Разработка многоагентной системы для прогнозирования поведения динамической системы в режиме реального времени
В работе рассматривается возможность применения многоагентного подхода для моделирования и исследования свойств динамических систем. Предлагается модель многоагентной экспертной системы реального времени, которая позволяет эффективно автоматизировать процесс исследования и прогнозирования поведени...
Збережено в:
| Опубліковано в: : | Штучний інтелект |
|---|---|
| Дата: | 2011 |
| Автори: | , |
| Формат: | Стаття |
| Мова: | Російська |
| Опубліковано: |
Інститут проблем штучного інтелекту МОН України та НАН України
2011
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/60482 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Разработка многоагентной системы для прогнозирования поведения динамической системы в режиме реального времени / К.А. Ручкин, А.В. Данилов // Штучний інтелект. — 2011. — № 4. — С. 449-460. — Бібліогр.: 10 назв. — рос. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859797330877743104 |
|---|---|
| author | Ручкин, К.А. Данилов, А.В. |
| author_facet | Ручкин, К.А. Данилов, А.В. |
| citation_txt | Разработка многоагентной системы для прогнозирования поведения динамической системы в режиме реального времени / К.А. Ручкин, А.В. Данилов // Штучний інтелект. — 2011. — № 4. — С. 449-460. — Бібліогр.: 10 назв. — рос. |
| collection | DSpace DC |
| container_title | Штучний інтелект |
| description | В работе рассматривается возможность применения многоагентного подхода для моделирования и исследования свойств динамических систем. Предлагается модель многоагентной экспертной системы
реального времени, которая позволяет эффективно автоматизировать процесс исследования и прогнозирования поведения некоторой динамической системы в режиме реального времени.
У статті розглядається можливість використання багатоагентного підходу для моделювання та дослідження динамічних систем. Пропонується модель багатоагентної експертної системи реального часу, що дозволяє
ефективно автоматизувати процес дослідження характеру руху тіла з нерухомою точкою.
The paper examines the possibility of applying multi-agent approach to dynamic systems modeling and research. A model of real-time multi-agent expert system is proposed. It provides the ways for automatic
performance of research process and forecasting of a dynamic system in the mode of real time.
|
| first_indexed | 2025-12-02T14:07:03Z |
| format | Article |
| fulltext |
«Штучний інтелект» 4’2011 449
7Р
УДК 004.08, 681.3
К.А. Ручкин, А.В. Данилов
Государственный университет информатики и искусственного интеллекта,
г. Донецк, Украина
c_ruchkin@mail.ru
Разработка многоагентной системы
для прогнозирования поведения
динамической системы в режиме
реального времени
В работе рассматривается возможность применения многоагентного подхода для моделирования и
исследования свойств динамических систем. Предлагается модель многоагентной экспертной системы
реального времени, которая позволяет эффективно автоматизировать процесс исследования и прогнозиро-
вания поведения некоторой динамической системы в режиме реального времени.
Введение
Исследование динамических систем представляет собой обширное поле задач
математики и механики, которые находят применение в различных областях совре-
менной науки и техники. В настоящее время в этой области активно используются
компьютерные информационные и вычислительные технологии, что позволяет созда-
вать универсальные высокоэффективные средства графического моделирования и
глобального анализа динамических систем.
Задача моделирования движения твердого тела вокруг неподвижной точки
является частным случаем исследования динамических систем. Эта классическая
задача механики представляет большую теоретическую и практическую значимость
для современного технического общества [1]. В настоящее время с этим направле-
нием тесно связано множество научно-технических задач: проектирование манипу-
ляторов роботов, установление устойчивого полета снаряда или ракеты, создание
точных навигационных приборов и т.д.
В данной работе исследуется возможность использования многоагентного
подхода для решения задач исследования динамических систем, в частности задачи
исследования характера движения тела с неподвижной точкой.
В настоящее время разработка многоагентных систем (МАС) является одним
из наиболее важных и перспективных направлений развития компьютерных инфор-
мационных технологий, в особенности в области экспертных систем и искусствен-
ного интеллекта. МАС используются в таких областях, как распределенное решение
сложных задач (и эффективное решение распределенных задач), реинжиниринг
бизнеса и построение виртуальных предприятий, имитационное моделирование ин-
тегрированных производственных систем, электронная коммерция, логистика, орга-
низация работы коллективов роботов [2].
Современный интерес к многоагентным технологиям обусловлен прежде всего
достижениями в области информационных технологий, искусственного интеллекта,
Ручкин К.А., Данилов А.В.
