Содержание к диссертации
Введение
1. Особенности построениямногоагентных систем и интеллектуальных агентов 9
1.1. Области применения и требования, предъявляемые к многоагентным системам и интеллектуальным агентам 9
1.1.1. Области применения многоагентных систем 9
1.1.2. Требования к многоагентным системам и интеллектуальным агентам
1.2. Модели и архитектуры интеллектуальных агентов 11
1.2.1. Онтологии моделей и архитектур интеллектуальных агентов 12
1.2.2. Модели интеллектуальных агентов 13
1.2.3. Архитектуры интеллектуальных агентов 18
1.2.4. Сравнительный анализ архитектур интеллектуальных агентов 33
1.2.5. Сопоставление моделей агентов и архитектур 37
1.3. Взаимодействие интеллектуальных агентов в многоагентных системах 37
1.3.1. Модели и методы взаимодействия агентов 38
1.3.2. Взаимодействие программных систем с конечными пользователями 43
1.3.3. Сравнение моделей взаимодействия интеллектуальных агентов 52
1.3.4. Языки взаимодействия агентов в многоагентных системах 52
1.4. Инструментальные средства проектировании агентов и MAC 57
1.4.1. Требования, предъявляемые к языкам п инструментальным средствам построения агентов 57
1.4.2. Среды разработки агентов и MAC 58
1.5. Постановка задачи диссертационного исследования 63
Выводы 65
2. Теоретические основы организации взаимодействия интеллектуальных агентов и построения системы, имитационного моделирования 66
2.1. Модель интеллектуального агента 66
2.1.1. Модель представления планов участников взаимодействия 67
2.1.2. Метод расчета продолжительности решения задачи
2.2. Проблемная область 71
2.3. Глобальная структура диалога 72
2.3.1. Алгоритм выбора задач, решение которых требуется для достижения цели 72
2.4. Тематическая структура диалога 73
2.4.1. Алгоритм выявления взаимосвязей с задачами друпгх агентов 75
2.4.2. Методы составления совместного плана 76
2.4.3. Методы выполнения совместного плана 77
2.5. Локальная структура диалога 79
2.5.1. Алгоритм построения последовательности коммуникативных действий агентов 81
2.6. Языки взаимодействия агентов 82
2.7. Построение имитационной модели процессов взаимодействии интеллектуальных агентов 2.7.1. Формальное описание имитационной модели взаимодействия 83
2.7.2. Особенности имитационного моделирования взаимодействия агентов в среде G2 85
2.7.3. Построение сценария имитационного эксперимента 89
Выводы 91
3. Построение системыимитационного моделирования процессов взаимодействиямнтеллектуальных агентов 92
3.1. Особенности проектирования архитектуры системы имитационного моделирования процессов взаимодействия агентов 92
3.1.1. Архитектура подсистемы задания параметров моделирования 92
3.1.2. Архитектура агента 93
3.1.3. Архитектура планировщика 95
3.1.4. Архитектура подсистемы доставки и обработки сообщений 95
3.1.5. Архитектура подсистемы анализа результатов и хранения статистики
3.2. Реализация системы имитационного моделирования процессов взаимодействия интеллектуальных агентов 100
3.3. Реализация алгоритмов работы с моделями 102
3.3.1. Реализация алгоритма планирования 102
3.3.2. Реализация алгоритма координации 103
3.3.3. Реализация алгоритма формирования последовательности коммуникативных действий на основе локальной структуры диалога 103
3.3.4. Реализация алгоритма выбора задач, необходимых для достижения цели 106
3.4. Реализация подсистемы доставки и обработки сообщений 107
3.4.1. Компонент «Мост» 107
3.4.2. Компонент «Транслятор» 107
3.4.3. Компонент «Обработчик сообщений пользователя» 107
3.4.4. Компонент «Имя Машины» 108
3.4.5. Компонент «Сервер Имен» 108
3.4.6. Компонент «Отправитель» 109
3.4.7. Компонент «Приемник» 109
3.4.8. Компонент «Обработчик сообщений» 109
3.4.9. Компонент «Интерфейс пользователя» 109
3.4.10. Обработка ошибок 109
3.5. Реализация пользовательского интерфейса системы имитационного моделирования процессов взаимодействия агентов .110
3.6. Описание элементов меню основных классов 113
3.7. Технические характеристики программного обеспечения 115
Выводы 116
4. Апробация и внедрение разработанных моделей, методов и программных средств 117
4.1. Прототип MAC управления инвестиционными проектами 117
4.2. Прототип МАС для решения задач контроля состояния химически опасных объектов города Москвы 122
4.3. Прототип MAC оперативного биллинга 126
4.4. Прототип MAC «Транспортный паспорт региона» 129
4.5. Демонстрационный прототип MAC управления силами и средствами объектовой охраны
Выводы 134
Заключение 135
Список литературы
- Требования к многоагентным системам и интеллектуальным агентам
- Метод расчета продолжительности решения задачи
- Архитектура подсистемы задания параметров моделирования
- Прототип МАС для решения задач контроля состояния химически опасных объектов города Москвы
Введение к работе
Актуальность темы. Многоагентные системы (MAC) - это новая технология, формируемая на стыке искусственного интеллекта (ИИ), общей теории систем, информационных и телекоммуникационных технологий. Разработка технологии создания MAC представляет собой одну из наиболее важных и многообещающих областей развития интеллектуальных информационных технологий.
