АГЕНТНОЕ МОДЕЛИРОВАНИЕ Актуальность метода 1 Одна из

АГЕНТНОЕ МОДЕЛИРОВАНИЕ

Актуальность метода 1) Одна из передовых областей исследования 2) Технологии МАС находятся на стыке нескольких направлений, таких как: - искусственный интеллект; - разработка ПО; - распределенные системы; - робототехника и наномеханизмы; - экономика; - психология и прочие социальные науки.

Определения Агент - аппаратная или программная сущность, способная действовать в интересах достижения целей, поставленных перед ним владельцем или пользователем. Глобальное поведение возникает как результат деятельности многих (десятков, сотен, тысяч, миллионов) агентов, каждый из которых следует своим собственным правилам, живет в общей среде и взаимодействует со средой и с другими агентами. Примерами агентов могут быть: 1) люди (равно как и другие живые организмы), роботы, автомобили и другие подвижные объекты; 2) недвижимые объекты, а также совокупности однотипных объектов. Агентами могут быть любые наблюдаемые в реальной жизни объекты. Основной задачей является их корректная спецификация. Состояние объекта определяется перечнем его свойств с текущими значениями.

Живой агент в среде своего обитания Агент должен обладать знаниями о наборе своих возможных действий, необходимых условиях для их совершения и возможных последствиях.

Свойства АМ 1. Автономия. Агенты действуют независимо друг от друга и при этом предполагается, что в моделях нет единой регулирующей структуры, которая контролировала бы поведение каждого агента в отдельности. На макроуровне задается общий для всех агентов набор правил, и, в свою очередь, совокупность действий агентов микроуровня может оказывать влияние на параметры макроуровня. 2. Неоднородность. Агенты чем-то различаются друг от друга. 3. Ограниченная интеллектуальность агентов. Иными словами агенты модели не могут познать нечто большее, выходящее за рамки макросреды модели. 4. Расположение в пространстве. Имеется в виду некоторая «среда обитания»

Возможности агентного моделирования ● оптимизация сети поставщиков и планирование перевозок; ● планирование развития производства; ● прогнозирование спроса на продукцию и объема продаж; ● оптимизация численности персонала; ● прогнозирование развития социально-экономических систем (городов, регионов); ● моделирование миграционных процессов; ● имитация и оптимизация пешеходного движения; ● моделирование транспортных систем; ● прогнозирование экологического состояния окружающей среды и т. д.

Пример классификации Типы агентов Характеристики Автономное выполнение Взаимодействие с другими агентами и/или пользователями Слежение за окружением Способность использования абстракций Способность использования предметных знаний Возможность адаптивного поведения для достижения целей Обучение из окружения Толерантность к ошибкам и/или неверным входным сигналам Real-time исполнения ЕЯ-взаимодействие Простые Действитель Интеллектуал Смышленые но ьные (smart) интеллектуа (intelligent) льные (truly) + + + + + + +

Вопросы 1. Насколько сложной является окружающая среда? Есть ли неопределенность? Полностью ли она наблюдаема? Как быстро она может меняться? 2. Какие задачи требуется решать агенту? Насколько они сложны? 3. Какой должна быть архитектура агента? 4. Какими должны быть цели агента? 5. Какой будет его функция полезности, т. е. как агент сможет понять, что он достигает целей оптимальными способами? 6. Каким должно быть поведение агента? 7. Что должен знать агент о себе и окружающей среде, т. е. какова будет его модель среды и себя самого? Какими символами и понятиями он сможет оперировать? Насколько полными и детальными должны быть его знания? Будут ли знания задаваться разработчиком, или они будут приобретаться в процессе (само)обучения? 8. Каким способом представить знания агента? Насколько выразительным должен быть язык описания знаний? Как обеспечить требуемую производительность алгоритмов обработки знаний? 9. Каковы должны быть границы адаптации агента к изменениям окружающей среды? Как агент будет менять свое поведение? Как агент может (само)обучаться?

Интеллектуальные агенты Интеллектуальны агентом в информатике и искусственном интеллекте понимаются любые физические или виртуальные единицы, способные, по крайней мере, поддерживать взаимодействие с окружающим миром, получая от него информацию, и, реагируя на нее своими действиями, проявлять собственную инициативу, посылать и получать сообщения от других агентов и вступать с ними во взаимодействие, действовать без вмешательства извне, в том числе и без вмешательства человека.

Свойства интеллектуальных агентов - автономность – способность функционировать без вмешательства со стороны своего владельца и осуществлять контроль внутреннего состояния и своих действий; - социальное поведение – возможность взаимодействия и коммуникации с другими агентами; - реактивность – адекватное восприятие среды и соответствующие реакции на ее изменения; - активность – способность генерировать цели и действовать рациональным образом для их достижения; - базовые знания – знания агента о себе, окружающей среде, включая других агентов, которые не меняются в рамках жизненного цикла агента; - убеждения – переменная часть базовых знаний, которые могут меняться во времени, хотя агент может об этом не знать и продолжать их использовать для своих целей; - цели – совокупность состояний, на достижение которых направлено текущее поведение агента; - желания – состояния и/или ситуации, достижение которых для агента важно; - обязательства – задачи, которые берет на себя агент по просьбе и/или поручению других агентов; - намерения – то, что агент должен делать в силу своих обязательств и/или желаний.

