Войти
Простой рефлекторный агент 
Обучающий агент Система многоагентная ( MAS или «самоорганизующаяся система») представляет собой компьютеризированную систему, состоящую из множества взаимодействующих интеллектуальных агентов. Многоагентные системы могут решать проблемы, которые сложно или невозможно решить отдельному агенту или монолитной системе. Интеллект может включать методический, функциональный, процедурный подходы, алгоритмический поиск или обучение с подкреплением.
Несмотря на значительное совпадение, многоагентная система не всегда совпадает с агентной моделью (ABM). Цель ABM - поиск объяснительного понимания коллективного поведения агентов (которые не обязательно должны быть «умными»), подчиняющихся простым правилам, обычно в естественных системах, а не при решении конкретных практических или инженерных задач. Терминология ABM чаще используется в науке, а MAS - в технике и технологиях. Приложения, в которых исследование мультиагентных систем может обеспечить соответствующий подход, включают онлайн-торговлю, реагирование на стихийные бедствия, наблюдение за объектами и моделирование социальной структуры.
Многоагентные системы состоят из агентов и их среды. Обычно исследование мультиагентных систем относится к программным агентам. Однако агентами в многоагентной системе могут быть роботы, люди или человеческие команды. Многоагентная система может содержать объединенные команды человек-агент.
Агенты можно разделить на типы, от простых до сложных. Категории включают:
Агентские среды можно разделить на:
Среда агентов также может быть организована в соответствии с такими свойствами, как доступность (возможно ли собрать полную информацию о среде), детерминизм (вызывает ли действие определенный эффект), динамика (сколько сущностей влияет на среду в данный момент), дискретность (является ли число возможных действий в среде конечным), эпизодичность (влияют ли действия агента в определенные периоды времени на другие периоды) и размерность (являются ли пространственные характеристики важными факторами среды и учитывает ли агент пространство при принятии решений). Действия агента обычно осуществляются через соответствующее промежуточное программное обеспечение. Это промежуточное программное обеспечение предлагает первоклассную абстракцию дизайна для многоагентных систем, предоставляя средства для управления доступом к ресурсам и координации агентов.
Агенты в многоагентной системе обладают несколькими важными характеристиками:
Многоагентные системы могут проявлять самоорганизацию, а также самоуправление и другие парадигмы управления и связанное с ними сложное поведение, даже если индивидуальные стратегии всех их агентов просты. Когда агенты могут обмениваться знаниями, используя любой согласованный язык, в рамках ограничений системного протокола связи, такой подход может привести к общему улучшению. Примеры языков - это язык манипулирования запросами знаний (KQML) или язык связи агентов (ACL).
Многие MAS реализованы в компьютерном моделировании, продвигая систему через дискретные «временные шаги». Компоненты MAS обычно обмениваются данными с помощью взвешенной матрицы запросов, например
Speed-VERY_IMPORTANT: min=45 mph, Path length-MEDIUM_IMPORTANCE: max=60 expectedMax=40, Max-Weight-UNIMPORTANT Contract Priority-REGULAR
и взвешенная матрица отклика, например
Speed-min:50 but only if weather sunny, Path length:25 for sunny / 46 for rainy Contract Priority-REGULAR note – ambulance will override this priority and you'll have to wait
Схема запрос-ответ-контракт распространена в системах MAS, где
также рассматриваются другие компоненты, развивающиеся «контракты» и наборы ограничений компонентных алгоритмов.
Другая парадигма, обычно используемая с MAS, - это « феромон », когда компоненты оставляют информацию для других близлежащих компонентов. Эти феромоны могут со временем испаряться / концентрироваться, то есть их значения могут уменьшаться (или увеличиваться).
MAS стремятся найти лучшее решение своих проблем без вмешательства. Здесь есть большое сходство с физическими явлениями, такими как минимизация энергии, когда физические объекты стремятся достичь минимально возможной энергии в физически ограниченном мире. Например: многие автомобили, въезжающие в мегаполис утром, будут доступны для выезда из этого же мегаполиса вечером.
Системы также имеют тенденцию предотвращать распространение ошибок, самовосстановление и отказоустойчивость, в основном из-за избыточности компонентов.
Изучение многоагентных систем «связано с разработкой и анализом сложных архитектур решения проблем и управления ИИ как для одноагентных, так и для многоагентных систем». Темы исследования включают:
Появились структуры, реализующие общие стандарты (такие как стандарты FIPA и OMG MASIF). Эти структуры, например JADE, экономят время и помогают в стандартизации разработки MAS.
Однако в настоящее время ни FIPA, ни OMG не поддерживают ни одного стандарта. Усилия по дальнейшей разработке программных агентов в промышленном контексте ведутся в техническом комитете IEEE IES по промышленным агентам.
MAS применяются не только в академических исследованиях, но и в промышленности. MAS применяются в реальном мире для графических приложений, таких как компьютерные игры. Агентные системы использовались в фильмах. Его широко рекомендуют использовать в сетевых и мобильных технологиях для достижения автоматической и динамической балансировки нагрузки, высокой масштабируемости и самовосстановления сетей. Они используются для скоординированных систем защиты.
Другие приложения включают транспорт, логистику, графику, производство, энергосистему, интеллектуальные сети и ГИС.
Кроме того, многоагентные системы искусственного интеллекта (MAAI) используются для моделирования обществ, цель которых - помочь в области климата, энергетики, эпидемиологии, управления конфликтами, жестокого обращения с детьми и т. Д. Некоторые организации, работающие над использованием мультиагентности. Системные модели включают Центр моделирования социальных систем, Центр исследований в области социального моделирования, Центр моделирования политики, Международное общество моделирования и моделирования. Hallerbach et al. обсудили применение агентных подходов для разработки и проверки автоматизированных систем вождения с помощью цифрового двойника тестируемого транспортного средства и микроскопического моделирования дорожного движения на основе независимых агентов. Waymo создала среду мультиагентного моделирования Carcraft для тестирования алгоритмов беспилотных автомобилей. Он имитирует взаимодействие между водителями-людьми, пешеходами и автоматизированными транспортными средствами. Поведение людей имитируется искусственными агентами на основе данных реального человеческого поведения.
