CC BY
340
Международный электронный научный журнал ISSN 2307-2334 (Онлайн)
Адрес статьи: pnojournal.wordpress.com/archive15/15-05/ Дата публикации: 1.11.2015 № 5 (17). С. 136-140. УДК 001.6: 001.51
Применение мультиагентных систем в информационных системах
Статья анализирует много агентные системы. Рассмотрено применение агентных систем в информационных системах Описаны основные свойства агентов. Дается классификация агентов. Показано различие между интеллектуальным и информационным агентом. Статья раскрывает содержание делиберативных агентов. Описаны мультиагентные системы.
В частности, по организационной структуре многоагентных систем выделены следующие типы агентов: агенты-исполнители и агенты-менеджеры, агенты-координаторы, интерфейсные агенты и канальные агенты.
По типу связей выделены типы агентов: синтагматические, парадигматические иерархические субсидиарные. По методам действия выделены и описаны интеллектуальные и информационные агенты. По степени внутреннего представления картины мира и способу реализации поведения выделены и описаны два типа агентов - реактивные и интеллектуальные.
Ключевые слова: искусственный интеллект, информационные конструкции, агент, интеллектуальный агент, интеллектуальные конструкции
С.В.Булгаков
Perspectives of Science & Education. 2015. 5 (17)
International Scientific Electronic Journal ISSN 2307-2334 (Online)
Available: psejournal.wordpress.com/archive15/15-05/ Accepted: 13 September 2015 Published: 1 November 2015 No. 5 (17). pp. 136-140.
s. V. Bulgakov
The use of multi-agent systems in information systems
The article analyzes multi-agent systems. This article describes the properties of the agents. The article gives a classification of agents. The article shows the difference between the intellectual and information agent. The article introduces the concept of intelligent design. This article describes the reactive and intelligent agents. The article reveals the contents of deliberative agents. This article describes multi-agent systems.
In particular, the organizational structure of multi-agent systems, the following types of agents: agents are executors and agents-managers, agents, coordinators, front-end agents and channel agents.
According to the link type selected agent types: syntagmatic, paradigmatic hierarchical subsidiary. On the methods of action are identified and described the intellectual and information agents. According to the degree of internal representation and the way of realization of behavior are identified and described two types of agents - reactive and intellectual.
Keywords: artificial intelligence, information construction, agent, intelligent agent, intelligent construction
Введение
убстанцианальный подход к анализу ин-/ формационных систем однозначно опре-
V__" деляет информационные модели как
основу обработки информации в информационных системах [1]. Однако процесс обработки связан не только с объектами обработки, но и с процессами. В современных условиях повышения сложности информации и процесса обработки все чаще возникает ситуация, при которой не только человек, но даже алгоритмический метод обработки становятся не эффективными. Эти ситуации требуют применения гибких методов обработки. Одним из таких методов является метод агентов и мультиагентных систем [2]. Агент может быть рассмотрен как компьютерная система, которая находится в некоторой динамической среде, и которая способна на автономные действия в этой среде.
Агенты как инструмент снижения
сложности
Проблема сложности связана как со структурной сложностью так и с объемной сложностью. Она встречается как при задачах обработки так и в задачах управления. Мультиагентные системы могут применятся как для обработки таки для управления. Один из подходов к управлению связан с построением сетевых систем (Networking Organizations), подразделения которых могут рассматриваться как автономные предприятия [3]. Сетевая организация является открытой и входящие в ее состав предприятия могут взаимодействовать с другими организациями. Доминирующими процессами в открытых организациях являются: обучение, развитие и адаптация, - требующие согласованного, гибкого и оперативного принятия решения. Это повышает сложность таких систем и создает информационный барьер.
Новый подход к задачам оперативной обработки информации в сетевых и сложных системах связываются с применением мультиагентных технологий [4]. Они развиваются на базе: методов искусственного интеллекта, объектно-ориентированного программирования, параллельных вычислений и телекоммуникаций. В основе этих технологий лежит понятие «агента», программного объекта, способного воспринимать ситуацию, принимать решения и коммуни-цировать с себе подобными. Эти возможности отличают адаптивные и перестраиваемые мультиагентные системы от «жестко» организованных систем. Мультиагентные системы способны к саморазвитию и самоорганизации. Агенты могут действовать от имени и по поручению лиц, принимающих решения, и на основе данных им полномочий в автоматическом режиме вести переговоры, находить варианты решений и со-
гласовывать свои решения друг с другом. Здесь следует отметить тенденцию субсидиарного управления [5], которая реализуется в агентных системах. Представляет интерес исследования агентов как новой формы решения управленческих и научных задач.
