Содержание к диссертации
Введение
1 Анализ способов и средств моделирования поведения самоорганизующихся групп автономных агентов для биомедицинских систем 12
1.1 Анализ проблемы моделирования поведения самоорганизующихся групп автономных агентов для биомедицинских систем 12
1.2 Подходы к моделированию поведения групп автономных агентов на основе теории самоорганизации 33
1.3 Методы реализации принципов поведения самоорганизующихся групп автономных агентов 44
1.4 Разработка систематизации автономных агентов для биомедицинских систем 52
1.5 Выводы 54
2 Разработка многоуровневой информационной модели поведения самоорганизующихся групп автономных агентов для биомедицинских систем 55
2.1 Анализ методов и средств математического моделирования поведения самоорганизующихся групп автономных агентов 55
2.2 Формальная постановка задачи описания поведения самоорганизующихся групп автономных агентов 59
2.3 Разработка информационно-структурных и математических моделей поведения самоорганизующихся групп автономных агентов 74
2.4 Выводы 84
3 Разработка алгоритма поведения самоорганизующихся групп автономных агентов для биомедицинских систем 85
3.1 Анализ методов и средств реализации алгоритма поведения самоорганизующихся групп автономных агентов 85
3.2 Разработка комплекса t/ML-диаграмм поведения самоорганизующихся групп автономных агентов для биомедицинских систем 91
3.3 Разработка системы критериев эффективности прогнозирования поведения самоорганизующихся групп автономных агентов 101
3.4 Выводы 104
4 Структурная и программная реализация многоагентнои системы поведения самоорганизующихся групп автономных агентов 105
4.1 Разработка многоагентнои системы поведения самоорганизующихся групп автономных агентов 105
4.2 Имитационное моделирование поведения самоорганизующихся групп автономных агентов в разработанной многоагентнои системе 123
4.3 Оценка эффективности прогнозирования поведения самоорганизующихся групп автономных агентов с помощью разработанной системы критериев 134
4.4 Выводы 141
Основные результаты и выводы : 142
Список условных сокращений 143
Список литературы 144
Приложение А. Акты внедрения результатов диссертации 152
Приложение Б. Листинг программной реализации 157
- Анализ проблемы моделирования поведения самоорганизующихся групп автономных агентов для биомедицинских систем
- Формальная постановка задачи описания поведения самоорганизующихся групп автономных агентов
- Разработка комплекса t/ML-диаграмм поведения самоорганизующихся групп автономных агентов для биомедицинских систем
- Оценка эффективности прогнозирования поведения самоорганизующихся групп автономных агентов с помощью разработанной системы критериев
Введение к работе
Актуальность темы. В последние годы одной из наиболее перспективных областей потенциального использования распределенных самоорганизующихся робототехнических систем стала биомедицина. Предполагается, что ро-бототехническая система, состоящая из групп миниатюрных биомедицинских микророботов, будет способна решить комплексные задачи удаленной диагностики, терапии и хирургии, стоящие перед современной высокотехнологичной медициной.
В групповой робототехнике применяются большие группы миниатюрных роботов, образующих децентрализованные системы. Такие роботы являются автономными и действуют на основе доступной им локальной информации. Критическими факторами для реализации систем групповой робототехники в биомедицине являются физические размеры и стоимость микророботов. Следовательно, при проектировании таких систем особое внимание должно уделяться вопросам автономности и миниатюризации каждого из членов группы, что требует упрощения их структуры и поиска эффективных методов управления ими. Поэтому актуален подход, основанный на теории самоорганизации для достижения требуемого поведения агентов на уровне всей группы, а не на индивидуальном уровне отдельных микророботов.
Поскольку процедуры проведения экспериментальных исследований состоящих из автономных агентов систем в процессе их проектирования и испытаний весьма трудоемки, то, как с технической, так и с экономической точки зрения, оправдано проведение исследований многоагентных систем с помощью имитационного моделирования. Так как компьютерные методы имитации и моделирования поведения биомедицинских микророботов на данный момент все еще являются несовершенными и недостаточно разработанными, результаты их применения часто оказываются неточными. Остаются актуальными развитие теории и технических принципов построения многоагентных систем, включающих группы автономных агентов, совершенствование их моделей и методов моделирования их поведения.
