Представление знаний интеллектуального агента многоагентной системы

Тип работы:
Реферат
Предмет:
Кибернетика


Узнать стоимость

Детальная информация о работе

Выдержка из работы

УДК 004. 42
О.О. Боскин
ПРЕДСТАВЛЕНИЕ ЗНАНИЙ ИНТЕЛЛЕКТУАЛЬНОГО АГЕНТА МНОГОАГЕНТНОЙ СИСТЕМЫ
Введение. Интеллектуальная система (ИС) — это техническая или программная система, способная решать задачи, традиционно считающиеся творческими, принадлежащие конкретной предметной области, знания о которой хранятся в памяти такой системы. Структура интеллектуальной системы включает три основных блока — базу знаний, решатель и интеллектуальный интерфейс[1].
База знаний (БЗ) — важный компонент интеллектуальной системы. Это особого рода база данных, разработанная для оперирования знаниями (метаданными). База знаний содержит структурированную информацию, покрывающую некоторую область знаний, для использования с конкретной целью. Современные базы знаний работают совместно с системами поиска информации, имеют классификационную структуру и формат представления знаний[2].
Полноценные базы знаний содержат в себе не только фактическую информацию, но и правила вывода, допускающие автоматические умозаключения о вновь вводимых фактах и, как следствие, осмысленную обработку информации.
Иерархический способ представления в базе знаний набора понятий и их отношений называется онтологией. Онтологию некоторой области знаний вместе со сведениями о свойствах конкретных объектов также можно назвать базой знаний.
Постановка задачи. Цель статьи: анализ способов представления знаний и формирования базы знаний интеллектуального агента (ИА) многоагентной системы (МАС).
МАС определяется шестеркой[3]:
MAS = (X, E, R, AC, P, ST, EV), (1)
где X = A = {1,…, n} - множество неоднородных агентов- E — множество сред, в которых может функционировать данная МАС- R — семейство базовых отношений между агентами, причем это семейство отношений включает по крайней мере три типа отношений и может быть представлено разбиением
R = RjU R2 и R3, (2)
Rj-множество горизонтальных (симметричных) отношений, R2-множество асимметричных отношений, направленных «сверху вниз», Я^множество нечетких асимметричных отношений, направленных «снизу вверх" — AC-множество действий агентов- P-множество коммуникативных актов, образующих протокол коммуникации в МАС- ST-множество состояний МАС- EV — множество стратегий агентов.
В свою очередь, социальный (коллективный) агент из МАС определяется пятеркой[3]
SA = (ST, L, AC, SL, T), (3)
где ST — множество состояний агента- L — множество языков общения между агентами- АС-множество действий- SL — множество социальных законов, т. е. правил поведения, причем ограничение задается парой (ac, j), а социальный закон sl есть множество ограничений (ac, j), Уас. еАС, jeL, st = j- T — обобщенная функция переходов, T: STxACxSL^2sv, удовлетворяющая следующим условиям: а) для любых steST, aceAC, sleSL, если состояние st удовлетворяет ограничению j, st = j, и пара (ac, j) esl, то T (st, ac, sl)= j- б) для любых steST, aceAC, slleSL, sl2eSL, если sll & gt-sl2, то T (st, ac, sl1) cT (st, ac, sl2).
Представление знаний агента. В простейших замкнутых средах[7] применяются агенты автоматного уровня сложности (модели коллективного поведения автоматов), а в случае более сложных замкнутых сред уже используют агенты, основанные 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.
К настоящему времени сформировался довольно большой список свойств, которыми должны обладать ИА [4,5]:
— автономность (autonomy, autonomous functioning) — способность к самостоятельному формированию
целей и функционированию с самоконтролем своих действий и внутреннего состояния-
— общественное поведение (social ability, social behavior) — способность согласовать свое поведение с поведением других агентов в условиях определенной среды и правил поведения путем обмена сообщениями на языке коммуникации-
— реактивность (reactivity) — способность адаптировано воспринимать состояние внешней среды (среды функционирования и множества других агентов) и своевременно реагировать на происходящие изменения-
— активность (pro-activity) — способность проявлять инициативу, т. е. самостоятельно генерировать цели и действовать рационально для их достижения, а не только пассивно реагировать на внешние события-
— базовые знания (basic knowledge) — постоянная часть знаний агента о себе, о среде, а также постоянные знания о других агентах, которые не изменяются в рамках жизненного цикла агента-