«Искусственный интеллект» 4’2011 450
7Р
распределенных информационных систем, компьютерных сетей и в компьютерной
технике [3]. МАС имеют реальную возможность интегрировать в себе самые передовые
достижения перечисленных областей, демонстрируя принципиально новые качества.
Таким образом, использование многоагентного подхода представляет большой
интерес для задачи моделирования поведения динамических систем. Благодаря
использованию МАС в данной области можно добиться качественно новых резуль-
татов и значительного повышения общей эффективности исследований.
1 Постановка задачи
Основой для решения задачи моделирования поведения динамических систем в
данной работе является система моделирования Modeler [1], которая предоставляет
возможность визуального моделирования и исследования характера движения твер-
дого тела с неподвижной точкой.
Система Modeler имеет следующие функции:
1) визуализация движения твердого тела;
2) визуализация сечений Пуанкаре на сфере Пуассона и отображение их на
плоскости и в пространстве;
3) построение огибающих поверхностей;
4) настройка статических и динамических параметров модели.
Входными параметрами системы являются статические и динамические пара-
метры твердого тела, определяющие систему дифференциальных уравнений. Для
исследования характера движения тела пользователь задает начальные точки расчета
траекторий на сфере Пуассона и анализирует полученный визуальный результат.
Траектории вычисляются с помощью метода Рунге-Кутта и в режиме реального
времени отображаются на четырех графических представлениях модели: внешней и
внутренней секциях (двумерные изображения), сфере и поверхности (трехмерные изо-
бражения). Процесс расчета и отображения траекторий является поступательным и
может продолжаться неопределенное количество времени в зависимости от статиче-
ских и динамических параметров модели.
Для исследования текущей просчитываемой траектории пользователь может
наблюдать за ее построением на одном или нескольких графических представлениях
модели. Как только становится возможным достаточно точно установить характер
траектории, ее просчет можно прекратить.
Начальную точку новой траектории имеет смысл выбирать на основе располо-
жения просчитанных ранее траекторий. Этот процесс продолжается до тех пор, пока
на модели не будут найдены все основные траектории (т.е. пока не будет ясен общий
характер движения исследуемого тела).
Целью данной работы является разработка модели системы для исследования
характера движения тела с неподвижной точкой в режиме реального времени,
реализующей следующие функции:
1) автоматическое нахождение хаотических траекторий на заданной модели;
2) распознавание траекторий в режиме реального времени и регулирование
времени их просчета;
3) динамическая оптимизация процесса исследования;
4) минимизация ошибок расчета и распознавания;
5) стохастический анализ модели;
6) формирование базы знаний, содержащей характеристику найденных траек-
торий и модели в целом;
7) динамическое интеллектуальное корректирование хода исследования.
Разработка многоагентной системы для прогнозирования поведения…
«Штучний інтелект» 4’2011 451
7Р
2 Обоснование выбора метода решения
Процесс исследования движения твердого тела с неподвижной точкой имеет
несколько ключевых особенностей, влияющих на выбор подхода к автоматизации
данной задачи.
Во-первых, процесс нахождения траекторий является поступательным, то есть в
ходе работы постоянно появляются новые данные. Таким образом, исследование ве-
дется с динамическими данными в режиме реального времени.
Во-вторых, распознавание траекторий может происходить по нескольким гра-
фическим представлениям модели: внутренней секции, внешней секции, сфере и
поверхности. Каждое из этих представлений может давать различную информацию о
некоторой траектории и модели в целом, что подразумевает разбиение общей задачи
исследования на несколько подзадач.
В-третьих, процесс исследования нуждается в постоянной интеллектуальной
корректировке. Начальную точку просчета новой траектории следует выбирать на
основе ранее найденных траекторий, просчет траектории необходимо вовремя оста-
навливать во избежание работы системы «вхолостую» и накопления ошибки. Таким
образом, система для проведения исследования должна обладать достаточно высоким
уровнем интеллектуальности.
Все указанные особенности способствуют выбору многоагентного подхода для
решения рассматриваемой задачи. Данный подход позволит эффективно распределить
процесс исследования между несколькими агентами, а также обеспечить гибкость,
адаптивность и надежность итогового программного решения.
3 Архитектура экспертной МАС реального времени
Чтобы выделить типовую архитектуру экспертной многоагентной системы
реального времени, рассмотрим несколько примеров: биоинформационную сис-
тему CASSIOPE, система распознавания AgentSketch и МАС для биометрической
идентификации.