Многоагентные системы
В современных исследованиях применяют различные агенты, которые образовывают мультиагентные или многоагентные системы (МАС) [6]. Такая система строится как система агентов, которые могут осуществлять информационное или интеллектуальное взаимодействие друг с другом с помощью информационного языка ACL (Agent Communication Language). Организационная структура МАС определяется ролевыми функциями агентов и нормами их взаимодействия. Архитектура МАС задает взаимодействие агентов в системе. По организационной структуре МАС выделяют следующие типы агентов:
агенты-исполнители и агенты-менеджеры -первые подчиняются вторым;
агенты-координаторы, ответственные за организацию взаимодействия агентов;
интерфейсные агенты, служащие для связи с внешней средой;
канальные агенты, обеспечивающие обмен информацией в системе.
Классификация агентов. По типу связей выделяют следующие типы агентов
синтагматические - связи между равноправными агентами (двухзвенные связи);
парадигматические - связи подчинения вышестоящему звену (двухзвенные);
иерарахические - связи подчинения вышестоящему агенту-координатору (многозвенные связи);
субсидиарные - согласованное действие периферийных агентов, имеющих полномочия от центра управления (многозвенные).
Агент в общем случае имеет следующие характеристики: автономность (Autonomy), целенаправленность (Goal-oriented), корпоративность (Collaborative), реактивность (Reactive), временную непрерывность (Temporal continuity), персонифицированность (Personality), коммуникативность (Communicationability), гибкость (Flexible), мобильность (Mobility), адаптивность (Adaptability), запас рассуждений или способность к выводам (Capacity for reasoning), надежность (Trustworthiness).
По методам действия разделяют интеллектуальные и информационные агенты [2, 4, 6]. Интеллектуальные агенты представляют собой интеллектуальную конструкцию или программное обеспечение, которое осуществляет некоторый набор операций от имени пользователя или другой программы с определенной степенью независимости и автономии, и, таким образом,
используют определенные знания и представления для достижения цели. Интеллектуальные агенты содержат наборы правил, которые позволяют осуществлять самоорганизацию.
Интеллектуальный агент способен на гибкие автономные действия для достижения своих целей. Его характеризуют три свойства: реактивность, проактивность и социальная активность.
В информационных агентах выделяют программные агенты. Под информационным агентом понимается информационная конструкция [7], которая может воспринимать внешний мир и воздействовать на него с помощью заданного алгоритма действий. Информационные агенты содержат набор алгоритмов.
Программные агенты - информационные конструкции, существующие только в программной среде. Они выполняются асинхронно в соответствии с предписанной целью, располагают индивидуальной моделью внешнего мира, которую строят на основе поступающей информации, и способны адаптироваться к изменениям в окружении благодаря обучению. Агенты можно рассматривать как элементы сложной системы, которой является многоагентная система. Агенты, в отличие от элементов классической теории систем, являются гетерогенными элементами системы.
По степени внутреннего представления картины мира и способу реализации поведения выделяют два типа агентов - реактивные и интеллектуальные.
Реактивные агенты имеют примитивную внутреннюю модель внешнего мира. Для них характерно использование концепции состояния и простейших правил поведения типа «стимул - реакция». Реактивные агенты широко применяют применяются в автоматных моделях. Они могут использовать правила, алгоритмы, темпоральные логики. Их достоинством является прозрачность и верифицируемость.
Интеллектуальные агенты (ИА) отличаются тем, что имеют встроенную базу знаний (правил) и развитого механизма планирования действий. Среди них выделяют делиберативные агенты (ДА) [8], которые обладают самостоятельной моделью внешнего мира [9] и способны принимать решения на этой основе. Они постоянно выполняют три функции: интерпретировать восприятие внешнего мира, решать проблемы, сделать выводы и определить действия. Они направлены на восприятие динамических условий в окружающей среде. Их действие влияет на условия в этой среде, они способны на рассуждения.
