23Известия Кабардино-Балкарского научного центра РАН № 5 (49) 2012
— ИНФОРМАТИКА. НАНОТЕХНОЛОГИИ. АСТРОНОМИЯ =
УДК 004-896
САМООРГАНИЗУЮЩАЯСЯ СИСТЕМА ПРИНЯТИЯ РЕШЕНИЙ НА ОСНОВЕ АВТОМАТНОГО ПРЕДСТАВЛЕНИЯ
РЕКУРСИВНОЙ МУЛЬТИАГЕНТНОЙ КОГНИТИВНОЙ АРХИТЕКТУРЫ ДЛЯ СИСТЕМ ОБВОЛАКИВАЮЩЕГО ИНТЕЛЛЕКТА
П.М. ИВАНОВ, З.В. НАГОЕВ
ФГБУН Институт информатики и проблем регионального управления Кабардино-Балкарского научного центра РАН 360000, КБР, г. Нальчик, ул. И. Арманд, 37-а E-mail: iipru@r ambler. ru
Рассмотрены процессы самоорганизации, порождающие семантически нагруженные аттракторы, интерпретируемые в терминах формирования процессов рассуждения. Интеллектуальное поведение макросистемы на верхних уровнях достигается за счет рекур-сивности когнитивной архитектуры, позволяющей инкапсулировать когнитивные функции в мультиагентные когнитивные блоки различного уровня сложности. В качестве формальной основы подобных макросистем применен рекурсивный детерминированный абстрактный автомат. Обосновано использование самоорганизующихся систем принятия решений, основанных на распределенных мультиагентных коллективах, в качестве базовой платформы для формирования децентрализованного интегрированного антропоцентрического управления обволакивающим интеллектом.
Ключевые слова: когнитивная архитектура, мультиагентная система, рекурсивный агент, искусственный интеллект, интеллектуальное принятие решений, обволакивающий интеллект.
Введение
Концепция обволакивающего интеллекта (ambient intelligence) к настоящему моменту уверенно превращается в одну из доминирующих парадигм развития информатики. Наиболее мощными факторами в поддержку этого направления, на наш взгляд, являются опережающее исполнение прогнозов относительно чрезвычайно быстрого ускоряющегося насыщения среды обитания человека электронными устройствами и нарастающие проблемы, связанные с отсутствием эффективных антропоцентрических систем управления огромным количеством таких устройств и систем. Основные отличительные свойства систем обволакивающего интеллекта, связанные с естественными для человека интерфейсами, глубоким ситуативным анализом, многомодальной и целостной обработкой гетерогенных источников информации, работой в превентивном стиле, необходимостью согласования интересов всех подключенных пользователей, порождают огромный пласт неразрешенных теоретических проблем. Среди них на первом месте - задача создания так называемого распределенного искусственного интеллекта (РИИ), способного интегрировать устройства различной степени интеллектуальности, распределенные вычислительные мощности, удаленные сенсоры и исполнительные механизмы для превентивного изменения среды обитания в интересах пользователей. Наиболее эффективным современным подходом к созданию систем РИИ, на наш взгляд, считается подход на основе мультиа-гентных технологий. Это направление в настоящее время предоставляет прекрасные инструментальные возможности для работы с распределенными системами и самое главное -
для создания на основе взаимодействующих агентов самоорганизующихся интеллектуальных систем принятия решений.
На основе разветвленных мультиагентных когнитивных архитектур синтез интеллектуального решения рассматривается как процесс, каждая часть которого детерминирована внутренними механизмами отдельных когнитивных блоков и общесистемными целями и архитектурными свойствами.
Одним из наиболее современных трендов в научном осмыслении процесса интеллектуального принятия решений, на наш взгляд, является рассмотрение самоорганизации в системах, состоящих из естественных и технических агентов, в качестве основной движущей силы, определяющей характер и основные свойства этого процесса. Мультиагентные системы (МАС) прекрасно подходят для имитационного моделирования самоорганизации и эмерджентного возникновения аттракторов, интерпретируемых на верхних уровнях в терминах значимых состояний, оказывающих существенное влияние на поведение системы в целом.
