АГЕНТЫ, МНОГОАГЕНТНЫЕ СИСТЕМЫ, ВИРТУАЛЬНЫЕ

Тарасов В.Б.

АГЕНТЫ, МНОГОАГЕНТНЫЕ СИСТЕМЫ, ВИРТУАЛЬНЫЕ

СООБЩЕСТВА: СТРАТЕГИЧЕСКОЕ НАПРАВЛЕНИЕ В ИНФОРМАТИКЕ И ИСКУССТВЕННОМ ИНТЕЛЛЕКТЕ

Введение

Разработка технологии искусственных агентов, создание многоагентных систем (МАС) и виртуальных организаций представляет собой одну из наиболее важных и многообещающих областей развития новых информационных и коммуникационных технологий (НИКТ), где сегодня происходит интеграция современных сетевых WWW-технологий, методов и средств искусственного интеллекта (ИИ), включая большие базы данных/ знаний, многокомпонентные решатели, и систем объектно-ориентированного проектирования. У специалистов по НИКТ сформировалось и вошло в широкий научный обиход представление об искусственных агентахкакактивных, автономных, коммуникабельных, а главное, мотивированных, объектах, «живущих» и «действующих» в сложных, динамических и, чаще всего виртуальных, средах [1, 3, 6-8, 10, 16, 17, 21, 24, 25, 30, 34, 38, 45, 60, 61, 72, 78, 84, 113, 135, 136-138]. Уже сегодня агентно-ориентированный подход находит широкое применение в таких областях как распределенное решение сложных задач (и эффективное решение распределенных задач), совмещенное проектирование изделий, реинжиниринг бизнеса и построение виртуальных предприятий, имитационное моделирование интегрированных производственных систем и электронная торговля, организация работы коллективов роботов и распределенная (совмещенная) разработка компьютерных программ. В ближайшем будущем он, несомненно, займет, центральное место при развитии средств управления информацией и знаниями, и конечно, при создании и внедрении новейших систем телекоммуникации, развитии глобальных компьютерных сетей, в особенности, сети Интернет.

Решение задачи одним агентом на основе инженерии знаний представляет собой точку зрения классического ИИ, согласно которой агент (например, интеллектуальная система), обладая глобальным видением проблемы, имеет все необходимые способности, знания и ресурсы для ее решения. Напротив, в распределенном искусственном интеллекте (РИИ) и, вообще, в области МАС предполагается, что отдельный агент может иметь лишь частичное представлениеоб общей задаче и способен решить лишь некоторую ее подзадачу. Поэтому для решения сколько-нибудь сложной проблемы, как правило, требуется взаимодействие агентов, которое неотделимо от организации МАС. Этот социальный аспект решения задач – одна из фундаментальных характеристик концептуальной новизны передовых компьютерных технологий и искусственных (виртуальных) организаций, строящихся как МАС [5, 8, 13, 23, 24, 25, 28, 41-43, 49, 51, 55, 68, 75, 79, 89, 97, 102, 107, 117, 124, 130].

Каковы основные причины, обусловливающие особую актуальность РИИ и МАС в наши дни? В первую очередь, это сложность современных систем и организаций, которая достигает такого уровня, что централизованное управление в них становится неэффективным из-за наличия огромных потоков информации, когда слишком много времени тратится на ее передачу в центр и принятие им решений [5]. Поэтому сейчас происходит настоящая революция в области организационного управления (стратегического менеджмента), связанная с коренной перестройкой традиционных организаций и предприятий и появлением сетевых организационных структур нового типа, например, горизонтальных, расширенных и виртуальных предприятий (подробнее об этом можно прочитать в книге [14] или в обзоре [27]).

Сами компьютерные системы также становятся все сложнее и сложнее и включают ряд подсистем различной природы, обладающими различными функциональными характеристиками и взаимодействующими с различными специалистами, удаленными друг от друга. Кроме того, с ростом сложности падает надежность систем, и все труднее сформулировать их адекватную целевую функцию.

