У цілому, мультиагентні технології забезпечують наступні важливі переваги:
є інноваційними продуктами нового покоління і несуть в собі якісно нові можливості: добре відомі або нові складні проблеми вирішуються новим, продуктивним і ефективним способом;
характеризуються гнучкістю: вони працюють, динамічно реагуючи на зміни і постійно покращуючи рішення в реальному часі;
інтелектуальні: агенти не тільки слідують заданим процесам, а й аналізують ситуацію і шукають спосіб вирішення задачі, що гарантує знаходження найкращого можливого рішення;
враховують з різним ступенем важливості навіть найдрібніші чинники, необхідні для прийняття рішень;
є високопродуктивними;
характеризуються високою швидкістю реакції на події і швидкістю знаходження рішення задачі;
дозволяють корегувати результати роботи системи;
здатні до навчання.
Головним недоліком МАС є непередбачуваність поведінки повної системи [2], заснованої на її складових компонентах, оскільки немає ніякого «загального» управління безпекою. У результаті агент може діяти як порушник і використовувати систему як «шахрай».
Таким чином, агентно-орієнтовані середовища можуть служити ефективними засобами вивчення, дослідження і вирішення складних проблем у широкому спектрі предметних областей.
Наукова новизна
Моделювання поведінки людини (людей) неможливо за допомогою математичного апарату, тому що неможливо описати поведінку людини обмеженим набором математичних функцій. Тому агентно-орієнтований підхід є ідеальним для моделювання поведінки людей, тому що інтелектуальний агент спочатку має базові знання, спираючись на які він себе веде певним чином. З плином часу інтелектуальний агент «набирається досвіду», змінюються або розширюються знання і, отже, змінюється поведінка.
У системі, що розроблюється мною, використовується многоагентна середа MadKit, що обумовлює відміну від всіх інших подібних систем.
Плановані практичні результати
Практичні результати полягають у наступному:
Розвиток нового наукового напрямку мультиагентних систем
Підвищення якості моделювання соціально-економічних процесів за рахунок використання інтелектуальних агентів.
Проведення аналізу результатів моделювання, оцінка наближеності моделі до дійсності.
Огляд досліджень і розробок по темі
Мультиагентний підхід використовується для моделювання економічної системи в [4]. У [4] виділені чотири види нестаціонарності зовнішнього середовища та запропоновано алгоритм рішення задач для трьох з них. Алгоритм заснований на застосуванні мультиагентної підходу, який дозволяє організувати розподілені обчислення, що дозволить знизити час їх виконання. Даний алгоритм може бути реалізований і без використання мультиагентної системи. Однак при досить великих значеннях обсяг обчислень буде досить великий. Формалізувати прогнозування в умовах нестаціонарності четвертого виду важко, оскільки цей вид нестаціонарності передбачає революційні зміни зовнішнього середовища, і, як наслідок, непридатність накопичених даних для побудови прогнозу. У такій ситуації для вирішення завдання побудови прогнозу доцільно залучення експертів або побудова нелінійної непараметричної моделі, наприклад, мультиагентної, алгоритми поведінки агентів в якій представляють собою напрямок подальших досліджень.
Використання мультиагентної підходу в телемедицині наведено в [5]. У статті наводиться досвід клінічних телеконсультацій в Узбекистані, обговорюється нова концепція інтелектуалізації телемедицини, реалізована на базі технологій грід і мультиагентних систем. Гріди забезпечують інфраструктуру, протоколи і проміжне програмне забезпечення, за допомогою яких можна виявляти, агрегувати і освоювати ресурси. Агентні технології створюють автономні вирішувачі задач, які можуть цілеспрямовано й аргументовано діяти в умовах динамічно мінливого середовища грід. Поєднання цих технологій створюють нову перспективу розвитку теоретичних і прикладних досліджень в телемедицині.
Мульагентний підхід також використовується для моделювання клітинних автоматів. Аналітично-імітаційне моделювання регулярних і статистично однорідних великих мережевих структур (включаючи мережі з чергами), розпочате з метою виявлення асимптотики їх структурних властивостей і розвивається за схемою клітинних автоматів – решітки – великих мережевих структур, реалізоване у своїй експериментальної частині в середовищі моделювання RepastS [6]. Це середовище надає розвинені засоби мультиагентного моделювання, потужний інтерактивний графічний інтерфейс, методи створення різноманітних грід (мережевих просторів діяльності агентів) і має високу продуктивність. Попередні експерименти свідчать про реалізованість викладеної програми досліджень і в її теоретичній частині: зі зростанням розмірів регулярних або статистично однорідних структур виявляються стійкі асимптотичні закони, виявляються ключові параметри і визначаються їх критичні значення, які дозволяють ефективно вирішувати задачі синтезу великих мережевих структур.