CASSIOPE (Clever Agent System for Synteny Inheritance and Other Phenomena in
Evolution) – это биоинформационная мультиагентная система для поиска консерва-
тивных цепочек в геномах, разработанная В. Расколом, А. Левассьером, О. Чабролом,
С. Грузэ, Е. Данчином и П. Понтаротти [4]. Данная МАС позволяет автоматически
идентифицировать консервативные цепочки среди множества данных геномов на
основе филогенетических методов и статистического оценивания значимости этих
цепочек. Это дает возможность получить новые знания о биологических механизмах
эволюции геномов.
CASSIOPE состоит из четырех агентов (рис. 1): экспертной системы (Expert
System), агента построения деревьев (Tree Agent), агента базы данных (Database
Agent) и Web-агента (Web Agent). Экспертная система координирует работу МАС в
целом, а остальные агенты предназначены для независимого выполнения специфиче-
ских задач.
Экспертная система является центральным агентом в системе; она определяет,
какие из цепочек генома являются в достаточной степени консервативными. Этот
агент получает запросы от пользователя и пытается найти необходимую информа-
цию в базе данных. Если нужная информация оказывается недоступной, неполной или
устаревшей, экспертная система формирует вопрос другим агентам системы. После
Ручкин К.А., Данилов А.В.
«Искусственный интеллект» 4’2011 452
7Р
выполнения работы агент уведомляет пользователя о полученных результатах по
электронной почте, а также создает отчет о последовательности действий, потребо-
вавшейся для решения задачи.
Рисунок 1 – Структура МАС CASSIOPE
Агент построения деревьев выполняет построения древовидных топологий
протеиновых цепочек. Полученные филогенетические деревья используются для
выявления новых генетических закономерностей. Агент построения деревьев связан
с системой филогенетического анализа FIGENIX.
Агент базы данных является посредником между экспертной системой и ло-
кальной базой данных PostgreSQL. При поиске информации экспертная система
делает запрос агенту базы данных для определения, есть ли соответствующая инфор-
мация в базе и не устарели ли она.
Web-агент предназначен для поиска информации в удаленных источниках в сети
Интернет. На данный момент он поддерживает использование базы геномов Ensembl.
AgentSketch – мультиагентная система для распознавания нарисованных от руки
диаграмм в режиме онлайн, разработанная Дж. Каселлой, В. Деуфемией и В. Маскар-
ди [5]. Эта система использует агенты для управления множеством распознавателей
символов и повышения эффективности распознавания рисунков благодаря использо-
ванию контекстной информации. Она была опробована на диаграммах UML, но может
быть использована и для других предметных областей посредством использования рас-
познавателей символов из этих областей.
Данная МАС (рис. 2) состоит из следующих агентов: интерфейсный агент
(Interface Agent), агент предобработки входных данных (Input Pre-Processing Agent),
агенты распознавания символов (Symbol Recognition Agents) и агент интерпретации
рисунка (Sketch Interpretation Agent). На нижнем уровне системы происходит распозна-
вание символов языка предметной области путем применения подходящих распо-
знавателей символов (несколько таких распознавателей может быть задействовано
Разработка многоагентной системы для прогнозирования поведения…
«Штучний інтелект» 4’2011 453
7Р
одновременно). Каждый агент распознавания символов осуществляет координацию дея-
тельности одного распознавателя, а также кооперирует с другими агентами для полу-
чения контекстной информации о распознаваемых ими символах. Агент интерпретации
рисунка производит распознавание рисунка в целом, разрешая неоднозначности в
классификации символов посредством обращения к контексту предметной области.
Рисунок 2 – Структура МАС AgentSketch
Интерфейсный агент представляет собой интерфейс между мультиагентной
системой и обобщенным источником входных данных (Input Supplier). Природа
этого источника может варьироваться в зависимости от типа интерпретируемого
рисунка и процесса рисования. Интерфейсный агент ответственен за преобразование
входных данных в формат, понимаемый агентом предобработки входных данных и
агентом интерпретации рисунка, и наоборот. Каждая новая порция входных данных
пересылается агенту предобработки входных данных, а запросы пользователя на-
правляются в агент интерпретации рисунка, результат работы которого затем
передается пользователю. Для подключения нового источника входных данных к
системе в интерфейсном агенте создается соответствующая этому источнику
«заглушка» (stub).
Главной задачей агента предобработки входных данных является системати-
зация «штрихов» (strokes), производимых пользователем, в независимую от предмет-
ной области последовательность примитивных фигур. Этот агент состоит из двух
модулей: сегментатор (Stroke Segmenter) и классификатор (Stroke Classifier). Первый
модуль разбивает «штрихи» на отдельные примитивы, а второй распознает получен-
ные примитивы как некоторые геометрические фигуры.
