автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Методы принятия решений и управления в неструктурированных задачах на основе самоорганизующихся мультиагентных рекурсивных когнитивных архитектур

На правах рукописи

Нагоев Залимхан Вячеславович

Методы принятия решений и управления в неструктурированных задачах на основе самоорганизующихся мультнагентных рекурсивных когнитивных архитектур

Специальность — 05.13.01 - Системный анализ, управление и обработка информации (вычислительная техника и информатика)

Автореферат диссертации на соискание ученой степени доктора технических наук

?он

005544216

Нальчик - 2013

005544216

Диссертация выполнена в ФГБУИ Институт информатики и проблем регионального управления Кабардино-Балкарского научного центра РАН

Научные консультанты:

Официальные оппоненты:

- Петр Мацович Иванов, Заслуженный деятель науки РФ, д.т.н., профессор

- Виктор Михайлович Курейчик, Заслуженный деятель науки РФ, д.т.н., профессор

- Вагин Вадим Николаевич, д.т.н., ученое звание -профессор, работает в должности профессора кафедры «Прикладная математика» ФГБОУ ВПО "Национальный исследовательский университет "Московский энергетический институт" , Лауреат Премии Президента РФ

- Варламов Олег Олегович, дл\н., профессор кафедры «Прикладная математика» ФГБОУ ВПО «Московский автомобильно-дорожный государственный технический университет»

- Заковоротный Вилор Лаврентьевич, д.т.н., профессор, заведующий кафедрой «Автоматизация производственных процессов» ФГБОУ ВПО «Донской государственный технический университет», Заслуженный деятель науки РФ

ФГБУН Санкт-Петербургский институт

информатики и автоматизации РАН

Защита диссертации состоится « 30 » января 2014 г. в 17 часов на заседании диссертационного совета Д212.208.22 по адресу: г. Таганрог, ГСП-17А, пер. Некрасовский, 44.

С диссертацией можно ознакомиться в библиотеке Южного федерального университета. С электронной версией диссертации и автореферата можно ознакомиться на сайте: http://librarv.sfedu.ru/

Ученый секретарь диссертационного

совета д.т.н. профессор ^ "/ ) _А. Н. Целых

Ведущая организация:

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования. Сегодня одним из основных факторов, сдерживающих развитие наиболее общей и перспективной современной парадигмы развития информатики, бытовой и специальной робототехники, потребительской и специальной электроники - систем обволакивающего интеллекта (СОИ) (ambient intelligence systems) -является отсутствие системного решения проблемы создания распределенных гетерогенных человеко-машинных коллективов, состоящих из людей, активных сенсоров, мобильных и стационарных роботов, виртуальных и программных агентов. В СОИ такие коллективы на основе высокоуровневого многомодального интерфейса (аудиовизуальный интерфейс, диалоговые системы), методов интеллектуального принятия решений, распределенных сенсорных и эффекторных сетей призваны осуществлять эффективное взаимодействие с целью перехода к автоматическому ситуативному анализу, выявлению предпочтений и намерений пользователей, синтезу и реализации планов превентивного изменения среды в интересах пользователей. К настоящему времени, несмотря на наличие эффективной аппаратной, вычислительной и сетевой базы, реализованной в широком спектре современных концепций, таких как облачные и всепроникающие вычисления, встраиваемые, интегрированные и «умные» системы, СОИ не созданы. К основным причинам можно отнести отсутствие эффективных методов распределенного коллективного

интеллектуального принятия решений, методов автономной обработки неструктурированных данных и решения неструктурированных задач реального мира, недостаточную эффективность существующих методов интеллектуального принятия решений и управления поведением автономных программных и роботизированных агентов в реальной среде.

Необходимо отметить, что перечисленные проблемы сдерживают и развитие такой важной неотъемлемой составной части СОИ, как мультиагентиая интеллектуальная робототехника, в том числе -бытовая, персональная и специальная.

Таким образом, разработка теоретических основ и методов интеллектуального принятия решений и управления поведением автономных систем в неструктурированных задачах реальной среды на основе самоорганизации является актуальной научной проблемой, имеющей существенное экономическое и инфраструктурное значение.

Степень разработанности темы исследования. Проблема автономного интеллектуального принятия решений в

неструктурированных задачах реальной среды является междисциплинарной. Подходы к ее решению основываются на теоретических и методологических достижениях системного анализа, искусственного интеллекта и принятия решений, теории управления, синергетики, мультиагентных систем, прикладног< семиотики и

семантики, психологии и философии.

Традиционно автономное интеллектуальное принятие решений является объектом исследования искусственного интеллекта. Теоретические основы этого направления заложены Д. фон Нейманом, Д. Маккарти, Л. Тьюрингом, А. Ньюэлом, Д. Саймоном, М. Минским, В.М.

Глушковым, Д. А. Поспеловым и др.

Основные подходы, в настоящее время конкурирующие в области решения задач интеллектуальной обработки неструктурированных данных реальной среды, можно отнести к так называемым «мягким формализмам». Это - нечеткие и гранулярные вычисления (Заде, Кофман, Я гор, Тарасов); - методы эволюционной оптимизации (генетические алгоритмы) (Фогель, Холланд, Коза, Курейчик); - методы роевой оптимизации (Дориго, Бени, Цзин, Курейчик); - искусственные нейронные сети (Мак-Каллок, Питтс, Кохонен, Хебб, Хопфилд, Хаикин, Уидроу, Галушкин, Горбань, Тимофеев); - методы обучения с подкреплением (Сатгон, Барто, Мичи, Редько); - мультиагентные алгоритмы (Хыоит, Смит, Ленат, Вулридж, Дженкинс, Городецкии, Тарасов, Летичевскин); - когнитивные архитектуры (Миискии,

Братман, Сан, Хайконен, Осипов).

Отдельно следует сказать о таких направлениях современной интеллектуальной автономной робототехники, интегрирующих вышеуказанные формализмы в различных комбинациях как: -робототехника, «основанная на поведении» (Брукс, Бризел, Ишигуро); -адаптивное поведение и аниматы (Эделман, Майер, Сандини, Редько, Жданов); - эволюционная робототехника (Липсон, Полак, Флореано, Хазбандз, Нолфи); - групповая робототехника (Дориго, Каляев, Лохин, Васильев).

Значительный вклад в развитие методов анализа и синтеза инте 1 чектуальных информационных и семиотических систем внесли отечественные школы В. М. Глушкова (методы инссрционного моделирования, развитые в работах A.A. Летичевского, Ю. В. Капитоновой, алгоритмические алгебры - в работах П. М. Иванова) и Д. А. Поспелова (прикладная семиотика, получившая развитие в работах

Осипова, Финна, Хорошевского, Стефашока, Сулейманова, Вагина, Еремеева и др.).

В настоящее время формируется мощное направление решения задач интеллектуального принятая решений и управления на основе моделей и вычислительных абстракций процессов самоорганизации. Теоретические основания этого направления заложены в работах Эшби, Хакена, Пригожнна, Гленсдорфа, Лена, Озгарда, Моисеева, Колесникова, Заковоротпого, Турчина.

Анализ литературы показывает, что отсутствие удовлетворительной теоретической базы и методов решения проблемы автономного интеллектуального принятия решений в неструктурированных задачах реальной среды связано с двумя неразрешенными фундаментальными вопросами: - моделирование рассуждений, позволяющих сводить неструктурированные задачи реального мира к структурированным задачам; - необходимость обработки огромных массивов динамических сенсорных данных алгоритмами, характеризующимися исключительной вычислительной сложностью.

Цель диссертационной работы - создание методологии автономного интеллектуального принятия решений в неструктурированных задачах реального мира на основе теории самоорганизующихся мультиагентных рекурсивных когнитивных архитектур.

Основные задачи диссертационного исследования:

1. Системный анализ автономного интеллектуального принятия решений в неструктурированных задачах реального мира.

2. Разработка теоретических основ моделирования рассуждений на основе самоорганизации мультиагентных рекурсивных когнитивных архитектур.

3. Разработка моделей и методов аппроксимации функций многих переменных, принятия решений и управления в неструктурированных задачах на основе моделирования рассуждений с помощью инварианта самоорганизующейся рекурсивной когнитивной архитектуры и мультиагентных экзистенциальных отображений.

4. Анализ эффективности методов автономного принятия решений и управления в неструктурированных задачах реального мира па основе инварианта когнитивной архитектуры и мультиагентных экзистенциальных функций.

5 Разработка системы автоматизированного проектирования мультиагентных рекурсивных когнитивных архитектур для

моделирования рассуждений и интеллектуального принятия решений в

неструктурированных задачах реальной среды.

6. Применение моделей и методов решения неструктурированных задам па основе самоорганизации мультиагентных рекурсивных когнитивных архитектур в приложениях автономного интеллектуального распознавания динамических образов, принятия решения и управления в условиях реальной среды.

Теоретическая значимость диссертационной работы и ее научная новизна определяются следующими результатами:

1. Сформулирована и доказана теорема о цели управления интеллектуальным агентом в реальной среде, позволяющая представить автономный синтез решений неструктурированных задач как поиск путей, субоптимальных по критерию максимизации энергии, в динамическом дереве принятия решений при выполнении условия самосохранения

агента (стр. 155-158).

2. Построена математическая модель рекурсивного интеллектуального агента, позволяющая формализовать семантические отношения, содержащиеся в неструктурированных постановках задач, получаемых в виде сообщений от агентов верхнего ранга - наблюдателей (стр. 133-153).

3. Разработана мультиагентная модель процессов онтонейроморфогенеза на основе контрактов на обмен энергией и информацией между коллективами интеллектуальных агентов, позволяющая формализовать процессы автономной структуризации потоков сенсорных данных (стр. 108-113).

4. Введен математический аппарат мультиагентных экзистенциальных отображений, позволяющих существенно (со степенных до линейных значений) снизить время выполнения алгоритмов целенаправленного мультиагентного взаимодействия в задачах интеллектуального принятия решений и управления. Сформулирована и доказана теорема о возможности представления функций одной переменной с помошыо этого отображения (стр. 159-166).

5. Разработана формализация инварианта мультиагентной рекурсивной когнитивной архитектуры (интеллектона) и процессов его самоорганизации, на основе которой построены методы автоматического формирования онтологии неструктурированной задачи, ее декомпозиции и решения (стр. I 18-123, 167-175). Сформулированы и доказаны теоремы о представимости и возможностях аппроксимации функции многих переменных с помощью интеллектона, на основании которых построен

алгоритм обучения, использующий модели самоорганизации агентов в составе интеллектона (стр. 188-191).