Актуальность распределенного ИИ и MAC определяется сложностью современных организационных и технических систем, разнообразием, сложностью и распределенностью решаемых задач, огромными объемами потоков информации и высокими требованиями к времени обработки информации. Централизованное управление в них становится неэффективным из-за того, что слишком много времени тратится на передачу в центр информации и принятие соответствующих решений. Агентно-ориентированный подход находит широкое применение в различных областях, требующих решения сложных распределенных задач, таких как совмещенное проектирование изделий, реинжиниринг бизнеса и построение виртуальных предприятий, имитационное моделирование интегрированных производственных систем и электронная торговля, организация работы коллективов роботов и распределенная (совмещенная) разработка компьютерных программ.
Теоретические исследования в области MAC ведутся в основном по следующим направлениям: теория агентов; коллективное поведение агентов; архитектура агентов и MAC; методы, языки и средства коммуникации агентов; языки реализации агентов; средства поддержки миграции агентов по сети. В практических задачах построения MAC определяющее значение имеют инструментальные средства и языки построения таких систем, представляющие собой многослойную структуру, включающую пять слоев: языки реализации агентов и MAC; языки коммуникации агентов; языки описания поведения агентов и законов среды; языки представления и управления знаниями; языки формализации и спецификации агентов и MAC. Значительный вклад в исследования в области MAC и интеллектуальных агентов внесли отечественные ученые Д.А. Поспелов, Г.С. Осипов, Э.В. Попов, М.Л. Цетлин, В.И. Городецкий, И.В. Котенко, Г.В. Рыбина, П.О. Скобелев, А.В. Смирнов, В.Л. Стефанюк, В.Б. Тарасов, В.Ф. Хорошевский и другие, а также целый ряд зарубежных ученых М. Вуддридж, И. Демазо, Н. Дженнингс, Т. Кинни, П. Маэс, Ж.-П. Мюллер, Ж. Фербе, Б. Хейес-Рот, К. Хьюитт, К. Цетнарович и др.
Наибольшую сложность в теоретических исследованиях и практических реализациях современных MAC представляют вопросы, связанные с процессами взаимодействия агентов при коллективном решении задач реальной практической сложности и значимости, поскольку каждый агент, решающий конкретную подзадачу, имеет лишь частичное представление об общей задаче и должен постоянно взаимодействовать с другими агентами. Однако, именно процессы взаимодействия агентов, особенно интеллектуальных агентов, являются наименее изученными и исследованными в контексте MAC, что объясняется: наличием неформальных описаний семантики и прагматики языков взаимодействия агентов, практическим отсутствием моделей диалогов/полилогов агентов, логически несовместимыми сценариями коммуникации, обилием разнородных компонентов обработки сообщений и т.д.
Поэтому проблема построения моделей взаимодействия интеллектуальных агентов в MAC является в настоящее время наиболее актуальной в теории и технологии MAC.
Цель исследований. Целью диссертации является исследование и разработка моделей, методов и программных средств организации взаимодействия интеллектуальных агентов в MAC.
Для достижения поставленной цели в диссертации решены следующие основные задачи.
На основе анализа существующих подходов к построению современных MAC и исследованию организации взаимодействия между интеллектуальными агентами построены онтологии моделей и архитектур интеллектуальных агентов и MAC с учетом специфики процессов взаимодействия агентов.
Проведен эволюционный анализ опыта исследований и разработок в области человеко-машинных интерфейсов на естественном языке и интеллектуальных диалоговых систем и выбрана базисная модель общения, позволяющая в отличие от традиционных моделей коммуникаций агентов поддерживать достаточно сложные процессы взаимодействия интеллектуальных агентов за счет учета знаний о проблемной области (ПрО), языке, структуре диалога и коммуникативной среде.
Построена модель взаимодействия интеллектуальных агентов и предложены оригинальные методы и алгоритмы реализации всех компонентов модели.
Разработаны модель интеллектуального агента, модели и методы взаимодействия интеллектуальных агентов в MAC и способы их настройки на различные среды.
