მრავალაგენტური სისტემების (MAS) მიზანია დამოუკიდებელი პროცესების კოორდინაცია. აგენტი არის კომპიუტერული ერთეული პროგრამის ან რობოტის სახით. აგენტი შეიძლება ჩაითვალოს ავტონომიურად, რადგან მას შეუძლია ადაპტირება, როდესაც მისი გარემო იცვლება. MAC შედგება კომპიუტერული პროცესების ერთობლიობისაგან, რომლებიც ერთდროულად ხდება და ერთდროულად არსებობენ, იზიარებენ საერთო რესურსებს და ურთიერთობენ ერთმანეთთან. MAC-ში მთავარი პრობლემა არის აგენტებს შორის კოორდინაციის ფორმალიზაცია.
მრავალაგენტური სისტემების განსაზღვრა
MAC არის წინდახედული მიდგომა პროგრამული უზრუნველყოფის შემუშავებისთვის აპლიკაციებისთვის კომპლექსურ დომენებში, სადაც აპლიკაციის ურთიერთქმედების კომპონენტები ავტონომიური და განაწილებულია, მოქმედებენ დინამიურ და გაურკვეველ გარემოში, უნდა შეესაბამებოდეს ზოგიერთ ორგანიზაციულ წესებსა და კანონებს და შეუძლიათ შეუერთდნენ და დატოვონ მრავალ აგენტიანი სისტემა გაშვების დროს.
ასეთი აპლიკაციების მაგალითებია სისტემები, რომლებიცმართოს და ოპტიმიზაცია გაუწიოს ელექტროენერგიის წარმოებას და განაწილებას მომხმარებლებს შორის ან სისტემებს შორის, რომლებიც ოპტიმალურად გეგმავენ ტვირთებს სატრანსპორტო სისტემებში. მრავალ აგენტური სისტემების განვითარება მოითხოვს ცალკეული აგენტების, ორგანიზაციებისა და გარემოს შექმნას.
პროგრამირების ენები გთავაზობთ პროგრამირების კონსტრუქციებს ინდივიდუალური აგენტების განსახორციელებლად სოციალური და შემეცნებითი ცნებების თვალსაზრისით, როგორიცაა ინფორმაცია, მიზნები, ვარიანტები, ნორმები, ემოციები და გადაწყვეტილების წესები.
მულტიაგენტურ ორგანიზაციებს სოციალური და ორგანიზაციული კონცეფციების თვალსაზრისით აქვთ როლები, დაჯილდოვებული ნორმებით, საკომუნიკაციო პროტოკოლებით, რესურსებით, რომლებიც ექვემდებარება მონიტორინგს. განვითარებული პროგრამირების ენები და ჩარჩოები გამოიყენება აგენტზე დაფუძნებული სიმულაციების შესაქმნელად უწყვეტი წარმოების მრავალი ინდუსტრიისთვის: ელექტროენერგია, მეტალურგია, ჯანდაცვა, ინტერნეტი, ტრანსპორტი, ტრაფიკის მართვა და სერიოზული თამაშები.
MAS განსხვავდება ერთი აგენტიანი სისტემებისგან იმით, რომ მათ ჰყავთ რამდენიმე აგენტი, რომლებიც მოდელირებენ ერთმანეთის მიზნებსა და ქმედებებს. ზოგად სცენარში, შეიძლება არსებობდეს პირდაპირი ურთიერთქმედება აგენტებს შორის. ერთი აგენტის თვალსაზრისით, მრავალ აგენტიანი სისტემები ყველაზე მნიშვნელოვნად განსხვავდება ერთი აგენტის მქონე სისტემებისგან იმით, რომ გარემოს დინამიკა შეიძლება განისაზღვროს სხვა აგენტებით. გარდა იმ გაურკვევლობისა, რომელიც შეიძლება თანდაყოლილი იყოს დომენში, სხვა აგენტები განზრახ ზემოქმედებენ გარემოზე არაპროგნოზირებადი გზებით.
