Svrha sustava s više agenata (MAS) je koordinirati neovisne procese. Agent je računalni entitet u obliku programa ili robota. Agent se može smatrati autonomnim jer se može prilagoditi kada se njegovo okruženje promijeni. MAC se sastoji od skupa računalnih procesa koji se događaju u isto vrijeme i postoje u isto vrijeme, dijele zajedničke resurse i međusobno komuniciraju. Ključni problem u MAC-u je formalizacija koordinacije između agenata.
Definiranje sustava s više agenata
MAC je pristup razvoju softvera za aplikacije u složenim domenama gdje su komponente aplikacije u interakciji autonomne i distribuirane, rade u dinamičnim i nesigurnim okruženjima, moraju biti u skladu s nekim organizacijskim pravilima i zakonima te se mogu pridružiti i napustiti sustav s više agenata tijekom vremena rada.
Primjeri takvih aplikacija su sustavi kojiupravljati i optimizirati proizvodnju i distribuciju električne energije između potrošača ili sustava koji optimalno planiraju opterećenja u transportnim sustavima. Razvoj sustava s više agenata zahtijeva stvaranje zasebnih agenata, organizacija i okruženja.
Programski jezici pružaju programske konstrukcije za implementaciju pojedinačnih agenata u smislu društvenih i kognitivnih koncepata kao što su informacije, ciljevi, opcije, norme, emocije i pravila odlučivanja.
Multi-agentske organizacije u smislu društvenih i organizacijskih koncepata imaju uloge, obdarene normama, komunikacijskim protokolima, resursima koji su podložni praćenju. Razvijeni programski jezici i okviri koriste se za kreiranje simulacija temeljenih na agentima za mnoge industrije kontinuirane proizvodnje: električna energija, metalurgija, zdravstvo, internet, transport, upravljanje prometom i ozbiljne igre.
MAS se razlikuju od sustava s jednim agentom po tome što imaju nekoliko agenata koji međusobno modeliraju ciljeve i akcije. U općem scenariju može postojati izravna interakcija između agenata. Sa stajališta jednog agenta, sustavi s više agenata najznačajnije se razlikuju od sustava s jednim agentom po tome što dinamiku okoline mogu odrediti drugi agenti. Osim nesigurnosti koja može biti svojstvena domeni, drugi agenti namjerno utječu na okolinu na nepredvidive načine.
Dakle, za sve MAC-ove se može smatrati da imaju dinamična okruženja, što je tipično za modernevišeagentni sustavi. Može postojati bilo koji broj agenata s različitim stupnjevima heterogenosti, sa ili bez mogućnosti izravne komunikacije.
MAS arhitektura
Agenti moraju biti opremljeni kognitivnim modelom:
- vjerovanja;
- želje;
- namjere.
S jedne strane čita "Uvjerenja" o okolini, koja su rezultat njegovog znanja i percepcije, a s druge, skup "Želja". Križanje ova dva skupa rezultira novim skupom "namjera" koje se zatim izravno prevode u radnje.
Agenti moraju imati komunikacijski sustav. Za tu svrhu postoji nekoliko specijaliziranih jezika: Jezik upita i manipulacije (KQML). Nedavno je u opticaju FIPA-ACL standard, kreiran od strane FIPA Foundation for Intelligent Physical Agents. Ovaj posljednji princip izgradnje multiagentskih sustava temelji se na teoriji govornih činova.
Problem prilagodbe je trnovit problem koji je trenutno predmet mnogih istraživanja. Možemo dati primjer nekih virusa, kako bioloških tako i računalnih, koji se mogu prilagoditi mutantskom okruženju.
Konačno, učinkovita implementacija MAC-a, iako nije strogo gledano dio arhitekture sustava, zaslužuje pažnju u mnogim programskim jezicima koji su razvijeni za proučavanje umjetne inteligencije. Posebno se spominje jezik LISP. Ti se arhitektonski elementi primjenjuju na sustav koji se sastoji od kognitivnihagenti.
Kategorije ili modeli agenata
Klasifikacija agenasa temelji se na dva kriterija: kognitivni agensi ili reagensi koji pokazuju, s jedne strane, teleonomsko ponašanje ili refleks. Razlika koja se može napraviti između kognitivnog i reaktivnog u biti je reprezentacija svijeta koji je dostupan agentu. Ako je pojedinac obdaren "simboličkom predstavom" svijeta iz koje može formulirati rasuđivanje, onda se govori o kognitivnom agensu, dok ako ima samo "podsimboličku reprezentaciju", odnosno ograničenu na svoje percepcije, govori se o reaktivnom sredstvu. Ova kognitivna i reaktivna razlika odgovara dvjema teoretskim školama sustava s više agenata.