Выполнен анализ системных требований и проектирование инструментальных программных средств поддержки построения архитектур интеллектуальных агентов и организации их взаимодействия.
Разработаны инструментальные программные средства системы имитационного моделирования процессов взаимодействия интеллектуальных агентов (система ИМВИА).
Проведена экспериментальная апробация предложенных моделей, методов, архитектур и разработанных инструментальных программных средств для различных ПрО, в том числе в виде прототипов МАС для задач контроля состояния химически опасных объектов, оперативного биллинга, инвестиционного планирования и др.
Объект исследования. Объектом исследования являются интеллектуальные агенты и MAC.
Предмет исследования. Предметом исследования являются модели взаимодействия и архитектуры интеллектуальных агентов в MAC.
Методы исследования. Для решения поставленных задач в диссертации использованы методы ИИ (модели и методы представления и обработки знаний, методы инженерии знаний), имитационное моделирование, теория множеств, теория графов, теория построения трансляторов, технология разработки программного обеспечения.
Научная новизна результатов работы. В диссертации получены следующие новые результаты.
1. Предложены методы и алгоритмы построения модели взаимодействия интеллектуальных агентов в MAC, расширяющей возможности традиционных моделей коммуникации агентов за
счет учета знаний о ПрО и языке взаимодействия, ПрО других агентов, а также знаний о структуре взаимодействия на глобальном, тематическом и локальном уровнях.
На основе развития HTN-формализма (HTN - Hierarchical Task Network) предложена расширенная модель представления планов агента, дополненная введением в описание вершин сети функций качества, а также разработаны оригинальные алгоритмы планирования, координации, разрешения конфликтов, построения последовательности коммуникативных действий агентов и определения совокупности задач, решение которых требуется для достижения цели взаимодействия.
Предложены оригинальные методы представления и реализации тематической и локальной структуры диалога/полилога интеллектуальных агентов на основе использования эвристических моделей решения типовых задач и формализма раскрашенных сетей Петри.
Впервые исследована и показана возможность применения методов имитационного моделирования, обеспечивающих поддержку процессов взаимодействия интеллектуальных агентов в MAC, как основного инструмента концептуального проектирования и прототипирования сложных объектов.
Разработаны инструментальные программные средства системы имитационного моделирования процессов взаимодействия интеллектуальных агентов (система ИМВИА) и методические рекомендации по их применению, на основе которых построены прототипы MAC для различных ПрО.
Практическая значимость результатов работы. Практическая значимость результатов диссертации непосредственно связана с созданием новой технологии 21-го века - технологии MAC, поскольку разработка мощных архитектур интеллектуальных агентов и обеспечение эффективных процессов коммуникации агентов являются наиболее важными задачами при разработке любой МАС для таких практически значимых задач как распределенное проектирование изделий, моделирование интегрированных производственных систем, реинжиниринг бизнеса, организация работы коллектива роботов, Интернет-приложения и т.п.
Апробация разработанных моделей, методов и инструментальных программных средств при создании нескольких прототипов MAC для различных ПрО (телекоммуникации, мониторинг химически опасных объектов, инвестиционное планирования, и др.) подтвердила практическую значимость результатов диссертации.
На защиту выносятся.
Модель взаимодействия интеллектуальных агентов в MAC.
Методы и алгоритмы реализации всех компонентов модели взаимодействия интеллектуальных агентов.
Комплекс инструментальных программных средств имитационного моделирования процессов взаимодействия интеллектуальных агентов (система ИМВИА).
Достоверность полученных результатов. Достоверность научных результатов подтверждена экспериментальными данными проведенного тестирования разработанных программных средств, а также соответствующими актами о внедрении и использовании результатов диссертации.
Апробация работы. Основные положения и результаты диссертации докладывались и обсуждались на следующих научных конференциях и семинарах: «8-ая Национальная конференция по искусственному интеллекту - КИИ-2002» (Коломна, 2002); «11-ая Национальная конференция по искусственному интеллекту - КИИ-2008» (Дубна, 2008); Международный научно-технический семинар "Современные технологии в задачах управления, автоматики и обработки информации" (Алушта, 2000-2002, 2005, 2008); «Научная сессия МИФИ» (Москва, 2002-2008).
Реализация результатов работы. Результаты диссертации использовались в НИР, выполненных при поддержке РФФИ (проекты № 00-01-00679, № 03-01-00924, № 06-01-00242) в лаборатории «Системы искусственного интеллекта» кафедры Кибернетики МИФИ, и в учебном процессе для практической поддержки курса «Динамические интеллектуальные системы» на кафедре Кибернетики МИФИ.
