Методы и алгоритмы моделирования индивидуального и коллективного поведения интеллектуальных агентов на основе адаптивных нечетких ситуационных сетей тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат наук Денисенков Максим Алексеевич

• Денисенков Максим Алексеевич
• кандидат наук
• 2017

Оглавление диссертации кандидат наук Денисенков Максим Алексеевич

ВВЕДЕНИЕ

1 АНАЛИЗ ЗАДАЧ, МЕТОДОВ, МОДЕЛЕЙ И СРЕДСТВ МОДЕЛИРОВАНИЯ ПОВЕДЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ АГЕНТОВ 14 1. 1 Классификация интеллектуальных агентов, анализ типов их

взаимодействия

1.2 Анализ задач и методов моделирования поведения интеллектуальных агентов

1.3 Анализ нечётких ситуационных сетей для моделирования ситуативного поведения интеллектуальных агентов

1.4 Постановка задачи исследования

1.5 Выводы по главе

2 РАЗРАБОТКА АДАПТИВНЫХ НЕЧЁТКИХ СИТУАЦИОННЫХ СЕТЕЙ И МЕТОДОВ МОДЕЛИРОВАНИЯ КОЛЛЕКТИВНОГО И ИНДИВИДУАЛЬНОГО ПОВЕДЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ АГЕНТОВ НА ИХ ОСНОВЕ

2.1 Адаптивные нечёткие ситуационные сети и способы их построения

2.1.1 Адаптивные нечёткие ситуационные сети

2.1.2 Пример адаптивной нечёткой ситуационной сети

2.1.2 Способ адаптации адаптивных нечетких ситуационных сетей

2.1.3 Способ прямого построения адаптивных нечётких ситуационных сетей

2.1.4 Способ обратного построения адаптивных нечётких ситуационных сетей

2.2 Метод моделирования индивидуального поведения интеллектуальных агентов на основе адаптивных нечётких ситуационных сетей

2.3 Метод моделирования коллективного поведения интеллектуальных агентов на основе адаптивных нечётких ситуационных сетей

2.4 Выводы по главе

3 РАЗРАБОТКА АЛГОРИТМОВ И ПРОГРАММНЫХ СРЕДСТВ МОДЕЛИРОВАНИЯ ИНДИВИДУАЛЬНОГО И КОЛЛЕКТИВНОГО ПОВЕДЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ АГЕНТОВ НА ОСНОВЕ АДАПТИВНЫХ НЕЧЁТКИХ СИТУАЦИОННЫХ СЕТЕЙ

3. 1 Структура программных средств моделирования индивидуального и

коллективного поведения интеллектуальных агентов на основе адаптивных нечётких ситуационных сетей

3.2 Описание разработанных алгоритмов

3.2.1 Алгоритм способа прямого построения адаптивной нечёткой ситуационной сети

3.2.2 Алгоритм адаптации АНСС

3.2.3 Алгоритм моделирования индивидуального поведения интеллектуальных агентов

3.2.4 Алгоритм поиска и идентификации текущей ситуации в АНСС

3.2.5 Алгоритмы объединения адаптивных нечётких ситуационных сетей

3.3 Моделирование динамики поведения агентов

3.4 Разработка программных технологий обработки и хранения информации

3.5 Разработка интерфейса программных средств

3.6 Выводы по главе

4 ОЦЕНКА КАЧЕСТВА ПРИНЯТИЯ РЕШЕНИЙ НА ОСНОВЕ

РАЗРАБОТАННЫХ ПРОГРАММНЫХ СРЕДСТВ МОДЕЛИРОВАНИЯ

ИНДИВИДУАЛЬНОГО И КОЛЛЕКТИВНОГО ПОВЕДЕНИЯ

ИНТЕЛЛЕКТУАЛЬНЫХ АГЕНТОВ

4.1 Моделирование поведения интеллектуальных агентов на примере решения логистических задач

4.2 Оценка качества принятия решений с использованием разработанных программных средств моделирования индивидуального и коллективного поведения интеллектуальных агентов

4.3 Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

Приложение А

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ

АНСС - адаптивная нечёткая ситуационная сеть

ИА - интеллектуальный агент

ЛПР - лицо, принимающее решение

МАС - мультиагентная система

НИР - научно-исследовательская работа

НСС - нечёткая ситуационная сеть

ППР поддержка принятия решений

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы моделирования индивидуального и коллективного поведения интеллектуальных агентов на основе адаптивных нечетких ситуационных сетей»

ВВЕДЕНИЕ

Актуальность темы диссертационной работы. Одним из активно развивающихся направлений исследований, связанных с расширением интеллектуальных возможностей современных информационных систем и технологий, основанных на мультиагентном подходе, является создание методов и средств анализа взаимодействия и моделирования поведения интеллектуальных агентов. Исследования в этой области основываются на работах таких отечественных и зарубежных ученых как Я.З. Цыпкин, Д.А. Поспелов, А.Н. Аверкин,

A.А. Башлыков, В.Н. Вагин, В.В. Емельянов, А.П. Еремеев, И.А. Каляев, О.П. Кузнецов, В.М. Курейчик, А.А. Кулинич, О.И. Ларичев, А.С. Нариньяни, Г.С. Осипов, А.Б. Петровский, Г.С. Плесневич, Э.В. Попов, Г.В. Рыбина,

B.Л. Стефанюк, В.Б. Тарасов, В.Н. Финн, И.Б. Фоминых, В.Ф. Хорошевский, J. Allen, C. Demetresku, R. Detcher, J. Ferber, K. Fischer, A. Gereviny, G. Italiano, A. Krokhin, I. Meiri, A.S. Rao, L. Schubert, T. van Allen, M.J. Wooldridge и другие [68, 29, 46, 47, 68, 73, 82, 104, 117].

Задачи анализа взаимодействия и моделирования ситуативного поведения интеллектуальных агентов характеризуются следующими особенностями:

• необходимость моделирования как индивидуального, так и коллективного поведения агентов в процессе их взаимодействия;

• необходимость учета оперативного изменения целей и задач отдельных агентов и коллективов при их динамическом взаимодействии;

• необходимость оценки, анализа и учета последствий индивидуальных и коллективных действий агентов;

• высокие требования к качеству действий отдельных агентов и их коллективов;

• сложность типизации всех ситуаций взаимодействия агентов в рамках единого подхода к моделированию их поведения;

• наличие сложных взаимозависимостей между признаками, характеризующими взаимодействие и поведение агентов;

• возможность построения моделей ситуативного поведения агентов, а не моделей самих агентов, системы и внешней среды;

• необходимость учета как стохастической, так и нестохастической неопределённости при описании и применении моделей поведения агентов;

• совместный учет различных типов взаимодействия при моделировании поведения агентов, а также возможные механизмы распределения и решения задач, роли и степени ответственности;

• поведение агентов должно основываться на различных стратегиях достижения целевых ситуаций.

Указанные особенности позволяют обосновать целесообразность применения для решения этих задач нечёткого ситуационного подхода, который подразумевает построение и использование нечётких ситуационных моделей для анализа взаимодействия и моделирования поведения интеллектуальных агентов. Теоретические аспекты представления и обработки ситуационных знаний отражены в работах Д.А. Поспелова, F. Lin, J. McCarthy [68, 73, 116]. Нечёткие ситуационные модели (сети) и основанные на них методы описаны в работах таких исследователей как Л.С. Берштейн, М.М. Зернов, С.Я. Коровин, А.Н. Мелихов, Б.Е. Федунов и другие [19, 20, 21, 22, 42, 43, 44, 54, 55, 67, 79]. Вместе с тем, предложенные в работах этих авторов модели и методы в недостаточной степени ориентированы на выполнение задач анализа взаимодействия и моделирования ситуативного поведения интеллектуальных агентов, в том числе, и по следующим причинам:

• отсутствие механизмов качественной и оперативной адаптации таких моделей к возникающей в процессе использования новой информации о взаимодействующих агентах, их задачах и окружающей среде;

• сложность типизации учета взаимозависимости нечётких ситуационных признаков, что может приводить к некорректному анализу взаимодействия и моделирования поведения агентов;

• сложность совместного учета различных типов взаимодействия при моделировании индивидуального и коллективного поведения агентов в рамках единой модели, возможных механизмов распределения и решения задач, ролей и степеней ответственности.

