Агентно-ориентированные системы искусственного интеллекта

Федеральное агентство по образованию

Московский государственный горный университет

Кафедра АСУ

 

 

 

 

Реферат

на тему: «Агентно-ориентированные системы искусственного интеллекта»

по дисциплине «Методы визуального и параллельного программирования»

 

 

 

 

 

 

 

 

 

                                                                                                                                   

 

Москва 2013

1. Основные понятия агентно-ориентированного подхода.

Термин «агент» происходит от латинского глагола «agere», что означает «действовать», «двигать», «править», «управлять». В энциклопедическом словаре Ф. А. Брокгауза и И. А. Ефрона: «агент – деятель, лицо, действующее по поручению или полномочию другого». Это определение правильно выражает суть и современных интеллектуальных агентов (ИА), которые могут функционировать автономно от имени своего владельца (человека-пользователя или другой вычислительной системы) и решать разнообразные задачи по обработке информации. Для успешной работы агент должен обладать достаточными интеллектуальными способностями, должен иметь возможности взаимодействия с владельцем для получения заданий и передачи результатов, должен ориентироваться в среде своего существования и принимать необходимые решения.

Поскольку общепринятого определения интеллектуального агента до настоящего времени не выработано, то следует говорить о классе агентных объектов (сущностей), включающем множество видов. Отталкиваясь от определений данных, будем считать, что ИА – это программный или аппаратный объект (сущность), автономно функционирующий для достижения целей, поставленных перед ним владельцем или пользователем, обладающий определенными интеллектуальными способностями. Уровень этих способностей, необходимых для достижения поставленных перед ИА целей, можно определить, пользуясь классификацией Д. А. Поспелова. Если классифицировать среды, в которых должны действовать агенты, то получается следующая схема (рис. 1.).

 

 

 

 

 

 

 

 

 

 

 

 

 

Рис. 1. Классификация сред

Для замкнутых сред может быть построено конечное исчерпывающее описание, и функционирующие в таких средах агенты могут обладать полным знанием о среде и ее свойствах или получить эту информацию в процессе своего взаимодействия со средой. Трансформируемые среды могут изменять свои характеристики и реакции на действия агентов в зависимости от тех действий, которые агенты совершают в среде. Вид математического аппарата, позволяющего описать поведение агента в соответствующей среде, и является мерой его интеллектуальной сложности (или разумности). Представим эту классификацию в виде таблицы 1.

Таблица 1

Тип среды функционирования	Метод математического описания	Вид ИА
Замкнутая детерминированная	Автоматные грамматики, конечные автоматы	Автоматные агенты
Замкнутая вероятностная	Вероятностные автоматы	Вероятностные автоматные агенты
Не трансформируемая открытая	Контекстно-свободные грамматики, сценарии, магазинные автоматы	КСГ-агенты
Трансформируемая замкнутая	Контекстно-зависимые грамматики (линейные автоматы)	КЗГ-агенты
Трансформируемая открытая	Семиотические системы	Семиотические агенты

Две базовые характеристики – автономность и целенаправленность – позволяют отличать ИА от других программных и аппаратных объектов (модулей, подпрограмм, процедур и т. п.). Наличие целесообразности поведения требует, чтобы ИА обладал свойством реактивности. Такой уровень интеллекта соответствует рефлекторному поведению животного. Если же ИА обладает знаниями о среде, собственных целях и способах их достижения, то такой агент может быть назван разумным (когнитивным). Таким образом, может быть проведена граница между интеллектуальными и неинтеллектуальными агентами.

Согласно спецификации абстрактной архитектуры, агент определяется как вычислительный процесс, который реализует автономную, коммуникационную функциональность приложений. Это определение само по себе ничего не говорит об интеллектуальных способностях агента. Поэтому целесообразно использовать классификацию данную Nwana (табл. 2).

Таблица 2

Характериcтики	Тип агента
	Простой	Смышленый (smart)	Интеллектуальный (intelligent)	Действительно (truly) интеллектуальный
Автономное выполнение	+		+	+
Взаимодействие с другими агентами и/или пользователями	+	+	+	+
Слежение за окружением	+	+	+	+
Способность использовать абстракции		+	+	+
Способность использовать предметные знания		+	+
Возможность адаптивного поведения для достижения целей			+	+
Обучение из окружения			+	+
Толерантность к ошибкам и/или неверным входным сигналам			+
Real-time-исполнение			+
Естественно-языковое взаимодействие			+

Агентов можно также классифицировать по характеру их взаимоотношений с реальным физическим миром. В работах Пола Дэвидсона вводится понятие «автономного агента» (АА), под которым понимается система, способная взаимодействовать независимо и эффективно со своей средой через собственные сенсоры и эффекторы для решения заданных или самостоятельно сгенерированных задач. Таким образом, люди и большинство животных могут быть в этом смысле расценены как АА.

К настоящему времени сформировался довольно большой список свойств, которыми должны обладать ИА:

– автономность – способность к самостоятельному формированию целей и функционированию с самоконтролем своих действий и внутреннего состояния;

– общественное поведение – способность согласовать свое поведение с поведением других агентов в условиях определенной среды и правил поведения путем обмена сообщениями на языке коммуникации;

– реактивность – способность адаптированно воспринимать состояние внешней среды (среды функционирования и множества других агентов) и своевременно реагировать на происходящие изменения;

– активность – способность проявлять инициативу, т. е. самостоятельно генерировать цели и действовать рационально для их достижения, а не только пассивно реагировать на внешние события;

– базовые знания – постоянная часть знаний агента о себе, о среде, а также постоянные знания о других агентах, которые не изменяются в рамках жизненного цикла агента;

– убеждения – переменная часть знаний агента о среде и других агентах, которая может изменяться во времени, но агент может об этом не знать и продолжать использовать их для своих целей;

– желания – состояния и/или ситуации, достижение которых является желательным и важным для агента, однако которые могут быть противоречивыми и не все будут достигнуты;

– цели – совокупность состояний, на достижение которых направлено текущее поведение агента;

– намерения – это то, что агент обязан сделать в силу своих обязательств по отношению к другим агентам, или то, что вытекает из его желаний (т. е. непротиворечивое подмножество желаний, выбранное по тем или иным причинам и совместимое с принятыми на себя обязательствами);

– обязательства – задачи, которые берет на себя агент по просьбе и/или поручению других агентов.