Во-вторых, сами решаемые задачи или разрабатываемые системы подчас неоднородны и распределены: а) в пространстве (например, транспортная сеть или система космической связи); б) в функциональном плане, поскольку ни один человек не может создать современную сложную систему в одиночку. Трудно представить себе единый проект развития транспортной или компьютерной сети. Очевидно, что у подобных систем нет единой цели и единого разработчика: они возникли и развиваются в ходе технической эволюции (а системы, возникшие эволюционным путем, не связаны с централизованным управлением).

В-третьих, понятие открытой системы означает, что у нее имеются развитые возможности и средства адаптации к изменениям среды, в том числе путем модификации своей структуры и параметров. Например, в случае открытой программной системы, модификация и расширение программного обеспечения возможны прямо в ходе его функционирования. Эволюция программного обеспечения происходит в сторону его разработки на основе автономных, индивидуализированных, взаимодействующих модулей. С другой стороны, в последние годы возможности эволюционного проектирования начинают всерьез приниматься во внимание и при создании аппаратных средств ЭВМ.

В-четвертых, само распространение различный сетей порождает распределенный взгляд на мир. Развитие мобильных компьютерных средств, когда вся информация и ресурсы ее обработки распределены по различным узлам сети (например, сеть Интернет уже насчитывает несколько десятков тысяч узлов во всем мире), требует пересмотра классических моделей вычислений, основанных на сосредоточенной, последовательной машине фон Неймана, и принятия новых концепций вычислительного пространства, например, концепции «гигантской паутины», как в случае с World Wide Web или «вычислительного поля» (computing field) М.Токоро [131, 105] по аналогии с физическими полями.

Все вышеперечисленное объясняет бурное развитие нового стратегического направления в информатике и ИИ: теории, методов, и программно-аппаратных средств построения распределенных систем и сетевых организаций, включая МАС, интеллектуальные сети, виртуальные сообщества. Это направление может стать ядром нового междисциплинарного комплекса наук об искусственном (см.[26]) – синергетической информатики (и в частности, синергетического ИИ), в русле которых предполагается возникновение системных качеств НИКТ или достижение нелинейных, синергетических эффектов в процессе «совместного действия» и взаимной адаптации отдельных информационных или коммуникационных технологий, что связано с усилением возможностей и компенсацией недостатков отдельных компонентов. Далее в русле системного подхода в ИИ [28] последовательно рассмотрим компоненты триады «агент – многоагентная система – искусственное сообщество».

От объектов к агентам

При определении понятия «агент» удобно опираться на представления об объекте, развитом школой объектно-ориентированного программирования (ООП).Тогда искусственный агент может пониматься как метаобъект, наделенный некоторой долей субъектности, т.е. способный манипулировать другими объектами, создавать и уничтожать их, а также имеющий развитые средства взаимодействия со средой и себе подобными. Иными словами, это «активный объект» или «искусственный деятель», находящийся на заметно более высоком уровне сложности по отношению к традиционным объектам в ООП и использующий их для достижения своих целей путем управления, изменяющего их состояния. Соответственно минимальный набор базовых характеристик произвольного агента включает такие свойства как: а) активность, способность к организации и реализации действий; б) автономность (полуавтономность), относительная независимость от окружающей среды или наличие некоторой «свободы воли», связанное с хорошим ресурсным обеспечением его поведения; в) общительность, вытекающая из необходимости решать свои задачи совместно с другими агентами и обеспечиваемая развитыми протоколами коммуникации; г) целенаправленность, предполагающая наличие собственных источников мотивации, а в более широком плане, специальных интенциональных характеристик. Такое представление близко к одному из наиболее популярных определений понятия «агент» у М.Вулдриджа и Н.Дженнингса [136-138]. Они считают, что агент – это программно или аппаратно реализованная система, обладающая следующими свойствами:

· автономность – способность функционировать без прямого вмешательства людей или компьютерных средств и при этом осуществлять самоконтроль над своими действиями и внутренними состояниями;

· общественное поведение (social ability), т.е. способность взаимодействия с другими агентами (а возможно, людьми), обмениваясь сообщениями с помощью языков коммуникации;

· реактивность – способность воспринимать состояние среды (физического мира, пользователя – через пользовательский интерфейс, совокупности других агентов, сети Internet, или сразу все этих компонентов внешней среды);

· целенаправленная активность (pro-activity) – способность агентов не просто реагировать на стимулы, поступающие из среды, но и осуществлять целенаправленное поведение, проявляя инициативу.