Каждый агент распознавания символов (SRA) предназначен для распознавания
определенного символа предметной области и взаимодействия с агентом интерпре-
тации рисунка. Также агенты этого типа могут сотрудничать друг с другом, если
графический язык рисунка позволяет обращаться к контекстной информации для
интерпретации отдельного символа. В таком случае агенты могут применять общее
контекстное знание в процессе распознавания собственных символов. Каждый SRA
пытается распознать символ предметной области, применяя подходящий распознава-
тель символов к классифицированным «штрихам», полученным от агента предобра-
ботки входных данных.
Ручкин К.А., Данилов А.В.
«Искусственный интеллект» 4’2011 454
7Р
Как только завершается распознавание нового символа, соответствующий SRA
начинает процесс сотрудничества с другими SRA для получения контекстной инфор-
мации. Процесс заключается в посылке запроса с описанием распознанного символа
всем SRA, занимающимся распознаванием связанных символов. SRA, получивший
такой запрос, проверяет множество распознанных им символов для формирования
ответа. Если среди этого множества есть символ, имеющий некоторую языковую связь
с символом в запросе, SRA посылает позитивный ответ, иначе – негативный. Таким
образом, становится возможным использование особенностей языка рисунка в процессе
распознавания.
Агент интерпретации рисунка выполняет распознавание всего рисунка либо
той его части, которая доступна на данный момент. Он анализирует информацию,
полученную от всех SRA, разрешает возможные неоднозначности, а затем предо-
ставляет итоговую информацию пользователю через интерфейсный агент.
Неоднозначность может возникнуть, если один «штрих» имеет неоднозначную
классификацию как фигура (из-за неаккуратности рисунка), либо в случае использо-
вания одного и того же «штриха» несколькими SRA для распознавания разных симво-
лов. Используя информацию SRA о распознанных символах, агент интерпретации
рисунка разрешает такие конфликты начиная со случаев с наименьшей вероятностью
ошибки. После разрешения конфликта информация о соответствующем символе ис-
пользуется далее для разрешения остальных конфликтов. Процесс продолжается до
тех пор, пока все конфликты не будут разрешены.
Также агент интерпретации рисунка выполняет «отсечение» символов, которые
не были правильно распознаны. Для этого он связывается с соответствующими SRA
и дает указание исключить эти символы из дальнейшего процесса распознавания.
Эта процедура позволяет ускорить весь процесс интерпретации рисунка.
МАС для распределенного распознавания лиц была разработана Г. Саламой,
А. Фахми и М. Эльбаром [6]. Эта модель позволяет как увеличить точность распозна-
вания лиц за счет применения нескольких агентов-классификаторов, так и сократить
время обработки данных благодаря распределенной архитектуре. Для распознавания в
МАС используются методы ближайшего соседа (NN), k ближайших соседей (K-NN)
и классификационных деревьев (CART). Также система может работать в двух ре-
жимах: многопоточном и распределенном.
Данная МАС (рис. 3) состоит из следующих агентов: информационный агент (In-
formation Agent), агент предобработки (Preprocessing Agent), головной агент (He-
adquarter Agent), агент связи (Communication Agent) и агенты-классификаторы (Clas-
sifier Agents).
Информационный агент производит чтение и проверку информации о личности
из информационной базы данных и сопоставления ее с результатами работы агентов-
классификаторов, систематизированными головным агентом.
Агент предобработки ответственен за изменение размера изображения и извле-
чение векторов DCT- и DWT-признаков (дискретное косинусное преобразование и
дискретное вейвлет-преобразование), которые необходимы для работы агентов-клас-
сификаторов.
Агенты-классификаторы осуществляют сопоставление изображения распознавае-
мого лица с изображением, хранящимся в информационной базе данных. В системе
имеются три агента этого типа, реализующие методы распознавания NN, K-NN и CART.
Разработка многоагентной системы для прогнозирования поведения…
«Штучний інтелект» 4’2011 455
7Р
Рисунок 3 – Структура МАС для распознавания лиц
Головной агент является центральным агентом в системе, управляющим
агентами-классификаторами. Он ответственен за сбор результатов работы агентов-
классификаторов и принятие на их основе решения о выполнении системой неко-
торого действия.
Агент связи ответственен за обеспечение коммуникации по сети между
агентами-классификаторами (клиентами) и головным агентом (сервером) посредством
сообщений ACL. Также этот агент позволяет получить удаленный доступ к системе
путем подключения некоторого устройства ввода/вывода к серверной части системы.
