Архитектура системы управления интеллектуальным агентом на основе семиотической сети
https://doi.org/10.21686/1818-4243-2018-5-
Abstract
Целью данной работы является создание метода целенаправленного влияния на интеллектуального агента, способного изменить поведение группы, составленной из таких агентов. Актуальность темы исследования определяется тем, что воздействие на коллектив — сложная задача, имеющая большое практическое значение. Известно, что правильное управление группой работников, школьников или студентов оказывает благотворное влияние на участников, повышает достигаемые ими практические результаты и сплачивает их, поэтому разработанные методы могут быть использованы для повышения эффективности менеджмента и образования. Возможно и техническое применение этого подхода для организации управления группами роботов или программных агентов.
Методы целенаправленного управления коллективами, состоящими из людей, давно развиваются в рамках педагогики, социологии, психологии и других гуманитарных наук. Достигнутые при этом результаты весьма значительны, однако многие разработанные концепции имеют значительные недостатки. Часть созданных подходов плохо формализуется, и их применение является скорее искусством, чем наукой. В других случаях использование известных методов может быть неудачным из-за нестрогой постановки задачи и множества плохо поддающихся учёту побочных факторов и условий.
Чтобы улучшить ситуацию, разумно описать задачу влияния на коллектив более строго — например, с использованием методологий, активно развивающихся в рамках исследований по искусственному интеллекту. Способы влияния на коллектив, изученные на простейших модельных объектах, в дальнейшем можно применить к конкретным практическим задачам, например, в области образования или менеджмента, с сохранением строгости и высокой надёжности.
В данном исследовании предлагается формализовать влияние на поведение коллектива как задачу оптимизации управления сложной системой. Для этого поведение отдельного члена коллектива (агента) моделируется с использованием целевой функции, участвующей в выборе одного из возможных действий в соответствии с параметрами — относительными приоритетами допустимых действий. Считается, что эти параметры поддаются внешнему контролю. Знания каждого агента об окружающем мире описываются в виде семиотической сети, пригодной для анализа текущего состояния агента и планирования его деятельности. Поведение управляемого разработанной системой одиночного агента исследуется на примере расширенной задачи фуражировки. Оптимизация приоритетов выполнения различных целей определяет успешность работы агента.
Помимо приоритетов, свобода действий агента ограничивается необходимостью выживания. В этих условиях агент должен адаптироваться к внешней среде и внешним требованиями, при этом он будет способен как поддерживать своё функционирование, так и добиваться целей в соответствии с приоритетами. Такой подход к оптимизации действий агента не нарушает гомеостазис получающейся системы.
Результаты, полученные для одиночного агента, в дальнейшем планируется дополнительно проверить для групп социально взаимодействующих агентов.About the Authors
Максим РовбоRussian Federation
Петр Сорокоумов
Russian Federation
References
1. Karpov V.E. Modeli social'nogo povedeniya v gruppovoj robototekhnike // Upravlenie bol'shimi sistemami. 2016. no 59. pp. 165–232.
2. Karpov V.E., Karpova I.P., Kulinich A.A. Social'nye soobshchestva robotov. / V.E. Karpov, I.P. Karpova, A.A. Kulinich, Moskva: LENAND, 2019. 352 p.
3. Karpov V.E. Ob odnoj realizacii znak - orientirovannoj sistemy upravleniya mobil'nogo robota // Iskusstvennyj intellekt i prinyatie reshenij. 2015. no 3. pp. 53–61.
4. Dlusskij G.M. Murav'i roda Formika / G.M. Dlusskij, Moskva: Nauka, 1967. 236 p.
5. Dlussky G.M., Voltzit O.V., Sulkhanov A.V. Organization of group foraging in ants of genus Myrmica // Zool. Zhurnal. 1978. vol. 57, no 1. p. 65–77.
6. Bogatyryova O.A., Shillerov A.E. Sinergetika socialnosti / O.A. Bogatyryova, A.E. Shillerov, Novosibirsk: Izd-vo Sib. otd-niya Ros. akad. nauk, 1998. 292 p.
