Реализация оптимизационных алгоритмов
в линейных моделях многоагентных систем
ВВЕДЕНИЕ
Актуальность темы.
Искусство управления знаниями является необходимой составляющей конкурентоспособности и развития общества в современных условиях глобализации, тесно связанных с высокотехнологичным производством и передовым менеджментом, передачей знаний и развитием телекоммуникационных и информационных технологий. Растущие требования к повышению интерактивности в автоматизированных системах поддержки учебного процесса приводят к тому, что на первое место выходят такие характеристики как информативность и коммуникативность. Административная часть таких систем также не может оставаться статичным дополнением к базам данных. Для нее тоже необходимы персонифицированные интеллектуальные интерфейсы, электронный обмен данными, сценарии исполнения рутинных дел, интеллектуальная поддержка принятия решений, а также новые эффективные процедуры поиска, создания отчетов и анализа тенденций развития учебного заведения. В последнее время такие компьютерные системы начали называть системами поддержки дистанционного обучения. Дистанционное обучение прошло стремительный путь развития. В восьмидесятые годы оно перешло в асинхронный режим обучения с использованием компьютера ,начали развиваться новейшие формы обучения, такие как электронное обучение и непрерывное обучение. На данном этапе, традиционным стало использование интерактивных веб-сайтов. Разработку мультимедийных систем и баз данных, соединенных гиперлинками, доступных через универсальные веб-браузеры, принято считать основой асинхронного дистанционного обучения. Современные информационные сетевые технологии дают возможность не просто перевести учебный процесс в цифровой режим, или заменить учебную аудиторию, преподавателя и учебник компьютером - они позволяют изменить философию учебного процесса, создать новую образовательную культуру. Дистанционное обучение перешло от традиционной системы передачи знаний, построенной вокруг преподавателя, к виртуальной учебной среде и учебному сообществу, ориентированных на студента. В последние годы сделан еще один шаг к улучшению систем компьютерной поддержки дистанционного обучения (КСПДО) - реализовано множество моделей дистанционного обучения с учетом новейших тенденций создания распределенных систем и использования агентных технологий. Последние придают этим системам признаки онтологических систем и переводят пользователей этих систем из ранга пассивного получателя знаний в активных участников процесса обучения. Этот уровень достигается за счет использования таких нестандартных свойств агентов, как: реактивность - агенты реагируют на изменения среды в реальном времени (обычная их деятельность описывается таким образом “WHEN event ІF condіtіon THEN actіon”); проактивность - способность решать задачи и достигать цели (агенты не только реагируют на изменения среды, но и сами ее опрашивают); способность существовать в постоянно активном состоянии, точнее, иметь собственный поток управления; гибкость - действия агентов не фиксированы жестко; интеллектуальность (способность обучаться) - умение находить новые решения; агенты могут изменять свое поведение, используя как свой опыт, так и опыт других агентов. Становится достаточно ощутимой свобода действий такого программного комплекса и даже некоторое “сознание”. Учитывая, что одной из базовых идей агентной технологии является исполнение задач (администрирования, поиска данных и т.п.) непосредственно на локальной машине, это снижает до минимума взаимодействие между администратором и узлами системы, а также минимизирует трафик. Понятно, что дальнейший прогресс компьютерных систем поддержки дистанционного обучения состоит в оптимизации сетевой структуры логического взаимодействия субъектов и объектов образовательного процесса, что отображает гибкую по логическим связям и информационному наполнению образовательную среду. В данной работе разрабатывается концепция адаптивного использования интерактивных средств программной поддержки систем дистанционного обучения на принципах построения онтологических систем и эволюционной адаптации агентной технологии в рамках построения проекта дистанционного обучения.
Цель курсовой работы: реализовать линейные модели многоагентных систем при помощи программы Ecsel
Задачи:
1.Изучение литературы по данной теме.
.Описание оптимизационных алгоритмов
.Реализация оптимизационных алгоритмов в линейных моделях многоагентных систем.
1. ОСНОВНЫЕ ПОНЯТИЯ АГЕНТОВ
.1ОСНОВНЫЕ ТЕРМИНЫ И ОПРЕДЕЛЕНИЯ
Информация в данной работе была взята из сайтов, указанных в списке литературы, и переведена с английского на русский язык.
Агент (мультиагент) - это аппаратная или программная сущность, способная действовать в интересах достижения целей, поставленных перед ним владельцем и/или пользователем.
Программные интеллектуальные агенты - это новый класс систем программного обеспечения, которое действует либо от лица пользователя, либо от лица системы делегировавшей агенту полномочия на выполнение тех или иных действий.
Мультиагентная система - сложная система, в которой функционируют два или более интеллектуальных агентов.
Процесс самоорганизации в мультиагентных системах - внутренняя упорядоченность, согласованность, взаимодействие более или менее дифференцированных и автономных агентов агентной системы, обусловленной ее строением.