Результаты диссертационного исследования также использованы при разработке ряда прототипов MAC, в частности: MAC оперативного биллинга, МАС для решения задач контроля состояния химически опасных объектов г. Москвы, MAC управления инвестиционными проектами, MAC управления силами объектовой охраны.
Публикации. Основные результаты диссертации опубликованы в 17 печатных работах, в том числе одна статья в журнале, включенном ВАК РФ в перечень ведущих рецензируемых научных журналов и изданий.
Структура и объём работы. Диссертация состоит из введения, четырёх разделов, заключения, списка использованной литературы (102 наименования) и 6 приложений. Основная часть диссертации содержит 135 страниц машинописного текста, включая 55 рисунков, 15 таблиц.
Требования к многоагентным системам и интеллектуальным агентам
Как показано в работе [7], модель агента в самом общем виде может быть представлена следующим образом: Agent= A,S,Env,Hist,Act , где A={aj}, iell,n] - множество действий; S={Sj}, іє[0,п] - множество состояний среды; Env:AxAxS- 2s - функция поведения (недетерминированного) среды; Hist={Histk} - множество возможных историй, в виде которых можно представить взаимодействие агента и среды; Act:Hist— А - функция, которая отображает последовательность состояний среды в действия.
Функция Env берет текущее состояние среды seS и действие аєА (выполняемое агентом) и отображает их на множество состояний среды EBV(S, а) - тех, к которым может привести выполнение действия а в состоянии s. Если все множества в диапазоне Env являются одиночками, (т.е., если результат выполнения любого действия в любом состоянии является множеством, состоящим из одного элемента), тогда среда детерминированная, и его поведение может быть точно предсказано.
Взаимодействие агента и среды представляется в виде истории h, которой называется последовательность: где So- начальное состояние среды (т.е. состояние, в котором агент начинает выполнение своих действий).
Следует отметить, что в данном случае агент, моделируемый функцией такой формы, называется стандартным агентом. Интуицией называется процесс решения, какое действие выполнять на основе своей истории - опыта к настоящему времени. Этот опыт представляется как последовательность тех состояний среды, которые агент до сих пор встретил. В работе [7] на основании данной модели выделяется четыре класса агентов: Агенты, основанные на логике - агенты, в которых принятие решений реализовано через логическое исчисление.
Реактивные агенты - агенты, в которых принятие решений осуществляется в некоторой форме прямого отображения ситуации на действие.
Агенты убеждения-желания-намерения (BDI-агенты) — агенты, в которых принятие решений зависит от манипуляции структурами данных, представляющих убеждения, желания и намерения агентов (некоторый аналог ментальных свойств человека); Многоуровневые агенты — в которых принятие решений реализовано в виде различных программных уровней, каждый из которых в большей или меньшей степени эксплицитно (явно) рассуждает о среде на различных уровнях абстракции.
Таким образом, рассмотренная модель является скорее некоторым методологическим базисом, чем основой для конкретной реализации.
Как показано в, работе [8], модель агента Дж. Фербера представляется следующим образом: A= Pa,Sa,Perceptiona,Memorizationa,Decisiona , где Sa - множество состояний агента а; Ра - множество возможных восприятий (percept) агента a; Perceptiona:E- Pa -функция, которая отображает возможные состояния окружения в результаты восприятия агента a; Memorizationa:PaxSa- Sa - функция запоминания агента а, которая, заключается в изменении состояния агента а при получении информации о состоянии окружения; Decisiona:Sa- r - функция решения агента а, которая воспринимает внутреннее состояние агента как аргумент и на выходе выдает, какую команду агент должен исполнять.
Функционирование агента, имеющего модель, описанную выше, происходит следующим образом. Агент воспринимает события, происходящие во внешнем окружении, тем самым, выполняет функцию Perception, которая отображает состояния окружения в результат восприятия агента а,- т.е. изменяет его представление о текущем состоянии среды. После получения новых результатов восприятия агент изменяет свое состояние в соответствии с состоянием окружения, т.е. выполняет функцию Memorization. После изменения, внутреннего состояния агента происходит соотнесение внутреннему состоянию агента команды, которую необходимо исполнить агенту, т.е. выполняется функция Decision.
Представленная модель, хорошо описывает ситуативный аспект поведения агента, оставляя, однако неосвещенными вопросы, связанные с поведением агента в рамках MAC, т.е. социальный аспект поведения, основой которого является процессы взаимодействия агентов.
Данная модель является моделью агента, выступающего как часть MAC, поэтому основной упор в ней делается на поведение агента в рамках социума. В виду этого все поведение агента строится не только на основании состояния внешней среды, но также и на основе социальных законов, установленных внутри конкретной MAC. Однако, недостатком модели является тот факт, что уделяя большое внимание данному аспекту поведения, слабо показывается механика взаимодействия агента и внешней среды, опуская такие важные моменты как восприятие и воздействия на окружение.