Архитектуры MAC и их характеристики Архитектура Представление Модель мира Решатель знаний Интеллектуал ьная Символьное Исчисление Логический Реактивная Автоматное Граф Автомат Гибридная Машина вывода Гибридная Смешанное

Фундаментальные идеи МАС • Агенты. В сложных системах существуют автономные агенты, которые взаимодействуют друг с другом при выполнении своих определенных задач. • Агенты изменяют свое поведение на основе полученной информации и реагируют на свою среду. • Структура сложных систем формируется в результате взаимодействия между агентами. Результаты функционирования возникающей структуры могут быть как положительными, так и отрицательными, в силу чего их необходимо анализировать при разработке системы на базе агентов. • Системы с возникающими структурами часто существуют на грани порядка и хаоса. Для них характерно промежуточное состояние межу упорядоченным состоянием и хаосом. • При создании систем на базе агентов необходимо учитывать их паразитизм, симбиоз, репродукцию, генетику, естественный отбор, т. е. подходы, которые сложились у природы при решении комбинаторных задач.

Технологическая схема процесса разработки агентно-ориентированных приложений

«Жизненный цикл" агента • обработка новых сообщений; • определение, какие правила поведения применимы в текущей ситуации; • выполнение действий, специфицированных этими правилами; • обновление ментальной модели в соответствии с заданными правилами; • планирование.

Платформы МАС http: //jade. tilab. com/ Область применения: мобильные сети, web, промышленное применение (планирование и логистика), исследования технологии агентов. Технологии: Java SE, Java ME (вплоть до моб телефонов), поддерживает стандарты FIPA. Сообщество разработчиков: платформа достаточно зрелая (с 2000 года и версии 1. 3 стала OSS проектом. После того, как вымерли платформы первого поколения, долгое время была единственной вменяемой АП). Расширяемость: поддерживает плагины на всех уровнях, существует большое количество готовых плагинов. Интеграция: Java EE (JMS, Web. . . ), CORBA, XML. Документация: хорошая, есть даже книга. Лицензия: LGPL. Лаборатория интеллектуальных систем СПИИ РАН (http: //space. iias. spb. su/)

Агентная модель «Хищники - жертвы (Predator Prey)» Модель хищники - жертвы состоит из пары дифференциальных уравнений, которые описывают динамику популяций хищников и жертв (или паразитов – носителей) в её простейшем случае (одна популяция хищников, одна - жертв). Модель была предложена независимо Альфредом Лоткой и Вито Вольтеррой (Alfred Lotka и Vito Volterra) в 1920 х; она характеризуется колебаниями в размерах обеих популяций, причём пик количества хищников немного отстаёт от пика количества жертв. В модели приняты следующие упрощённые предположения: а) жертвы всегда имеют достаточное количество ресурсов и погибают, только будучи съеденными хищниками; б) жертвы – единственный источник пищи для хищников, и хищники умирают только от голода; в) хищники могут поглощать неограниченное количество жертв; г) среда обитания не имеет размерностей, то есть любой хищник может встретить любую жертву.

Описание моделируемой ситуации а) зайцы (hares) и рыси (lynx) имеют конечную продолжительность жизни, так что они умирают также и от старости, а не только будучи съеденными или от голода; б) зайцы и рыси живут в двумерном пространстве (в терминологии агентного моделирования говорят, что агенты “space-aware”); в) плотность зайцев ограничена (например, неким пищевым ресурсом) так что зайцы размножаются, только если вокруг достаточно свободного места; г) рысь может поймать зайца только поблизости от места её обитания; д) рысь охотится периодически; е) если во время охоты заяц не пойман, рысь перемещается; ж) если рысь так и не находит зайца в течение определённого времени, она умирает. Кто кого?

Формализация Агент-рысь и агент-заяц имеют переменные Location, где хранится их текущее местоположение; вначале оно случайное. Оно меняется при перемещении агентов и влияет на их поведение. У рысей и у зайцев с определённой частотой появляются рысята и зайчата. Это моделируется циклическими «таймерами рождений» Births, которые создают новых агентов, причём в случае зайцев это зависит от их локальной плотности. Карта состояний зайца состоит всего из двух состояний: жив Alive и мёртв Dead и двух переходов между ними, соответствующих двум различным причинам смерти: возрасту и съедением рысью (последнее моделируется сообщением, которую рысь напрямую посылает зайцу). У рыси поведение более сложное. Рысь охотится через каждые Lynx Hunting Period и, если она не находит зайца (это вероятностно зависит от их локальной плотности), она перемещается (изменяет Location), оставаясь в голодном состоянии Hungry. В случае, если заяц убит (рысь посылает ему сообщение «я тебя съела!» , “I ate you!”), она выходит и тут же входит опять в состояние Hungry, что (в соответствии с семантикой карт состояний) вызовет “перезапуск” «таймаута голодной смерти» Lynx Hunger Death Threshold. Таким образом, рыси нужен как минимум один заяц каждые Lynx Hunger Death Threshold единиц времени.