Для получения адекватных оценок соответствия теоретической модели физической системе автономных агентов и прогнозирования поведения микророботов необходимо выработать объективные критерии эффективности моделей. Решение этой достаточно сложной задачи обеспечит выбор оптимальной структуры и параметров моделей.
Несмотря на то, что к настоящему времени уже разработаны несколько концепций математического описания и моделирования многоагентных систем, известных из трудов отечественных авторов В.И. Городецкого, Д.А. Поспелова и В.Б. Тарасова и зарубежных исследователей М. Wooldridge и N. Jennings, A. Rao и М. Georgeff, V.S. Subrahmanian, Y. Shoham и К. Leyton-Brown, в которых, в том числе, представлены и промышленные инструментальные средства реализации многоагентных систем, вопросам их использования в области биомедицинских приложений не уделено должного внимания. Так, в общеизвестных методиках описания поведения автономных агентов не учитываются ха-
рактеристики и условия функционирования элементов робототехнических систем внутри биообъектов. Кроме того, до сих пор не найдены формализованные специализированные алгоритмы поведения групп микророботов при их функционировании в биомедицинских системах, в то время как использование универсальных алгоритмов в подобных сложных системах обычно оказывается невозможным.
Все это обусловливает необходимость дополнительных исследований по поиску средств адекватного математического описания, разработки информационных моделей многоагентных систем, создания методов компьютерного моделирования поведения групп автономных агентов, что позволит повысить достоверность прогнозирования их поведения. Таким образом, тема диссертационного исследования актуальна.
Объект исследования - автономные роботы и их группы в биомедицинских системах удаленной диагностики, терапии и хирургии.
Предмет исследования - информационные модели, методы и алгоритмы моделирования поведения групп автономных агентов с помощью многоагентных систем на основе теории самоорганизации поведения.
Целью работы является разработка на основе принципов самоорганизации и теории многоагентных систем информационной модели поведения групп автономных агентов, предназначенных для выявления и обезвреживания пораженных клеток биообъектов в биомедицинских системах.
Для достижения поставленной цели сформулированы и решены следующие основные научные задачи.
-
Разработка многоуровневой информационной модели поведения групп автономных агентов для биомедицинских систем, учитывающей процессы коллективной локализации для обезвреживания пораженных клеток в биообъектах.
-
Разработка алгоритма поведения групп автономных интеллектуальных агентов, решающего задачи коллективной локализации для обезвреживания пораженных клеток в биообъектах.
-
Имитационное моделирование поведения самоорганизующихся групп автономных агентов, а также алгоритмическая, структурная и программная реализации многоагентной системы.
-
Разработка системы критериев для оценки поведения групп автономных агентов, позволяющей эффективно прогнозировать их дальнейшие действия путем моделирования.
Методы исследования. При решении поставленных задач использовались методы теории многоагентных систем, принципы групповой робототехники и самоорганизации поведения автономных агентов. Имитационное моделирование проведено в среде Matlab.
Научная новизна работы состоит в развитии теоретических основ и технических принципов построения многоагентных систем биомедицинской диагностики и заключается в следующем:
- создана многоуровневая информационная модель многоагентной системы для описания функционирования микророботов в биообъекте, позволяющая повысить вероятность правильного прогнозирования поведения групп автономных агентов;
-разработан алгоритм поведения групп автономных агентов, позволяющий объединить выполнение функций коллективной локализации пораженных клеток и их обезвреживания в биообъектах;
-разработана структура многоагентной системы, отличающаяся применением алгоритма функционирования специализированных биомедицинских агентов с особыми характеристиками и свойствами, позволяющего объединить выполнение функций коллективной локализации пораженных клеток и их обезвреживания в биообъектах;
-разработана универсальная система критериев оценки эффективности алгоритмов поведения самоорганизующихся групп автономных агентов, реализованных на основе различных моделей, по результативности решения ими биомедицинских задач.
Практическая значимость работы заключается в том, что разработанная многоагентная система, моделирующая поведение самоорганизующихся групп автономных агентов по предложенному алгоритму с использованием установленных критериев эффективности, обеспечивает необходимые предпосылки для разработки и практического применения систем биомедицинской групповой робототехники для диагностирования и лечения различных заболеваний человека.