В соответствии с работой [15], модель агента представляется следующим образом: AFM = MS, МТ , где MS - совокупность пространсів внутренних (ментальных) состояний агента, соответствующих таким понятиям как цели, планы, и т. д.; МТ - совокупность отображений между этими пространствами. Выделяются следующие пространства ментальных состояний агента: MS = SEI, IEI, PES, ISS, PIS, STP, LTP , где SEI - принятая от сенсорных подсистем текущая информация о состоянии внешней среды; ІЕГ- текущий внутренний образ состояния внешнего мира (интерпретированный на любом требуемом уровне абстракции); PES - прогнозируемое состояние внешнего мира; ISS -оценка текущего состояния собственных подсистем агента; PIS - прогнозируемое состояние собственных подсистем агента; STP - краткосрочный (тактический) план агента; LTP - долгосрочный (стратегический) план агента. Совокупность отображений можно представить в виде MT= fEss, fEsi, fEsp, fsTP, fiSA, fisp, ЬТР , где fEss - функция восприятия внешней среды; fEsi -функция интерпретации (оценки) состояния внешней среды; fEsp - функция прогнозирования состояния внешней среды; fSxp - функция построения краткосрочного (тактического) плана; fiSA - функция оценки состояния собственных подсистем; fisp - функция прогнозирования состояния собственных подсистем; fLTP - функция построения долгосрочного плана. Формальная модель агента в виде диаграммы, отражающей совокупность отображений между пространствами ментальных состояний, представлена на Рис. 4.
Метод расчета продолжительности решения задачи
Как было показано выше для осуществления процесса планирования, необходимо вычислить значение качества задачи на основе показателя качества подзадач, для этого в работе был разработан следующий метод.
1. Выбор из библиотеки частичных планов всех схем декомпозиции, которые описывают декомпозицию задачи, определяемой целью q.
2. Для каждой из схем декомпозиции определить возможное качество этой схемы по следующему алгоритму: І. Вычислить значение функции качества для каждого из методов и элементов локальной структуры диалога, которые участвуют в данной схеме декомпозиции. II. Пройти снизу вверх по дереву декомпозиции, вычислить значения функции качества для родительской вершины на основе функции качества и значений функции качества для дочерних вершин следующим образом: если функция качества для родительской вершины определена, как Q-Max, Q-Sum, Q-ExactlyOne, то дочерние вершины переупорядочиваются в порядке убывания значений их функции качества; если функция качества для родительской вершины определена, как Q-Min, то дочерние вершины переупорядочиваются в порядке возрастания значений их функции качества; планируемое значение функции качества для родительской вершины определяется в соответствии с Таблицей 6.
Качество схемы декомпозиции определяется как значение функции качества корневой вершины схемы декомпозиции для данной задачи. 3. Выбрать схему декомпозиции с максимальным значением функции качества.
Формирование расписания выполнения задачи (сворачивание дерева). 1. Идем по выбранному дереву декомпозиции слева направо сверху вниз. 2. Если функция качества родительской вершины Q-Min, Q-Sum, Q-All, Q-SeqMin, Q-SeqMax, Q-SeqSum, Q-Max, то дочерние вершины помещаются в расписание выполнения в том же порядке, в котором они упорядочены в схеме декомпозиции вместо родительской вершины. 3. Если функция качества родительской вершины Q-ExactlyOne, то в расписание выполнения вместо родительской вершины помещается оператор выбора подзадачи (причем выбор производится в том порядке, в котором подзадачи упорядочены в схеме декомпозиции). 4. Определение планируемого времени окончания каждой из задач в расписании, как суммы планируемых времен выполнения для каждой из задач от начала расписания до данной задачи включительно.