Общепринятого определения “агента” еще не существует. Рассматриваемый в какой-либо системе мультиагент - это аппаратная или программная сущность, способная действовать в интересах достижения целей, поставленных перед ним владельцем и/или пользователем. Таким образом, в рамках мультиагентных систем мы рассматриваем агенты, как автономные компоненты, действующие по определенному сценарию. Классифицируются агенты на четыре основных типа: простые, умные (smart), интеллектуальные(intelligent) и действительно интеллектуальные(truly intelligent).
Интерес для построения МАС в задачах инженерии знаний представляют в большей степени интеллектуальные и действительно интеллектуальные агенты, которые отличаются тем, что поддерживают помимо автономного выполнения, взаимодействия с другими агентами и слежения за окружением - способность использовать абстракции, адаптивность поведения, обучение на прецедентах и толерантность к ошибкам.
Проблемы в создании МАС на принципах искусственного интеллекта состоит в том, что при проектировании точной и полной модели представления мира, процессов и механизмов рассуждения в нем - очень тяжело создать адекватную и полную картину мира. Несмотря на явные трудности, идея использовать агентов для решения разноплановых задач очень популярна в последнее время. Однако задача проектирования МАС и действительно интеллектуальных агентов требует специальных знаний и является ресурсоемкой задачей.
Программные интеллектуальные агенты - это новый класс систем программного
обеспечения, которое действует либо от лица пользователя, либо от лица системы
делегировавшей агенту полномочия на выполнение тех или иных действий. Они
являются, по сути, новым уровнем абстракции, отличным от привычных абстракций
типа - классов, методов и функций. Но при этом, разработка МАС позволяет
создавать системы обладающие расширяемостью/масштабируемостью,
мобильностью/переносимостью, интероперабельностью, что несомненно очень важно
при разработке систем, основанных на знаниях.
1.3
СВОЙСТВА АГЕНТОВ
.Автономность: агенты функционируют без прямого вмешательства людей или кого-либо другого и владеют определенной способностью контролировать свои действия и внутреннее состояние.
.Общественное поведение (social ability):агенты взаимодействуют с другими агентами средствами некоторого коммуникационного языка.
.Реактивность: агенты способны воспринимать окружающую среду (которая может быть физическим миром, пользователем, взаимодействующим через графический интерфейс, коллекцией других агентов, Іnternet-ом, или, возможно, всем вместе взятым) и адекватно реагировать в определенных временных рамках на изменения, которые происходят.
.Целенаправленная активность: агенты не просто реагируют на изменения среды, но и обладают целенаправленным поведением и способностью проявлять инициативу.
.Индивидуальная картина мира: каждый агент имеет собственную модель окружающего его мира (среды), которая описывает то, как агент видит мир. Агент строит свою модель мира на основе информации, которую получает из внешней среды.
.Коммуникабельность и коперативность: агенты могут обмениваться информацией с окружающей их средой и другими агентами. Возможность коммуникаций означает, что агент должен получать информацию об его окружающей среде, что дает ему возможность строить собственную модель мира. Более того, возможность коммуникаций с другими агентами является обязательным условием совместных действий для достижения целей.
.Интеллектуальное поведение: поведение агента включает способность к обучению, логичной дедукции или конструированию модели окружающей среды для того, чтобы находить оптимальные способы поведения.
Следовательно, каждый агент - это процесс, который владеет (располагает) определенной частью знаний об объекте и возможностью обмениваться этими знаниями с другими агентами.
Классификацию агентов можно провести в двух направлениях - по их инструментальной реализации (языку программирования агентов) и по основным приметам, которыми они владеют.
Следует отметить, что на сегодня не существует языка программирования или инструментальной системы разработки, которая бы полностью соответствовала требованиям построения агентов. С точки зрения принципов распределенного объектно-ориентированного программирования (ООП) необходимость передачи методов может быть существенно сокращена в том случае, если может быть обеспечен удаленный доступ к общим методам посредством передачи ссылок на удаленные объекты, данных экземпляров этих объектов и их состояний. Однако в дополнение к концепции ООП, каждый агент имеет возможность создания копий самого себя с полной или ограниченной функциональностью, обеспечивая возможность настройки на среду путем исключения неэффективных методов и замены их новыми. Традиционная для ООП схема класс/объект нарушается, т.к. агент имеет возможность постоянного изменения сценария поведения без его изменения в родительском классе. Многозначное наследование позволяет создавать экземпляры агентов, смешивая сценарии поведения, схемы наследования и атрибуты, определенные в родительских классах.
Следовательно, система разработки, которая бы полностью соответствовала требованиям построения агентов, должна была бы соответствовать таким требованиям: обеспечение перенесения кода на различные платформы, доступность на многих платформах, поддержка сетевого взаимодействия, многопотоковая обработка и некоторые другие. Чаще всего в агентных технологиях используются: универсальные языки программирования (Java); языки, “ориентированы на знания”, такие, как языки представления знаний (KIF), языки переговоров и обмена знаниями (KQML, AgentSpeak, April), языки спецификаций агентов; специализированные языки программирования агентов (TeleScript); языки сценариев и scripting languages (Tcl/Tk); символьные языки и языки логического программирования (Oz).
