Принцип работы архитектур агентов

Базы знаний системы XPLAN представлена в виде семантической сети, получившей наименование NIKL. Семантическая сеть — один из способов представления знаний. В названии соединены термины из двух наук: семантика в языкознании изучает смысл предложений, а сеть в математике представляет собой разновидность графа — набора вершин, соединённых дугами. В семантической сети роль вершин выполняют понятия базы знаний, а дуги (причем направленные) задают отношения между ними. Таким образом, семантическая сеть отражает семантику предметной области в виде понятий и отношений. NIKL формирует множество концептов (понятий), имеющих собственную внутреннюю структуру (набор слотов), между которыми можно задавать отношения (формировать связи). NIKL также имеет в своем составе классификатор, который, располагая информацией о структуре конкретной сети и новом концепте с определенной структурой, может поместить этот новый концепт на соответствующее ему место в этой сети.

Ещё одним интересным примером делиберативного агента, может служить  система Program Enhancement Advisor (PEA) [9,с.194]. Эта программа предназначена для оказания помощи программистам в повышении «читабельности» текстов программ. В той предметной области, в которой должна работать новая экспертная система, концептами семантической сети являются преобразования элементов программного кода, например замена оператора COND языка LISP на конструкцию IF-THEN-ELSE. Концепт является частным случаем другого концепта, KEYWORD CONSTRUCT, который, в свою очередь, является частным случаем концепта Easy-TO- READ CONSTRUCT. Используя организованную таким образом базу знаний, экспертная система может предложить программисту-пользователю заменить оператор

(COND ((АТОМ X) X) (Т (CAR X))).

другим оператором, смысл  которого более понятен при анализе  текста программы:

(IF (АТОМ X) THEN X ELSE (CAR X)).

Знания, которые необходимы непосредственно для решения  проблем, также представляются в  семантической сети NIKL. Они выражаются в терминах концептов планов и целей, которые организованы в иерархическую структуру. Планы и цели связаны. Каждый план имеет «описание возможностей», в котором представлена информация о том, какие действия можно реализовать с помощью этого плана. Терминологическая информация, хранящаяся в семантической сети, используется генератором программ, например, для того, чтобы собирать воедино отдельные экземпляры концептов.

Генератор программ работает по принципу нисходящего (сверху вниз) уточнения, выполняя декомпозицию целей  на подцели. Так, главная цель программы PEA — усовершенствовать программу — разделяется на подцели, например, улучшить читабельность. Разработчики системы назвали такой процесс декомпозиции целей «динамическим уточнением, направляемым пользователем», поскольку характер действий, выполняемых создаваемой системой, определяется инженером по знаниям, формирующим базу знаний. Если выбрана определенная цель, скажем, улучшить читабельность, то она автоматически становится субъектом процесса дальнейшей декомпозиции цель/подцель. Например, следующими подцелями будет просмотр текста программы и выявление в нем синтаксических конструкций, которые можно безболезненно заменить другими, более понятными, получение подтверждения от пользователя, одобряющего предлагаемую замену, выполнение замены и т.д.

В целом, идея агента с консультативной архитектурой вполне логична и высоко привлекательна: реализовать архитектуру в соответствии с некоторой логически ясной теорией с тем, чтобы решение задач агентом представляло бы собой доказательство соответствующих теорем. Если построить агент указанным образом, то естественно будут решены следующие две проблемы:

Проблема представления  реального мира в виде точного, адекватного  символического описания, формируемого в реальном времени.

Проблема осмысленности  представления: как символически представить  информацию о сложном реальном мире сущностей и процессов, и как  заставить агент использовать эту  информацию в реальном времени с  целью получения необходимых  результатов.

И, действительно, несмотря на огромный объем работ, который  был выполнен по машинному доказательству теорем, проблема далека от своего завершения».

В целом, рассмотренные примеры агентов с консультативной архитектурой имеют то общее, что они основываются на концепции «всезнайства», что противоречит следующим общеизвестным положениям: ■ Каждый объект мира агента бесконечномерен, он может быть охарактеризован лишь бесконечным множеством его свойств.