В общем случае агенты могут обсуждать очень широкий спектр задач, однако в данной работе в понятие ПрО включено понятие предметной области (т.е. множество классов и их экземпляров) плюс совокупность из пяти типовых задач (диагностика, проектирование, планирование, управление, обучение), рассматриваемых в рамках задачно-ориентированной методологии построения интегрированных экспертных систем, предложенной Г.В. Рыбиной в середине 90-х годов [60, 61]. Модель проблемной области может быть представлена в виде: Ps = PR, ST, TRP , Где PR = SK, SOb, SR , где SK - множество классов, описывающих некоторую предметную область, SOb - множество экземпляров классов, SR - множество отношений, связывающих элементы множеств SK, SOb; ST - множество решаемых задач; TRP - соответствие элементов PR решаемым задачам. Для этих типовых задач разработаны эвристические модели решения и методы их реализации, что и было использовано в данной работе. Важно отметить два преимущества выбранного подхода: наличие эвристических моделей решения типовых задач (множество Мтнз) фактически, описывающих управляющие знания о стратегиях (схемах, способах) решения конкретных классов задач, решающихся сходным образом (компонент ST); средствами реализации каждой эвристической модели М-п являются соответствующие сценарии диалога, описывающие тематическую структуру диалога (DI2), определяющую декомпозицию исходной задачи на подзадачи, способы обработки информации на каждом этапе и т.д. Глобальная структура диалога/полилога (DIi) - макроструктура, зависящая только от целей агентов-участников взаимодействия, которые определяются архитектурой конкретной МАС в зависимости от ПрО. Модель глобальной структуры можно представить как: DIj = Goal, Tasks, Pars, QuantPars , где Goal - идентификатор цели, процесс достижения которой описывает данный фрагмент глобальной структуры диалога; Tasks=(Taski,...,Taskn) - последовательность идентификаторов решаемых задач (для достижения цели требуется решить указанные задачи в указанной последовательности); Pars={Pari} — список имен параметров; QuantPars = {QuantPark} - параметры цели, связанные квантором всеобщности (для достижения цели требуется решить все задачи, в которых данный параметр принимает значение).
Достижение цели агентом осуществляется путем выявления частных целей, в которых связанные переменные принимают значения, и решением всех задач, указанных для этих частных целей. Для определения списка задач, решение которых требуется для достижения цели, в работе был предложен следующий алгоритм. Шаг 1. Означить все несвязанные параметры цели G. Шаг 2. Сформировать множество частных целей Gi, как множество целей, у которых множество параметров определяется, как Pars; = Pars u QuantPars, QuantParsj = 0, a значения тех параметров, которые не были связаны, принимают одно из допустимых для них значений. Частные цели формируются для всевозможных комбинаций связанных параметров. Шаг 3. Для каждой частной цели Gj выполнить соответствующую ей последовательность задач.
Архитектура подсистемы задания параметров моделирования
Подсистема задания параметров моделирования реализована на основе стандартных элементов системы G2 и представляет собой систему взаимосвязанных рабочих пространств с необходимым набором интерфейсных возможностей для задания всех параметров имитационной модели, требуемых для идентификации входов модели.
Для задания модели ПрО агента используются следующие рабочие пространства: описание классов объектов, находящихся в окружении агента; описание экземпляров существующих классов; описание отношений, связывающих объекты в модели внешнего мира агента.
Для задания возможных событий (раздел 2.7.2) предусмотрены следующие рабочие пространства: выбора параметров возникновения событий; выбора последовательности событий, в которой для каждого события задается его тип и значения параметров для этого типа; выбор вероятностей возникновения события для объектов ПрО (если был выбран вероятностный сценарий возникновения событий). Для задания БЗ агента используются следующие рабочие пространства: описание базы действий; описание базы целей; описание базы планов.
Для задания помех при восприятии события и воздействии агента на окружение существуют следующие рабочие пространства: описание помех при восприятии; описание помех при выполнении действий (комментарий: помехи, представляют собой специализированный вид событий, воспринимаемый агентом. Для помехи возможно задание таких атрибутов, как временной интервал действия помех и тип события/действия, которое не будет восприниматься/выполняться в течение данного интервала).
Подсистема задания параметров моделирования Подсистема задания параметров позволяет конструировать различные сценарии имитационного эксперимента в зависимости от специфики конкретных прикладных задач и целей, которые ставятся при моделировании той или иной ПрО средствами G2.
Описание восприятия агента осуществляется через задание последовательности типовых событий, для чего необходимо определить количество и перечень типовых событий, частоту их возникновения и необходимые параметры. События могут генерироваться либо детерминировано (последовательно), либо случайным образом с заданными вероятностными характеристиками. Описание БЗ состоит из задания правил реакции на возникающие события, т.е. задания множества связок типа событие-действие и задания набора иерархий задач агента. Для определения помехи необходимо выбрать тип события/действия, которое будет блокироваться помехой, и временной интервал, в течение которого это будет происходить.
В данном разделе рассматривается архитектура агента и его компонентов. В соответствии с выбранной базисной архитектурой (раздел 1.2.4.2), разработанная архитектура агента, представленная на Рис. 25, состоит из следующих основных компонентов: модель ПрО; рефлектор; компонент вывода; планировщик; исполнительная подсистема; подсистема обработки сообщений; база целей; база планов; база действий. База цепей
Рефлектор воспринимает события, происходящие в окружении агента, либо принимает сообщения от других агентов с использованием подсистемы обработки сообщений. На качество восприятия влияют помехи, создаваемые генератором шумов. Так же рефлектор меняет модель ПрО агента в соответствии с произошедшем событием и с учетом помех при восприятии. При этом события, воспринимаемые рефлектором, могут быть трех различных типов, а именно: изменение состояния окружения, задачи других агентов и результаты выполнения действий.