ამგვარად, ყველა MAC შეიძლება ჩაითვალოს დინამიური გარემოს მქონედ, რაც დამახასიათებელია თანამედროვესთვისმრავალ აგენტური სისტემები. შეიძლება არსებობდეს ნებისმიერი რაოდენობის აგენტი ჰეტეროგენურობის სხვადასხვა ხარისხით, პირდაპირი კომუნიკაციის შესაძლებლობით ან მის გარეშე.
MAS არქიტექტურა
აგენტები აღჭურვილი უნდა იყვნენ შემეცნებითი მოდელით:
- რწმენები;
- სურვილები;
- განზრახვა.
ერთის მხრივ კითხულობს „რწმენებს“გარემოზე, რომელიც მისი ცოდნისა და აღქმის შედეგია და მეორე მხრივ „სურვილების“კრებულს. ამ ორი ნაკრების გადაკვეთა იწვევს „განზრახვების“ახალ ნაკრებს, რომლებიც შემდეგ პირდაპირ გადაიქცევა ქმედებებად.
აგენტებს უნდა ჰქონდეთ საკომუნიკაციო სისტემა. ამ მიზნით რამდენიმე სპეციალიზებული ენაა: ენის შეკითხვისა და მანიპულირების ენა (KQML). ცოტა ხნის წინ გავრცელდა FIPA-ACL სტანდარტი, რომელიც შეიქმნა FIPA ფონდის ინტელექტუალური ფიზიკური აგენტებისთვის. მრავალ აგენტური სისტემების აგების ეს უკანასკნელი პრინციპი ემყარება მეტყველების აქტების თეორიას.
ადაპტაციის პრობლემა ეკლიანი საკითხია, რომელიც ამჟამად მრავალი კვლევის საგანია. შეიძლება მოვიყვანოთ ზოგიერთი ვირუსის მაგალითი, როგორც ბიოლოგიური, ასევე კომპიუტერული, რომლებსაც შეუძლიათ ადაპტირება მუტანტის გარემოსთან.
და ბოლოს, MAC-ის ეფექტური განხორციელება, თუმცა არ არის მკაცრად რომ ვთქვათ სისტემის არქიტექტურის ნაწილი, იმსახურებს ყურადღებას პროგრამირების მრავალ ენაზე, რომლებიც შემუშავებულია ხელოვნური ინტელექტის შესასწავლად. კერძოდ, ნახსენებია LISP ენა. ეს არქიტექტურული ელემენტები გამოიყენება კოგნიტურისაგან შემდგარ სისტემაზეაგენტები.
აგენტების კატეგორიები ან მოდელები
აგენტების კლასიფიკაცია ეფუძნება ორ კრიტერიუმს: კოგნიტურ აგენტებს ან რეაგენტებს, რომლებიც ავლენენ, ერთი მხრივ, ტელეონომიურ ქცევას ან რეფლექსს. განსხვავება, რომელიც შეიძლება გაკეთდეს კოგნიტურსა და რეაქტიულს შორის, არსებითად წარმოადგენს აგენტისთვის ხელმისაწვდომი სამყაროს წარმოდგენას. თუ ინდივიდი დაჯილდოებულია სამყაროს „სიმბოლური წარმოდგენით“, საიდანაც მას შეუძლია მსჯელობის ჩამოყალიბება, მაშინ საუბარია შემეცნებით აგენტზე, ხოლო თუ მას აქვს მხოლოდ „ქვესიმბოლური წარმოდგენა“, ანუ შემოიფარგლება მისი აღქმებით, ერთი საუბრობს რეაქტიულ აგენტზე. ეს კოგნიტური და რეაქტიული განსხვავება შეესაბამება მრავალ აგენტური სისტემების ორ თეორიულ სკოლას.