Prvi podržava temeljni pristup "pametnih" agenata za suradnju sa sociološke točke gledišta. U drugom se proučava mogućnost pojave "pametnog" ponašanja skupa neinteligentnih agenata (mravlje vrste). Druga razlika između ponašanja u ponašanju i refleksa odvaja namjerno ponašanje, težnju ka eksplicitnim ciljevima, od perceptivnog ponašanja. Dakle, sklonosti agenata mogu biti eksplicitno izražene u agentima ili, obrnuto, potjecati iz okoline. Tablica koja grupira različite vrste agenata:
- Kognitivni agenti.
- Reaktivni agensi.
- Telenomsko ponašanje.
- Namjerni agenti.
- Upravljani agenti.
- Refleksno ponašanje.
- Agenti "moduli".
- Tropski agenti.
Kognitivni agensi su uglavnom namjerni, t.j.imaju fiksne ciljeve koje pokušavaju postići. Međutim, ponekad se koriste agenti koji se nazivaju moduli, koji imaju ideju o svom "svemiru" bez određenih ciljeva. Mogli bi poslužiti, na primjer, za odgovaranje na pitanja drugih agenata u "svemiru".
Reagensi se mogu podijeliti na aktuatore i tropske agense. Instinktivni agent imat će fiksnu misiju i pokrenut će ponašanje ako vidi da okolina više ne odgovara njegovoj dodijeljenoj svrsi. Tropski agens reagira samo na lokalno stanje okoliša, na primjer ako ima svjetlosti, onda radi. Izvor motivacije u internom slučaju pogonskih agenata koji imaju "misiju" odnosi se samo na okolinu.
Organizacijske paradigme
Razvojom takvih sustava razvile su se različite organizacijske paradigme. Ove strukture sustava s više agenata postavljaju okvir za odnose i interakcije između agenata.
Hijerarhije. U ovom modelu, agenti su hijerarhijski prema strukturi stabla u kojoj je svaki čvor agent i ima vezu dopuštenja na svojim podređenim čvorovima. Ovaj model uništava cjelokupnu svrhu sustava.
Holarhija se približava hijerarhiji. Ne postoji odnos ovlasti između agenta i njegove podgrupe.
Koalicija je privremeni savez agenata koji se okupljaju i surađuju jer se njihovi osobni interesi susreću. Vrijednost koalicije mora biti veća od zbroja pojedinačnih vrijednosti komponenti agenta.
Džeme su vrlo slične koalicijama inaredbe. Međutim, oni bi trebali biti trajni i obično imaju više ciljeva za postizanje. Osim toga, agenti mogu ulaziti i napuštati skupštine i pripadati nekoliko u isto vrijeme.
Društvo je skup različitih agenata koji komuniciraju i komuniciraju. Imaju različite ciljeve, nemaju istu razinu racionalnosti i iste sposobnosti, ali se svi pridržavaju zajedničkih zakona (norma).
Agenti federacije daju dio svoje autonomije delegatu svoje grupe. Grupni agenti komuniciraju samo sa svojim delegatom, koji zauzvrat komunicira s delegatima iz drugih grupa.
Agenti prodaje nude artikle koje agenti kupaca mogu potraživati. Ova vrsta organizacije omogućuje, na primjer, simulaciju stvarnih tržišta i usporedbu različitih strategija trgovanja.
Matrični agenti organizacije su hijerarhijski. Međutim, za razliku od gore prikazane hijerarhije, gdje je agent podređen samo nekolicini drugih agenata, oni u jednoj matričnoj organizaciji mogu biti podložni nekoliko drugih.
Kombinacije - Ova kombinirana organizacija miješa mnoge od gore navedenih stilova. To može biti, na primjer, koalicija ili hijerarhija timova.
Umjetna inteligencija
Cilj kognitivne znanosti je razumjeti prirodu i djelovanje umjetne inteligencije, koja obrađuje unutarnje informacije kako bi ih učinila svrhom. Mnogi koncepti odgovaraju ovom opisu: ljudi, računala, roboti, senzorni sustavi,popis je beskonačan. Jedna vrsta sustava od posebnog interesa za kognitivne znanstvenike je umjetni samopostupak koji djeluje na informacije.
Inteligentan agent (IA) može donositi odluke na temelju svog iskustva i može birati akcije u različitim situacijama. Kao što izraz "umjetno" sugerira, vrsta autonomnih agenata interesa nije nešto što je stvorila priroda. Dakle, umjetni agens je sve što su stvorili ljudi, sposobno djelovati na temelju informacija koje percipira, vlastitih iskustava, odluka i postupaka.
Područje ekstra-prirodne inteligencije pruža tehničke vještine za prevođenje željenih vrsta agenata u programski jezik, povezani softver i odgovarajuću arhitekturu (hardver i povezani softver) za implementaciju agenta u stvarnom ili simuliranom svijetu.