Необхідність прийняття великої кількості управлінських рішень адміністрацією муніципальної освіти (МО), спрямованих на розвиток і модернізацію міської інфраструктури, робить актуальним використання автоматизованих систем підтримки прийняття рішень (СППР). СППР на основі імітаційної моделі МО здатна стати інструментом комплексного аналізу і прогнозу розвитку ситуації в місті, дозволяючи оцінити можливі ризики реалізації тих чи інших проектів, їх вплив один на одного і на якість життя городян [7]. Доцільність застосування апарату мультиагентного імітаційного моделювання для прогнозування наслідків при пошуку ефективних управлінських рішень в МО очевидна. Взаємодія підмножин агентів між собою в тих чи інших умовах, з урахуванням прийнятих адміністрацією рішень, дає цілісну картину ситуації в місті. Впровадження повнофункціональної СППР скоротить час, що витрачається на ухвалення рішення, фінансові витрати на «ручні» розрахунки і збір інформації, а також дозволить інтерактивно «програвати» різні варіанти розвитку ситуацій, що дозволить підвищити обгрунтованість прийняття стратегічних рішень керівниками вищої і середньої ланки адміністрації МО.
Многоагентне моделювання використовується для дослідження механізмів захисту інформації в мережі Інтернет в статті [8]. У статті розглянуто запропонований підхід до многоагентного моделювання процесів захисту інформації. Підхід представлений на прикладі антагоністичного протиборства двох команд агентів: агентів реалізації атак та агентів захисту від даного класу атак. Розглянуто особливості підходу, описана розроблена середа моделювання і представлені деякі з сценаріїв моделювання. Проведені експерименти показали можливість використання запропонованого підходу для моделювання механізмів захисту і для аналізу проектованих мереж. Вони продемонстрували також, що використання кооперації кількох команд і комбінованого адаптивного застосування різних механізмів захисту веде до істотного підвищення її ефективності. Напрями подальших робіт пов'язані з дослідженням механізмів захисту від різних типів атак, а також з удосконаленням системи моделювання.
Для моделювання ринкових відносин також застосовується многоагентна система в [9]. Для промисловості такий підхід дозволить підвищити конкурентоспроможність виконання проектів у результаті поліпшення графіка, ефективного використання ресурсів, тісної взаємодії серед субпідрядників. Метод розподіленої координації представляє основу для розробки мультиагентної системи планування і управління, яка допоможе субпідрядникам зробити вибір часу дій, ідентифікувати та аналізувати власні обмеження ресурсів у даному графіку, передбачати результат перепланування дій, координувати різні перспективи планування, співпрацюючи в напрямі кращого рішення.
В даний час на багатьох підприємствах і в організаціях існує необхідність проведення швидкого аналізу ситуації на ринку і ухвалення рішення в короткі терміни. Для мінімізації ризиків, пов'язаних з неточністю і необгрунтованістю рішень, розробляються системи підтримки прийняття рішень (СППР). Основною функцією СППР є генерація різних альтернатив рішень для певної ситуації, що виникла в конкретному процесі перетворення ресурсів (ППР). Серед методів моделювання найбільш повно проблемної області ППР відповідає мультиагентне моделювання [10]. У результаті проведених наукових досліджень, розроблений програмний комплекс імітаційного моделювання та підтримки прийняття рішень, що дозволяє виробляти ефективні управлінські рішення на підприємствах і організаціях різного типу; створювати моделі процесів перетворення ресурсів з використанням можливості розробки сценаріїв поведінки агентів і коаліцій; проводити імітаційні експерименти з використанням механізму складання планів дій агентів і коаліцій.
Многоагентне моделювання конкуренції фірм на ринку, боротьба за максимальний прибуток і частку на ринку описана в [11]. Наведені результати мультиагентної імітації розкривають і пояснюють механізм стратегій ціноутворення активних елементів в маркетинговому середовищі і дозволяють прогнозувати процеси стабілізації ринку при різних економічних і соціальних обуреннях з вибором оптимальних маркетингових стратегій у відповідності з попитом і пропозиціями в поточних умовах.
Розробка віртуальної кафедри представляється актуальним завданням сучасного освітнього процесу, тому що дозволяє перенести частину навантаження з викладацького складу на систему, більш гнучко взаємодіяти зі студентами, використовувати індивідуальний підхід. Розробка МАС навчання студента з дисципліни наведена в [12, 13]; дистанційна МАС – в [14].
Використання інтелектуальних агентів в потоковому виробництві також актуальне завдання, тому що постійно змінюється схема виробництва, необхідно скорочення часу виробництва, надійність, гнучкість конфігурації продукту, масштабованість обсягу випуску. Розробка подібних МАС наведена в [15, 16].
