Моделе-ориентированная архитектура нечетких мультиагентных систем

Рассматриваются нечеткие архитектурные модели мультиагентных систем для распределенной среды, обладающие свойствами реактивности и мотивированности. Предложены средства описания поведения нечетких агентов на основе трансформаций нечетких графов, способы их координации и адаптации с учетом нечетких з...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Datum:	2010
Hauptverfasser:	Парасюк, И.Н., Ершов, С.В.
Format:	Artikel
Sprache:	Russian
Veröffentlicht:	Інститут кібернетики ім. В.М. Глушкова НАН України 2010
Schriftenreihe:	Компьютерная математика
Schlagworte:	Инструментальные средства информационных технологий
Online Zugang:	http://dspace.nbuv.gov.ua/handle/123456789/84587
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:	Моделе-ориентированная архитектура нечетких мультиагентных систем / И.Н. Парасюк, С.В. Ершов // Компьютерная математика: сб. науч. тр. — 2010. — № 2. — С. 62-74. — Бібліогр.: 11 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-84587
record_format	dspace
spelling	irk-123456789-845872015-07-11T03:01:51Z Моделе-ориентированная архитектура нечетких мультиагентных систем Парасюк, И.Н. Ершов, С.В. Инструментальные средства информационных технологий Рассматриваются нечеткие архитектурные модели мультиагентных систем для распределенной среды, обладающие свойствами реактивности и мотивированности. Предложены средства описания поведения нечетких агентов на основе трансформаций нечетких графов, способы их координации и адаптации с учетом нечетких значений полезности. Описаны основные метамодели и трансформации нечетких мультиагентных систем на основе моделе-ориентированной архитектуры. Розглядаються нечіткі архітектурні моделі мультиагентних систем для розподіленого середовища, що мають властивості реактивності і мотивованості. Запропоновані засоби опису поведінки нечітких агентів на основі трансформацій нечітких графів, способи їх координації і адаптації з урахуванням нечітких значень корисності. Розроблені основні метамоделі та трансформації нечітких мультиагентних систем на основі моделе-орієнтованої архітектури. Fuzzy architectural models of multiagent systems for distributed environment that posses properties of reactivity and motivation are investigated. Means of description of fuzzy agents behavior on the basis of transformations of fuzzy graphs, methods of their coordination and adaptation taking into account fuzzy values of utility are proposed. Basic metamodels and transformations of the fuzzy multiagent systems on the basis of model-oriented architecture are developed. 2010 Article Моделе-ориентированная архитектура нечетких мультиагентных систем / И.Н. Парасюк, С.В. Ершов // Компьютерная математика: сб. науч. тр. — 2010. — № 2. — С. 62-74. — Бібліогр.: 11 назв. — рос. ХХХХ-0003 http://dspace.nbuv.gov.ua/handle/123456789/84587 681.3.06 ru Компьютерная математика Інститут кібернетики ім. В.М. Глушкова НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Russian
topic	Инструментальные средства информационных технологий Инструментальные средства информационных технологий
spellingShingle	Инструментальные средства информационных технологий Инструментальные средства информационных технологий Парасюк, И.Н. Ершов, С.В. Моделе-ориентированная архитектура нечетких мультиагентных систем Компьютерная математика
description	Рассматриваются нечеткие архитектурные модели мультиагентных систем для распределенной среды, обладающие свойствами реактивности и мотивированности. Предложены средства описания поведения нечетких агентов на основе трансформаций нечетких графов, способы их координации и адаптации с учетом нечетких значений полезности. Описаны основные метамодели и трансформации нечетких мультиагентных систем на основе моделе-ориентированной архитектуры.
format	Article
author	Парасюк, И.Н. Ершов, С.В.
author_facet	Парасюк, И.Н. Ершов, С.В.
author_sort	Парасюк, И.Н.
title	Моделе-ориентированная архитектура нечетких мультиагентных систем
title_short	Моделе-ориентированная архитектура нечетких мультиагентных систем
title_full	Моделе-ориентированная архитектура нечетких мультиагентных систем
title_fullStr	Моделе-ориентированная архитектура нечетких мультиагентных систем
title_full_unstemmed	Моделе-ориентированная архитектура нечетких мультиагентных систем
title_sort	моделе-ориентированная архитектура нечетких мультиагентных систем
publisher	Інститут кібернетики ім. В.М. Глушкова НАН України
publishDate	2010
topic_facet	Инструментальные средства информационных технологий
url	http://dspace.nbuv.gov.ua/handle/123456789/84587
citation_txt	Моделе-ориентированная архитектура нечетких мультиагентных систем / И.Н. Парасюк, С.В. Ершов // Компьютерная математика: сб. науч. тр. — 2010. — № 2. — С. 62-74. — Бібліогр.: 11 назв. — рос.
