2.2.3. Архитектура агентных систем

Можно считать устоявшейся традицию выделения трёх базовых классов архитектур агентных систем [21,22,42]:

• делиберативные архитектуры (deliberative architectures);

• реактивные архитектуры (reactive architectures);

• гибридные архитектуры (hybrid architecture).

Термин «делиберативный агент» (deliberate agent) был введён в работе [43].

Делиберативную архитектуру принято определять как архитектуру агентов, содержащих точную символическую модель мира, и принимающих решения на основе логического вывода [14,21,22]. Прямое заимствование англоязычного термина «делиберативный» приводит к не слишком благозвучному для русского языка названию, но предлагаемое Т. А. Гавриловой и В. Ф. Хорошевским название для подобных агентов – «агенты, базирующиеся на знаниях» тоже нельзя признать очень удачным, так как и агенты других классов, естественно, используют определённые знания, но выраженные в другой форме.

Поэтому в целях более компактного начертания понятий будем пользоваться термином «делиберативная архитектура».

Построение делиберативных архитектур требует решения таких проблем как построение адекватного символического описания реального мира (модель мира), учитывающего сложность происходящих во времени процессов и действующих объектов; организации логического вывода из имеющихся знаний, который должен приводить к определённым действиям агентов.

Примерами систем, построенных в этой архитектуре являются IPEM (Integrated Planning Execution and Monitoring) [44], IRMA (Intelligent Resource-bounded Machine Architecture) [45], AUTODRIVE [46], Homer [47].

Достоинством делиберативных архитектур является возможность применения строгих формальных методов и хорошо отработанных технологий традиционного искусственного интеллекта, позволяющих относительно легко представлять знания в символьной форме и переносить их в агентную систему. В тоже время создание полной и точной модели некоторой предметной области реального мира, формализация ментальных свойств агентов и процессов рассуждения в этих когнитивных структурах представляют существенные трудности для технической реализации.

Поиски путей разрешения проблем, возникающих при использовании в агентных системах классических методов ИИ привели к появлению нового класса – реактивных архитектур. Основоположником этого направления принято считать Р. Брукса (R.Brooks), который так сформулировал ключевые идеи бихевиористического взгляда на интеллект:

• интеллектуальное поведение может создаваться без явного символьного представления знаний;

• интеллектуальное поведение может создаваться без явного абстрактного логического вывода;

• интеллект является внезапно возникающим свойством некоторых сложных систем [48,49].

В реальном мире интеллект не является экспертной системой или машиной логического вывода, а интеллектуальное поведение возникает как результат взаимодействия агента со средой. Известными примерами таких архитектур являются Pengi [50], архитектура ситуационных автоматов [51], ABLE (Agent Behaviour Language) [52].

Реактивный подход позволяет эффективно использовать множество достаточно простых сценариев поведения агентов в рамках установленных реакций на определённые события окружающей среды, но его ограниченность проявляется в практической невозможности полного ситуативного анализа всех возможных активностей агентов.

Поэтому в большинстве проектов и действующих систем используются гибридные архитектуры, спектр вариантов построения которых достаточно широк [53,54,55,56]. Особенности построения таких архитектур рассмотрим на примере системы InteRRaP [56], соединяющей в себе свойства BDI-архитектур (Belief, Desire, Intentions) и многослойных (layered) архитектур. В основе BDI-архитектур лежит достаточно строгая теоретическая концепция [57], но они недостаточно приспособлены для реального проектирования ресурсно-ограниченных и целенаправленных агентных приложений. Многослойные архитектуры хорошо поддерживают моделирование различных уровней абстракции, ответственности и сложности представления знаний, но слишком сложны для формального назначения свойств агентов и во многом зависят от интуиции разработчика.

Архитектура InteRRaP использует ментальные категории, определённые в BDI-теории для описания знаний агентов, целей и состояний. Графическое представление архитектуры InteRRap дано на рис. 2.2.

Рис. 2.2. Архитектура агента в системе InteRRaP

------ - информационные потоки

- потоки управления.