Для АА постулируются такие свойства как адаптивность (способность действовать соответственно и согласованно с изменениями в среде), робастность (малые изменения в свойствах среды не должны приводить к общему коллапсу поведения АА), наличие тактики (способность устанавливать множественные цели и, вне зависимости от найденных им обстоятельств, решать, какие частные цели активно преследовать), гибкость (способность выполнять широкий круг задач).

К этому набору свойств могут добавляться и следующие:

– благожелательность – готовность агентов помогать друг другу и решать именно те задачи, которые им поручат владелец или пользователь;

– правдивость – свойство агента не оперировать заведомо ложной информацией;

– рациональность – способность агента действовать так, чтобы достигать своих целей, а не избегать их достижения, по крайней мере, в рамках своих знаний и убеждений.

Общественное поведение агентов может принимать разные формы, которые могут быть классифицированы по уровням взаимодействия:

Уровень 0 – связность, устанавливаемая извне владельцем или пользователем и не воспринимаемая самими агентами;

Уровень 1 – координация. Агенты способны создать ситуацию, позволяющую другим агентам оказаться в нужном месте в нужное время, чтобы в результате их деятельность осуществлялась эффективным образом.

Уровень 2 – кооперация. Агенты допускают, чтобы их поведение частично определялось поведением других агентов, когда они совместно пытаются достичь некоторой общей цели. Такой процесс для своей реализации должен осознаваться всеми участвующими в нем агентами.

Уровень 3 – сотрудничество. Предполагается реальная совместная работа агентов, в процессе выполнения которой может выиграть каждый.

Уровень 4 – образование союза. Предусматривается продолжительная во времени совместная деятельность, в ходе которой агенты создают и поддерживают условия существования союза.

Базовые знания являются необходимым традиционным компонентом для всех интеллектуальных систем, убеждения же должны быть определенным образом интерпретированы в структуре «мультиагентная система» (МАС).

Анализ работ наиболее авторитетных в этой области исследователей показывает, что МАС должны обладать 4 важнейшими свойствами: ситуативности, автономности, гибкости и социальности.

Ситуативность ИА понимается как способность воспринимать окружающую его среду (окружение) и действовать в этой среде, при возможности изменяя ее в своих целях. Примером таких интеллектуальных агентов могут служить мобильные роботы, участвующие в соревнованиях ROBOCUP, которые должны взаимодействовать с мячом, партнерами по команде и противниками, не зная заранее размещения и намерений других игроков.

Автономность ИА означает его способность взаимодействовать со средой без прямого участия других агентов, для чего он должен уметь контролировать свое внутреннее состояние и выполняемые действия.

Гибкий агент должен демонстрировать качества отзывчивости или предусмотрительности (в зависимости от ситуации). Отзывчивый агент получает стимулы от своего окружения и вовремя отвечает на них соответствующим образом. Предусмотрительный агент не просто реагирует на ситуацию в окружающей среде, но и адаптируется, целенаправленно действует и выбирает альтернативы в различных ситуациях.

Агент обладает свойством социальности, если он может соответствующим образом взаимодействовать с другими программными или человеческими агентами. ИА являются лишь составляющими сложного процесса решения проблем в соответствующей среде.

Итак, МАС можно определить, как совокупность взаимосвязанных агентов как программных, так и аппаратных, способных взаимодействовать друг с другом и окружающей средой, обладающих определенными интеллектуальными способностями и возможностью индивидуальных и совместных действий.

Классифицировать МАС можно по целому ряду признаков (рис. 2).

Важным признаком является способ решения проблем. Системы распределенного решения проблем содержат агентов специально разработанных для решения определенного круга задач или достижения известных целей.

Открытые МАС могут содержать переменные множеств агентов, входящих в систему и выходящих из неѐ, причем возможно своекорыстное (столкновение интересов) поведение агентов.

Понятие ― агентно-ориентированная система представляется более широким, чем понятие ―МАС. М. Wooldridg характеризует АОС как систему, в которой ключевой используемой абстракцией является агент.

Агентно – ориентированные системы мы будем трактовать как гибридные системы, содержащие наряду с МАС и другие системы (ЭС, обучающие и тестирующие системы, распределенные объектные приложения и т.п.).

АОС в настоящее время могут быть глобально распределенными взаимосвязанными совокупностями программных и аппаратных систем, содержащими сотни и тысячи компонентов, что и определяет возрастающую сложность их разработки, внедрения и эксплуатации.

Если подойти к классификации агентов с позиций разумных свойств, присущих как живым существам, так и техническим (искусственным) системам, то можно построить следующую схему (табл. 3).

Значения введенных параметров можно рассматривать как координаты вектора в параметрическом пространстве или как кодовое слово вида S1 S2 M1 M2 M3 M4 T1 T2 T3 в троичной системе счисления. В качестве меры в таком параметрическом пространстве естественно использовать кодовое расстояние.

В нашем случае целесообразно взять модульную метрику, тогда появляется возможность вычислить интеллектуальное расстояние между различными типами агентов: