура агента хорошо соответствует концепции МуРКА на основе инварианта интеллектуальной обработки информации на базе когнитивных функций.
Пусть агент Х£ ранга Ь, расположенный на уровне 1 МуРКА, обладает информацией
(знанием) о своем текущем состоянии и в соответствии с одним из продукционных
У _ ( Ь -Л
правил V , записанных в его базе знаний 121 Х£ I, отправляет множеству агентов
|кк 6 )} следующего уровня запрос (предложение) о совместной обработке этой ситуа-
У (1-1)
ции в обмен на энергию ек , которую кто-то из агентов уровня 1 — 1 должен предоставить («заплатить») в качестве вознаграждения за возможность совместной обработки ситуации з/^1 = Л и соответственно возможность приобретения («заработка») дополнительной энергии из среды. Добавим в обозначение состояний агентов номер уровня в дереве поиска, на котором они находятся. В [6] через
"Ь 1 < ? К(1-1)} = ^'.«¡Т* = т».,'(м) Е
обозначается отображение из множества состояний X = агента Х£ в множество
состояний I = иКМ11){5,;(:-11)"-:1},С у.П(т-1) = |{<(1-1)}|.
Вводится также буквенное обозначение для такого отображения:
V : X < I; у = V (х).
В [6] такое отображение называется мультиагентным экзистенциальным отображением (МАЭО), или функцией (МАЭФ), или V-отображением (V-функцией).
Если считать, что взаимоотношения между агентами на разных уровнях когнитивной архитектуры организованы на основе МАЭО, то возникают интересные новые возможности для формализации самоорганизующихся мультиагентных алгоритмов, основанных на контрактных отношениях между агентами.
На наш взгляд, механизм МАЭО определяет вычислительную абстракцию некоторых взаимодействий между нейронами головного мозга, существенных для построения универсальных моделей объектов и явлений, и передает некоторые важные свойства таких моделей.
Во-первых, как уже упоминалось, такие модели избирательны.
Во-вторых, уточняемы и огрубляемы в большом диапазоне значений.
В-третьих, они формируются на основе обучения - на основе знаний.
В-четвертых, многомодальны и комплексны.
В-пятых, они динамические и ориентированы прежде всего на моделирование поведения.
В-шестых, масштабируемы и связаны с другими моделями.
Мозг с одинаковой легкостью строит, например, модели человеческого поведения, теплопроводности, упругости и самого себя. Это означает только одно: существует некий
универсальный алгоритм построения таких моделей, опирающийся на вычислительные сети нейронов.
Основы такого подхода, на наш взгляд, заложены в работах [5] (онтонейроморфогенез), [6] (мультиагентные экзистенциальные отображения), [8] (мультиагентная рекурсивная когнитивная архитектура).
2. Онтонейроморфогенез и МуРКА
Под процессом онтонейроморфогенеза (ОНМГ) агента понимается динамическое формирование топологии нервной системы, учитывающей индивидуальный опыт и свойства организма агента (онтология) [5]. Разработанный алгоритм нейропластичности реализует процесс формирования топологии нервной системы путем моделирования роста и деградации невритов, образования и разрушения синапсов и удовлетворяет требованиям ситуа-тивности, проактивности и целенаправленности.
В работах [2, 3] проведено развитие данного подхода в направлении построения абстрактной сущности онтонейроморфогенеза. В частности, сети нейронов рассмотрены как группы агентов, связанных на основе МАЭО и реализующих вычисления на основе принципа максимизации энергии, извлекаемой организмом из среды обитания.
С учетом особенностей отношений вложенности и функциональной специализации такие группы структурируются в составе МуРКА, позволяющей определить когнитивные блоки на разных уровнях архитектуры системы, инкапсулировать функциональность агентов и обеспечить мультиагентное взаимодействие между агентами разных уровней самоорганизующейся системы.
3. ОНМГ-модели
Итак, в процессе создания моделей реального мира на основе онтонейроморфогенеза и МАЭО в мозге происходит формирование вычислительной сети, состоящей из нейронов-агентов, представляющих собой рекурсивные когнитивные архитектуры. Следует отметить, что связи в составе всех уровней когнитивных архитектур являются слабыми, основанными на так называемых мультиагентных контрактах (МА-контрактах), описывающих процессы взаимодействия между агентами на основе протоколов обмена информацией и энергией.