Таким образом, задача разработки и исследования методов и алгоритмов моделирования индивидуального и коллективного поведения интеллектуальных агентов на основе нечётких ситуационных сетей, обладающих расширенными возможностями по адаптации к изменяющимся условиям, учитывающих взаимозависимость нечётких ситуационных признаков, различные типы взаимодействия, роли и степени ответственности для поддержки принятия решений, является актуальной и практически значимой.

Объектом исследования являются процессы и методы моделирования поведения интеллектуальных агентов. Предметом исследования являются методы и алгоритмы моделирования индивидуального и коллективного поведения интеллектуальных агентов на основе адаптивных нечётких ситуационных сетей.

Целью исследования является повышение качества принятия решений за счет создаваемых методов и алгоритмов моделирования индивидуального и коллективного поведения интеллектуальных агентов на основе адаптивных нечётких ситуационных сетей.

Научная задача диссертационной работы заключается в разработке методов и алгоритмов моделирования индивидуального и коллективного поведения интеллектуальных агентов на основе адаптивных нечётких ситуационных сетей.

Для этого необходимо решить следующие задачи.

1. Анализ задач и методов индивидуального и коллективного поведения ИА.

2. Анализ нечётких ситуационных сетей для моделирования поведения ИА.

3. Разработка адаптивных нечётких ситуационных сетей и способов их построения для моделирования индивидуального и коллективного поведения ИА.

4. Создание методов моделирования индивидуального и коллективного поведения ИА на основе адаптивных нечётких ситуационных сетей.

5. Разработка алгоритмов моделирования индивидуального и коллективного поведения ИА на основе адаптивных нечётких ситуационных сетей.

6. Разработка программных средств моделирования индивидуального и коллективного поведения ИА на основе адаптивных нечётких ситуационных сетей.

7. Оценка качества принятия решений использованием предлагаемых методов и алгоритмов моделирования индивидуального и коллективного поведения ИА на основе адаптивных нечётких ситуационных сетей.

Соответствие паспорту специальности. Диссертационная работа соответствует пункту 8 «Исследование и когнитивное моделирование интеллекта, включая моделирование поведения, моделирование рассуждений различных типов, моделирование образного мышления» паспорта специальности 05.13.17 -«Теоретические основы информатики» ВАК при Минобрнауки России.

В ходе работы над диссертацией использованы следующие методы исследований: теории нечётких множеств, нечёткой арифметики, нечётких отношений и нечёткого вывода, теории графов, построения и анализа нечётких ситуационных сетей, объектно-ориентированного проектирования и программирования.

Обоснованность научных результатов и выводов, представленных в работе, определяется корректным применением использованных методов исследования и подтверждается результатами компьютерного моделирования. Достоверность научных положений подтверждена соответствием теоретических положений и результатов экспериментов на основе компьютерного моделирования и итогами практического применения разработанных методов и программных средств, апробацией основных результатов диссертации на конференциях.

Научная новизна работы заключается в следующем.

1. Разработаны адаптивные нечёткие ситуационные сети (АНСС), ориентированные на моделирование как индивидуального, так и коллективного поведения ИА и отличающиеся гибким изменением компонентов сетей (нечётких признаков, ситуаций, управляющих решений, переходов) и их значений для обеспечения переходов в целевые ситуации; способом учета нечётких отношений влияния ситуационных признаков друг на друга при воздействии управля-

ющих решений; разграничением полномочий агентов по доступу к различным компонентам АНСС в зависимости от различных типов взаимодействия агентов в рамках единой модели; поиском и выбором управляющих решений и их последовательностей для переходов между ситуациями АНСС в соответствии с различными критериями и ограничениями при их построении и адаптивном изменении.

2. Предложен метод моделирования индивидуального поведения интеллектуальных агентов, отличающийся: применением построенных и изменяемых в процессе моделирования АНСС; поиском и выбором последовательностей управляющих решений для перехода агента из текущей ситуации в целевую на основе модифицированных с учетом особенностей АНСС поисковых алгоритмов в зависимости от различных критериев и ограничений при построении и изменении АНСС, что позволяет повысить качество принятия решений, основанных на результатах такого моделирования.

3. Предложен метод моделирования коллективного поведения интеллектуальных агентов, отличающийся: применением общей АНСС для взаимодействующих агентов с учетом типов взаимодействия и ролей ИА; поиском и выбором последовательностей управляющих решений для переходов всех агентов из текущих ситуаций в целевые в зависимости от различных критериев и ограничений как при построении общей АНСС, так и при её изменении; отслеживанием и разрешением ситуаций конкуренции и конфликта между агентами, что позволяет повысить качество принятия решений, основанных на результатах моделирования коллективного поведения ИА.

4. Разработана совокупность способов для построения АНСС и реализации методов моделирования индивидуального и коллективного поведения ИА на их основе, а именно: способ прямого построения АНСС, позволяющий на этапе создания формировать последовательности управляющих решений для переходов между ситуациями в соответствии с заданным критерием и ограничениями, а также переформировывать последовательности решений при изменении структуры, параметров АНСС и условий поиска; способ обратного по-

строения АНСС, отличающийся предварительным заданием управляющих переходов и применимый в случае взаимной независимости ситуационных признаков друг на друга; способ адаптации нечётких ситуационных сетей, заключающийся в изменении структуры и параметров АНСС для обеспечения переходов в целевые ситуации; способ задания нечётких отношений влияния ситуационных признаков друг на друга, позволяющий типизировать оценку воздействия управляющих решений при переходе из ситуации в ситуацию с учетом взаимовлияния этих признаков; способ построения общей АНСС для взаимодействующих агентов из совокупности соответствующих им ситуационных сетей, с учетом типов взаимодействия и ролей ИА.

Практическую значимость работы составляют следующие результаты.

1. Разработаны алгоритмы, реализующие предложенные способы построения АНСС и методы моделирования индивидуального и коллективного поведения интеллектуальных агентов, включая алгоритмы: прямого и обратного построения АНСС, адаптации АНСС, объединения АНСС агентов, моделирования индивидуального и коллективного поведения агентов.

2. Созданы программные средства моделирования индивидуального и коллективного поведения ИА на основе АНСС, практически использованные для поддержки логистических решений в АО «НПП Измеритель».

На защиту выносятся следующие положения:

• адаптивные нечёткие ситуационные сети для моделирования индивидуального и коллективного поведения интеллектуальных агентов;

• метод моделирования индивидуального поведения интеллектуальных агентов на основе адаптивных нечётких ситуационных сетей;

• метод моделирования коллективного поведения интеллектуальных агентов для различных типов их взаимодействия на основе адаптивных нечётких ситуационных сетей;

• способы и алгоритмы построения адаптивных нечётких ситуационных сетей и моделирования индивидуального и коллективного поведения интеллектуальных агентов на их основе.

Реализация результатов работы. По результатам работы созданы программные средства «Интеллектуальная система поддержки принятия решений на основе нечётких ситуационных сетей» (Свидетельство о госрегистрации программы для ЭВМ № 2014615296 от 22.05.2014).

Результаты работы внедрены в АО «НПП Измеритель» и ВА ВПВО ВС РФ им. Василевского (г. Смоленск), а также используются в учебном процессе филиала ФГБОУ ВО НИУ «МЭИ» в г. Смоленске, что подтверждено актами о внедрении.

Теоретические и практические результаты диссертационной работы использованы в ходе выполнения следующих грантов и НИР: грант РФФИ № 15-41-03259-р_центр_а «Нечёткие когнитивно-игровые модели и методы исследования региональных информационных ресурсов и процессов управления», 20152016 г.г.; грант Президента РФ на поддержку ведущих научных школ, проект №НШ-6577.2016.9 «Теоретические основы и технологии планирования и управления ресурсами в распределенных вычислениях», 2015-2016 г.г.; НИР «Исследование и разработка методов, моделей и технологий интеллектуального анализа данных и поддержки принятия решений в топливно-энергетическом комплексе», базовая часть Государственного задания Минобрнауки России № 2014/123, проект № 2493, 2014-2016 г.г.; НИР «Методы, модели и информационные технологии комплексного управления рисками при реализации процессов ресурсо- и энергосбережения в сложных теплотехнологических системах», базовая часть государственного задания Минобрнауки России, проект №13.9597.2017/БЧ, 2017-2019 г.г.

