Мивары: 25 лет создания искусственного интеллекта - [66]
Процесс разработки многоагентной системы является иерархическим и предполагает использование разнотипных моделей, получаемых из агентоориентированного анализа решаемой задачи и программирования агентов в соответствующей инструментальной среде. Целью агентоориентированного анализа является создание абстрактных моделей, концептуально описывающих различные аспекты многоагентной системы.
"Одной из наиболее распространенных методологий агентоориентированного анализа является методология Gaia. Из имеющегося ряда современных инструментальных сред можно выделить среду Zeus, которая оперирует схожими с Gaia спецификациями сообщества агентов" [195, стр 62].
В рамках методологии Gaia многоагентная система проектируется в терминах поведений и структур человеческих организаций и описывается совокупностью взаимодействующих ролей. При этом должны быть разработаны следующие модели (уровень абстрактных моделей на рисунке 82):
· модель ролей, которая абстрактно описывает свойства и поведение автономно функционирующих сущностей предметной области; для каждой роли определяются связанные с ней обязательства (функциональный аспект), полномочия (ресурсный аспект), протоколы и активности (взаимодействие с другими ролями);
· модель взаимодействий на основе составленных протоколов;
· модель агентов, которая предусматривает объединение ролей в агентные типы и представление их в виде иерархии;
· модель услуг, создаваемая посредством анализа активностей и обязательств и специфицирующая функции ролей;
· модель связей между агентами.
В свою очередь инструментальная среда Zeus оперирует не моделями, а следующими базовыми понятиями: онтология, факт, агент, задача, правило, координация и организация агентов. На рис. 82 показана взаимосвязь моделей методологии Gaia и инструментальной среды Zeus, а также последовательность действий при разработке и создании МАС.
Рисунок 82 – Взаимосвязь моделей методологии Gaia и инструментальной среды Zeus (скопирован из [195])
7.2.2. Применение МАС для систем принятия консолидированных решений
Еще одно применение мультиагентных систем – системы принятия консолидированных решений.
В подобных системах решения применяются группой интеллектуальных агентов, которыми могут быть люди – эксперты, программные комплексы или гетерогенные объединения тех и других.
Математическая модель предлагаемого в работе [335] метода эволюционного согласования решений в мультиагентной системе разработана и исследована для простейшего случая принятия консолидированного решения группой интеллектуальных агентов различной природы. Перед агентами поставлен список конкретных вопросов, ответом на каждый из которых могут быть:
· правильный ответ;
· отсутствие ответа: у агента нет знаний по этому вопросу.
Ответ записывается агентом в соответствующую ячейку своего варианта, или она остается незаполненной (пример – совместное заполнение тестов IQ группой людей). Основной характеристикой агента является его способность как генератора идей, вычисляемая по формуле G=P/N, где под N понимается количество вопросов, на которые ответил агент за некоторое врема, а под P – количество правильных ответов из них. Кроме того, агент выступает в качестве оценщика: если у него нет ответов на какие-либо вопросы, а они к нему поступили от других агентов на экспертизу, то он с вероятностью Е записывает чужой заполненный ответ в пустую ячейку своего варианта решения как правильный. Величину Е называют способностью агента как оценщика.
В работе [335] описана компьютерная модель работы группы агентов над единым списком вопросов. Группе заданы правила взаимодействия в соответствии с одной из схем генетического алгоритма (модифицированная схема Genitor). На нулевом этапе каждый агент в соответствии со своими знаниями заполняет пустые ячейки своего варианта решения правильными ответами. В компьютерной модели агента вариант решения представляется набором нулей и единиц, где единица соответствует правильному ответу, а нуль – отсутствию ответа. Произведение GN соответствует математическому ожиданию числа правильных ответов агента на данном этапе, где G – вероятность заполнения агентом каждой ячейки правильным ответом.
На этапах итеративного согласования каждый агент получает копии двух чужих вариантов и с вероятностью Е записывает чужой правильный ответ в свой вариант. Копии своих обновленных вариантов агенты посылают на сервер, и процесс итерации повторяется до тех пор, пока не истечет время или решения не выродятся к популяции "близнецов". Метод проиллюстрирован рисунком 83.
Рисунок 83 – Схема мультиагентной системы принятия консолидированных решений (скопирована из [335])
Координация функционирования агентов выполняется правилами взаимодействия, выведенными из генетических алгоритмов. Считается, что группа ответила на данный вопрос правильно, если на него более половины агентов дали правильный ответ.
Анализ модели показал, что в большинстве практически важных случаев в широком диапазоне изменения переменных метода (количество агентов и их компетентность) требуется от 3-х до 12-ти итераций по согласованию их решений. Было установлено, что сокращение числа итераций в эволюционном методе на 2-4 порядка при использовании человеческого интеллекта объясняется тем, что уже на первой итерации в популяцию решений вносится весьма значительное число правильных ответов, тогда как при использовании эволюционного согласования решений агентов искусственного происхождения количество таких ответов ничтожно мало.