— убеждения (beliefs) — переменная часть знаний агента о среде и других агентах, которая может изменяться во времени, но агент может об этом не знать и продолжать использовать их для своих целей-
— желания (desires) — состояния и/или ситуации, достижение которых является желательным и важным для агента, однако которые могут быть противоречивыми и не все будут достигнуты-
— цели (goals) — совокупность состояний, на достижение которых направлено текущее поведение агента-
— намерения (intentions) — это то, что агент обязан сделать в силу своих обязательств по отношению к другим агентам, или то, что вытекает из его желаний (т. е. непротиворечивое подмножество желаний, выбранное по тем или иным причинам и совместимое с принятыми на себя обязательствами) —
— обязательства (commitments) — задачи, которые берет на себя агент по просьбе и/или поручению других агентов.
Для автономного агента (АА) постулируются такие свойства как адаптивность (способность действовать соответственно и согласованно с изменениями в среде), робастность (малые изменения в свойствах среды не должны приводить к общему коллапсу поведения АА), наличие тактики (способность устанавливать множественные цели и, вне зависимости от найденных им обстоятельств, решать, какие частные цели активно преследовать), гибкость (способность выполнять широкий круг задач) [4, 5].
К этому набору свойств могут добавляться и следующие:
— благожелательность (benevolence) — готовность агентов помогать друг другу и решать именно те задачи, которые им поручат владелец или пользователь-
— правдивость (veracity) — свойство агента не оперировать заведомо ложной информацией-
— рациональность (rationality) — способность агента действовать так, чтобы достигать своих целей, а не избегать их достижения, по крайней мере, в рамках своих знаний и убеждений.
Все основные действия агентов можно при этом разделить на три основные категории:
— действия по заранее заложенному сценарию для достижения поставленной цели-
— реакция на изменение внешней среды-
— реакция на действия других агентов, через протокол общения между агентами.
В контексте использования нотации UML 2.0 для отображения основных действий реализуемых ИА агента используем диаграмму вариантов использования:
Reactivity
5о al»
Л. ¦ ¦ *-& gt-«-» & gt-_>-
. SoCfal_Behavier
Модель повеления (штатгастушыяго агента
Intel ligent_ Agent
Рис. 1. Диаграмма модели поведения агента
Для выполнения поставленных перед ИА целей, ему необходимы следующие знания:
— основные знания агента о предметной области,
— знания о других агентах среды,
— основные сценарии поведения,
— правила логического вывода новых знаний, сценариев поведения, т. е. (самообучение),
— правила рассуждений,
— протокол изменения параметров предметной области.
В контексте использования нотации иМЬ 2.0 для проектирования ИА знания агента можно представить в виде диаграммы вариантов использования:
Рис. 2. Диаграмма вариантов использования знаний агента
Существует множество моделей представления знаний для различных предметных областей[2]. Большинство из них может быть сведено к следующим классам:
— продукционные модели-
— семантические сети-
— фреймы-
— формальные логические модели.
У каждой из моделей есть свои слабые и сильные стороны, к примеру, сильные стороны продукционной модели: простота создания и понимания отдельных правил, простота пополнения и модификации, простота механизма логического вывода- слабые: сложность и громоздкость анализа целостного образа знаний, структура базы знаний системы не позволяет описывать метазнания и свойственную человеческому мышлению нечеткую логику.
С целью использования преимуществ продукционной модели представления знаний и компенсации ее недостатков, предлагается использование гибридной модели с нечетким логическим выводом.
Под нечетким логическим выводом называется получение заключения в виде нечеткого множества, соответствующего текущим значениях входов, с использованием нечеткой базы знаний и нечетких операций[8]. Основу нечеткого логического вывода составляет композиционное правило Заде: если известно нечеткое отношение Я между входной (х) и выходной (у) переменными, то при нечетком значении входной переменной х = А, нечеткое значения выходной переменной определяется:
У=А°Я,
(4)
где ° - максминая композиция.
Для осуществления нечеткого логического вывода ИА по нечеткой базе знаний будем использовать алгоритм Мамдани:
kj (п
и IП1=
р=1 V1=1