პირველი მხარს უჭერს "ჭკვიანი" აგენტების თანამშრომლობის ფუნდამენტურ მიდგომას სოციოლოგიური თვალსაზრისით. მეორეში შესწავლილია არაინტელექტუალური აგენტების ნაკრების (ჭიანჭველების ტიპი) „ჭკვიანი“ქცევის გაჩენის შესაძლებლობა. მეორე განსხვავება ქცევით ქცევასა და რეფლექსს შორის განასხვავებს მიზანმიმართულ ქცევას, აშკარა მიზნების მიღწევას, აღქმის ქცევისგან. ამრიგად, აგენტების ტენდენციები შეიძლება ცალსახად გამოიხატოს აგენტებში ან, პირიქით, მომდინარეობდეს გარემოდან. ცხრილი აჯგუფებს სხვადასხვა ტიპის აგენტებს:
- კოგნიტური აგენტები.
- რეაქტიული აგენტები.
- ტელენომიური ქცევა.
- განზრახ აგენტები.
- მართული აგენტები.
- რეფლექსური ქცევა.
- აგენტების "მოდულები".
- ტროპიკული აგენტები.
კოგნიტური აგენტები ძირითადად განზრახ, ე.ი.მათ აქვთ დასახული მიზნები, რომელთა მიღწევასაც ცდილობენ. თუმცა, ზოგჯერ გამოიყენება აგენტები, სახელწოდებით მოდულები, რომლებსაც აქვთ წარმოდგენა თავიანთ "სამყაროზე" კონკრეტული მიზნების გარეშე. მათ შეუძლიათ, მაგალითად, უპასუხონ სხვა აგენტების კითხვებს "სამყაროში".
რეაგენტები შეიძლება დაიყოს აქტუატორებად და ტროპიკულ აგენტებად. ინსტინქტურ აგენტს ექნება ფიქსირებული მისია და გამოიწვევს ქცევას, თუ დაინახავს, რომ გარემო აღარ შეესაბამება მის დანიშნულ მიზანს. ტროპიკული აგენტი რეაგირებს მხოლოდ გარემოს ადგილობრივ მდგომარეობაზე, მაგალითად, თუ არის სინათლე, მაშინ ის ეშვება. მოტივაციის წყარო დრაივის აგენტების შიდა საქმეში, რომლებსაც აქვთ „მისია“ეხება მხოლოდ გარემოს.
ორგანიზაციული პარადიგმები
ასეთი სისტემების განვითარებით შემუშავდა სხვადასხვა ორგანიზაციული პარადიგმები. მრავალაგენტიანი სისტემების ეს სტრუქტურები ადგენს აგენტებს შორის ურთიერთობებისა და ურთიერთქმედების ჩარჩოს.
იერარქია. ამ მოდელში აგენტები იერარქიულია ხის სტრუქტურის მიხედვით, რომელშიც თითოეული კვანძი არის აგენტი და აქვს ნებართვის ბმული მის შვილობილ კვანძებზე. ეს მოდელი ანადგურებს სისტემის მთლიან დანიშნულებას.
ჰოლარქია უახლოვდება იერარქიას. არ არსებობს ავტორიტეტული ურთიერთობა აგენტსა და მის ქვეჯგუფს შორის.
კოალიცია არის აგენტების დროებითი ალიანსი, რომლებიც იკრიბებიან და თანამშრომლობენ, რადგან მათი პირადი ინტერესები ხვდება. კოალიციის ღირებულება უნდა იყოს აგენტური კომპონენტების ინდივიდუალური მნიშვნელობების ჯამზე მეტი.
კრებები ძალიან ჰგავს კოალიციებს დაბრძანებებს. თუმცა, ისინი გამიზნულია მუდმივი და, როგორც წესი, აქვთ მრავალი მიზნის მიღწევა. გარდა ამისა, აგენტებს შეუძლიათ შევიდნენ და დატოვონ კრებები და ეკუთვნოდნენ რამდენიმე ერთდროულად.
