Архитектура предприятия агент-ориентированные решения. Учебное пособие

приводит к росту стоимости оборудования и ПО, которые обеспечивают выполнение задачи планирования в срок. При этом необ-

ходимо учитывать и невозможность расчета в разумные сроки, если плансжелаемойдетальностьюстроитсявбольшойкомпании,когда количество вычислительных операций имеет порядок числа Эшби.

6. Ориентация на централизацию планирования в «традиционных системах» обусловливает необходимость развертывания корпоративных информационных систем в централизованной ИТархитектуре, сложность и стоимость которой растет по мере роста компании и увеличения ее технологической зрелости. Это один из факторов, влияющих на уменьшение маржинальности бизнеса с ростом его размеров.

Отмечая особенности традиционных методов планирования, используемых в большинстве компаний и зачастую рассматриваемых в контексте их недостатков, важно помнить о том, что тради- ционныеметодыпланирования–одноизпрепятствийдляперехо- дакИндустрии5.0иОбществу5.0.Вновойтехнологическойэпохе,

для которой характерным является высокая эффективность исполь-

зования ресурсов предприятий, функционирующих в конкурентной среде с большой неопределенностью, оптимальное использование ресурсов – недостижимая задача, если решать ее традиционными способами. Нужен альтернативный подход. И он есть. Это – муль- тиагентные системы,которыеврейтингеГартнервключенывсписок ТОП-20 самых востребованных технологий XXI века.

Мультиагентные технологии – основа для создания нового поколения корпоративных информационных систем, в которых решение задач планирования и адаптивного управления ресурсами осуществляется не с использованием классических комбинаторных методов, а на основе альтернативного подхода. Класс решений,основанныйнамультиагентномпринципе,получилна-

звание ИСУР – интеллектуальная система управления ресурсами

(в настоящее время не стандартизированный термин, но в этом виде упоминаемый во множестве официальных документов).

ИСУР позволяет преодолеть сформулированные ограничения классических комбинаторных методов планирования. В ИСУР

41

заложена концепция и методология эмерджентного интеллекта (ЭИ), базирующаяся на теории сложных адаптивных систем профессораИ.Пригожина,Нобелевскоголауреата1977годапохимии за открытие автокаталитических реакций в органических растворах жидкостей и создание моделей и методов неравновесной термодинамики.

Внеравновесной термодинамике изучаются сложные процессы формирования устойчивых неравновесий (или неустойчивых равновесий),характерныедляоткрытыхсамоорганизующихсясистем, построенных на потоке энергии. События, возникающие в состояниях таких неравновесий, с накопленной большой потенциальной энергией спонтанно запускают каскадные автокаталитические реакции, приводящие к разрушению уже сложившихся структур и динамическому образованию более сложных структур из более простых. Было замечено, что в социальных и экономических системах имеют место процессы этой природы, в связи с чем моделинеравновеснойтермодинамики,адаптированныевихконцептуальном представлении и логико-алгебраическом описании, нашли свое применение.

Данная аналогия с процессами принятия решений на рынках была использована при разработке ЭИ-систем, в основу которых положена модель виртуального рынка, на которой действуют программные агенты заказов и ресурсов с конфликтными по определениюинтересами,привносящиеновыеденьгикаканалогэнергии

и«тратящие» их на предоставление услуг внутренним и внешним клиентам. Агенты ресурсов и заказов могут конкурировать между собойикооперироватьсядругсдругом,устанавливатьиразрывать связи, самоорганизовываясь в сложные структуры расписаний.

Впроцессе развития этой идеи для ряда практических применений исследователями была разработана более сложная мультиагентная модель сети потребностей и возможностей (ПВ-сети) предприятия, включающая в себя дополнительные классы программных агентов заказов, процессов и операций, продуктов и ресурсов, а также штабного агента. Для агентов формулируются собственные целевые функции, отражающие интересы, предпочтения

42

иограничения участников. Кроме того, вводятся функции бону- сов-штрафов, регулирующих уступки агентов друг другу при разрешении конфликтов.

Решение любой сложной задачи планирования и оптимизации ресурсов на базе ПВ-сетей формируется методом компенсаций, в ходе конкуренции и кооперации агентов, выявляющих и разрешающихконфликтымеждузаказамииресурсамизасчетпереговоров

ивзаимных уступок на виртуальном рынке системы.