Соответственно, если рассмотреть систему абстрактных полярных шкал типа «пассивный–активный», «реактивный–целенаправленный», «зависимый–автономный» и поместить на них объекты и агенты, то интуитивно ясно, что объекты будут находится на левых полюсах, а агенты должны быть расположены правее, ближе к полюсам «активный», «целенаправленный», «автономный». Cдвинутое к правым полюсам промежуточное положение агентов на указанных шкалах показывает достигнутый уровень субъектности в искусственной системе.

Таким образом, агентно-ориентированный подход в информатике и ИИ представляет собой развитие известных подходов, основанных на понятиях объектов и акторов, но в то же время имеет ряд принципиальных отличий.Понятия объект и актор представляют собой единицы программных систем, задаваемые некоторой структурой и механизмом взаимодействия. Объект (как реализация фреймапо М.Минскому) имеет единое имя и свои собственные данные и процедуры. Объект может состоять из нескольких так же определенных объектов и в свою очередь быть частью более крупного объекта. Объекты содержат слоты, которые в свою очередь могут состоять из фактов. Слот может быть просто атрибутом или отношением. Все действия в ООП выполняются через сообщения (однако сообщения указывают объекту, что делать, но не как делать). В целом, понятие объекта определяется с помощью 4 признаков: а) инкапсуляция; б) отношение «класс-пример»; в) свойство наследования; г) прохождение сообщений, допускающее определение полиморфных процедур, т.е. процедур, код которых может различаться в зависимости от приемника сообщения.

Объекты не могут анализировать свое поведение, определять характер своих связей с другими объектами или природу адресованных им сообщений.Их механизм получения сообщений сводится к вызову процедуры. А главное, они не могут самостоятельно формировать цели.

Точно так же и акторы[87, 35] – развитые, интерактивные, параллельно функционирующие объекты, которые взаимодействуют путем посылки асинхронных сообщений, не могут проводить рассуждения о содержании этих сообщений. Сама модель акторов организована, исходя из двух простых принципов: посылки сообщений и локальной обработки. На локальном уровне актор содержит три составляющие: а) знания о своей среде; б) знания о других акторах; в) множество данных и действий. Эти составляющие определяют его локальное поведение в зависимости от поступающего сообщения. Когда актор получает некоторое сообщение, он может передавать его другим акторам. Помимо этого, актор способен создавать новых акторов и изменять свое внутреннее состояние. Это означает, что в ряде случаев акторы могут рассматриваться как своего рода подагенты.

Наличие у агента механизма целеобразования обеспечивает принципиально новый уровень автономии. Это значит, что он необязательно выполняет распоряжения какого-либо другого агента или пользователя, а просто зависит от условий среды, включая цели и намерения других агентов. В отличие от объекта агент может принять на себя определенные обязательства или, наоборот, отказаться от выполнения некоторой работы, мотивируя это отсутствием компетентности, занятостью другой задачей и т.п.[72]. В то же время агент может выполнять такие действия как порождение, подавление и замена других агентов, активизация функций (как своих, так и у других агентов), активизация сценария деятельности, запоминание текущего состояния других агентов и пр.

Классификации агентов

Можно предложить немало различных оснований для построения классификаций агентов. Наиболее очевидными являются критерии классификации, связанные с полярными шкалами «естественное–искусственное» и «материальное–идеальное». По первому критерию, выделяются натуральные агенты (животные, люди, группы организмов, коллективы людей) и искусственные агенты (роботы, коллективы автоматов, сложные компьютерные программы). В данной работе описываются только искусственные агенты. По второму критерию, все искусственные агенты подразделяются на: 1) материальных, физически существующих и работающих в реальном пространстве, например, интегральные роботы) и 2) виртуальных, существующих лишь в программной среде (виртуальном пространстве); нередко такие «программные роботы» (software robots) называют сокращенно софтботами (softbots) [17, 77, 113].