6. Разработаны модели и методы аппроксимации функций многих переменных, принятия решений и управления в неструктурированных задачах на основе моделирования рассуждений с помощью инварианта самоорганизующейся рекурсивной когнитивной архитектуры и мультиагентных экзистенциальных отображений (стр. 185-188, 192-203).

7. На основе формального описания связи между логическими выражения и ядрами продукционного представления знаний интеллектонов и символьным представлением естественно-языковых высказываний построено решение проблемы обоснования символов (symbol grounding problem) (стр. 175-183, 203-205).

8. Проведен аначиз эффективности методов автономного интеллектуального принятия решений и управления в неструктурированных задачах реального мира на основе самоорганизации мультиагентной рекурсивной когнитивной архитектуры и мультиагентных экзистенциальных функций (стр. 103-108, 115-117).

Практическая значимость диссертационной работы определяется сл еду юти м и резу л ьтатам и :

1. Разработана параллельная гетерогенная грид-ориентированная вычислительная архитектура систем интеллектуального принятия решений на основе мультиагентных рекурсивных когнитивных

архитектур (стр. 255-258).

2. Разработана система автоматизированного проектирования мультиагентных рекурсивных когнитивных архитектур для моделирования рассуждений и интеллектуального принятия решений

(стр. 253-255, 264-274).

3. Получены решения неструктурированных задач автономного интеллектуального принятия решений и управления (распознавание динамических образов в видеопотоке, управление остойчивостью одноосного мобильного робота и др.) на основе самоорганизации мультиагентных рекурсивных когнитивных архитектур (стр. 205-238).

4. Реализованы высокоуровневый диалоговый интерфейс на основе системы понимания речи из ограниченного подмножества естественного языка и интерфейс виртуальной и расширенной реальности к системе автоматизированного проектирования мультиагентных рекурсивных когнитивных архитектур (стр. 203-205, 258-264).

5. Разработана система управления групповой навигацией и согласованным поведением мультиагентного роботизированного саперного комплекса (стр. 231-234).

6. Разработаны интеллектуальные системы принятия решений и управления автономного робота-автомойщика и сельскохозяйственного робота (стр. 226-231, 234-238).

Полученные теоретические результаты составляют фундамент для решения широкого круга неструктурированных задач интеллектуального принятия решений и управления автономными системами в реальной среде.

Методология и методы исследования. Объектом исследования являются процессы интеллектуального принятия решений в автономных системах, выполняющих неструктурированные задачи в реальной среде.

Предметом исследования является изучение возможностей моделирования и управления этими процессами на основе самоорганизующихся мультиагентных когнитивных архитектур.

Для решения поставленных задач в диссертации использовались когнитивное моделирование, системный анализ, методы принятия решений, моделирование рассуждений, методы представления и извлечения знаний, методы машинного обучения, мультиагентное моделирование, применение мультиагентных экзистенциальных отображений.

Положения, выносимые на защиту:

1. Теоретические основы систсмогенеза автономного интеллектуального принятия решений в неструктурированных задачах реального мира, позволяющие сформировать функциональные требования к архитектуре и базовому формализму системы моделирования рассуждений, основные вычислительные абстракции и эвристики.

2. Математическая модель рекурсивного агента для решения задач интеллектуального принятия решений и управления на основе субоптимального поиска в пространстве динамических состояний по критерию максимизации энергии при условии самосохранения агента.

3. Модели самоорганизации рекурсивных когнитивных архитектур на основе аппарата мультиагентных экзистенциальных отображений, позволяющие преодолеть «проклятие размерности» задач интеллектуального принятия решений и управления и снизить время поиска субоптимального пути в динамических деревьях решений до линейного.

4. Методы аппроксимации функций, принятия решений, распознавания и управления на основе моделирования рассуждений с помощью инварианта самоорганизующейся рекурсивной когнитивной архитектуры (суперинтеллектона), позволяющие осуществлять автономную структуризацию и решение неструктурированных задач реального мира.

5. Анализ эффективности методов автономного принятия решений и управления в неструктурированных задачах реального мира па основе инварианта когнитивной архитектуры и мультиагентных экзистенциальных функций.

6. Самоорганизующаяся параллельная гетерогенная грид-ориентированная вычислительная архитектура систем интеллектуального принятия решений на основе мультиагентных рекурсивных когнитивных архитектур.

7. Система автоматизированного проектирования мультиагентных рекурсивных когнитивных архитектур для моделирования рассуждений и интеллектуального принятия решений.

Степень достоверности и апробация результатов. Основные теоретические и прикладные результаты, полученные автором, представлены, обсуждены и были одобрены на следующих международных и всероссийских конференциях:

- Международный конгресс по интеллектуальным системам и информационным технологиям, Дивноморское, 2011-2013 гг.

- Международная научная конференция «Biologically Inspired Cognitive Architectures», Палермо, 2012.

- Международная научная конференция «Автоматизация управления и интеллектуальные системы и среды», Терскол, Красная Поляна, Каспийск, 2010-2012 гг.

- Всероссийская научно-практическая конференция «Перспективные системы и задачи у правления». Домбай,2010.

Международной научно-практической конференции "Информационная безопасность», Таганрог, 2008, 2010 гг.

- International Congress of the European Regional Science Association, Ливерпуль, 2008 г.

Всероссийская конференция с международным участием "Проблемы информатизации общества", Нальчик, 2008 г.

Международная научно-техническая конференция «Инновационные технологии XXI века в управлении, информатике и образовании», Нальчик, 2007, 2008 гг.

Международная научная конференция «Нейроинформатика», Москва, 2007 г.

Международная научная конференция «Моделирование устойчивого регионального развития», Нальчик, 2005. 2007 гг.

- Всероссийская научная конференция "Проблемы информатизации регионального управления", Нальчик, 2001, 2004, 2006 гг.

Публикации. Основные результаты диссертационной работы отражены в 69 публикациях, в том числе - в 16 статьях в рецензируемых журналах из перечня ВАК. 2 монографиях, I коллективной монографии, 44 статьях, 2 свидетельствах о регистрации программ для ЭВМ, 4-х патентах на изобретение (19 работ без соавторов).

Структура и объем работы. Диссертация состоит из введения, 5 глав, заключения, библиографии из 242 наименований. Диссертация изложена на 303 страницах текста, из которых 272 представляют основное содержание работы, в т.ч. 58 рисунков. Таблиц нет.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность проблемы автономного интеллектуального принятия решений и управления в неструктурированных задачах реальной среды. Сформулирована цель диссертационной работы, приведены задачи исследования, научная новизна, апробация, практическая ценность и вопросы реализации

результатов работы.

В первой главе проведен анализ основных моделей и методов автономного интеллектуального принятия решений в

неструктурированных задачах реального мира. В частности рассмотрены некоторые неструктурированные задачи реального мира, частично наблюдаемые динамические эпизодические стохастические среды, неопределенность и нелинейность таких сред. Кроме того, рассмотрены основные формализмы автономного интеллектуального принятия решений, такие как предикативные системы, системы, основанные на знаниях, мягкие формализмы, системы моделирования рассуждений, мультиагентные системы, когнитивные архитектуры. Определены основные преимущества и недостатки этих формализмов и пределы их применимости в неструктурированных задачах интеллектуального принятия решений и управления. В частности, показано, что на данный момент нерешенными остаются проблемы моделирования структуризации неструктурированных задач реального мира и борьбы со

сложностью основных алгоритмов при их использовании на значительных потоках входных данных. Попытки преодоления этих проблем привели научное сообщество к переосмыслению и абстрагированию способностей биологических организмов к эффективному решению подобных задач, что привело к формированию современного направления искусственного интеллекта биоинспирированных вычислений. Свойства этих абстракций, такие как опора на процессы сал юорганизации, мультиагентность, слабосвязанность, эмерджентность решений, обеспечивающие их вычислительные преимущества, широко используются данным исследованием.

В диссертации эти подходы получили дальнейшее развитие в концепции, моделях и методах мультиагентных рекурсивных когнитивных архитектур, применение которых позволяет решить задачу формализации семантики обработки неструктурированных данных, а также - эффективно бороться со сложностью процессов в реальных средах на основе аппарата мультиагентных экзистенциальных отображений и интеллектонов.

Во второй главе рассмотрены теоретические основы разработки автономных самоорганизующихся интеллектуальных систем принятия решений в неструктурированных задачах реального мира. В частности, проведен системный анализ неструктурированных проблем реального мира и процесса их автономного решения. Показано, что такое решение требует формализации процессов структуризации, которые обычно выполняются лицами, принимающими решения (экспертами, постановщиками задачи, системными аналитиками). Сущность этой задачи состоит в целенаправленном анализе реальности, основанном на модели ее семантических отношений с субъектом принятия решений. Формальная модель семантики позволяет разметить ситуации и признаки, извлекаемые из внешней среды, значениями, отношения между которыми, в свою очередь, составляют содержание соответствующих абстрактных моделей.

Очевидно, что ключевую роль в способности эксперта структурировать задачи играет его собственная системная организация и детерминированное сю целенаправленное поведение. Отсюда следует, что для формализации процессов структуризации необходимо воспроизвести эту системную организацию и реализовать соответствующее поведение автономной системы. Ключевым свойством такой системной организации я вля етс я интеллектуальность.

Неструктурированная задача, как правило, представляет собой сообщение на естественном языке, в котором неявно заданы цели и ограничения, условия соглашения между сторонами по поводу решаемой задачи, а также - мотивы и роли кооперирующихся сторон. Если в качестве интерпретирующей стороны такого соглашения вместо человека мы рассматриваем искусственную автономную систему, то для успешного решения подобных задач, такая система должна уметь извлекать эти неявные параметры из сообщения о задаче, интерпретировать их на основе единой с постановщиком семантической модели, строить эквивалентную структурированную задачу и решать ее.

Анализ подобного характера процессов формирования неструктурированных задач привел к формированию современного направления информатики, в котором кооперативные автономные системы представляются в виде интеллектуальных программных агентов. Такие агенты обладают элементами внутренней «психической» организации (моделями мотивов, убеждений, намерений). Эта, т.н., когнитивная архитектура, создается с целью моделирования семантических отношений, свойственных человеческому общению. Ее функция состоит в структуризации поведения агента и его сообщений другим агентам, а также - в интерпретации сообщений от других агентов на основе этих семантических отношений. В основе семантики здесь лежит целенаправленность агента, которая проявляется в его мотивах, намерениях и действиях в среде, в которую он погружен, и в состав которой включают и других агентов мультиагентпой системы. Разметка состояний мультиагентпой системы значениями целевой функции позволяет рассматривать агента как оптимизационную машину, условия среды как ограничения, а процесс решения задач как поиск в пространстве состояний системы в целом.