7. Karpov V. The parasitic manipulation of an animat’s behavior // Biol. Inspired Cogn. Archit. 2017. Vol. 21. P. 67–74.
8. Anokhin P.K. Izbrannye trudy. Filosofskie aspekty teorii funkcionalnoj sistemy / P.K. Anokhin, edited by F.V. Konstantinov, B.F. Lomov, V.B. Shvyrkov, 1978. 400 p.
9. Osipov G.S., Panov A.I., Chudova N.V. Upravlenie povedeniem kak funkciya soznaniya. I. Kartina mira i celepolaganie // Izvestiya Rossijskoj Akademii Nauk. Teoriya i sistemy upravleniya. 2014. no 4. pp. 49–62.
10. Karpov V.E. Znak-orientirovannyj mekhanizm lokal'nogo vzaimodejstviya mezhdu robotami // Integrirovannye modeli i myagkie vychisleniya v iskusstvennom intellekte. Sb. nauchnyh trudov VIII-j Mezhdunarodnoj nauchno-tekhnicheskoj konferencii (Kolomna, 18-20 May 2015). in 2 volumes. Kolomna, 2015. vol. 2. pp. 504–514.
11. Karpov V.E. Sensornaya model' podrazhatel'nogo povedeniya robotov // Otkrytye semanticheskie tekhnologii proektirovaniya intellektual'nyh sistem = Open Semantic Technologies for Intelligent Systems (OSTIS-2016): materialy VI mezhdunar. nauch.-tekhn. konf. Minsk: BGUIR, 2016. pp. 471–476.
12. Sutton R.S., Barto A.G. Reinforcement learning: an introduction. / R.S. Sutton, A.G. Barto // UCL, Computer Science Department, Reinforcement Learning Lectures. 2017. 1054 p.
13. Springer Handbook of Robotics / eds. Siciliano B., Khatib O. Berlin, Heidelberg: Springer Berlin Heidelberg, 2008. 1611 p.
14. Skarzynski K. [et al.] SO-MRS: A multi-robot system architecture based on the SOA paradigm and ontology // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 2018. vol. 10965 LNAI. pp. 330–342.
15. Saxena A. [et al.] RoboBrain: Large-Scale Knowledge Engine for Robots [Electronic resource]. 2014. URL: http://arxiv.org/abs/1412.0691. Accessed: 06.10.2018.
16. Osipov G.S. [et al.] Znakovaya kartina mira sub'ekta povedeniya / G.S. Osipov, A.I. Panov, N.V. Chudova, Y.M. Kuznecova, M.: FIZMATLIT, 2017. 261 p.
17. Gao F., Han L. Implementing the Nelder-Mead simplex algorithm with adaptive parameters // Comput. Optim. Appl. 2012. vol. 51, no 1. pp. 259–277.
18. Powell M.J.D. An efficient method for finding the minimum of a function of several variables without calculating derivatives // Comput. J. 1964. vol. 7, no 2. pp. 155–162.
19. Amaran S. [et al.] Simulation optimization: a review of algorithms and applications // Ann. Oper. Res. Springer US, 2016. vol. 240, no 1. pp. 351–380.
20. Kulinich A.A. Contingency, cognitive and semiotic approaches to decision-making in the organizations // Open Education. 2016. no 6. pp. 9–17.
21. Kulinich A.A. Metod postroeniya semioticheskoj sredy funkcionirovaniya gruppoj intellektual'nyh agentov // IV Vserossijskij nauchno-prakticheskij seminar «Bespilotnye transportnye sredstva s ehlementami iskusstvennogo intellekta» (BTS-II-2017), Kazan', 5-6 oktyabrya 2017. Kazan': Centr innovacionnyh tekhnologij, 2017. pp. 193–203.
22. Miller T. Explanation in Artificial Intelligence: Insights from the Social Sciences [Электронный ресурс]. 2017. URL: http://arxiv.org/abs/1706.07269. Accessed: 06.10.2018.
23. Koenig N., Howard A. Design and use paradigms for gazebo, an open-source multi-robot simulator // 2004 IEEE/RSJ Int. Conf. Intell. Robot. Syst. (IEEE Cat. No.04CH37566). 2004. vol. 3. pp. 2149–2154.
Email this article 