автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.17, диссертация на тему:Агент системы анализа сложных изображений

кандидата технических наук
Латынцев, Андрей Александрович
город
Красноярск
год
2006
специальность ВАК РФ
05.13.17
Диссертация по информатике, вычислительной технике и управлению на тему «Агент системы анализа сложных изображений»

Автореферат диссертации по теме "Агент системы анализа сложных изображений"

На правах рукописи

Латынцев Андрей Александрович

АГЕНТ СИСТЕМЫ АНАЛИЗА СЛОЖНЫХ ИЗОБРАЖЕНИЙ

05.13.17 — Теоретические основы информатики

АВТОРЕФЕРАТ

диссертации на соискание учёной степени кандидата технических наук

Красноярск - 2005

Работа выполнена в Красноярском государственном техническом университете

Научный руководитель:' к.т.н., профессор Цибульский Г.М.

Официальные оппоненты: д.т.н., профессор Л.Ф. Ноженкова к.т.н., доцент Г.С. Кирякова

Ведущая организация: Институт леса им. В.Н. Сукачёва СО РАН.

Защита состоится «12» апреля 2005г. в 14 часов в аудитории Г-417 на заседании диссертационного совета К 212.098.02 при Красноярском государственном техническом университете по адресу:

С диссертацией можно ознакомится в библиотеке Красноярского государственного технического университета.

Отзывы на автореферат в 2-х экземплярах с подписью составителя, заверенные печатью организации, просим направлять в адрес диссертационного совета.

Автореферат разослан « 12 » ндрга 2005 г.

Учёный секретарь диссертационного совета

660074, Красноярск, ул. Киренского, 26

К 212.098.02

Кузьменко Н.Г.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В настоящее время одним из наиболее перспективных подходов к решению сложных задач в области искусственного интеллекта является мультиагентный подход. Однако единого понимания понятия «агент», являющегося базовым для реализации мультиагентного подхода, на данный момент ещё не сформировано. В связи с этим, и в виду актуальности задачи анализа изображений в целом, разработка агента системы анализа изображений

Цель работы; разработать и сформулировать функциональную и структурную модели агента системы анализа изображений, а также алгоритмическую модель взаимодействия агента с его средой.

Для достижения сформулированной щели были поставлены следующие задачи:

1. Определить понятие «агент», применительно к задаче анализа изображений.

2. Определить состав среды агента.

3. Определить круг задач, возникающих перед сформулированным агентом.

4. Разработать структурную и функциональную модели агента.

5. Разработать обобщённый алгоритм взаимодействия агента с его средой. Методы исследований. При решении поставленных задач использовались методы: теории распознавания образов, теории классификации, теории решения задач, теории алгоритмов, теории экспертных систем, теории искусственного интеллекта, дискретной математики, а также использовались существующие наработки в теории агента. Проверка теоретических выводов и количественные оценки получены методом имитационного моделирования на ЭВМ.

На защиту выносятся;

1. Определение понятия «агент» системы анализа изображений

2. Состав среды агента.

3. Задачи агента.

4. Структура агента.

5. Функциональная структура агента.

6. Алгоритм взаимодействия агента со средой. Научная новизна;

1. Предложено и обосновано понятие агента системы анализа изображений и модель его среды, что позволяет выявить все задачи, возникающие перед сформулированным агентом в процессе его функционирования.

2. Описаны все задачи агента и определена необходимая для их решения структура агента.

3. Определена функциональная модель агента, позволяющая формализовать рассматриваемого агента.

4. Разработан алгоритм взаимодействия агента с его средой, реализующий решение агентной задачи.

носит актуальный характер.

РОС. Н<Чи'-0ИДЛ!,(14Я биг.»; нот '„хл з

СПетербург

Практическая полезность диссертационной работы заключается в разработке программно-методического комплекса, реализующего функции разработанного агента и позволяющего во взаимодействии с пользователем строить агенты системы анализа изображений.

Использование результатов диссертации. Основные результаты работы были внедрены в Институте леса им. В.Н. Сукачёва СО РАН.

Личный вклад автора. Выносимые на защиту основные результаты получены автором лично. В работах, опубликованных в соавторстве, автором предложены методические основы, проведены аналитические выкладки и получены расчётные значения.

Апробация работы. Материалы диссертационной работы докладывались и обсуждались: на семинаре кафедры «Системы искусственного интеллекта» Красноярского государственного технического университета (2005г.); на семинаре кафедры «Информатики и вычислительной техники» Сибирского Аэрокосмического Университета (2005г); на Всероссийской научно-методической конференции «Повышение качества непрерывного, профессионального образования» в г. Красноярске (2005г.); на семинаре лаборатории мониторинга леса в Институте леса им. В.Н. Сукачёва СО РАН (2005г.).

Публикации. По материалам диссертации опубликовано 4 печатные работы. Структура и объём работы. Диссертация состоит из введения, трёх глав, заключения и приложения. Всего 138 страниц машинописного текста и приложения. Библиография содержит 101 наименование.

СОДЕРЖАНИЕ РАБОТЫ Первая глава диссертации содержит краткий обзор существующих подходов к понятию «задача». В настоящей диссертационной работе под понятием «задача» будет пониматься следующее: 3 = <К,К1,КТ>,

где,

К - модель предметной области, которая содержит необходимые для решения задачи знания об исследуемом объекте, и знания о способе решения задачи;

Ка - актуальная модель исследуемого объекта (исходное знание); Кт - требуемая модель исследуемого объекта.

Задача - это ситуация, в которой для некоторой области действительности (предмета задачи) заданы модели существующего и требуемого состояний исследуемого объекта. Решением задачи называется процесс преобразования модели, существующего состояния объекта, в модель требуемого состояния: К. - Кт.

Далее рассматриваются различные подходы к решению сложных задач: централизованный, распределённый и сметанный.

Централизованный подход, прежде всего, характеризуется наличием в составе мультиагентной системы модуля, исполняющего роль центрального координатора действий этой системы.

Концепция распределённых систем в общих чертах представляет собой следующее. В некоторой среде функционирует некоторая достаточная с точки зрения решаемых задач совокупность независимых решающих систем (агентов). В этой же среде заданы некоторые правила (ограничения) поведения агентов и задана некоторая глобальная цель. Каждый из агентов, удовлетворяя ограничениям среды, преследуя свою локальную цель и согласуя свои действия с другими агентами коллектива, участвует в процессе достижении коллективом глобальной цели.