Обозначим через /'-ю ситуацию, в которой агент К,- находится

I 1Сс— X '

в текущий момент дискретного времени Гс, первое состояние в составе которой сформировано в момент времени Ьс-Х. Состояние можно определить как ситуацию сформировавшуюся за один шаг времени

£с. В свою очередь, ситуации состоят из последовательных состояний:

' V "с-х ' ЬИс-х+1 '•"' "с )' Будем считать, что каждое состояние агента К; характеризуется энергией Е^/^). Пусть в начальный момент времени Сс некоторой

ситуации агент обладает энергией Е Будем считать, ч то для

перехода на следующий такт времени ¿с+1 агенту необходимо затратить некоторую фиксированную энергию перехода (аналог энергетических затрат на поддержание жизни 1! биологическом агенте) Д£",(Кг). Нели агент не будет предпринимать никаких действий и, соответственно, не найдет способов пополнения энергии, то расход энергии перехода Д^С^! ) на каждом шаге, в конечном итоге, приведет к тому, что энергия агента в некоторый момент времени £у станет нулевой: Е (^¡^^ = 0, что,

в соответствии с нашей интерпретацией агента как системы искусственной жизни, будет равноценно ею гибели. При переходе из одного состояния в другое агент приобретает, или теряет энергию. Это зависит от самого нового состояния и от действия, которое необходимо выполнить для перехода в это состояние.

Будем считать, что для совершения действий ,и > с, которое переводит его из состояния в состояние за время А1", агент Н,: должен затратить помимо энергии перехода дополнительную энергию действия Е ^а^^'У Таким образом, агент К;, совершивший для перехода из состояния в состояние действие обладает энергией:

г = Е (4';) = Е (4Г;) - дад) * д^ - Е «г") + <1)

где Ас? - время развития (количество дискретных шагов времени) ситуации, Е (а/£Си) ~ дополнительная энергия, необходимая для

совершения действия (без учета ДЬ"л(^г ))> (а/^и) " чистое

приобретение/потеря энергии в результате выполнения действия -энергетический эффект действия Такая интерпретация целевой

функции 2" принципиально важна для формирования единых оснований семантики автономного инте.гпекта в реальной среде.

Задача поиска субоптималыюго управления поведением агента

( ~ , ч

I а(Сс I , которое синтезирует последовательность состоянии (си туацию)

г-

5.-, , в самом оощем виде запишется:

Z*-> тах. (2)

Конфигурация решения »той идами может быть представлена в виде к -арного дерева (рисунок I ).

4С Л\ i ^ / i \ / V ч > ▼ ч > ▼ ^

^ Ф G •••

» ... « «

» • * î i i . » • « . *

Рис. I. Структура дерева решений задачи поиска оптимального повеления агента

Время выполнения переборного алгоритма поиска пуги в таком дереве н худшем случае можно оценить как Т(х) = 0(kh). где h - количество шагов до горизонта планирования, равное высоте дерева и. соответственно, длине искомого оптимального пути.

Неструктурированные »дачи реального мира, как правило, предполагают анализ больших объемов входных (сенсорных) данных. В качесгве примера можно привести задачу распознавания образов в видеопотоке, иди задачи управления поведением и динамикой сложного мобильного автономного робота. Если считать, что каждый из п входных рецепторов агента X, способен принимать q состояний, то можно оценить количество состояний $/£ агента на одном шаге времени как 7"(q,n) = 0(q"). Аналогично, приняв, что каждый из m чффекторов агента может

» w fktc

иметь I состояний, мы получим оценку для количества действии aIt<. . которые выполняются агентом на каждом шаге времени - 7(/.т) = 0(Г).

Проверка же всех возможных действий для каждого возможного состояния на оптимальность потребует на одном marc: T(q.n.l.tnJ = q'4m, а на It шагах времени, соответственно, - T(q,n,l,m,h) = (q"lm) . Алгоритмы с такими показателями сложности, конечно, для решения реальных задач синтеза управления ие приемлемы. Поэтому, в целом, можно считать, что исследователи от применения такого подхода для

решения задач реальной среды на базе метафоры агента, в принципе, на данный момент отказались.

Между тем, интеллект естественный с такими задачами успешно справляется. Поэтому представляется конструктивным на основе системного анализа сущности интеллекта и некоторых «патентов природы», которые позволяют ему эффективно бороться со сложностью реального мира, построить соответствующие вычислительные абстракции и использовать их в качестве эвристик, которые сделают задачу синтеза субоптимального пути реализуемой в реальном масштабе времени для реальных данных. В результате были построены 7 эвристики, применение которых снижает время выполнения рассматриваемого алгоритма до линейного.

Эвристика на основе применения знаний связана с тем, что нейрон головного мозга - естественный агент процессов мышления -рассматривается как система, связывающая входные ситуации с выходными на основе алгоритмов поведения. Знания позволяют агенту Nt выбирать варианты действий на основе просмотра собственной базы знаний KB(Ki), отсекая заведомо неэффективные действия без необходимости их осуществления и проверки результатов. Знание, которое содержит информацию об энергетических характеристиках всех состояний всех ситуаций в своем составе, фактически связывает энергию и информацию, что является основой семантизации сообщений и символов в мультиагентной коммуникации.

Известно, что топология связей между нейронами головного мозга формируется на протяжении жизни человека и отражает его индивидуальный опыт. Гипотеза онтонейроморфогемеза (OHM Г) состоит в том, что мы рассматриваем эти нейроны в качестве интеллектуальных агентов, для которых коллективное взаимодействие является средством эффективного решения задачи субоптимального поиска в пространстве состояний. Происходящие в такой системе процессы самоорганизации ведут к возникновению аттракторов, интерпретируемых в терминах семантически значимых состояний. Формируется взаимосвязь мультиагентного иейроморфологического субстрата и психических категорий, составляющих сущность и основу когнитивных процессов и интеллектуального поведения. ОНМГ детерминирован системными целями и знаниями агентов, а также -взаимодействием с внешней средой. Из внешней среды агенты получают метаболиты (энергию) и сигналы. Эти сигналы от рецепторов поступают на входы нейронов-агентов первого уровня (рисунок 2). Агент генерирует

сигналы, которые в нресинаптической терминал и аксона преобразуются в нейрохимические вещества (нейромедиаторы, нейромодуляторы и др.). Преобразования электромагнитного сигнала в биохимический и обратно в электромагнитный, иногда связанное с поглощением нейромедиаторов. а иногда с их возвратом обратно в пресннантическую терминаль. имеет системное значаще обмена информацией и терцией, контроля взаимных обязательств и удовлетворения запросов нейронов. На рисунке 2 пунктирными линиями показаны возможные направлении встречного

р<кяа аксонов и дендритов.

Повторное возбуждение конкретных нейронов, связанное с повторением во внешней среде ситуаиий-причин (на рисунке 2 ■ слева) и ентуапий-следствий (на рисунке 2 - справа) приводит к тому, что «в распоряжении» этих конкретных нейронов накапливаются метаболиты, задающие направлении роста невритов. Таким образом, рост аксонов и дендритов происходит именно для тех групп нейронов, которые отражают наблюдаемую в реальности причинно-следственную зависимость. Если нейроглиальные клетки выделяют метаболиты пропорционально количеству разнотипных нейромедиаторов, накапливающихся в посттерминальных областях нейронов, отражающих ситуации-причины и ситуации-следствия, то возникает механизм регулирования степени системной значимости проблемы.

». ■ РИцвПОр * * - НздчхниппйЛ'оры • - Рас»умоли лммм

!. н<фосвти '.'> ■ - Субстрат (иойрпглия) V • РЖ'ушии лека«'

__1 ■ * /

Рис. 2. Схема алгоритма онтонейроморфогенеза

Следовательно, можно моделировать рост суммы вознаграждения в виде энергии, которую нейроны-контрагенты могут получить за решение особо важной и/или в течение длительного времени неразрешимой проблемы.

Таким образом, алгоритм ОНМГ обладает свойствами ситуативности и целенаправленности и позволяет решать проблему динамического управления консолидацией вычислительных ресурсов. Наблюдаемые процессы роста и деградации невритов, образования и разрушения синапсов интерпретируются в нем как формирование динамических «мягких» связей, основанных на механизме заключения контрактов между агентами. Следует сказать, что, начиная с системы СоШгас1№1, разработанной Смитом в 70-х годах прошлого века, механизм заключения контрактов является наиболее популярным средством организации кооперативной работы в мультиагептных системах. В случае ОНМГ предметом контракта являются обязательства нейронов (аген тов) в определенных ситуациях выполнить конкретные действия, например, в ответ па получение некоторой информации предоставить некоторое количество энергии (покупка информации), или в обмен на объявление некоторой суммы вознаграждения в виде той же энергии выполнить в интересах другого нейрона некоторые действия, - например, поиск-, или предоставление информации.

Следует отметить, что формирование такого контракта и управление его выполнением должно быть основано на выполнении некоторого протокола. В этом смысле, можно говорить о том, что контракт между агентами реализует единицу мул ыпи агент ного знания (МА-знание), сопоставляющего алгоритмам поведения одних агентов алгоритмы поведения других. МА-знание представляет собой классический пример каузальных отношений. Это - динамическая причинно-следственная зависимость.

Таким образом, алгоритм ОНМГ обладает потенциалом существенного снижения трудоемкости задачи поиска субоптимального пути в пространстве энергетических состояний агентов-нейронов за счет избирательного формирования МА-знаний и алгоритмов кооперативного взаимодействия на основе контрактов, связывающих энергию и информацию.

Следует отметить, что метафора проектирования агента, требует наличия сходной архитектуры как на уровне отдельных нейронов-агентов, так и на уровне групп нейронов (например, по П. К. Анохину -функциональных систем), так и па уровне всего организма в целом. Если

предположить, что на всех этих уровнях агенты решают сходную гомеостатическую задачу, то возникает концепция мультиагентной рекурсивной архитектуры. Здесь мы наблюдаем классический пример метасистемного перехода, когда самоорганизация простых агентов, способных к целенаправленному поведению на основе семантизации действительности и построения социальных связей (контрактов), приводит к эмерджентному возникновению новых агентов более высокого организационного и семантического уровня. По мерс такого усложнения систем процессы обработки информации выходят на уровень когнитивных функций. Во второй главе предложена гипотеза об инварианте организационно-функциональной структуры процесса интеллектуального принятия решения на основе когнитивных функции -мулыпиагентной рекурсивной когнитивной архитектуре (МуРКА).

