26 июня 2016г.
Многоагентные (мультиагентные) системы (МАС) представляют собой одно из направлений разработки интеллектуальных систем, предназначенные для организации функционирования сложных систем, основанные на синтезе нескольких интеллектуальных систем, которые принято называть «агентами» [2,3,5,8]. В общем случае, синтез нескольких интеллектуальных систем позволяет эффективно распределить вычислительную нагрузку между различными модулями системы [4,6,7]. Как правило, в каждом конкретном случае агенты выполняют только строго определенные функции такие как: предварительная обработка входной информации, классификация, распознавание, принятие решений и т. д. Обобщенная схема агента может быть проиллюстрирована на Рисунке 1.
При этом
следует
отметить основополагающие требования,
предъявляемые к архитектуре агентов, применяемые при разработке многоагентных систем:
1) автономность – способность функционирования агента без вмешательства человека или компьютерных средств, при этом агент осуществляет контроль над своими действиями и состояниями;
2) общественное поведение – возможность агента взаимодействовать с другими агентами
посредством протокола;
3)
реактивность – способность агента воспринимать состояние среды и реагировать на её
изменение;
4) целенаправленность – возможность агента не только реагировать на состояние внешней среды, но и выражать инициативу, проявляя целенаправленное поведение.
Используя приведенную стратегию синтеза
агентов, необходимо учитывать возможность агентов воспринимать и обрабатывать неточную, нечеткую и противоречивую информацию.
Как правило, при разработке интеллектуальных систем может быть реализована одна из двух основных, используемых на практике моделей многоагентных систем, представленных на Рисунках 2 и 3:
- децентрализованная многоагентная система, называемая также системой равноправных агентов;
- централизованная многоагентная система.
В системе равноправных агентов все агенты взаимодействуют между собой автономно, поддерживая взаимосвязь внешней и внутренней среды в состоянии равновесия. Многоагентные системы такого типа принято называть
самоорганизующимися.
В централизованной многоагентной системе присутствует координатор, которые управляет всеми агентами и координирует их действия, сохраняя состояния внутренней и внешней среды в равновесии.
В настоящее время разрабатываются МАС как с целью изучения и моделирования природных, социальных и технологических процессов, так и для решения прикладных задач: системы жизнеобеспечения, системы слежения и охраны, системы управления недетерминированными технологическими процессами и т.д.
Одним из важнейших направлений развития информационных технологий является моделирование искусственной жизни. В качестве возможной модели реализована система MANTA [2], ориентированная на создание программной среды для исследования социальных систем и основана на поведении муравьиной колонии. Система MANTA состоит из трех типов агентов:
1) агенты-сотрудники: матка, рабочие муравьи, мужские особи;
2) зависимые агенты: личинки на различных стадиях развития и коконы;
3) агенты, моделирующие физические объекты: свет, влажность, мусор и погибшие особи.
Свойства агентов объединены в иерархическую структуру классов таким образом, что класс,
который расположен ниже по иерархии, наследует свойства класса-родителя.
Модель MANTA является удачной попыткой объединить биологию и физику искусственного мира в рамках агенто-ориентированного подхода, где сообщество муравьев реализовано как иерархия реактивных агентов.
Так же в качестве примера МАС можно рассмотреть систему моделирования эволюции искусственных организмов на уровне генома Tiera [3]. В данной МАС создается среда, в которой моделируется эволюция по Ч. Дарвину без вмешательства человека. Автором данной МАС является Т. Рэй. Организмами в Tiera являются компьютерные программы, написанные на машинном языке, который содержит 32 пятиразрядные команды.
Главной особенностью модели Tiera является то, что программы изменяются путем случайных мутаций и перестановок, но остаются выполнимыми, хотя могут потерять свои функциональные характеристики и полезность. Это свойство изменчивости используется моделью Tiera для управления процессом эволюции: вводятся случайные мутации, которые приводят к созданию других особей, не способных к размножению, либо к потомству, которое воспроизводится чаще и быстрее своих предков. Если количество особей достигает максимального количества, то модель Tiera производит удаление организмов, наименее приспособленных к дальнейшей эволюции и размножению.
Модель Tiera – типичный пример восходящего подхода к реализации МАС и моделированию искусственной жизни.
В начале XXI века начала проявляться тенденция перехода от академических исследовательских проектов в области разработки МАС к созданию действующих МАС для применения в промышленности, информационной безопасности, в системах государственного и организационного управления, в медицине и т.д.
Аналогичные исследования проводятся в Великобритании, где на основе МАС разработана и внедрена система управления электрическими подстанциями ARCHOTM [1], которая используется для устранения ошибок идентификации и сервисного восстановления электросети.