Okruženje svijeta percepcije
Agent je sve što upija okolinu putem senzora i djeluje na nju putem efektora, što zvuči dovoljno jednostavno. Ova definicija agenta pokriva širok raspon strojeva, od termostata do objekata koji zapravo mogu naučiti mali repertoar ponašanja.
Senzori su alati koje agent koristi za prikupljanje informacija o svom svijetu. Tipkovnica i kamkorder mogu raditi kao senzori ako su povezani s agentom. Na kraju odgovora sustava, izvođači su alati koje agent koristi da utječe na okolinu. Primjeri efektora sumonitor, pisač i robotska ruka.
Obično je okruženje agentova domena ili svijet. Ove domene, barem za sada, trebale bi biti ograničene na specifične vrste situacija kako bi se izbjegle neograničene mogućnosti svakodnevnog svijeta.
Autonomni sustav utjecaja
Autonomni agent je “sustav unutar i dio okruženja koji percipira to okruženje i djeluje na njega tijekom vremena kako bi izvršio vlastiti plan i kako bi utjecao na ono što doživljava u budućnosti”. Ova definicija Franklina i Greissera odražava sve osnovne funkcije inteligentnih agenata, osim njihove društvenosti. Ovo pruža dobru aproksimaciju glavnih značajki širokog spektra AI u razvoju.
Takvi agenti osjećaju svoje okruženje. Ali ovdje senzorni podaci ili percepcije ne uključuju samo podatke o drugim objektima, već i utjecaj samog agensa na stanje stvari u okolišu. Senzori mogu biti organski, kao što su oči i uši i njihovi neuronski procesori, ili umjetni, kao što su video i audio procesori ugrađeni u digitalno računalo. Okoliš može biti vrlo ograničeno područje, poput zatvorenog prostora, ili vrlo složeno, poput burze ili zbirke asteroida. Senzori moraju odgovarati vrstama objekata s kojima agent stupa u interakciju.
Refleksna vrsta interakcije
Reflektor ima složeniji mehanizam. Umjesto izravne dinamikeu odnosu na okolinu u popisu pravila traži ono što mora učiniti. Refleksni agens na zadanu percepciju odgovara programiranim odgovorom. Čak i ako postoje tisuće mogućih odgovora na danu percepciju, agent ima ugrađeni popis pravila situacijskih radnji za izvršavanje onih odgovora koje je programer već razmotrio. Pravilo radnje situacije je u osnovi hipotetski imperativ.
Refleksni agenti stvarno nisu jako bistri. Oni jednostavno ne mogu podnijeti novitet. Inteligentni agent sadrži značajke svojih manje sofisticiranih rođaka, ali nije toliko ograničen. Postupa prema dnevnom redu. Ima niz ciljeva koje aktivno slijedi. Agent koji se temelji na cilja ima razumijevanje trenutnog stanja okoline i načina na koji to okruženje obično radi. On slijedi glavne strategije ili ciljeve koji se ne mogu odmah postići. To čini agenta aktivnim, a ne samo reaktivnim.
Ciljani funkcionalni uslužni program
Kod složenijih agenata, mjera održavanja se primjenjuje na različite moguće radnje koje se mogu izvesti u okruženju. Ovaj složeni planer je agent koji se temelji na usluzi. Agent koji se temelji na usluzi procijenit će svaki scenarij kako bi vidio koliko dobro postiže određene kriterije za postizanje dobrog rezultata. Stvari kao što su vjerojatnost uspjeha, resursi potrebni za dovršetak scenarija, važnost cilja koji treba postići, vrijeme koje bi trebalo, sve se može uračunati u izračun funkcije korisnosti.
Zato štoBudući da programer obično ne može predvidjeti sva stanja svijeta s kojima će se agent susresti, broj pravila koja bi trebala biti napisana za refleksnog agenta bio bi astronomski čak i u vrlo jednostavnim područjima kao što je zakazivanje sastanaka ili organiziranje transportnih ruta i zaliha.
Osnovna kontrolna petlja
S obzirom na definiciju inteligentnog agenta, razmotrite osnovnu kontrolnu petlju koju je napisao teoretičar agenta Michael Vuladrich 2000. godine:
- čuvaj mir;
- ažuriraj model internog svijeta;
- postići namjernu namjeru;
- koristite sredstva/ciljeve da biste dobili nacrt namjera;
- izvrši plan;
- završi proces.
Ovaj uzorak treba tumačiti. Agent promatra svijet - to znači da on, koristeći svoje senzore, prikuplja percepcije. Senzor može biti tipkovnica spojena na digitalno računalo ili vizualni procesor spojen na robota. To može biti bilo što što agentu omogućuje prikupljanje prikaza svijeta. Ažuriranje internog modela znači da agent dodaje novu percepciju svom slijedu percepcija i programiranih informacija o svijetu.