Апробация работы. Основные результаты работы докладывались и обсуждались на следующих конференциях и конкурсах: Х-Х1У Международные научно-технические конференции студентов и аспирантов «Информационные технологии, энергетика и экономика» (Смоленск, 2013-2016); Х1У-ХУ1 Международные научные конференции «Системы компьютерной математики и их приложения» (Смоленск, 2013-2015); Ш-У Международные научно-технические конференции «Энергетика, информатика, инновации» (Смоленск, 2013-2015); У Областная выставка научно-технического творчества молодежи «НТТМ-Смоленск» (Смоленск, 2013); Смоленский областной конкурс студенческих научных работ (Смоленск,

2013), XIII Всероссийская научная конференция «Нейрокомпьютеры и их применение» (Москва, 2015); IX Международная научно-практическая конференция «Логистика и экономика ресурсосбережения и энергосбережения в промышленности» (Смоленск, 2015); XV Национальная конференция по искусственному интеллекту с международным участием КИИ-2016 (Смоленск, 2016); II Russian-Pacific Conference on Computer Technology and Application, RPC-2017 (Владивосток, 2017).

По теме диссертации опубликовано 22 работы общим объемом 8,88 п.л., в том числе 3 статьи в научных изданиях, рекомендованных ВАК. Авторский вклад - 6,72 п.л. Результаты отражены в 4-х отчетах о НИР.

Диссертация состоит из введения, 4-х глав, заключения, списка литературы, включающего 118 наименований. Диссертация содержит 141 страницу машинописного текста, 18 рисунков, 24 таблицы, 1 приложение.

Во введении определена актуальность темы диссертационной работы, цель и научная задача диссертации, сформулирована научная новизна и практическая значимость результатов, представлено краткое содержание по главам.

В первой главе рассмотрены особенности задач анализа взаимодействия и моделирования ситуативного поведения ИА. На их основе проведен анализ существующих методов и моделей для решения этих задач. Выполнен анализ существующих нечётких ситуационных сетей, охарактеризованы их достоинства и недостатки, сформулирована актуальность и перспективность их применения для решения задач моделирования ситуативного поведения ИА.

Во второй главе разработаны адаптивные нечёткие ситуационные сети и предложены способы: прямого и обратного их построения, адаптации нечётких ситуационных сетей, задания нечётких отношений влияния ситуационных признаков друг на друга, построения общей АНСС из ситуационных сетей взаимодействующих агентов. Разработаны методы моделирования индивидуального и коллективного поведения ИА на основе АНСС.

В третьей главе представлена модульная структура созданных программных средств. Описаны алгоритмы, реализующие предложенные способы построения АНСС, их адаптации, задания нечётких отношений влияния ситуаци-

онных признаков друг на друга, а также методы моделирования ситуативного поведения ИА. Созданы программные средства моделирования индивидуального и коллективного поведения ИА на основе АНСС.

В четвёртой главе рассмотрены вопросы практического применения разработанных программных средств моделирования коллективного и индивидуального поведения ИА на основе АНСС. С их использованием выполнена оценка качества принятия решений на примерах логистических задач.

В заключении охарактеризованы результаты диссертационной работы, в приложении представлены акты внедрения и использования результатов диссертации.

1 АНАЛИЗ ЗАДАЧ, МЕТОДОВ, МОДЕЛЕЙ И СРЕДСТВ МОДЕЛИРОВАНИЯ ПОВЕДЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ АГЕНТОВ

1.1 Классификация интеллектуальных агентов, анализ типов их взаимодействия

Одним из основных направлений исследований, основанных на мультиа-гентном подходе, является моделирование поведения агентов в распределенных интеллектуальных системах, децентрализованных интеллектуальных системах и в рамках так называемой «искусственной жизни» [82].

В распределенных интеллектуальных системах выполняется декомпозиция общей задачи на отдельные подзадачи, которые распределяются между агентами в соответствии с их ролью, степенью ответственности и опытом. Отдельные агенты имеет лишь частичное представление об общей задаче, а их коллективное поведение реализуется на основе их индивидуального поведения. При этом проводится согласование целей и стратегий отдельных агентов, координация их действий, а также разрешение возможных конфликтов.

Для распределенных интеллектуальных систем, помимо задач анализа и моделирования поведения агентов (вне зависимости от их поведения: нормативного, ситуационного, рефлексивного), решаются задачи организации этих систем (на основе методов теории систем и организаций, структурно-функционального и эволюционного подходов) и построения протоколов коммуникации между агентами.

В децентрализованных интеллектуальных системах распределение и назначение задач агентам реализуется в процессе их взаимодействия, а управление поведением осуществляется за счет локальных коммуникаций между агентами [82].

При анализе и моделировании «искусственной жизни» (коллективного интеллекта) коллективное поведение трактуется с точки зрения локальных взаимодействий большого числа агентов с учетом их адаптации и самоорганизации в динамической, зачастую враждебной среде [56]. При этом, во-первых,

агенты самостоятельно формируют свои действия в зависимости от событий и коммуникаций с другими агентами, во-вторых, отсутствуют агенты, управляющие другими агентами и взаимодействиями между ними, в-третьих, отсутствуют общие правила, обуславливающие согласованное поведение агентов, а их коллективное поведение порождается лишь локальными взаимодействиями.

Под агентами понимаются активные, как правило, взаимодействующие между собой объекты, манипулирующие пассивными объектами в некоторой окружающей среде в соответствии с их задачами, функциями и ролями, на основе действий или коммуникативных актов [82].

Существуют различные классификации агентов. Обобщенная классификация агентов может быть представлена в соответствии со следующими классификационными признаками:

По признаку «естественные-искусственные»:

• естественные агенты (человек, животное, коллективы людей);

• искусственные агенты (роботы, сложные компьютерные программы, коллективы автоматов);

По признаку «материальные-виртуальные»:

• материальные агенты, физически существующие и функционирующие;

• виртуальные агенты, функционирующие в некотором виртуальном пространстве (в программной среде);

По подвижности:

• неподвижные агенты;

• мобильные агенты;

По признаку «сосредоточенные-распределенные»:

• распределенные агенты;

• локализованные агенты; По обучаемости:

• обучаемые агенты, поведение которых учитывает предыдущий опыт;

• необучаемые агенты.

По степени возможностям представления окружающей среды и способам поведения:

• реактивные агенты, не имеющие развитого представления об окружающей среде, механизма многоэтапных рассуждений, достаточных ресурсов;

• интеллектуальные агенты, обладающие развитой и пополняемой моделью окружающей среды, что достигается благодаря наличию базы знаний, механизмов принятия решений и анализа действий. Интеллектуальные агенты реализуют следующие функции: когнитивную, рассуждающую (в более общем контексте, регулятивную), коммуникативную и ресурсную. Реактивные агенты, в свою очередь, делятся на:

• импульсивные агенты, имеющие простейший механизм мотивации, направленный на их выживание;

• трофические агенты, не имеющие собственных мотивов, и поведение которых определяется простыми ситуативными связями и сводится лишь к ответам на стимулы, поступающие из окружающей среды.

Довольно простая структура реактивных агентов обуславливает их тесную зависимость от среды. Однако из них легче организовать коллектив, способный гибко адаптироваться к изменениям среды. Причем их возможности к адаптации и развитию реализуются в результате локальных взаимодействий. Причем, за счет большого их числа взаимодействующих реактивных агентов можно решать сложные задачи.

Реактивные агенты практически не способны планировать свои действия. При этом они обладают сильной зависимостью от других агентов и условий окружающей среды.

Интеллектуальные агенты по типу поведения делятся на:

• интенциональные агенты, наделенные механизмами мотивации с моделированием внутренних убеждений, желаний, намерений и мотивов, порождающих цели и действия;

• рефлекторные агенты, не имеющие внутренних источников мотивации и собственных целей, с поведением в виде одноэтапных выводов или «автоматизмов». Они способны отвечать на вопросы и выполнять задачи, которые перед ними ставят другие агенты.