Процесс поиска расписания (плана) завершается при достижении неулучшаемого состояния («конкурентного равновесия», или консенсуса), когда ни один из агентов не может более улучшить общеерешение,илипоокончанииотведенногонапоискрасписания времени. Если время, отведенное на поиск расписания, окончено, но потенциал улучшений в части наиболее оптимального распределения ресурсов для выполнения заказов не реализован, то скалькулированный план все равно является применимым: постоянное использование в работе ИСУР гарантирует нахождение расписания, удовлетворяющего ограничениям (сатисфакционное решение), или гамма-эффективным.

В итоге ИСУР – это не централизованный объект, реализующий пакетную обработку данных комбинаторным алгоритмом, решающим однокритериальную, NP-полную задачу, а сеть согласованнодействующихлокальныхмультиагентныхпланировщиков и оптимизаторов ресурсов, обладающих собственными целевыми функциями и функциями бонусов-штрафов и способных разрешать противоречия и достигать баланса интересов, т. е. находить состояния конкурентных равновесий, отвечающих условиям согласия и консенсуса.

ИСУР из-за децентрализованной архитектуры менее требовательны, чем классические системы, в части потребления вычисли- тельныхИТ-ресурсовиобладаютполиномиальнойтрудоемкостью. В силу указанных особенностей они позволяют решать задачи управления ресурсами «на лету», т. е. обеспечивают реализацию адаптивного механизма управления ресурсами предприятия, функционирующего в условиях неопределенности.

43

2.2. Агентное моделирование как метод имитационного моделирования

Термин «имитационное моделирование» означает использова-

ние вычислительной модели в целях получения дополнительного представления о поведении системы (например, биологической или социальной) для оценки проектов и планов без их воплощения в реальном мире (например, архитектурные проекты, организация дорожного движения и т. п.) [23; 24]. Использование таких сред часто необходимо, поскольку моделируемую систему невозможно наблюдать (так как она фактически проектируется), а также по этическим (например, безопасность людей) или практическим(например,стоимостьэкспериментовилисбораданных, наблюдение за системами, характеризующимися очень медленной эволюцией) причинам [24].

За счет создания виртуальной среды у аналитиков появляется возможность экспериментировать с различными сценариями, анализировать потенциальные результаты и принимать обоснованные решения. Однако с развитием сложных систем, необходимостью преодоления границ операционных сред и устранением разнородностиобъектныхмоделей,состоящихизразличныхклассовобъектов,сталнеобходимпоискновогометодамоделирования взаимодействия объектов со средой.

Агентное моделирование (agent-based model (ABM)) – «метод имитационногo моделирования, исследующий поведение децентрализованных агентов (некоторая сущность, система, которая обладает свойством, помимо свойств объекта, существовать и объединять, необходимых для взаимодействия с внешней средой) и то, как такое поведение определяет поведение всей системы в целом» [25]. То есть ABM является мощным инструментом для пониманиясложныхсистемзасчет моделированиядействий отдельных агентов внутри них. Применяемое в различных областях, таких как экономика, биология, экология и социология, ABM помогает исследователям анализировать поведение сложных систем.

44

Агентные модели особенно хорошо подходят для изучения и анализа таких тем, как децентрализованное принятие решений, локально-глобальные взаимодействия, самоорганизация, возникновение и влияние неоднородности в моделируемой системе [24]. ABM работает на том принципе, что поведение системы можно понять, моделируя взаимодействия и действия ее отдельных компонентов.Этотподходпозволяетнаблюдатьзавозникающимиреакциями, которые часто сложно предсказать, используя традиционные методы моделирования.

ABM основана на концепции агентов, которые являются автономными объектами, взаимодействующими друг с другом и их окружающей средой. Варианты определения агентов могут быть весьма разнообразны: люди в обществе, клетки в биологической системе и др. У каждого агента есть собственный набор правил поведения, определяющий, как он реагирует на стимулы в своей среде [26].

Агентные модели имеют множество различных типов в зависимости от их применения и использования.

Рассмотрим некоторые из них:

1.Модели, основанные на социальных агентах, имитирующие действия людей в социальной среде, такой как семья, офис и общество. Их используют для исследования социальных явлений, включая формирование мнений, культурные изменения и динамику социальных сетей.

2.Экологические агентные модели, позволяющие изучать такие экологические явления, как взаимодействие видов, динамика популяций и устойчивость экосистем за счет имитации поведения отдельных животных в экосистемах.