Сущность смешанного подхода заключается в некоторой комбинации двух выше рассмотренных подходов.

Затем проводится анализ современного понимания понятия «агент». В ходе которого выясняется, что несмотря на довольно давнюю историю понятия «агент», практически во всех работах, где дается определение понятия «агент» общим местом стало замечание об отсутствии единого мнения по этому поводу. В ходе анализа различных источников было выявлено, что большинством авторов, под понятием «агент» понимается: а) некоторая система, способная к адаптации в условиях изменяющейся внешней среды; б) «агент» - некоторая система, существующая и действующая в некоторой среде, соответствующей данному агенту; в) «агент» ориентирован на решение лишь некоторой части той сложной задачи, которая поставлена перед коллективом агентов в целом

В настоящее время выделяют три основных вида агентных архитектур:

- Делиберативная (классическая, совещательная) архитектура;

- Реактивная архитектура;

- Гибридная (смешанная) архитектура.

Делиберативная (совещательная) архитектура. В качестве примеров были рассмотрены следующие системы: IREM, AUTODRIVE, Softboat, PHÖNIX, IRMA, GRATE, PEA.

В целом рассмотренные примеры агентов с делиберативной архитектурой имеют то общее, что делиберативная архитектура агента основана на концепции всезнайства и не учитывает изменений возникающих в среде агента. Таким образом, делиберативные агенты оказываются не способными к адаптации.

Реактивные агенты не имеют внутренней модели мира, характерной для делиберативных архитектур. Внутренняя модель мира реактивных агентов представляет собой набор правил типа «ситуация-действие», каждое из которых выбирается в соответствии с текущей ситуацией. Под ситуацией понимается потенциально сложная комбинация внутренних и внешних состояний. В качестве примеров были рассмотрены следующие системы: «моботы» Брукса, ситуативный автомат, GAPPS, RULER.

На основании анализа данных систем был сделан вывод о том, что при данном подходе взаимодействие агента со средой и с другими агентами носит однонаправленный характер, реактивный агент не планирует воздействие, а лишь отображает поведение своей среды. При реактивном

подходе не образуется обобщённого знания, на основании которого только и возможно планирование решения сложных задач.

В гибридных системах сделана попытка объединить классический и альтернативный подходы (вплоть до комбинации традиционных методов инженерии знаний с нейросетевыми технологиями).

В качестве примеров были рассмотрены следующие системы: PRS, «Touring Machine», COSY, «футбольный агент», InteRRaP, гибридная система профориентации, гибридный агент, реализованный в рамках инструментального программного обеспечения ESWin.

На основании анализа рассмотренных систем был сделан вывод о том, что гибридные агенты, за счёт реактивной части, способны к отслеживанию динамики своей среды, а за счёт делиберативной, способны к планированию своего воздействий на неё. Однако существует проблема рационального комбинирования указанных частей в рамках одной системы. То есть, в какой мере и каким именно образом сочетать реактивную и делиберативную подсистемы, в тех или иных случаях.

Во второй главе дается определение простой задачи решающих систем второго рода.

Простой задачей решающей системы второго рода будем считать такую задачу, для решения которой метод одношагового поиска является необходимым и достаточным.

На основании этого даётся определение понятия «агент».

Агент - решающая система второго рода, ориентированная на решение простых задач

Среда всякого агента системы анализа изображений имеет однотипную структуру, но уникальна по содержанию её элементов. Среда агента всегда проще среды всей системы. Среда агента всегда является частью среды его надсистемы. Среда агента изменчива, поскольку соответствующим свойством обладают все элементы среды надсистемы.

На рис.1, изображен состав среды агента системы анализа изображений.

Агент

Рис. 1 Состав среды агента 6

В необходимое и достаточное окружение агента входят:

1) объект исследования (ОИ) - предметная область;

2) множество знаков внешней знаковой системы, посредством которых агент информируется о состоянии исследуемого объекта (цифровое изображение);

3) пользователь системы (П);

4) сам агент;

5) язык, как средство коммуникации пользователя и агента;

6) физические объекты, посредством которых передаются сообщения пользователя и агента, соседей и знаки внешней знаковой системы;

7) пользователь и система как единое целое, образуемое в процессе решения исходной задачи,

8) языковые средства коммуникации агента с соседями (выше и ниже стоящими агентами).

Структура агента (рис. 2) прежде всего определяется его средой. Ответственные за взаимодействие со средой внешние подсистемы агента реализуют следующие функции агента: взаимодействие с пользователем, обучение пользователя, восприятие анализируемого фрагмента изображения, обучение агента, взаимодействие агента с соседями. Внутренние подсистемы агента осуществляют планирование решения агентной задачи, ведение базы знаний, являющейся моделью среды агента, координацию взаимодействия подсистем агента.

Рис 2. Обобщённая структура агента 7

• Планировщик осуществляет процесс планирование хода решения исходной задачи и отвечает за координацию взаимодействия всех подсистем агента.

• Компонент «Обучение агента» ответственен за модификацию знаний агента, потребность в которой может возникнуть и возникает в ходе решения всякой агентной задачи.

• Компонент «Обучение пользователя» ответственен за разъяснение пользователю системы его роли в процессе решения агентной задачи и за обучение пользователя навыкам работы с конкретным агентом.

• Компонент «Коммуникация Агент-Пользователь» осуществляет преобразование внешнего представления сообщения пользователя во внутреннее агентное и наоборот.

• Компонент «Коммуникация Агент-Агент» ответственен за связь текущего агента с его соседями.

• Компонент «Восприятие данных» осуществляет восприятие агентом анализируемого фрагмента изображения.

• Рабочая память - информационное коммуникационное поле для всех подсистем агента, содержит всю текущую информацию о функционировании агента.

• База знаний содержите знания агента о его среде. База знаний агента может быть модифицирована только в процессе обучения агента.

На основании сделанных определений агента и его среды было выявлено, что задачи рассматриваемого агента - задача классификации, модифицированная формулировка которой основана на концепции конечности его знаний:

1) Операция ограничения;

2) Операция обобщения;

3) Коммуникация («агент-агент», «агент-пользователь»). Функционально агент, может быть описан, в виде обобщённой продукции

Поста:

[I; в; Р; (А В); N3

где,

I - уникальное обозначение агента;

в - описание ситуации предъявленной агенту для классификации. Р - условия применимости агента. А - посылка агентного правила. В - заключение агентного правила.