К настоящему моменту попытки формализации мышления в основном строятся на основе синтеза и объединения теоретических оснований самоорганизации и мультиагентных технологий.
Однако само направление МАС к настоящему моменту в результате очень быстрого развития приложений является в большей степени технологией, чем теорией. В связи с этим возникают методологические трудности, не позволяющие построить целостное теоретическое обоснование применения МАС для моделирования процессов самоорганизации, лежащих в основе эмерджентного возникновения в макросистемах интеллектуальных форм поведения и рассуждений.
Цель данной работы состоит в разработке концепции МАС, предназначенной для моделирования процесса интеллектуального принятия решений на основе самоорганизации в системе обволакивающего интеллекта.
Задача исследования состоит в обосновании эффективности формального описания такой МАС на основе рекурсивных детерминированных абстрактных автоматов.
Для достижения поставленной цели предлагается использование так называемой муль-тиагентной рекурсивной когнитивной архитектуры (МуРКА) [5, 7, 8], позволяющей определить когнитивные блоки на разных уровнях архитектуры системы, инкапсулировать функциональность агентов и обеспечить мультиагентное взаимодействие между агентами разных уровней самоорганизующейся системы.
Для формализации такой архитектуры предлагается использовать рекурсивный детерминированный абстрактный автомат [5], отражающий рекурсивную структуру и мультиа-гентный характер подобных систем.
В работе также дается описание алгоритмов, задающих функции переходов и функции выходов таких автоматов, позволяющих им участвовать в процессах самоорганизации системы, обучения и обмена знаниями между агентами.
1. Автоматное представление агента
Существует давняя традиция применения теории автоматов для описания различных систем, в том или ином виде эксплуатирующих идеи агентности и автономности различных вычислителей и узлов обработки информации, в том числе моделей биологических и самоорганизующихся систем. Как отмечается в [10], «особое место... занимает школа коллективного поведения автоматов М.Л. Цетлина [11, 12]. В работах этой школы впервые в мире был поставлен вопрос о возможности моделирования целесообразного поведения в стационарной среде при рассмотрении коллектива реактивных агентов минимальной сложности».
Необходимость построения внутренних моделей, правил вывода, планировщиков и т.п. позже привела исследователей к отказу от автоматного описания агентов в пользу методов, в наибольшей степени связанных с основными моделями и формализмами рассуждений, применяемыми для описания данного типа агента, основанного на представлении. Это могут быть модели логики предикатов, деонтической, модальной, эпистемиологиче-ской и пр. логик, нейросетевые формализмы, эволюционные алгоритмы и др.
Можно допустить, что некоторым «адаптером» между такими специальными моделями и автоматными формализмами являются онтологии и протоколы современных МАС. Их, на наш взгляд, можно рассматривать как расширение автоматной модели, связанное с необходимостью формирования более развитого целенаправленного поведения на основе известных способов и моделей организации рассуждений [2]. Таким образом, можно считать, что для формализации агентов с внутренним представлением автоматное описание используется неявно.
Рекурсивные когнитивные мультиагентные архитектуры формируют богатую структуру внутреннего представления на основе рекурсивного процесса самоорганизации [7]. При этом «точкой выхода» из рекурсии являются как раз реактивные агенты, располагающиеся на самом нижнем уровне когнитивной архитектуры.
Одним из наиболее строгих формальных подходов к автоматному описанию МАС, на наш взгляд, можно считать так называемое инсерционное моделирование [6, 12]. Агенты описываются как транзитивные системы, погруженные (инсерции) в некоторую среду, обеспечивающую взаимодействие между ними на основе продукционных правил. Формальное описание системы позволило эффективно применять этот подход в задачах муль-тиагентного моделирования сложных систем и верификации распределенных систем управления.
Интересно, что в работах Ньюэлла и Саймона [9], к которым восходит традиция построения формального описания агентов на основе систем продукций, последние не рассматривались в качестве элементарных единиц знания или поведения. Скорее, они представлялись правилами модификации символьной системы, с помощью которых могли быть построены активные системы высокого уровня.