Еще одна пара взаимосвязанных критериев классификации опирается на дихотомии «сосредоточенное-распределенное» и «неподвижное-подвижное» [6, 71, 72, 83, 129]. Примером неподвижного агента служит стационарный манипуляционный робот, а примером мобильного– поисковый агент, мигрирующий по сети в целях отыскания нужной информации. Подчас мобильные софтботы (моботы [4*]) могут трактоваться как распределенные, чисто коммуникативные агенты, которые не имеют собственных средств восприятия и действий (поэтому они не манипулируют никакими объектами), а лишь используют располагаемые ресурсы для коммуникации с другими агентами и миграции по сети в поисках релевантных данных и процедур. Наоборот, четко локализованные агенты в определенном смысле противоположны коммуникативным: они не могут двигаться по сети и обычно не обладают способностью к представлению среды, а их общение с другими агентами происходит не напрямую, а косвенно, через механизмы восприятия и действия.

Важным основанием для классификации служит наличие (отсутствие) у агентов характеристик обучаемости или адаптивности. У обучаемых агентов поведение основано на предыдущем опыте.

В свою очередь, Д.А.Поспелов [16] предлагает строить классификацию агентов и выбирать соответствующие формальные средства их описания с помощью тройки критериев: тип среды, уровень «свободы воли » (по В.А.Лефевру) и уровень развития социальных отношений. Так для простейших замкнутых сред достаточно агентов автоматного уровня сложности (модели коллективного поведения автоматов), а в случае более сложных замкнутых сред имеем дело с агентами, основанными на конечных наборах правил и сценариев их применения (например, нечеткие регуляторы). Агенты, основанные на правилах, активно используются в компьютерных сетях, действуя в рамках «клиент-серверного» подхода. В целом, когда среда замкнута, пара «среда-агент» может быть в принципе задано формальной системой, т.е. действия агента здесь могут быть описаны в рамках подходящего логического исчисления (например, модальные логики или логики предикатов высокого порядка). Для открытых сред требуется переход к семиотическому моделированию.

С уровнем «свободы воли» и характером взаимодействия связаны, в частности, представления о благонамеренных(benevolent) и злонамеренных, эгоистических (self-interested) и альтруистических агентах [44].

Еще одним важнейшим основанием для классификации искусственных агентов служит принятие либо психологической, либо биологической метафоры при рассмотрении природы их действий (дихотомия «психологическое – биологическое»). В одном случае, речь идет о трактовке агентов как квазисубъектов, самостоятельно решающих встающие перед ними задачи, а в другом они уподобляютсяпростейшим организмам, непосредственно реагирующим на изменения среды в интересах выживания и адаптации [60, 61, 72, 77]. В частности, исходя из биологической метафоры, строятся «аниматы», т.е. искусственные животные, которые в процессе выживения должны приспособливаться к все более сложным и враждебным средам. Аниматы могут быть реализованы и как виртуальные агенты (имитация на компьютере), и как роботы, действующие в реальном физическом мире [107].

В целом, данная типология агентов тесно связана с классической проблемой взаимодействия «субъект – объект». Уровень субъектности агента непосредственно зависит от того, наделен ли он символьными представлениями, требующимися для организации рассуждений, или в противоположность этому он работает только на уровне образов (субсимвольном), связанных с сенсомоторной регуляцией. Соответствующую классификацию агентов (рис.2) можно построить по следующим двум признакам: а) степень развития внутреннего представления внешнего мира и б) способ поведения.

