Книги по разным темам Pages:     | 1 | 2 | 3 | 4 |

С ростом количества технических устройств, размерность множества иерархий параметров линейно возрастает. При достаточно больших размерах технической системы описание иерархий параметров для каждого устройства будет представлять собой довольно ресурсоемкую задачу. В целях сокращения общего количества иерархических структур, описание общих зависимостей целесообразно производить на более высоком уровне - семантических сетей мета-параметров.

В рамках предлагаемой модели построение иерархии и исчисление значений параметров осуществляется на основе многоагентной системы, как теории с наиболее гибким и эффективным в настоящий момент подходом к созданию распределенных систем. Центральным типом агентов в проектируемой МАС является класс агентов предварительной обработки Ap. Функционирование агентов данного типа носит делиберативный характер, что обусловлено перспективой разработки и применения интеллектуальных методов обработки данных в условиях недостатка информации. Предложенная Рао и Джоржеффом модель делиберативного BDI-агента опирается на использование CTL логики вычислительных деревьев, в которой каждому моменту времени приписывается некоторая ситуация, характеризующаяся тремя множествами миров: миров убеждений WB, желаний WD и намерений WI.

Примитивами логики являются: - непустое множество атомарных высказываний пропозициональной логики;, - операторы; BEL, DES и INTEND - операторы модальной логики; X (следующий), U (до), F (когданибудь в будущем), E (по какому-либо пути в будущем) - временные операторы.

Описания ментальных характеристик агента на основе BDI архитектуры опирается на понятия формулы состояния, которая определяется для каждого состояния принадлежащего определенному миру и формулы пути, которая определяется для конкретного пути в отдельно взятом мире.

Формализация модели агента на основе данного подхода подразумевает использование структуры Крипке, адаптированной к задаче моделирования поведения интеллектуального агента:

M = (W,,,, B, D, I), (2) где: W - множество возможных миров убеждений WB, предпочтений WD и намерений WI, т.е. W = WB WD WI, W : ({Sw: w W},{Rw: w W });

- функция назначения, ставящая в соответствие каждому состоянию s из мира w набор высказываний (формулу состояния) из множества которые истинны в данном состоянии, т.е. (w, s), w W, s Sw, ;

- функция назначения, ставящая в соответствие каждому отношению достижимости r, определенному в мире w, некоторое действие, т.е. (w, r), w W, r Rw, ;

- система целей агента, представленная совокупностью целевых функций (s), определяющих приоритеты достижения агентов заданных состояний;

B, D, I - отношения на множествах миров и состояний (в рамках представления убеждений агента получим B WB S WB).

В основе процессов формирования возможных миров убеждений лежит использование дерева принятия решений агента, имеющего следующую структуру:

= (S, R,,,,,, ), (3) где: S - непустое множество состояний в мире агента, состоящее из элементов двух непересекающихся конечных множеств: множества состояний принятия решений Sd и множества состояний определяемых окружающим миром Sc, т.е.

S : S = Sd Sc, Sd Sc= ; R - множество бинарных отношений достижимости, определенное на множестве состояний, т.е. R S S ; - непустое множество атомарных действий предпринимаемых агентом; - множество исходов действий агента, результат которых частично или полностью определяется состоянием окружающего мира в момент выполнения агентом действия; - функция назначения, ставящая в соответствие каждому отношению достижимости некоторое действие или исход действия, т.е. (r) {, }; - функция назначения, ставящая в соответствие каждому состоянию sd Sd набор высказываний из множества, истинных в состоянии sd; - целевая функция определяющая приоритеты агента.

Согласно алгоритму, описанному Джорджефом, множество миров убеждений агента формируется путем исключения из дерева принятия решений состояний подмножества Sc, при этом для каждой исключенной вершины sc создается совокупность миров, в каждом из которых агент переходит в следующее состояние с одним из возможных исходов.

На основе убеждений агент формирует множество предпочтений, основываясь на системе целей, которых он стремится достичь, путем исключения явно не предпочтительных вариантов.

Далее агентом, формируется множество намерений, определяющих совокупность действий, подлежащих реализации. Элемент множества миров намерений представляет собой некоторый путь в дереве соответствующего мира предпочтения выбранного агентом в качестве плана действий.

В каждый момент времени ti агент, обладая знаниями о своем внутреннем состоянии и характеристиках окружающего его мира, определяет текущее состояние si, в котором соответствующая формула состояния является i истинной. Некоторый мир считается достижимым в состоянии s Sw если формула состояния, определенная для данного состояния в данном мире функцией (w,s), является истинной. Причем, в общем случае достижимость некоторого мира характеризуется заданной вероятностью, а отношения достижимости миров задаются базовыми элементами B, D, I структуры Крипке.