Одно из самых главных свойств агента - это интеллектуальность. Интеллектуальный агент владеет определенными знаниями о себе и об окружающей среде, и на основе этих знаний он способен определять свое поведение. Интеллектуальные агенты являются основной областью интересов агентной технологии. Важна также среда существования агента: это может быть как реальный мир, так и виртуальный (компьютерный), что является важным в связи со всеобщим распространением сети Internet. От агентов требуют способности к обучению и даже самообучению. Поскольку обучение обуславливает наличие знаний у обучаемого, то обучаемым или самообучаемым может быть только интеллектуальный агент.
Свойство умения планировать подразделяет агентов на регулирующие и планирующие. Если умение планировать не предусмотрено (регулирующий тип), то агент будет постоянно переоценивать ситуацию и заново вырабатывать свои действия на окружающую среду. Планирующий агент имеет возможность запланировать несколько действий на различные промежутки времени. При этом агент имеет возможность моделировать развитие ситуации, что дает возможность более адекватно реагировать на текущие ситуации. При этом агент должен учитывать не только свои действия и реакцию на них, но и сохранять модели объектов и агентов окружающей среды для предсказания их возможных действий и реакций.
Агент может иметь доступ к локальным и глобальным ресурсам. При этом агентов, которые имеют доступ к локальным ресурсам (ресурсы, к которым имеет доступ пользователь, в том числе и сетевые), называют персональными помощниками, они автоматизируют работу текущего пользователя, помогая ему в выполнении некоторых операций. Соответственно сетевой агент самостоятельно получает доступ к информации, не доступной пользователю напрямую либо доступ к которой не был предусмотрен. Важным свойством классификации есть мобильность - возможность менять свое местонахождение в окружающей среде. Для программного агента под мобильностью понимается возможность передвигаться по сети от компьютера к компьютеру. Переходя от одного компьютера к другому, такой агент может обрабатывать данные и передавать по сети только результаты своей работы. Система, в которой несколько агентов могут общаться друг с другим, передавать друг другу некоторую информацию, взаимодействовать между собой, называется многоагентной (МАС).
.4 КЛАССИФИКАЦИИ АГЕНТОВ
Можно предложить немало различных оснований для построения классификаций агентов. Наиболее очевидными являются критерии классификации, связанные с полярными шкалами «естественное-искусственное» и «материальное-идеальное». По первому критерию, выделяются натуральные агенты (животные, люди, группы организмов, коллективы людей) и искусственные агенты (роботы, коллективы автоматов, сложные компьютерные программы). В данной работе описываются только искусственные агенты. По второму критерию, все искусственные агенты подразделяются на: 1) материальных, физически существующих и работающих в реальном пространстве, например, интегральные роботы) и 2) виртуальных, существующих лишь в программной среде (виртуальном пространстве); нередко такие «программные роботы» (software robots) называют сокращенно софтботами (softbots) [17, 77,113].
Еще одна пара взаимосвязанных критериев классификации опирается на дихотомии «сосредоточенное-распределенное» и «неподвижное-подвижное» [6,71,72,83,129]. Примером неподвижного агента служит стационарный манипуляционный робот, а примером мобильного- поисковый агент, мигрирующий по сети в целях отыскания нужной информации. Подчас мобильные софтботы (моботы ) могут трактоваться как распределенные, чисто коммуникативные агенты, которые не имеют собственных средств восприятия и действий (поэтому они не манипулируют никакими объектами), а лишь используют располагаемые ресурсы для коммуникации с другими агентами и миграции по сети в поисках релевантных данных и процедур. Наоборот, четко локализованные агенты в определенном смысле противоположны коммуникативным: они не могут двигаться по сети и обычно не обладают способностью к представлению среды, а их общение с другими агентами происходит не напрямую, а косвенно, через механизмы восприятия и действия.
Важным основанием для классификации служит наличие (отсутствие) у агентов характеристик обучаемости или адаптивности. У обучаемых агентов поведение основано на предыдущем опыте.
В свою очередь, Д.А. Поспелов предлагает строить классификацию агентов и выбирать соответствующие формальные средства их описания с помощью тройки критериев: тип среды, уровень «свободы воли» (по В.А. Лефевру) и уровень развития социальных отношений. Так для простейших замкнутых сред достаточно агентов автоматного уровня сложности (модели коллективного поведения автоматов), а в случае более сложных замкнутых сред имеем дело с агентами, основанными на конечных наборах правил и сценариев их применения (например, нечеткие регуляторы). Агенты, основанные на правилах, активно используются в компьютерных сетях, действуя в рамках «клиент-серверного» подхода. В целом, когда среда замкнута, пара «среда-агент» может быть в принципе задано формальной системой, т.е. действия агента здесь могут быть описаны в рамках подходящего логического исчисления (например, модальные логики или логики предикатов высокого порядка). Для открытых сред требуется переход к семиотическому моделированию.