Рис. 2. Классификация агентов

По первому признаку, выделяются интеллектуальные (когнитивные, рассудочные) и реактивные агенты. Когнитивные агенты [53, 71, 75, 103, 138]обладают более богатым представлением внешней среды, чем реактивные. Это достигается за счет наличия у них базы знаний и механизма решения. Близкий термин «рассудочный (deliberative) агент» служит для обозначения агента, который обладает символьной моделью внешнего мира, а также возможностью принимать решения на основе символьных рассуждений, например, метода сравнения по образцу [82, 138]

Отсюда вытекает еще одно существенное различие между интеллектуальными и реактивными агентами, связанное с возможностями прогнозирования изменений внешней среды и, как следствие, своего будущего. Реактивные агенты [37, 46, 47, 73, 100, 111], имеющие довольно бедное внутреннее представление внешней среды (или не имеющие его вовсе), обладают очень ограниченным диапазоном предвидения. Они практически не способны планировать свои действия, поскольку реактивность в чистом виде означает такую структуру обратной связи, которая не содержит механизмов прогноза. В то же время когнитивные агенты, благодаря развитым внутренним представлениям внешней среды и возможностям рассуждений, могут запоминать и анализировать различные ситуации, предвидеть возможные реакции на свои действия, делать из этого выводы, полезные для дальнейших действий и, в результате, планировать свое поведение. Именно интеллектуальные способности позволяют таким агентам строить виртуальные миры, работая в которых они формируют планы действий.

Когнитивные агенты имеют ярче выраженную индивидуальность, будучи гораздо более автономными, чем реактивные, и характеризуются развитым целесообразным поведением в сообществе агентов, достаточно не зависимым от других агентов. С другой стороны, реактивные агенты как это видно из самого их названия, работают в основном на уровне стимульно-реактивных связей, обладая очень бедной индивидуальностью и сильной зависимостью от внешней среды (сообщества агентов). Результаты сравнительного анализа реактивных и когнитивных агентов представлены в табл.1.

Таблица 1. Сравнительный анализ свойств когнитивных и реактивных агентов

Характеристики	Когнитивные агенты	Реактивные агенты
Внутренняя модель внешнего мира	Развитая	Примитивная
Рассуждения	Сложные и рефлексивные рассуждения	Простые одношаговые рассуждения
Мотивация	Развитая система мотивации, включающая убеждения, желания, намерения	Простейшие побуждения, связанные с выживанием
Память	Есть	Нет
Реакция	Медленная	Быстрая
Адаптивность	Малая	Высокая
Модульная архитектура	Есть	Нет
Состав МАС	Небольшое число автономных агентов	Большое число зависимых друг от друга агентов

По типу поведения интеллектуальные агенты делятся на интенциональных и рефлекторных, а реактивные – на побуждаемых и трофических. Большинство интеллектуальных (когнитивных) агентов можно отнести к числу интенциональных [61, 82, 114, 124]. Подобные агенты наделены собственными механизмами мотивации. Это означает, что в них так или иначе моделируются внутренние убеждения, желания, намерения и мотивы, порождающие цели, которые определяют их действия. В свою очередь, модульныеили рефлекторные агенты не имеют внутренних источников мотивации и собственных целей, а их поведение характеризуется простейшими (одношаговыми) выводами или автоматизмами. Таким образом, они представляют собой граничный случай понятия когнитивного агента и могут использоваться как «вспомогательные агенты». Данные агенты близки к акторам: они способны отвечать на вопросы и выполнять задания, которые ставят перед ними другие агенты, но решение этих задач не приводит к появлению у них собственных целей. Типичными примерами таких вырожденных агентов являются системы поиска в базах данных и простейшие логические регуляторы.