საზოგადოება არის მრავალფეროვანი აგენტების ნაკრები, რომლებიც ურთიერთობენ და ურთიერთობენ. მათ აქვთ განსხვავებული მიზნები, არ აქვთ რაციონალურობის იგივე დონე და იგივე შესაძლებლობები, მაგრამ ისინი ყველა ემორჩილებიან საერთო კანონებს (ნორმებს).
ფედერაციის აგენტები გარკვეულ ავტონომიას ანიჭებენ თავიანთი ჯგუფის დელეგატს. ჯგუფის აგენტები ურთიერთობენ მხოლოდ თავიანთ დელეგატთან, რომელიც თავის მხრივ ურთიერთქმედებს სხვა ჯგუფების დელეგატებთან.
გაყიდვების აგენტები გვთავაზობენ ნივთებს, რომლებზეც მყიდველების აგენტებს შეუძლიათ მოითხოვონ. ამ ტიპის ორგანიზაცია შესაძლებელს ხდის, მაგალითად, რეალური ბაზრების სიმულაცია და სხვადასხვა სავაჭრო სტრატეგიების შედარება.
მატრიქსის ორგანიზაციის აგენტები იერარქიულია. თუმცა, ზემოთ წარმოდგენილი იერარქიისგან განსხვავებით, სადაც აგენტი მხოლოდ რამდენიმე სხვა აგენტს ექვემდებარება, ისინი ერთ მატრიცულ ორგანიზაციაში შეიძლება დაექვემდებარონ რამდენიმე სხვას.
კომბინაციები - ეს კომბინირებული ორგანიზაცია აერთიანებს ზემოთ მოყვანილ ბევრ სტილს. ეს შეიძლება იყოს, მაგალითად, კოალიცია ან გუნდების იერარქია.
ხელოვნური ინტელექტი
კოგნიტური მეცნიერების მიზანია გააცნობიეროს ხელოვნური ინტელექტის ბუნება და ფუნქციონირება, რომელიც ამუშავებს შიდა ინფორმაციას, რათა ის მიზანმიმართული გახდეს. ბევრი ცნება შეესაბამება ამ აღწერას: ადამიანები, კომპიუტერები, რობოტები, სენსორული სისტემები,სია უსასრულოა. შემეცნებითი მეცნიერებისთვის განსაკუთრებული ინტერესის მქონე სისტემის ერთ-ერთი ტიპია ხელოვნური თვით-აგენტი, რომელიც მოქმედებს ინფორმაციაზე.
ინტელექტუალურ აგენტს (IA) შეუძლია გადაწყვეტილებების მიღება გამოცდილებიდან გამომდინარე და შეუძლია აირჩიოს ქმედებები სხვადასხვა სიტუაციებში. როგორც ტერმინი „ხელოვნური“გვთავაზობს, ინტერესის ავტონომიური აგენტები არ არის ბუნებით შექმნილი. მაშასადამე, ხელოვნური აგენტი არის ყველაფერი, რაც შექმნილია ადამიანების მიერ, რომელსაც შეუძლია იმოქმედოს იმ ინფორმაციის საფუძველზე, რომელსაც იგი აღიქვამს, საკუთარი გამოცდილება, გადაწყვეტილებები და ქმედებები.
ექსტრა-ბუნებრივი ინტელექტის სფერო უზრუნველყოფს ტექნიკურ უნარებს სასურველი ტიპის აგენტების გადათარგმნის პროგრამირების ენაზე, შესაბამის პროგრამულ უზრუნველყოფასა და შესაბამის არქიტექტურაზე (ტექნიკა და მასთან დაკავშირებული პროგრამული უზრუნველყოფა) აგენტის რეალურ ან სიმულაციურ სამყაროში დანერგვისთვის.
