Namen sistemov z več agenti (MAS) je usklajevanje neodvisnih procesov. Agent je računalniška entiteta v obliki programa ali robota. Agent se lahko šteje za avtonomnega, ker se lahko prilagodi, ko se njegovo okolje spremeni. MAC je sestavljen iz niza računalniških procesov, ki se dogajajo hkrati in obstajajo ob istem času, si delijo skupne vire in komunicirajo med seboj. Ključna težava v MAC-u je formalizacija koordinacije med agenti.
Definiranje sistemov z več agenti
MAC je v prihodnost usmerjen pristop k razvoju programske opreme za aplikacije v kompleksnih domenah, kjer so medsebojno delujoče komponente aplikacij avtonomne in porazdeljene, delujejo v dinamičnih in negotovih okoljih, morajo biti v skladu z nekaterimi organizacijskimi pravili in zakoni ter se lahko pridružijo in zapustijo sistem z več agenti med izvajanjem.
Primeri takšnih aplikacij so sistemi, kiupravljati in optimizirati proizvodnjo in distribucijo električne energije med odjemalci ali sistemi, ki optimalno načrtujejo obremenitve v transportnih sistemih. Razvoj sistemov z več agenti zahteva ustvarjanje ločenih agentov, organizacij in okolij.
Programski jeziki zagotavljajo programske konstrukcije za izvajanje posameznih agentov v smislu družbenih in kognitivnih konceptov, kot so informacije, cilji, možnosti, norme, čustva in pravila odločanja.
Multiagentske organizacije v smislu družbenih in organizacijskih konceptov imajo vloge, obdarjene z normami, komunikacijskimi protokoli, viri, ki so predmet spremljanja. Razviti programski jeziki in okviri se uporabljajo za ustvarjanje agentskih simulacij za številne industrije neprekinjene proizvodnje: elektrika, metalurgija, zdravstvo, internet, promet, upravljanje prometa in resne igre.
MAS se od sistemov z enim agentom razlikujejo po tem, da imajo več agentov, ki modelirajo drug drugega cilje in dejanja. V splošnem scenariju lahko pride do neposredne interakcije med agenti. Z vidika enega agenta se sistemi z več agenti najbolj razlikujejo od sistemov z enim agentom po tem, da lahko dinamiko okolja določajo drugi agenti. Poleg negotovosti, ki je lahko prisotna v domeni, drugi agenti namerno vplivajo na okolje na nepredvidljive načine.
Tako lahko vse MAC-e štejemo za dinamična okolja, kar je značilno za sodobnasistemi z več agenti. Obstaja lahko poljubno število agentov z različnimi stopnjami heterogenosti, z ali brez možnosti neposredne komunikacije.
arhitektura MAS
Agenti morajo biti opremljeni s kognitivnim modelom:
- prepričanja;
- želje;
- nameri.
Na eni strani bere "Prepričanja" o okolju, ki so rezultat njegovega znanja in zaznav, na drugi strani pa nabor "Želj". Prečkanje teh dveh nizov povzroči nov niz "namer", ki se nato neposredno prevedejo v dejanja.
Agenti morajo imeti komunikacijski sistem. Za ta namen obstaja več specializiranih jezikov: Jezik poizvedbe in manipulacije (KQML). Pred kratkim je bil razširjen standard FIPA-ACL, ki ga je ustvarila FIPA Foundation for Intelligent Physical Agents. To zadnje načelo gradnje večagentskih sistemov temelji na teoriji govornih dejanj.
Problem prilagajanja je težavno vprašanje, ki je trenutno predmet številnih raziskav. Lahko navedemo primer nekaterih virusov, tako bioloških kot računalniških, ki se lahko prilagodijo mutantnemu okolju.