Когнитивные функции интеллектуальных агентов предполагают наличие развитой и пополняемой модели окружающей среды в виде базы знаний, а также механизмов анализа действий. Рассуждающие способности интеллектуальных агентов позволяют на основе модели окружающей среды реализовывать собственные рассуждения и выполнять действия. Коммуникативные возможности интеллектуальных агентов обеспечивают взаимодействие с другими агентами. Ресурсные свойства интеллектуальных агентов предполагают наличие развитых возможностей по обмену, перераспределению и целесообразному использованию ресурсов, в зависимости от специфики поведения. Степень интеллектуальности агентов зависит от набора и качества реализации этих функций.

Интеллектуальные агенты могут запоминать и анализировать различные ситуации, вырабатывать и принимать решения, предвидеть результаты этих действий и возможные реакции на них, планировать свое поведение. Будучи значительно автономнее реактивных, интеллектуальные агенты характеризуются целесообразным и гибким поведением в коллективе, а также развитыми возможностями обмена и перераспределения ресурсов между различными агентами для достижения индивидуальных и коллективных целей. Однако эти возможности приводят к сложности организации их эффективного взаимодействия и коллективного поведения.

Результаты сравнительной характеристики свойств реактивных и интеллектуальных агентов представлены в таблице 1.1 [82].

Сами интеллектуальные агенты могут быть классифицированы по характеру отношения к себе и другим агентам на: благонамеренные, эгоистичные, злонамеренные, альтруистичные, безразличные, циничные, самоотверженные, саморазрушительные, «камикадзе». В таблице 1.2 приведена характеристика таких агентов.

Таблица 1.1 - Сравнительная характеристика основных свойств реактивных и

интеллектуальных агентов

Свойства Реактивные агенты Интеллектуальные агенты

Внутренняя модель Примитивная Развитая

окружающей среды

Рассуждения Простые одношаговые Сложные и рефлексивные

Мотивация Простейшие реакции Развитая система мотивации

Память Нет Есть

Реакция Быстрая Медленная

Адаптивность Высокая Относительно невысокая

Модульность организации Нет Есть

Таблица 1.2 - Классификация агентов по отношению к себе и другим агентам

Тип агента Отношение агента

к себе к другим агентам

Благонамер енный + +

Эгоистичный + 0

Злонамеренный + -

Альтруистичный 0 +

Безразличный 0 0

Циничный 0 -

Самоотверженный - +

Саморазрушительный - 0

Камикадзе - -

«+» - хорошее отношение; «-» - плохое отношение; «0» - безразличное отношение.

Вне зависимости от типа интеллектуальной системы, реализованной на основе мультиагентного подхода, степени интеллектуальности агентов, их архитектуры, можно выделить три основных вида взаимодействия агентов: независимость (отсутствие взаимодействия между агентами); соперничество (конкуренция); кооперация (сотрудничество). При этом для каждого вида взаимодействия интеллектуальных агентов могут быть определены типовые ситуации взаимодействия агентов в зависимости от совместимости их целей, наличия распределяемых ресурсов и потребности в опыте. Эти типовые ситуации взаимодействия интеллектуальных агентов представлены в таблице 1.3 [82].

Таблица 1.3 - Типовые ситуации взаимодействия агентов

Список литературы диссертационного исследования кандидат наук Денисенков Максим Алексеевич, 2017 год

• алгоритм использования АНСС;

• алгоритм поиска и идентификации текущей ситуации;

• алгоритм применения последовательности управляющих решений к текущей ситуации;

• алгоритм адаптации АНСС (генерации и добавления в сеть новых признаков, ситуаций, управляющих решений и переходов);

• алгоритм оценки маршрута достижения целевой ситуации.

Модуль ролевого представления АНСС

Модуль объединения АНСС

Модуль построения, использования и адаптации АНСС

Подсистема создания, использования и ролевого представления АНСС

Модуль реализации нечетких операций

Подсистема моделирования поведения агентов и база знаний

Модуль моделирования индивидуального и коллективного поведения агентов База знаний База интеллектуальных агентов

Подсистема внешних интерфейсов

Модуль сбора и ввода информации

Модуль выдачи результатов поведения агентов

Модуль идентификации агентов

Модуль индивидуального интерфейса агента

Датчики

Агенты (ЛПР, эксперты, администратор)

Рисунок 3.1 - Структура программных средств моделирования индивидуального и коллективного поведения интеллектуальных агентов на основе АНСС

Модуль реализации нечётких операций предназначен для реализации основных нечётких операций, необходимых для работы алгоритмов, включая: нечёткое равенство; нечёткое включение; нечёткая £-д-обш,ность; нечёткую ком-

позицию; фаззификацию; дефаззификацию; арифметические операции над нечёткими числами, множествами и отношениями.

Модуль объединения АНСС предназначен для программной реализации алгоритмов, осуществляющих объединение двух и более АНСС в одну обобщенную сеть.

Модуль ролевого представления АНСС предназначен для индивидуального представления для конкретного агента тех компонентов АНСС, которые ему доступны в соответствии с его ролью при взаимодействии с другими агентами и при моделировании поведения.

Подсистема моделирования поведения агентов и база знаний включает в себя следующие модули:

• модуль моделирования индивидуального и коллективного поведения

агентов;

• базу знаний;

• база интеллектуальных агентов.

Модуль моделирования индивидуального и коллективного поведения агентов обеспечивает взаимодействие всех подсистем и модулей, координирует их совместную работу, обрабатывает данные от пользователей (агентов), осуществляет запись и доступ к данным из базы знаний, обеспечивает вызов соответствующих алгоритмов для их обработки и передачу результатов данной обработки на пользовательский уровень.

База знаний содержит информацию о предметной области, необходимую для построения АНСС и работы с ней в формализованном виде, а также предоставляет программный доступ к этим данным и определяет формат их хранения.

База интеллектуальных агентов служит для хранения информации об агентах, их количестве, структуре, параметрах и задачах каждого отдельного агента.

Подсистема внешних интерфейсов обеспечивает взаимодействие программных средств с внешними датчиками и агентами. Каждый агент в зависимости от полномочий может характеризоваться определенным набором ролей, каждая из которых разрешает ему доступ к отдельным фрагментам АНСС, её

компонентам, а также к перечню возможных действий с ней. На основании этих ролей формируется так называемое ролевое представление АНСС для данного агента (пользователя), а также интерфейс взаимодействия с ним.

Первоначальным этапом работы агента с программной системой является его идентификация, реализуемая модулем идентификации пользователя. На основании введенных логина и пароля определяется перечень его ролей. В зависимости от ролей вспомогательные модули формируют и выводят на экран индивидуальное представление АНСС и подсистему интерфейсов, включающую:

• модуль сбора и ввода информации, предоставляющий возможности по добавлению новых данных о предметной области, а также отвечающий за предоставление доступа к требуемому функционалу;

• модуль выдачи результатов поведения, осуществляющий вывод результатов моделирования индивидуального и коллективного поведения интеллектуальных агентов;

• модуль индивидуального интерфейса агента, отвечающий за вывод на терминальное устройство АНСС для данного агента и разрешающий/запрещающий редактирование данной сети.

3.2 Описание разработанных алгоритмов

3.2.1 Алгоритм способа прямого построения адаптивной нечёткой ситуационной сети

Схема алгоритма способа прямого построения адаптивной нечёткой ситуационной сети приведена на рисунке 3.2.

Здесь блок 12 соответствует «шагу назад» способа прямого построения АНСС. Подсеть 8гет включает в себя все вершины исходного графа сети за исключением вершин, из которых или в которые нельзя попасть из начальной вершины я, текущего перехода и , .

Блок 13 - «шаг вперед» алгоритма. На данном шаге выполняется поиск и выбор маршрутов между всеми парами вершин сформированного в блоке 12

подграфа Srem и занесение результатов PathSbee' в Paths.