• Знания агента о мире и входящих в его состав объектах всегда конечны. Каждый объект мира агента всегда обладает рядом ещё не познанных свойств.
• Всякое взаимодействие агента со средой (объектами мира) носит целенаправленный характер.
• Всякое активное целенаправленное взаимодействие субъекта (агента) и объекта мира в одном из своих аспектов носит познавательный характер. В его основе во всех без исключения случаях лежит некоторая задача, которую решает субъект ради достижения своих целей.
• Всякое взаимодействие субъекта (агента) с объектом физического мира приводит к изменению знаний субъекта (агента) об объекте

Другой особенностью рассматриваемых  архитектур является некоторое превалирование процесса планирования над всеми  сопутствующими (равноценными) процессами, имеющими место при решении сложных задач,— это процессы отслеживания динамики среды агента, динамики взаимоотношений с пользователем и с другими агентами, функционирующими в среде агента. Наконец, рассмотренные архитектуры самодостаточны, они ориентированы на решение исходной задачи, они не предполагают на какое-либо взаимодействие с другими агентами с целью решить более сложную задачу в сравнении с теми, которые доступны каждому агенту в отдельности.

 

 

 

 

3. Гибридная агентная архитектура

3.1 Многоуровневая архитектура для автономного агента («Touring

       Machine»)

 

В ответ на трудности и  ограничения на круг решаемых задач  возникающие при разработке консультативных и реагирующих агентов были предложены так называемые гибридные системы, в которых сделана попытка объединить достоинства обоих подходов и уйти от их недостатков.

Очевидный подход состоит  в том, чтобы построить агент  из двух (или более) подсистем: консультативная и реагирующая. Первая компонента содержит символическую модель мира, генерирует планы и реализует их методами символических систем искусственного интеллекта. Вторая компонента способна к реакции на события, происходящие в среде, без участия в сложных рассуждениях. Часто реактивный компонент задан некоторыми прецедентами посредством совещательного модуля, таким образом, агент способен быстро реагировать на важные события окружающей среды. Такой вид структурирования естественным образом ведет к многоуровневым архитектурам. В такой архитектуре подсистемы управления агента упорядочены в иерархию, где более высокие уровни работают с информацией более высокого уровня абстракции. Например, на самом нижнем уровне может быть отображена информация непосредственно с датчиков, или на исполнительный механизм, а самый верхний уровень - долгосрочные цели. Ключевая проблема такой архитектуры состоит в том, чтобы создать структуру управления взаимодействием уровней с включением в нее подсистем агента

В 1992 г. была создана «туристическая»  машина, как агент с гибридной  архитектурой [7,с.87]. Архитектура содержит подсистемы восприятия и действия, которые взаимодействуют со средой агента непосредственно, и три уровня управления, определяющие структуру управления, обеспечивающую взаимодействие уровней. Каждый уровень независим, активен, параллельно осуществляющий процесс. Эта архитектура разработана для специального приложения автономного агента - подвижного робота. В отличие от большинства других разработок, она рассчитана на реальное приложение, а не только на демонстрационный вариант. В реальном приложении агент имеет дело с непредвиденными событиями внешнего мира, как в пространстве, так и во времени и в присутствии других агентов. При этом он должен сохранять способность адекватно реагировать на них и принимать решения. Но внешний мир невозможно моделировать в деталях. По этой причине архитектура агента и является гибридной. Агент должен иметь архитектуру, которая позволит ему справляться с неопределенностью и неполнотой информации, реагировать на непредвиденные события, пользуясь относительно простыми правилами.

Данная архитектура представлена на рис.2.1. По утверждению автора, эта архитектура демонстрирует хорошее поведение в соответствии с контекстом-состоянием внешней среды. Она включает в себя три уровня, каждый из которых соответствует различным типам способностей агента.

 

 

Рисунок 2.1 - Гибридная архитектура для автономного агента

("Touring Machine")

 

1. уровень реакции на события R поддерживает способность агента быстро реагировать на события, выдаваемые вышележащим уровнем, даже если они ранее не планировались;
2. уровень планирования P генерирует, исполняет и динамически реконструирует частичные планы, например, для выбора маршрута подвижного робота;
3. уровень предсказания, или моделирования M моделирует поведение сущностей внешней среды и самого агента, что может использоваться для объяснения наблюдаемого поведения и предсказания возможного их поведения в будущем.

