Архитектура системы управления интеллектуальным агентом на основе семиотической сети

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. С технической точки зрения, актуальностью работы является развитие подхода к управлению группами роботов или программных агентов с элементами социальных структур. Способы 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, и методов оптимизации. 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 с проведением вычислительных экспериментов на компьютерной модели. 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.

Моделирование работы двух типов агентов показало применимость подхода с сохранением адаптивных свойств агента. При этом целевое поведение меняется в широких пределах. Результаты, полученные для одиночного агента, в дальнейшем планируется дополнительно проверить для групп социально взаимодействующих агентов.

1. Cohen P.R., Levesque H.J. Teamwork // Noûs. 1991. Vol. 25. № 4. P. 487-512.

2. Grosz B.J., Kraus S. Collaborative plans for complex group action // Artif. Intell. 1996. Vol. 86. № 2. P. 269–357.

3. Каляев И.А., Гайдук А.Р., Капустян С.Г. Модели и алгоритмы коллективного управления в группах роботов. Москва: Физматлит, 2009. 280 с.

4. Rao A.S., Georgeff M.P. BDI Agents: From Theory to Practice // Proc. First Int. Conf. Multiagent Syst. 1995. Vol. 95. P. 312–319.

5. Кулинич А.А. Метод построения семиотической среды функционирования группой интеллектуальных агентов // IV Всероссийский научно-практический семинар «Беспилотные транспортные средства с элементами искусственного интеллекта» (БТС-ИИ-2017), Казань, 5-6 октября 2017. Казань: Центр инновационных технологий, 2017. С. 193–203.

6. Карпов В.Э., Карпова И.П., Кулинич А.А. Социальные сообщества роботов. Москва: ЛЕНАНД, 2019. 352 с.

7. Kulinich A.A. Contingency, cognitive and semiotic approaches to decision-making in the organizations // Open Education. 2016. № 6. С. 9–17.

8. Miller T. Explanation in Artificial Intelligence: Insights from the Social Sciences [Электрон. ресурс]. 2017. Режим доступа: http://arxiv.org/abs/1706.07269. (Дата обращения: 06.10.2018.)

9. Карпов В.Э. Об одной реализации знак - ориентированной системы управления мобильного робота // Искусственный интеллект и принятие решений. 2015. № 3. С. 53–61.

10. Длусский Г.М. Муравьи рода Формика. Москва: Наука, 1967. 236 с.

11. Dlussky G.M., Voltzit O.V., Sulkhanov A.V. Organization of group foraging in ants of genus Myrmica // Zool. Zhurnal. 1978. Т. 57. № 1. С. 65–77.

12. Богатырёва О.А., Шиллеров А.Е. Синергетика социальности. Новосибирск: Изд-во Сиб. отд-ния Рос. акад. наук, 1998. 292 с.

13. Karpov V. The parasitic manipulation of an animat’s behavior // Biol. Inspired Cogn. Archit. 2017. Т. 21. С. 67–74.

14. Анохин П.К. Избранные труды. Философские аспекты теории функциональной системы. Ред. Константинов Ф.В., Ломов Б.Ф., Швырков В.Б. М.: Наука, 1978. 400 с.

15. Осипов Г.С., Панов А.И., Чудова Н.В. Управление поведением как функция сознания. I. Картина мира и целеполагание // Известия Российской Академии Наук. Теория и системы управления. 2014. № 4. С. 49–62.

16. Карпов В.Э. Сенсорная модель подражательного поведения роботов // Открытые семантические технологии проектирования интеллектуальных систем = Open Semantic Technologies for Intelligent Systems (OSTIS-2016): материалы VI междунар. науч.-техн. конф. Минск: БГУИР, 2016. С. 471–476.

17. Sutton R.S., Barto A.G. Reinforcement learning: an introduction // UCL,Computer Science Department, Reinforcement Learning Lectures. 2017. 1054 с.

18. Springer Handbook of Robotics. Ed. Siciliano B., Khatib O. Berlin, Heidelberg: Springer Berlin Heidelberg, 2008. 1611 с.

19. 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. Т. 10965 LNAI. С. 330–342.

20. Saxena A. et al. RoboBrain: Large-Scale Knowledge Engine for Robots [Электрон. ресурс]. 2014. Режим доступа: http://arxiv.org/abs/1412.0691. Дата обращения: 06.10.2018.

21. Осипов Г.С. и др. Знаковая картина мира субъекта поведения. Москва: ФИЗМАТЛИТ, 2017. 261 с.

22. Gao F., Han L. Implementing the NelderMead simplex algorithm with adaptive parameters // Comput. Optim. Appl. 2012. Т. 51. № 1. С. 259– 277.

23. Powell M.J.D. An efficient method for finding the minimum of a function of several variables without calculating derivatives // Comput. J. 1964. Т. 7. № 2. С. 155–162.

24. Amaran S. et al. Simulation optimization: a review of algorithms and applications // Ann. Oper. Res. Springer US. 2016. Vol. 240. № 1. C. 351–380.