Рисунок 3.2 - Алгоритм способа прямого построения АНСС

Для получения верхней оценки сложности алгоритма необходимо рассмотреть сложность выполнения блока 13, связанного с поиском кратчайших

путей в сети. В случае использования алгоритма Флойда-Уоршелла сложность

-5

соответствует 0(0 ), где О - количество нечётких ситуаций из множества Б. Данный блок выполняется в цикле для каждого управляющего перехода У раз (мощность множества управляющих переходов V). Таким образом, верхняя

-5

оценка сложности алгоритма - 0(0 У).

3.2.2 Алгоритм адаптации АНСС

Алгоритм адаптации АНСС заключается в общем случае в добавлении в сеть новых ситуаций и управляющих переходов, состоит из рассмотренных ниже обобщенных шагов.

Шаг 1. Определяются параметры целевой ситуации и необходимость генерации новых управляющих переходов (если целевой ситуации нет в сети, она недостижима или недостижима в рамках заданных условий);

Шаг 2. Определяется (£-д)-общность целевой ситуации ¿{агё и всех ситуаций сети. За исключением ¿{агё для каждой определяется множество признаков , по которым и ¿агё не являются нечётко равными, а также мощность этого множества д,.

Шаг 3. Выбираются ситуации = { ^,,•••,Яц }, ближайшие к целевой ситуации ¿ШгЕ, то есть для которых д, = тт(дь д2, ... ,д0), где О - количество ситуаций в сети. В качестве ближайшей текущей ситуации выбирается ситуация ¿ы = ^ .

Шаг 4. Для ситуации ¿ы определяется число необходимых управляющих переходов для перемещения из ¿ы в как д,. В качестве текущей ситуации выбирается ¿ы1.

Шаг 5. Формируется новый управляющий переход, выходящий из ситуации ¿ек, он «нагружается» управляющим решением, изменяющим значение одного из признаков множества р , а также весом этого решения.

Шаг 6. Формируется новая ситуация ¿етр в сети, в которую сформированный переход переводит ситуацию Если это целевая ситуация ¿{агё переходим

к шагу 7, иначе в качестве ^ выбирается сгенерированная ситуация и осуществляется переход к шагу 5.

Шаг 7. Проверяется, сформированы ли все пути, соответствующие всем

возможным последовательностям управляющих решений из множества р, из

текущей ближайшей к целевой ситуации яь1, выбранной на шаге 3. Если нет, то переходим к шагу 4, не изменяя яь1, иначе - к шагу 8.

Шаг 8. Если рассмотрены все ситуации из Бь, процедура завершается, иначе переходим к следующей ситуации из этого множества ^ (у = 2,..., I) (к шагу 4).

В детализированном виде этот алгоритм приведен на рисунке 3.3.

Конец

Выбираем ближайшие ситуации 50={501

¡=1

Определяем множество нечетко-неравных признаков Рф и его мощность д,.

Текущая

СИТуаЦИЯ 31ек=3ы

Формируем новую ситуацию Б(етр и новый управляющий переход и^Иетр изменяющий признак из Рд,

13

Рисунок 3.3 - Алгоритм адаптации АНСС

3.2.3 Алгоритм моделирования индивидуального поведения интеллектуальных агентов

Схема алгоритма моделирования индивидуального поведения интеллектуальных агентов приведена на рисунке 3.4.

Рисунок 3.4 - Схема алгоритма моделирования индивидуального поведения

интеллектуальных агентов

На оценку сложности алгоритма в наибольшей степени влияет сложность выполнения блока 1, связанного с построением АНСС и выполняемым в его рамках поиском кратчайших путей в сети. В случае использования алгоритма

-5

Флойда-Уоршелла сложность соответствует 0(0 ), где О -количество нечётких

-5

ситуаций из множества Б. Верхняя оценка сложности этого алгоритма - 0(0 У).

3.2.4 Алгоритм поиска и идентификации текущей ситуации в АНСС

Алгоритм поиска и идентификация текущей (а также целевой) ситуации в АНСС основан на определении £-д-общности ситуаций и включает в себя в обобщенном виде перечисленные ниже шаги.

Шаг 1. Задание четких или нечётких значений всех ситуационных признаков Р = {^1, р2, ..., Р1} ситуации Ягешр.

Шаг 2. В случае если на предыдущем этапе указаны четкие значения признаков, выполняется вычисление нечётких значений всех термов нечётких признаков на основании введенных значений. В результате будет получена ситуация яетр.

{{м-Р1 (Тр1)/Тр1),{мР1Тр1)/тр),..., (м-Р1 (т)/тр )/р}, ^

{(мр , (Тр1)/тр), (мрI (Т2р 1)/трр1),..., (мр I (т'р1)/тр )/*;}

Шаг 3. Поиск соответствующей ситуации в АНСС. Для этого ситуацию яетр нужно сравнить со всеми ситуациями с помощью операции £-д-общности:

ук е {l,...,О): ^<Х, ^) = в(м^(рг), м^)).

Если У к е{ 1,..., О):3 (^,) >а, где а - заданный порог нечёткого

равенства, то ситуации и я{етр имеют £-д-общность (они фактически нечётко равны). И ситуация я1етр является искомой текущей ситуацией ясиг.

Если У к е{ 1,..., О):3 (^, я ) <а, то ситуации совпадающей с заданными значениями признаков в АНСС нет и необходимо повторить их ввод для определения текущей ситуации ясиг.

s

temp

3.2.5 Алгоритмы объединения адаптивных нечётких ситуационных сетей

Построение общей АНСС

АНССпем,

{ Pnew' Snew' Rnew' Unew' new'

RolcSnew, Afaptnew, Pahsnew)

на основании АНСС пользователей

АНСС = ( P, S, R, U, Int,, Roles, Adaptj, Paths) и

АНСС = ( P, S, R, U, Int2, Roles 2, Adapt2, Paths 2)

выполняется следующим образом.

Шаг 1. В АНСС агентов выделяются подмножества ситуаций S и S ,

общих для двух сетей.

Шаг 2. Задается множество признаков Pnew общей сети AHCCnew: р = р о р

P new р 1 w р 2 •

Шаг 3. Определяется множество управляющих решений Rnew = R о R. Шаг 4. Формируется множество нечётких ситуаций Snew = S о S. При этом ситуациям SA е Scomi присваиваются нулевые значения нечётких признаков р = р^ / р, входящих в состав только АНСС другого агента. Аналогичная процедура выполняется и с нечёткими ситуациями SAí е S2.

Шаг 5. Определяется множество управляющих решений Unew = U о U2. Шаг 6. Определяется множество ролей Rolesnew = Roles1 о Roles2. Шаг 7. Задается множество нечётких отношений влияния ситуационных признаков друг на друга Intnew = Intr о Int2.

Шаг 8. Общие ситуации S и S сравниваются друг с другом на основе операции нечёткой g-g-общности. В результате будет получено множество нечётких признаков Pg_q, значения которых в данных ситуациях различаются.

Если Pg_q пустое, то ситуации S и S объединяются в одну ситуацию snew, иначе в АНСС генерируются и добавляются нечёткие управляющие переходы

Sadd (Snew = Snew ^ Sadd), изменяющие значения признаков из Pg_q и позволяющие

перейти из ситуаций Sg1 в Sg2 и наоборот.

Рассмотрим обратную задачу формирования АНСС агента

AHCCag = (Pag, ^ag, Rag, Uag, Intag , RoleSag, ^P^g, PathSag ) на основании обЩей

АНСС = (P, Б, R, U, Int, Roles, Adapt, Paths). Данный алгоритм основывается на

назначении для каждого агента АНСС определенной роли Rolesag с Roles.

Данный алгоритм включает в себя следующие шаги.

Шаг 7. Определяется перечень ролей агента Rolesag с Roles, для которого

строится АНСС.

Шаг 2. Формируются множества компонентов АНССа§, которые связаны с ролями RoleSag : Pag с P, Sag с S, Rag с R, Uag с U, Intag с Int.

Шаг 3. Выполняется «сжатие» сформированной АНССа§, например, с помощью операций нечёткого равенства ситуаций для объединения нечетко близких ситуаций.