В данной архитектуре реализованы три базовые функции:

- BR (P,B) = B` - функция ревизии убеждений и абстрактных знаний, переводящая текущее состояние P агента и его старое убеждение B в новое убеждение B`;

- SG (B,G) = G` - функция распознавания ситуации и активации цели, выводящая новую цель G` из убеждений агента B и его текущей цели G;

• PS (B,G,I) = I` - функция планирования и составления расписания, выводящая I` новых намерений, основанных на убеждениях B, целях G, выбранных функцией SG, и текущей внутренней структуры намерений I данного агента.

Базовые функции в зависимости от уровня иерархии получают свою направленность, что отражает табл. 2.4.

Таблица 2.4.

	Слой определения поведения	Слой локального планирования	Слой кооперативного планирования
BR	Генерация и развитие убеждений (модель среды)	Абстракция локальных убеждений (ментальная модель)	Установление моделей других агентов (социальная модель)
SG	Активация образцов поведения	Распознавание ситуаций, требуемых локальным планированием	Распознавание ситуаций, требуемых кооперативным планированием
PS	Прямая связь от ситуации к последователь-ности действий	Модификация локальных намерений; локальное планирование	Модификация присоединённых намерений; кооператив-ное планирование

Каждый уровень иерархии содержит два процесса, реализующие функции SG и PS. Процесс SG_i распознаёт ситуации, интересующие соответствующий уровень и выполняет активацию цели. Процесс PS_i реализует переход от целей к намерениям и действиям, принимая по входу пары «цель-ситуация», созданные процессом SG_i, определяет планы достижения целей и отслеживает выполнение шагов плана.

Если процесс PS_i не компетентен для ситуации S, он посылает требование активации, содержащее соответствующую пару «ситуация-цель» к SG_i+1, где описание ситуации обрабатывается за счёт дополнительных знаний, доступных этому процессу, для того чтобы произвести соответствующее описание цели. В результате обработки ситуация S возвращается обратно к PS_i. Так работает механизм управления, основанный на компетентности.

Ситуация же определяется как множество формул

где S_BWM, S_LMM, S_CSM. Индексы обозначают: B –слой определения поведения, L – слой локального планирования, С – слой кооперативного планирования. WM – модель среды, ММ – ментальная модель, SM – социальная модель. Таким образом, ситуация описывается в контексте состояний внешней среды, целей и намерений агента и его убеждений о других агентах.

Внутренняя организация архитектуры InteRRaP представляется весьма логичной и убедительной, но такая сложная иерархия функций, процессов и моделей, естественно не поддаётся строгой формализации и работоспособность системы во многом обеспечивается интуицией и опытом разработчиков.

Областью применения данной архитектуры явилась задача управления интерактивными роботами, выполняющими транспортные задачи в загрузочном цехе. Роботы-агенты принимают задачи загрузки и разгрузки грузовиков и могут вступать в конфликты с другими роботами, так как могут блокировать друг друга на подъездных путях, могут стремиться попасть на площадь занятую другим роботом.

Нетрудно видеть, что решаемая транспортная задача является весьма типичной для такого рода автоматизированных и автоматических систем и предполагает действие однотипных агентов-роботов в общей среде, состояние которой, хотя бы в принципе, может быть точно определено. Типы ситуаций также составляют конечное и достаточно ограниченное множество.

В корпоративных системах управления (масштаб предприятия, организации) интеллектуальные агенты, представляющие те или иные объекты и субъекты системы управления будут заведомо неравноправны, они должны быть включены в жёсткую иерархическую структуру с определёнными правами и обязанностями. При этом возникают проблемы распределения глобальных задач на подмножества агентов-исполнителей.

Рассмотренный пример хорошо демонстрирует достоинства и недостатки гибридных архитектур, которые позволяют гибко сочетать возможности различных моделей, но в большинстве случаев сильно зависят от специфики приложений, для которых они разрабатываются. В таких архитектурах существует возможность появления неучтённых независимых активностей агентов, что неприемлемо для ответственных корпоративных систем, так как непредсказуемое поведение может привести к тяжёлым последствиям и дискредитировать МАС для персонала организации.

Происходящее становление парадигмы мультиагентного проектирования интеллектуальных систем привело к появлению в последнее время первых инструментальных систем, поддерживающих программирование ИА.