Прогнозирование поведения групп автономных интеллектуальных агентов на основе теории многоагентных систем
Аннотация
Работа связана с разработкой методик прогнозирования и планирования поведения больших групп автономных интеллектуальных агентов с заданными свойствами на основе моделирования многоагентных систем.
Ключевые слова: Многоагентные системы; интеллектуальные агенты; моделирование поведения; роевой интеллект; групповая робототехника.05.11.17 - Приборы, системы и изделия медицинского назначения
В современном мире понятие интеллектуального агента (ИА) является одним из основных в области искусственного интеллекта (ИИ). Исследования систем взаимодействующих ИА, называемых многоагентными системами (МАС), занимают одно из ведущих мест в области ИИ.
В ИИ под ИА понимаются разумные сущности, наблюдающие за окружающей средой и действующие в ней, при этом их поведение рационально в том смысле, что они способны к пониманию и их действия всегда направлены на достижение какой-либо цели [1]. Такой агент может быть как роботом, так и встроенной программной системой. Об интеллектуальности агента можно говорить, если он взаимодействует с окружающей средой примерно так же, как действовал бы человек.
Обучающиеся ИА также называются автономными интеллектуальными агентами (АИА), что означает их независимость и способность к обучению и приспосабливанию к изменяющимся обстоятельствам. Cистема АИА должна проявлять следующие способности [2]:
- обучаться и развиваться в процессе взаимодействия с окружающей средой;
- приспосабливаться в режиме реального времени;
- быстро обучаться на основе большого объёма данных;
- пошагово приспосабливать новые способы решения проблем;
- обладать базой примеров с возможностью её пополнения;
- иметь параметры для моделирования быстрой и долгой памяти, возраста и так далее;
- анализировать себя в терминах поведения, ошибки и успеха.
Чтобы активно выполнять свои функции, ИА обычно имеют иерархическую структуру, включающую много «субагентов». Интеллектуальные субагенты обрабатывают и выполняют низкоуровневые функции. ИА и субагенты составляют полную систему, которая способна выполнять сложные задачи. При этом поведение системы создаёт впечатление разумности.
МАС ‑ это система, образованная несколькими взаимодействующими ИА. МАС могут быть использованы для решения таких проблем, которые сложно или невозможно решить с помощью одного агента или монолитной системы.
В МАС ИА имеют несколько важных характеристик [3]:
- автономность: агенты, хотя бы частично, независимы;
- ограниченность представления: ни у одного из агентов нет представления о всей системе, или система слишком сложна, чтобы знание о ней имело практическое применение для агента;
- децентрализация: нет агентов, управляющих всей системой.
Изучение МАС связано с решением достаточно сложных проблем ИИ:
- знания, желания и намерения (BDI);
- кооперация и координация;
- организация;
- коммуникация;
- согласование;
- распределенное решение;
- распределенное решение задач;
- мультиагентное обучение;
- надежность и устойчивость к сбоям.
МАС относятся к самоорганизующимся системам, так как в них ищется оптимальное решение задачи без внешнего вмешательства. Под оптимальным решением понимается решение, на которое потрачено наименьшее количество энергии в условиях ограниченных ресурсов.
Главное достоинство МАС ‑ это гибкость. МАС может быть дополнена и модифицирована без переписывания значительной части программы. Также эти системы обладают способностью к самовосстановлению и обладают устойчивостью к сбоям, благодаря достаточному запасу компонентов и самоорганизации.
С помощью МАС реализуется агентное моделирование ‑ метод имитационного моделирования, исследующий поведение децентрализованных АИА и то, как их поведение определяет поведение всей системы в целом. Поведение агентов определяется на индивидуальном уровне, а глобальное поведение возникает как результат деятельности множества агентов.
Хотя традиционно в рамках МАС исследуются ИА, в роли агентов такой системы могут также выступать роботы, виртуальные сущности или группы, составленные из них, в том числе и смешанные группы.
Группа роботов, сформированная по принципам МАС, при совместном выполнении задач получает значительное преимущество над одиночным роботом [4]. Применения мультиагентной, или групповой робототехники можно найти в телемедицине и удаленной хирургии.
Групповая робототехника представляет собой новый подход к координации систем из многих роботов для совместного выполнения общей задачи. Путем использования большого количества простых физических роботов обеспечивается надежность и гибкость робототехнических систем. В отличие от просто распределённых робототехнических систем, групповая робототехника подчёркивает большое количество роботов, а также предполагает масштабируемость, например, с использованием только локальной связи. Такая локальная связь может быть организована на базе беспроводных систем передачи данных в радиочастотном или инфракрасном диапазоне. Способность к общению друг с другом для передачи ближайшим соседям информации о задачах является важной составляющей групповой робототехники [5].
Появление групповой робототехники связано с эффектом эмерджентности поведения, наблюдаемого у социальных насекомых и относящегося к научному направлению по искусственному роевому интеллекту. Роевой интеллект описывает коллективное поведение децентрализованной самоорганизующейся системы. Пример образования структур, подчиняющихся принципам биологического роевого интеллекта, приведен на рисунке.
Рис. 1. Эффект эмерджентности поведения.