(А->В) - ядро продукции. Ядро продукции считается сработавшим, если посылка правила (А) принимает значение «истина и заключение (В) так же принимает значение «истина».

N - постусловие выполнения правила. Для рассматриваемого агента, в общем случае, постусловием будет: а) опознать реакцию среды на

произведённое воздействие; б) отреагировать сообразно полученной реакции.

Принимая во внимание указанную продукцию, обобщённый алгоритм работы агента представляет собой следующее (Рис. 3).

1) Агент переходит в активизированный режим управляющим воздействием своей надсистемы. Если признаковое описание предъявленной ему цели соответствует признаковому описанию пространства целей текущего агента, то текущий агент активируется, перейти к пункту 2, в противном случае, перейти к пункту 13.

2) Если значения описания предложенной цели удовлетворяют области определения пространства целей текущего агента, перейти к пункту 3, в противном случае перейти к пункту 5.

3) Если в результате проведённой классификации предложенная цель была сопоставлена текущим агентом с одним из известных текущему агенту классов, перейти к пункту 4, в противном случае перейти к пункту 5.

4) С каждым из известных текущему агенту классов целей всегда однозначно связана некоторая упорядоченная совокупность подцелей, достижение которых приведёт и к достижению цели агента. Текущий агент определяет среди своих нижестоящих соседей агентов адекватных текущим подцелям и делегирует им в качестве целей для преследования эти подцели.

5) Обучение. В процессе обучения могут быть скорректированы: признаковые описания пространства целей и пространства обобщения агента; область определения каждого из этих пространств; разбиение указанных пространств на классы, то есть знания агента о конкретных целях и обобщённое знание агента о результатах достижения подцелей. Обучение, в общем случае, происходит в результате взаимодействия текущего агента с его надсистемой и соседями. Завершив обучение, агент возобновляет преследование предъявленной цели с некоторого шага, в зависимости от вида пройденного обучения.

6) Если признаковое описание предъявленного нижележащими агентами результата адекватно признаковому описанию знаний текущего агента, перейти к пункту 7, в противном случае перейти к пункту 5.

7) Если значения результатов работы нижележащих агентов удовлетворяют области определения пространства обобщения текущего агента, перейти к пункту 8, в противном случае перейти к пункту 5.

8) Если в результате проведённой классификации-обобщения результатов работы нижележащих агентов результат был опознан как принадлежащий к одному из известных агенту классов обобщений, перейти в пункт 9, в противном случае перейти в пункт 5.

Рис. 3. Схема обобщённого алгоритма работы агента

9) Обобщив результаты достижения подцелей, текущий агент формирует и отсылает вызвавшей его надсистеме результат собственной работы, то есть результат достижения предъявленной ему цели.

10) Если реакция надсистемы на сформированное решение отрицательна, значит, текущий агент решил поставленную перед ним задачу по достижению предъявленной цели неверно. В этом случае перейти к пункту 5. Если же реакция системы положительна, перейти к пункту 11.

11) Положительно решив поставленную задачу, текущий агент информирует об этом нижележащих агентов, участвовавших в её решении.

12) По результатам работы текущий агент изменяет своё знание о связях и отношениях, возникающих в видимой ему части коллектива агентов.

13) Агент дезактивируется и возвращается в пассивный режим.

В описанном алгоритме, в пунктах (1-4) и (10-13), агент находится в режиме поиска управляемого целями. В остальных случаях агент находится в режиме поиска управляемого данными.

В третьей главе формулируются цели и задачи экспериментального исследования. Целью проводимых экспериментальных исследований является проверка работоспособности разработанного программно-методического комплекса, реализующего функции агента и позволяющего пользователю строить агенты системы анализа изображений. Для этого были поставлены следующие задачи:

- Рассмотреть процесс формирования пространств агента (целей и обобщения) и их структурирования, т.е. процесс формирования БЗ агента.

- Определить зависимость коллектива горизонтально взаимодействующих агентов от неоднородности анализируемых данных и заданной точности анализа.

В качестве исходных данных для эксперимента был взять космофотоснимок «Ьапска! ТМ» лесов приполярного Урала. Экспертом на этом изображении была задана выборка, соответствующая интересующему его классу сомкнутости листвиничника.

Начальное множество признаков описывающих точки изображения, приведено в таблица 1, где Уаг=[£(ху - М)2]/(п -1); Зке^евБ = ]Е(хи - М)3|/ (п

- ^Уаг"2; М= (Еху)/п, п = 3x3, 5x5, 7x7. После вычисления начальное множество признаков декоррелируется и упорядочиваются по информативности разделения элементов изображения со свойствами выборочных данных от всего остального. Упорядочение признаков агентом уровня примитивов показало, что наиболее информативными для выделения элементов изображения со свойствами выборочных данных (рис. 4.), оказались признаки 3-й и 4-й, таблица 2, которые и являются описанием пространства обобщения текущего агента уровня примитивов.

Все элементов изображения со свойствами выборочных данных отображаются в пространство обобщения текущего агента. Внутренняя структура данных выявляется методом ГБООАТА (рис. 5). Было определено, что структура текущих данных - два кластера в пространстве обобщения

текущего агента и множество элементов изображения, котороя в заданном пространстве не может быть расклассифицирована. Результат преследования текущим агентом сформированных целей представлен на рис. 6. При этом текущий агент расклассифицировал 75 % от общего числа элементов изображения со свойствами выборочных данных.

Таблица 1.

