Архитектура системы управления интеллектуальным агентом на основе семиотической сети
https://doi.org/10.21686/1818-4243-2018-5-84-93
Аннотация
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.
Об авторах
М. А. РовбоРоссия
Максим Александрович Ровбо - инженер-исследователь.
Москва, Тел.: 8 (985) 305-29-67
П. С. Сорокоумов
Россия
Петр Сергеевич Сорокоумов - инженер-исследователь.
Москва
Список литературы
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.
Рецензия
Для цитирования:
Ровбо М.А., Сорокоумов П.С. Архитектура системы управления интеллектуальным агентом на основе семиотической сети. Открытое образование. 2018;22(5):84-93. https://doi.org/10.21686/1818-4243-2018-5-84-93
For citation:
Rovbo M.A., Sorokoumov P.S. Control system architecture of an intelligent agent based on a semiotic network. Open Education. 2018;22(5):84-93. (In Russ.) https://doi.org/10.21686/1818-4243-2018-5-84-93