по
Меню журнала
> Архив номеров > Рубрики > О журнале > Авторы > О журнале > Требования к статьям > Редакция и редакционный совет > Порядок рецензирования статей > Рецензирование за 24 часа – как это возможно? > Политика издания > Ретракция статей > Этические принципы > Политика открытого доступа > Оплата за публикации в открытом доступе > Публикация за 72 часа: что это? > Политика авторских прав и лицензий > Политика цифрового хранения публикации > Политика идентификации статей > Политика проверки на плагиат
Журналы индексируются
Реквизиты журнала

Публикация за 72 часа - теперь это реальность!
При необходимости издательство предоставляет авторам услугу сверхсрочной полноценной публикации. Уже через 72 часа статья появляется в числе опубликованных на сайте издательства с DOI и номерами страниц.
По первому требованию предоставляем все подтверждающие публикацию документы!
ГЛАВНАЯ > Вернуться к содержанию
Кибернетика и программирование
Правильная ссылка на статью:

Принятие технических решений с помощью многоагентных систем
Бондаренко Игорь Борисович

кандидат технических наук

доцент, Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики

197101, г. Санкт-Петербург, Кронверкский проспект, д.49.

Bondarenko Igor' Borisovich

PhD in Technical Science

Associate Professor, St. Petersburg National Research University of Information Technologies, Mechanics and Optics

197101, g. Saint Petersburg, Kronverkskii prospekt, d.49.

igorlitmo@rambler.ru
Коробейников Анатолий Григорьевич

доктор технических наук

профессор, кафедра Проектирования компьютерных систем, Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики

197101, г. Санкт-Петербург, Кронверкский проспект, д.49

Korobeinikov Anatolii Grigor'evich

Doctor of Technical Science

197101, g. Saint Petersburg, Kronverkskii prospekt, d.49

Korobeynikov_A_G@mail.ru
Прохожев Николай Николаевич

аспирант, , Санкт-Петербургский государственный университет ин-формационных технологий, механики и оптики

197101, г. Санкт-Петербург, Кронверкский проспект, д.49

Prokhozhev Nikolai Nikolaevich

197101, g. Saint Petersburg, Kronverkskii prospekt, d.49

karaja2@yandex.ru
Михайличенко Ольга Викторовна

старший преподаватель, Санкт-Петербургский государственный университет ин-формационных технологий, механики и оптики

197101, г. Санкт-Петербург, Кронверкский проспект, д.49

Mikhailichenko Ol'ga Viktorovna

197101, g. Saint Petersburg, Kronverkskii prospekt, d.49

19791109@list.ru

Аннотация.

В статье описан метод принятия технических решений с использованием теории многоагентных систем. Разработана структура системы принятия решений, а также описаны возможные вариации входящих в нее компонент. Многоагентные системы являются результатом пересечения теорий систем с системами распределенного искусственного интеллекта. В кооперативных многоагентных системах решение принимается в результате совместной работы, а в конкурирующих – отдельных действий агентов. У корпоративных структур многоагентных систем имеется свойство самоорганизации. Задача принятия решения - это задача выбора наилучшего варианта из многих, осуществляемая в условиях неопределенности. В функции поведения агента выделяются три части: первая закладывается проектировщиком агента, вторая вычисляется в результате работы агента по выработке действий, и третья – формируется в результате обучения агента по мере накопления опыта. Работа агента в частично наблюдаемой, стохастической, последовательной, динамической, непрерывной и мультиагентной среде считается наиболее сложной.

Ключевые слова: мультиагентная среда, технические решения, структура, искусственный интеллект, интерфейс, интеллектуальный агент, база знаний, алгоритм, система распределения, принятие решений

DOI:

10.7256/2306-4196.2013.1.8305

Дата направления в редакцию:

25-05-2013


Дата рецензирования:

26-05-2013


Дата публикации:

1-2-2013


Abstract.