№ признака Спектр альны й диапазон (мкм) пространс твенное разрешени е Характеристика отражения

1 0.45-0.515 30 0.44-0.49 мкм -хлорофилл, 9-10 каналы

2 0.525- 0.605 30 0.526-.556 мкм -хлорофилл, осадочные породы, 11-12 каналы

3 0.63 - 0.690 30 0.62-0.67 мкм - 1 канал, 0.66-0.68мкм -13,14 каналы, атмосфера, осадочные породы, флюоресценция хлорофилла

4 0.75-0.90 30 0.84-0.88мкм - 2 канал, изменение растительности, 0.74-0 Л9мкм-15-17 каналы, аэрозоли, атмосфера, облачность

5 1.55-1.75 30 1.63-1.65мкм - 6 канал, отделение снега и облаков

6 10.40-12.5 60 10.8-123мкм-31,32 каналы, лесные пожары, вулканы, температура поверхности Земли

7 2.09-235 30 2.1-2.15мкм - 7 канал, Облачность

№ признака Функция

8 Уаг (3x3)

9 Уаг (5x5)

10 Уаг (7x7)

11 вкечупе» (3x3)

12 вкеоде» (5x5)

13 §ке>¥пе88 (7x7)

Рис. 4. «Элементы изображения со свойствами выборочных данных»

число признаке в перечень признаков в порядке их информативности разделяемость

1 X' 6,07048

2 х'.х* 6,68814

3 X', Х\ X" 6,79813

4 X"1, Х\ Ху, X' 6,89052

5 X1, х^.х'.х» 6,95058

6 X3, X4, Ху, X1, х", хш 6,99064

7 Х'1, X4, Хч, X1, X8, хш, X1 6,99682

8 •уЗ у4 уУ у' V" у'" л , л , л , л ) л ) л у Л ) л 7,00173

9 уЗ у4 уУ у! у! у|Ц у! у^ уи А у Л у А ) Л | Л | л ) л ) л ) л 7,00225

10 X3, X4, X*, X', X®, х'и, X3, X1, Xй,X' 7,00275

11 х\ х4, х", X1, X«, Хш, X1, X2, х",х',х" 7,00316

12 X3, X4, X9, X1, X8, Х1", X4, X2, Хи,Х',Хи,Х" 7,00328

13 X', X4, X*, X', X', X'", Х\ XХиЛ'Х\Х"Х 7,00332

Таблица 3 Разделяемость элементов выборки от «всего остального»

Рис. 5. Структура пространства обобщения текущего агента уровня примитивов (тёмные точки - элементы 1 -ого класса, белые точки - элементы 2-ого класса, чёрные точки - ^расклассифицированные данные)

Структура нерасклассифицированных элементов изображения выявлялась в другой системе признаков: декоррелированая система признаков упорядочивалась по информативности отделения нерасклассифицированных элементов изображения от всего остального. Такими признаками оказались 1 и 5. Выявленная структура текущих данных (2 класса и множество нерасклассифицированных данных) - структура пространства обобщения второго агента уровня примитивов: расклассифицировано 77 % ранее нерасклассифицированных элементов обладающих свойствами выборочных данных. Итого, двумя агентами было расклассифицировано 93% элементов изображения со свойствами выборочных данных, образующих пятна на поле изображения размеров от 5 пикселей (рис. 7).

Поскольку 7% элементов изображения обладающих свойствами выборочных данных и входящих в состав примитивов анализируемого изображения (пятна не менее 5 пикселей) были не расклассифицированы, возникает необходимость привлечения ещё одного агента уровня »

примитивов. Ранее описанным способом было получено пространство общения очередного агента: признаки 6 и 9. Всего текущим агентом от общего числа обработанных им элементов изображения „

расклассифицировано 72 %. Всего 3-мя агентами расклассифицировано 98% элементов изображения со свойствами выборочных данных, образующих примитивы на поле анализируемого изображения. (Рис 7).

Рис. 6. Элементы 1-ого и 2-ого класса.

Рис. 7. Элементы 4-х классов.

Таким образом, разработанный программно-методический комплекс позволяет путём формирования пространств агента и выявления их структуры строить любые агенты системы анализа изображений, поскольку всякий агент системы анализа изображений имеет типовую структуру и отличается лишь уникальным составом своей БЗ, а процесс формирования пространства целей агента отличается от процесса формирования

пространства обобщения только уровнем абстракции отображаемых в нём данных. Кроме того, с возрастанием неоднородности анализируемых данных возрастает и численность горизонтально расположенных агентов коллектива, привлечение которых необходимо для анализа рассматриваемых данных с заданной точностью.

Рис 8. Элементы 6-и классов

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Предложено и обосновано определение понятия «агент» для системы анализа изображений, описан состав его среды, определён круг задач возникающие перед сформулированным агентом и определена необходимая структура, которой должен обладать рассматриваемый агент для возможности их решения.

2. Определена функциональная модель, позволяющая формализовать рассматриваемого агента.

3. Разработан алгоритм взаимодействия агента с его средой, реализующий решение агентной задачи.

4. Разработан программно-методический комплекс, реализующий функции агента и позволяющий пользователю строить агенты системы анализа изображений

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Цибульский Г.М., Латынцев A.A. Агент и агентные задачи системы анализа изображений. «Исследовано в России», №3,2005

2. Цибульский Г.М., Латынцев A.A. Обучение агента системы анализа изображений. «Исследовано в России», №3,2005

3. Латынцев A.A. Агентный подход к решению задач. Материалы всероссийской научно-методической конференции «Повышение качества непрерывного профессионального образования». Красноярск, 5-7 апреля, 2005г. В публикации

4. Латынцев A.A. Задача обучения агента. Материалы всероссийской научно-методической конференции «Повышение качества непрерывного профессионального образования». Красноярск, 5-7 апреля, 2005г. В публикации

Соискатель:

Латынцев A.A.

Подписано в печать 01.03.2005. Формат бумаги 60x84 1/16

Усл. печ. л. 1,0 Тираж 100 экз. Заказ 58.

Отпечатано в ИПЦ КГТУ 660074, Красноярск, ул. Киренского, 28

РНБ Русский фонд

2005-4 42928

: у

? :

17

о

/- J J

Оглавление автор диссертации — кандидата технических наук Латынцев, Андрей Александрович

ВВЕДЕНИЕ.

1. АГЕНТНЫЙ ПОДХОД К РЕШЕНИЮ ЗАДАЧ.

1.1 Анализ понятия «агент».

1.2 Виды агентных архитектур.

1.2.1 Делиберативная архитектура.

1.2.2 Реактивная архитектура.

1.2.3 Гибридная архитектура.

1.3 Стратегии функционирования мультиагентных систем.

1.4 Агентный подход к анализу изображений.

1.5 Выводы к главе 1.

2. АГЕНТ СИСТЕМЫ АНАЛИЗА ИЗОБРАЖЕНИЙ.

2.1 Понятие агента и его среды.

2.2 Задачи агента и его функциональная модель.

2.3 Структура агента.

2.4 Обобщённый алгоритм работы агента.

2.5 Работа агента в активизированном режиме.

2.6 Функционирование агента при нисходящем анализе.

