МОДЕЛИ АГЕНТОВ В ИНТЕЛЕКТУАЛЬНЫХ СИСТЕМАХ

Мелихова Оксана Аскольдовна

канд. техн. наук, доц., доц. Южного федерального университета,

РФ, г. Таганрог

E-mail: 

Вепринцева Ольга Витальевна

студент Южного федерального университета,

РФ, г. Таганрог

E-mail: 

" target="_blank">amime_ame4@mail.ru

Чумичев Владимир Сергеевич

студент Южного федерального университета,

РФ, г. Таганрог

E-mail: vladimir.chumichev@mail.ru

Джамбинов Сергей Владимирович

студент Южного федерального университета,

РФ, г. Таганрог

E-mail: 

Гайдуков Анатолий Борисович

студент Южного федерального университета,

РФ, г. Таганрог

E-mail: agon2299@mail.ru

AGENT MODELS IN INTELLIGENT SYSTEMS

Oksana Melikhova

candidate of Science,

assistant professor, assistant professor of the Southern Federal University,

Russia, Taganrog

Olga Veprintseva

student of the Southern Federal University,

Russia, Taganrog

Vladimir Chumichev

student of the Southern Federal University,

Russia, Taganrog

Sergey Dzhambinov

student of the Southern Federal University,

Russia, Taganrog

Anatoly Gaidukov

student of the Southern Federal University,

Russia, Taganrog

АННОТАЦИЯ

При построении современных систем искусственного интеллекта в качестве автономных компонент часто используются так называемые интеллектуальные агенты, главной особенностью которых является наличие знаний о закономерностях внешней среды, в которой функционирует агент, и возможность использования этих знаний при формировании управляющих воздействий на исполнительные органы. В работе рассматриваются возможные варианты моделей агентов, дается их краткая характеристика.

ABSTRACT

In the construction of modern systems of artificial intelligence as a stand-alone component often used so-called intelligent agents, the main feature of which is the availability of knowledge about the laws of the environment in which an agent, and the ability to apply that knowledge in the formation of control actions on executive bodies. The paper discusses the options model agents, given their brief characteristics.

Ключевые слова: искусственный интеллект, интеллектуальный агент, обучающийся агент, рефлексивный агент, системы, основанные на знаниях.

Keywords: artificial intelligence, intelligent agent, the agent trainee, reflective agent systems based on knowledge.

В последнее время в области искусственного интеллекта активно разрабатывается синергетическая парадигма, связанная с построением сложных, самоорганизующихся, развивающихся интеллектуальных систем. Развитие синергетического искусственного интеллекта предполагает объединение разнородных информационных и коммуникационных технологий вокруг базовых интеллектуальных технологий с целью усиление их достоинств и компенсации их недостатков. К числу основных современных технологий искусственного интеллекта относятся технологии, основанные на знаниях. Одной из таких технологий является технология агентов [1; 2].

В искусственном интеллекте широко распространено понятие агента. Агентом является все, что может рассматривать окружающую среду с помощью датчиков и воздействовать на эту среду с помощью исполнительных механизмов. В основу большинства интеллектуальных систем заложено понятие агента. В зависимости от системы могут применяться разные виды агентов, например, простые рефлексные агенты; рефлексные агенты, основанные на модели; агенты, действующие на основе цели; агенты, действующие на основе полезности [4; 6].

Простейшим видом агента является простой рефлексный агент [3; 7], который выбирает действие на основе текущего акта восприятия, игнорируя предысторию актов восприятия (Рисунок 1).

Рисунок 1. Схема простого рефлексивного агента

Данный вид агентов использует связь типа условие-действие. То есть, если выполняется какое-то условие, то на него агент использует определенное действие. Такую связь очень часто используют люди, так, например, водители автомобилей: если водитель видит, что впереди машина тормозит, то он тоже начинает тормозить. Это самый простой тип связи «условие-действие». Большинство из таких связей являются приобретенными в результате обучения, другие врожденными. Простые рефлексные агенты являются чрезвычайно примитивными, они ограничены в функционале. Для простых рефлексных агентов, которые действуют в не полностью наблюдаемой среде, характерны попадания в бесконечные циклы. Выход из бесконечных циклов становится возможным, если агент обладает способностью рандомизировать свои действия, то есть, если агент оказывается перед выбором из двух действий, то выбор будет зависеть от вероятности [8].