Предложенная система МАС состоит из семи агентов, которые находятся на различных уровнях управления (SCADA, EMS, SAS). В этой МАС каждый агент отвечает за свою специфическую функцию, например, идентификация неизвестной сети или интерфейса системы управления.
Исследования по разработке интеллектуальных систем на основе МАС получили развитие и в России [1,4,5]. В последние годы разработка интеллектуальных систем поддержки принятия решений наблюдается в различных областях науки
и техники. В качестве примера можно привести
МАС, предназначенную для
построения системы интеллектуальной поддержки принятия решений на основе анализа и классификации рентгеновских снимков грудной клетки (МКРС) [1], структура которой представлена на Рисунке 4.
Ядром МКРС является многоагентный гибридный анализатор изображений (МАГАИ). МАГАИ, в свою очередь, состоит из четырех интеллектуальных агентов, которые ориентированы на анализ рентгеновских снимков. Входными данными этих агентов являются рентгеновские снимки, которые прошли обработку в агенте предварительной обработки изображений (АПОИ).
Цель работы этого агента – минимизировать различия в изображениях, которые связанны с аппаратурой, процессом получения рентгеновского снимка и конституционными особенностями пациента. Выходными данными агентов МАГАИ являются два показателя, находящиеся в диапазоне от 0 до 1:
а) уверенность, что результат исследования – норма;
б) уверенность, что результат исследования – патология.
Агенты МАГАИ включают в себя формирователи пространства информативных признаков и блоки принятия решений, которые основаны на нейронной сети, нечеткой нейронной сети и гибридной нейронной сети. Структуры этих нейронных сетей хранятся в базе знаний и при необходимости могут быть использованы агентами МАГАИ.
Входными данными мета-агента экспресс-анализа являются результаты вычислений МАГАИ. Эти данные обрабатываются нейронной сетью, конфигурация которой храниться в базе знаний. Выходными данными мета- агента экспресс-анализа являются два числа в диапазоне от 0 до 1, которые характеризуют вероятность нормы и вероятность патологии.
В заключение следует отметить, несмотря на то, что МАС слабо изучены, в настоящее время имеются первые практические реализации данных систем. МАС применяются в имитационном моделировании, медицине, промышленности, в системах автоматического контроля и т. д.
Приведенные факты свидетельствуют о том, что МАС являются одним из наиболее перспективных направлений в области изучения и разработки интеллектуальных систем.
Список литературы
1.
Дегтярев,
С.В.
Многоагентный подход построения
системы
интеллектуальной поддержки
принятия решений анализа и
классификации флюорограмм / С.В. Дегтярев,
Филист С.А., Дюдин М.В. //Биомедицинская радиоэлектроника, 2014, №9. - С.17-21.
2. Модель искусственной жизни MANTA [Электронный ресурс] // Портал искусственного интеллекта. Режим доступа: http://www.aiportal.ru/articles/multiagent-systems/model-of-artificial-life-manta.html.
3. Модель искусственной жизни Tiera [Электронный ресурс] // Портал искусственного интеллекта. Режим доступа:
http://www.aiportal.ru/articles/multiagent-systems/model-of-artificial-life-tierra.html.
4. Томакова, Р.А. Гибридные методы
и
алгоритмы для
интеллектуальных систем классификации сложноструктурируемых
изображений: автореф. дисс.
…
д-ра техн. наук:
05.13.17/
Томакова
Римма Александровна. – Белгород, 2013. – 42с.
5.
Томакова, Р.А. Многоагентные системы классификации на основе нелинейных моделей импеданса в биоактивных
точках/ Р.А. Томакова, А.А. Мухаммед, Л.В. Плесканос//Биомедицинская радиоэлектроника. 2014. –№9. – С. 51-55.
6.
Томакова, Р.А. Структурно-функциональные решения нечетких нейронных сетей для интеллектуальных систем анализа разнотипных признаков/ Р.А. Томакова,
С.А Филист, В.В. Жилин, С.А. Горбатенко//Фундаментальные и прикладные проблемы техники и технологии. 2011. –№1. –С.85-91.
7.
Томакова, Р.А. Универсальные сетевые структуры в задачах классификации многомерных данных/ Р.А. Томакова, А.А. Насер, О.В. Шаталова, Е.В. Рудакова// Современные наукоемкие технологии. 2012. –№8. – С.48-49.
8. Швецов, А.Н. Агентно-ориентированные системы: от формальных моделей к промышленным приложениям / Всероссийский конкурсный
отбор
обзорно-аналитических статей по приоритетному направлению "Информационно-телекоммуникационные системы",
2008. - 101 с.