В своей работе Рао и Джоржефф дали абстрактную спецификацию модели делиберативного агента и предложили расширения, которые могли бы удовлетворять различным возможным аксиомам BDI-теории. Однако данная спецификация является высокоуровневой абстракцией и не допускает непосредственной технической реализации.

Следовательно, в целях построения делиберативного агента предварительной обработки данных, возникает необходимость в четкой формализации существующей модели и алгоритмов функционирования BDIагента.

Учитывая структуру дерева принятия решений (3), а также вид алгоритма формирования миров убеждений расширим описание множеств миров WB, WD, WI:

B B WB = ({SwB: wB WB}, {RwB: wB WB},, ), (4) D D WD = ({SwD: wD WD}, {RwD: wD WD},, ), (5) I I (6) WI = ({SwI: wI WI}, {RwI: wI WI},, ), где: Sxw - множество состояний мира; Rxw - множество бинарных отношений x достижимости, Rxw Sxw Sxw; - множество допустимых действий в мирах B x агента, приводящих к изменению текущего состояния, ; - множество x атомарных высказываний пропозициональной логики убеждений агента,.

Оценка вероятности достижимости мира производится на этапе формирования возможных миров на основе вероятностей (как условных, так и обычных) исходов действий в как произведение вероятностей исходов действий, которые истинны в данном мире :

, (7) где - вероятность наступления исхода из множества, т.е., [0; | -1|].

На основе спецификации предложенной Рао и Джоржеффом был разработан алгоритм определения интенциональных характеристик BDI-агента, состоящего из следующих шагов:

1. определить множество достижимых миров убеждений для текущего состояния si с помощью отношения достижимости B;

2. на основе элементов множества сформировать предпочтения агента, путем устранения путей в мирах, для которых значение целевой функции для последующих состояний (s) 0, (s) ;

3. если | | = 0 (у агента нет предпочтений), то завершение выполнения алгоритма;

4. в каждом из миров выделить поддерево единичной глубины, описывающее возможности агента по переходу из текущего состояния si в одно из следующих состояний {si+1};

5. для каждой из вершин si+1 поддеревьев определить значение целевой функции;

5.1. определить множество терминальных вершин {s } для поддерева, корнем которого является вершина si+1;

5.2. определить значение целевой функции как: (si+1) = maxs ( (s ));

6. на основе элементов множества сформировать совокупность доступных D действий ;

D 7. если | | = 1 (имеется ровно одно допустимое к реализации действие ), то перейти к пункту 10;

8. принимая во внимание вероятностные характеристики достижимости миров, рассчитать комплексную оценку оптимальности реализации каждого D допустимого действия по формуле:

(8) =, где - состояние, в которое перейдет агент из текущего состояния si в мире при реализации действия ; N - мощность множества достижимых миров предпочтений, N = | |.

9. определить действие, для которого было получено максимальное значение комплексной оценки оптимальности : max( );

10. сформировать множество достижимых миров намерений, в которых принято к реализации;

11. реализовав выбранное действие, определить текущее состояние.

Рассмотрим применение описанных формализмов к задаче построения агента предварительной обработки данных. Дерево принятия решений для процесса исчисления значения параметра будет иметь вид представленный на рисунке 1.

v(pi) a(pi) ao ax() x(pi) h(pi) i(s'2) i(s'1) hho v(h(pi)) i(s'3) a(Pi-1) an ao ac(pi, h(pi)) h(pi-11) c(pi-11) x(pi) w(h(pi)) h1 ho c(pi-12) i(s'6) i(s'5) a(Pi-2) x(pi) am ao ai(s'4) c(pi-11) c(pi-1k) c(pi-11, h(pi-11)) c(pi, h(pi)) c(pi, h(pi)) x(pi) w(h(pi)) w(h(pi)) x(pi) i(s'n) x(pi) x(pi) i(s'k) i(s'n-1) i(s'k-1) Рисунок 1 - Дерево принятия решений агента предварительной обработки данных Совокупность действий реализуемых агентом ограничена следующим множеством:

v h a c w x = {,,,,, }, (9) v h где: - извлечение данных из буфера; - получение иерархической a c структуры; - проверка наличия значений; - вычисление значения...

...

...

...

...

w параметра на основе заданной иерархической структуры; - сохранение множества параметров для заданной иерархической структуры в буфере x данных; - экспорт значения параметра.

Множество действий, результат которых частично или полностью не зависит от агента, а в большей степени определяется состоянием окружающего a h мира, включает в себя два элемента: = {, },. В соответствии с типами выделенных действий получим:

a a a a a i = {,,, Е, }, n = | P |, (10) 0 1 2 n h h h (11) = {, }, 0 a описывающие исходы действий: - количество значений параметров h отсутствующих в буфере данных; - результаты поиска иерархии для заданного параметра.