Когнитивные архитектуры (КА), как современная методология создания информационных систем, ориентирована, прежде всего, на разработку универсальных решателей. Такие системы должны обладать уровнем интеллектуальности, достаточным для того, чтобы самостоятельно осуществить декомпозицию и формализацию любой (в том числе неструктурированной) поставленной высокоуровневой задачи и выполнить исс требуемые процедуры логического вывода, поиска и синтеза решения. Необходимыми условиями работы такой системы являются возможность самостоятельного построения семантики домена проблемы вне зависимости от конкретной задачи, автоматическое формирование дерева целей, возможность адаптивного обучения и способность к интерактивному взаимодействию с пользователем для уточнения заданий и обсуждения решений. Эвристика МуРКА, на наш взгляд, позволят решить эти задачи за счет неограниченных возможностей декомпозиции задач на основе метасистемного перехода и синергетических эффектов, поддерживаемых механизмами обмена сообщениями и энергией с помощью заключения контрактов.

Исходя из системных целей интеллекта, применение КА оправдано возможностями существенного снижения размерности пространства поиска целенаправленных агентов. Нейрон, в соответствии с идеей П. К. Анохина, рассматривается как проактивная система. Поэтому мы предполагаем, что в отличие от традиционных искусственных нейронов модель проактивного агента может включать в себя несколько специализированных центров обработки информации, которые мы назвали когнитивными блоками (КБ), а их специальные функции -когнитивными функциями (рисунок 3). По нашему мнению основных КБ

в модели нейрона-агента должно быть шесть. Блок распознавания позволяет снизить размерность входных реиепторных образов на основе встроен ной базы танин, которая пропускает на следующий уровень КЛ голько существенную информацию. Блок оценки отсекает нейтральные ситуации, которые не ведут к потерям, или приобретениям энергии в будущем. Блок целеполагания ограничивает пространство поиска за счет указания горизонта планирования и конечной искомой ситуации. Блок тонирования выполняет непосредственно поиск искомых путей до намеченной ситуации. Блок моделирования позволяет оценить последствия выполнения плана без необходимости ею непосредственной реализации, что также позволяет отсечь большое количество несостоятельных планов. Блок управления следит за организацией перепланирования в случае существенных расхождений ожидаемых и фактических результатов выполнения плана на этапе реализации. Таким образом, такая КА предоставляет целый набор эффективных вычислительных эвристик.

На основе анализа процессов ОНМГ. мы считаем, что нейроны в составе МуРКА головного мозга с помощью обмена сообщениями и транспорта метаболите!» вступают друг с другом в контрактные отношения двух видов - продажа и покупка информации (знании). После получения запроса, агенты на основании собственных знаний решают -вступать в контрактные отношения с агентом - инициатором диалога, или нет. Очевидно, что ответят только тс агенты, которые, действительно, заинтересованы в подобных контрактных отношениях. При этом большая часть агентов «промолчит», а из поступивших ответов агент-инициагор может выбрать наилучший для себя и именно с сто автором заключить контракт.

(йвсгюэиавамие

Рис. 3. Инвариант когнитивной архитектуры

Здесь следует обратить внимание, во-первых, на то, что эта процедура в вычислительном плане может быть интерпретирована как исследование локальных участков искомого субопппшалыюго пути в пространстве состояний агента-инициатора. Во-вторых, - на то, что это исследование осуществляется «самими вариантами решений», т.е. -агентами, которые их представляют. В-третьих, на то, что такое исследование осуществляется в параллельном режиме и за фиксированное время. В-четвертых, на то, что запросы от агентов распространяются но схеме «один-ко-многи.ч». В-пятых, на то, что возврат решения осуществляется с помощью передачи сообщений от небольшого количества агентов, что не требует от агента-инициатора выполнения длительного цикла анализа этих вариантов решений.

Мы назвали механизм функционирования этой совокупности вычислительных эвристик мультиагеитньш экзистенциальным отображением (ЖЭО), что связано с установлением между группами агентов своеобразного «мягкого» отображения на основе

контрактироваиия.

Запрос с любого уровня внутренней КА может быть отправлен агентом друг им агентам любого уровня КА в случае, когда информация, критичная для данного уровня КА, не найдена в базе знаний этого агента. Это правило является основой «социальных» взаимодействий агентов и составляет содержание социальной эвристики, позволяющей агенту использовать знания всех агентов всех уровней (всю МА-базу знаний) и решать проблемы обучения и ограниченности локальной вычислительной и эпистемологической базы.

Если экстраполировать основные принципы организации описанной мультиагентной КА в составе одного агента на уровень коллектива интеллектуальных агентов, то можно констатировать факт совпадения архитектуры - инвариант КА, состоящий из 6-ти блоков, сохраняется на всех уровнях. Таким образом, по нашему мнению, можно говорить об инварианте организационно-функциональной структуры процесса интеллектуального принятия решения на основе МуРКА (рисунок 4).

В МуРКА допускается рекурсивная вложенность инвариантов когнитивной архитектуры на любую глубину. Это позволяет ей при необходимости расширяться на основе процессов самоорганизации мультиагентной системы, как в длину, так и в ширину, и в глубину за счет построения социальных связей с другими агентами (нейронами, программами, людьми). При этом возникает интересный эффект семантизации действительности па основе сгшволышх систем. Так как

агенты в составе МуРКЛ взаимодействуют но основе сообщении, они используют некоторую символьную систему. 'Эгн символьная система должна быть понятна контрагентам, В этом смысле, она прслсггныяст собой некоторый тык. Интересным следствием рекурсивного характера МуРКЛ являося возможность «семантизации символов» - формирования для каждого символа мультиагентной системы, обеспечивающей его семантику.

8»Ю1!»ШЯ итрлламуатддн стижп

Коппмгибм

им г ял ж* т /мы«»

ОК IRr."

Рис. 4. Мулы liai\*нгная рекурсивная когнитивная архитектура

Фактически применение МуРКЛ позволяет решить научную проблему обоснования символов, гак как связывает их семантику с

семейством мультиагентных алгоритмов, которые выполняются при

различных вариантах употребления данного символа. •

В указанном смысле, формулировка неструктурированной задачи является таким же высказыванием, полученным от агента верхнего уровня, которого мы можем назвать наблюдателем. Создание му.чьтиагентной абстрактной модели такого высказывания и будет результатом структуризации, учитывающей каузальные и другие

семантические отношения.

В третьей главе рассмотрены модели и методы интеллектуального принятия решений на основе самоорганизующихся мулыпиагентных рекурсивных когнитивных архитектур и мультиагентных рекурсивных экзистенциальных отображений.

С целыо формализации МуРКА, способных интерпретировать семантику неструктурированных задач, поступающих от наблюдателя, в третьей главе сначала разрабатывается модель интеллектуального наблюдателя, погруженного в реальную среду. При этом идея рекурсивности интеллекта используется для преодоления методического затруднения, состоящего в том, что интеллектуальная система может быть признана таковой только другой интеллектуальной системой -наблюдателем, а нам необходимо построить модель самого наблюдателя. Чтобы разрешить это противоречие сначала строится модель субъективного восприятия наблюдателем реальной среды и погруженного в нее интеллектуального агента. Затем, на основании этой модели достраивается модель самого наблюдателя. Таким образом, мы получаем полностью формальную систему, описывающую и среду погружения, и наблюдателя, и интеллектуальную систему. Элементарным агентом, или агентом ранга 0 (нулевого ранга) будем называть систему:

Kf - Fi, G,},

состоящую из генома агента Сь множества рецепторов агента ...,rik] и множества эффекторов агента -,fiC}- В диссертации

дается формальное описание рецепторов и эффекторов и их связи со средой, в которую погружен агент.

Агентом ранга (уровня в МуРКА) t>, или рекурсивным агентом

назовем множество:

^{WoG-^r^.....

Здесь С,- - геном агента, С; - приобретенные знания, К;{ги.....rik} -

множество рецепторов агента, F£(/tl.....fic} - множество эффекторов

агента, N^1^7 - «встроенные» агенты нижних рангов {уровней вложенности МуРКА), расположенные на 7-х структурных уровнях ранга 1. Множества G¿ и С, состоят из знаний, представляющих собой продукции вида (рисунок 5):

f = (4е; Л sfg ; ,ta<tb<tc<td<te < th.

Здесь - начальная ситуация, s^J' - конечная (желательная) ситуации, - действие, которое переводит агента из начальной

ситуации в конечную.

> > a>t >

3 i Рис. 5 0 . Тешюралы 0 ая струк i ( тура знания 3 К h

Будем считать, что множества 6\ и С1 образуют базу знаний агента: и С; = КВ(К^). Подобная рекурсивная структура агента хорошо соответствует концепции МуРКА на основе инварианта интеллектуальной обработки информации на базе когнитивных функций.

Теперь мы можем определить самого наблюдателя как рекурсивного

интеллектуального агента ранга 5+1: к[>+1)1, что является основанием для того, чтобы агенты ранга У могли рассуждать в тех же, или, по крайней мере, сходных, семантических категориях, что и наблюдатель. Такое семантическое единство имеет принципиальное значение для понимания неструктурированных задач. В данном случае постановку задачи можно интерпретировать как отправку сообщения агентом верхнего ранга агентам нижних рангов, которые должны обработать это сообщение на основании общей семантики, выраженной в контрактных отношениях агентов друг с другом. В третьей главе указывается, что .такой переход возможен только благодаря признанию рекурсивности интеллекта и субъективизации системогенеза с опорой на концепцию наблюдателя и дается подробная формализация субъективного восприятия наблюдателем реальной среды ИЛ ее свойств и динамики, а также - связей агентов К?1 с этой средой. Формальное описание наблюдателя позволяет ввести некоторые уточнения в постановку задачи поиска в пространстве состояний агента.

Интеллектуальный агент определяется как когнитивная система, способная самостоятельно настраиваться на решение любых задач, которые ей может поставить наблюдатель в формате сообщения на некотором языке, понятном наблюдателю. Когнитивная ciicme.ua (когнитивный агент) - как система, состоящая из разумных агентов, которые могут решать задачи на основе заключения контрактов между собой. Разумный агент - как живая система, максимизирующая собственную энергию. Живая система - как система, способная обеспечить самосохранение при переходах из одних состояний в другие без непосредственного притока энергии из внешней среды (способная к автодетерминированной активности).