series	Компьютерная математика
work_keys_str_mv	AT parasûkin modeleorientirovannaâarhitekturanečetkihmulʹtiagentnyhsistem AT eršovsv modeleorientirovannaâarhitekturanečetkihmulʹtiagentnyhsistem
first_indexed	2025-07-06T11:39:22Z
last_indexed	2025-07-06T11:39:22Z
_version_	1836897495568875520
fulltext	62 Компьютерная математика. 2010, № 2 Рассматриваются нечеткие ар- хитектурные модели мульти- агентных систем для распреде- ленной среды, обладающие свой- ствами реактивности и мотиви- рованности. Предложены сред- ства описания поведения нечет- ких агентов на основе трансфор- маций нечетких графов, способы их координации и адаптации с учетом нечетких значений полез- ности. Описаны основные мета- модели и трансформации нечет- ких мультиагентных систем на основе моделе-ориентированной архитектуры.  И.Н. Парасюк, С.В. Ершов, 2010 ÓÄÊ 681.3.06 È.Í. ÏÀÐÀÑÞÊ, Ñ.Â. ÅÐØÎÂ ÌÎÄÅËÅ-ÎÐÈÅÍÒÈÐÎÂÀÍÍÀß ÀÐÕÈÒÅÊÒÓÐÀ ÍÅ×ÅÒÊÈÕ ÌÓËÜÒÈÀÃÅÍÒÍÛÕ ÑÈÑÒÅÌ Введение. Программные модели гуманисти- ческих систем – систем, в основу которых положен принцип гранулирования информа- ции, а процессы создания которых отобра- жают сознание человека [1], являются важ- ным объектом изучения теории нечетких систем. В настоящее время они широко ис- пользуются при проектировании средств компьютеризации в различных сферах чело- веческой деятельности. К таким современ- ным и перспективным программным моде- лям относятся и нечеткие мультиагентные системы, для успешного становления и раз- вития которых нужен высокий уровень абст- рактности целевых платформ разработки, создание конструктивных архитектурных моделей и средств порождения соответст- вующих целевых агентов. Цель настоящей работы – формализация архитектуры мультиагентных систем на ос- нове нечетких моделей и разработка соответ- ствующих процедур, метамоделей и порож- дающих их трансформаций для моделе- ориентированной разработки с использова- нием подхода MDA. Перечисленные пробле- мы тематически вписываются в дальнейшее развитие исследований в направлении ста- новления моделе-ориентованных архитектур программных систем в нечетком представле- нии [2–4]. Архитектура интеллектуальных аген- тов: общие положения. Под термином ин- теллектуальный агент понимаются програм- мы, получающие информацию из окружаю- щей среды и выполняющие над ней соответ- ствующие операции, при этом их поведение МОДЕЛЕ-ОРИЕНТИРОВАННЯ АРХИТЕКТУРА НЕЧЕТКИХ МУЛЬТИАГЕНТНЫХ СИСТЕМ Компьютерная математика. 2010, № 2 63 рационально [5]. Архитектуры таких агентов делятся на четыре общих класса: дедуктивные агенты, реактивные агенты (агенты, основанные на поведении), де- либеративные («разумные») агенты и агенты, основанные на побуждениях [6–10]. При дедуктивном подходе агент манипулирует символьным представлением среды, используя операции логического вывода [6–8]. Агенты играют роль про- грамм автоматического доказательства теорем, непосредственно выполняя логи- ческие спецификации. Основные недостатки данного подхода: проблема транс- дукции, необходимость обеспечения непротиворечивых, надежных и «четких» знаний, невозможность манипулировать описанием динамической и стохастиче- ской среды, чрезвычайная иерархичность, необходимость построения полного агента для проведения испытаний, что не позволяет проводить итерационные пошаговые процессы разработки. Парадигма Убеждение-Желание-Намерение (Belief-Desire-Intention) вопло- щает один из основных видов делиберативных («разумных» агентов) и содержит явно представленную структуру данных, соответствует этим трем указанным свойствам рассуждений, применяемых агентом при решении задач [6–8]. В агенте BDI [6, 7], среда E начинается в специфическом состоянии конеч- ного множества дискретных состояний: E = {e, e′, ...}. Агент Ag выбирает спе- цифическое действие из доступного множества возможных действий A на осно- вании состояния среды и предыдущих выполненных действий: { , ,...