აღქმის სამყაროს გარემო
აგენტი არის ყველაფერი, რაც ღებულობს გარემოს სენსორების მეშვეობით და მოქმედებს მასზე ეფექტორების მეშვეობით, რაც საკმაოდ მარტივად ჟღერს. აგენტის ეს განმარტება მოიცავს მანქანების ფართო სპექტრს, თერმოსტატებიდან დაწყებული ობიექტებამდე, რომლებსაც შეუძლიათ რეალურად ისწავლონ ქცევის მცირე რეპერტუარი.
სენსორები არის ინსტრუმენტები, რომლებსაც აგენტი იყენებს თავისი სამყაროს შესახებ ინფორმაციის შესაგროვებლად. კლავიატურა და ვიდეოკამერა შეიძლება მუშაობდეს როგორც სენსორები, თუ ისინი დაკავშირებულია აგენტთან. სისტემის პასუხის დასასრულს შემსრულებლები არიან ინსტრუმენტები, რომლებსაც აგენტი იყენებს გარემოზე ზემოქმედებისთვის. ეფექტორების მაგალითებიამონიტორი, პრინტერი და რობოტული მკლავი.
როგორც წესი, გარემო არის აგენტის დომენი ან სამყარო. ეს დომენები, ყოველ შემთხვევაში, ამ დროისთვის, უნდა შემოიფარგლოს კონკრეტული ტიპის სიტუაციებით, რათა თავიდან იქნას აცილებული ყოველდღიური სამყაროს შეუზღუდავი შესაძლებლობები.
ავტონომიური გავლენის სისტემა
ავტონომიური აგენტი არის „სისტემა გარემოში და მისი ნაწილი, რომელიც აღიქვამს ამ გარემოს და მოქმედებს მასზე დროთა განმავლობაში, რათა განახორციელოს საკუთარი დღის წესრიგი და გავლენა მოახდინოს იმაზე, თუ რა განიცდის მას მომავალში“. ფრანკლინისა და გრეისერის ეს განმარტება ასახავს ინტელექტუალური აგენტების ყველა ძირითად ფუნქციას, გარდა მათი კომუნიკაბელურობისა. ეს უზრუნველყოფს კარგ მიახლოებას AI-ების ფართო სპექტრის ძირითადი მახასიათებლების განვითარებაში.
ასეთი აგენტები გრძნობენ თავიანთ გარემოს. მაგრამ აქ სენსორული მონაცემები ან აღქმა მოიცავს არა მხოლოდ მონაცემებს სხვა ობიექტების შესახებ, არამედ თავად აგენტის გავლენას გარემოში არსებულ მდგომარეობაზე. სენსორები შეიძლება იყოს ორგანული, როგორიცაა თვალები და ყურები და მათი ნერვული პროცესორები, ან ხელოვნური, როგორიცაა ვიდეო და აუდიო პროცესორები, რომლებიც ჩაშენებულია ციფრულ კომპიუტერში. გარემო შეიძლება იყოს ძალიან შეზღუდული ტერიტორია, როგორიცაა დახურული სივრცე, ან ძალიან რთული, როგორიცაა საფონდო ბაზარი ან ასტეროიდების კოლექცია. სენსორები უნდა შეესაბამებოდეს ობიექტების ტიპებს, რომლებთანაც ურთიერთქმედებს აგენტი.
რეფლექსური ტიპის ურთიერთქმედება
რეფლექტორ აგენტს აქვს უფრო რთული მექანიზმი. პირდაპირი დინამიკის ნაცვლადგარემოსთან მიმართებაში ის ეძებს რა უნდა გააკეთოს წესების ჩამონათვალში. რეფლექსური აგენტი პასუხობს მოცემულ აღქმას დაპროგრამებული პასუხით. მაშინაც კი, თუ მოცემულ აღქმაზე ათასობით შესაძლო პასუხია, აგენტს აქვს ჩაშენებული სიტუაციის მოქმედების წესების სია, რათა განახორციელოს ის პასუხები, რომლებიც უკვე განხილულია პროგრამისტის მიერ. სიტუაციური მოქმედების წესი ძირითადად ჰიპოთეტური იმპერატივია.