Пусть п?а- количество состояний е ) <

Е (41;), а п? - количество состояний зЦ™ 6 (я//^1) >

Тогда среду И/', для которой выполняются условия > п?аУа

и:

будем называть средой с дефицитом энергии.

Для того, чтобы связать процесс решения задач, которые ставит наблюдатель, с поведением агентов, в работе доказана теорема 1 («о цели жизни интеллектуального агента»), которая устанавливает, что цель управления поведением интеллектуального агента в среде с дефицитом энергии Ш1 состоит в выборе таких действий, которые максимизируют его энергию £"(4») и "е ||аРУшают условие связности графа состояний агента:

в течение времени его жизни Т1пах.

Сущность утверждения теоремы I состоит в том, что интеллектуальный агент стремится увеличить продолжительность своей жизни за счет выбора планов действий, ведущих к увеличению энергии

при условии непопадания в некоторые состояния £ Множество

таких состояний Б-1, С , Е (я/^) = 0, иопадаиис в которые равносильно гибели агента, будем называть множеством терминальных состояний.

Свойство самосохранения агента, определяемое теоремой 1, имеет принципиальной значение для возникновения возможности заключения контрактов между агентами на обмен информацией и энергией. Агент, получивший предложение о заключении контракта на решение некоторой задачи, переходит в нестабильное состояние, характеризующееся угрозой перехода в терминальные состояния и начинает синтезировать субоптимальный план действий, направленный на возвращение в стабильное состояние, характеризующееся высокими значениями сальдо энергии. В мультиагентной системе, состоящей из таких агентов (например, в головном мозге), эта функция данного агента может расцениваться как устойчивое свойство агента находить субоптимальные решения в ответ на сообщения с постановками задач.

В диссертации вводятся математические модели и вычислительные абстракции агентов различной функциональности и архитектуры, а также - формальное описание контракта на обмен энергией и информацией, являющегося основой кооперации агентов.

Назовем биопом агента нулевого ранга:

о

Назовем рационом нулевого ранга бион 0(. = П(., такой, что, выбирая действия ав ситуации разворачивающейся на протяжении его

жизни от Iа до tll, он стремится максимизировать сальдо энергии Е (о¿

которую извлекает из среды обитания ИЛ Запишем для него уточненную задачу (2):

Е (о°) = Е --------> тах.

\ ' / \ "а / о / Цг Ь

Последовательность состояний внутри ситуации будем интерпретировать как их логическое объединение:

4гН Л *иа+Х

1Са иа иа + 1

Пусть агент К,- ранга У. расположенный на уровне *7 МуРКА, обладает информацией (знанием) о своем текущем состоянии и, в

соответствии с одним из продукционных правил '/, записанных в его базе знаний КВ(xf), отправляет "множеству агентов следующего

уровня запрос (предложение) о совместной обработке этой ситуации в обмен на энергию которую кто-то из агентов уровня 7- 1 должен

предоставить («заплатить») в качестве вознаграждения за возможность совместной обработки ситуации = Л s//^1 и, соответственно, -

возможность приобретения (заработка») дополнительной энергии из среды. Добавим в обозначение состояний агентов номер уровня в дереве поиска, на котором они находя тся. Тогда через:

обозначим отображение из множества состояний X = js/t^cj агента Xf1 в

множество состояний Y = U^0 {sktc7i°Cc+1}' = К*** ^l'

Введем также буквенное обозначение для такого отображения:

V •• X -» У; у = У (х) Назовем такое отображение мультиагентным экзистенциальным отображением (МАЭО), или функцией (МАЭФ), или У - отображением (V - функцией).

Если считать, что взаимоотношения между агентами на разных уровнях когнитивной архитектуры организованы на основе МАЭО, то возникают интересные новые возможности для формализации самоорганизующихся мультиагентных алгоритмов, основанных на контрактных отношения между агентами.

Расширим формулу ( 1 ) за счет добавления значения энергии ек которую агент Х^1-^ готов заплатить агенту предыдущего уровня X?1 за заключение с ним контракта на предоставление информации о текущих состояниях:

О

Будем считать, что е'к™ < Де^ + ЛЯг(а£?). где -

энергия из запаса агента Х^Ч которую он готов дополнительно

«инвестировать» в предложение энергии для агента предыдущего уровня с целью выиграть контракт. Применение такой целевой функции, процедуры поиска, использования и обмена знаний, аппарата МАЭФ в итоге приводит' к тому, что между агентами различных уровней МуРКА устанавливаются слабые связи, которые в конкретных ситуациях актуализируют решение проблем на основе согласованного поведения с использованием контрактных отношений между агентами.

Слабость связей позволяет легко их перестраивать на основе алгоритмов обучения и использования знаний, что, в конечном счете, определяет уникальную приспосабливаемость (адаптивность поведения) интеллектуальных систем к постоянно меняющимся условиям среды.

Проиллюстрируем отличие мультиагентных экзистенциальных функций от обычных на следующем простом примере. Представим себе некоторую функцию одной переменной: f:X -> У; у = / {x),X,Y £ R. Пусть ее график имеет вид (рисунок 6 (а)). Эта функция задает модель взаимосвязи величин х и у. Как и любая модель, она в подавляющем большинстве случаев используется для того, чтобы получать знания об объекте моделирования (в данном случае - эго взаимосвязь величин) компактным, быстрым и удобным способом. Компактность и удобство извлечения знаний состоит в том, что если на вход модели предоставить конкретное значение х'\ представляющее собой, вообще говоря, «чистую» абстракцию, то на выходе модель выдаст знание о соответствии этому входу некоторого ук, которое также является абстрактным (абстрагированным от всех других свойств объектов в моделируемом отношении).

Зададим конечные множества агентов X ~ {*,} и Y — {уу}, каждый из которых может принимать состояние, в котором он возвращает одно действительное число х}, или, соответственно, yj. Допустим г; -действительные числа с регулярным шагом: xj — х}_г = const,у/ — yl_1 ~ constVi. Агенты х[ обладают базой знаний КВ(х^, в которой знания имеют вид: mliql efj), а каждый из агентов у;- обладает базой

знаний KB(yj), в которой знания имеют вид: у', ei; =

> 0,yj =/(*<)

( . , . Здесь m;„ S Y — лист рассылки, в соответствии с

I 0 ,yj*f(xj)

которым агент х,- отправляет сообщения (запросы) агентам из V = {у,}, е?- вознаграждение (цена контракта), которое агент xt получает, если среди агентов в списке рассылки m\q найдется агент у7, для которого

выполнится условие у] = /(*,')• еИ ' вознаграждение, которое агент у, получает из внешней среды, если он в ответ на запрос ж/ вернет в качестве ответа значение у}. Работа такого МА Ю у = У (*). как черного яшика, в конечном счете, сведется к тому же. что и работа модели у = / (х) и будет состоять в том. чтобы в ответ на входы х/ возвращать выходы у/ для тех значений г;. для которых существуют агенты х, и у, (рисунок 6 (б).

А

< Г • 1

г > И |1 ! П| .'г . ' П ! • .и-1 1 ^ 1 1 '

ооооехпем аж!свж»э*с*ажхж1ж1пг*1сх

(б)

Рис. 6. Функции: (а) у = / (х) и (б) у = У (х) Па рисунке 6 (б) но осям изображены множества агентов X и К, а на пересечении линий, исходящих из них - точки, символизирующие контракты, обязывающие агентов из множества V всегда отвечать на соответствующие запросы агентов из множества X в том случае, если у1 _ /(х-). Для иных значений из множества действительных чисел соответствующие агенты могут быть добавлены в множества X и )' на основе алгоритмов обучения. Такой поход оправдан, так как в большинстве случаев функциональная зависимость строится для того, чтобы получать знания о поведении объектов не в каждой точке области определения, а только в точках, представляющих особый интерес для теоретических исследований, или приложений.

С целью обоснования возможности применения МАЭФ в задачахг аппроксимации функций в работе сформулированы и доказаны

следующие теоремы.

Теорема 2. Любая функция у = / (х) может быть представлена

мулыкатетной экзистенциальной функцией у = У(х) при условии равномошности мультиагентных баз знаний правой и левой частей У-отображения соответствующим областям определения и значения функции у = [ (х).

Теорема 3. Время выполнения агентом Kf7 алгоритма поиска оптимального пути в дереве решений высоты /г с использованием У -

отображения в множество агентов в худшем случае равно

Т(/г) = О (тпах |ЛГВ * /г), где max\КВ (х£(>_1))| - мощность

самой оольшои оазы знании среди агентов из j (skl J.

Для того, чтобы формально описать процессы самоорганизации МуРКА, введем еще несколько определений: Назовем когнитоиом множество:

г i = 1°;

>-i > >-i (

|эок ер;.ок

Определим минимальную МуРКА, или минимальный интеллектон

как:

о Г >-1, >-1 о >-1 / >-1%......А

» =(Р; I= = )=) + !,)<б\

Здесь ¡7 - когнитон распознавания, р2 - оценки, Р3 - цели, Р4 -

тана, р5 - модели, Р6 - управления.

Интеллектон, содержащий в своем составе другие интеллектоны, будем называть суперинтеллектоном, или полной МуРКА:

> ( 5-1 5 >-г г >-х\ . „ . . „ . А

={й/ |э»у+1 е »¿.»у+1 = ),у = и=л-1,;<б|.

Как было показано в первой главе, МуРКА обладает способностью самостоятельно настраиваться на решение некоторой проблемы за счет самоорганизации входящих в нее агентов. Запишем условия роста интеллектона в различных направлениях. Условие заполнения когнитонов - уровней интеллектона в ширину:

is/i> \кв (?Г*)1=

и ™(»П

>-2 >-1 Vofc ер.

Этот процесс соответствует ситуации, когда знаний в базах данных элементов когнитоиа недостаточно, для того, чтобы обработать все

входные ситуации и когнитоны начинают «финансировать» контракты -выделять энергию - на расширение многообразия знаний, что вызывает приток контрагентов-контрактеров.