}A ′= α α . Запуск R – последовательность чередующихся состояний и действий. Среда запускается в определенном состоянии и агент выбирает действие, чтобы выполняться при этом состоянии. В результате этого действия, среда может перейти в ряд возможных состояний: 0 1 1 0 1 ... u uR e e e−α α α= → → → . Функция Ag отображает запуски на действия, агент выбирает следующее действие, основываясь на доступной истории запуска системы: ARAg →: . Агент пробует найти и выполнить лучший план ( )plan π , который является серией действий, выполнимых в определенном порядке: 1 2{ , ,..., }nπ = α α α . BDI агент выполняет следующие функции: 1. Функция пересмотра убеждений агента (т. е. brf) модифицирует те- кущие убеждения агента на основании множества всех убеждений Bel и текущих результатов перцепции: : ( ) ( )brf Bel Per Bel℘ × →℘ . 2. Желание, которое агент стремится достичь, считывается из стека на- мерений. Этот стек содержит все желания (т.е. цели), которые агент обязался выполнить. Агент отыскивает планы, указывающие желание, извлеченное из стека, в качестве постусловий. Из этих планов, только те, которые удовлетворя- ют своему предусловию (на основе его текущих убеждений), становятся воз- можными вариантами или желаниями для агента. И.Н. ПАРАСЮК, С.В. ЕРШОВ Компьютерная математика. 2010, № 2 64 Делиберативный агент начинает размышлять используя два функциональ- ных компонента: функция выбора )()()(: DesIntBeloptions ℘→℘×℘ , которая для текущего множества убеждений и намерений Int агента и производит множество возможных желаний Des. Для того чтобы выбрать между конкурирующими вариантами, агент использует функцию фильтрации : ( )filter Bel℘ × ( ) ( ) ( )Des Int Bel×℘ ×℘ →℘ . В процессе рассуждений дальнейшие желания помещаются в стек намерений, что в свою очередь запускает поиск большего количества планов, чтобы достичь указанной цели, и так далее. Процесс закан- чивается отдельными действиями, которые могут быть непосредственно выпол- нены. Если специфический план достижения цели терпит неудачу, то агент мо- жет выбрать другой план достижения желания из всех возможных планов. Так как размер структуры намерений становится очень большим, ограниче- ния, накладываемые на вычислительные ресурсы для планирования, уточнения и оценки этих намерений, вызывают «познавательную перегрузку» агента BDI. К сожалению, ранее упомянутые механизмы фильтрации, не помогают значи- тельно сократить «познавательную перегрузку» поскольку, со временем генери- руется ряд действительных альтернатив, которые все совместимы с текущими намерениями агента. Другим возможным решением является использование реактивных (пове- денческих) агентов [6–9]. В таких агентах не рассматриваются планирующие действия, основанные на сложных внутренних представлениях окружающей среды из-за их неотъемлемых ошибок их четкого представления и ассоцииро- ванных с их обработкой временных затрат. Реактивный агент Agr производит ответ из множества возможных ответов R = {r1, r2, ...}, на основе текущих сти- мулов S, что может быть представлено следующим отображением: : ( )rAg S Rβ → . Каждый индивидуальный стимул или результат перцепции si (где Ssi ∈ ) – кортеж, состоящий из специфического типа или перцепционного класса p и значения силы λ : ( , )is p= λ . Агент Agr выбирает текущий ответ r) из множества возможных доступных ответов R каждый раз когда λ больше, чем порог τ . Функция поведения β , ответственная за отображение входных стиму- лов на множество последовательных действий, может быть дискретной или не- прерывной. Реактивные агенты могут быть разработаны с использованием ите- ративного процесса c использованием кооперативных или конкурентных мето- дов композиции отдельно задаваемых функций поведения iβ (где iβ ∈β ). Недостатком таких методов композиции является их сложность. Так, в архитек- туре реактивного агента, если задано n уровней поведения и каждый уровень способен предложить m возможных действий, то это означает, что необходимо задать nm их взаимодействий. Кроме того, стремясь упростить функцию пове- дения, такие агенты не учитывают возможного состояния самого агента и даль- нейшей мотивации. МОДЕЛЕ-ОРИЕНТИРОВАННЯ АРХИТЕКТУРА НЕЧЕТКИХ МУЛЬТИАГЕНТНЫХ СИСТЕМ Компьютерная математика. 