Телефон: +7 (383)-312-14-32

Статья опубликована в рамках: LIII Международной научно-практической конференции «Технические науки - от теории к практике» (Россия, г. Новосибирск, 23 декабря 2015 г.)

Наука: Технические науки

Секция: Информатика, вычислительная техника и управление

Скачать книгу(-и): Сборник статей конференции

Библиографическое описание:
Мелихова О.А., Вепринцева О.В., Чумичев В.С. [и др.] ПОНЯТИЕ АГЕНТА В СИСТЕМАХ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА // Технические науки - от теории к практике: сб. ст. по матер. LIII междунар. науч.-практ. конф. № 12(48). – Новосибирск: СибАК, 2015.
Проголосовать за статью
Дипломы участников
У данной статьи нет
дипломов

 

ПОНЯТИЕ АГЕНТА В СИСТЕМАХ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Мелихова Оксана Аскольдовна

канд. техн. наук, доцент,

доцент Южного федерального университета,

РФ, г. Таганрог

E-mailoamelikhova@mail.ru

Вепринцева Ольга Витальевна

студент
Южного федерального университета,

РФ, г. Таганрог

E-mail:

Чумичев Владимир Сергеевич

студент
Южного федерального университета,

РФ, г. Таганрог

E-mailvladimir.chumichev@mail.ru

Джамбинов Сергей Владимирович

студент
Южного федерального университета,

РФ, г. Таганрог

E-mailsergeydz03@mail.ru

Гайдуков Анатолий Борисович

студент
Южного федерального университета,

РФ, г. Таганрог

E-mail: agon2299@mail.ru

THE CONCEPT OF AGENT ARTIFICIAL INTELLIGENCE SYSTEM

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

В связи с глобальной компьютеризацией общества, развитием сети Интернет, разработка и использование интеллектуальных систем в различных областях деятельности человека как никогда актуальны и востребованы. Этим объясняется возникновение и становление такой области искусственного интеллекта как теория агентов и многоагентных систем. В работе рассматриваются различные типы агентов, их особенности и области использования.

ABSTRACT

In connection with the global computerization of society, development of the Internet , the development and use of intelligent systems in various fields of human activity ever relevant and in demand. This explains the emergence and formation of artificial intelligence such as the theory of agents and multi-agent systems. The paper discusses the various types of agents, their characteristics and areas of use.

 

Ключевые слова: искусственный интеллект; многоагентная система; рациональный агент; системы основные на знаниях; декларативные системы; процедуральные системы.

Keywords: artificial intelligence; multi-agent system; a rational agent of basic knowledge; declarative system of procedural systems

 

 

Искусственный интеллект является одним из самых молодых научных направлений, тесно связанным с развитием компьютерных технологий. Сегодня научно-технический прогресс немыслим без тех результатов, которые дали человечеству исследования в области искусственного интеллекта. На основе этих исследований сформировалась и постоянно совершенствуется новая отрасль индустрии – производство интеллектуальных систем – систем, основанных на знаниях. Основными структурными элементами такого рода систем являются база знаний и механизм логических выводов. При построении систем, основанных на знаниях, одной из важных проблем является представление знаний, так как представление знаний в значительной степени определяет характеристики системы и зависит от сложности решаемых задач. Очевидно, что представление знаний для случая, когда объектом исследований является диагностика, должно отличаться от представления знаний для случая, когда объектом является проектирование, при этом выбор оптимального представления знаний одинаково важен, как для малых, так и для больших интеллектуальных систем. При проектировании модели представления знаний следует учитывать такие факторы, как однородность представления информации и простота её понимания. Однородность приводит к упрощению механизма управления логическим выводом. Представление знаний должно быть понятно экспертам и пользователям системы. В противном случае затрудняются приобретение знаний и их оценка. Для решения сложных и больших задач необходимы структурирование и модульное представление знаний [1; 2]. По своей структуре можно выделить два типа знания: декларативное знание или просто знание и императивное знание или умение. К знанию первого типа относятся сведения о фактах окружающего или внутреннего мира системы. Знание второго типа представляет собой умение системы производить определенные действия. Можно провести аналогии: между знанием первого типа и данными, а также между знаниями второго типа и программами. Знание первого типа может трансформироваться в знание второго типа, то есть система может обучаться поведению на основе описания этого поведения, и наоборот. Как правило, в интеллектуальных системах присутствуют элементы обоих представлений (декларативного и императивного, или процедурального), и в зависимости от преобладания того или другого, системы называются декларативными или процедуральными. Наибольшее распространение получили системы для представления знаний смешанного типа [2; 3].