На защиту выносятся:
-
многоуровневая информационная модель поведения самоорганизующихся групп автономных агентов для решения задач коллективной локализации и обезвреживания пораженных клеток биообъектов и прогнозирования поведения групп автономных агентов в биомедицинских системах;
-
алгоритм поведения самоорганизующихся групп автономных агентов с возможностью интеграции процедур коллективной локализации пораженных клеток в биообъектах и их обезвреживания;
-
структурная и программная реализация многоагентной системы, использующей алгоритм функционирования специализированных автономных агентов для решения задач биомедицинской диагностики;
-
система критериев для оценки достоверности прогнозирования поведения самоорганизующихся групп автономных агентов, обеспечивающая сравнение алгоритмов поведения групп автономных агентов в биомедицинских системах.
Реализация и внедрение результатов. Результаты проведенных исследований внедрены в ФГБУ «Саратовский научно-исследовательский институт травматологии и ортопедии» Министерства здравоохранения РФ, в ООО «БИОСОФТ-М» (г. Москва), а также использованы в научно-
исследовательских работах и образовательном процессе кафедр «Информационные системы и технологии» и «Информационные технологии и менеджмент в медицинских и биотехнических системах» Пензенского государственного технологического университета.
Достоверность результатов работы обоснована строгой аргументацией выдвигаемых научных положений, корректным использованием математического аппарата и общепризнанных научных методик, согласованностью результатов математического и имитационного моделирования, непротиворечивостью выводов.
Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на международном симпозиуме «Надежность и качество» (г. Пенза, 2012), международных конференциях «Современные информационные технологии» (г. Пенза, 2010, 2009), всероссийских конференциях «Медицинские информационные системы» (г. Таганрог, 2012, 2010), «Методы обучения и организация учебного процесса в вузе» (г. Рязань, 2011), «Информационные и управленческие технологии в медицине и экологии» (г. Пенза, 2010), всероссийской научной школе «Нейробиология и новые подходы к искусственному интеллекту и к науке о мозге» (г. Ростов-на-Дону, 2011, 2010).
Публикации и личный вклад автора. По теме диссертации опубликовано 16 печатных работ, из которых 4 - в ведущих рецензируемых изданиях, рекомендованных ВАК. В работах, опубликованных в соавторстве, лично автором получены все результаты, составляющие содержание диссертации, в том числе теоретические обоснования и результаты математического и имитационного моделирования. Все приведенные в работе новые результаты получены лично автором.
Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, выводов по главам, заключения, библиографического списка из 70 наименований и приложений. Работа изложена на 151 странице основного текста, содержит 42 рисунка и 5 таблиц.
Анализ проблемы моделирования поведения самоорганизующихся групп автономных агентов для биомедицинских систем
Концепция создания автономных агентов (АА) подразумевает применение новых для специалистов в сфере информатики и искусственного интеллекта (ИИ) понятий из области психологии и социологии, и, в первую очередь, понятий из теории деятельности и теории коммуникации. При этом деятельность и ИИ понимаются как процессы, рекурсивно зависящие друг от друга, что обеспечивает их порождение и реализацию. ИИ в рамках отдельного АА выступает как подсистема управления его деятельностью, позволяющая ему организовывать и регулировать свои действия или влиять на действия другого АА. В то же время, ИИ имеет коммуникативную природу и формируется в процессах взаимодействия данного АА с другими агентами, при этом потребность в коммуникации связана с реализацией целенаправленной деятельности.
Различные определения понятия «агент» подразделяются на «слабые» и «сильные» программистские и антропоморфные [37]. Рассмотрим сначала на некоторых наиболее слабых определениях, а затем постепенно перейдем к более сильным.
В одном из наиболее серьезных современных учебников по ИИ, изданном С. Расселом и П. Норвигом [19], под агентом понимается «любая сущность, которая находится в некоторой среде, воспринимает ее посредством сенсоров, получая данные, которые отражают события, происходящие в среде, интерпретирует эти данные и действует на среду посредством эффекторов». Таким образом, авторы выделяют четыре исходных агентообразующих фактора - среда, восприятие, интерпретация, действие.
Это тривиальное определение не позволяет проводить четкого различения между агентом и произвольной программой [7], и поэтому требуется введение некоторые специальные ограничения на среду, восприятие, интерпретацию и действие. В близком по смыслу определении Б. Хэйес-Рот [58] подчеркивает, что АА непрерывно выполняют три следующие функции: 1) восприятие динамики среды; 2) действия, изменяющие среду; 3) рассуждения в целях интерпретации наблюдаемых явлений, решения задач, вывода заключений и определения действий. Иными словами, специально оговаривается динамичность среды и подчиненность рассуждения действию: АА имитируют рассуждения для того, чтобы выбрать действия.