2010, № 2 65 В качестве возможной альтернативы можно рассматривать мотивированные агенты [10] как подход, совместимый с идеями делиберативных и поведенче- ских агентов. Различные побуждения (мотивации) – ключевые определяющие факторы, с помощью которых агент может производить разнообразное поведе- ние, имеющее высшую степень выгоды (или полезности) как для агента, так и для мультиагентной системы в целом. При таком подходе мотив m – это отображение текущих убеждений bel агента о состоянии его среды во множество активных побуждений )()(: mbelm ℘→℘ . Такой агент будет иметь две функции: порождение цели и ак- тивация цели, обе из которых предназначены для генерации активных целей в ответ на обнаруженные изменения в его текущих убеждениях. Порожденные цели добавляются ко множеству активных целей агентов: :gen : ( ) ( ) ( )m bel mg℘ ×℘ →℘ . Активация (вызов) цели происходит, когда интен- сивность побуждения связанного с целью превышает определенный th-порог: : ( ) ( ) ( ) ( ).act mg bel th goal℘ ×℘ ×℘ →℘ Привлекательность этого подхода по сравнению с реактивными агентами, в том, что пользовательские ожидания относительно поведения агента отобража- ются в профиль побуждений, который может затем быть сопоставлен с реаль- ным поведением агента и усовершенствован. Кроме того, в отличие от делибе- ративного метода, такой тип агентов не использует сложную систему активации целей и с ней фильтры или триггеры. Нечеткие архитектурные модели мультиагентных систем. Формальные системы трансформаций нечетких графов (СТНГ) могут использоваться при проектировании нечетких агентов с двумя целями: 1) как обобщение алгоритмов нечеткого логического вывода, в частности, таких, как системы Мамдани и Лар- сена над нечеткими графами; 2) с целью спецификации возможных преобразо- ваний между моделями, задающими разные уровни абстракции нечетких аген- тов в подходе MDA (так называемая «вертикальные» трансформации или преоб- разования «уточнения»). Каждая продукция СТНГ строится на основе нечетких графов [2, 3], кото- рые представляют собой антецедент и граф-результат продукции. Такая продук- ция может быть записана следующим образом: ЕСЛИ нечеткий граф-антецедент ТО нечеткий граф-результат. Возможность указанного представления продукций СТНГ основана на том факте, что нечеткий граф-антецедент и нечеткий граф-результат (консеквент) могут быть записаны в виде 1 2 1 2& & & & N MN N N E E E… …ɶ ɶ ɶ ɶ ɶ ɶ , где {N1, N2 ,…, NN} – множество вершин нечеткого графа; {E1, E2 ,…, EM} – множество ребер нечеткого графа; e~ – нечеткое множество соответствующей вершины или ребра нечеткого графа. Обозначим принадлежность вершины и ребра графу-антецеденту и графу-консеквента соответственно верхним индек- сом A и С. И.Н. ПАРАСЮК, С.В. ЕРШОВ Компьютерная математика. 2010, № 2 66 Таким образом, простая продукция, задающая соответствующее преобразо- вание, может быть записана в виде ЕСЛИ 1 1 1 1& ... & & & ... & ,A A A A A A A A N N M MN N N N E E E E′ ′ ′ ′= = = =ɶ ɶ ɶ ɶ ɶ ɶ ɶ ɶ ТО 1 1 1 1& ... & & & ... & ,C C C C C C C C K K L LN N N N E E E E′ ′ ′ ′= = = =ɶ ɶ ɶ ɶ ɶ ɶ ɶ ɶ где A iN ~ , A jE ~ , A iN′~ , A jE′~ , C kN ~ , C lE ~ , C kN′~ , C lE′~ – дискретные нечеткие множества или нечеткие числа, причем A iN ~ , A jE ~ , C kN ~ , C lE ~ – указанные в продукции нечет- кие множества, A iN′~ , A jE′~ – значения истинности вершин и ребер нечеткого гра- фа к которому применяется продукция, обычно отличающиеся от значений ука- занных в продукции; C kN′~ , C lE′~ – исправленные значения истинности нечетких множеств графа получаемого в результате применения продукции. Пусть P – значение истинности антецедента продукции, NA – множество вершин, а EA – множество ребер графа-антецедента. Тогда min (max(min ( ( , ), ( , ))), min min (max(min ( ( , ), ( , ))). n NA x e EA x n x n x P e x n x ∈ ∀ ∈ ∀ ′ ′µ µ =  ′ ′µ µ Реализовано три типа вывода над нечеткими графами: монотонный, при ко- тором последовательные значения истинности вершин и ребер могут только возрастать; немонотонный, при котором последовательные значения истинности могут как расти, так и уменьшаться; нисходящий монотонный, при котором по- следовательные значения истинности только уменьшатся. Адекватность приме- нения определенного типа вывода зависит от задачи и может отличаться для различных продукций, соответствующим