Перед использованием данная МАС должна пройти процесс обучения. Для
каждого отдельного лица обучение проводится в три этапа: предобработка,
выделение признаков изображения и заполнение базы данных.
Процесс распознавания лица также включает в себя три этапа: предобработку,
выделение признаков и классификацию. Первые два этапа выполняются таким же
образом, как и в процессе обучения.
На первом этапе распознавания происходит чтение информации о личности и
проверка ее с той информацией, которая была накоплена в процессе обучения.
Второй этап начинается с захвата изображения, его предобработки (для обес-
печения соответствия требованиям системы) и выделения двух векторов для DCT- и
DTW-признаков. Далее агент предобработки информирует агенты-классификаторы об
инициации распознавания, и те начинают процесс сопоставления изображений, пере-
ключаясь между DCT- и DTW-признаками в зависимости от степени уверенности в
наличии совпадения.
Ручкин К.А., Данилов А.В.
«Искусственный интеллект» 4’2011 456
7Р
На этапе классификации каждый агент-классификатор информирует головного
агента о полученном результате, и происходит процесс принятия решения относи-
тельно распознаваемого изображения. Если результат работы первых двух агентов-
классификаторов совпадает с результатами из информационной базы данных, работа
третьего агента останавливается, и решение принимается на основе имеющихся двух
результатов. Если результаты первых двух агентов отличаются от информации в
базе данных, то решение принимается по результату третьего агента.
По итогам мажоритарного голосования агентов-классификаторов изображение
лица классифицируется как «знакомое» или «незнакомое». В последнем случае оно
может быть добавлено в базу данных для дальнейшего использования.
Типовая архитектура экспертной многоагентной системы может быть сфор-
мирована на основе рассмотренных выше примеров. Так, все три МАС построены на
основе модели распределенного искусственного интеллекта: общая задача системы
разбивается агентом-субординатором на подзадачи, далее каждая подзадача выполня-
ется соответствующим агентом-исполнителем, а затем на основе полученных частных
результатов агент-интегратор формирует общий результат работы.
Во всех рассмотренных примерах роль субординатора и интегратора совмещает
в себе единый управляющий агент; таким образом, управление общим ходом работы
системы осуществляется централизованно. В CASSIOPE этим агентом является
экспертная система, в AgentSketch – агент интерпретации рисунка, в МАС для
распознавания лиц – головной агент. Несмотря на наличие такого агента в системе,
остальные агенты функционируют в достаточной степени самостоятельно, так как
управляющий агент воздействует на них преимущественно косвенным путем – через
сообщения.
Агенты-исполнители предназначены для решения частных задач, которые воз-
никают в процессе решения общей задачи системы. Как правило, каждый из таких аген-
тов располагает уникальными данными и/или методами их обработки. В CASSIOPE
к агентам-исполнителям относятся: агент построения деревьев, агент базы данных и
Web-агент; в AgentSketch – агенты распознавания символов; в МАС для распозна-
вания лиц – агенты-классификаторы. В некоторых случаях агенты-исполнители
могут взаимодействовать непосредственно друг с другом для обмена знаниями и
коллективного решения собственных задач (как это реализовано в AgentSketch).
Общий результат работы определяется на основе интеллектуальной оценки результа-
тов деятельности всех агентов-исполнителей, задействованных для решения текущей
задачи.
В типовой архитектуре экспертной МАС можно также выделить интерфейсный
агент, предназначенный для пред- и постобработки данных. Такой агент может слу-
жить в качестве посредника во взаимодействии МАС с внешней средой (в частности
с пользователем). В AgentSketch эту роль выполняет собственно интерфейсный
агент, в МАС для распознавания лиц – информационный агент и агент пред-
обработки. В то же время роль интерфейсного агента может быть возложена на
управляющего агента (в случае CASSIOPE).
Наконец, характерной чертой экспертной МАС является наличие контекста
знаний, накапливаемого и обновляемого в процессе работы системы. Им может
служить как некоторая обособленная база знаний (как в CASSIOPE и МАС для
распознавания лиц), так и неструктурированное коллективное знание множества
агентов системы в данный момент времени (в случае AgentSketch).
Разработка многоагентной системы для прогнозирования поведения…
«Штучний інтелект» 4’2011 457
7Р
4 Разработанная модель многоагентной системы
На основании выделенной типовой архитектуры экспертной многоагентной
системы была разработана модель МАС для исследования характера движения тела с
неподвижной точкой в режиме реального времени. Спроектированная МАС (рис. 4)
состоит из пяти агентов, взаимодействующих с исследуемой моделью и друг с
другом: агента-исследователя, агентов Outer, Inner, Sphere и Surface.