Согласно П. Маэс [10], «АА - это компьютерные системы, функционирующие в сложной, динамической среде, способные ощущать и автономно действовать на эту среду и, таким образом, выполнять множество задач, для которых они предназначены». Здесь предложены два ограничения на среду агентов - «сложная и динамическая».
Подробный анализ возможных типов сред и соответствующих требований к агентам дан Д.А. Поспеловым [16]. У него все среды подразделяются на три больших класса - замкнутые, открытые и трансформируемые. Замкнутые среды допускают конечное исчерпывающее описание (детерминированное или вероятностное). При этом агенты могут обладать полным априорным знанием о среде и ее свойствах или получать оперативную информацию в ходе своего взаимодействия с ней (как в моделях коллективного поведения автоматов). Но главная идея - полнота их знаний (в детерминированном или статистическом смысле) остается. Понятие «открытых сред» предполагает отказ от постулата полноты знаний у агента и введение локальных описаний среды. Наконец, трансформируемые среды могут менять свои характеристики в зависимости от действий агентов (например, агенты могут порождать новые объекты в среде и даже новых агентов).
В открытых средах для отражения динамики среды и ситуативности знаний агентов требуется переход к семиотическим системам. Семиотическая система может пониматься как динамическая система, состояниями которой являются фиксированные формальные системы. Соответственно, агент, функционирующий в открытой среде, должен иметь семиотическую базу знаний и уметь работать с фрагментами неоднородных семантических сетей. Для трансформируемых сред в структуру агента должны включаться средства, позволяющие прогнозировать возможное развитие процессов в среде в результате тех или иных действий агента.
Слабые определения смыкаются с чисто программистскими взглядами на природу агента. Нередко агенты понимаются как вычислительные единицы, поддерживающие локальные состояния и параллельные вычисления, а также способные в процессах коммуникации достигать состояния других агентов, и автоматически выполнять действия в некоторых условий среды [6]. В свою очередь, стратегия искусственных агентов, изложенная в IBM White Paper [3], исходит из идеи «персонального ассистента»: агент действует в интересах других лиц, которые передают ему определенные властные полномочия. По сути дела, здесь агент есть любая программная или аппаратная система, способная действовать в интересах достижения целей, поставленных пользователем. Соответственно, АА понимаются как программные системы, создаваемые для оказания услуг пользователю на основе своих интерфейсов и характеризующиеся определенным поведением (правилами и стратегиями поведения). Они выполняют некое множество операций для пользователя или другой программной системы, обладая определенной степенью автономности или независимости, и используя при этом знания или представления о целях или желаниях пользователя.
Итак, ключевыми характеристиками любых АА как «искусственных деятелей» являются автономность и целенаправленность. Речь идет об автономном выполнении некоторых действий на основе целенаправленных проблемно-ориентированных рассуждений. В качестве главных признаков АА принимается принятие решений и воздействие на среду [53].
По М.Коэну [5], агенты - это программы, которые имеют взаимные обязательства, определяемые в процессе диалога, ведут переговоры и координируют передачу информации. Здесь очевидно, что переговорный процесс предполагает наличие восприятия и действия, а диалог немыслим без средств коммуникации. Агенты обладают настойчивостью, что связано с наличием своих собственных представлений о том, как выполнять задачи, или своих личных программ действий.
По-видимому, первое в современных исследованиях по ИИ «скрытое определение» агента восходит к работам Д.А.Поспелова и В.Н.Пушкина по теории гиромата [18]. Гиромат - это элементарная модель целесообразного поведения, способная адаптироваться к условиям решаемой задачи. В структуру гиромата входят следующие модули: блок мотивации; блок селекции (рецепторы); блок построения внутренней модели внешней среды; блок выдвижения гипотез; блок модельного опыта; блок выработки решений; блок активного опыта; блок времени. Несколько позже К.Хьюитт предложил определение актора как программного агента, имеющего свой почтовый адрес и обладающего поведением [8, 13].