Nazadnje, učinkovita izvedba MAC, čeprav ni strogo gledano del sistemske arhitekture, si zasluži pozornost v številnih programskih jezikih, ki so bili razviti za študij umetne inteligence. Zlasti je omenjen jezik LISP. Ti arhitekturni elementi so uporabljeni v sistemu, ki ga sestavljajo kognitivniagenti.
Kategorije ali modeli agentov
Razvrstitev agentov temelji na dveh kriterijih: kognitivni agenti ali reagenti, ki kažejo na eni strani teleonomsko vedenje ali refleks. Razlikovanje, ki ga lahko naredimo med kognitivnim in reaktivnim, je v bistvu predstavitev sveta, ki je na voljo agentu. Če je posameznik obdarjen s »simbolično predstavo« sveta, iz katere lahko oblikuje sklepanje, potem govorimo o kognitivnem agentu, če pa ima le »podsimbolično predstavo«, torej omejeno na svoje zaznave, govori se o reaktivnem sredstvu. To kognitivno in reaktivno razlikovanje ustreza dvema teoretičnima šolama sistemov z več agenti.
Prva podpira temeljni pristop "pametnih" agentov za sodelovanje s sociološkega vidika. V drugem se preučuje možnost pojava "pametnega" vedenja nabora neinteligentnih agentov (vrsta mravelj). Druga razlika med vedenjskim vedenjem in refleksom ločuje namerno vedenje, zasledovanje eksplicitnih ciljev, od zaznavnega vedenja. Tako se lahko težnje agentov eksplicitno izrazijo v agentih ali, nasprotno, prihajajo iz okolja. Tabela, ki združuje različne vrste agentov:
- Kognitivni agenti.
- Reaktivni agenti.
- Telenomsko vedenje.
- Namerni agenti.
- Upravljani agenti.
- Refleksno vedenje.
- Agenti "moduli".
- Tropski agenti.
Kognitivni agenti so večinoma namerni, t.j.imajo določene cilje, ki jih poskušajo doseči. Vendar se včasih uporabljajo agenti, imenovani moduli, ki imajo predstavo o svojem "vesolju" brez posebnih ciljev. Lahko bi služile na primer za odgovarjanje na vprašanja drugih agentov v "vesolju".
Reagente lahko razdelimo na aktuatorje in tropska sredstva. Instinktivni agent bo imel določeno nalogo in bo sprožil vedenje, če bo videl, da okolje ne ustreza več njegovemu namenu. Tropski agent reagira samo na lokalno stanje okolja, na primer če je svetloba, potem teče. Vir motivacije v internem primeru pogonskih agentov, ki imajo "poslanstvo", se nanaša samo na okolje.
Organizacijske paradigme
Z razvojem tovrstnih sistemov so se razvile različne organizacijske paradigme. Te strukture sistemov z več agenti postavljajo okvir za odnose in interakcije med agenti.
Hierarhije. V tem modelu so agenti hierarhični glede na drevesno strukturo, v kateri je vsako vozlišče agent in ima povezavo dovoljenj na svojih podrejenih vozliščih. Ta model uniči splošni namen sistema.
Holarhija se približuje hierarhiji. Med agentom in njegovo podskupino ni nobenih pooblastilnih razmerij.
Koalicija je začasno zavezništvo agentov, ki se združujejo in sodelujejo, ker se ujemajo njihovi osebni interesi. Vrednost koalicije mora biti večja od vsote posameznih vrednosti komponent agenta.
Kongregacije so zelo podobne koalicijam inukazov. Vendar pa naj bi bili trajni in imajo običajno več ciljev za dosego. Poleg tega lahko agenti vstopajo in zapuščajo občine ter pripadajo več hkrati.
Družba je skupek različnih agentov, ki sodelujejo in komunicirajo. Imajo različne cilje, nimajo enake ravni racionalnosti in enakih zmožnosti, vendar vsi spoštujejo skupne zakone (norme).
Agenti federacije dajo del svoje avtonomije delegatu svoje skupine. Skupinski agenti komunicirajo samo s svojim pooblaščencem, ta pa s pooblaščenci iz drugih skupin.