რეფლექსური აგენტები ნამდვილად არ არის ძალიან ნათელი. ისინი უბრალოდ ვერ იტანენ სიახლეს. ინტელექტუალური აგენტი შეიცავს მისი ნაკლებად დახვეწილი ბიძაშვილების მახასიათებლებს, მაგრამ არც ისე შეზღუდულია. ის მოქმედებს დღის წესრიგის მიხედვით. მას აქვს მიზნების კომპლექტი, რომელსაც ის აქტიურად ახორციელებს. სამიზნეზე დაფუძნებულ აგენტს აქვს გააზრებული გარემოს ამჟამინდელი მდგომარეობა და როგორ მუშაობს ეს გარემო. ის მისდევს ძირითად სტრატეგიებს ან მიზნებს, რომელთა მიღწევა შეუძლებელია დაუყოვნებლივ. ეს ხდის აგენტს აქტიურს და არა მხოლოდ რეაქტიულს.
სამიზნე ფუნქციური პროგრამა
უფრო რთულ აგენტებში, საყოფაცხოვრებო ღონისძიება გამოიყენება სხვადასხვა შესაძლო ქმედებებზე, რომლებიც შეიძლება განხორციელდეს გარემოში. ეს კომპლექსური გრაფიკი არის სერვისზე დაფუძნებული აგენტი. სერვისზე დაფუძნებული აგენტი შეაფასებს თითოეულ სცენარს, რათა დაინახოს, რამდენად აღწევს ის გარკვეულ კრიტერიუმებს კარგი შედეგის მისაღებად. ისეთი რამ, როგორიცაა წარმატების ალბათობა, სცენარის დასასრულებლად საჭირო რესურსები, მისაღწევი მიზნის მნიშვნელობა, დრო დასჭირდება, ეს ყველაფერი შეიძლება ჩაითვალოს სასარგებლო ფუნქციის გამოთვლებში.
იმიტომვინაიდან პროგრამისტს არ შეუძლია იწინასწარმეტყველოს მსოფლიოს ყველა მდგომარეობა, რომელსაც აგენტი შეხვდება, წესების რაოდენობა, რომელიც უნდა დაიწეროს რეფლექსური აგენტისთვის, ასტრონომიული იქნება თუნდაც ძალიან მარტივ სფეროებში, როგორიცაა შეხვედრების დაგეგმვა ან სატრანსპორტო მარშრუტებისა და მარშრუტების ორგანიზება.
საბაზისო კონტროლის ციკლი
ინტელექტუალური აგენტის განმარტების გათვალისწინებით, განიხილეთ ძირითადი საკონტროლო ციკლი, რომელიც დაწერილია აგენტის თეორეტიკოსის მაიკლ ვულდრიხის მიერ 2000 წელს:
- შეინარჩუნე მშვიდობა;
- განახლეთ შიდა სამყაროს მოდელი;
- მიაღწიეთ მიზანმიმართულ განზრახვას;
- გამოიყენე საშუალებები/მიზნები განზრახვების გეგმის მისაღებად;
- შეასრულეთ გეგმა;
- პროცესის დასრულება.
ამ შაბლონს გარკვეული ინტერპრეტაცია სჭირდება. აგენტი აკვირდება სამყაროს - ეს ნიშნავს, რომ ის თავისი სენსორების გამოყენებით აგროვებს აღქმებს. სენსორი შეიძლება იყოს ციფრულ კომპიუტერზე დამაგრებული კლავიატურა ან რობოტზე დამაგრებული ვიზუალური პროცესორი. ეს შეიძლება იყოს ყველაფერი, რაც აგენტს საშუალებას აძლევს შეაგროვოს სამყაროს წარმოდგენები. შიდა მოდელის განახლება ნიშნავს, რომ აგენტი ამატებს ახალ აღქმას სამყაროს შესახებ აღქმებისა და დაპროგრამებული ინფორმაციის თანმიმდევრობას.