Агент-исследователь занимает в системе центральное место, координируя про-
цесс исследования в целом. В терминах модели распределенного ИИ он представ-
ляет собой как агент-субординатор, так и агент-интегратор. Агент-исследователь
проводит инициализацию и завершение процесса исследования, выбирает началь-
ную точку для расчета новой траектории, проводит стохастический анализ модели и
ведет общую базу знаний. В общем этот агент выполняет роль посредника между
системой моделирования Modeler и другими агентами МАС.
Агенты Outer, Inner, Sphere и Surface являются агентами-исполнителями. Outer
и Inner предназначены для распознавания траекторий на соответственно внешнем и
внутреннем сегментах (двумерных представлениях модели), Sphere и Surface
выполняют аналогичную задачу на сфере и поверхности (трехмерных представле-
ниях модели). Каждый из этих четырех агентов имеет локальную базу данных для
отслеживания и распознавания траекторий – «снимок» (либо набор «снимков») гра-
фического представления модели, связанного с данным агентом.
Таким образом, агенты Outer, Inner, Sphere и Surface являются специализирован-
ными «распознавателями», на основе коллективной работы которых делается вывод о
характере некоторой траектории.
Процесс исследования можно представить следующим образом:
1) пользователь задает модель и параметры исследования, происходит инициа-
лизация агентов и их баз данных;
2) агент-исследователь выбирает начальную точку новой траектории с учетом
положения ранее найденных траекторий;
3) агент-исследователь проводит расчет n точек текущей траектории и дает
сигнал агенту Outer об обновлении изображения;
4) агент Outer проводит попытку распознавания траектории и выдает результат;
5) между всеми активными агентами проходят переговоры, результатами кото-
рых может быть задействование нового агента-распознавателя (если результат рас-
познавания неоднозначен), продолжение расчета траектории (если в данный момент
вывод о ее характере невозможен или нежелателен) или завершение расчета
траектории (если можно сделать вывод о ее характере и/или дальнейший просчет
нецелесообразен);
6) если был задействован новый агент, то он проводит попытку распознавания,
и переговоры повторяются (пункт 5);
7) если было принято решение о продолжении просчета, то агенты-распознава-
тели входят в состояние ожидания, а агент-исследователь продолжает расчет точек
траектории (пункт 3);
8) если было принято решение о завершении расчета траектории, то агенты-
распознаватели обновляют свои базы данных, а агент-исследователь проводит
стохастический анализ модели, обновляет базу знаний исследования и продолжает
поиск новых траекторий (пункт 2).
Ручкин К.А., Данилов А.В.
«Искусственный интеллект» 4’2011 458
7Р
Р
ис
ун
ок
4
–
С
хе
м
а
сп
ро
ек
ти
ро
ва
нн
ой
М
А
С
Разработка многоагентной системы для прогнозирования поведения…
«Штучний інтелект» 4’2011 459
7Р
Ключевым моментом работы МАС является распознавание текущей рассчитыва-
емой траектории в режиме реального времени. Анализ траектории может проводиться в
течение нескольких итераций ее просчета, что зависит от характера траектории и
скорости ее просчета. Для решения данной задачи может быть задействовано от одного
до всех четырех агентов-распознавателей, которые сопоставляют изменения в графи-
ческом представлении модели и пытаются выделить на ней замкнутую траекторию.
Вначале проводится попытка распознавания с помощью только тех агентов, которые
анализируют двумерное представление модели (Outer и Inner). Агенты, анализирующие
трехмерное представление модели (Sphere и Surface), задействуются только в случае
необходимости (при наличии неоднозначности), так как их работа сложнее и требует
больших затрат времени.
По результатам работы всех задействованных в данный момент агентов вы-
носится решение о дальнейших действиях системы: продолжении просчета (переход
к следующей итерации процесса), завершении построения траектории или подклю-
чении дополнительных агентов к процессу распознавания. На принятие данного ре-
шения могут влиять такие факторы, как степень согласия агентов по поводу траекто-
рии, количество задействованных агентов, количество пройденного времени (с момента
начала просчета текущей траектории) и статистические показатели по итогам
распознавания предыдущих траекторий.
В общем процесс просчета и распознавания траектории продолжается до тех
пор, пока невозможно сделать однозначный и достоверный вывод о ее характере. По за-
вершению этого процесса происходит обновление баз данных/знаний агентов и пере-
ход к поиску следующей траектории.