3.Экономические агентные модели, используемые для исследованияэкономическихявлений,такихкакдинамикарынка,влияние экономической политики за счет имитации поведения экономических агентов (потребители, поставщики и правительство).

4.Организационные агентные модели, имитирующие действия агентов для изучения таких явлений, как организационная структура, распределение ресурсов и процедуры принятия решений.

45

5.Мультиагентныесистемы(МАС).Этиагентныемоделимогут включать в себя все ранее упомянутые виды. MAС – это более общая категория. Они используются для изучения сложных систем, включая цепочки поставок, роботизированные рои и транспортные сети, в которых множество участников сотрудничают для достижения своих отдельных целей [27].

Агентные модели имеют много преимуществ. ABM хорошо отражает сложные модели и поведение, возникающие в результате взаимодействия между отдельными агентами. В отличие от обычных методов моделирования ABM позволяет увидеть и проанализировать, как локальные взаимодействия между агентами могут привести к неожиданным и зачастую очень сложным глобальным закономерностям. Это делает ее очень полезной для изучения таких систем, как социальные сети, экосистемы и рынки, где общее поведение гораздо сложнее, чем просто сумма частей.

ABM обеспечивает более естественный и интуитивно понятный способ моделирования сложных систем. Моделирование отдельных агентов и их взаимодействий тесно связано с тем, как работают реальные системы. Каждый агент может быть запрограммирован на правила и поведение, которые имитируют реальные объекты, что делает модель более доступной и легкой для понимания. Такой подход позволяет исследователям и заинтересованным сторонам более эффективно визуализировать и понимать динамику системы.

Адаптивность ABM – одно из главных ее преимуществ. Изменяя количество и тип агентов, их действия и правила, управляющие их взаимодействием, можно сделать агент-ориентированную модель настолько простой или сложной, насколько это необходимо. Поскольку модели поддаются масштабированию, они могут начинаться с простых и усложняться по мере поступления новых данныхилиизменениявопросов,лежащихвосновеисследования. ABM может применяться для решения широкого круга задач – от простых теоретических исследований до сложных моделей реальных явлений, основанных на данных.

Однако у ABM есть и ограничения. Одной из проблем является сложность вычислений, особенно при большом количестве

46

агентов. Это может привести к перегрузке вычислительных ресурсов. Валидация и калибровка ABM может быть затруднена из-за эмерджентного поведения (эмерджентность – это явление, когда в системе появляются новые свойства или поведение, не характерные для отдельных ее компонентов), возникающего на основе простых правил агентов. Определение подходящих значений параметров – еще одна проблема, поскольку небольшое изменение может привести к значительному изменению результатов. Кроме того, интерпретация результатов ABM может быть сложной, требующей детального анализа, чтобы было понятно, как отдельные моделиповедениявлияютнаобщуюдинамикусистемы.ABMтакже могут потребовать обширного сбора и обработки данных.

Вследующемпараграфемырассмотриммультиагентныетехнологии и их базовые понятия.

2.3. Базовые понятия агентного подхода

Мультиагентная технология – это новый способ решения сложныхзадач,использующийпринципысамоорганизациииэволюции, присущие живым системам. Суть мультиагентной технологиизаключаетсявпринципиальноновомметодерешениясложных задач, которые не могут быть решены или трудно решаемы классическими математическими методами [28].

В отличие от традиционного метода решения задач, когда комбинаторный поиск решений выполняется по четко определенному (детерминированному) алгоритму в целях нахождения наилучшего решения задачи, в мультиагентной технологии решение получается в ходе самоорганизации множества программных агентов, способных к конкуренции и сотрудничеству и имеющих свои критерии, предпочтения и ограничения. Решение найдено, когда после недетерминированных взаимодействий агенты достигают недоказуемого консенсуса (временного равновесия или баланса интересов), который принимается за окончательное решение проблемы.

Решение в таких системах всегда рассматривается как временное «равновесие» (неустойчивое равновесие, или устойчивая

47

неравновесность), получаемое в результате динамического отключения системы, когда ни один из агентов не может улучшить свое состояние. Это указывает на достижение разумного компромисса, баланса интересов или гармонии всех участников, даже если некоторые из агентов не полностью удовлетворены.

Нарис.9представленыособенностимультиагентнойтехнологии.