Також існує перспектива використання многоагентного підходу у створенні Грід. Основне завдання Грід – координування колекцій ресурсів. Використання агентних систем для планування завдань у Грід дасть можливість розв'язати дві основні проблеми – масштабованості і адаптивності. Застосування Грід систем дозволяє значно підвищити швидкість і якість обчислень, особливо у разі використання слабосвязанних гетерогенних обчислювальних комплексів. В [17] описана архітектура сучасної Грід системи на основі програмних агентів.
Також актуальні розробки мультиагентних систем для команд роботів. У [18] розглядаються групові (командні) алгоритми стратегічного і тактичного рівнів управління командою роботів. Аналіз зазначених схем змагань роботів-футболістів показує, що, незважаючи на відмінність конструкцій таких роботів, і технічних рішень, прийнятих при їх побудові, в схемах змагань роботів багато спільного в верхніх, стратегічних, рівнях управління гравцями, що дозволяє поставити завдання їх відпрацювання з допомогою єдиних засобів моделювання. В якості такої системи в даній роботі при розробці алгоритму управління використовувалася система «Віртуальний футбол».
Основными свойствами агентов считаются [1]:
— автономность — способность выполнять действия самостоятельно;
— гомогенность/гетерогенность — способность объединять однородные или разнородные функции;
— обучаемость и интеллект — машинное обучение, коррекция поведения для улучшения собственной эффективности;
— активное поведение — постоянный обмен информацией внутри агента и со средой;
— коммуникативность — обмен данными с другими агентами;
— восприятие среды — наличие специальных средств восприятия среды функционирования агента;
— мобильность — перемещение агента внутри других программных и физических сред.
АОП имеет ряд принципиальных отличий от уже традиционного объектно-ориентированного подхода (ООП) [1]. Агент представляет собой более сложную, активную и автономную единицу (рис. 1).
Рис.1 — Интеллектуальная работа агентов (Анимация состоит из 6 кадров, 21Кб с задержкой 0.2 - 0.3 с между кадрами; задержка до повторного воспроизведения составляет 1.25с; воспроизводится циклически)
В ООП вычислительный процесс понимается как система, построенная из модулей, взаимодействующих друг с другом и имеющих собственные способы обработки входящих сообщений. А свою очередь, АОП уточняет эти рамки, фиксируя активность модулей-агентов и изменения их состояний через анализ убеждений, обязательств, намерений и т.д.
Наличие у агента механизма образования цели обеспечивает принципиально новый уровень автономности [10]. Агент не обязательно выполняет распоряжение любого другого агента или пользователя, а просто зависит от условий среды, включая цели и намерения других агентов. В отличие от объекта, агент может взять на себя определенные обязательства или, наоборот, отказаться от выполнения определенной работы, мотивируя это отсутствием компетентности, занятостью другой задачей т.д. В то же время агент может выполнять такие действия как порождение, удаление, изменение других агентов, активизация их функций, сценариев деятельности, запоминания текущего состояния других агентов.
Все это наглядно показывает, что агент, будучи «активным объектом», который формирует собственное поведение, находится на более высоком уровне сложности по отношению к традиционным объектам в ООП.
Моделирование сложных динамических систем в большинстве случаев необходимо как обязательная составляющая агентов управления и контроля за СДО. Блок моделирования позволяет агенту иметь в своем составе ментальную картину внешнего мира — объекта, который исследуется, контролируется. Таким образом агент или совокупность агентов могут рассчитывать и предвидеть последствия своих действий с объектом, исправляя ошибки и свои намерения [3]. Блок моделирования для распределенных сетевых систем также может состоять из агентов, имеющих данные о своем участке объекта. Агенты объединяются для совместного решения задачи
Теорія агентно-орієнтованих систем
Інтелектуальний агент
Інтелектуальним називається агент, який здатний діяти автономно і гнучко (flexible) для досягнення поставлених перед ним цілей, при цьому під гнучкістю розуміють:
реактивність (reactivity) або дієвість: інтелектуальні агенти здатні сприймати навколишнє середовище і своєчасно реагувати на зміни, які відбуваються в середовищі, для досягнення поставлених перед ними цілей;
про-активність (pro-activity) або цілеспрямованість: інтелектуальні агенти здатні демонструвати цілеспрямовану поведінку шляхом прояву ініціативи в досягненні поставлених перед ними цілей;
здатність до громадської діяльності (social ability) або колективність: інтелектуальні агенти здатні взаємодіяти один з одним (і, можливо, з людиною) для досягнення поставлених перед ними цілей.