2.7 Функционирование агента при восходящем анализе.

2.8 Выводы к главе 2.

3. ЭКПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ.

3.1. Цели и задачи экспериментального исследования.

3.2. Описание программно - аппаратной системы для проведения эксперимента.

3.3. Описание экспериментального исследования.

3.4 Выводы к главе 3.

Введение 2006 год, диссертация по информатике, вычислительной технике и управлению, Латынцев, Андрей Александрович

Актуальность темы. Автоматическая обработка визуальной информации является важным направлением в области искусственного интеллекта, и ей в последние годы уделяется все возрастающее внимание. Интенсивное освоение космического пространства повышает актуальность задач распознавания и оценки состояния земной поверхности по сигналам, получаемым с различных спутников-наблюдателей. К таким задачам можно отнести: анализ техногенного загрязнения окружающей среды, анализ экологических проблем, мониторинг использования природных ресурсов и контроль выполнения международных соглашений. Задачи распознавания изображений возникают и в смежных прикладных областях: компьютерное зрение, автоматический контроль безопасности дорожного движения, медицинская диагностика, томография и ряд других. Хорошо известно, что решение таких задач связано с обработкой большого объёма информации сложной структуры, которую трудно интерпретировать.

В настоящее время одним из наиболее перспективных подходов к решению сложных задач (которыми, бесспорно, являются и задачи анализа изображений), в области искусственного интеллекта является мультиагентный подход. Сущность мультиагентного подхода к решению задач состоит в том, чтобы редуцировать исходную сложную задачу до некоторой упорядоченной совокупности более простых задач, совокупное решение которых приведёт и к решению исходной сложной задачи. Ответственность за решение каждой такой «простой» задачи возлагается на некоторую относительно «простую» решающую систему, называемую агентом (более простую по сравнению с решающей системой, способной решить исходную сложную задачу самостоятельно). Это позволяет снизить трудоёмкость разработки и модификации решающей системы, необходимой для решения исходной сложной задачи, за счёт того, что она представляется совокупностью относительно простых и однотипных решающих систем. Кроме того, во многих случаях использование мультиагентного подхода позволяет решать задачи более сложные, чем те, которые могут быть решены при помощи классических экспертных систем, например, задачи, обладающие неопределенностью по статической структуре оригинала. Однако, единого мнения относительно интерпретации понятия «агент», являющегося базовым для реализации данного подхода, на текущий момент ещё не сформировано. Нет указания на полный перечень процессов, поддержку которых должны обеспечивать агенты, входящие в состав мультиагентной системы анализа изображений. Не указывается сложность задач, на решение которых должны быть ориентированы отдельные агенты. Невыясненными остаются вопросы относительно структуры таких агентов и состава их внешней среды.

В связи с этим, и в виду актуальности задачи распознавания изображений в целом, разработка агента системы анализа изображений носит актуальный характер.

Цель работы. Целью работы является разработка моделей агента и исследование его свойств, применительно к задаче анализа сложных изображений.

Поставленная цель достигается решением следующих задач:

1. Исследование проблемы анализа изображений.

2. Анализ существующих наработок в теории агента.

3. Определение понятия «агент», применительно к задаче анализа изображений.

4. Описание состава среды агента мультиагентной системы анализа изображений (МСАИ).

5. Выявление видов задач, возникающих перед агентом в такой среде.

6. Разработка функциональной модели агента МСАИ.

7. Разработка структурной модели агента системы анализа изображений.

8. Разработка алгоритма взаимодействия агента с его средой.

Методы исследований. При решении поставленных задач использовались методы: теории распознавания образов, теории классификации, теории решения задач, теории алгоритмов, теории экспертных систем, теории искусственного интеллекта, дискретной математики, а также использовались существующие наработки в теории агента. Проверка теоретических выводов и количественные оценки получены методом имитационного моделирования на ЭВМ.

Научная новизна работы:

1. Разработан состав среды (окружения) агента МСАИ, что позволяет выявить все виды задач, возникающие перед данным агентом в процессе его функционирования в этой среде.

2. Разработана функциональная модель агента, позволяющая описать работу агента, входящего в состав мультиагентной системы анализа изображений (МСАИ).

3. Разработана структурная модель агента МСАИ, являющаяся развитием гибридных архитектур, обеспечивающая агенту МСАИ способность решать задачи, возникающие перед ним в его среде.

4. Разработан алгоритм взаимодействия агента с его средой, позволяющий агенту, в составе МСАИ, решать задачи анализа сложных изображений.

Практическая ценность диссертационной работы заключается в разработке программно-методического комплекса, реализующего функции агента МСАИ для задачи анализа изображений и позволяющего во взаимодействии с пользователем эмулировать работу коллектива агентов.

Использование результатов диссертации. Основные результаты работы были внедрены в Институте леса им. В.Н. Сукачёва СО РАН.

Личный вклад автора. Выносимые на защиту основные результаты получены автором лично. В работах, опубликованных лично и в соавторстве, автором предложены методические основы, проведены аналитические выкладки и получены расчётные значения.

Апробация работы. Материалы диссертационной работы докладывались и обсуждались: на семинаре кафедры «Системы искусственного интеллекта» Красноярского государственного технического университета (2005г.); на семинаре кафедры «Информатики и вычислительной техники» Сибирского Аэрокосмического Университета (2005г); на Всероссийской научнометодической конференции «Повышение качества непрерывного, профессионального образования» в г. Красноярске (2005г.); на семинаре лаборатории мониторинга леса в Институте леса им. В.Н. Сукачёва СО РАН (2005г.).

Публикации. По материалам диссертации опубликовано 7 печатных работ.

Структура и объём работы. Диссертация состоит из введения, трёх глав и заключения. Всего 140 страниц. Библиография содержит 105 наименований.

Заключение диссертация на тему "Агент системы анализа сложных изображений"

3.4 Выводы к главе 3

1. Полученные экспериментальные результаты показывают, что разработанный программно-методический комплекс позволяет, путём формирования пространств агента и выявления их структуры, моделировать работу агентов системы анализа изображений, поскольку всякий агент системы анализа изображений имеет типовую структуру и отличается лишь уникальным составом своей БЗ.

2. На примере работы сформированных агентов уровня примитивов показана работоспособность разработанного алгоритма взаимодействия агента со средой. Показан процесс формирования коллектива агентов уровня примитивов.