მრავალაგენტური განვითარების პლატფორმები
AnyLogic არის ღია კოდის მრავალ აგენტიანი და მრავალკომპონენტიანი CORMAS სიმულაციური პროგრამა, რომელიც დაფუძნებულია ობიექტზე ორიენტირებულ პროგრამირების ენაზე SmallTalk.
DoMIS არის მრავალ აგენტიანი სისტემის დიზაინის ინსტრუმენტი, რომელიც ორიენტირებულია "კომპლექსური სისტემების ოპერატიულ კონტროლზე" და დაფუძნებულია B-ADSC დიზაინის მეთოდზე.
JACK არის პროგრამირების ენა და განვითარების გარემო კოგნიტური აგენტებისთვის, რომელიც შემუშავებულია აგენტზე ორიენტირებული პროგრამული უზრუნველყოფის მიერ, როგორც ჯავის ენის აგენტზე ორიენტირებული გაფართოება.
GAMA არის ღია კოდის მოდელირების პლატფორმა (LGPL), რომელიც გთავაზობთ სივრცით გამოკვეთილ აგენტზე დაფუძნებული მოდელირების გარემოს GIS მონაცემების გამოყენებით აგენტებისა და მათი გარემოს აღსაწერად.
JADE (Java Agent DEVELOPMENT) არის ღია კოდის მრავალ აგენტის განვითარების ჩარჩო, რომელიც დაფუძნებულია Java ენაზე.
სტანდარტის შვიდი მოდელი
კვლევის ევოლუციურ პროცესში უფრო მეტი ინფორმაციაა იმის შესახებ, თუ როგორ შევქმნათ საიმედო სისტემა და წარმოადგენს ხარისხის მაღალ დონეს. გაგრძელების ტენდენცია არის არსებული მეთოდების შევსება ან გაფართოება, რომლებმაც მოახერხეს გადაწყვეტილების მიღების კონსოლიდაცია განვითარების ფარგლებში.
მეთოდოლოგიური სტანდარტი საშუალებას იძლევა გასაგები და მარტივი გზით შექმნას MAC არა მხოლოდ ბუნებრივი ენის გამოყენებით, არამედ აღწერის შაბლონების გამოყენებით, რომლებიც ეხმარება სისტემის სპეციფიკაციაში.
მეთოდოლოგიური სტანდარტი გთავაზობთ პრობლემების შვიდ მოდელს ან მათ გადაწყვეტილებებს MAC-ის შესაქმნელად:
- სცენარის მოდელი, რომელიც აღწერს კომპანიას ან ორგანიზაციას.
- მიზნებისა და ამოცანების მოდელი განსაზღვრავს და აღწერს ორგანულ სტრუქტურას.
- აგენტის მოდელი განსაზღვრავს ადამიანებს და ავტონომიურ სისტემებს.
- როლის მოდელი აკავშირებს მიზნებსა და ამოცანებს კონკრეტულ აგენტთან.
- ორგანიზაციული მოდელი აღწერს გარემოს, რომელთანაც ასოცირდება ინდივიდუალური აგენტი.
- ინტერაქციის მოდელი აღწერს ურთიერთობას, ხაზს უსვამს მათ კოორდინაციას აგენტებთან.
- დიზაინის მოდელი განსაზღვრავს აგენტისა და ქსელის არქიტექტურას.
