Задание и порядок выполнения работы

1. Для модели СМО (см. лабораторную работу № 8) создать интерфейсную форму ввода исходных параметров.

2. Провести оптимизацию параметров СМО методом деформируемого симплекса при помощи внешней программы.

3. В многокомпонентной модели CedarBog поведение одного из компонентов задать при помощи внешней программы.

Вопросы для самопроверки

1. В чем главное назначение языка EDL, используемого в Simplex3?

2. Объявление и вызов внешней программы в базисном компоненте.

3. Описание параметров входа и выхода во внешней программе.

4. Как осуществляется вызов процедуры-функции с одним и несколькими выходными параметрами?

Требования к отчету

Отчет должен содержать задание с описанием моделируемой системы, интерфейсной формы ввода исходных параметров, код внешней программы для создания экранной формы, МDL и ЕDL-описания компонентов и модели, формы представления и анализ результатов моделирования.

Литература

1. Ивашкин Ю.А. Мультиагентное имитационное моделирование больших систем : учебное пособие / Ю.А. Ивашкин. – М. : МГУПБ, 2008. – 238 с.

2. Schmidt B. The Art of modelling and simulation. / B. Schmidt. – SCS - Europe BVBA, Ghent, Belgium, 2001. – 504 c.

3. Шмидт Б. Искусство моделирования и имитации. Введение в универсальную имитационную систему Simplex3 / Б. Шмидт; перевод с немецкого под редакцией Ю.А. Ивашкина и В.Л. Конюха. – Ghent, Belgium, 2003. – 550 с.

4. http://isgwww.cs.uni-magdeburg.de/sim/its/ws0405/simplex/edl.pdf

Лабораторная работа № 14 мультиагентное моделирование систем в simplex 3

Цель работы. На основе изучения объектно-ориентированного языка описания моделей Simplex-MDL и языка описания эксперимента Simplex-EDL в универсальной имитационной системе Simplex3 освоить агентно-ориентированные технологии имитационного моделирования больших активных систем любой физической, биологической и социальной природы с построением мультиагентных имитационных моделей и организацией эксперимента для нахождения оптимальных решений.

1. Теоретическое введение

.

Динамика состояния большой системы в условиях неопределенности, нечеткой или неполной информации в большинстве случаев не может быть прогнозируемо аналитически или путем логического анализа, так как оно является результатом многошагового взаимодействия многих активных элементов системы и окружающей среды.

Для идентификации и прогнозирования различных ситуаций в больших системах предлагается агентно-ориентированная имитация взаимодействия активных элементов – интеллектуальных агентов, изменяющих свои свойства и поведение в зависимости от состояния других элементов и среды.

Под интеллектуальным агентом понимается модель активного элемента, имитирующая процессы обработки информации и принятия решения в сложных ситуациях по аналогии с интеллектуальным поведением человека в этих условиях.

Интеллектуальные агенты могут быть классифицированы по продукционному уровню искусственного интеллекта и способу поведения на следующие основные классы:

– рефлексивные агенты с простым поведением, реагирующие на текущее состояние среды выживания и информацию от других агентов-особей по продукционным правилам "условие -действие".

– знаниеориентированные агенты с поведением, основанным на априорных знаниях окружающей среды, способные идентифицировать ситуацию и принимать решения в условиях неполной информации о среде и степени достижения цели.

– целенаправленные обучаемые интеллектуальные агенты, располагающие базой знаний о характере связей между параметрами состояния и заданной целью, банком моделей поведения, альтернатив и стратегий достижения заданной цели в условиях дрейфа целевой функции, риска и противодействия.

Рис. 14.1. Общий алгоритм поведения интеллектуального агента

– самообучающиеся целеустремленные агенты, способные накапливать знания на основе большого объема данных и онтологии событий в процессе взаимодействия с другими агентами и окружающей средой, адаптироваться к ситуации, выбирать стратегию достижения выбранной цели и оценивать степень ее достижения.

Критерием интеллектуальности агента является степень полноты и глубины априорной базы знаний, стратегий и алгоритмов целеустремленного поведения в условиях неопределенности, риска и конфликта.

Общий алгоритм поведения интеллектуального агента в динамической ситуации, требующей принятия решения, показан на рис. 14.1.

Структура объектного описания интеллектуального агента и модели в целом аналогичны описанию базисного компонента модели в Simplex-MDL [1,2] с использованием сенсорных переменных, мобильных компонентов и компонентов верхнего уровня для организации связей и взаимодействия интеллектуальных агентов в общей мультиагентной имитационной модели системы.

В различных случаях компонентно-ориентированная модель интеллектуального агента включает те или иные базовые подкомпоненты, имитирующие его физическое, интеллектуальное, эмоциональное и другие состояния, изменяющиеся в результате взаимодействия с другими агентами и средой.