Условие роста интеллектопа в длину:

т (р^7-1) > Т-пах

Этот процесс соответствует ситуации, когда мощность мультиагентной базы знаний когнитона достаточная для обработки ситуации, но время выбора субоптимального контракта слишком велико по отношению к допустимому времени Т}тах. В этом случае интеллектон начинает финансировать контракты на сокращение времени поиска и в процесс включаются когнитоны последующих уровней, что позволяет добиться искомого эффекта за счет применения эвристик оценки, цели,

плана, модели и управления.

Условия роста когнитонов в составе интеллектопа внутрь самих себя за счет рекурсивного формирования интеллектопа нижнего ранга связаны с необходимостью уточнения решения задач, актуальных для данного уровня когнитивной архитектуры интеллектопа. Интеллектон начинает финансировать контракты на рост когнитивных архитектур нижнего ранга, когда наличных знаний недостаточно и необходимо повысить качество (точность) решения, или управления. Результатом такого роста на уровне данного когнитона будет новое знание, однако оно будет получено путем синтеза в результате работы встроенного

интеллектопа нижнего ранга.

Основным условием этого процесса является превышение значения ошибки £, рассчитываемой как разница между ожидаемым и фактическим значениями энергии, которые когнитон получает в результате применения найденного за заданное время решения, некоторого заданного уровня г':

я'(*/£) = *>*'

Фактически выполнение этого условия приводит к тому, что интеллектон инициирует и обеспечивает энергией процесс декомпозиции исходной задачи именно в тех когнитонах, которые не справляются с заданным уровнем точности. Соответственно, условие е < е' будет

означать, что точность избыточна, что приведет к снижению количества контрактов и к исключению части агентов из состава интеллектона.

На рисунке 7 приведена схема итеративного метода синтеза суперинтеллсктонов в задачах интеллектуального принятия решений на основе контура обучения и использования вышеприведенных условий роста интсллектонов.

Таким образом, интеллектон обладает возможностью настраиваться на решение конкретных задач, динамически изменяя свою структуру, мощность мультиагентной базы знаний и вычислительную мощь в зависимости от сложности конкретной задачи.

Эффект «инкапсуляции и семантизации символов» проявляется в работе интеллектонов на основе использования МЛЭО между когнитонами-уровнями интеллектона (рисунок 8).

В четвертой главе рассмотрены методы решения неструктурированных задач распознавания, управления и принятия решений на основе синтеза мультиагентных рекурсивных когнитивных архитектур.

С целыо использования вычислительных возможностей интеллектона для решения неструктурированных задач, заменим в целевой функции рациона (3) обозначение рациона па обозначение интеллектона. Тогда задачу поиска оптимального управления (поведения)

ннтеллсктшюм Я,- 11 ситуации отрезке

/ >+1 связанной с задачей Ми, поступившей от наблюдателя а{

можно записать:

2"-----------> гпах.

Это выражение можно рассматривать как постановку задачи принятия решений на основе интеллектона. Из этого выражения, в частности, следует, что ошибка (рассогласование) по энергии равна:

где Еа ^¡^ ^ - ожидаемая энергия, а Е ( (я/с^.) ) - фактическая энергия, полученная в результате действий интеллектона, направленных на решение поставленной задачи.

Рис. 7. Синтез суперинтеллектоиа в процессе решения задачи Если связать это выражение для ошибки задачи принятия решений, выполняемой интсллектоном, с неструктурированной задачей, поступающей на интеллектон в высокоуровневом сообщении ог агента верхнего ранга - наблюдателя, то можно побудить интеллектон решать эту неструктурированную задачу. Например, для задачи управления:

г - Дх, у. и). £ = г - г', £ < е'Чг, где х - входной сигнал, у - возмущение, и - управляющее воздействие, можно записать условие:

£< г'(«/£)') = та*.

Если учесть, что интеллектом состоит in большого количества V -отображений, то можно для рассмотренного примера записать:

г = я*(х.у.и.е').

>ю выражение будем интерпретировать как постановку задачи поиска заданного управления интемектоном. В случае несоответствия выхода точности управления, в интеллектоне возникнет неравновесное состояние, связанное с уменьшением значения целевой функции энергии относительно субоптимальных значений. Эю, в свою очередь, приведет к самоорганизации системы внутренних агентов интеллектона, направленной на движение к аггракгору. интерпретируемому как состояние, в котором интеллектон стабильно синтезирует искомое управление. При этом интеллектон использует контракты и МЛ ЭФ, процедуры обучения па основе МА-баз знаний и МЛ-алгоригмов.

sil

sen - события о реальной среде А - эффекторы агентов ф - базы знаний агентов а - рецепторы агентов

- мупьтиагентная база знаний - системы управле-агента верхнего ранга ния агентов

Рис. 8. Ссмантизация символов в восходящих путях интеллекта!» В диссертации сделано обобщение, согласно которому интеллектон является универсальным аппроксиматором функций многих переменных. В частности, доказаны следующие теоремы.

Теорема 4. Любая функция многих переменных y-f{X),X(xifx2.....*„) представима с помощью интеллектона у =

»'(А") при условии равномощности мультиагентных баз знаний »того интеллектона соответствующим областям определения и значения функции у = f(X).

Теорема 5. Пусть у= f{X), Х(хх,хг.....хп). а у, = П,(Х.е)

аппроксимация функции / (X) с помощью интеллектов . Тогда при

наличии достаточного количества энергии F. J, при условии равномошности мультнагентных Gai знаний иителлектона соответствующим областям опрслслсния и значения функции у = f(X) и

при условии существования в баи; знаний К В (oj иителлектона знаний о

каждой из дуг путей интеллекгон 8* может аппроксимировать

функцию у= f(X) с любой заданной точностью е = у- yl| на всей облас I и определения функции ia время:

Г «<") = О (1X1 • (та,\КВ • < «') /2)).

где тах \КВ (¡0(>",))| - мощность самой большой базы знаний среди

> (>_1) IV!

встроенных в интеллекгон п{ интеллекгонов нижнего ранга о( , !Д| -мощность области определения функции >- /(X), I («-,*'") - длина пути

a'ktu. Запись у, = ОДХ. е) будем рассматривать как постановку задачи

с "з аппроксимации интемсктоном 8, функции у- f (X). К этой задаче, по

нашему мнению, могут быть сведены задачи интеллектуального

принятия решений, управления и распознавания.

Соответствующие решения будут в нервом случае

интерпретироваться как субоптимальный тан действий в данной

конкретной ситуации, во втором - как закон управления, в третьем - как

классифицирующая функция

Таким образом, применение интеллекгонов позволяет получать решения неструктурированных задач на основе самоорганизации при движении к аттракторам мультиагентной рекурсивной когнитивной архитектуры, детерминированном составом знаний в мультиагентной базе знаний иителлектона и наличием у агентов иителлектона энергии для

заключения контрактов.

МуРКА, реализованная в программном кашиексе «Интеллектон», была применена для решения ряда неструктурированных задач автономного принятия решений и управления в реальной среде. Па рисунке 9 приведено изображение МуРКА. применяющейся для решения

задачи распошананин лиц в видеопотоке с камеры видеонаблюдения. Достигнута точность распознавания - 73. процента.

Г . i. *

Рис. 9. Распознавание лиц с помощью программного комплекса

«Интсллсктон»

Для решения мой залами использовалась экспериментальная система с контуром обучения на основе интеллектона (рисунок 10).

*

1

1

• -V

^ - , , Щ • •

I.

* 'О' . * {■

t . « *

&

1С» 19 О

Q} Ф

i

а

i \\ ' i

< • прелпопамт* о ироляже пмфо^и.1ии«< Ои>1<11й| г - сообщения об oTcyiciw« информации i • »останова* иесгру*суриро<имных uaín ' -информация (знания)япя обуюния 5 • оосд символов с слепит уры * • пывол сообщений на эармн t - отаегы (гилотелм) смстеии « • МВиМр4»Д*и1<4 '>tAf/«A¡ rtb к0НТ(Л<Ту » • предложение (запрос) о похугше маний •и . лродл<»вии«« о переходе вста?ус оОрвбогчим» гюныия

- aiOMi-иеирои «допельмхо аналиюгоря» инюлпеасюнл $ • агет-нейрон «симеолыюю аиакимтора» иинтмыона

- свободные агеты-иейроны

W .

Г:

-екмвиллый» рецмпоо

аюм'-нсмрон у-праьшкмцкй хотой, uiu

- гяобапнк« агеш-нмщхя. f - ai ен1-нейрон блоха дагетопатник «■обидным aimn-нейрон »оетче»«».« к лп/ориш символ «Л.

Рис. 10. Схема рапогы экспериментальной системы но обучению МуРК А распознаванию динамических образо»

Рис. 13. Автономные мобильные роботы для с борт плодовой продукции и

мойки автомобилей

Рис. 12. Обучение мч лыиагентною робота-сапера согласованному принятию решений и синтезированный МуРКА алгоритм разминирования

Разработаны также интеллектуальные системы принятия решений автономного /юбота-автомойщика и автономного робота для уборки плодовой продукции (рисунок 13).

С помощью программы «Интеллектом» была решена задача управления динамической остойчивостью одноосного мобильного ро6ота-*апера (рисунок 111.

Рис. 11. Одноосные модули мультиагентного робота-сапера

С помощью МуРКА была р«шаш задача управления групповой навигацией и согласованным поведением (принятие решении) мультиагентного роботизированного саперного комплекса при

-/.«»•шкплолмии иишмг пп ч'й IОИСУПОК 12).

На рисунке 14 показан процесс- логического вывода на основе нчтеллсктоно, который используете* для решения задач понимания речи и синтеза систем управления и нрипишя решений.

В пятой главе рассмотрены вопросы проектирования самоорганизующихся мультиагентны.ч рекурсивных когнитивных архитектур и разработки комплекса программ для их реализации. В частности, предложено использовать в качестве формальной основы описания системы управления агента детерминированный абстрактный автомат:

Si = (51\Х1,У1.61.г1). где 5* - множество состояний системы. Х{ - входной а1фавит, У, -выходной ачфавит, = (.9,' х А'( -» = (($/ь. Х1Ь, 5(у)} - функция переходов автомата, у1 = (5/ х XI -» У]) = {(-*>/(,. х(ь. А^', )} - функция выходов автомата. Здесь Х*ь слово модного алфавита Х1% а - слово выходною алфавита.

ШЯВКДО&З!