Эффект эмерджентности заключается в том, что относительно простые правила индивидуального поведения могут создавать сложное организованное поведение всей группы. Таким образом, в рамках групповой робототехники предполагается, что желаемое коллективное поведение возникает из взаимодействия роботов между собой и их взаимодействия с окружающей средой. Ключевым моментом является взаимодействие между членами группы, которое создаёт систему постоянной обратной связи. Поведение группы учитывает постоянную смену участников, взаимодействующих друг с другом.
Критическими факторами в групповой робототехнике являются миниатюризация и стоимость. Это две главные проблемы в создании больших групп роботов, поэтому простоте каждого члена группы должно уделяться особое внимание, и оправданным является подход с использованием роевого интеллекта для достижения значимого поведения на уровне группы, а не на индивидуальном уровне. Высокая экономическая стоимость и большие площади, необходимые для реализации сценариев групповой робототехники, во многих случаях не позволяют производить эксперименты с реальными роботами. Так как методы имитации и моделирования большого числа таких роботов на данный момент все еще являются несовершенными и достаточно сложными, их результаты часто оказываются неточными [6].
Для систематического изучения поведения группы роботов в исследовательских целях важными инструментами являются методы отслеживания, такие, как видеотрекинг или ультразвуковая система слежения за группой. Необходимы дальнейшие исследования, чтобы найти методики, которые обеспечат достоверный прогноз поведения группы, когда заданы только свойства отдельных её членов.
Эффект эмерджентности поведения, лежащий в основе групповой робототехники, является основополагающим и в области МАС. Так, в них может проявляться самоорганизация и сложное поведение, даже если стратегия поведения каждого агента достаточно проста. Системы роевого интеллекта, как правило, состоят из множества АИА, локально взаимодействующих между собой и с окружающей средой. Следовательно, решение проблем планирования и прогнозирования поведения может производиться с помощью многоагентного моделирования групп АИА, играющих роль роботов, способных к планированию и выполняющих набор действий в определенном порядке для достижения своей цели [7].
Таким образом, имеет место противоречие между недостатками существующего аппарата моделирования самоорганизующихся МАС и требованиями в области достоверности прогнозирования поведения групп АИА.
Исходя из вышесказанного, можно сделать вывод о необходимости повышения алгоритмов достоверности результатов прогнозирования поведения групп АИА на основе совершенствования методик моделирования МАС.
Целью работы является исследование и разработка методик моделирования поведения больших групп АИА с заданными свойствами для достижения значимого поведения на уровне группы, а не на индивидуальном уровне. Таким образом, целью работы является исследование прогнозируемости эффекта эмерджентности поведения, возникающего при использовании теории роевого интеллекта в областях групповой робототехники и МАС.
В настоящее время решены следующие научные задачи:
- систематизированы существующие методы моделирования поведения больших групп АИА и определена степень достоверности, достигаемая с их помощью;
- сделан вывод об отсутствии подходящей методики усовершенствования с целью повышения достоверности прогнозирования,
- усовершенствована методика достоверного прогнозирования поведения групп АИА с помощью теории роевого интеллекта и произведен выбор оптимальных критериев достоверности.
- произведен выбор типов АИА и структуры МАС, удовлетворяющих разработанной методике достоверного прогнозирования поведения.
Для достижения поставленной цели необходимо решить следующие задачи:
- разработка МАС с выбранной структурой;
- моделирование поведения групп АИА на основе разработанной МАС;
- по результатам моделирования оценка достоверности прогнозирования поведения групп АИА по разработанной методике с использованием выбранных критериев.
При решении поставленных задач используются методы теории МАС, элементы теории роевого интеллекта, принципы групповой робототехники и эмерджентности поведения.
Практическая значимость работы состоит в создании новых, более эффективных методик моделирования поведения больших групп АИА, позволяющих повысить достоверность прогнозирования достижения значимого поведения на уровне группы. Области применения результатов очень широки, в том числе, одной и крайне актуальной из них является удаленная медицинская диагностика, терапия и хирургия.
Литература:
1. Russell, Stuart J.; Norvig, Peter, Artificial Intelligence: A Modern Approach. – 2nd ed. Upper Saddle River, New Jersey: Prentice Hall, 2003.
2. N. Kasabov, Introduction: Hybrid intelligent adaptive systems. International Journal of Intelligent Systems, Vol.6, 453-454, 1998.
3. Michael Wooldridge, An Introduction to MultiAgent Systems, John Wiley & Sons Ltd, 366 p, 2002.
4. Ahmed, S. Karsiti, M.N. A testbed for control schemes using multi agent nonholonomic robots. Electro/Information Technology, 2007 IEEE International Conference, Chicago, IL, pp. 459 – 464, 2007.
5. M. Tim Jones. Artificial Intelligence: A Systems Approach. Infinity Science Press LLC, Hingham, MA, 2008.
6. Farshad Arvin, Khairulmizam Samsudin, Abdul Rahman Ramli, “Development of a Miniature Robot For Swarm Robotic Application”. International Journal of Computer and Electrical Engineering, IJCEE’09. vol.1, no.4 , pp.436-442, 2009.
7. Hopgood, Adrian A. Intelligent systems for engineers and scientists. – 2nd ed. CRC Press LLC, Florida, 2001.