Автоматизация сложных технических, экономических и организационных процессов привела к созданию нового класса интеллектуальных систем, работающих в непредсказуемо меняющихся условиях, в той или иной степени автономно. Такие системы называются агентами. Роботы, используемые для исследований в космосе, в океане, могут быть примерами систем такого класса. Интеллектуальные агенты, главной особенностью которых является наличие знаний о закономерностях внешней среды, в которой функционирует агент, и использование им этих знаний требует наличия специального блока анализа ситуаций реального внешнего мира. Под интеллектуальностью агентов следует понимать их способность работать с базой внешних событий или ситуаций. Условием успешного анализа внешних ситуаций является их оценка в условиях неполноты информации относительно отдельных параметров этих ситуаций. Поведение агента существенно определяется результатом оценки ситуации. Когда агент не способен оценить ситуацию и принять решение относительно дальнейших действий, возникает задача разработки специальных оценочных функций и эффективных механизмов оценки ситуаций, с помощью которых агент либо формирует самостоятельно оценку ситуации, либо использует оценки, полученные от других агентов. При этом эффективность функционирования интеллектуальной системы тесно связана с эффективностью нахождения оценок [3; 4].

Предположим, что в некоторые дискретные моменты времени на вход агента поступает информация, подлежащая оценке. Эта информация представляет собой описание некоторой ситуации S, характеризующейся набором значений n параметров, важных с точки зрения оценки ситуации S. Таким образом, ситуация в любой момент времени t характеризуется набором < >, в котором  означает некоторое фиксированное значение параметров  в момент времени t. Оценки для S выбираются из некоторого множества, например, двухэлементного, то есть может состоять из двух оценок, которые можно обозначить 0 и 1. Интерпретация этих оценок может быть различной. Примерами интерпретации могут служить пары: «много-мало», «полезно-вредно», и т. п. В более сложных случаях множество может быть не двухэлементным, а многомэлементным [1; 5; 6].

В системах автоматической оценки наиболее часто реализуется двухэтапная оценка ситуации. На первом этапе происходит оценка значений каждого из параметров . На втором этапе производится собственно оценка ситуации S на базе имеющихся оценок для всех параметров [2; 4; 7].

Основным способом достичь рационального мышления является использование рационального агента. Вообще говоря, агентом считается все, что действует, но компьютерные агенты отличаются своими уникальными атрибутами, которых нет у обычных программ. Так, например, функционировать под автономным управлением, или воспринимать свою среду, или существовать в течение продолжительного времени. Рациональный агент – это агент, который действует так, чтобы можно было достичь наилучшего результата, или в условиях неопределенности – наилучшего ожидаемого результата. В подходе к созданию искусственного интеллекта на основе мышления агент был акцентирован на формирование правильных логических выводов. То есть, основной задачей агента было формирование логической цепочки, по которой он будет следовать для достижения той или иной цели и по определенным действиям, хотя каждое действие не обязательно приведет к нужной цели. Бывают такие ситуации, в которых нет строго определенного выбора. Такой подход имеет два преимущества: во-первых, этот подход является более общим по сравнению с подходом, основанным на использовании «законов мышления», поскольку правильный выбор – это просто один из нескольких возможных механизмов достижения рациональности. Во-вторых, он является более перспективным для научной разработки по сравнению с подходами, основанными на изучении поведения или человеческого мышления, поскольку стандарт рациональности четко определен и полностью обобщен [1; 4; 6].

Если рассматривать этот подход более подробно, то можно дать более полное определение агентов. Агентом является все, что может рассматриваться как воспринимающее свою среду с помощью датчиков и воздействующее на эту среду с помощью исполнительных механизмов. В данном случае под агентом можно понимать, как человека, у которого есть органы восприятия, так и робота, у которого есть сенсоры и датчики. Под восприятием понимается получение агентом сенсорных данных в любой конкретный момент времени. Последовательностью актов восприятия агента называется полная история всей информации, которую воспринял агент. Можно сказать, что каждый выбор агента строится на использовании последовательности актов восприятия и информации, которая была воспринята до этого действия. С математической точки зрения определение некоторого агента может быть описано с помощью функций агента, которые отображают конкретную последовательность актов восприятия на какое-то действие, конечно, если определенные действия предусматриваются программой агента. Тут важно понимать, что функция агента — это абстрактное математическое описание, а программа агента – это реализация, которая действует только в рамках архитектуры агента. После погружения в среду агент вырабатывает последовательность действий, которые строятся на полученных данных. Действия агента заставляют среду пройти через определенные манипуляции [2; 4; 7].