Агентная модель «Хищники - жертвы (Predator Prey)»

Выводы 2. Действия разворачиваются на плоскости: видны атаки рысей, их вымирание там, где съедены все зайцы, и быстрое заполнение зайцами свободного от рысей пространства. 3. На агрегатном (количественном) уровне модель показывает колебательное поведение (пики популяции рысей следуют за пиками популяции зайцев). В зависимости от параметров рыси могут полностью вымереть (иногда вместе с зайцами).

Агентная модель «Динамика употребления алкоголя» Исследуем отношение людей к алкоголю, продолжительность жизни и связанные с этим расходы на здравоохранение. Мы различаем четыре состояния у человека: не употребляет вообще Never User, употребляет время от времени Recreational User, алкоголик Addict и бросивший Quitter. Переходы между состояниями – это стохастические таймауты. Например, возраст, когда человек начинает пить (“инициируется”) - это реализация случайной величины с распределением Initiation Time Distribution. Распределение построено на базе имеющихся статистических данных, а именно вероятностей инициации для различного возраста. То же относится к продолжительности жизни, которая распределена по закону Death Time Distribution, но это распределение может изменяться в зависимости от отношений человека с алкоголем. В этой модели агенты не взаимодействуют друг с другом.

Динамика употребления алкоголя

Описание модели Две группы людей: одна с “естественной” алкогольной динамикой Normal, другая, подвергшаяся вмешательству Intervened. Вмешательство (это может быть изменения в законодательстве, “социальные” рекламные кампании и т. п. ) моделируется как изменения в вероятностях инициации и отказа от алкоголя. Пример результатов моделирования (количество непьющих, употребляющих, алкоголиков и бросивших в зависимости от возраста) показаны в виде стековых графиков. Группа, подвергшаяся вмешательству, здесь имеет вероятность инициации в два раза ниже, а вероятность бросить в два раза выше, чем нормальная группа. В группе Intervened люди живут в среднем дольше, и ресурсов на их медицинское обслуживание уходит меньше; цифры приведены на рисунке. Подобного рода модели используются для поддержки принятия решений (decision support) при разработке федеральных, муниципальных или корпоративных политик.

Моделирование поведения и ассимиляционной динамики испаноязычного населения США Эта модель разработана консалтинговой компанией Decisio Consulting [Decisio] для альянса крупных корпораций Synthesis Alliance. По последним опубликованным данным Американского бюро переписи населения (US Census) испаноязычное население (“Hispanics”) стало наибольшим по размерам национальным меньшинством в США. При помощи имитационного моделирования исследуются структурные силы, формирующие характеристики этой группы.

Описание модели В модели имеется испаноязычная группа, чей уровень ассимиляции в основное население динамически меняется в зависимости от индивидуального выбора. Компоненты состояния агента моделируют накопление и утерю агентом культурных атрибутов, которые в конечном счёте определяют поведение на индивидуальном уровне.

Агентное моделирование трафика телекоммуникационной компании Исследование степени самоподобности входного трафика в телекоммуникационных сетях, полученного с учетом реально предоставляемых клиентам видов услуг. Агенты - абоненты телекоммуникационной компании, которым предоставляются различные типы телекоммуникационных услуг, поэтому они создают различную интенсивность нагрузки. Признак деления абонентов на группы - пропускная способность линии связи, которая соединяет их терминальное оборудование с концентратором. Это может трактоваться, например, как использование трех различных тарифных планов обслуживания с фиксированной максимальной скоростью передачи данных или как предоставление различных видов услуг. Поведение агентов в каждой группе задается набором характеристик: максимальной скоростью передачи данных, средним объемом передаваемого трафика за сутки, характером активности абонента в течение суток. Абоненты работают независимо друг от друга, но по общим правилам той группы, в которую они включены. Число абонентов или групп в модели может задаваться в зависимости от реальной ситуации в телекоммуникационной компании.

Структура агентной модели в Any. Logic

Анализ трафика, полученного на модели

Анализ трафика • Трафик обладает пачечным характером, однако заметна зависимость интенсивности нагрузки от времени суток. • Предварительный анализ результатов моделирования показал, что трафик обладает свойством самоподобия. • Построенная модель позволяет исследовать степень изменения самоподобности трафика при варьировании параметрами модели – видом и количеством предоставляемых клиентам телекоммуникационной компании услуг, что может представлять интерес для теории телетрафика. • Получена возможность оптимизировать структуру и состав коммутационного оборудования и, в конечном итоге, решить две самые сложные задачи: обеспечить требуемое качество обслуживания клиентов и не упустить финансовую выгоду.

Вычислительный эксперимент 1 Фиксируется число абонентов каждой из групп, и подбирается пропускная способность соединительной линии «концентраторсервер» так, чтобы вероятность блокировки не превышала 2%.

Вычислительный эксперимент 2 Фиксируется пропускная способность соединительной линии «концентраторсервер» и определяется максимально возможное число абонентов каждой из групп так, чтобы вероятность блокировки также не превышала 2%.