Более сильные определения полнее отражают когнитивные, коммуникативные, поведенческие, а особенно, интенциональные аспекты агентов. Вообще, в антропоморфных определениях агентов ведущее место отводится ментальным свойствам. Как правило, особое внимание обращается на главное отличие агентов от объектов, связанное с наличием у первых внутренних механизмов мотивации и целеполагания. Тогда ядро агента задается отношениями «интенции - ресурсы - поведение»: любой агент, имеющий определенные цели и предпочтения, нуждается в ресурсах для их достижения и демонстрирует некоторое поведение. Так по И.Шоэму [24], агент есть целостная единица, описание состояния которой включает такие психические (ме-таинтеллектуальные [30]) компоненты как убеждения, способности, обязательства и решения. Иными словами, каждый агент имеет встроенные механизмы мотивации (формирования предпочтений).
Достаточно сильное определение АА дали К.Сикара и соавторы [29]. Здесь выделены следующие характеристики:
- способность решения задач, поставленных людьми или другими компьютерными агентами;
- активность, т.е. способность инициировать решение задачи и предлагать свои услуги пользователю;
- сетевая «среда обитания» и способность самоорганизации в ней;
- полуавтономность (у пользователя есть возможность управлять уровнем автономности агента);
- антиципация, т.е. способность предвидеть запросы пользователя;
- надежность;
- способность сотрудничать с людьми или другими компьютерными агентами в интересах решения задачи;
- гибкость, проявляющаяся в способности работать с неоднородными агентами и удаленными информационными ресурсами;
- адаптивность, способность оперативно приспосабливаться к изменению потребностей пользователя и факторов среды;
- настойчивость в решении задачи.
Опираясь на концепцию гиромата и усиливая определение Ж.Фербе [27], можно дать следующее общее определение АА [28, 30].
Формальная постановка задачи описания поведения самоорганизующихся групп автономных агентов
Переходя к решению проблемы группового управления роботами в условиях сложных нестационарных сред, то есть к разработке эффективных принципов и методов группового управления роботами, дадим сначала формальную математическую постановку задачи группового управления роботами.
Как показано выше, достижение цели, стоящей перед группой, осуществляется путем выполнения роботами некоторых действий. Для наиболее эффективного, оптимального достижения цели действия отдельных роботов группы, очевидно, должны быть согласованы, то есть определенным образом скоординированы. Следовательно, группа роботов должна быть оснащена некоторой системой управления. Задача этой системы группового управления роботами заключается в формировании таких управлений - действий ка-, ждого робота группы, при которых обеспечивается оптимальное достижение групповой цели с точки зрения некоторого группового критерия. В соответствии с этим процесс управления группой роботов в общем случае можно представить, как показано на рисунке 2.3. На этом рисунке S(f) - это вектор-функция времени t, которая описывает состояние группы роботов 91 и некоторого участка среды в её окрестности.
На основе информации о групповой цели, состоянии роботов группы и среды, в которой функционирует группа, её система группового управления роботами (СГУР) формирует вектор управлений - действий A(t) для роботов группы. Выполняя эти действия, роботы целенаправленно изменяют как состояние среды Е, так и состояние группы роботов SH, что отражается в изменениях вектор-функции S(/).
В результате некоторой совокупности таких действий достигается групповая цель, т. е. система «группа роботов-среда» переходит из некоторого начального (исходного) состояния в конечное (целевое) состояние.
Проблема создания отдельных роботов, выполняющих те или иные действия, в настоящее время достаточно хорошо изучена и не представляет технических сложностей. Поэтому основное внимание в настоящей монографии будет уделено алгоритмическим и техническим проблемам построения именно систем группового управления роботами, предназначенных для формирования групповых действий. В дальнейшем именно задачу определения (распределения) групповых действий, направленных на оптимальное достижение групповой цели, для краткости будем называть задачей группового управления.
Под переменными состояния ГІ(/) (і = ЇД) робота можно понимать, например, координаты его положения в среде, количество энергоресурса, курсовой угол, скорость и т. д. в момент времени t. Под переменными состояния ЄІ(Ґ) (і = l,w) среды, в свою очередь, можно понимать, например, координаты расположения объектов среды (препятствий, целей и т. п.), а ! ! І также другие переменные, характеризующие состояние этих объектов в момент времени t.
Робот и среда, взаимодействуя друг с другом, образуют некоторую систему «робот-среда». Состояние системы «робот-среда» в момент времени t описывается, как отмечалось выше, вектор-функцией S(t), которая определяется как
S(t) = (R(tlE(t)) (2.3)
Множество различных состояний системы «робот-среда» описывается точками (h + w)-MepHoro пространства, которое в дальнейшем будем обозначать как {S} и называть пространством состояний системы «робот-среда». Под начальным состоянием системы будем понимать состояние S = {R,E), определяемое вектор-функциями
R = R(to), E = (t0), (2.4)
где to - начальный момент времени, т. е. момент начала функционирования робота. Соответственно, конечное состояние будет обозначаться как S/" = (R , Ef) и определяться векторами R = R(//) и Е = Е(/у), где tf- конечный момент времени. Состояние системы «робот-среда», зафиксированное в текущий момент времени с, будем называть текущим состоянием. Это состояние S = {Rt,Et} определяется вектор-функциями Rt = R(t) и Еь = E(t).
Предположим, что робот R выполняет некоторые действия, совокупность которых описывается вектор-функцией A(t) = [ai(t), a2(t), ... , am(t)]T. С помощью действий A(t) он может изменять, как было указано выше, свое состояние R(t) и состояние E(t) среды.
Цель функционирования робота заключается в том, чтобы, совершая некоторые действия, перевести систему «робот-среда» из начального состояния - в конечное, т. е. S0 — S/!
Если среда стационарная, то есть при отсутствии робота ее состояние Е = Е = W = const, то изменения в системе «робот-среда» осуществляются лишь за счет изменений состояния самого робота R и его действий, т. е. S(t) = (R(t), E(t)), где E(t)= (A(t)). Тогда состояние системы «робот-среда» фактически является некоторой функцией S(t) =fs(A(t)), т. е. функцией только действий робота.
Если же среда является нестационарной, т. е. её состояние изменяется не только в результате выполнения роботом некоторых действий, но и в результате действия каких-либо других сил g(t), присущих среде, то её состояние будет описываться функцией E(t)= JE(A(I), g(t), t). В этом случае состояние робота также изменяется не только в результате выполнения им некоторых действий, но и в результате влияния сил g(t), действующих в среде. Поэтому состояние робота с учетом его динамики описывается вектор-функцией
R(0 = [ri(g(t), E(t), t), r2(g(t), E(t), t),..., rh(g(t), E(t), t)]T, (2.5) компоненты которой являются функциями действий робота, сил, действующих в среде, состояния среды и времени, т. е. R(t) = fR(g(t), E(t), t) = Д(А(і), g(t), E(t), t).
Тогда и состояние системы «робот-среда» будет описываться функцией S(t)= fs(A(t), g(t), R(t), E(t), t) (to t V).
В общем случае изменения состояния системы «робот-среда» носят непрерывный характер и описываются системой ДУ вида
5 = f(A(t), R(t), E(t), g(t), t) = /(A(t), S(t), g(t), t), (2.6)
где S = dS(t)/dt - производная вектор-функции S(f) по времени.
Ряд состояний системы «робот-среда» может быть запрещен, например, положение робота не может совпадать с положением препятствий в среде. Поэтому вводятся ограничения, накладываемые на возможные состояния,
S(t) G{S"(t)} с {S}, (2.7)
где (Sp(t)} - множество допустимых состояний системы «робот-среда» в момент времени t, принадлежащее множеству {S}. Все возможные действия робота образуют множество {А}. Аналогично, в каждой конкретной ситуации некоторые действия A(t) Є {А} могут быть невыполнимыми или даже недопустимыми. Поэтому определяются ограничения, накладываемые на действия робота в момент времени t, например, как
Такие действия A(t) будем называть оптимальными действиями, а соответствующую траекторию S(t) - оптимальной траекторией.
В выражениях (2.9), (2.10) первое слагаемое в правой части - функционал, оценивающий качество конечного состояния системы «робот-среда», второе слагаемое оценивает качество процесса управления на всем интервале [t0, t/].
Перейдем к рассмотрению задачи группового управления роботами с учетом приведенных выше соображений. Пусть некоторая группа 5Н, состоящая из N роботов R} (J = 1, N) (см. рис. 16), функционирует в некоторой среде Е. Состояние каждого робота Rj Є SH (j = 1, N) в момент времени t описывается вектор-функцией Rj(t) = [rbj(t), r2,j(t), ... , rh,j(t)]T, где rj,j(t) (і = 1, h) - nepe менные состояния у -го робота. Состояние группы роботов 9t задается вектор-функцией Щі) = (Ri(t), R2(t),..., RNO)). Состояние среды вокруг/-го робота в момент времени t описывается вектор-функцией E/(t) = [ebj(t), e2,j(t), ... , ew,j(t)] , где ebj(t) (/ = 1, w) - параметры участка среды вокруг у-го робота. Тогда состояние среды, в которой функционируют роботы рассматриваемой группы, в момент времени t при условии, что среда стационарна, описывается вектор-функцией E(t) = (Ei(t), E2(t), ... , EN(t)). При этом, если роботы отсутствуют, то Ei(t) = Ej = const.
Роботы и среда, взаимодействуя друг с другом, образуют систему «группа роботов-среда». Под состоянием системы «группа роботов-среда» в момент времени t будем понимать состояние, описываемое парой Sc = (% Е).
Разработка комплекса t/ML-диаграмм поведения самоорганизующихся групп автономных агентов для биомедицинских систем
Для разработки алгоритма, описывающего поведение самоорганизующихся групп АА необходимо проанализировать планируемые (ожидаемые) результаты реализации данного алгоритма. В данном случае предполагается узнать, будут ли АА действовать так, как от них ожидается, достоверно ли описываются их действия усовершенствованным алгоритмом. Кроме того, необходимо получить сведения о том, насколько различается степень эффективности при моделировании с использованием усовершенствованного алгоритма, по сравнению с базовым вариантом алгоритма. При этом учитываются некоторые ограничения, введенные для соответствия АА специфическим условиям их использования в БМС.
На рисунке 3.6 представлен разработанный алгоритм поведения самоорганизующихся групп АА для БМС при коллективной локализации и обезвреживании пораженных клеток в виде диаграммы классов языка UML.
Так, с помощью разработанного алгоритма осуществляется моделирование поведения самоорганизующихся групп АА, описывающих микророботов, предназначенных для поиска пораженных участков тканей и обезвреживания больных клеток. Будем считать, что микророботы уже попали в нужную область внутри человеческого тела и эксперимент проходит на микроскопическом уровне. В качестве целевых областей для локализации и обезвреживания микророботами в данной работе «принимаются» клетки абстрактного злокачественного новообразования - т.к. в данной работе исследуется обобщенный алгоритм поведения больших самоорганизующихся групп микророботов в БМС, а не конкретные инженерно-технические решения.
Одним из таких условий является необходимость обезвреживания клеток, отвечающих признакам заболевания. Для этой цели микророботы должны быть способны осуществлять требуемую диагностику клетки, на которой они находятся, и при необходимости обезвреживать ее. Предполагается, что механизм обезвреживания аналогичен процессу фагоцитоза, осуществляемого лейкоцитами, и включает в себя обволакивание целевой клетки с целью последующего запуска процесса ее разрушения и последующим рассасыванием в организме, либо выделением во внешнюю среду.
С целью описания взаимодействия между АА, выступающими в роли микророботов, а также их характеристик, введены некоторые дополнительные параметры и переменные, назначение которых состоит в следующем.
Переменная G характеризует процесс сбора АА в целевых областях, при этом в случае нахождения АА в целевой области значение G принимается равным значению фиксированного коэффициента radd, во всех иных случаях G считается равным нулю.
Переменная Т связана с обменом между АА сведениями друг о друге. Так как этот процесс происходит на микроскопическом уровне, его механизм должен быть предельно упрощен. Поэтому при имитационном моделировании принимается допущение о том, что эти сведения заключаются в характеристике распределения потенциального поля по расчетной области. Так, для расчета мгновенного значения Т находится значение суммы разностей значений потенциального поля данного АА и значений остальных АА.
Переменная С описывает потребление АА энергии из его индивидуального запаса в каждый момент времени. Количество энергии, расходуемой АА, задается с помощью коэффициента rconsmpt.
Основной характеристикой АА является значение интенсивности потенциального поля Р в точке его расположения, определяющей количество энергии, которой распоряжается АА. Поле изменяется непрерывно и в каждый момент времени может быть определено по правилу перерасчета потенциального поля с учетом текущих значений переменных сбора, обмена и потребления.
Далее выведены уравнения, определяющие значения переменных, характеризующих сбор G, обмен Г, потребление С, значение потенциального поля Р и коэффициент для шагов градиентного подъема gaig. Для каждого АА /, находящегося в позиции Rt в момент времени t значения сбора G, обмена Т и потребления С определяются как
На основе обобщенного алгоритма, представленного на рисунке 3.6, был разработан комплекс алгоритмов и t/ML-диаграмм, подробно описывающий поведение самоорганизующихся групп автономных агентов при выполнении коллективной локализации и обезвреживания пораженных клеток.