3. С возрастанием неоднородности анализируемых данных возрастает и численность горизонтально расположенных агентов коллектива, привлечение которых необходимо для анализа рассматриваемых данных с заданной точностью.

ЗАКЛЮЧЕНИЕ

В заключение кратко сформулируем положения, характеризующие научную и практическую значимость работы. К основным научным результатам относятся:

1. Разработан состав среды (окружения) агента МСАИ, что позволяет выявить все виды задач, возникающие перед данным агентом в процессе его функционирования в этой среде.

2. Разработана функциональная модель агента, позволяющая описать работу агента, входящего в состав мультиагентной системы анализа изображений (МСАИ).

3. Разработана структурная модель агента МСАИ, являющаяся развитием гибридных архитектур, обеспечивающая агенту МСАИ способность решать задачи, возникающие перед ним в его среде.

4. Разработан алгоритм взаимодействия агента с его средой, позволяющий агенту, в составе МСАИ, решать задачи анализа сложных изображений.

Практическая ценность диссертационной работы заключается в разработке программно-методического комплекса, реализующего функции агента МСАИ для задачи анализа изображений, и позволяющего во взаимодействии с пользователем эмулировать работу коллектива агентов.

Библиография Латынцев, Андрей Александрович, диссертация по теме Теоретические основы информатики

1. Алексеев А.В. Интеллектуальные системы принятия проектных решений/ Алексеев А.В., Борисов А.Н., Вилюмс Э.Р. Рига: Зинатне, 1997.

2. Банерджи Р.Б. Теория решения задач как раздел искусственного интеллекта/ Банерджи Р.Б.// ТИИЭР. 1982. - т.70. - №12.

3. Браун Д. Интерактивный анализ компьютерных преступлений/ Браун Д., Гундерсон Д., Эванс М.// Открытые системы. 2000. -№11.

4. Болотова JI. Интеллектуальные информационные технологии (история и тенденции развития)/ Болотова Л., Любкин С., Резер В.// Открытые системы. 2002. - №5.

5. Виноградов А.Н. Интеллектуальная система с динамически изменяющейся целью/ Виноградов А.Н.// Материалы конгресса 1СА1«2001». изд. Физматлит, 2001. - С. 339 -348.

6. Валиев М.К. О сложности верификации динамических свойств многоагентных систем/ Валиев М.К., Дехтярь М.И., Диковский А.Я.// Материалы 1-ой Всероссийской научной конференции «Методы и средства обработки информации» Москва, 2003.

7. Гладун В.П. Системы планирования действий для сложных сред./ Гладун В.П., Ващенко Н.Д., Галаган Н.И. // Кибернетика. 1982. - №5.- С.88-94.

8. Городецкий В.И. Многоагентные системы (обзор) / Городецкий В.И., Грушинский М.С., Хабалов А.В. // Новости искусственного интеллекта- 1998. №2.

9. Гаврилов А.В. Гибридная экспертная система для профориентации/ Гаврилов А.В.// Сборник научных трудов НГТУ. Новосибирск: изд. НГТУ, 1997. - № 3(8). - С. 123-132.

10. Гаврилов А.В. Архитектура «двухполушарной» экспертной системы./ Гаврилов А.В.// Сборник научных трудов «Системы искусственного интеллекта». Новосибирск, 1993. - С. 10-14.

11. Гаврилов А.В. Гибридные интеллектуальные системы./ Гаврилов А.В., Новицкая Ю.В.// The International Conference "Information systems and technologies" IST'2003. -Novosibirsk, 2003. Vol. 3. - P. 116-122.

12. Гаврилов A.B., Системы Искусственного Интеллекта./ Гаврилов А.В.// -Новосибирск, 2001

13. Городецкий В.И. Многоагентные системы: современное состояние исследований и перспективы применения./ Городецкий В.И.// Новости искусственного интеллекта. -1996. -N 1. -С. 44-59.

14. Гладун В.П. Партнерство с компьютером (человеко-машинные целеустремленные системы)./ Гладун В.П.// изд. Port - Royal, 2000.

15. Джексон П. Введение в экспертные системы, третье издание./ Джексон П.// изд. дом «Вильяме», 2001.

16. Деллинг В. Диалоговые системы "Человек ЭВМ". Адаптация к требованиям пользователя./ Деллинг В., Эссинг Т.Н. - М.:Мир - 1984. -С. 112.

17. Ефимов Е.И. Решатели интеллектуальных задач./ Ефимов Е.И.// -М.: Наука, 1982.

18. Загорулько Ю. А. Общая концепция агентов в системе моделирования SEMP-A./ Загорулько Ю. А., Попов И. Г., Костов Ю. В., Сергеев И. П. //Труды международной научно-практической конференции KDS-2001- СПб, 2001. -Т.1., С.259-267.

19. Загоруйко Н.Г./ Загоруйко Н.Г.// Методы распознавания и их применение. М., 1972.

20. Коутс Р. Интерфейс "Человек-компьютер"/ Коутс Р., Влеймник И.// -М:Мир, 1990. С. 510.

21. Курдюков А.А. Интеллектуальные агенты и их применения в инженерном проектировании/ Курдюков А.А.// Доклады конференции -CAD/CAM/PDM, 2001.

22. Клышинский Э.С. Одна модель построения агента./ Клышинский Э.С.// Труды Международной конференции «Интеллектуальное управление: новые интеллектуальные технологии в задачах управления» (ICIT99). Переславль-Залесский, 1999.

23. Кораблин М.А. Мультиагентная среда для поддержки принятия решений./ Кораблин М.А., Ржевский Г.А., Скобелев П.О.//Труды конференции ICCS 2001. СПб, 2001.

24. Латынцев А.А. Агентный подход к решению задач./ Латынцев А.А.// Материалы всероссийской научно-методической конференции «Повышение качества непрерывного профессионального образования».- Красноярск, 2005. -С. 359-362.

25. Латынцев А.А. Задача обучения агента./ Латынцев А.А.// Материалы всероссийской научно-методической конференции «Повышениекачества непрерывного профессионального образования». Красноярск, 2005. С. 356-358.

26. Латынцев А.А. Модель среды агента мультиагентной системы анализа изображений./ Латынцев А.А.// Материалы межрегиональной научно-практической конференции «Инновационное развитие регионов Сибири». -Красноярск, 2006. 4.1. -С. 157-159.