I

Е

Ж.Ы^'Ч' . Г

а; —

ЦЩШ

г '''Я

Т1

- ' Ь»

т,

ж

N •

Е Е Е к;

I I■■■ I — III Д-ЩГ I 41--^-----ТТ^

Рис. 14. Мультиагснтное формирование логачсской формулы решения на

основе интеллектона

Таким обра юм, автомат распознает слова Х'ь в алфавите X, и в соответствии со своим состоянием 5/ь. выполняет действие А; для перехода в состояние 5/, и выполнения во внешней среде И" действий у* функции 6, и у, строятся с учетом энергии состояний и действий. Функционирование тако) о автомата можно описать соотношениями:

^ = ¿.(^.О: У/г = У^!Ь.Х!Ь).

Булем считать, что множество рецепторов Ri является структурной частью агента N°. порождающей все слова входною алфавша Х(, а множество эффекторов Г, - структурная часть агента, порождающая все слова выходного алфавита П- В соответствии с вышеприведенными определениями, будем считать, что ситуации соответствуй

множество пятерок:

/-1 „2 ,(Ь*1)(Ь + 2) сз уз \

Х?(ь. 1УА2 . 5|(ь+2)' Г«ъ+г)) ■

(<-к-1 с к ук\

,..., 1)' ХИГ-1У лк-1 ' °</' гЧ)

Это множество, описывающее состояния автомата и действия, выполняемые автоматом в соответствии с функциями переходов 6, и выходов п «троке (г*..«,], может быть интерпретировано как набор

знаний, которые агент может применить в данной ситуации .

Мультиагсптныс алгоритмы кооперации строятся на основе использования агента-автомата, реализующего механизм обмена

знаниями и энергией (рисунок 15).

Данная формализация была положена в основу профаммных агентов комплекса программ моделирования МуРКЛ «Интеллектом». Этот комплекс приставляет собой систему автоматизированного проектирования интеллектуальных мулыпиагентиых рекурсивных когнитивных архитектур. С ее помощью, используя тактилыши интерфейс. пользователи мо!уг создавать и редактировать ингеллеюоны. настраивать их на решение конкретных задач и тестировать процесс

решения и обучения.

Важной особенностью программы является возможность визуализации процесса принятия решения на любом уровне иителлектоиа. Так, возможна ревизия пеночки логических рассуждений с выводом системы использовавшихся знаний в удобном для чтения формате.

интеллектом

Комплекс «Интеллектом» использует архитектурное соответствие МуРКА и современных вычислительных сетей и систем. В нем реали юнака организация гетерогенных парачлельных распределенных вычислений МуРКА на основе грид-систем, что позволяет обеспечить работу суперинтеллектонов масштабируемой вычислительной инфраструктурой.

Преимущество совместного использования Му1'КЛ и современных вычислительных платформ состоит в том, что сетевые вычислители становятся материальной основой распределенного процесса принятия решений на основе единых архитектурных принципов и когнитивных функций (рисунок 16). Таким образом, впервые создаются предпосылки для перехода к следующему концептуальному уровню сетевой обработки информации: от разделения пространства через разделение ресурсов к разделению интеллекта.

Самоортанмукадиеся интв лп«ктуал'ьнь«1 системы принятия решений агентов а больших социо-моиомич ее «их модели*

Рекурсивная нейроподобиая когнитивная архитектура

Рис. 16. Архитектур системы для мулы патентного моделирования больших социальных систем на бате программы «Интсллектон»

В заключении диссертации сформулированы основные теоретические и прикладные результаты, приведены направления дальнейших научных исследований в области применения мультиагентных рекурсивных когнитивных архитектур для решения задач коллективного автономного искусственною интеллекта в реальных средах.

ЗАКЛЮЧЕНИЕ

Основным результатом диссертационной работы стала разработка методологии автономного решения неструктурированных задач реального мира на основе моделей самоорганизующихся .мультиагентных рекурсивных архитектур. Эта концепция, отражающая системные основы, вычислительные абстракции и эвристики естественного интеллекта, формализована на базе рекурсивного агента и аппарата мультиагентных экзистенциальных отображений. позволяющего снизить время выполнения основных алгоритмов интеллектуальной обработки информации, до значений, обеспечивающих их применимость в реальных задачах. В частности, получены следующие основные теорем ические ре гулынапш:

I. Разработана модель синтеза решений неструктурированных задач на основе субоитнмапьного поиска но критерию максимизации

энергии, в пространстве состояний агента при выполнении ограничения самосохранения агента, позволяющая учитывать системные основания целенаправленного поведения агентов и постановщиков задач (наблюдателей).

2. Построена математическая модель рекурсивного интеллектуального агента, позволяющая формализовать семантические отношения, содержащиеся в неструктурированных задачах, на основе модели наблюдателя и методов структуризации потоков сенсорных данных на основе модели онтонейроморфогенеза.

4. Введен математический аппарат мульптагентных экзистенциальных отображений, позволяющий формализовать процедуру заключения контрактов на обмен знаниями и энергией в мультиагентной системе.

5. Сформулированы и доказаны теоремы о линейном времени поиска субоптимальиого пути в дереве решений на основе мультиагентных экзистенциальных отображений, и о представимости функций одной переменной с помощью таких отображений.

6. Разработана математическая модель мультиагентной рекурсивной когнитивной архитектуры (иителлектона) и процессов самоорганизации иителлектона, позволяющая синтезировать методы автоматической структуризации конкретных неструктурированных задач, их декомпозиции и решения.

7. Сформулированы и доказаны теоремы о представимости и возможностях аппроксимации функции многих переменных с помощью суперинтеллектона с любой заданной точностью, позволяющие синтезировать мультиагентные алгоритмы обучения интеллектонов в задачах аппроксимации функций.

8. Разработаны модели и методы аппроксимации функций многих переменных, принятия решений и управления в неструктурированных ■задачах на основе моделирования рассуждений с помощью инварианта самоорганизующейся рекурсивной когнитивной архитектуры и мультиагентных экзистенциальных отображений, позволяющие осуществлять синтез решений конкретных задач в автономном режиме.

9. На основе применения интеллектонов для интерпретации естественно-языковых высказываний из ограниченного подмножества, получено решение проблемы семантического обоснования символов, что создает предпосылки для разработки систем автоматического понимания неструктурированных задач, сформулированных в формате естественноязыкового сообщения.

10. Построены оценки времени выполнения основных алгоритмов автономного интеллектуального принятия решений и управления в неструктурированных задачах реального мира па основе самоорганизации мультиагентпых рекурсивных когнитивных архитектур.

Ряд указанных теоретических результатов получил свое экспериментальное подтверждение на основе реализации с помощью разработанной системы автоматизированного проектирования мультиагентпых рекурсивных когнитивных архитектур для .моделирования рассуждений и интеллектуального принятия решений «Интеллектом». С целью ее реализации была разработана гетерогенная грид-ориентированная вычислительная подсистема, обладающая архитектурным соответствием с интеллектоном и позволяющая использовать преимущества быстроты поисковых алгоритмов на основе мультиагентпых экзистенциальных отображений за счет использования параллельных вычислений.

С использованием системы «Интеллектон» получен ряд других практических результатов диссертационной работы:

1. Получены решения неструктурированных задач автономного интеллектуапьного принятия решений и управления (распознавание динамических образов в видеопотоке, управление остойчивостью одноосного мобильного робота и др.) на основе самоорганизации мультиагентпых рекурсивных когнитивных архитектур.

2. Реализованы высокоуровневый диалоговый интерфейс на основе системы понимания речи из ограниченного подмножества естественного языка и интерфейс виртуальной и расширенной реальности к системе автоматизированного проектирования мультиагентпых рекурсивных

когнитивных архитектур.

3. Разработана система управления групповой навигацией и согласованным поведением мультиагентного роботизированного саперного комплекса. Разработка внедрена в Технопарке НИИ ИКТ МГТУ МИРЭА (Москва). В апреле 2013 г. получена бронзовая медаль МЧС РФ за занятое третье место во всероссийском смотре «День передовых технологий и инноваций в системе МЧС РФ».

4. Разработаны интеллектуальные системы принятия решений и управления автономного робота-автомойщика и автономного робота

для уборки плодовой продукции.

В целом, совокупность результатов диссертационного исследования можно охарактеризовать как научное достижение в области обработки неструктурированных задач принятия решения и управления в условиях

реальной среды, закладывающее теоретические основания нового научного направления - автономного решения таких задач на основе самоорганизующихся мультиагентных когнитивных архитектур и мультиагентных экзистенциальных отображений.

Рекомендации и перспективы дальнейшей разработки темы. Результаты данной работы в дальнейшем будут использованы для создания систем интеллектуальных сред обитания, ориентированных на ситуативный анализ и синтез превентивных планов действий в интересах пользователей. В частности, на основе интеллектонов будут разработаны распределенные интеллектуальные системы управления т акими средами, ориентированные на применение гетерогенных распределенных вычислителей и мобильных автономных персональных, сервисных, специальных и бытовых роботов.

Перспективы дальнейших научных исследований по рассматриваемой теме связаны с разработкой формализации семантики естественного языка, развитием алгоритмов мультиагентного обучения на основе обмена знаниями, исследованием свойств аппарата мультиагентных экзистенциальных отображений.

СПИСОК РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в журналах ВАК

!. Мультиагентные экзистенциальные отображения и функции // Известия КБНЦ РАН, Нальчик: Издательство КБНЦ РАН, 2013, № 4 (54), с. 64-71.

2. Виртуальное прототипирование в интегрированных САПР машиностроения и электроники на основе онтонейроморфогенетического моделирования // Известия ЮФУ. Технические науки. Тематический выпуск «Интеллектуальные САПР». - Таганрог: Изд-во TT И ЮФУ, 2013, № 7 (144), с. 29-35. (в соавторстве с A.IO. Кудаевым, A.A. Лежсбоковым).

3. Онтонейроморфогенетическое моделирование // Известия КБНЦ РАН, Нальчик: Издательство КБНЦ РАН, 2013, №4 (54), с. 56-64.

4. Ситуативный анализ и синтез интеллектуального поведения в системах обволакивающей безопасности на основе автоматного представления мультиагентных когнитивных архитектур // Известия КБНЦ РАН, Нальчик: Издательство КБНЦ РАН, 2013, № 4 (54) с. 29-37 (в соавторстве с Г1.М. Ивановым, О.Б. Макаревич).

5. Метод частиц в задачах механики сплошных сред и теплопередачи // Известия КБНЦ РАН, Нальчик: Издательство КБНЦ-РАН, 2012, № 3 (47), с. 32-36 (в соавторстве с М.М. Ошхуновым, Р.Д, Макосвой).