В любой момент времени оценка рациональности действий агента зависит от четырех перечисленных ниже факторов [1; 2; 3]:

1.  Показатели производительности, которые определяют критерии успеха.

2.  Знания агента о среде и приобретенные ранее знания.

3.  Перечень действий, которые могут быть выполнены агентом.

4.  Последовательность актов восприятия агента, которые произошли до настоящего времени.

Из выше перечисленных факторов можно сформулировать следующее определение рациональности: «Для каждой возможной последовательности актов восприятия рациональный агент должен выбрать действие, которое, как ожидается, максимизирует его показатели производительности, с учетом фактов, предоставленных данной последовательностью актов восприятия и всех встроенных знаний, которыми обладает агент» [3; 4; 5].

В искусственном интеллекте необходимо четко проводить грань между рациональностью и всезнанием. Всезнающий агент знает результат своих действий, и может действовать соответствующим образом, но всезнание невозможно. У агентов есть понятие автономности, то есть, если агент больше полается на знания, которые были у него изначально, и практически не обучается новым, то такой агент считается недостаточно автономным. Рациональный агент должен быть автономным, то есть, он должен обучаться всему, что только может усвоить, чтобы изменить неправильные или неполные изначальные знания. Из этого следует, что при прошествии достаточно долгого времени нахождения в определенной среде, агент может стать независимым от априорных знаний [5; 6].

Существует такое понятие, как проблемная среда. Проблемная среда – это «проблема», для которой рациональный агент служит решением. Для проектирования агента всегда нужно вначале определить проблемную среду, причем как можно более полно. Разнообразие проблемных сред в искусственном интеллекте весьма велико. Тем не менее, существует возможность определить относительно небольшое количество измерений, по которым могут быть классифицированы варианты проблемной среды. Приведем классификацию проблемной среды: полностью или частично наблюдаемая проблемная среда, детерминированная или стохастическая, эпизодическая или последовательная, статическая или динамическая, дискретная или непрерывная, одноагентная или мультиагентная [1; 2; 5].

Различия между одноагентной и мультиагентной средой достаточно расплывчаты. Конечно, понятно, что если агент решает судоку, то это одноагентная среда, а если играет в шашки, или шахматы то двухагентная (мультиагентная) среда. Шахматы являются конкретной мультиагентной средой. Проектирование агентов в мультиагентной среде имеет свои трудности: например, рациональное поведение в мультиагентной среде подразумевает появление связей поддержки, или появление конкуренции, это подразумевает, что поведение станет стохастическим, чтобы избежать предсказуемости [3; 4; 7].

Простейшим видом агента является простой рефлексивный агент. Данный тип агентов строит свой выбор на основе полученной информации, при этом игнорируя все остальные знания. Большинство простых рефлексивных агентов используют правило условие-действие. На самом деле, таким принципом пользуются не только в искусственном интеллекте. Такой принцип очень распространен в реальной жизни, например, при вождении автомобиля. То есть, на каждую ситуацию есть определенное действие. Конечно, если рассматривать людей, то большинство выборов, которые строятся на таком правиле, основаны на процессе обучения людей. Преимущества простых рефлексивных агентов в том, что они достаточно просты, но при этом их интеллект ограничен [6].

В последнее время как в области искусственного интеллекта, так и в области прикладного программирования активно используется понятие программного агента. Одним из основных факторов проявления этого интереса к нему явилось развитие сетевых технологий, в частности, связанных с Интернетом. Понятие программного агента существенно обобщает понятие объекта из области объектно-ориентированного программирования за счет введения дополнительных интеллектуальных компонент, определяющих политику выполнения действий агентом в зависимости от его состояния и сообщений, полученных от других агентов многоагентной системы и внешней среды. Состояние агента в этом случае может иметь достаточно сложную структуру, включая в себя некоторую базу данных. Интеллектуальные программные агенты могут использоваться в качестве автономных компонент при построении систем искусственного интеллекта, при работе в Интернете [2,5].

В общем случае многоагентная система состоит из конечного множества интеллектуальных агентов с общей предикатной сигнатурой и специального почтового агента, моделирующего сеть связей между агентами. У каждого интеллектуального агента обычно имеется внутренняя база данных и свой почтовый ящик. Передача информации в многоагентной системе строится по синхронному или асинхронному типу [7].

 

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. [Электронный ресурс] – Режим доступа. – 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. [Электронный ресурс] – Режим доступа. – 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. – М., № 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. 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.

 

 

 

Проголосовать за статью
Дипломы участников
У данной статьи нет
дипломов

Оставить комментарий

Форма обратной связи о взаимодействии с сайтом