Одним из наиболее эффективных способов организации работы в условиях частичной наблюдаемости, является отслеживаемость агентом той части мира, которая воспринимается им в данный момент времени. Это означает, что агент должен поддерживать внутреннее состояние, зависящее от истории актов восприятия и отражать некоторые из ненаблюдаемых аспектов текущего состояния [1; 6]. Для обновления внутренней информации о состоянии в программе агента используются знания двух видов. Во-первых, информация о том, как изменяется мир независимо от агента, а во-вторых, информация о том, как действия агента влияют на окружающий мир. На основе первого вида информации строится модель мира. Агент, в котором используется данная модель, называется агентом, основанным на модели [2; 4]. На рисунке 2 представлена схема агента, основанного на модели.

Рисунок 2. Схема агента, основанного на модели

На данной схеме изображено, как действует агент. Агент получает информацию с помощью датчиков из окружающей среды, после чего создается новое внутренне состояние, на основе прошлых актов и новой информации, после чего выбирается действие на основе правила «условие – действие», после чего исполнительные механизмы воздействуют на окружающую среду [5; 7].

В реальной жизни для принятия решения не всегда достаточно информации из окружающей среды. Так, например, человек подходит к перекрестку, у него есть на выбор три направления движения, выбор направления зависит от цели. То есть, агенту требуется не только информация о мире, внутреннем состоянии, но и информация о цели, которая будет описывать желаемые ситуации. Программа агента может комбинировать эти виды информации для выбора действий, которые позволят достичь цели [1; 6; 7]. На рисунке 3 представлена структура агента, действующего на основе цели.

Рисунок 3. Схема агента, действующего на основе цели

Задача выбора действий на основе цели решается довольно просто, когда достижение цели становится результатом единственного действия, но когда достижение цели усложняется, то агенту потребуется рассмотреть последовательности действий, чтобы найти нужный способ достижения цели. Для достижения заданной цели используется поиск и планирование. Следует отметить, что принятие решений на основе цели полностью отличается от правила «условие-действие». Главным отличием от стандартного правила «условие-действие» является то, что агент на основе цели должен отвечать на вопросы: «Это действие позволит мне добиться цели?» или «Что будет, если я сделаю так?» [3; 5; 8]. В рефлексных агентах данная информация представлена не явно, поскольку правила устанавливают связь между восприятием и действием. Агент, основанный на цели, является менее эффективным, но в тоже время он является более гибким, поскольку знания, на которые он опирается, можно модифицировать. То есть, если меняется окружающая среда, то такой агент перестраивает приоритеты, после чего выбирает наилучшее действие, в то время как для агента, основанного на правиле «условие-действие» пришлось бы переписать ряд условий и правил [2; 6].

Но для реального мира наличие одной лишь цели недостаточно. Цель лишь строго устанавливает понятие между двумя состояниями: «удовлетворенности» и «неудовлетворенности» [1]. Для агента важно сравнение различных состояний мира в разные моменты времени, но цель этого не дает. Конечно, сам термин «удовлетворенность» не является научным, это состояние окружающего мира, которое просто более подходящее в сравнении с другим, и имеющее более высокую полезность. Функцию полезности отображает число, которое показывает степень удовлетворенности агента. Данная функция помогает при следующих двух ситуациях: во-первых, если есть несколько целей, которые противоречат друг другу, то функция полезности поможет найти компромиссное решение, например, между качеством и скоростью работы, а во-вторых, если есть несколько целей, которые должен выполнить агент, но у каждой цели нет полной вероятности успеха, то функция полезности позволяет оценить вероятность успеха с учетом приоритета цели.