В свою очередь, реактивные агенты содержат как бы скомпилированные знания о требуемых действиях: им не надо строить подробное внутреннее представление внешней среды, поскольку вполне достаточными оказываются реакции на набор предъявляемых ситуаций, т.е. характер реакции определяется только текущей информацией. По сложности этих реакций и происхождению источников мотивации реактивные агенты подразделяются на побуждаемых и трофических агентов [72]. В случае трофических агентов поведение определяется простейшими трофическими связями (типа «кто кого ест»). Фактически оно сводится к ответу на стимулы, поступающие из внешней среды (собственных мотивов и целей нет), т.е. полностью определяется ее локальным состоянием. Типичной моделью подобных агентов являются клеточные автоматы, где основными параметрами выступают: радиус восприятия агента, количество условных единиц питания и энергетическая стоимость единицы. Здесь каждый трофический (по сути, ситуационный) агент обладает небольшим набором ситуационных правил, задающим его реакции на сигналы из среды типа «если в радиусе восприятия есть единица питания, то направиться к ней» или «если в радиусе восприятия не обнаружена единица питания, то случайным образом выбрать один из свободных соседних квадратов и передвинуться в этот квадрат»

Между тем, реактивные агенты также могут иметь примитивный механизм мотивации, толкающий их на выполнение задачи, например, удовлетворение набора жизненных потребностей. В частности, здесь речь может идти о поддержании требуемого энергетического баланса или, в более широком плане, условиях выживания агента как сохранения гомеостазиса (что связано со способностями определения и увеличения расстояния от границ гомеостазиса) [9, 13, 106]. Например, используя интегральную формулировку гомеостазиса по Г.А.Голицыну, можно утверждать, что побуждаемый агент стремится минимизировать функционал

_Т _Т

I = ò Wdt = ò S ½ (a_iy_i²)dt,

⁰⁰

где y_i – отклонение некоторой жизненно важной переменной от нормы (потребность), a_i – вес (субъективная важность) этой потребности, t – время, а произведение M_i =a_iy_i естественно трактовать как побуждение (влечение).

Итак, когнитивные агенты, благодаря их сложности, наличию знаний и способностей к рассуждениям о своем поведении и внешней среде могут быть более автономными и работать относительно независимо, демонстрируя достаточно гибкое поведение. Но та же сложность автономных агентов, выливающаяся в способность противиться внешним воздействиям, вызывает определенные трудности при организации их эффективного взаимодействия. Поэтому в составе МАС, построенной из интеллектуальных агентов, как правило, присутствует не более 7+2 автономных единиц (магическое число Миллера).

Наоборот, довольно простая структура реактивных агентов, обусловливает их жесткую зависимость от среды. Следовательно, их возможности сравнительно невелики, когда они функционируют в одиночку и ограничены своими собственными ресурсами. Однако им легче образовать группу или организацию, способную гибко адаптироваться к изменениям среды под действием механизма естественного отбора. Поэтому реактивные агенты представляют интерес не на индивидуальном, а на коллективном уровне, причем их способности к адаптации и развитию возникают в результате локальных взаимодействий. Таким образом, реактивные агенты, которые почти не имеют индивидуальности, растворяются в общей массе, но за счет своего большого числа и избыточности они могут решать сложные задачи. В пределе, соответствующие МАС могут формироваться в результате взаимодействий без точного определения отдельных агентов. Подобные «тучи» (swarms), состоящие из значительного числа реактивных агентов, можно сравнить с неким сверхорганизмом, взаимная адаптация и кооперация клеток которого позволяет создать общую цепь обратной связи, обеспечивающую гомеостазис всей системы.

Нетрудно понять, что разделение агентов на когнитивных и реактивных восходит к двум основным школам классического ИИ–символьной (нисходящее проектирование интеллектуальных систем) и бионической (восходящее проектирование интеллектуальных систем). Из сопоставления характеристик когнитивных и реактивных агентов видно, что синергетические автономные агенты должны обладать гибридной архитектурой, сочетающей достоинства реактивных и когнитивных агентов. В этом плане налицо тенденция построения интегрированных архитектур агентов, аналогичная современным вариантам интеграции логических и нейросетевых моделей в ИИ.