В основе МА-контракта лежит МАЭО. Типы МА-контрактов включают в себя предложение обмена информации (знаний) на энергию (продажа знаний) и обмена энергии на информацию (покупка знаний). Фактическое выполнение контракта представляет собой согласованную коллективную активность агентов, осуществляемую ими с целью извлечения энергии из внешней среды. В случае ненадлежащего исполнения обязательств по контракту или неэффективности такой деятельности агенты расторгают контракты и ищут новых партнеров. В таком механизме самоорганизации, направленном на синтез мультиа-гентных алгоритмов коллективного поведения, проявляется, на наш взгляд, системная сущность онтонейроморфогенеза. В целом система выявления проблемных областей и подбора вычислителей получается исключительно гибкой и чувствительной к требованиям к качеству моделей.
Ключевой характеристикой таких моделей является адаптивность, достигаемая за счет процессов самоорганизации в мультиагентных рекурсивных когнитивных архитектурах, реализуемых на основе онтонейроморфогенеза. В [7] такие модели названы онтонейро-морфогенетическими (ОНМГ-модели), а сам процесс их построения - онтонейроморфо-генетическим моделированием, или ОНМГ-моделированием.
Фрагмент среды (объект, тело) моделируется отдельными агентами, обеспечивающими поддержку вычисления параметров в пространстве связной топологии. Агенты выступают в роли вычислительных узлов и представляют определенные свойства конкретных топо-
логических участков объектов, а контракты между ними определяют характер взаимозависимостей между этими свойствами, характерными для данных топологических областей объекта моделирования (рис. 4).
Так как процесс ОНМГ-моделирования самоуточняющийся, в принципе первоначальные модели могут быть довольно грубыми. Они могут характеризоваться недостатком параметров и точности. Вообще говоря, сам процесс выбора топологических областей пространства (или областей объектов) тем или иным нейроном-агентом должен быть детерминирован энергетическими потребностями нейрона. Такие области мы можем условно назвать проблемными. То же справедливо и в отношении свойств, и в отношении взаимосвязей.
Рис. 4. Двухмодальная онтонейроморфогенетическая модель плоской прямоугольной области
Этот выбор как раз и есть предмет описания онтонейроморфогенеза. Проблемные области объектов, свойства и процессы являются конструктивными с точки зрения управления потоками энергии во внешней среде. Нейронные сети ориентированы на то, чтобы избежать потерь энергии и, наоборот, максимизировать ее приобретение за счет конструктивной алгоритмики, направленной в первую очередь на корректную с точки зрения этих системных целей обработку проблемных областей, свойств и отношений объектов. В этом смысле энергетическая окрашенность именно проблемных частей, свойств и отношений объектов, которая становится явной в процессе онтонейроморфогенеза, является определяющим фактором избирательного абстрагирования - ключевого свойства моделирования. Кроме того, опираясь на концепцию МуРКА, мы можем однозначно определить, что такое абстрагирование происходит на основе мультиагентного представления знаний и алгоритмов, которое в свою очередь опирается на процессы субоптимального поиска в пространстве энергетических состояний.
Таким образом, ОНМГ-модели характеризуются семантической содержательностью и отсутствием избыточных связей и элементов. При этом компактность и комплексность не противоречат точности и полноте описания.
Принцип прост: каждой проблеме - отдельный вычислитель. Если есть что-то важное с точки зрения возможных потерь или приобретений энергии, необходимо организовать отдельный вычислитель (или группу вычислителей), задачей которого будет синтез так называемых мультиагентных знаний (знаний, основанных на взаимодействии агентов посредством МАЭО - МА-знаний) и выполнение МА-алгоритмов, направленных на минимизацию потерь и максимизацию приобретений. При этом соответственно несущественные с точки зрения энергии части, свойства и отношения не выделяются и вычислительные узлы для их обработки не создаются.
В случае необходимости повышения точности моделей в определенных предметных областях в них добавляются новые вычислительные узлы - агенты-нейроны, базы знаний которых автоматически на основе контуров самообучения пополняются новыми
МА-знаниями. Эти новые узлы подключаются к выполнению МА-алгоритмов, синтезируя новые ветки и развивая динамические когнитивные архитектуры, направленные на управление приобретением энергии в проблемных областях (рис. 5).