Одним из наиболее перспективных представляется подход к формализации агентов и МАС на основе алгебры алгоритмов [1, 3]. Алгоритм как объединение систем продукций представляет собой универсальную единицу поведения агента [4]. С некоторыми допущениями можно утверждать, что протоколы мультиагентного взаимодействия - это алгоритмы, реализованные на сторонах переговаривающихся агентов. С учетом необходимости моделирования разнообразных агентов и их взаимодействий, в том числе операций над агентами и множествами агентов, алгебраическое описание, по определению обладающее высоким уровнем абстракции, является, на наш взгляд, компактным и эффективным. При этом поведение агента может быть формализовано с применением алгебры алгоритмов. Хорошо развитая теоретическая и формальная основа этой методологии, на наш взгляд, может быть эффективно применена к описанию автоматов, взаимодействующих в составе МАС.
В [13] дается вариант формального представления агента как конечного автомата, а мультиагентной системы - как системы взаимодействующих друг с другом конечных автоматов.
В целом разделяя точку зрения, высказанную в указанных работах в связи с возможностью эффективного применения автоматного подхода к описанию агентов, мы все же считаем, что наиболее точное описание агента можно получить на основе детерминированного абстрактного автомата, способного не только распознавать некоторый входной язык
и менять свои состояния, но также и порождать высказывания на некотором выходном языке. Обмен высказываниями является ключевым свойством МАС.
2. Агент как детерминированный абстрактный автомат Используем в качестве формальной основы описания агента детерминированный абстрактный автомат:
5,-С(1)
где 57* - множество состояний системы, XI - входной алфавит, Л - выходной алфавит, = . 5; <— 5; ; = : ■ " 5 :; - функция переходов автомата,
= = Х^ Ав/, ) - функция выходов.
' автомата.
Здесь xjs - слово входного алфавита Xi, а у? - слово выходного алфавита. Таким образом, автомат (1)распознает слова XJ„ в алфавите Xi и в соответствии со своим состоянием выполняет действие AJ/ для перехода в состояние и выполнения во внешней среде
W действий Y^f Функции S[ и у1 строятся с учетом энергии состояний и действий. Функционирование такого автомата можно описать соотношениями
Элементарным агентом, или агентом ранга 0 (нулевого ранга), будем называть систему X? = SiiRi, F^Gj}, состоящую из генома агента С. = ¿>. и у множества рецепторов агента Rt[rilr ...,rift} и множества эффекторов агента Fi{fii,...,fu^ Будем считать, что множество рецепторов Я; является структурной частью агента порождающей все слова входного
алфавита Хи а множество эффекторов Ft - структурной частью агента, порождающей все слова выходного алфавита Х- •
Агентом ранга n, или рекурсивным агентом, или просто агентом назовем множество
iv г ■.. !vL ". , ,. i^.v " j.
Как нетрудно заметить, данное описание агента рекурсивно включает в себя описания других агентов. В данном случае мы получаем рекурсивный детерминированный абстрактный автомат, состояния которого определяются не только входами, состояниями, функцией переходов и функцией выходов данного уровня, но также и состояниями и выходами всех автоматов, встроенных в данный (автоматов нижнего уровня (ранга).
Таким образом, рекурсивный детерминированный абстрактный автомат, инкапсулирующий такие же автоматы (на нижних уровнях рекурсии), на наш взгляд, является основой формального представления МАС, опирающихся на идею МуРКА. Для МАС, ориентированной на эмерджентный синтез аттракторов, интерпретируемых в качестве элементов интеллектуального рассуждения, принципиальное значение имеет как структура и функционал агента, так и правила локального взаимодействия агентов в составе МАС.