3.3 Моделирование динамики поведения агентов

Агенты выполняют действия и взаимодействуют друг с другом в динамике. Каждое их действие занимает определенное время. Для обеспечения корректности моделирования их поведения с учетом этой динамики необходимо учитывать: время, затрачиваемое на выполнение каждого действия агентом; момент начала выполнения действия; ситуацию, в которой находился агент в момент начала выполнения действия. Для каждого управляющего перехода и г е U указывается время его выполнения Time .

sbeg, send sbeg , send

Программно учет времени реализуется с помощью объекта таймера Timer. Вводится один общий для всей системы объект таймера TimerGl, который используется для счета общего времени моделирования, а также свой объ-

ект таймера создается на каждое событие, в качестве которого используется срабатывание управляющего перехода сети. Таймер ТтегО! запускается при первом событии, то есть при первом указании целевой ситуации одному из агентов, данный момент считается за момент времени «0» моделирования.

Для каждого агента создается и в процессе моделирования заполняется таблица 3.1.

Таблица 3.1 - Пример таблицы состояний агента

Момент времени Текущая ситуация Управляющий переход Время выполнения

0 и 50

350 $20 и $20, $16 10

В начальный момент времени задаются начальные ситуации для всех агентов. Для каждого из них записывается соответствующая строка в таблицу. В данной строке в колонке «Момент времени» записывается «0» (начальное состояние) и в колонку «Текущая ситуация» - начальная ситуация агента.

При начале выполнения действия агентом в соответствующую ему таблицу заносится новая строка, где в колонку «Момент времени» заносится текущее время моделирования (посчитанное по таймеру ТтегО!), в колонку «Текущая ситуация» - ситуация, в которой агент находится в данный момент времени, в колонку «Выполняемое действие» заносится активированный управляющий переход, через который будет переходить агент в следующее состояние в соответствии с управляющим решением, и время выполнения будет записано в колонку «Время выполнения». В момент начала действия агента запускается отдельный таймер события ТгтегЕу с интервалом, равным времени выполнения соответствующего действия. По его срабатывании в таблицу будет занесена еще одна строка, в которую будет записан момент окончания действия в «Момент времени» и ситуация, в которое перешел агент в результате управляющего перехода «Текущая ситуация».

Таким образом, по данной таблице можно определить ситуацию, в которой агент находился в каждый момент модельного времени. В дальнейшем данную информацию можно использовать для отслеживания и разрешения ситуаций конкуренции и конфликта между агентами. В каждый момент времени моделирования при начале выполнения действия агентом можно проверить, не занята ли конечная для его действия ситуация, связанная, например, с ограниченным общим ресурсом, другим агентом. И в случае её занятости - определить время, пока она будет заблокирована. По истечении этого времени агент сможет перейти в данную ситуацию.

В каждый момент времени СитТЫв моделирования может быть получен набор Сит&оЛе (СитТЫв) = [81а1вЛ^ (СитТЫв),81а1еЛ^ (СитТЫв),...,(СитТЫв)},

где л^оит - количество взаимодействующих агентов, 8гагеЛ^1 (СитТЫв) - текущая ситуация агента (I е {1,..., А^Соит}) в момент СитТЫв. Модельное время задается таймером ТЫвгО! и выбирается, исходя из специфики моделирования.

3.4 Разработка программных технологий обработки и хранения информации

В рамках технологии обработки и хранения информации можно выделить способы хранения данных, методы загрузки и сохранения.

Для сохранения данных в файл использован процесс сериализации, то есть перевод структур данных в последовательность байтов или битов. Это позволяет любой объект, используемый в созданных программных средствах, преобразовать в последовательность байтов и затем записать её в файл. Сериализа-ция позволяет сохранить содержимое всех полей объекта. При этом также учитывается иерархия объектов. То есть, если полем объекта является объект другого класса, то данный подход позволяет сохранить также и все поля подчиненного объекта. Глубина подобных вложений практически неограниченна и может быть очень большой.

Объект сериализуется в поток, который переносит не только данные, но сведения о типе объекта, такие как его версию, язык и региональные параметры, а также имя сборки. Из этого потока объект можно сохранить в базе данных, файле или памяти.

Сохранение проводится в два файла. В первый файл (файл параметров) сохранится информация обо всех описанных нечётких ситуациях, управляющих решениях, нечётких признаках и термах, настройки пользователя. Во второй файл (файл сети) записывается вся информация, необходимая для построения АНСС, а также настройки пользователя, такие, как порог нечёткого равенства, диапазон возможных значений весов.

Загрузка данных из файла проводится методом десериализации, заключающемся в преобразовании массива, потока байтов в объект указанного класса. При загрузке из файла сначала происходит восстановление описаний всех компонентов из файла параметров и составных частей сети. Затем проводится загрузка файла сети, если он существует и находится в той же папке, что и файл параметров.

Данные в процессе выполнения программы хранятся в специальных структурах, в полях объектов. Для каждого вида данных, к которым относятся нечёткие признаки, нечёткие ситуации, управляющие решения и нечёткая ситуационная сеть, разработана собственная структура.

Одним из преимуществ методов сериализации и десериализации является их универсальность. Работа происходит с xml-файлами, которые могут быть использованы для обмена данными с другими приложениями.

В созданных программных средствах обеспечивается целостность данных. Например, при удалении нечёткой ситуации автоматически удаляются все управляющие переходы АНСС, смежные с данной ситуацией. Автоматически проводятся операции, связанные с переименованием вершин, признаков, термов, решений. Для каждого из этих элементов везде его старое имя автоматически заменяется на новое. При удалении каждого из этих элементов автоматически вносятся изменения и во все компоненты более высокого уровня.

Интерфейс программных средств разрабатывался с учетом требований стандартов. Согласованный пользовательский интерфейс обеспечивает экономию времени пользователя и позволяет защитить пользователя от ошибок при использовании программы. Анализ предложенной модульной структуры программных средств показывает необходимость привлечения экспертов в рассматриваемой предметной области для построения АНСС. Вследствие этого возникает необходимость разграничения ролей пользователей.

Рассмотрим диаграммы деятельности и вариантов использования. Под данными на диаграммах понимаются информация о нечётких признаках, термах, нечётких ситуациях, управляющих решениях, графе АНСС.

Рисунок 3.9 - Диаграмма вариантов использования

1. Название - поиск стратегии управления.

Цель - поиск стратегии управления, удовлетворяющей требованиям пользователя, с использованием графа АНСС.

Действующие лица - пользователь.

Краткое описание - поиск пути в графе АНСС, удовлетворяющего заданным условиям.

Тип варианта - основной.

На рисунке 3.10 изображена диаграмма деятельности для варианта использования «Поиск маршрута в АНСС».

2. Название - выбор режима поиска.

Цель - задание режима поиска путей в графе АНСС.

Действующие лица - пользователь.

Краткое описание - определяет, искать ли все пути из заданной начальной вершины в целевую, с наименьшим количеством вершин в пути или с минимальной суммой весов, с максимальным средним весов в пути.

Тип варианта - вспомогательный.

3. Название - сохранение результатов в файл.

Цель - сохранение найденных стратегий управления в файл.

Действующие лица - пользователь.

Краткое описание - сохранение полученных результатов в файл выбранный пользователем.

Тип варианта - дополнительный.

4. Название - генерация новых путей, ситуаций, решений.

Цель - создание решений для пользователя даже в тех случаях, когда в исходной АНСС они отсутствуют.

Действующие лица - пользователь.

Краткое описание - генерация новых элементов АНСС с целью получения решений, в тем случаях, когда они отсутствуют в исходной сети.

Тип варианта - вспомогательный.

/быборрёжимаЛ ( поиска, задание хх___ораничений_-у

[задание ситуаций вручную]

[поиск по значениям признаков]

/Выбор начальной и ^ целевой ситуаций

/ Поиск ближайших / ситуаций к начальной и целевой

Выполнение поиска

Вывод результатов

[не сохранять результаты в файл]

[сохранить результаты в файл]

I Сохранение \ результатов в файл

Рисунок 3.10 - Диаграмма деятельности для варианта «Поиск маршрута в АНСС»

5. Название - выбор целевой и начальной ситуаций. Цель - задание начальной и целевой ситуаций для поиска. Действующие лица - пользователь.

Краткое описание - определяет требования к поиску путей с помощью задания начальной и конечной вершин. Тип варианта - вспомогательный.

6. Название - выбор ситуаций вручную.

Цель - ручное задание имен начальной и целевой ситуаций.