Prodajni zastopniki ponujajo predmete, ki jih lahko zahtevajo agenti kupcev. Ta vrsta organizacije omogoča, na primer, simulacijo resničnih trgov in primerjavo različnih strategij trgovanja.
Matrični agenti organizacije so hierarhični. Vendar pa za razliko od zgoraj predstavljene hierarhije, kjer je agent podrejen le nekaj drugim agentom, so lahko tisti v eni matrični organizaciji podvrženi več drugim.
Kombinacije - Ta združena organizacija meša številne zgornje sloge. To je lahko na primer koalicija ali hierarhija ekip.
Umetna inteligenca
Cilj kognitivne znanosti je razumeti naravo in delovanje umetne inteligence, ki obdeluje notranje informacije, da bi bile smiselne. Temu opisu ustrezajo številni koncepti: ljudje, računalniki, roboti, senzorični sistemi,seznam je neskončen. Ena vrsta sistema, ki je še posebej zanimiva za kognitivne znanstvenike, je umetni samozastopnik, ki deluje na informacije.
Inteligenten agent (IA) je sposoben sprejemati odločitve na podlagi svojih izkušenj in lahko izbira dejanja v različnih situacijah. Kot nakazuje izraz "umetno", vrsta avtonomnih interesnih agentov ni nekaj, kar je ustvarila narava. Umetno sredstvo je torej vse, kar ustvarijo ljudje, sposoben je delovati na podlagi informacij, ki jih zaznava, lastnih izkušenj, odločitev in dejanj.
Področje izvennaravne inteligence zagotavlja tehnične veščine za prevajanje želenih vrst agentov v programski jezik, sorodno programsko opremo in ustrezno arhitekturo (strojna in sorodna programska oprema) za implementacijo agenta v resničnem ali simuliranem svetu.
Okolje sveta percepcije
Agent je vse, kar zajema okolje preko senzorjev in nanj deluje preko efektorjev, kar se sliši dovolj preprosto. Ta definicija agenta pokriva širok nabor strojev, od termostatov do predmetov, ki se lahko dejansko naučijo majhnega repertoarja vedenja.
Senzorji so orodja, ki jih agent uporablja za zbiranje informacij o svojem svetu. Tipkovnica in videokamera lahko delujeta kot senzorja, če sta povezana z agentom. Na koncu odziva sistema so izvajalci orodja, s katerimi agent vpliva na okolje. Primeri efektorjev somonitor, tiskalnik in robotska roka.
Običajno je okolje agentova domena ali svet. Te domene bi morale biti vsaj za zdaj omejene na posebne vrste situacij, da bi se izognili neomejenim možnostim vsakdanjega sveta.
avtonomni vplivni sistem
Avtonomni agent je "sistem znotraj okolja in del okolja, ki zaznava to okolje in deluje nanj skozi čas, da bi izvajal svojo lastno agendo in da bi vplival na to, kar doživlja v prihodnosti". Ta definicija Franklina in Greisserja odraža vse osnovne funkcije inteligentnih agentov, razen njihove družabnosti. To zagotavlja dober približek glavnih značilnosti široke palete AI v razvoju.
Takšni agenti čutijo svoje okolje. Toda tu senzorični podatki ali zaznave vključujejo ne le podatke o drugih predmetih, temveč tudi vpliv samega agenta na stanje v okolju. Senzorji so lahko organski, kot so oči in ušesa ter njihovi nevronski procesorji, ali umetni, kot so video in avdio procesorji, vgrajeni v digitalni računalnik. Okolje je lahko zelo omejeno območje, kot je zaprt prostor, ali zelo zapleteno, kot je borza ali zbirka asteroidov. Senzorji se morajo ujemati z vrstami predmetov, s katerimi agent komunicira.