Исследование модели завершается, если на ней найдено достаточно траекторий
(т.е. графическое представление модели в достаточной степени заполнено траекто-
риями). Результатом работы системы является формируемая агентом-исследовате-
лем база знаний – «карта модели», в которой содержится информация о найденных
траекториях и общая оценка модели.
Выводы
Применена модель «распределенный искусственный интеллект».
Разработанная модель многоагентной экспертной системы позволяет автомати-
зировать процесс исследования характера движения твердого тела с неподвижной
точкой с использованием системы визуального моделирования Modeler. Также воз-
можна адаптация данной модели для решения иных задач, связанных с моделиро-
ванием поведения динамических систем.
Полученная МАС обладает следующими достоинствами: проведение исследо-
вания в режиме реального времени, эффективное распределение и динамическая
оптимизация процесса распознавания траекторий, минимизация ошибок расчета и
распознавания. Недостатком решения является достаточно высокая сложность структуры
системы и схемы взаимодействия ее компонентов, что в основном обусловлено при-
менением многоагентного подхода. В дальнейшем спроектированная МАС может быть
реализована в виде программного продукта и применена для проведения исследо-
ваний поведения динамических систем.
Литература
1. Ручкин К.А. Методы компьютерного моделирования и анализа решений задач хаотической дина-
мики / К.А. Ручкин // Искусственный интеллект. – 2004. – № 4. – С. 175-181.
Ручкин К.А., Данилов А.В.
«Искусственный интеллект» 4’2011 460
7Р
2. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психо-
логия, информатика / Тарасов В.Б. – М. : Эдиториал УРСС, 2002. – 352 с.
3. Городецкий В.И. Многоагентные системы / В.И. Городецкий, М.С. Грушинский, А.В. Хабалов //
Искусственный интеллект и принятие решений. – 2009. – № 2. – С. 6-47.
4. Rascol V. CASSIOPE: An expert system for conserved region searches / V. Rascol, A. Levasseur, O. Chabrol,
S. Grusea, P. Gouret, E. Danchin, P. Pontarotti // BMC Bioinformatics 2009. – 2009. – Р. 128-135.
5. Casella J. A Multi-Agent System for Hand-drown Diagram Recognition / J. Casella, V. Deufemia, V. Mascardi //
AAMAS 2007. – 2007. – Р. 54-59.
6. Salama G. A Distributed Multi-Agent Model for Face Recognition over Network / G. Salama, A. Fahmy,
M. Elbar // ASAT-13. – 2009. – Р. 75-92.
7. Vidal J. Fundamentals of Multiagent Systems / Vidal J. – John Wiley & Sons Ltd, 2007. – 155 c.
8. Wooldridge M. An Introduction to Multiagent Systems / Wooldridge M. – John Wiley & Sons Ltd, 2002. –
368 c.
9. Zarandi M. A Multi-Agent Expert System for Steel Grade Classification Using Adaptive Neuro-fuzzy
Systems / M. Zarandi, M. Avazbeigi, M. Anssari, B. Ganji // Expert systems. – 2010. – № 1. – Р. 161-180.
10. Тарасов В.Б. Агенты, многоагентные системы, виртуальные сообщества / В.Б. Тарасов // Новости
искусственного интеллекта. – 1998. – № 2. – С. 5-63.
Lіteratura
1. Ruchkin K. A. Iskusstvennyj intellekt. № 4. 2004. S. 175-181.
2. Tarasov V.B. Ot mnogoagentnyh sistem k intellektual'nym organizacijam: filosofija, psihologija, informatika. M.:
Jeditorial URSS. 2002. 352 s.
3. Gorodeckij V. I. Iskusstvennyj intellekt i prinjatie reshenij. № 2. 2009. S. 6-47.
4. Rascol V. BMC Bioinformatics 2009. P. 128-135.
5. Casella J. A AAMAS 2007. P. 54-59.
6. Salama G. ASAT-13. 2009. P. 75-92.
7 Vidal J. Fundamentals of Multiagent Systems. John Wiley & Sons Ltd. 2007. 155 s.
8. Wooldridge M. An Introduction to Multiagent Systems. John Wiley & Sons Ltd. 2002. 368 s.
9. Zarandi M. Expert systems. № 1. 2010. P. 161-180.
10. Tarasov V. B. Novosti iskusstvennogo intellekta. № 2. 1998. S. 5-63.
К.А. Ручкин, А.В. Данилов
Розробка багатоагентної системи для моделювання поведінки динамічної системи
в режимі реального часу
У статті розглядається можливість використання багатоагентного підходу для моделювання та дослідження
динамічних систем. Пропонується модель багатоагентної експертної системи реального часу, що дозволяє
ефективно автоматизувати процес дослідження характеру руху тіла з нерухомою точкою.
