Лекция: АРХИТЕКТУРЫ МУЛЬТИАГЕНТНЫХ СИСТЕМ

Интеллектуальная мультиагентная система представляет со­бой множество интеллектуальных агентов, распределенных в се­ти, которые мигрируют по ней в поисках релевантных данных, знаний, процедур и кооперируются для достижения поставлен­ных перед ними целей. В зависимости от концепции, принятой при разработке МАС, возможны различные варианты ее архитектуры, среди которых выделяют три базовых типа:

1) архитектуры, основанные на методах работы со знаниями;

2) архитектуры, в которых используются поведенческие модели «стимул-реакция»;

3) гибридные архитектуры.

В архитектурах первого типа для представления и обработки

знаний используются традиционные модели, методы и средства искусственного интеллекта, а принятие решений осуществляется на основе механизмов формальных рассуждений. В самых пер­вых системах такого типа для представления и обработки знаний использовалась логика предикатов первого порядка. Развитие исследований в этой области привело к появлению специальных расширений логических исчислений, ориентированных на учет таких свойств агентов, как убеждения, желания, намерения и обязательства [9, 12]. Основной недостаток архитектур первого типа — сложность или принципиальная невозможность построе­ния достаточно полных баз знаний, которые являются необходи­мой частью создаваемых систем. В частности, интеллектуальный агент может иметь архитектуру типичной продукционной систе­мы, которая способна воспринимать информацию из внешней среды и осуществлять те или иные действия в результате обработ­ки этой информации. Главные отличия агентной программы от обычной продукционной ЭС связаны с наличием механизма формирования целей и модуля коммуникации, который обеспе­чивает взаимодействие с другими агентами. Агент с такой архи­тектурой способен к рассуждениям, но не способен к обучению. Адаптивное поведение агента позволяет реализовать архитектура на основе классифицирующих систем Дж. Холланда. Важнейшими отличиями классифицирующих систем от продукционных являются: 1) возможность формирования новых правил с применением генетического алгоритма; 2) наличие ме­ханизма поощрений.

В архитектурах второго типа, которые называют реактивными, не используются традиционные для ИИ символьные модели представления знаний [16]. Модели поведения агентов представ­лены либо наборами правил; которые позволяют выбрать дейст­вие, соответствующее ситуации, либо конечными автоматами, ли­бо другими средствами, обеспечивающими формирование адекватных­ реакций агента на возникающие в системе стимулы. Сис­темы этого типа, как правило, имеют высокую степень специали­зации и строгие ограничения на сложность решаемых задач.

Наиболее перспективными считаются гибридные интеллекту­альные мультиагентные системы, которые позволяют использо­вать возможности интеллектуальных и реактивных архитектур. Примером может служить архитектура с иерархической базой знаний, которая содержит структурированную БЗ, рабочую па­мять, модуль управления коммуникацией и человеко-машинный интерфейс. Агент с подобной архитектурой обладает способнос­тью к рассуждениям и к реактивному поведению. Его БЗ содер­жит три уровня: 1) знания предметной области; 2) знания о взаи­модействии, которые позволяют принимать решения в условиях неопределенности; 3) управляющие знания. Интеллектуальное поведение агента обеспечивается способностью принимать ре­шения, а реактивное — системой контроля за содержимым рабо­чей памяти, которая функционирует по принципу глобальной доски объявлений. Агент взаимодействует с пользователем, ис­пользуя человеко-машинный интерфейс. В общем случае гиб­ридные архитектуры являются многоуровневыми и отличаются друг от друга структурой и содержанием уровней, которые могут соответствовать различным уровням управления, абстракции либо отдельным функциональным свойствам агента. .

Одно из новых направлений — применение нейронных сетей для реализации МАС. Коннекционистские архитектуры (на ос­нове ИНС) позволяют создавать самообучающихся агентов, зна­ния которых формируются в процессе решения практических за­дач. Хорошие перспективы для реализации самообучающихся агентов имеют сети с обратными связями и нечеткие ИНС [12].