определенным этапам решения. При монотонном выводе существующие значения истинности вершин и ре- бер графа не могут быть уменьшены при наличии дополнительных свидетельств. Пусть NС – множество вершин, а EС – множество ребер графа-консеквента. Фор- мула монотонного вывода для значений истинности вершин и ребер, которые до- бавляются или остаются в соответствии с указанной продукцией: : '( , ) ( , ( , ))o NC EC o x S P o x∀ ∈ ∪ µ = µ , где функция S – так называемая S-норма, например ( , ( , ))S P o xµ = =max( , ( , )).P o xµ При немонотонном выводе допускаем, что новые результаты, обеспечивае- мые запуском указанной продукцией, надежнее, чем любые существующие сви- детельства: : '( , ) .o NC EC o x P∀ ∈ ∪ µ = Нисходящий монотонный вывод полезен, когда значения истинности '( , )o xµ представляет верхний предел возможного значения: : '( , ) ( , ( , )),o NC EC o x T P o x∀ ∈ ∪ µ = µ где функция T – любая T-норма, например ( , ( , )) max( , ( , ))T P o x P o xµ = µ , что соответствует оператору вывода Мамдани. МОДЕЛЕ-ОРИЕНТИРОВАННЯ АРХИТЕКТУРА НЕЧЕТКИХ МУЛЬТИАГЕНТНЫХ СИСТЕМ Компьютерная математика. 2010, № 2 67 Архитектура нечеткого агента, основанного на мотивации, показана на рис. 1. В данной реализации используются системы СТНГ для того, чтобы непо- средственно отображать стимулы X на ответы R. Выбор этого способа был осно- ван на простоте наличия единственной системы нечетких правил, обеспечиваю- щей функцию отображения β , так как этот выбор не требует механизма коор- динации. Отсутствие координатора поведения внутри самого агента упрощает его реализацию и делает более очевидным эффект влияния нечетких значений побуждения на результирующее поведение агента. Фуззификатор Средства нечеткого вывода Дефуззи- фикатор Четкие значения стимулов Нечеткие значения стимулов Система трансформаций нечетких графов (СТНГ) Нечеткие значения Четкие значения 1x nx 1 ~ +nx mx~ 1 ~x mx~ 1 ~ jβ jlβ ~ 1jβ jlβ . . . . . . . . . . . . . . . 1m Nm РИС. 1. Структура нечеткого мотивированного агента В случае четких значений входных стимулов },...,{ 1 nxxx = фуззификатор приводит их к соответствующим нечетким значениям. Блок нечеткого вывода осуществляет сопоставление нечетких правил СТНГ не только с нечеткими сти- мулами }~,...,~{~ 1 nxxx = , но и с нечеткими значениями мотивации }~,...,~{~ 1 Nmmm = . Для этого задана проекция нечетких правил нечеткого графа предметной облас- ти (ПО) – нечеткое множество побуждений, т. е., отображение, определяющее, какие из вершин графа ПО могут рассматриваться в качестве мотивов (побуж- дений). Правила СТНГ, в левой части которых находятся нечеткие значения мо- тивов, рассматриваются как строго мотивированные. При использовании нисхо- дящего нечеткого вывода высота функции принадлежности мотивации в правой части правила может только уменьшаться, что приведет к остановке выполнения СТНГ через несколько итераций ввиду отсутствия необходимых побуждений (мера нечеткого совпадения меньше необходимого порога). Дефуззификатор j-го агента отображает множество вершин нечеткого графа ПО, соответствующих нечетким значениям поведения во множество одновременных действий 1{ ,..., }.j j jlβ = β β И.Н. ПАРАСЮК, С.В. ЕРШОВ Компьютерная математика. 2010, № 2 68 Модели координации и адаптации с учетом нечетких значений полезности. На рис. 2 показана архитектура нечеткой мультиагентной системы, состоящей из N мотивированных агентов. Все агенты получают одинаковые стимулы }~,...,~{~ 1 mxxx = . Каждый агент осуществляет применение правил СТНГ и выраба- тывает решение относительно приемлемого поведения 1{ ,..., }j j jlβ = β β . Выра- ботка окончательного решения осуществляется координатором, задачей которо- го также является настройка нечетких правил. C этой целью модуль оценки предложений агентов на основе 1 2, , ..., Nβ β β , набора соответствующих этим предложениям входных символов и набора мотиваций осуществляет настройку правил СТНГ для каждого агента и передает полученный результат модулю вы- числения результата. В результате сопоставления с использованием индексов нечеткого ранжирования вырабатывается окончательное решение мультиагент- ной