აგენტებს შორის ურთიერთქმედების მაგალითები
MAS გამოიყენება ავტონომიურ აგენტებს შორის ურთიერთქმედების სიმულაციისთვის. მაგალითად, სოციოლოგიაში მრავალ აგენტური სისტემების გამოყენება შესაძლებელს ხდის თემის შემადგენელი სხვადასხვა აგენტების პარამეტრიზაციას. შეზღუდვების დამატებით, შეგიძლიათ სცადოთ გაიგოთ, რა იქნება ყველაზე ეფექტური კომპონენტი მოსალოდნელი შედეგის მისაღწევად. მათ უნდა სცადონ სცენარები, რომლებსაც რეალური ადამიანები ვერ მიაღწევენ, ტექნიკური თუ ეთიკური მიზეზების გამო.
განაწილებული IA შეიქმნა დიდი მონოლითური არაბუნებრივი დაზვერვის პროგრამების სირთულის გადასაჭრელად - შესრულება, განაწილება და ცენტრალიზებული კონტროლი. რთული პრობლემის გადასაჭრელად, ზოგჯერ უფრო ადვილია შედარებით მცირე პროგრამების (აგენტების) შექმნა თანამშრომლობით, ვიდრე ერთი დიდი მონოლითური პროგრამა. ავტონომია საშუალებას აძლევს სისტემას დინამიურად მოერგოს გარემოს გაუთვალისწინებელ ცვლილებებს.
თამაშების ინდუსტრიაში მულტი აგენტური სისტემების მაგალითები მრავალრიცხოვანი და მრავალფეროვანია. ისინი გამოიყენება ვიდეო თამაშებში და ფილმებში, მათ შორის MASSIVE პროგრამულ უზრუნველყოფაში, მაგალითად, ბრბოს მოძრაობის სიმულაციისთვის ბეჭდების მბრძანებლის ტრილოგიაში. მათ ასევე შეუძლიათგამოიყენება კომპანიების მიერ, მაგალითად, მომხმარებლების ქცევის თვალყურის დევნებისთვის, რომლებიც ათვალიერებენ ვებგვერდებს.
MAS ასევე გამოიყენება ფინანსების სამყაროში. მაგალითად, MetaTrader 4 პლატფორმა საშუალებას იძლევა გამოიყენონ ექსპერტი აგენტები ავტომატურ ვაჭრობაში, რომლებიც მიჰყვებიან ფორექსის განაკვეთებს
სისტემის გამოყენების სარგებელი
IA კვლევაში აგენტზე დაფუძნებული სისტემების ტექნოლოგია იქნა მიღებული, როგორც ახალი პარადიგმა პროგრამული სისტემების კონცეპტუალიზაციის, დიზაინისა და დანერგვისთვის. Multi-MAS მიდგომის უპირატესობები:
- იზიარებს გამოთვლით რესურსებსა და შესაძლებლობებს ურთიერთდაკავშირებულ აგენტთა ქსელში.
- იძლევა მრავალი არსებული ძველი სისტემის ურთიერთდაკავშირებას და თავსებადობას.
- მოიცავს სხვადასხვა სფეროს, მათ შორის თვითმფრინავების მოვლას, წიგნების ელექტრონული საფულეებს, სამხედრო ნაღმების გაწმენდას, უკაბელო კომუნიკაციებს და კომუნიკაციებს, სამხედრო ლოჯისტიკის დაგეგმვას, მიწოდების ჯაჭვის მართვის სისტემას, ერთობლივი მისიების დაგეგმვას, ფინანსური პორტფელის მენეჯმენტს.
კვლევაში, IA ტექნოლოგია აგენტზე დაფუძნებული სისტემებისთვის იქნა მიღებული, როგორც ახალი პარადიგმა პროგრამული სისტემების კონცეპტუალიზაციის, დიზაინის, დანერგვისა და მრავალ აგენტური სწავლისთვის.
ამგვარად, MAC არის პროგრამული აგენტების თავისუფლად დაწყვილებული ქსელი, რომელიც ურთიერთქმედებს პრობლემების გადასაჭრელად, რომელიც აღემატება თითოეული პრობლემის შემქმნელის ინდივიდუალურ შესაძლებლობებს ან ცოდნას.