Изменения ПрО агента передаются на вход компоненту вывода для выбора новых целей из базы целей. При получении информации о задачах других агентов эта информация передается планировщику для корректировки последовательности собственных действий. Результаты выполнения действий используются для корректировки модели ПрО агента, не вызывая никаких дополнительных действий.
Компонент вывода агента на основе модели ПрО и базы целей, определяет, какие цели агенту требуется достичь в настоящий момент. Выделенные цели передаются на вход планировщику, который, используя информацию из базы планов и базы действий агента, формирует расписание действий агента и передает его исполнительной подсистеме.
Исполнительная подсистема либо непосредственно выполняет действия агента в ПрО, либо отправляет сообщения другим агентам с помощью подсистемы обработки сообщений. Для отправки, приема и обработки сообщений используется транспортная подсистема. В состав транспортной подсистемы включаются средства передачи сообщений и сервер имен агентов. Средства передачи сообщений определяют координаты сервера имен агента и передают отправляемое сообщение ему. Сервер имен агентов определяет координаты получателя сообщения (на основании регистрационных записей) и передает сообщение непосредственно получателю.
На Рис. 26 представлена архитектура планировщика. Компонент «менеджер задач» на основе активных целей агента определяет последовательность задач, которые агенту необходимо решить, в соответствии с чем для каждой цели раскрываются все кванти фи цированные параметры, и каждая задача из последовательности задач данной цели, параметры которой означены значениями параметров из получившегося набора, помещается в список задач.
Компонент «составитель планов» для каждой из задач в списке зарегистрированных задач на основе базы планов строит предварительное расписание выполнения. Предварительный план выполнения передается компоненту «составитель расписания», который определяет прогнозируемое время окончания выполнения для каждой из задач.
Информация о предварительном расписании передается другим агентам с помощью компонента «координатор». Если приходит сообщение о возможности решении задачи другим агентом, то координатор проверяет прогнозируемое время окончания работы у другого агента. В том случае, если другой агент выполняет ту же самую задачу раньше, задача убирается из очереди на исполнение данным агентом.
Прототип МАС для решения задач контроля состояния химически опасных объектов города Москвы
Разработка прототипа МАС для решения задач контроля состояния химически опасных объектов позволила организовать эффективное управление общими ресурсами при принятии решений об использовании специальных служб, а также синхронизировать действия между Агентствами по обеспечению мероприятий гражданской защиты и Центром мониторинга и прогнозирования чрезвычайных ситуаций природного и техногенного характера Главного управления МЧС России по г. Москве при составлении плана мероприятий по обеспечению гражданской безопасности населения на окружающей территории и устранению последствий аварий с привлечением сил и средств оперативных служб, оценке уровня аварии, расчете прогноза развития аварийной обстановки.
Результаты, полученные при создании прототипа, были использованы при реализации системы контроля и передачи данных о состоянии химически опасных объектов «Объект-округ», внедренной в промышленную эксплуатацию в Центре мониторинга и прогнозирования чрезвычайных ситуаций природного и техногенного характера Главного управления МЧС России по г.Москве (подтверждается соответствующими актами).
Для повышения уровня и обслуживания клиентов провайдеров услуг Интернет, операторов сотовой связи и различных call-центров используются автоматизированные системы расчетов (АСР) за услуги. Одной из основных проблем, стоящих перед этими предприятиями, является оперативное управление состоянием лицевых счетов клиентов и управление доступом к ресурсам. Поэтому для решения этих задач в составе АСР предприятия должна присутствовать система оперативного биллинга (СОБ), предназначенная для управления в режиме реального времени состоянием лицевых счетов клиентов, использующих предоставленные им ресурсы, с возможностью оперативного отключения клиента от предоставленных ресурсов в случае истечения денежных средств на его лицевых счетах. Создание подобной СОБ традиционными методами и технологиями сопряжено с большими трудностями, поскольку к СОБ предъявляются следующие основные требования: высокая скорость обработки входной информации и расчета остатков на лицевых счетах клиентов; малое время реакции на факт превышения лимита в процессе обслуживания клиентов; оперативный доступ к информации о лицевых счетах, хранящейся в базе данных АСР, и оперативное управление оборудованием для отключения (подключения) клиентов.