Разработанный комплекс приведен ниже на рисунках 3.7-3.13. На рисунке 3.7 представлена схема алгоритма, моделирующего процесс перемещения АА в условиях неопределенности.
На рисунке 3.10 в виде диаграммы деятельности UML представлен алгоритм перемещения автономных агентов в условиях неопределенности при выполнении ими процессов коллективной локализации и обезвреживания пораженных клеток.
На рисунке 3.13 представлена диаграмма прецедентов, описывающая варианты использования процедур, выполняемых автономными агентами в ходе коллективной локализации и обезвреживания пораженных клеток.
Таким образом, разработанный комплекс алгоритмов и t/MZ-диаграмм, позволяет осуществить организацию и проведение на этой основе имитационного моделирования поведения самоорганизующихся групп автономных агентов при выполнении коллективной локализации и обезвреживания пораженных клеток.
Оценка эффективности прогнозирования поведения самоорганизующихся групп автономных агентов с помощью разработанной системы критериев
Оценка эффективности с использованием системы критериев, разработанной в разделе 3.3, производится на основе следующих важнейших показателей, определяемых в результате моделирования:
- количество АА, сосредоточенных в целевых областях;
- соотношение радиусов целевых областей;
- плотность АА в пространстве;
- средняя плотность АА;
- порог объединения.
На рисунках 4.12-4.14 приведены графики, построенные на основе показателей, входящих в систему критериев. По этим графикам предлагается производить количественную оценку степени эффективности прогнозирования поведения АА в БМС
На рисунке 4.12 изображена гистограмма, сопоставляющая количество АА, собирающихся в целевых областях в зависимости от соотношения радиусов этих областей, при проведении математического и имитационного моделирования. Так, красные столбцы отражают количество АА в левой целевой области, полученное в результате имитационного, а синие - в результате математического моделирования. Аналогично значения зеленых и желтых столбцов относятся к правой целевой области для алгоритма и модели соответственно. При этом значение плотности распределения АА/? = 0,13.
С помощью рисунка 4.13 можно произвести сравнение моделируемого математически (пунктирная линия) и имитационно (доверительные интервалы) количества АА, собирающихся в малой (нижняя линия) и большой (верхняя линия) целевых областях, в зависимости от значения порога объединения daggr.
На рисунке 4.15 графически представлены обобщенные результаты имитационного моделирования алгоритма коллективной локализации и обезвреживания пораженных клеток. На нем приведено сравнение плотности распределения АА p{r,t) по данным, полученным имитационно и математически при условии общего времени моделирования t = 250.
На основании полученных данных выполнена оценка эффективности прогнозирования поведения самоорганизующихся групп АА с использованием разработанной системы критериев, которая позволила заявить о достаточной эффективности разработанной многоуровневой информационной модели.
В таблицах 4.2-4.4 представлены числовые данные, полученные в результате проведения математического моделирования поведения самоорганизующихся групп АА на основе разработанной двухуровневой модели.
В таблице 4.3 представлены данные, полученные в результате проведения имитационного моделирования поведения самоорганизующихся групп АА для коллективной локализации и обезвреживания пораженных клеток.
В таблице 4.4 приведены результаты оценки эффективности прогнозирования поведения самоорганизующихся групп АА для коллективной локализации и обезвреживания пораженных клеток, произведенной на основе данных из таблиц 4.2 и 4.3 для математического и имитационного моделирования. Оценка эффективности прогнозирования производилась с использованием разработанной системы критериев.
Данные, представленные в таблице 4.4, показывают, что результаты математического моделирования совпадают с результатами имитационной модели.
По результатам выполнения расчетных процедур в процессе имитационного моделирования получено значение средней плотности размещения АА, которое составило 0,12/d .
На основании полученных данных выполнена оценка достоверности прогнозирования поведения самоорганизующихся групп АА с использованием разработанной системы критериев, которая позволила заявить о достаточной эффективности разработанной многоуровневой информационной модели. Следовательно, работа создает необходимый научный задел для дальнейших исследований и практического применения самоорганизующихся групп микророботов в БМС.
Похожие диссертации на Информационная модель поведения самоорганизующихся групп автономных агентов для биомедицинских систем
