Главная Обратная связь

Дисциплины:

Архитектура (936)
Биология (6393)
География (744)
История (25)
Компьютеры (1497)
Кулинария (2184)
Культура (3938)
Литература (5778)
Математика (5918)
Медицина (9278)
Механика (2776)
Образование (13883)
Политика (26404)
Правоведение (321)
Психология (56518)
Религия (1833)
Социология (23400)
Спорт (2350)
Строительство (17942)
Технология (5741)
Транспорт (14634)
Физика (1043)
Философия (440)
Финансы (17336)
Химия (4931)
Экология (6055)
Экономика (9200)
Электроника (7621)






Архитектуры мультиагентных систем



Интеллектуальная мультиагентная система представляет собой множество интеллектуальных агентов, распределенных в се­ти, которые мигрируют по ней в поисках релевантных данных, знаний, процедур и кооперируются для достижения поставлен­ных перед ними целей.

В зависимости от концепции, принятой при разработке MAC, возможны различные варианты ее архитектуры, среди которых выделяют три базовых типа:

1) архитектуры, основанные на методах работы со знаниями;

2) архитектуры, в которых используются поведенческие модели «стимул-реакция»;

3) гибридные архитектуры.

В архитектурах первого типа для представления и обработки знаний используются традиционные модели, методы и средства искусственного интеллекта, а принятие решений осуществляется на основе механизмов формальных рассуждений. В самых пер­вых системах такого типа для представления и обработки знаний использовалась логика предикатов первого порядка. Развитие исследований в этой области привело к появлению специальных расширений логических исчислений, ориентированных на учет таких свойств агентов, как убеждения, желания, намерения и обязательства . Основной недостаток архитектур первого типа — сложность или принципиальная невозможность построе­ния достаточно полных баз знаний, которые являются необходи­мой частью создаваемых систем. В частности, интеллектуальный агент может иметь архитектуру типичной продукционной систе­мы, которая способна воспринимать информацию из внешней среды и осуществлять те или иные действия в результате обработ­ки этой информации. Главные отличия агентной программы от обычной продукционной ЭС связаны с наличием механизма формирования целей и модуля коммуникации, который обеспе­чивает взаимодействие с другими агентами. Агент с такой архи­тектурой способен к рассуждениям, но не способен к обучению. Адаптивное поведение агента позволяет реализовать архитектура на основе классифицирующих систем Дж. Холланда. Важнейшими отличиями классифицирующих систем от продукционных являются: 1) возможность формирования новых правил с применением генетического алгоритма; 2) наличие ме­ханизма поощрений.

В архитектурах второго типа, которые называют реактивными, не используются традиционные для ИИ символьные модели представления знаний . Модели поведения агентов представ­лены либо наборами правил, которые позволяют выбрать дейст­вие, соответствующее ситуации, либо конечными автоматами, ли­бо другими средствами, обеспечивающими формирование адек-



ватных реакций агента на возникающие в системе стимулы. Сис­темы этого типа, как правило, имеют высокую степень специали­зации и строгие ограничения на сложность решаемых задач.

Наиболее перспективными считаются гибридные интеллекту­альные мультиагентные системы, которые позволяют использо­вать возможности интеллектуальных и реактивных архитектур. Примером может служить архитектура с иерархической базой знаний, которая содержит структурированную БЗ, рабочую па­мять, модуль управления коммуникацией и человеко-машинный интерфейс. Агент с подобной архитектурой обладает способнос­тью к рассуждениям и к реактивному поведению. Его БЗ содер­жит три уровня: 1) знания предметной области; 2) знания о взаи­модействии, которые позволяют принимать решения в условиях неопределенности; 3) управляющие знания. Интеллектуальное поведение агента обеспечивается способностью принимать ре­шения, а реактивное — системой контроля за содержимым рабо­чей памяти, которая функционирует по принципу глобальной доски объявлений. Агент взаимодействует с пользователем, ис­пользуя человеко-машинный интерфейс. В общем случае гиб­ридные архитектуры являются многоуровневыми и отличаются друг от друга структурой и содержанием уровней, которые могут соответствовать различным уровням управления, абстракции ли­бо отдельным функциональным свойствам агента.

Одно из новых направлений — применение нейронных сетей для реализации MAC. Коннекционистские архитектуры (на ос­нове ИНС) позволяют создавать самообучающихся агентов, зна­ния которых формируются в процессе решения практических за­дач. Хорошие перспективы для реализации самообучающихся агентов имеют сети с обратными связями и нечеткие ИНС.


Эта страница нарушает авторские права

allrefrs.ru - 2019 год. Все права принадлежат их авторам!