Вмультиагентноймоделидлякаждойсущностиреальногомира определенпрограммныйагент,представляющийинтересыикоординирующий ее решения с другими агентами.

Преимущества мультиагентной технологии позволяют строить самоорганизующиеся системы (особенно выделяются в условиях априорной неопределенности и высокой динамики окружающего мира), что делает возможным создание адаптивных систем, перестраивающих свои планы в соответствии с событиями в реальном времени.

Вклассических методах планирования и оптимизации считает-

ся, что все заказы и ресурсы известны заранее и не меняютсяв ходе решения задачи. В предлагаемых моделях, методах и алгоритмах

Рис. 9. Отличия мультиагентной технологии от традиционной

48

изначально используется распределенный подход к решению задач: сложная задача разбивается на множество мелких, а затем конфликты между решениями разрешаются за счет самоорганизации. В то же время система не ищет единого глобального решения, а посредством множества параллельных и асинхронных взаимодействийбыстронаходитприемлемоерациональноерешение, несмотря на существование различных и часто противоречивых критериев. Это работает для задач любого масштаба.

Длярешениясложныхзадачуправленияресурсамипредлагаетсянаборспециальныхагентовспросаиресурсов,которыевзаимодействуютнавиртуальномрынкесистемыивыстраиваютотношения между собой, формируя сеть спроса и ресурсов (DR-network). Этиагентымаксимизируютсобственныефункцииудовлетворения потребностей, учитывая заданные функции бонусов и штрафов.

Построенная таким образом система способна принимать довольно сложные решения даже при использовании относительно простых агентов и небольших изменениях на входе. Здесь проявляется феномен роевого интеллекта – альтернатива классическомупониманиюинтеллектуальнойсистемы,котороесейчаспринято в области искусственного интеллекта (ИИ). В живой природе рой, действуя сообща, как единый организм, представляет собой мощную силу с высоким уровнем интеллекта, позволяющую защищать гнездо от непредвиденных вторжений, исследовать новые территории, находить пищу в незнакомой местности и решать множество других важнейших жизненных задач в постоянно меняющихся условиях окружающего мира.

Дляразвития«роевогоинтеллекта»можносоздаватьмоделивсе более сложных командных взаимодействий, включая новые классы агентов и протоколы их переговоров для достижения уступок, перенимания опыта и т. д.

Чем выше интеллект каждого агента и чем богаче возможности такой коммуникации между ними, тем более сложным и творческим будет демонстрируемое поведение системы.

В настоящее время мультиагентная технология является одним из наиболее динамично развивающихся и перспективных

49

направлений в области информационных технологий, успешно дополняя такие передовые области, как семантический Интернет ионтологии,сетецентрическиесистемы,интернетвещейидругие.

Распределенный искусственный интеллект (DAI) – это подраздел искусственного интеллекта [29], который приобрел значительную важность благодаря способности решать сложные реальные проблемы.Основноевниманиевисследованияхвсферераспределенного искусственного интеллекта (ИИ) было сосредоточено на трех различных областях: параллельном ИИ, распределенном решении проблем (DPS) и мультиагентных системах. Параллельный ИИ в первую очередь относится к методологиям, используемым для упрощения классических методов ИИ в случае применения к распределенным аппаратным архитектурам, таким как многопроцессорные или кластерные вычисления.

Основная цель параллельного ИИ – повысить скорость работы

ифункционировать в параллельных потоках для достижения глобальногорешенияконкретнойпроблемы[30].Распределенноерешение проблем похоже на параллельный ИИ и рассматривает, как можно решить проблему за счет совместного использования ресурсовизнаниймеждубольшимколичествомвзаимодействующих модулей, известных как вычислительная сущность. При распределенном решении проблем связь между вычислительными сущностями и количество передаваемой информации предопределены

ивстроены в конструкцию вычислительной сущности. Распределенное решение проблем является жестким из-за встроенных стратегий и, следовательно, предлагает мало вариантов или вообщенепредлагаетгибкости.Вотличиеотраспределенногорешения проблем МАС [31] имеют дело с поведением вычислительных сущностей, доступных для решения заданной проблемы. В мультиагентной системе каждая вычислительная сущность называется агентом. МАС можно определить как сеть отдельных агентов, которые делятся знаниями и общаются друг с другом для решения проблемы, которая выходит за рамки одного агента. Крайне важно понимать характеристики отдельного агента, чтобы различать простую распределенную систему и мультиагентную систему.

50