Каждой терминальной вершине данного дерева ставится в соответствие некоторое численное значение (вес вершины), величина которого определяется целевой функцией (s). Специфика рассмотренного дерева принятия решений состоит в том, что для большинства состояний множество допустимых к реализации действий содержит только один элемент. Таким образом, расчет вероятностных характеристик достижимости миров не имеет смысла, что объясняет отсутствие вероятностных характеристик на этапе построения дерева принятия решений.

В условиях отсутствия части значений параметров иногда целесообразно рассчитать наиболее вероятное значение параметра верхнего уровня.

Рассмотрим дерево принятия решений для описанной ситуации (рис. 2) Множество действий предпринимаемых агентом в соответствии с приведенным деревом ограничено следующими элементами:

v a x d = {h,,,, c,, p} (12) d где: - получение списка устройств, принадлежащих одному классу с устройством, к которому принадлежит параметр p'; p - оценка вероятностей x x ( ) и ( ) на основе анализа имеющихся данных о множестве значений 0 p параметров f(P)| P = {p'd} p', (P).

Как и в случае исчисления значений параметров определим конечное множество исходов для действий различных типов. Множества исходов a h a h действий и в данном случае идентичны множествам и, описанным ранее (см. (10) и (11)).

x Множество содержит два различных исхода действия:

x x x = {, }, (13) 0 x где: - рассчитанное и экспортированное вероятное значение параметра не x соответствует действительному; - рассчитанное и экспортированное вероятное значение параметра соответствует действительному.

h(pi) hhv(h(pi)) x() a(Ph) i(s'1) am ao a1 avtk-1(p') c(pi) x() x() i(s'2) i(s'n) a(p') x(pi) a0 ai(s'3) x() d(p') vtk({p}) i(s'4) vtk-1({p}) (P) c(pi) x() x(pi) i(s'5) r(x0) r(x1) x1 xi(s'7) i(s'6) Рисунок 2 - Дерево принятия решений в условиях недостатка информации Тогда в процессе формирования BDI-агентом возможных миров, с помощью ранее описанного алгоритма, каждый возможный мир будет характеризоваться значением вероятностной величины, определяющей достижимость данного мира.

В процессе функционирования агент меняет свои представления относительно вероятностей достижимости миров на основе анализа информации о состоянии внешней среды.

Процесс проектирования распределенной МАС требует проектирования е архитектуры с учетом особенностей и возможностей выбранной агентной платформы. Среди наиболее известных агентных платформ можно выделить OMG, KAoS, FIPA и другие. Учитывая широкую популярность и гибкость Е.

FIPA, с точки зрения построения многоагентных систем различного масштаба, данная спецификация была выбрана в качестве основы при проектировании архитектуры МАС, приведенной на рисунке 3.

Представленная архитектура распределенной МС включает в себя несколько агентных платформ, на базе которых функционирует конечное множество агентов, выделенных ранее типов: множество агентов контекста обработки данных {aic}; агент доступа к буферу данных avb; агент иерархии параметров ah; агент иерархии мета-параметров amh; агент иерархии виртуальных параметров avh; множество агентов предварительной обработки данных {ai p}, агент доступа к базе знаний akb.

ПУА avhk(АИВП) amhk(АИМП) amhk(АИМП) avhk(АИВП) СТС ahk(АИП) ahk(АИП) akb(АБЗ) Служба каталога Служба каталога Подсистема Подсистема управления агентами управления агентами База Знаний apk1(АПО) apk2(АПО) apk1(АПО) apk2(АПО) Буфер данных apkn(АПО) apkn(АПО) avb(АБфД) Сервис транспортировки сообщений ac1 (АКОД) acx (АКОД) Подсистема Служба каталога управления агентами Рисунок 3 - Архитектура МАС распределенной обработки данных Глава 3 посвящена вопросу проектирования системы мониторинга состояния оборудования технической системы.

Разработанная в предыдущей главе модель МАС обеспечивает исчисление значений параметров в масштабах реального времени за счет распределенного подхода к организации вычислений. Очевидно, что существует необходимость в управлении данными процессами, что создает предпосылки к разработке модели соответствующей автоматизированной системы управления информационными процессами (АСУ ИП). В рамках предлагаемой модели функция управления достигается за счет инкапсуляции (частичной или полной) алгоритмов информационных преобразований Сервис транспортировки сообщений Сервис транспортировки сообщений управляемого процесса в модуле автоматизации информационного процесса (МАИП), управляемом на основе системы событий. Разработка МАИП контекстной обработки данных позволит обеспечить управление процессами, протекающими в МАС, за счет взаимодействия с агентами контекста обработки данных ac.

Pages:     | 1 | 2 | 3 | 4 |    Книги по разным темам