Действующие лица - пользователь.

Краткое описание - пользователь самостоятельно задает имена начальной и целевой ситуаций для поиска в АНСС из числа введенных ситуаций.

Тип варианта - вспомогательный.

7. Название - поиск ближайших ситуаций по значению признаков.

Цель - автоматическое определение начальной и целевой ситуаций.

Действующие лица - пользователь.

Краткое описание - автоматический поиск по заданным значениям признаков ближайшей ситуации среди описанных пользователем.

Тип варианта - вспомогательный.

8. Название - генерация новой ситуации.

Цель - добавление в сеть ситуации, описанной пользователем, если она отсутствует в сети.

Действующие лица - пользователь.

Краткое описание - добавление в сеть ситуации, описанной пользователем, если она отсутствует в сети.

Тип варианта - дополнительный.

9. Название - вывод результатов.

Цель - вывод найденных стратегий управления пользователю.

Действующие лица - пользователь.

Краткое описание - обеспечивает предоставление пользователю найденных стратегий управления, удовлетворяющих его требованиям, отображения найденных путей на графе АНСС.

Тип варианта - дополнительный.

10. Название - работа с данными.

Цель - задание или редактирование основных параметров исследуемого объекта системы.

Действующие лица - пользователь.

Краткое описание - обеспечивает ввод, редактирование, сохранение, загрузка, просмотр данных, описывающих исследуемую систему, объект. Тип варианта - основной.

На рисунке 3.11 изображена диаграмма деятельности для варианта использования «Работа с данными».

_^^ [редактирование]_

[ввод данных вручную]

Рисунок 3.11 - Диаграмма деятельности для варианта «Работа с данными» 11. Название - сохранение в файл.

Цель - сохранение описания объекта, системы в файл на диске. Действующие лица - пользователь.

Краткое описание - позволяет сохранить данные о системе, объекте в файл для возможности дальнейшего использования. Тип варианта - вспомогательный.

12. Название - ввод данных.

Цель - ввод параметров и данных об объекте, системе. Действующие лица - пользователь.

Краткое описание - предоставляет возможность пользователю самостоятельно задать все необходимые данные об исследуемой системе. Тип варианта - основной.

13. Название - редактирование данных. Цель - изменение данных об объекте, системе. Действующие лица - пользователь.

Краткое описание - предоставляет возможность пользователю редактировать, удалять и добавлять данные об исследуемой системе. Тип варианта - основной.

14. Название - просмотр данных.

Цель - вывод данных ос системе, объекте на экран. Действующие лица - пользователь.

Краткое описание - обеспечивает вывод на экран всех данных о системе на экран, построение графического изображения НСС. Тип варианта - основной.

15. Название - загрузка из файла.

Цель - загрузка данных из файла на диске. Действующие лица - пользователь.

Краткое описание - позволяет пользователю загрузить данные о системе, объекте из файла.

Тип варианта - вспомогательный.

16. Название - проверка корректности данных.

Цель - осуществление контроля над корректностью данных. Действующие лица - пользователь.

Краткое описание - осуществляет контроль над корректностью данных при вводе, загрузке или редактировании, отвечает за выдачу соответствующих сообщений.

Тип варианта - вспомогательный.

3.6 Выводы по главе

Разработана структура программных средств моделирования индивидуального и коллективного поведения ИА на основе АНСС, включающая в себя: подсистему создания, использования и ролевого представления АНСС (состоящую из модулей: построения, использования и адаптации АНСС; реализации нечётких операций; объединения АНСС; ролевого представления АНСС); подсистему моделирования поведения агентов и базу знаний; подсистему внешних интерфейсов.

Разработаны и рассмотрены алгоритмы, реализующие предложенные способы построения АНСС и методы моделирования индивидуального и коллективного поведения интеллектуальных агентов, включая алгоритмы:

• прямого и обратного построения АНСС;

• адаптации АНСС;

• объединения АНСС агентов;

• поиска и идентификации текущей ситуации в АНСС;

• моделирования индивидуального и коллективного поведения ИА.

Рассмотрены вопросы программной реализации системной динамики при

моделировании ситуативного поведения ИА на основе АНСС.

Разработаны программные технологии обработки и хранения информации, включающие в себя механизмы и реализацию процессов сохранения, хранения и загрузки данных об АНСС из файлов.

Рассмотрены диаграммы вариантов использования и деятельности, описывающие пользовательский интерфейс и процесс взаимодействия с пользователем.

4 ОЦЕНКА КАЧЕСТВА ПРИНЯТИЯ РЕШЕНИЙ НА ОСНОВЕ РАЗРАБОТАННЫХ ПРОГРАММНЫХ СРЕДСТВ

МОДЕЛИРОВАНИЯ ИНДИВИДУАЛЬНОГО И КОЛЛЕКТИВНОГО ПОВЕДЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ АГЕНТОВ

4.1 Моделирование поведения интеллектуальных агентов на примере решения логистических задач

Для моделирования поведения агентов выполняются задачи поддержки логистических решений при производстве, хранении и выдаче изделий в АО «НПП Измеритель» (г. Смоленск). На рисунке 4.1 проиллюстрированы соответствующие логистические процессы.

Заказ Запрос выдачи

Рисунок 4.1 - Иллюстрация логистических процессов при производстве, хранении и выдаче изделий в АО «НПП Измеритель»

Приведем обобщенное описание этих логистических процессов. Шаг 1. Заказчик формирует для отдела продаж заказ на определенный вид выпускаемых изделий.

Шаг 2. Менеджер отдела продаж запрашивает на складе информацию об имеющихся остатках заказанных изделий.

Шаг 3. Если изделий на складе достаточно, то переход к шагу 11, иначе, менеджер осуществляет запрос информации о находящихся в производстве требуемых изделиях.

Шаг 4. Если остатков на складе и находящихся в производстве изделий не хватает для выполнения заказа, то менеджер запрашивает производство о недостающем количестве изделий.

Шаг 5. Производство запрашивает на складе детали, необходимые для изготовления требуемых изделий.

Шаг 6. Если на складе недостаточно деталей, то формируется запрос о закупке недостающего количества этих деталей отделу закупок.

Шаг 7. Отдел закупок осуществляет закупку, поставщик осуществляет отгрузку деталей на склад.

Шаг 8. Запрошенные производством детали передаются ему со склада.

Шаг 9. После завершения производства готовые изделия передаются на склад.

Шаг 10. Склад выдает изделия менеджеру отдела продаж для передачи их заказчику.

Шаг 11. Менеджер выдает заказанные изделия заказчику.

Изделия, имеющиеся на складе или находящаяся в производстве, после формирования заказа резервируется для заказчика, то есть становятся недоступными для других заказов. Предприятие осуществляет выпуск двух видов изделий. Для каждого из этих видов изделий необходимо осуществлять контроль количества изделий: заказанного заказчиками; находящихся в производстве и имеющихся на складе; зарезервированных на складе; зарезервированных в производстве.

Для каждого вида изделий определен состав, то есть набор деталей (комплектующих и расходных материалов), необходимых для их производства. Для каждой разновидности необходимых деталей ведется учет количества на складе, в производстве и уже заказанных.

На предприятии устанавливаются нормы на минимальное количество имеющихся на складе деталей и изделий. При несоответствии этим нормам осуществляется запуск производства недостающего количества изделий и заказ требуемых для этого деталей.

Цена каждого вида изделий определяется на основании цен деталей необходимых для его производства, а также определенного процента наценки.

Для реализации логистических процессов каждому структурному подразделению предприятия соответствует агенты (см. таблицу 4.1).

Таблица 4.1 - Соответствие структурных подразделений предприятия и агентов

№ Структурное подразделение Агент

1 Отдел продаж Менеджер

2 Склад Кладовщик

3 Производство Начальник производства

4 Отдел закупок Менеджер отдела закупок

5 Предприятие в целом (кроме агентов заказчиков и поставщиков) Агент-субординатор -директор предприятия

Заказчик в перечень агентов не включается, а его потребность в определённом виде изделий представляется в виде внешнего воздействия на агента «Менеджер».