Ключевым элементом, определяющим, на наш взгляд, эффективность таких правил для формирования семантически нагруженных состояний МАС, является концепция знания. Кроме того, принципиальное значение имеет целенаправленность поведения агентов в самоорганизующейся системе. Например, в биологических эмерджентных системах генетически детерминированное поведение агентов направлено на выживание, на обеспечение собственной активности за счет приобретения энергии из среды обитания. Для искусст-
венных систем модели целенаправленного поведения реализуются путем введения в рассмотрение некоторых абстрактных критериев, для оптимизации которых строятся переходные функции агентов. Например, широко известны критерии полезности или критерий ограниченной рациональности, часто применяемые в МАС. На наш взгляд, природа агентности, единая для биологических и искусственных систем, позволяет сформировать универсальный критерий - максимизация энергии. Ведь без энергии не может быть активности, а без активности - функциональности. Если сопоставить каждому состоянию
агента энергию £(5^ ), которой он обладает в этом состоянии, то, построив переходную
функцию агента с учетом предпочтения перехода из состояния с меньшими значениями энергии в состояния с большими значениями, мы получим простейшего реактивного, но уже целенаправленного агента.
Рассмотрим структуру минимального агента, способного к обучению и коллективному целенаправленному поведению (рис. 1).
Рис. 1. Агент, способный к кооперативному решению задач
Мы рассматриваем таблицы переходов и выходов автомата как базу знаний агента. В представление знания можно ввести еще и выражения для описания энергии состояний и энергии, необходимой для совершения действий, а также энергии, приобретенной в результате перехода автомата в новое состояние:
.
Агент, блок-схема алгоритма поведения которого изображена на рисунке 1, уже способен к обучению. Он распознает слово входного алфавита XУ, перебирая записи, хранящиеся в базе знаний.
Если соответствующая запись в базе знаний присутствует, то агент выполняет соответствующее действие У/-. Если же такого знания опыт не содержит, то агент, вообще говоря, может выбрать различные стратегии поведения. Например, он может выбрать наилучшее с точки зрения ожидаемого энергетического результата действие из множества знаний со сходными входными состояниями (высказываниями на распознаваемом языке). После реализации выбранного действия агент в соответствии с актуализированной записью в таблице переходов должен перейти в ожидаемое состояние Sj. Однако с учетом частичной наблюдаемости среды, стохастического и динамического характера событий, в ней происходящих, агент может перейти в некоторое иное состояние Sj . Дождавшись
времени /к, которое необходимо для того, чтобы ожидаемый переход в новое состояние полностью завершился, агент замеряет энергию Е( Sj ) нового состояния (либо состояния
Е( Sj )), после чего в обоих случаях он может актуализировать базу знаний, используя
один из большого количества методов синтеза новых знаний на основе рассогласования между ожидаемыми и фактическими состояниями (энергетическими результатами).
Если неразрешимая проблема (входная ситуация, для которой нет записи в таблице переходов) является источником потери энергии, а стремление сохранить и преумножить энергию лежит в основе мотивации агента, то за знание о том, как выйти из данной ситуации, агент был бы готов отдать часть своей энергии. В этом случае он пожертвовал бы малым для того, чтобы сохранить многое.
Для других же агентов, база знаний которых содержит искомое решение, такое предложение является интересным, так как позволяет, совершив незатратные с точки зрения энергии действия, приобрести дополнительную энергию. На основе взаимного интереса агентов возникает мультиагентное взаимодействие.
Заключение
Таким образом, на основе целенаправленного агента, ориентированного на максимизацию энергии и использующего знания в соответствии с алгоритмом, представленным на рис. 1, на наш взгляд, возможен синтез процессов самоорганизации, порождающих семантически нагруженные аттракторы.
Организация сложного процесса рассуждения или формирование интеллектуального поведения макросистемы на верхних уровнях достигаются за счет рекурсивности когнитивной архитектуры, позволяющей инкапсулировать когнитивные функции в мультиа-гентные когнитивные блоки различного уровня сложности.
Формальной основой, позволяющей, на наш взгляд, эффективно реализовать подобную МАС, является рекурсивный детерминированный абстрактный автомат.