27. Латынцев А.А. Структура агента мультиагентной системы анализа изображений./ Латынцев А.А.// Материалы межрегиональной научно-практической конференции «Инновационное развитие регионов Сибири». -Красноярск, 2006. -4.1. С. 160-164.

28. Легард Д. Искусственный интеллект для сайта/ Легард Д.// Computerworld. -2001. №14.

29. Морозов А.А. Логическое программирование агентов для поиска и распознавания информации в интернет./ Морозов А.А.// Доклады 11 -й международной конференции «Математические методы распознавания образов» (ММРО-11). Москва, 2003.

30. Ньюэлл А. Информатика как эмпирическое исследование./ Ньюэлл А., Саймон Г.// сборник лекций лауреатов премии Тьюринга М.: Мир, 1985.

31. Нильсон. Н. Искусственный интеллект./Нильсон. Н.// -М:Мир, 1973.

32. Осипов Г.С. Искусственный интеллект: состояние исследований и взгляд в будущее./ Осипов Г.С. // Новости искусственного интеллекта. -2001. -N1.

33. Оделл Д. Агенты и сложные системы/Оделл Д.// Открытые системы. -2002. -№10.

34. Охоцимский Д.Е. Моделирование игры роботов-футболистов в пакете «виртуальный футбол»/ Охоцимский Д.Е., Павловский В.Е., Плахов А.Г., Туганов А.Н., Павловский В.В.// Мехатроника. -2002. -№1. -С.2-5.

35. Попов Э.В. Экспертные системы./ Попов Э.В.// М.: Наука, 1987.

36. Пойа Д. Математическое открытие./ Пойа Д.// М., 1998. - С.448.

37. Попов Э. В. Экспертные системы реального времени./ Попов Э. В.// Открытые системы. —1995. №2.

38. Попов Э.В. Статические и динамические экспертные системы./ Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д.// М.: Финансы и статистика, 1996.

39. Редько В.Г. Многоагентные интернет системы — исследование процессов самообучения и организации. Редько В.Г., Мосалов О.П., Митин Н.А., Бурцев М.С.//, труды 1-ой Всероссийской научной конференции «Методы и средства обработки информации». М, 2003.

40. Ржевский Д. Мультиагентные системы в логистике и е-коммерции/ Ржевский Д.// -М.,2001.

41. Скобелев П.О. Самоорганизация и эволюция в открытых мультиагентных системах для холонических предприятий./ Скобелев П.О.// труды Международного конгресса "Искусственный интеллект в 21 веке". Дивноморское, 2001.

42. Тарасов В.Б. Агенты, многоагентные системы, виртуальные сообщества: стратегическое направление в информатике и искусственном интеллекте./ Тарасов В.Б.// Новости искусственного интеллекта. -1998. -N2.

43. Тарасов В.Б. Новые теоретические подходы к построению интеллектуальных организаций./ Тарасов В.Б.// Компьютерная хроника.-1998. №1. С.25-48.

44. Тимофеев А.В. Нейросетевое распределение мульти-агентных потоков данных в глобальных компьютерных сетях./ Тимофеев А.В., Сырцев А.В.//, труды первой Всероссийской научной конференции «Методы и средства обработки информации». -М, 2003.

45. Тарасов В.Б. Концептуальная спецификация многоагентных систем (часть 1)./ Тарасов В.Б., Плесневич Г.С., Авдошин С.М.// Информационные технологии. -2002. №12. -С.25-35.

46. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика./ Тарасов В.Б.// -М.: изд. Эдиториал, 2002.

47. Цибульский Г.М. Символические системы и поиск в задачах анализа и интерпретации изображений./ Цибульский Г.М.// Материалы 4-ой всероссийской конференции "Проблемы информатизации региона". -Красноярск, 1998.

48. Цибульский Г.М. Агент и агентные задачи системы анализа изображений./ Цибульский Г.М., Латынцев А.А.// Электронный журнал "Исследовано в России". -2005. -N3. -С.663-667 http://zhurnal.ape. relarn.ru/articles/2005/060.pdf

49. Цибульский Г.М. Обучение агента системы анализа изображений./ Цибульский Г.М., Латынцев А.А. // Электронный журнал "Исследовано в России". -2005. -N3. -С668-671. http ://zhurnal.ape.relarn.ru /articles /2005/061.pdf

50. Цыпкин Я.З. Основы теории обучающихся систем./ Цыпкин Я.З.// -М., 1970.

51. Цыпкин Я.З. Адаптация и обучение в автоматических системах./ Цыпкин Я.З.// М., 1968.

52. Швецов А. Н. Мультиагентная система отдела по работе с обращениями и жалобами граждан./ Швецов А. Н., С. В. Дианов// Информационные технологии. -2003. -№7.

53. Чукин М.Е. Структуры данных для представления изображений./ Чукин М.Е.// Зарубежная радиоэлектроника. -1983. -N 8.

54. Искусственный интеллект: в 3 книгах, кн. 2. Модели и методы, справочник под ред. Э.В.Попова./ Э.В.Попов// М.: Радио и связь, 1990.

55. Построение экспертных систем под ред. Ф. Хейса-Рота / Ф. Хейса-Рота, Д. Уотермана, Д.Лената// М.: Мир, 1987.

56. Amarel S. Problems of representation in heuristic problem solving: related issues in the development of expert systems/Amarel S.// Rutgers Univ. -1981.

57. Ambros-Ingerson J. Integrating planning, execution and monitoring. / Ambros-Ingerson J., Steel S.//Proceedings of the Seventh National Conference on Artificial Intelligence. St.Paul. MN. -1998 - p.83-88.

58. Bratman M.E. Plans and resource-bounded practical reasoning, Computational Intelligence./ Bratman M.E., Israel D.J., Pollack М.Е./ -1998. -P.349-355.

59. Brooks R.A. Intelligence without Representation./ Brooks R.A.//Artificial Intelligence-1991. -№47. -P.139-159.

60. Brooks R. A. Intelligence Without Reason./ Brooks R. A// Massachusetts Institute of technology. Artifical intelligence laboratory. -1991.

61. Brooks R.A. Elephants don't play chess./ Brooks R.A.// In: P Maes (ed.) Designing Autonomous Agents. -1990. -P. 3-15.

62. Brooks R.A. Intelligence without reason./ Brooks R.A.// In: Proceedings of the Twelfth International Joint Conference on Artificial Intelligence (IJCAI-91). Sydney, 1991. -P 569-595.