Наконец, еще один тип классификации, где дополнительно к биологическому и психологическому уровням агентообразования вводится социальный и используются аналогии с триадой «растение – животное – человек», описан П.Браспеннингом [45]. По его мнению, реактивных, интенциональныхи социальных агентов можно уподобить компонентам этой триады. Агенты, подобные растениям, характеризуются реактивностью, выполнением стереотипных программ и посылкой сообщений другим агентам и в среду. Агенты, подобные животным, интенциональны, способны выбирать цели, строить планы действий и обеспечивать их выполнение. Они координируют свои действия, обмениваясь информацией об индивидуальных предпочтениях или задачах. Наконец, гуманоидные агенты, обладая внутренними моделями других агентов (и способностью к рефлексии), характеризуются социальным (ролевым) поведением. Сложность внутренних моделей зависит от уровня знаний и опыта гуманоидного агента.

Рис. 3. Классификация многоагентных систем

Важным разделом РИИ является кооперативное распределенное решение задач (КРРЗ) [65-67, 117]. Речь идет о сети слабо связанных между собой решателей, которые совместно работают в целях решения задач, которые выходит за рамки индивидуальных возможностей. Различные узлы подобной сети, как правило, имеют неодинаковый опыт (знания, точки зрения) и разные ресурсы. Каждый узел должен быть способен модифицировать свое поведение в зависимости от обстоятельств, а также планировать свои стратегии коммуникации и кооперации с другими узлами. Здесь показателями уровня кооперации являются: характер распределения задач, объединение различных точек зрения и, конечно, возможность решения общей проблемы в заданное время.

Распределенное решение задач несколькими агентами разбивается на следующие этапы:

1)агент-менеджер (центральный орган) проводит декомпозицию исходной проблемы на отдельные задачи; 2) эти задачи распределяются между агентами-исполнителями; 3) каждый агент-исполнитель решает свою задачу, подчас также разделяя ее на подзадачи; 4) для получения общего результата производится композиция, интеграция частных результатов, соответствующих выделенным задачам.

Второе направление – искусственная жизнь [86, 96, 100] – в большей степени связано с трактовкой интеллектуального поведения в контексте выживания, адаптации и самоорганизации в динамичной, враждебной среде, которая восходит к работам Ж.Пиаже. В русле ИЖ глобальное интеллектуальное поведение всей системы рассматривается как результат локальных взаимодействий большого числа простых и необязательно интеллектуальных агентов. Здесь также используются термины «коллективный интеллект» (collective intelligence–cм., например, [13, 42]) или «интеллект роя» (swarm intelligence) [1, 62]. Cторонники этого направления, в частности, Р.Брукс, Л.Стилс, Ж.Денебург и др. [46, 62, 63, 86, 127]), опираются на следующие положения: 1) МАС есть популяция простых и зависимых друг от друга агентов; 2) каждый агент самостоятельно определяет свои реакции на события в локальной среде и взаимодействия с другими агентами; 3) связи между агентами являются горизонтальными, т.е. не существует агента-супервизора, управляющего взаимодействием других агентов; 4) нет точных правил, чтобы определить глобальное поведение агентов; 5) поведение, свойства и структура на коллективном уровне порождаются только локальными взаимодействиями агентов.

Здесь механизмы реакций на воздействия среды и локальных взаимодействий в общем случае не включают такие аспекты как прогнозирование, планирование, знания, но подчас позволяют решать сложные задачи. Типичными примерами такого коллективного интеллекта из биологии являются колонии муравьев, пчелиные ульи и т.п. Соответственно, здесь базовыми дисциплинами могут служить различные области биологической науки и, в первую очередь, эволюционная теория и генетика.

Часто проводятся принципиальные различия между распределенным и децентрализованным ИИ (рис.3) [60, 61]. Идеология распределенного решения задач [65, 89, 117] предполагает главным образом разделение знаний и ресурсов между агентами и, в меньшей степени, распределение управления и властных полномочий; как правило, здесь постулируется наличие единого органа управления, обеспечивающего принятие решений в критических (конфликтных) ситуациях. При этом исходным объектом исследования является общая сложная проблема, для решения которой формируется группа агентов, строится общая концептуальная модель и вводятся глобальные критерии достижения цели.