Refleksna vrsta interakcije
Reflektor ima bolj zapleten mehanizem. Namesto neposredne dinamikev odnosu do okolja išče na seznamu pravil, kaj mora narediti. Refleksni agent se na dano zaznavo odzove s programiranim odzivom. Tudi če obstaja na tisoče možnih odzivov na dano zaznavo, ima agent vgrajen seznam situacijskih pravil za izvedbo tistih odgovorov, ki jih je programer že upošteval. Pravilo situacijskega ukrepanja je v bistvu hipotetični imperativ.
Refleksni agenti res niso zelo bistri. Enostavno ne prenesejo novosti. Inteligentni agent vsebuje značilnosti svojih manj sofisticiranih bratrancev, vendar ni tako omejen. Deluje po dnevnem redu. Ima niz ciljev, ki jih aktivno zasleduje. Ciljni agent razume trenutno stanje okolja in kako to okolje običajno deluje. Zasleduje glavne strategije ali cilje, ki jih ni mogoče doseči takoj. Zaradi tega je agent aktiven, ne samo reaktiven.
Ciljni funkcionalni pripomoček
Pri bolj zapletenih agentih se gospodinjski ukrep uporablja za različna možna dejanja, ki se lahko izvajajo v okolju. Ta zapleten načrtovalnik je agent, ki temelji na storitvah. Zastopnik, ki temelji na storitvah, bo ocenil vsak scenarij, da bi ugotovil, kako dobro dosega določena merila za dober rezultat. Stvari, kot so verjetnost uspeha, viri, potrebni za dokončanje scenarija, pomembnost cilja, ki ga je treba doseči, čas, ki bi ga potreboval, je vse mogoče upoštevati v izračunih funkcije uporabnosti.
KerKer programer običajno ne more predvideti vseh stanj sveta, s katerimi se bo agent srečal, bi bilo število pravil, ki bi jih bilo treba napisati za refleksnega agenta, astronomsko tudi na zelo preprostih področjih, kot je načrtovanje sestankov ali organizacija transportnih poti in zalog.
Osnovna krmilna zanka
Glede na definicijo inteligentnega agenta, razmislite o osnovni kontrolni zanki, ki jo je leta 2000 napisal teoretik agentov Michael Vuladrich:
- ohrani mir;
- posodobitev notranjega modela sveta;
- doseči namerni namen;
- uporabite sredstva/cilje, da dobite načrt za namere;
- izvedite načrt;
- končaj postopek.
Ta vzorec potrebuje nekaj razlage. Agent opazuje svet - to pomeni, da s svojimi senzorji zbira zaznave. Senzor je lahko tipkovnica, pritrjena na digitalni računalnik, ali vizualni procesor, pritrjen na robota. Lahko je karkoli, kar agentu omogoča zbiranje reprezentacij sveta. Posodobitev notranjega modela pomeni, da agent doda novo zaznavanje svojemu zaporedju zaznav in programiranih informacij o svetu.
Razvojne platforme z več agenti
AnyLogic je odprtokodna večagentna in večkomponentna simulacijska programska oprema CORMAS, ki temelji na objektno usmerjenem programskem jeziku SmallTalk.
DoMIS je orodje za načrtovanje sistemov z več agenti, osredotočeno na "operativni nadzor kompleksnih sistemov" in temelji na metodi načrtovanja B-ADSC.
JACK je programski jezik in razvojno okolje za kognitivne agente, ki ga je razvila Agent Oriented Software kot agentsko usmerjeno razširitev jezika Java.
GAMA je odprtokodna platforma za modeliranje (LGPL), ki ponuja prostorsko eksplicitno okolje za modeliranje na podlagi agentov z uporabo podatkov GIS za opis agentov in njihovega okolja.
JADE (RAZVOJ JAVA Agentov) je odprtokodni razvojni okvir z več agenti, ki temelji na jeziku Java.