Сложность решения этих задач определяется тем, что система должна в реальном масштабе времени параллельно выполнять очень большое количество процессов: одновременно обслуживать множество клиентов (десятки и сотни тысяч), контролировать состояние разнообразного оборудования, используя множество источников информации; выявлять в реальном масштабе времени факты превышения лимита в процессе обслуживания клиентов и управлять оборудованием для отключения (подключения) клиентов. При этом система должна обеспечивать высокий уровень надежности и быструю восстанавливаемость при отказах.
Новым подходом к решению этих проблем является создание MAC оперативного биллинга, где множество параллельно выполняемых процессов по обработке лицевых счетов клиентов и управлению оборудованием выполняют интеллектуальные и реактивные агенты [90]. В рамках реализации такого подхода на основе разработанной в диссертации системы ИМВИА был построен прототип MAC оперативного биллинга, основной целью которого являлась имитация ведения переговоров агентов при решении задачи о возможности обслуживания абонента, в состав которого входили агенты нижеперечисленных типов.
1. Реактивный агент взаимодействия с БД АСР - находится в узле, на котором установлена АСР, и обеспечивает отправку и прием сообщений к/от агентов СОБ. Целями данного агента являются: уведомление об изменениях, произошедших в АСР тех интеллектуальных агентов СОБ, которых это затрагивает; прием информации от интеллектуальных агентов СОБ, которая должна быть помещена в АСР.
2. Реактивный агент (сервер имен) предназначен для регистрации и управления доступом интеллектуальных агентов СОБ к ресурсам МАС-СОБ, в частности к ресурсам АСР. Поэтому рекомендуемое расположение данного агента - на узле, на котором установлена
АСР. Целями данного агента являются: регистрация/разрегистрация интеллектуальных агентов СОБ в составе MAC; информирование прочих агентов MAC о присутствии остальных агентов в системе; мониторинг соблюдения прав доступа интеллектуальных агентов СОБ к ресурсам MAC. 3. Интеллектуальные агенты СОБ - это интеллектуальные агенты, задачей которых является оперативная тарификация клиентов, работающих на определенном коммуникационном оборудовании. По своей сути агент СОБ является следующим уровнем иерархии в системе, т.к. сам является MAC, состоящей из двух агентов, - интеллектуального «синхронизатора», отвечающего за адекватность представления агента о лицевых счетах (ЛС) клиентов, и реактивного менеджера, осуществляющего управление и мониторинг состоянием СОБ. Агент синхронизатор предназначен для обеспечения синхронизации информации о состояние ЛС клиентов между СОБ, т.е. обеспечивает поддержку объективной картины состояния ЛС. Этот агент включает пять компонентов, а именно: планировщик, координатор, локальный составитель расписания, монитор выполнения и коммуникатор.
Интеллектуальные агенты СОБ могут находиться на больших расстояниях от центрального узла, па котором установлена АСР. В качестве коммуникационного оборудования, которое может использоваться при работе СОБ, служит оборудование для ГР-телефонии, маршрутизаторы Internet и оборудование для сотовой связи. Основной задачей интеллектуального агента СОБ является оперативный мониторинг состояния лицевых счетов абонентов, принятие решения о возможности обслуживания абонентов, оперативное подключение/отключение абонентов.
Целями данного агента являются: отслеживание изменений ЛС абонентов; отслеживание изменений тарифных планов; оперативное принятие решения об обслуживании; синхронизация информации об абонентах с другими интеллектуальными агентами СОБ; передача наработок абонентов в АСР.
Разработанные для данной проблемной области модели, классы и т.д., используемые для проведения имитационного эксперимента, приведены в Приложении 5.
На Рис. 50 представлена статистика, собранная в ходе имитационного эксперимента по следующим параметрам: история постановки задач; история активизации элементарных шагов взаимодействия; история обмена сообщениями.
На Рис. 51 показано, каким образом визуализировался процесс функционирования агента. На верхнем уровне показаны цели, которые агент ставит перед собой. Следующий уровень - это задачи, которые в настоящий момент решаются агентом. Третий и четвертый уровни обеспечивают представление локальных структур диалога, т.е. третий — активизацию их при решении конкретной задачи, а четвертый — визуализацию конкретных шагов локальной структуры взаимодействия.
На основе использования МАС-подхода и системы ИМВИА при построении прототипа MAC оперативного биллинга удалось повысить уровень обслуживания клиентов за счет возможности ведения единого лицевого счета клиента при одновременном обслуживании абонента на разном коммуникационном оборудовании, реализовать возможность смены тарифного плана без отключения клиента от предоставляемых услуг. При этом исчезла необходимость репликации БД АСР по инициативе СОБ, так как интеллектуальные агенты сами запрашивали необходимую им информацию в реальном времени и сообщали об изменении лицевых счетов клиентов.