This paper describes a method of making technical decisions using the theory of multi-agent systems. The structure of decision-making system, and describes the possible variations of its constituent components. Multi-agent systems are the result of the intersection theory of systems with distributed artificial intelligence systems. In co-operative multi-agent systems, the decision is made as a result of joint work, and competing - individual agents' actions. At the corporate structures of multi-agent systems have the property of self-organization. The problem of making decision is the task of selecting the best option out of many under conditions of uncertainty. The functions of the agent's behavior is divided into three parts: the first lays designer agent, the second is calculated as a result of the agent on development activities, and the third - formed as a result of learning agent with experience. Job agent in a partially observable, stochastic, sequential, dynamic, continuous and multi-agent environment is considered to be the most difficult.

Keywords:

knowledge base, intelligent agent, interface, artificial intelligence, structure, technical solutions, multiagent environment, algorithm, allocation system, decision making

Введение

Многоагентные системы (МАС) являются результатом пересечения теорий систем с системами распределенного искусственного интеллекта (ИИ). В качестве агентов выступают некоторые сущности (в нашем случае программные модули), находящиеся в некоторой среде и способные интерпретировать и исполнять команды, поступающие от управляющих модулей, а также воздействовать на среду [1]. В общем случае агент может содержать как программные, так и аппаратные средства.

МАС подразделяют на кооперативные, конкурирующие и смешанные. В кооперативных МАС решение принимается в результате совместной работы, а в конкурирующих – отдельных действий агентов. Поэтому только у корпоративных структур МАС имеется свойство самоорганизации, так как только в этом случае происходит взаимодействие агентов между собой. При этом учитываются все альтернативные варианты, решение постоянно изменяется, что, в итоге, приводит к нахождению решения задачи.

Построение МАС на принципах ИИ представляет наибольшую сложность, так как: необходимо организовывать агентов между собой и с координационным центром, создавать среду, управлять изменением структуры и т.д. К тому же задача проектирования МАС с интеллектуальными агентами является ресурсоемкой задачей, а сложность ее зависит от варианта взаимодействия агентов [2,3].

Постановка задачи и метод решения

Для получения результата, лучшего, чем суммарный вклад всех агентов, входящих в МАС, необходима организация взаимодействия агентов между собой; к тому же агенты должны обладать интеллектуальными свойствами. То есть в нашем случае не подходят простые и смарт-агенты.

Под задачей принятия решения будем понимать задачу выбора наилучшего варианта из многих, осуществляемую в условиях нехватки информации, то есть в условиях неопределенности. Для таких задач характерно: наличие элементов нечетких множеств, отсутствие точного определения целевых функций (ЦФ), невозможность составить четкого алгоритма решения, ограниченность ресурсов.

Для создания сообщества агентов необходимо разработать :

- структуру МАС;

- стратегии поиска решения;

- структуру представления информации.

В разрабатываемой системе (рис. 1) каждый интеллектуальный агент имеет доступ к базе знаний (БЗ) и может обмениваться этими знаниями с другими агентами. Агенты являются разнородными и соответствуют множеству методов решения задачи.

1

Рис. 1. Структура МАС

Поведение агента опишем с помощью функции:

`Z(M,U)` ,

которая отображает входную информацию (в том числе и от датчиков) с помощью метода `M` и содержит случайную компоненту `U` для выбора действия агента. Действия агента и определяет его тип, то есть последний зависит от функции `Z(M,U)` , или заложенного в него алгоритма работы (рис. 2). Причем алгоритм работы предполагает генерацию действий с определенной вероятностью. Действия агента должны максимизировать успех, или выгоду от его работы.

2

Рис. 2. Структура агента

В функции поведения агента выделяются три части: первая закладывается проектировщиком агента, вторая вычисляется в результате работы агента по выработке действий, и третья – формируется в результате обучения агента по мере накопления опыта. Если в агенте будет превалировать первая часть, то такой агент не будет автономным, а если третья часть, то процессу самообучения не на что будет опираться и, поэтому, знания не смогут накапливаться.