а: р с весом V р
1 & gt- Л* Л*
^ У = d, У = 1 т ,
(5)
где и — нечеткая логическая операция ИЛИ- П — нечеткая логическая операция И- Vр е [0,1] - весовой коэффициент правила с номером jp- aj, р — нечеткий терм, которым оценивается переменная х1 в строке ]'-р (р = 1, kj) —
При этом для задания многомерных зависимостей «входы-выходы» будем использовать нечеткие логические операции И и ИЛИ. Для удобства правила будем формулировать таким образом, чтобы внутри
каждого из правил переменные объединялись логической операцией И, а правила в базе знаний связывались операцией ИЛИ. Тогда нечеткую базу знаний, связывающую входы X = (x1, x2,…, xn) с выходом y, будем представлять в следующем виде:
ЕСЛИ (x = aul) w (x2 = a2, п) и. и (Хп = an^ -1) ИЛИ (Xj = aXJ 2) и (х2 = a2, j 2) и… и (Хп = an^j 2)
ИЛИ (X1 = ai,]kj Mx2 = a2, jkj & gt-… и (Xn = an, jkj), (6)
ТО y = dj, j = 1, m.
Значения входных и выходной переменной в нечеткой базе знаний будем задавать нечеткими множествами. При этом:
xi
Mjp (xi) — функция принадлежности входа xi нечеткому терму a? ]р, т. е. a? ]р = j mjp (x,)/ xi, xi 6 xi, xi I
x? _ y
m-dj (у) — функция принадлежности выхода y нечеткому терму dj, т. е. dj = j& quot- mdj (y) / y, y 6 |у., y |.
y
Степени принадлежности входного вектора X = (x1,x2,…, xn) нечетким термам dj из базы знаний ИА будут рассчитываться следующим образом:
m (Г)=• (хГ)], j=^'- (7)
где v (a) — операция из s-нормы (t-нормы), т. е. из множества реализаций логической операций ИЛИ (И). Наиболее часто используются следующие реализации: для операции ИЛИ — нахождение максимума и для операции И — нахождение минимума.
~ * В результате получаем такое нечеткое множество y, соответствующее входному вектору X:
«mdl (X*) md 2 (X*) mdm (X*)
y = -4- +-- + … ±^-. (8)
dJ d 2 dm
Особенностью этого нечеткого множества является то, что универсальным множеством для него является терм-множество выходной переменной y.
Для перехода от нечеткого множества, заданного на универсальном множестве нечетких термов
{dj, d2,…, dm}к нечеткому множеству на интервале |y, y| совершаем: 1) „срезаем“ функции принадлежности
*
md. (y) на уровне md. (X) — 2) объединяем (агрегируем) полученные нечеткие множества:
У = agg
j=1, m
(9)
(у ^ ^
| тп (т^ (х *), ^ (у))/ у
V у V
где agg — агрегирование нечетких множеств, которое наиболее часто реализуется операцией нахождения максимума.
Четкое значение выхода у, соответствующее входному вектору X определяется в результате деффаззификации нечеткого множества у. Выполним это по методу центра тяжести:
j y my (y)dy
_ у_
У _ ~, (10)
] ту (у^У
у
где | - здесь символ интеграла.
Учитывая возможности программной реализации, рассуждения ИА можно классифицировать следующим образом:
— немонотонные рассуждения, т. е. рассуждения, полученные в результате логического вывода при некотором недостатке информации при помощи неполной системы правил (аксиом) или на основании
гипотез о достоверности некоторых фактов, которые впоследствии могут быть отвергнуты-
— вероятностные или правдоподобные рассуждения-
— рассуждения по аналогии, когда можно предположить, что истинность одних фактов подтверждается истинностью аналогичных-