Рис. 5. Уточненная трехмодальная онтонейроморфогенетическая модель
плоской прямоугольной области
В случае необходимости расчета различных параметров многомодальных виртуальных прототипов в САПР, существенных в одной пространственной точке проблемной области, МуРКА позволят использовать когнитивные архитектуры нижних рангов для того, чтобы организовать достаточно мощную вычислительную сеть, обеспечивающую выполнение всех необходимых алгоритмов. На рис. 5 приведена ОНМГ-модель, в которой на основе самоорганизации МуРКА выявлены новые дополнительные проблемные области и модальности. В частности, высокая концентрация черных точек, представляющих собой схематическое обозначение агентов - вычислительных узлов в центре объекта, связана с необходимостью более детального анализа процессов, протекающих в этой области объекта и с необходимостью более точного управления ими. А появление светло-серых точек и областей означает добавление в ОНМГ-модель расчетов новой модальности. Например, если объект представляет собой прямоугольный металлический стержень, то агенты-вычислители, обозначенные черными точками, могут вычислять упругие взаимодействия внутри стержня: темно-серыми точками - электропроводность, светло-серыми точками -химическую реактивность.
Заключение
Таким образом, ОНМГ-моделирование на основе МА-знаний и МуРКА определяет естественный способ построения универсальных, многомодальных, адаптивных, динамических, самоуточняющихся, комплексных виртуальных прототипов объектов и процессов реального мира. Универсальный компактный в вычислительном плане самообучающийся адаптивный нейроморфологический алгоритм построения моделей любых объектов и процессов, реализуемый в аппаратно-программной форме, создаст предпосылки для построения интегрированных САПР, осуществляющих инженерные расчеты и визуализацию в режиме реального времени.
ЛИТЕРАТУРА
1. Иванов П.М. Алгебраическое моделирование сложных систем. М.: Изд-во: Наука -Физматлит, 1996, 272 с.
2. Иванов П.М., Нагоев З.В. Самоорганизующаяся система принятия решений на основе автоматного представления рекурсивной мультиагентной когнитивной архитектуры
для систем обволакивающего интеллекта // Известия КБНЦ РАН. Нальчик: Издательство КБНЦ РАН, 2012. № 5 (49). С. 30-37.
3. Кудаев В.Ч., Нагоев З.В., Нагоева О.В. Рекурсивные агенты для задач моделирования интеллектуального принятия решений на основе самоорганизации мультиагентных когнитивных архитектур // Известия КБНЦ РАН. Нальчик: Издательство КБНЦ РАН, 2012. № 4 (48). С. 50-57.
4. Летичевский А.А. Инсерционное моделирование / Ю.В. Капитонова, А.А. Летичев-ский // Пращ мiжнар. конф. «50 роюв 1нституту юбернетики iм. В.М. Глушкова НАН Украни». Кшв: Вид-во 1К НАНУ, 2008. С. 293-301.
5. Нагоев З.В. Алгоритм пластичного субстратного онтонейроморфогенеза для проак-тивного виртуального агента. Материалы всероссийской конференции с международным участием «Проблемы информатизации общества». Нальчик, 7-11 октября 2008 г.
6. Нагоев З.В. Мультиагентные экзистенциальные отображения // Известия КБНЦ РАН. № 4 (54). Нальчик: Изд-во КБНЦ РАН, 2013.
7. Нагоев З.В. Онтонейроморфогенетическое моделирование // Известия КБНЦ РАН. № 4 (54). Нальчик: Изд-во КБНЦ РАН, 2013.
8. Nagoev Z.V. Multiagent recursive cognitive architecture. Biologically Inspired Cognitive Architectures 2012, Proceedings of the third annual meeting of the BICA Society, in Advances in Intelligent Systems and Computing series, Springer, 2012. Pp. 247-248.
ONTONEUROMORPHOGENETIC MODELING OF VIRTUAL PROTOTYPES IN INTEGRATED CADS ON A BASIS OF MULTIAGENT KNOWLEDGE AND BIOINSPIRED ALGORITHMS
Z.V. NAGOEV, V.CH. KUDAEV, M.M. OSHKHUNOV, I.A. PSHENOKOVA
Institute of Computer Science and Problems of Regional Management of KBSC of the Russian Academy of Sciences 360000, KBR, Nalchik, 37-a, I. Armand street E-mail: iipru@r ambler. ru
The principles of ontoneuromorphogenetic modeling of virtual prototypes in integrated CADs are worked out. The application of multiagent recursive cognitive architectures that are self-organizing with the help of multiagent existential mappings is shown to allow to develop multimodal virtual models of products. The conception of multiagent knowledge and algorithms, realizing selective reflection of basic properties of virtual prototypes, that are substantial for design purposes, is worked out.
Key words: multiagent recursive cognitive architectures, ontoneuromorphogenetic modeling, multiagent existential mappings.
Работа поступила 11. 12. 2013 г.