Как видно из рисунка 2, работа агента определяется не только заложенными в него алгоритмами, но и типом внешней среды. Она может характеризоваться следующими свойствами [4]:

- полностью наблюдаемая или частично наблюдаемая;

- детерминированная или стохастическая;

- эпизодическая или последовательная;

- статическая или динамическая;

- дискретная или непрерывная;

- одноагентная или мультиагентная.

К наиболее сложному случаю относится работа агента в частично наблюдаемой, стохастической, последовательной, динамической, непрерывной и мультиагентной среде.

Возвращаясь к схеме рис. 1, организуем работу МАС следующим образом. Пусть агенты способны решать однотипные задачи, но с помощью разных методов. Тогда в качестве действия агенты выдают результаты решения поставленной задачи в виде альтернативных вариантов (по одному или по несколько вариантов в зависимости от метода).

Для обмена информацией между агентами служит агент-координатор. Он преобразует условия решаемой задачи в понятный для интеллектуальных агентов вид, а также через интерфейс пользователя обменивается данными с человеком-оператором. Через этого агента осуществляется доступ пользователя к БЗ.

В случае распараллеливания работы методов, в функции агента-координатора входит и синхронизация поступающей информации о решениях.

Заключение

Не смотря на то, что агенты используются давно: при поиске информации в БД и сети Интернет, при работе операционных систем и т.д., – использование МАС, а тем более с интеллектуальными компонентами сильно затруднено. Описанный в статье подход не претендует на полноту и законченный вид, а является только началом исследования различных вариантов МАС, пригодных для принятия решений в условиях роста неопределенности выбора оптимального варианта из множества альтернатив.

Библиография
1.
Таранников, Н. А. Разработка многоагентной системы для поддержки принятия решений в экономике и управлении: диссертация ... кандидата экономических наук: 08.00.13 Волгоград, 2007. – 98 с.
2.
Люгер Джордж Ф. Искусственный интеллект: стратегии и методы решения сложных проблем/Джордж Ф. Люгер, 4-е издание.: Пер. с англ.–М.: Издательский дом "Вильямс", 2003.–864с.
3.
Шампандар Алекс Дж. Искусственный интеллект в компьютерных играх: как обучить виртуальные персонажи реагировать на внешние воздействия/ Алекс Дж. Шампандар: Пер. с англ. – М.: ООО "И.Д. Вильямс", 2007. – 768с.
4.
Рассел, С. Дж. Искусственный интеллект: современный подход/ С.Дж. Рассел, Норвиг П. Норвиг, 2-е изд.: Пер. с англ. – М.: Издательский дом "Вильямс", 2006. – 1408с.
References (transliterated)
1.
Tarannikov, N. A. Razrabotka mnogoagentnoi sistemy dlya podderzhki prinyatiya reshenii v ekonomike i upravlenii: dissertatsiya ... kandidata ekonomicheskikh nauk: 08.00.13 Volgograd, 2007. – 98 s.
2.
Lyuger Dzhordzh F. Iskusstvennyi intellekt: strategii i metody resheniya slozhnykh problem/Dzhordzh F. Lyuger, 4-e izdanie.: Per. s angl.–M.: Izdatel'skii dom "Vil'yams", 2003.–864s.
3.
Shampandar Aleks Dzh. Iskusstvennyi intellekt v komp'yuternykh igrakh: kak obuchit' virtual'nye personazhi reagirovat' na vneshnie vozdeistviya/ Aleks Dzh. Shampandar: Per. s angl. – M.: OOO "I.D. Vil'yams", 2007. – 768s.
4.
Rassel, S. Dzh. Iskusstvennyi intellekt: sovremennyi podkhod/ S.Dzh. Rassel, Norvig P. Norvig, 2-e izd.: Per. s angl. – M.: Izdatel'skii dom "Vil'yams", 2006. – 1408s.
Ссылка на эту статью

Просто выделите и скопируйте ссылку на эту статью в буфер обмена. Вы можете также попробовать найти похожие статьи


Другие сайты издательства:
Официальный сайт издательства NotaBene / Aurora Group s.r.o.
Сайт исторического журнала "History Illustrated"