системы, означающее «наилучшее» предложенное поведение 1{ ,..., }i i ilβ = β β . В нашей реализации координатора мультиагентной системы начальные установки побуждения используются для того, чтобы на основе системы нечет- ких правил Такаги – Сугено определить нечеткую пригодность поведения агента в различных средах (рис. 3). Множество побуждений M нечеткого агента для закупки (продажи) товаров и услуг включает: отсутствие у агента необходимого количества товаров (услуг) (m1), избыток товаров (m2), большой срок хранения товаров или пользования услугой (m3) и возможность закупки / продажи у минимального количества поставщиков/потребителей (m4). Эти побуждения используются как входные установки (нечеткие числа) до запуска каждого эксперимента. Для возможности такой настройки пользователь выбирает значения побуж- дений (m1, ...,mN), которые должны быть использованы в нечетком вычислении полезности (т. е. побуждения, которые помогают выбрать лучшего агента в популяции) – одну из допустимых сред обучения агента. Модуль оценивания предложений агентов осуществляет следующие шаги: – на основе генетического алгоритм генерирует популяцию различных мо- тивированных агентов; – каждый агент популяции в свою очередь вырабатывает и выполняет по- следовательность (набор) действий jβ в среде; – на основе предложенного поведения каждого агента координатор произ- водит набор N значений полезности; – результирующая нечеткая полезность F вычисляется на основе побужде- ний m1, ...,mN и отдельных значений полезности Nff ,...1 . МОДЕЛЕ-ОРИЕНТИРОВАННЯ АРХИТЕКТУРА НЕЧЕТКИХ МУЛЬТИАГЕНТНЫХ СИСТЕМ Компьютерная математика. 2010, № 2 69 Ag 1 Ag 2 Ag N Модуль Оценки Предло- жений Агентов Вычисли- тель Результата Параллельные агенты Координатор Лучший вариант поведения Входные стимулы Результат Ag1 Результат Ag2 Результат AgN Предложение первого агента Предложение второго агента Предложение агента N 1 ~x mx~ 1 ~x 1 ~x 1 ~x mx~ mx~ mx~ 11β l1β 21β l2β 1Nβ Nlβ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1iβ 2iβ il β РИС. 2. Структура нечеткой мультиагентной системы с координатором Выбор N побуждений Выбор среды для обучения агента Генерация популяции агентов или завершение Выполнение действий в выбранной среде Вычисление нечеткой полезности на основе Nff ,...1 Вычисление N значений полезности Nff ,...1 F РИС. 3. Схема настройки нечетких правил на основе побуждений и функции полезности Оценивание заканчивается, когда достигнуто число максимальных повторе- ний генетического алгоритма. Лучший агент в популяции сохраняется как за- ключительный вариант агента. Для определения нечеткого значения полезности для специфического поведения, используется не требующая дефуззификации система Такаги – Сугено. Результатом каждого правила являются четкие зна- чения, суммируемые как взвешенная средняя величина [11]. При определении И.Н. ПАРАСЮК, С.В. ЕРШОВ Компьютерная математика. 2010, № 2 70 0 0 0,25 0,75 0,5 1 1 х µ(х) Среднее Низкое Высокое Очень низкое Очень высокое РИС. 4. Нечеткие функции принадлежности значения полезности для каждого из четырех побуждений торгового агента использованы треугольные функции принадлежности (рис. 4). Таким обра- зом, использованы четыре нечетких переменных с пятью функциями при- надлежности каждая (54 = 625 различ- ных нечетких правила). Псевдокод ал- горитма расчета значений нечеткой полезности показан на рис. 5. Входные значения N : количество мотиваций; M : количество функций принадлежности каждой из мотиваций; X[N] : массив заданных мотиваций; Y[N] : массив значений функций полезности; C[N] : массив коэффициентов; µ[N][M] : матрица функций принадлежности для мотиваций; Переменные w[n] : оцениваемый вес каждого нечеткого правила; f[n] : определяемая полезность; n, m0, m1, . . . , mN : целые значения; Выходные значения F : нечеткое значение полезности; НАЧАЛО n := 1; ДЛЯ m1, m2, . . . , mN ОТ 1 ШАГ 1 ДО M НАЧАЛО w[n] := min{µ[1][m1], µ[2][m2], . . . , µ[N][mN]}; f[n] := ∑ = N i 1 i ][i]C[m X[i]Y ; n := n + 1; КОНЕЦ; F := (∑ = NM i 1 w[i]f[i] )/(∑ = NM i 1 w[i] ); КОНЕЦ РИС. 5. Алгоритм вычисления нечеткого значения полезности Для торгового агента