Razvojne platforme s više agenata
AnyLogic je softver za simulaciju s više agenata i više komponenti otvorenog koda CORMAS baziran na objektno orijentiranom programskom jeziku SmallTalk.
DoMIS je alat za projektiranje sustava s više agenata fokusiran na "operativno upravljanje složenim sustavima" i baziran na B-ADSC metodi dizajna.
JACK je programski jezik i razvojno okruženje za kognitivne agente koji je razvio Agent Oriented Software kao agentsko orijentirano proširenje Java jezika.
GAMA je platforma za modeliranje otvorenog koda (LGPL) koja nudi prostorno eksplicitno okruženje za modeliranje temeljeno na agentima koristeći GIS podatke za opisivanje agenata i njihovog okruženja.
JADE (RAZVOJ JAVA Agenta) je razvojni okvir otvorenog koda s više agenata koji se temelji na jeziku Java.
Sedam standardnih modela
U evolucijskom procesu istraživanja, postoji više inputa o tome kako stvoriti sustav koji je pouzdan i predstavlja višu razinu kvalitete. Trend koji se nastavlja je nadopunjavanje ili proširenje postojećih metoda koje su uspjele konsolidirati donošenje odluka unutar razvoja.
Metodološki standard omogućuje, na razumljiv i jednostavan način, stvaranje MAC-a, ne samo koristeći prirodni jezik, već i korištenjem predložaka opisa koji pomažu u specifikaciji sustava.
Metodološki standard nudi sedam modela problema ili njihovih rješenja za izgradnju MAC-a:
- Model scenarija koji opisuje tvrtku ili organizaciju.
- Model ciljeva i ciljeva definira i opisuje organsku strukturu.
- Model agenta definira ljude i autonomne sustave.
- Uzor povezuje ciljeve i ciljeve s određenim agentom.
- Organizacijski model opisuje okruženje s kojim je pojedinačni agent povezan.
- Model interakcije opisuje odnos, naglašavajući njihovu koordinaciju agenata.
- Model dizajna definira agenta i mrežnu arhitekturu.
Primjeri interakcije između agenata
MAS se koriste za simulaciju interakcije između autonomnih agenata. Korištenje sustava s više agenata, na primjer, u sociologiji omogućuje parametriranje različitih agenata koji čine zajednicu. Dodavanjem ograničenja možete pokušati razumjeti koja će biti najučinkovitija komponenta za postizanje očekivanog rezultata. Trebali bi eksperimentirati sa scenarijima koje stvarni ljudi ne bi mogli ostvariti, bilo iz tehničkih ili etičkih razloga.
Distributed IA je stvoren za rješavanje složenosti velikih monolitnih programa neprirodne inteligencije - izvršenje, distribucija i centralizirana kontrola. Za rješavanje složenog problema ponekad je lakše stvoriti relativno male programe (agente) u suradnji nego jedan veliki monolitni program. Autonomija omogućuje sustavu da se dinamički prilagođava nepredviđenim promjenama u okruženju.
Primjeri sustava s više agenata u industriji igara su brojni i raznoliki. Koriste se u video igrama i filmovima, uključujući softver MASSIVE, na primjer za simulaciju kretanja gomile u trilogiji Gospodar prstenova. Oni također mogukoriste tvrtke, na primjer, za praćenje ponašanja korisnika koji pregledavaju web stranice.
MAS se također koriste u svijetu financija. Na primjer, MetaTrader 4 platforma dopušta korištenje stručnih agenata u automatiziranom trgovanju koji prate Forex stope
Prednosti korištenja sustava
U IA istraživanju, tehnologija sustava bazirana na agentima prihvaćena je kao nova paradigma za konceptualizaciju, projektiranje i implementaciju softverskih sustava. Prednosti multi-MAS pristupa:
- Dijeli računalne resurse i sposobnosti u mreži međusobno povezanih agenata.
- Omogućuje međusobno povezivanje i interoperabilnost više postojećih naslijeđenih sustava.
- Pokrivaju različita područja uključujući održavanje zrakoplova, e-novčanike za knjige, vojno čišćenje mina, bežične komunikacije i komunikacije, planiranje vojne logistike, sustav upravljanja lancem opskrbe, zajedničko planiranje misija, upravljanje financijskim portfeljem.
U istraživanju, IA tehnologija za sustave temeljene na agentima prihvaćena je kao nova paradigma za konceptualizaciju, projektiranje, implementaciju i učenje s više agenata softverskih sustava.
Dakle, MAC je slabo povezana mreža softverskih agenata koji u interakciji rješavaju probleme izvan individualnih sposobnosti ili znanja svakog stvaratelja problema.