Каждый из этих уровней  имеет модель мира агента на соответствующем  уровне абстракции и содержит возможности, соответствующие уровню. Каждый из уровней напрямую связан с компонентой  восприятия и действия и в состоянии  независимо от других уровней решать, реагировать или не реагировать  в текущем состоянии мира. В  архитектуру включена Подсистема управления на основе правил, активируемая контекстом с задачей обеспечить подходящее поведение агента в случае конфликта вариантов поведения, инициируемого различными уровнями. Система реализована как комбинация технологии обмена сообщениями и контекстной активации управляющих правил (в соответствии со спецификой предметной области), выступающей в роли посредника, который исследует данные разных уровней (воспринимаемый вход и выходы разных уровней), вводит на различные уровни новые данные и удаляет некоторые данные.

Синхронизация входов и выходов  уровней также обеспечивается этой подсистемой. Фактически правила подсистемы выступают в роли фильтра между  сенсорами агента и внутренними  уровнями агента («supressors») и между уровнями и их исполнительными элементами («censors»). Посредничество это остается активным все время работы агента, однако оно прозрачно для уровней, каждый из которых продолжает действовать так, как если бы он был единственным при управлении агентом, не заботясь о возможном конфликте.

Данная архитектура имеет  реализацию и, по мнению авторов вполне работоспособна. Она интегрирует в себе ряд традиционных механизмов рассуждений на основе знаний и механизмов чисто поведенческого, реактивного характера. Она является весьма характерным представителем гибридно-организованной агентной архитектуры.

 

3.3  Система InteRRaP

 

Система InteRRaP подобна «туристической» машине и имеет многоуровневую архитектуру, с каждым уровнем связан соответствующий уровень абстракции: чем ниже уровень, тем выше уровень абстракции. В InteRRaP эти уровни далее разделены на два вертикальных слоя: один содержит уровни баз знаний, а другой - различные компоненты управления, которые взаимодействуют с базами знаний своего уровня. Самый нижний уровень — компонента управления интерфейсом с миром, и база знаний, соответствующая мировому уровню (рис 2.2).

Интерфейс  с  внешним  миром  содержит  возможности  агента  по восприятию  событий  внешнего  мира,  воздействия  на  него  и  средства коммуникации. 

 

 

 

Рисунок 2.2 - InteRRaP-архитектура агента

 

Компонента, ответственная  за реактивное поведение, использует базовые возможности агента по реактивному поведению, а также частично использует знания агента процедурного характера. Она базируется на понятии «фрагмента поведения» как некоторой заготовки реакции агента на некоторые стандартные ситуации. Это позволяет агенту в стандартных ситуациях не обращаться к планированию на основе знаний и реализовывать значительную часть своего поведения рутинным образом с хорошей эффективностью. Из базы знаний ей доступны только знания нижнего уровня абстракции, где содержится информация о фрагментах поведения.

Компонента, ответственная  за планирование, содержит механизм планирования, позволяющий строить локальные планы агента, т.е. планы, несвязанные с кооперативным поведением. План представляется в виде графа, узлами которого могут быть либо конкретные наборы действий вплоть до элементарных шагов поведения, либо новые субпланы, подлежащие дальнейшей конкретизации. Таким образом, планирующая компонента активирует поведение (через нижележащую компоненту), направляемое целями. Она же участвует и в планировании, связанном с кооперативным поведением агентов. Эта компонента может использовать знания двух нижних уровней абстракции.

Компонента, ответственная  за кооперацию агентов, участвует в конструировании планов совместного поведения агентов для достижения некоторых общих целей или выполнения своих обязательств перед другими агентами, а также выполнения соглашений. Этой компоненте доступны знания всех трех уровней абстракции. База знаний агента имеет трехуровневую структуру и построена по принципу доски объявлений. Уровни базы знаний фактически отвечают уровням абстракции знаний в соответствии со структурой управляющих компонент. Модель мира агента содержит убеждения агента в соответствии с уровнем, ориентированным на поведение. Второй уровень соответствует модели ментальных знаний агента и знаниям о текущем ментальном состоянии агента (намерения, цели, планы).