определены следующие переменные и соответствую- щие им критерии: надлежащее окончание действий в состоянии, при котором значение ресурсов (имеющихся товаров или услуг) не меньше установленного для агента уровня (f1), не больше установленного для агента уровня (f2), необхо- димость предпринимать дальнейшие операции из-за ограничения срока хране- ния или расходования товаров или ресурсов (f3), количество поставщи- ков / потребителей, с которыми были проведены операции (f4). Значения для этих критериев нормализованы (содержат нечеткие числа) и вычислены после того, как агент завершает действия. МОДЕЛЕ-ОРИЕНТИРОВАННЯ АРХИТЕКТУРА НЕЧЕТКИХ МУЛЬТИАГЕНТНЫХ СИСТЕМ Компьютерная математика. 2010, № 2 71 В процессе обучения, управляемая среда выбрана, и генетический алгоритм случайным образом генерирует начальную популяцию агентов. После этого, каж- дый агент выполняет свое задание (покупка и продажа) и вырабатывается набор значений полезности, соответствующих выполненному заданию. Наконец, на ос- нове значений побуждения (мотивации) и полученных значений полезности по отдельным критериям, координатор вычисляет значение нечеткой полезности. Основные метамодели и трансформации. В основу моделе-ориентированной разработки нечетких мультиагентных систем положены их метамодели, разра- ботанные с использованием формата Ecore. Средства описания метамоделей Ecore предназначены для поддержки времени выполнения, такой как уведомле- ния об изменениях, средства для сохранения моделей со встроенными средства- ми сериализации на основе XMI , и эффективный интерфейс программиста для операций над объектами Ecore. При этом компонент Ecore Tools обеспечивает среду для операций над моделями, в том числе проверку правильности и созда- ние генераторов. Основные трансформации моделей описаны с использованием СТНГ в ка- честве платформно-независимой модели агента, для чего создан специальный графический редактор со средствами навигации по нечетким графам и компози- ции правил замены (удаление и добавление вершин, выбор начальной и целевой метамоделей и т. д.). Порождение мультиагентной системы состоит из двух эта- пов: выполнения ряда преобразований модель-модель с целью получения плат- формно-специфической модели нечетких агентов и запуска последующих трансформаций «модель-код» для получения текста программы целевого агента. Для представления СТНГ разработана метамодель Ecore нечетких правил, содержащая все необходимые понятия для конструирования нечетких правил замены. В качестве основных классов (понятий) выбраны FGraph(нечеткий граф), InModel (входная модель), OutModel (выходная модель), FNode и FEdge (нечеткие вершины и ребра). Каждой вершине или ребру соответствует нечеткое значение, связанное в свою очередь с нечеткой переменной, описывающей на- бор допустимых лингвистических значений и их функций принадлежности. С помощью специальной трансформации СТНГ превращается в модель нечет- ких правил, называемых также «нечеткими системами», находящихся ближе по уровню к целевой платформе. Различные способы выполнения нечетких правил учитываются с помощью конкретных классов FuzzyRuleExecutor, например класс LarsenRuleExecutor соответствует системе Ларсена. Это позволяет рас- ширять данную метамодель другими видами нечетких систем, описанными в литературе, не затрагивая при этом уровень СТНГ. Фрагмент метамодели, от- носящийся к представлению нечетких правил, представлен на рис. 6. Модель, соответствующая метамодели нечетких правил, показана на рис. 7. И.Н. ПАРАСЮК, С.В. ЕРШОВ Компьютерная математика. 2010, № 2 72 РИС. 6. Фрагмент метамодели для представления нечетких правил Однако средства представленной выше метамодели находятся достаточно далеко от средств программирования мультиагентной целевой платформы, та- кой как JADE или ABLЕ. Поэтому для интеграции нечетких правил в среду вы- полнения указанных платформ используется преобразование, отображающее нечеткие правила в модель на основе JEM (Java EMF Model), позволяющей представить основные конструкции классов языка Java и платформы J2EE. Для генерации текстовых файлов программы-агента разработаны преобра- зования “модель-текст” на основе текстовых шаблонов платформы XPand, за- пускаемых в контексте компонентов EMFT Workflow. По сравнению с непо- средственной генерацией кода на основе СТНГ использование промежуточных моделей значительно упрощает создание текстовых шаблонов. МОДЕЛЕ-ОРИЕНТИРОВАННЯ АРХИТЕКТУРА НЕЧЕТКИХ МУЛЬТИАГЕНТНЫХ СИСТЕМ Компьютерная математика. 