Поставщики также не представлены в перечне агентов. Их активность отражена в виде некоторого внешнего объекта, которому передают запросы агенты типа «Менеджер отдела закупок». В свою очередь, этот внешний объект по данному запросу предоставляет информацию («ресурс» в виде заказываемых деталей) агентам типа «Кладовщик».

Все описанные агенты взаимодействуют друг с другом. В таблице 4.2 представлены «укрупненные» типы взаимодействий между агентами. Например, менеджеры конкурируют друг с другом за общий распределяемый ресурс «Заказ покупателя», который формируется в результате внешнего воздействия заказчиков.

Предполагается, что на предприятии имеется один агент типа «Начальник производства». Агент «Директор предприятия» в таблице 4.2 не представлен, так как он осуществляет руководство всеми агентами (кроме заказчиков и поставщиков - с ними у него взаимодействие типа «независимость»), и его АНСС включает в себя АНСС всех остальных типов агентов и соответствует обобщенной АНСС. Для него имеет реализуется моделирование индивидуального поведения. Количество остальных агентов определяется численностью персонала предприятия, задействованных в описанных логистических процессах (см. таблицу 4.3). Каждому сотруднику соответствует свой интеллектуальный агент и АНСС.

Таблица 4.2 - Типы взаимодействий между агентами

Менеджер Кладовщик Начальник производства Менеджер отдела закупок

Менеджер Конкуренция Сотрудничество Сотрудничество Независимость

Кладовщик Сотрудничество Сотрудничество Сотрудничество Сотрудничество

Начальник производства Сотрудничество Сотрудничество — Независимость

Менеджер отдела закупок Независимость Сотрудничество Независимость Сотрудничество

Таблица 4.3 - Численность агентов в системе

Тип агента Численность

Менеджер 2

Кладовщик 3

Начальник производства 1

Менеджер отдела закупок 2

Директор 1

На первом этапе моделирования выполняется построение АНСС отдельных агентов. Каждая из таких АНСС позволяет осуществлять моделирование индивидуального поведения соответствующего интеллектуального агента. Компоненты и структуры АНСС агентов приведены ниже в таблицах 4.4-4.18 и на рисунке 4.2.

На втором этапе выполняется построение обобщенной АНСС. В зависимости от типа взаимодействия между агентами (см. таблицу 4.2) АНСС агентов объединяются друг с другом в соответствии со способом, описанным в подразделе 2.3.

На третьем этапе моделирования полученная обобщенная АНСС «сжимается» с на основе определения £-д-обш,ности для исключения схожих ситуаций.

Агент типа «Заказчик»

Таблица 4.4 - Нечёткие признаки для АНСС агента типа «Заказчик»

№ Наименование признака Терм-множество

1 Требуется изделий 1 {не требуется, мало, много}

2 Требуется изделий 2 {не требуется, мало, много}

Таблица 4.5 - Управляющие решения для АНСС агента типа «Заказчик»

№ Управляющее решение

1 Увеличить потребность в изделиях 1

2 Уменьшить потребность в изделиях 1

3 Увеличить потребность в изделиях 2

4 Уменьшить потребность в изделиях 2

Таблица 4.6 - Примеры нечётких ситуаций для АНСС агента типа «Заказчик»

р1 «Требуется изделий 1» р2 «Требуется изделий 2»

Т1 Т 2 Т3 Тр «не тре- ГГР2 Т 2 гТР2 Т3

«не требуется» «мало» «много» буется» «мало» «много»

¿1 0,9 0,1 0 0,85 0,12 0

$2 0,87 0,1 0 0,4 0,7 0,3

¿3 0,91 0,14 0,1 0,1 0,4 0,9

$4 0,3 0,76 0,2 0,9 0,2 0,1

0,2 0,67 0,12 0,3 0,6 0,2

0,1 0,78 0,16 0,1 0,5 0,8

0 0,5 0,95 0,8 0,3 0,1

0,05 0,4 0,9 0,3 0,7 0,1

$9 0,2 0,5 0,9 0,1 0,3 0,9

Рисунок 4.2 - Пример АНСС для агента типа «Заказчик»

Агент типа «Менеджер отдела продаж»

Таблица 4.7 - Нечёткие признаки для АНСС агента типа «Менеджер отдела

продаж»

№ Наименование признака Терм-множество

1 Требуется изделий 1 {не требуется, мало, много}

2 Требуется изделий 2 {не требуется, мало, много}

3 Имеется изделий 1 на складе {мало, средне, много}

4 Имеется изделий 2 на складе {мало, средне, много}

5 Изделия 1 в производстве {мало, средне, много}

6 Изделия 2 в производстве {мало, средне, много}

7 Зарезервировано изделий 1 на складе {мало, средне, много}

8 Зарезервировано изделий 2 на складе {мало, средне, много}

9 Зарезервировано изделий 1 в производстве {мало, средне, много}

10 Зарезервировано изделий 2 в производстве {мало, средне, много}

11 Цена изделия 1 {низкая, средняя, высокая}

12 Цена изделия 2 {низкая, средняя, высокая}

продаж»

№ Управляющее решение

1 Увеличить потребность в изделиях 1

2 Уменьшить потребность в изделиях 1

3 Увеличить потребность в изделиях 2

4 Уменьшить потребность в изделиях 2

5 Увеличить количество изделий 1 на складе

6 Уменьшить количество изделий 1 на складе

7 Увеличить количество изделий 2 на складе

8 Уменьшить количество изделий 2 на складе

9 Увеличить количество изделий 1 в производстве

10 Уменьшить количество изделий 1 в производстве

11 Увеличить количество изделий 2 в производстве

12 Уменьшить количество изделий 2 в производстве

13 Увеличить количество изделий 1 в резерве на складе

14 Уменьшить количество изделий 1 в резерве на складе

15 Увеличить количество изделий 2 в резерве на складе

16 Уменьшить количество изделий 2 в резерве на складе

17 Увеличить количество изделий 1 в резерве на производстве

18 Уменьшить количество изделий 1 в резерве на производстве

19 Увеличить количество изделий 2 в резерве на производстве

20 Уменьшить количество изделий 2 в резерве на производстве

Агент типа «Кладовщик»

Таблица 4.9 - Нечёткие признаки для АНСС агента типа «Кладовщик»

№ Наименование признака Терм-множество

1 Имеется изделий 1 на складе {мало, средне, много}

2 Имеется изделий 2 на складе {мало, средне, много}

3 Зарезервировано изделий 1 на складе {мало, средне, много}

4 Зарезервировано изделий 2 на складе {мало, средне, много}

5 Имеется деталей 1 на складе {мало, средне, много}

6 Имеется деталей 2 на складе {мало, средне, много}

7 Имеется деталей 3 на складе {мало, средне, много}

8 Требуется деталей 1 {мало, средне, много}

9 Требуется деталей 2 {мало, средне, много}

10 Требуется деталей 3 {мало, средне, много}

11 Минимальная норма для детали 1 {низкая, средняя, высокая}

12 Минимальная норма для детали 2 {низкая, средняя, высокая}

13 Минимальная норма для детали 3 {низкая, средняя, высокая}

№ Управляющее решение

1 Увеличить количество изделий 1 на складе

2 Уменьшить количество изделий 1 на складе

3 Увеличить количество изделий 2 на складе

4 Уменьшить количество изделий 2 на складе

5 Увеличить количество изделий 1 в резерве на складе

6 Уменьшить количество изделий 1 в резерве на складе

7 Увеличить количество изделий 2 в резерве на складе

8 Уменьшить количество изделий 2 в резерве на складе

9 Увеличить количество деталей 1 на складе

10 Уменьшить количество деталей 1 на складе

11 Увеличить количество деталей 2 на складе

12 Уменьшить количество деталей 2 на складе

13 Увеличить количество детали 3 на складе

14 Уменьшить количество деталей 3 на складе

15 Увеличить потребность в деталях 1

16 Уменьшить потребность в деталях 1

17 Увеличить потребность в деталях 2

18 Уменьшить потребность в деталях 2

19 Увеличить потребность в деталях 3

20 Уменьшить потребность в деталях 3

Агент типа «Начальник производства» Таблица 4.11 - Нечёткие признаки для АНСС агента типа «Начальник

производства»

№ Наименование признака Терм-множество