Существующий уровень развития теории и технологии проектирования делиберативных агентов далек от практической сферы применения. Альтернативный путь интеллектуализации агентов может базироваться на основе ситуационной методологии и принципах вычислительного интеллекта. Агенты имеют "ментальные" характеристики, которые выражают через следующие категории [10]:
ощущения (perceptions) - восприятие обстановки;
убеждения (beliefs) - правдоподобная часть знаний агента о внешней среде;
цели (goals) - желаемый результат воздействий на объект;
намерения (intentions) - план действий.
Агенты постоянно выполняют следующие функции: восприятие динамических условий в окружающей среде; рассуждение; интерпретация восприятия; выявление и решение проблем, выводы и определение действий. Это сближает их с автоматными моделями и позволяет использовать теорию автоматных моделей для построения поведения агентов. Функционирование ИА включает выполнение следующей последовательности действий: восприятие, моделирование внешней среды. моделирование информационной ситуации, анализ ситуаций, планирование действий, исполнение плана.
Решение задач с применением агентов. Решение задач второго рода. Решение всякой простой задачи может быть представлено в виде продукции:
Кр (1)
где Кр - модель реального состояния объекта; Кт - модель требуемого состояния объекта. Решение задачи может быть расчленено на отдельные действия решающей системы и в целом представлено как последовательность этих действий:
Кр ^d1(Kp)^K1 ^ d2(K1)^ К2 ^ ^ Кт (2)
Последовательность действий решающей системы < d1, d2,..., dn > есть путь решения задачи. Под путем решения часто понимают алгоритм решения задачи. По этому критерию все задачи можно разделить на два типа. Если путь решения исходной задачи известен априори, то имеет место решающая система первого рода (1). Если же путь решения исходной задачи неизвестен, то решающая система называется решающей системой второго рода [11].
Для решающих систем второго рода путь решения должен быть задан неявно. Для таких систем характерно, что для них способом решения задач всегда является некоторый метод поиска последовательности < d1, d2,..., dn > выражение (2). Именно применение агентов позволяет решать задачи второго рода [11].
Извлечение знаний. Для извлечения и логической обработки знаний (reasoning) требуется специальная программа - интеллектуальный агент. База знаний, образуемая множеством семантических документов СП, вместе с интеллектуальным агентом (ИА) для извлечения знаний образуют структуру, напоминающую искусственный интеллект [12].
Информационные потоки. Мультиагентная технология моделирования информационных потоков базируется на методике WFMA описания потока в виде интеллектуального агента:
WFMA = < G, В, А, Р, С > ,
где G - цели деятельности агента; В - убеждения агента (агентное видение внешней среды); А - действия (алгоритм поведения) агента; Р - знания агента на основе восприятия; С - механизм коммуникаций (взаимодействия) агента с другими агентами. Агенты взаимодействуют со средой (Миром), которая представляется в виде имитационной модели объекта моделирования.
Агент воспринимает окружающий мир ограничено, поэтому ему недоступна полная информация о глобальном состоянии. Это обусловлено тем, что модель полной картины мира для любого агента является неполной. Агент моделирует информационные ситуации, но также ограниченно, в рамках его перцептивного восприятия. Ситуации идентифицируются или моделируются на основе перпецепции и отражают знания агента о вешней среде. Поэтому более правильно говорить о восприятии внешней среды, которая является подмножеством внешнего мира.
Сети и распределенные системы. Агенты позволяют минимизировать межузловые информационные взаимодействия [13] в одноранговых проблемно-ориентированных распределенных системах. Метод основан на кластеризации программных агентов в семантическом пространстве, представленном в виде
концептуальной модели предметной области, и преобразовании межузловых взаимодействий агентов во внутриузловые [14]. Реализация метода обеспечивает сокращение нагрузки на коммуникационную инфраструктуру и повышение коэффициента доступности прикладных служб программных агентов.