Sedem standardnih modelov
V evolucijskem procesu raziskovanja je več informacij o tem, kako ustvariti sistem, ki je zanesljiv in predstavlja višjo raven kakovosti. Trend za nadaljevanje je dopolnjevanje ali razširitev obstoječih metod, ki so uspele konsolidirati odločanje v okviru razvoja.
Metodološki standard omogoča, da na razumljiv in preprost način ustvarite MAC, ne samo z uporabo naravnega jezika, temveč tudi z uporabo opisnih predlog, ki pomagajo pri specifikaciji sistema.
Metodološki standard ponuja sedem modelov problemov ali njihovih rešitev za gradnjo MAC-a:
- Model scenarija, ki opisuje podjetje ali organizacijo.
- Model ciljev definira in opisuje organsko strukturo.
- Model agenta opredeljuje ljudi in avtonomne sisteme.
- Vzornik povezuje cilje in cilje z določenim agentom.
- Organizacijski model opisuje okolje, s katerim je posamezen agent povezan.
- Model interakcije opisuje odnos in poudarja njihovo koordinacijo agentov.
- Načrtovalni model definira agentsko in omrežno arhitekturo.
Primeri interakcije med agenti
MAS se uporabljajo za simulacijo interakcije med avtonomnimi agenti. Uporaba sistemov z več agenti, na primer, v sociologiji omogoča parametriranje različnih agentov, ki sestavljajo skupnost. Z dodajanjem omejitev lahko poskusite razumeti, katera komponenta bo najučinkovitejša za doseganje pričakovanega rezultata. Morali bi eksperimentirati s scenariji, ki jih resnični ljudje ne bi dosegli iz tehničnih ali etičnih razlogov.
Distributed IA je bil ustvarjen za reševanje kompleksnosti velikih monolitnih nenaravnih inteligentnih programov – izvajanje, distribucija in centraliziran nadzor. Za rešitev kompleksnega problema je včasih lažje ustvariti relativno majhne programe (agente) v sodelovanju kot en velik monoliten program. Avtonomija omogoča sistemu, da se dinamično prilagaja nepredvidenim spremembam v okolju.
Primeri sistemov z več agenti v industriji iger na srečo so številni in raznoliki. Uporabljajo se v video igrah in filmih, vključno s programsko opremo MASSIVE, na primer za simulacijo gibanja množice v trilogiji Gospodar prstanov. Lahko tudiuporabljajo podjetja, na primer za sledenje vedenju strank, ki brskajo po spletnih mestih.
MAS se uporabljajo tudi v svetu financ. Platforma MetaTrader 4 na primer omogoča uporabo strokovnih agentov pri avtomatiziranem trgovanju, ki sledijo tečajem Forex
Prednosti uporabe sistema
V raziskavah IA je bila tehnologija sistemov, ki temeljijo na agentih, sprejeta kot nova paradigma za konceptualizacijo, načrtovanje in implementacijo programskih sistemov. Prednosti pristopa z več MAS:
- Deli računalniške vire in zmogljivosti v omrežju med seboj povezanih agentov.
- Omogoča medsebojno povezovanje in interoperabilnost več obstoječih starih sistemov.
- Pokrivajo različna področja, vključno z vzdrževanjem letal, e-denarnicami, vojaškimi minami, brezžičnimi komunikacijami in komunikacijami, načrtovanjem vojaške logistike, sistemom upravljanja dobavne verige, sodelovalnim načrtovanjem misij, upravljanjem finančnega portfelja.
V raziskavah je bila tehnologija IA za sisteme, ki temeljijo na agentih, sprejeta kot nova paradigma za konceptualizacijo, načrtovanje, implementacijo in učenje z več agenti programskih sistemov.
Tako je MAC ohlapno povezana mreža programskih agentov, ki sodelujejo pri reševanju problemov, ki presegajo individualne sposobnosti ali znanje vsakega povzročitelja težav.