C.A .Ruchkin, A.V. Danilov
Development of a Multi-Agent System for Real-Time Modeling of Dynamic System Behavior
The paper examines the possibility of applying multi-agent approach to dynamic systems modeling and
research. A model of real-time multi-agent expert system is proposed. It provides the ways for automatic
performance of research process and forecasting of a dynamic system in the mode of real time.
Статья поступила в редакцию 22.06.2011.
|
| id | nasplib_isofts_kiev_ua-123456789-60482 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1561-5359 |
| language | Russian |
| last_indexed | 2025-12-02T14:07:03Z |
| publishDate | 2011 |
| publisher | Інститут проблем штучного інтелекту МОН України та НАН України |
| record_format | dspace |
| spelling | Ручкин, К.А. Данилов, А.В. 2014-04-15T18:21:18Z 2014-04-15T18:21:18Z 2011 Разработка многоагентной системы для прогнозирования поведения динамической системы в режиме реального времени / К.А. Ручкин, А.В. Данилов // Штучний інтелект. — 2011. — № 4. — С. 449-460. — Бібліогр.: 10 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/60482 004.08, 681.3 В работе рассматривается возможность применения многоагентного подхода для моделирования и исследования свойств динамических систем. Предлагается модель многоагентной экспертной системы реального времени, которая позволяет эффективно автоматизировать процесс исследования и прогнозирования поведения некоторой динамической системы в режиме реального времени. У статті розглядається можливість використання багатоагентного підходу для моделювання та дослідження динамічних систем. Пропонується модель багатоагентної експертної системи реального часу, що дозволяє ефективно автоматизувати процес дослідження характеру руху тіла з нерухомою точкою. The paper examines the possibility of applying multi-agent approach to dynamic systems modeling and research. A model of real-time multi-agent expert system is proposed. It provides the ways for automatic performance of research process and forecasting of a dynamic system in the mode of real time. ru Інститут проблем штучного інтелекту МОН України та НАН України Штучний інтелект Обучающие и экспертные системы Разработка многоагентной системы для прогнозирования поведения динамической системы в режиме реального времени Розробка багатоагентної системи для моделювання поведінки динамічної системи в режимі реального часу Development of a Multi-Agent System for Real-Time Modeling of Dynamic System Behavior Article published earlier |
| spellingShingle | Разработка многоагентной системы для прогнозирования поведения динамической системы в режиме реального времени Ручкин, К.А. Данилов, А.В. Обучающие и экспертные системы |
| title | Разработка многоагентной системы для прогнозирования поведения динамической системы в режиме реального времени |
| title_alt | Розробка багатоагентної системи для моделювання поведінки динамічної системи в режимі реального часу Development of a Multi-Agent System for Real-Time Modeling of Dynamic System Behavior |
| title_full | Разработка многоагентной системы для прогнозирования поведения динамической системы в режиме реального времени |
| title_fullStr | Разработка многоагентной системы для прогнозирования поведения динамической системы в режиме реального времени |
| title_full_unstemmed | Разработка многоагентной системы для прогнозирования поведения динамической системы в режиме реального времени |
| title_short | Разработка многоагентной системы для прогнозирования поведения динамической системы в режиме реального времени |
| title_sort | разработка многоагентной системы для прогнозирования поведения динамической системы в режиме реального времени |
| topic | Обучающие и экспертные системы |
| topic_facet | Обучающие и экспертные системы |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/60482 |
| work_keys_str_mv | AT ručkinka razrabotkamnogoagentnoisistemydlâprognozirovaniâpovedeniâdinamičeskoisistemyvrežimerealʹnogovremeni AT danilovav razrabotkamnogoagentnoisistemydlâprognozirovaniâpovedeniâdinamičeskoisistemyvrežimerealʹnogovremeni AT ručkinka rozrobkabagatoagentnoísistemidlâmodelûvannâpovedínkidinamíčnoísistemivrežimírealʹnogočasu AT danilovav rozrobkabagatoagentnoísistemidlâmodelûvannâpovedínkidinamíčnoísistemivrežimírealʹnogočasu AT ručkinka developmentofamultiagentsystemforrealtimemodelingofdynamicsystembehavior AT danilovav developmentofamultiagentsystemforrealtimemodelingofdynamicsystembehavior |