Рассмотренные виды агентов имеют один общий недостаток. Этим недостатком является то, что агенты не могут обучаться, что является серьезным изъяном в интеллектуальных системах. Обучение является первичным качеством для интеллектуального агента, ведь благородя ему агент может функционировать в первоначально неизвестных ему вариантах среды и становиться более полезным и значимым, чем был изначально. На рисунке 4 показа структура обучающегося агента.

Рисунок 4. Общая модель обучающегося агента

Как показано на рисунке 4, обучающийся агент имеет четыре концептуальных компонента. Наиболее важное различие наблюдается между обучающим компонентом и производительным компонентом. Обучающий компонент отвечает за внесение усовершенствований, а производительный компонент за выбор внешних действий [2]. Обучающий компонент использует информацию от критика с оценкой того, как действует агент, и определяет его дальнейшие действия. Обучающий компонент полностью зависит от производительного компонента. В моделировании такого агента прежде всего нужно получить ответ на вопрос: «Какой производительный компонент потребуется» моему агенту, после того как он обучится выполнять свои функции?».

В структуре также есть критик, который выполняет функции оценщика действий агента с учетом постоянного стандарта производительности. Критик необходим в данной структуре, поскольку сам агент не понимает успешны ли его действия или нет. Стандарт производительности должен быть постоянным. Генератор проблем – служит для выбора действий, которые должны привести к получению совершенно нового информационного опыта [3]. Поскольку производительный компонент выбирает только наилучшие действия, то возможно в один момент, производственный компонент будет использовать одни и те же действия все время, полагая что они являются наилучшими, а генератор проблем служит для выбора менее оптимальных действий в начале, но возможно наилучших в конечном результате. То есть генератор проблем предназначен для того, чтобы система смогла экспериментировать, находя наилучшие решения.

Для всех рассмотренных моделей агентов непременным условием успешного анализа внешних ситуаций является их оценка в условиях неполноты информации. Оценка ситуации оказывает существенное влияние на формирование решений относительно дополнительного поведения агентов [4].

Список литературы:

1. Мелихова О.А. Методы построения интеллектуальных систем на основе нечеткой логики. – Таганрог: Изд-во ТРТУ, 2007. – 92 с.
2. Мелихова О.А. Процесс познания в терминах математической логики // Информатика вычислительная техника и инженерное образование. 13.10.2014. URL: http://digital-mag.tti.sfedu.ru (Дата обращения: 5.12.2015).
3. Мелихова О.А. Нейронные сети, как составная часть систем искусственного интеллекта // Информатика вычислительная техника и инженерное образование. 6.09.2015. URL: http://digital-mag.tti.sfedu.ru (Дата обращения: 1.12.2015).
4. Мелихова О.А., Мелихова З.А. Использование аппарата нечеткой математики при моделировании систем поддержки принятия решений // Известия ЮФУ. Технические науки. – Таганрог: Изд-во ТТИ ЮФУ, 2012, № 7 (132). – С. 113–118.
5. Мелихова О.А., Гайдуков А.Б., Джамбинов С.В., Чумичев В.С. Методы поддержки принятия решений на основе нейронных сетей // Актуальные проблемы гуманитарных и естественных наук. – Москва, № 09 (80). Ч. 1. 2015. – С. 52–59.
6. Мелихова О.А., Григораш А.С., Джамбинов С.В., Чумичев В.С., Гайдуков А.Б. Некоторые аспекты теории нейронных систем // Молодой ученый. – Казань. № 16 (96), 2015. – С. 196–199.
7. Мелихова О.А., Григораш А.С., Джмбинов С.В, Чумичев В.С, Гайдуков А.Б. Методы обучения в системах искусственного интеллекта // Технические науки – от теории к практике / Сб.ст. по материалам LII междунар. науч.-практ. конф № 11 (47). Новосибирск: Изд. АНС «Сибак», 2015 – С. 19–29.
8. Melikhova O.A., Rudenko E.G., Loginov O.A. Intelligent decision support systems: analysis, problems, prospects // Научная дискуссия: инновации в современном мире. – М., Изд. «Международный центр науки и образования», 2015. № 3-4 (35). – С. 166–170.