В полностью децентрализованных системах управление происходит только за счет локальных взаимодействий между агентами. Здесь базовым объектом исследования оказывается уже не распределенное решение некоторой общей задачи, а деятельность автономного агента в динамическом многоагентном мире (а также координация деятельности различных агентов). При этом наряду с распределенными знаниями и ресурсами, описываются локальные задачи отдельных агентов, решаемые на базе локальных концептуальных моделей и локальных критериев.

Таблица 2. Базовые типы взаимодействия агентов

ТИП СИТУАЦИИ ВЗАИМОДЕЙСТВИЯ АГЕНТОВ	Совместимость целей	Потребность в чужом опыте	Наличие распределенных ресурсов
Координируемое сотрудничество	+	+	+
Простое сотрудничество	+	+	-
Непродуктивное сотрудничество	+	-	+
Безразличие (независимость)	+	-	-
Коллективное соперничество за ресурсы	-	+	+
Чистое коллективное (командное) соперничество	-	+	-
Индивидуальное соперничество за ресурсы	-	-	+
Чистое индивидуальное соперничество	-	-	-

В некотором смысле противоположным по отношению к координируемому сотрудничеству является случай чистого индивидуального соперничества, когда агенты поставлены в практически одинаковые условия, а доступ к ресурсам не является причиной конфликта. Примером служит участие агентов в конкурсе на получение некоторого задания. Здесь при несовместимости целей агенты вынуждены вести переговоры друг с другом. Индивидуальное соперничество за ресурсы представляет собой классический вариант конфликтной ситуации, когда каждый агент хочет монополизировать имеющиеся совместные ресурсы. В случае чистого коллективного соперничества, агентам, имеющим различные индивидуальные цели, но недостаточный опыт для их достижения, приходится объединяться в коалиции. При этом вначале происходит формирование групп агентов, а затем начинается соперничество между этими группами. Наконец, коллективное соперничество за ресурсы, т.е. ситуация, комбинирующая коллективное соперничество и индивидуальные конфликты за ресурсы, представляет собой наиболее продуктивный случай конфликтной ситуации с точки зрения функционирования МАС, поскольку конкурирующие группы способствуют ликвидации монополий и расширению рынка услуг.

Диапазон реального взаимодействия агентов очень широк: в частности, на полярной шкале «конкуренция – кооперация» он может определяться парой чисел, характеризующих степень соперничества - сотрудничества, например, (1, 0) при полном антагонизме агентов и (0, 1) при полном сотрудничестве. Здесь средняя точка «серой» (по терминологии Д.А.Поспелова) шкалы (0.5, 0.5) есть точка наиболее противоречивого (двусмысленного) взаимодействия, а соответствующая точка разрыва на «черно-белой» шкале дает нам неопределенность (?, ? ). Из этих соображений в результате получаем четырехзначную базовую логику взаимодействия. Удачный выбор исходного набора организационных критериев (базиса полярных шкал) и использование признака «централизация–децентрализация» позволяет социально структурировать МАС. Здесь исходными критериями могут быть, например, а) тип организации в зависимости от уровня согласования целей агентов (шкала унитарная - федеральная); б) тип управления (шкала иерархия - гетерархия); в) тип мировосприятия агентов (шкала эгоцентризм - полицентризм).

Понятие кооперации агентов играет центральную роль в МАС. Кооперация – это основная форма организации взаимодействия между агентами, характеризующаяся объединением их усилий для достижения совместной цели при одновременном разделении между ними функций, ролей и обязанностей. В общем случае это понятие можно определить формулой: кооперация = сотрудничество + координация действий + разрешение конфликтов (см. табл.2). Кооперацию можно рассматривать двояко: а) извне, с точки зрения внешнего для данной МАС наблюдателя; б) изнутри МАС как форму поведения агентов, решивших работать совместно. В первом случае, наблюдатель, начего не знающий о ментальных состояниях или намерениях агентов, стремится установить измеримые, квантифицируемые показатели кооперации. Здесь исходными критериями служат эффективность групповой деятельности агентов в МАС и наличие механизмов разрешения конфликтов.

12 3 4 5 6 7 8 9 10 Следующая ⇒