Разработка ментальной структуры агента базируется на когнитивных моделях и методах [15], которые должны обеспечивать работу со слабо структурированной информацией и знаниями, а также реализовывать процессы адаптации (самонастройки, самообучения и самоорганизации). Для этого применяют инструменты конвенционного и вычислительного ИИ [16]: методы машинного самообучения, основанные на формализме и статистическом анализе; рассуждения на основе прецедентов [17] (Case-Based Reasoning); байесовские сети доверия; нейросе-тевые алгоритмы; нечеткую логику; эволюционные вычисления.
Заключение
Как сложная система коллектив агентов обладает свойствами эмерджентности и синерге-тичности. Применение мультиагентных интеллектуальных систем позволяет решать задачи с динамической неопределенностью, информационной неопределенностью и информационной сложностью (применительно к человеческому интеллекту). Этим расширяются границы применимости интеллектуальных систем и методы исследования окружающего мира.
ЛИТЕРАТУРА
1. Цветков В.Я. Информационная модель как основа обработки информации в ГИС // Геодезия и аэрофотосъемка. 2005. № 2. С. 118-122.
2. Безгубова Ю.О. Модели программных агентов в задачах информационного поиска // Славянский форум. 2015. № 2(8). С. 41-49.
3. Todd N. R. Religious networking organizations and social justice: An ethnographic case study //American journal of community psychology. 2012. Т. 50. №. 1-2. С. 229-245.
4. Тарасов В.Б. Агенты, многоагентные системы, виртуальные сообщества: стратегическое направление в информатике и искусственном интеллекте // Новости искусственного интеллекта. 1998. № 2. С. 5-63.
5. Цветков В.Я. Применение принципа субсидиарности в информационной экономике // Финансовый бизнес. 2012. № 6. С. 40-43.
6. Маркелов В.М. Применение мультиагентных систем для управления логистическими системами // Славянский форум. 2014. № 2 (6). С. 82-87.
7. Tsvetkov V.Ya. Information Constructions // European Journal of Technology and Design. 2014. Vol.(5). № 3. p. 147-152.
8. Парасюк И.Н., Ершов С.В. Моделе-ориентированная архитектура нечетких мультиагентных систем // Компьютерная математика. 2010. № 2. С. 62-74.
9. Tsvetkov V.Ya. Worldview Model as the Result of Education // World Applied Sciences Journal. 2014. № 31 (2). р. 211-215.
10. Безгубова Ю.О. Мультиагентное управление распределенными информационными потоками // Образовательные ресурсы и технологии. 2015. № 1(9). С. 113-119.
11. Tsvetkov V^. Incremental Solution of the Second Kind Problem on the Example of Living System, Biosciences biotechnology research Asia, November 2014. Vol. 11(Spl. Edn.), pp. 177-180. doi: http://dx.doi.org/10.13005/bbra/1458.
12. Рассел С., Норвиг П. Искусственный интеллект: Современный подход. 2-е изд. / пер. с англ. М.: Изд. дом «Вильямс», 2006.
13. Tsvetkov V. Ya. Information interaction // European Researcher. 2013. Vol. 62. № 11-1. p. 2573-2577.
14. Маслобоев А.В. Мультиагентная технология информационной поддержки инновационной деятельности в регионе // Труды Института системного анализа РАН: Прикладные проблемы управления макросистемами. Т. 39. М.: Книжный дом «ЛИБРОКОМ». 2009. С. 232-256.
15. Tsvetkov V.Ya. Cognitive information models // Life Science Journal. 2014. № 11(4). рр. 468-471.
16. Васильева Т.Н., Мамонова Т.Е. Применение методов искусственного интеллекта. // XII Международная научно-практическая конференция студентов, аспирантов и молодых ученых «Молодежь и современные информационные технологии». Томск, 2014. С. 402-403.
17. Варшавский П.Р., Еремеев А.П. Моделирование рассуждений на основе прецедентов в интеллектуальных системах поддержки принятия решений // Искусственный интеллект и принятие решений. 2009. № 2. С. 45-57.
REFERENCES
1. Tsvetkov V.Ia. Information model as the basis for information processing in GIS. Geodeziia i aerofotos"emka - Geodesy and aerial photography, 2005, no. 2, pp. 118-122 (in Russian).