Самоорганизующиеся системы принятия решений, основанные на распределенных мультиагентных коллективах, представляют собой безальтернативную платформу для организации децентрализованного интегрированного антропоцентрического управления обволакивающим интеллектом.
ЛИТЕРАТУРА
1. Глушков В.М. Введение в кибернетику / Печатается по постановлению научного совета по кибернетике АН УССР. Киев: Изд-во АН УССР, 1964.
2. Городецкий В.И., Карсаев О.В., Самойлов В.В., Серебряков С.В. Прикладные мно-гоагентные системы группового управления // Искусственный интеллект и принятие решений, 2009. № 2.
3. Иванов П.М. Автоматно-алгебраические модели в информационных технологиях. Материалы II международной конференции «Автоматизация управления и интеллектуальные системы и среды». Красная Поляна, 23-29 декабря 2011 г. Изд-во КБНЦ РАН. Т. I.
C. 4-15.
4. Иванов П.М. Алгебраическое моделирование сложных систем. М.: Изд-во «Наука» - «Физматлит», 1996. 272 с.
5. 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. № 4 (48). Изд-во КБНЦ РАН, 2012.
6. 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». Кив: Вид-во 1К НАНУ, 2008. С. 293 - 301.
7. Нагоев З.В. Формализация агента для задачи синтеза интеллектуального поведения на основе рекурсивной когнитивной архитектуры. Материалы Международного конгресса по интеллектуальным системам и информационным технологиям IS&IT11, 2-9 сентября. Дивноморское, 2012. Т. II.
8. Нагоев З.В. Интеллектуальная система на основе фрактальной мультиагентной нейронной пластичной когнитивной архитектуры. Материалы Международного конгресса по интеллектуальным системам и информационным технологиям IS&IT11, 2-9 сентября. Дивноморское, 2011. Т. III. С. 5-10.
9. Стюарт Рассел, Питер Норвиг. Искусственный интеллект: современный подход (AIMA) = Artificial Intelligence: A Modern Approach (AIMA). 2-е изд. М.: Вильямс, 2007. 1424 с.
10. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям. М.: Эдиториал УРСС, 2002. 352 с.
11. Цетлин М.Л. Исследования по теории автоматов и моделированию биологических систем. М.: Наука, 1969.
12. Цетлин М.Л. О поведении конечных автоматов в случайных средах // Автоматика и телемеханика, 1961. Т. 22. № 10. C. 1345-1354.
13. Letichevsky A., Gilbert D. A Model for Interaction of Agents and Environments, In
D.Bert, C.Choppy, P.Moses (Eds), Resent Trends in Algebraic Development Techniques, LNCS 1827, 311-328, 1999.
14. Naumov Lev, Shalyto Anatoly. Proceedings of International Conference Integration of Knowledge Intensive Multi-Agent Systems: Modeling, Exploration and Engineering. KIMAS-03". Boston: IEEE Boston Section. 2003. P. 65-70. Automata Theory for Multi-Agent Systems Implementation.
SELF-ORGANIZING DECISION-MAKING SYSTEM ON THE BASIS OF AUTOMATIC REPRESENTATION OF RECURSIVE MULTIAGENT COGNITIVE ARCHITECTURE FOR SYSTEMS OF ENVELOPING INTELLIGENCE
P.M. IVANOV, Z.V. NAGOEV
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@rambler.ru
The processes of the self-organizing generating semantically loaded attractors, interpreted in terms of formation of processes of a reasoning are considered. The intellectual behavior of a macrosystem at top levels is reached at the expense of recursiveness of the cognitive architecture allowing to incapsulate cognitive functions in multiagent cognitive blocks of various level of complexity. As a formal basis of similar macrosystems the recursive determined abstract automatic machine is applied. Use of self-organizing systems of the decision-making based on distributed multiagent collectives, as a base platform for formation of decentralized integrated anthropocentric managements of enveloping intelligence is proved.
Key words: cognitive architecture, multiagent system, recursive agent, artificial intelligence, intelligent decision-making, ambient intelligence.
Работа поступила 01. 10. 2012 г.