— достоверные рассуждения, основанные на дедукции и правилах логического вывода. Рассмотрим пример реакции координационного ИА на изменения окружающей среды. Состояния
агента и среды заданы следующими терм-множествами: состояния среды:
уровень модема: ТМ={"очень низкий& gt->-,<-<-низкий>->-,<-<-средний>->-,<-<-высокий>->-,<-<-очень высокий"}, качество соединения: ТС0гаЕСТ={"очень низкое»,"низкое","среднее","высокое","очень высокое& gt->-}, вероятность отклика сервера — значение неизвестно, количество неоткликов: ТН0 И8РШ8Е={1,2,3,4}- поведение ИА:
цель — соединение с сервером ТЗЕКУЕК С0ШЕСТ1Ш={"да","нет особой необходимости", «нет"}, время повтора (секунд) ТКЕРЕАУ={15,300,6000}.
Тогда, с использованием нечеткого логического вывода Мамдани, при следующих значениях входных переменных: состояния среды:
вероятность отклика сервера — значение неизвестно,
колИЧество не°ткликов: Х^ ^Е8Р0К8Е=4-
поведение ИА:
цель — соединение с сервером XsERVER_C0NNECTI0N="Да»,
будет получено — значение время повтора yREPLAY=6000, что позволит не совершать непрерывные попытки соединения с сервером и не тратить время на ожидание ответа, что позволит сэкономить вычислительные ресурсы агента.
Выводы. Применение нечеткого логического вывода в рассуждения ИА позволяет избежать громоздкости правил, по сравнению с продукционным подходом, увеличить скорость вычисления результата и расширить его спектр за счет увеличения мощности терм-множеств, что приближает рассуждения ИА к человеческим. Использование метода Мамдани объясняется простотой программной реализации и естественностью получаемых результатов.
уровень модема: хМ0СЕМ="высокий"
ЛИТЕРАТУРА:
1. Аверкин А. Н., Гаазе-Рапопорт М.Г., Поспелов Д. А. Толковый словарь по искусственному интеллекту. М.: Радио и связь, 1992.
2. Гаврилова Т. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем — СПб.: Питер, 2001. — 384 с.
3. Тарасов В. Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. — М.: Эдиториал УРСС, 2002. — С. 352.
4. Люгер Д. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем: Пер. с англ. -М.: Издательский дом «Вильямс», 2003. — 864 с.
5. Рассел С., Норвиг П. Искусственный интеллект: современный подход.: Пер. с англ. — М.: Издательский дом «Вильямс», 2006. — 1408 с.
6. Швецов А. Н. Агентно-ориентированные системы: от формальных моделей к промышленным приложениям / Всероссийский конкурсный отбор обзорно-аналитических статей по приоритетному направлению «Информационно-телекоммуникационные системы», 2008. — 101 с.
7. Поспелов Д. А. От коллектива автоматов к мультиагентным системам // Труды Международного семинара «Распределенный искусственный интеллект и многоагентные системы» (БАГМА8'-97, Санкт-Петербург, Россия, 15−18 июня 1997). — С. 319−325.
8. Штовба С. Д. Проектирование нечетких систем средствами МАТЪАБ. М.: Горячая линия — Телеком, 2007. — 288 с.
БОСКИН Олег Осипович — ст. преподаватель кафедры информационных технологий Херсонского национального технического университета.
Научные интересы: прогрессивные информационные технологии.

ПоказатьСвернуть
Заполнить форму текущей работой