2. Bezgubova lu.O. Models of software agents in the information search. Slavianskii forum - Slavic forum, 2015, no. 2(8), pp. 41-49 (in Russian).
3. Todd N. R. Religious networking organizations and social justice: An ethnographic case study. American journal of community psychology, 2012, V. 50, no. 1-2, pp. 229-245.
4. Tarasov V.B. Agents, multi-agent systems, virtual communities: strategic direction in computer science and artificial intelligence. Novosti iskusstvennogo intellekta - News of artificial intelligence, 1998, no. 2, pp. 5-63 (in Russian).
5. Tsvetkov V.Ia. The principle of subsidiarity in the information economy. Finansovyi biznes - Financial business, 2012, no. 6, pp. 40-43 (in Russian).
6. Markelov V.M. Use of multiagent systems for management of logistics systems. Slavianskii forum - Slavic forum, 2014, no. 2 (6), pp. 82-87 (in Russian).
7. Tsvetkov V.Ya. Information Constructions. European Journal of Technology and Design, 2014, Vol.(5), no. 3, pp. 147-152.
8. Parasiuk I.N., Ershov S.V. Model-driven architecture of fuzzy multi-agent systems. Komp'iuternaia matematika - Computer mathematics, 2010, no. 2, pp. 62-74 (in Russian).
9. Tsvetkov V.Ya. Worldview Model as the Result of Education. World Applied Sciences Journal, 2014, no. 31 (2), pp. 211-215.
10. Bezgubova Iu.O. Multi-agent control of distributed information flows. Obrazovatel'nye resursy i tekhnologii - Educational resources and technology, 2015, no. 1(9), pp. 113-119 (in Russian).
11. Tsvetkov V.Ya. Incremental Solution of the Second Kind Problem on the Example of Living System, Biosciences biotechnology research Asia, November 2014. Vol. 11(Spl. Edn.), pp. 177-180. doi: http://dx.doi.org/10.13005/bbra/1458.
12. Rassel S., Norvig P. Iskusstvennyiintellekt:Sovremennyipodkhod. 2-eizd./per. sangl. [Artificial intelligence: a modern approach]. Moscow, Vil'iams Publ., 2006.
13. Tsvetkov V.Ya. Information interaction. European Researcher, 2013, Vol. 62, no. 11-1, pp. 2573-2577.
14. Masloboev A.V. Mul'tiagentnaia tekhnologiiainformatsionnoipodderzhkiinnovatsionnoideiatel'nosti vregione//TrudyInstituta sistemnogo analiza FFAN: Prikladnye problemy upravleniia makrosistemami. T. 39. [Multi-agent technology for information support of innovative activity in the region // Proceedings of Institute of system analysis RAS: Applied problems of macro systems]. Moscow, Librokom Publ., 2009. pp. 232-256.
15. Tsvetkov V.Ya. Cognitive information models. Life Science Journal, 2014, no. 11(4), pp. 468-471.
16. Vasil'eva T.N., Mamonova T.E. Primenenie metodov iskusstvennogo intellekta. //XII Mezhdunarodnaia nauchno-prakticheskaia konferentsiia studentov, aspirantov i molodykh uchenykh «Molodezh' isovremennye informatsionnye tekhnologii» [Application of artificial intelligence methods. // XII international scientific-practical conference of students, postgraduates and young scientists "Youth and modern information technologies]. Tomsk, 2014. pp. 402-403.
17. Varshavskii P.R., Eremeev A.P. Modeling of reasoning on the basis of precedents in intellectual systems of decision support. Iskusstvennyi intellekt i priniatie reshenii - Artificial intelligence and decision making, 2009, no. 2, pp. 45-57 [in Russian].
Информация об авторе Булгаков Сергей Владимирович
(Россия, Москва) Доцент, кандидат технических наук, ученый секретарь Московский государственный университет информационных технологий, радиотехники и электроники E-mail: [email protected]
Information about the author
Bulgakov Sergey Vladimirovich
(Russia, Moscow) Associate Professor, PhD in Technical Sciences, Scientific Secretary Moscow State Institute of Radio Engineering Electronics and Automation E-mail: [email protected]