2010, № 2 73 РИС. 7. Модель в формате Ecore, представляющая нечеткое правило Выводы. Таким образом, предложены нечеткие архитектурные модели мультиагентных систем, предназначенных для решения задач в распределенной среде. Такие модели обладают свойствами как реактивных, так и мотивирован- ных делиберативных агентов, что позволяет использовать преимущества обоих подходов. Формализованы средства описания поведения нечетких агентов на основе трансформаций нечетких графов, способы координации нечеткой муль- тиагентной системы и ее адаптации с учетом нечетких значений полезности. Разработаны метамодели и основные трансформации нечетких мульти-агентных систем на основе использования MDA (Model Driven Architecture, Архитектуры, управляемой моделями). I.М. Парасюк, С.В. Єршов МОДЕЛЕ-ОРІЄНТОВАНА АРХІТЕКТУРА НЕЧІТКИХ МУЛЬТИАГЕНТНИХ СИСТЕМ Розглядаються нечіткі архітектурні моделі мультиагентних систем для розподіленого середо- вища, що мають властивості реактивності і мотивованості. Запропоновані засоби опису пове- дінки нечітких агентів на основі трансформацій нечітких графів, способи їх координації і адаптації з урахуванням нечітких значень корисності. Розроблені основні метамоделі та трансформації нечітких мультиагентних систем на основі моделе-орієнтованої архітектури. И.Н. ПАРАСЮК, С.В. ЕРШОВ Компьютерная математика. 2010, № 2 74 I.N. Parasyuk, S.V. Yershov MODEL-ORIENTED ARCHITECTURE OF FUZZY MULTIAGENT SYSTEMS Fuzzy architectural models of multiagent systems for distributed environment that posses properties of reactivity and motivation are investigated. Means of description of fuzzy agents behavior on the basis of transformations of fuzzy graphs, methods of their coordination and adaptation taking into account fuzzy values of utility are proposed. Basic metamodels and transformations of the fuzzy multiagent systems on the basis of model-oriented architecture are developed. 1. Заде Л.А. Роль мягких вычислений и нечеткой логики в понимании, конструировании и развитии информационных / интеллектуальных систем // Новости Искусственного Ин- теллекта. – 2001. – № 2–3. – С. 7 – 11. 2. Парасюк І.М., Єршов С.В. Методи аналізу програмних архітектур, представлених нечіт- кими графовими моделями // Проблеми програмуванння. – 2006. – № 1–2. – C. 101–110. 3. Ершов С.В. Нечеткие графы функциональных зависимостей как основа метамоделирова- ния программных систем // Компьютерная математика. – 2005. – № 3. – C. 139–149. 4. Ершов С.В. К проблеме формализации объектно-ориентированных методов разработки программного обеспечения на основе нечеткой логики // Там же. – 2003. – № 2. – C. 62–77. 5. Рассел С., Норвиг П. Искусственный интеллект. Современный подход. М.: Вильямс, 2007. – 1408 с. 6. Wooldridge M.J. An Introduction to Multiagent Systems. – Cambridge: MIT Press, 2002. – 366 p. 7. Bussmann S., Jennings N., Jennings N.R., Wooldridge M.J. Multiagent systems for manufacturing control: a design methodology. – 2004. – 288 p. 8. Luck M.M., Ashri R., D'Inverno M. Agent-based software development, 2004. – 208 p. 9. Anumba C.J., Ugwu O. O., Ren Z. Agents and multi-agent systems in construction, 2005. – 329 p. 10. Plekhanova V. Intelligent agent software engineering. – 2003. – 240 p. 11. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. – М.: Горячая линия, Телеком, 2004. – 452 с. Получено 19.02.2010 Îá àâòîðàõ: Парасюк Иван Николаевич, член-корреспондент НАН Украины, доктор технических наук, заведующий отделом Института кибернетики имени В.М. Глушкова НАН Украины, sershv@i.com.ua Ершов Сергей Владимирович, кандидат физико-математических наук, старший научный сотрудник Института кибернетики имени В.М. Глушкова НАН Украины. sershv@i.com.ua

Моделе-ориентированная архитектура нечетких мультиагентных систем

Institution

Ähnliche Einträge