63. Colm R., A multi-agent system for intelligent on-line education./ Colm R., Josephine G.// Information Technology Centre National University of Ireland. -Galway, 2001.

64. Cohen P.R. Trial by fire: Understanding the design requirments for agents in complex environments./ Cohen P.R., Greenberg M.L., Howe A.E.// AI Magazine. -1989. -№10(3). -P.32-48.

65. Dekhtyar M. On Feasible Cases of Checking Multi-Agent Systems Behavior./ Dekhtyar M., Dikovsky A., Valiev M.// Theoretical Computer Science, Elsievier Science. -2003. -№1. -V. 303 .

66. Dekhtyar M.I. Complexity of Multi-Agent Systems Behavior./ Dekhtyar M.I., Dikovsky A.J., Valiev M.K.// In: Lect. Notes in AI, №. 2424, 2002.

67. Etzioni O. Building softbots for UNIX./ Etzioni O., Lesh N., Segal. R// AAAI Press, 1994. -pp 9-16,

68. Fay A. Signal und Draht./ Fay A.// Signal und Draht -2000. -N 3, -P. 14-18.

69. Funabashi M. Fuzzy and neural hybrid expert systems: synergetic AI. AI in Japan./ Funabashi M.//. IEEE Expert. -1995. -P. 32-40.

70. Ferguson I.A. Touring Machines: An Architecture for Dynamic, Rational, Mobile Agents./ Ferguson I.A.// PhD Thesis, Cambridge, 1992.

71. Fikes R.E. STRIPS: A new approach to the application of theorem proving to problem solving./ Fikes R.E., Nilsson// Artificial Intelligence -1971. -№5 (2). -P. 189-208.

72. Ferguson I.A. Integrated Control and Coordinated Behaviour: A case for Agent Models./ Ferguson I.A.// In: Intelligent Agents. ECAI-94. -Amsterdam, 1994.

73. Georgeff M.P. Reactive reasoning and planning./ Georgeff M.P., Lansky// In: Proceedings of the Sixth National Conference on Artificial Intelligence (AAAI-87). Seattle, 1987. -P. 677-682.

74. Hayes-Roth В. An architecture for adaptive intelligent systems./ Hayes-Roth B.//Artificial Intelligence.-1995. -N72. -P.329-365.

75. Huang J. An Agent Architecture for Distributed Medical Care./ Huang J., Jennings N.R., Fox J.// In: Intelligent Agents. ECAI-94 -Amsterdam, 1994.

76. Ivkushkin K. MA DAE: MagentA Multi-Agent Desktop Application Engine/ Ivkushkin K., Minakov I., Rzevski G., Skobelev P.// Proceedings of the 3rd International Workshop on Computer Science and Information Technologies CSIT'2001. -Ufa, 2001.

77. Kahn G. The MUD system./ Kahn G., McDermott J.// In Proc. 1st IEEE Conference on Artificial Intelligence Applications, 1984.

78. Kelly K. Out of Control./ Kelly K.// MIT,1994.

79. Maes P. Artificial life meets entertainment: life like autonomous agents./ Maes P.//Communications of the ACM. -1995.-V.38.-Nil. -P.108-114.

80. Maes P. Agent that Reduce Work and Information Overload./ Maes P.// In: Communication of the ACM. -1994. -V.37. -N7. -P. 30-40.

81. Muller J.P. Modelling Reactive Behaviour in Vertically Layered Agent Architectures./ Muller J.P., Pishel M., Thiel M.// In: Intelligent Agents. ECAI-94. -Amsterdam, 1994-P.261-276.

82. Maes P. The dynamics of action selection./ Maes P.// In: Proceedings of the 11-n International Joint Conference on Artificial Intelligent (IJCAI-89). -Detroit, 1989. -P. 991-997.

83. Maes P. Designing Autonomous Agents./ Maes P.// -MIT Press, 1990.

84. Maes P. Situated agents can have goals./ Maes P.// -MIT Press, 1990. -P.115-120.

85. Moser M. G. An Overview of NIKL, the New Implementation of KL-ONE./ Moser M. G.// Technical Report N 5421. -Cambridge MA, 1993.

86. Moore J. D. A unifying view. Machine Learning./ Moore J. D.// MIT Press, 1995. -P. 47-48.

87. Neches R. Explainable (and maintainable) expert systems./ Neches R., Swartout W. R., Moore J.// In Proc. 9th International Joint Conference on Artificial Intelligence. -1985. -P.382-389.

88. Petrie C. What is an agent?/ Petrie C.// Proc. of ECAI-96. -Berlin,1996. -P.41-43.

89. Petrov V.V. Organization in hybrid expert systems./ Petrov V.V., Pavlova N.V.// Doklady Akademii Nauk. -1996. -V 350. -N 4. -P. 465-466.

90. Rzevski G.A. Multi-Agent Models of Networked Organisations./ Rzevski G.A., Skobelev P.O.// New Models of Business: Managerial Aspects and Enabling Technology. -Saint Petersburg, 2001.

91. Rzevski G. Global Information Systems: Agents of Social, Political and Cultural Changes./ Rzevski G.// The Open University Report, 1996. -№ 1

92. Rzevski G. The Concept of Virtual Design Studio./ Rzevski G.// Proc. of the East-West Conference on IT in Design. -Moscow, 1996.

93. Shoham Y. Agent oriented programming./ Shoham Y.// Artificial Intelligence.-1993. -V.60. №1. -P.51-92.

94. Timofeev A.V. Neural Control, Multi-Agent Navigation and Virtual Reality / Timofeev A.V. // IFAC-5 «Non-Linear Control Systems», Saint-Petersburg, 2001.

95. Walker A., Woodridge M. Understanding the emergence of Conventions in Multi-Agent Systems./ Walker A., Woodridge M.// -1995.

96. Wood S. Planning and Decision Making in Dynamic Domains/ Wood, S.// Ellis Horwood, 1993.

97. Wooldridge M. Intelligent agents: theory and practice./ Wooldridge M., Jennings N.R.// The Knowledge Engineering Review, 1995. -V.10(2) -P.115-152.

98. Wooldridge M. Agent theories, architectures and languages: a survey./ Wooldridge M. Jennings N.R.// -1995.

99. Software Agents In Business: Still An Experiment./ -AgentLink. -2003.