6. Рекурсивные агенты для задач моделирования интеллектуального принятия решений на основе самоорганизации мультиагентных когнитивных архитектур // Известия КБНЦ РАН, Нальчик: Издательство КБНЦ РАН, 2012, № 4 (48), с. 50-57 (в соавторстве с В.Ч. Кудаевым, О.В. Иагоевой).

7. Самоорганизующаяся система принятия решений на основе автоматного представления рекурсивной мультиагентной когнитивной архитектуры для систем обволакивающего интеллекта // Известия КБНЦ РАН, Нальчик: Издательство КБНЦ РАН, 2012, № 5 (49), с. 30-37 (в

соавторстве с U.M. Ивановым).

8. Модель интеллектуального исследовательского поведения агентов в составе мультиагентной группировки роботов-луноходов на основе нейронных сетей // Известия КБНЦ РАН, № 1 (39) 201!, Изд-во КБНЦ РАН, с. 201-204 (в соавторстве с A.B. Сюсюкинои).

9. Метод дискретно-динамических частиц в задачах механики деформируемого твердого тела // Известия РАН. Механика твердого тела, № 4, М.: Наука, 2011, с. 155-169 (в соавторстве с М.М. Ошхуновым).

10. Мульгиагентное моделирование региональных рынков с информационной асимметрией // Известия КБНЦ РАН, № 1 (39) 2011, Изд-во КБНЦ РАН, с. 101-107 (в соавторстве с А.О. Гургуевым, 3.3. Ивановым).

11. Классификация изображений на основе модели онтонейроморфогенеза // Известия КБНЦ РАН, № 1 (39) 2011, Изд-во КБНЦ РАН, с.196-200 (в соавторстве с А.О. Бозиевым).

12. Моделирование некоторых задач теплопроводности на основе дискретизации сплошной среды с помощью метода динамических частиц // Известия высших учебных заведений. Северо-Кавказский регион. Серия: Естественные науки. - Ростов-на-Дону, Изд-во ЮФУ, 2010, № 2. С. 50-53 (в соавторстве с М. М. Ошхуновым, И. А. Мамиевой, Р. Д. Елеевой,

Т. М. Боташевым).

13. Система управления остойчивостью одноосного робота-сапера // Известия ЮФУ. Технические науки. Тематический выпуск «Перспективные системы и задачи управления». - Таганрог: Изд-во TT И ЮФУ, 2010, № 3 (104), С. 128-131 (в соавторстве с М. И. Анчековым).

14. Моделирование действия вертикальной гравитационной силы методом динамических частиц // Известия высших учебных заведений.

Северо-Кавказский регион. Серия: Естественные науки. - Ростов-на-Дону, Изд-во ЮФУ, 2010, Лг» 1. с. 45-48 (в соавторстве с И. А. Мамиевой).

15. Мультиагентный роботизированный поиск на примере задачи автоматического разминирования /У Известия ЮФУ. Технические науки. Тематический выпуск «Перспективные системы и задачи управления». -Таганрог: Изд-во ТТИ ЮФУ, 2010, № 3 (104), С. 32-35 (в соавторстве с JT.A. Габоевой, З.А. Башоровым).

16. Концепция и конструктивные особенности бытового робота-автомойшика // Известия КБИЦ РАН, № 4 (24), Изд-во КБНЦ РАН, Нальчик, 2008., с. 88-95 (в соавторстве с Ю. X. Хамуковым).

Монографии

17. Интеллектика, или мышление в живых и искусственных системах // Нальчик: Издательство КБНЦ РАН, 2013 - 211 с.

18. Математические модели деформируемых сред для интеллектуальных систем виртуального прототипирования // Нальчик: Издательство КБНЦ РАН, 2013 - 201 с. (в соавторстве с М.М. Ошхуновым).

Коллективные монографии

19. Моделирование поведения экономических агентов на локальных рынках с информационной асимметрией // Коллективная монография. Изд-во КБНЦ РАН, Нальчик, 2011, 116 с. (в соавторстве с А.О. Гуртуевым, Е.Г. Деркач, 3.3. Ивановым).

Патенты, авторские свидетельства

20. Сельскохозяйственный робот. // Патент РФ на изобретение № 2492620, 20.09.2013 г., ФС ИСПТЗ (в соавторстве с Ю.Х. Хамуковым, М.И. Анчековым).

21.Мультиагентный робот-сапер // Патент РФ на изобретение № 2405122, 27.11.2010 г., ФС ИСПТЗ (в соавторстве с Ю.Х. Хамуковым).

22. Робот-обрезчик // Патент РФ на изобретение N<> 2409931, 27.01.2011 г., ФС ИСПТЗ (в соавторстве с Ю.Х. Хамуковым).

23. Робот-автомойщик // Патент РФ на изобретение № 2410257, 27.01.2011 г., ФС ИСПТЗ (в соавторстве с Ю.Х. Хамуковым).

24. Мультиагентная среда имитационного моделирования сценариев нарушения информационной безопасности, систем и способов ее восстановления // Свидетельство о государственной регистрации программы для ЭВМ № 2009612224, Москва, 29.04.2009 г. (в соавторстве с П.М. Ивановым, О.Б. Макаревич).

25. Адаптивный планирующий агент на основе иерархических рекуррентных нейронных сетей для имитационных моделей

мучьтиагентных систем // Свидетельство о государственной регистрации программы для ЭВМ № 2008615272, Москва, 2008 г. (в соавторстве с Ивановым П.М., Макаревич О.Б.).

Другие публикации

26. Распределенная вычислительная инфраструктура имитационных моделей больших социально-экономических систем на основе интеллектуальных рекурсивных нейроподобных мультиагентных когнитивных архитектур // В материалах международного симпозиума «Устойчивое развитие: проблемы, концепции, модели». - Изд-во КБНЦ РАН, Нальчик, июнь 2013 г, с. 10-14 (в соавторстве с М.М. Асановым,

О.В. Нагоевой).

27. Синтез интеллектуального поведения на основе мультиагентных экзистенциальных отображений и рекурсивных когнитивных архитектур // Материалы международного конгресса по интеллектуальным системам и информационным технологиям 1Б&1Т-13, 2-9 сентября, Дивноморское, Физматлит, 2013, Т. И, с. 30-37 (в соавторстве с О.В. Нагоевой).

28. Автоматное описание мультиагентиой рекурсивной когнитивной архитектуры для задачи формализации процесса интеллектуального принятия решений // Материалы третьей международной конференции «Автоматизация управления и интеллектуальные системы и среды», Махачкала, Изд-во КБНЦ РАН, 2012, т. 1., с. 7-14 (в соавторстве с П.М. Ивановым).

29. Мультиагентные модели больших социально-экономических систем на основе интеллектуальной рекурсивной когнитивной архитектуры и самоорганизуюших грид-ориентированных вычислений // Материалы третьей международной конференции «Автоматизация управления и интеллектуальные системы и среды», Махачкала, 2012, т. И, е. 76-80 (в соавторстве с Асановым М.М., О.В. Нагоевой).

30. Формализация агента для задачи синтеза интеллектуального поветения на основе рекурсивной когнитивной архитектуры // Материалы международного конгресса по интеллектуальным системам и информационным технологиям 15&1Т-12, 2-9 сентября, Дивноморское, Физматлит, 2012.

31. Интеллектуальная система на основе фрактальной мучьтиагентной нейронной пластичной когнитивной архитектуры // Материалы международного конгресса по интеллектуальным системам и информационным технологиям [БАГГИ, 2-9 сентября, Дивноморское, 2011, том III, с. 5-10.

32. Инвариант интеллектуальной фрактальной мудьтиагентной когнитивной архитектуры // Материалы II Международной конференции «Автоматизация управления и интеллектуальные системы и среды», Т. П., 2011,с. 195-199 (в соавторстве с О.В. Hai освой).

33. Проблемы и методы интеллектуального управления движением мультиагентных робототехническнх систем Н Материалы II Международной конференции «Автоматизация управления и интеллектуальные системы и среды-2011», Т. 1, 2011, с. 100-108 (в соавторстве с A.B. Тимофеевым, P.M. Юсуповым).

34. Мультиагентная система обволакивающей безопасности на основе автономных программных агентов и мобильных роботов // Материалы XI Международной научно-практической конференции "Информационная безопасность 2010". Ч. I. - Таганрог: Изд-во ТТИ ЮФУ, 2010. - 256 е., с. 153-157 (в соавторстве с З.А. Башоровым).

35. Нейросетевой подбор потенциала парных взаимодействий и численное решение уравнений динамики частиц в параллельной архитектуре нейроускорителя в системе виртуальной реальности // Материалы I Международной научной конференции «Автоматизация управления и интеллектуальные системы и среды», Т. II. - Нальчик: Изд-во КБНЦ РАН, 2010. - 155 е., с. 109-113 (в соавторстве с М. М. Ошхуновым, И. А. Мамиевой).

36. Распознавание визуальных образов на основе модели оптонеироморфогенеза // Материалы I Международной научной конференции «Автоматизация управления и интеллектуальные системы и среды», Т. 1. - Нальчик: Изд-во КБНЦ РАН, 2010. - 107 е., с. 66-69 (в соавторстве с А.О. Бозиевым).

37. Формализация разумных рассуждений как основа системы обволакивающей безопасности И Материалы XI Международной научно-практической конференции "Информационная безопасность 2010". Ч. I. -Таганрог: Изд-во ТТИ ЮФУ, 2010. - 256 е., с. 147-152 (в соавторстве с А. В. Сюсюкиной).

38. Автоматическое формирование мускулов искусственного агента в виртуальной «физически корректной» среде // Материалы международной конференции «Моделирование устойчивого регионального развития», Изд-во КБНЦ РАН, Нальчик, 2009, с. 252-258. (в соавторстве с Х.М. Шугушховым, А. В. Кагазежевым).

39. Алгоритм пластичного субстратного онтонейроморфогенеза для проактивного виртуального агента // Материалы всероссийской

конференции с международным участием "Проблемы информатизации общества", г. Нальчик, 7-11 октября 2008 г., с. 108-110. -

40. Геномное управление морфогенезом агентов в виртуальной «физически -корректной» среде // Кибернетика и системный анализ, № 2, 2008 г. Киев.

41. Моделирование целенаправленног о поведения в мультиагентных системах на основе принципа биоэнергетической оптимальности // Материалы международной научно-технической конференции «Инновационные технологии XXI века в управлении, информатике и образовании», КБГУ, Нальчик, 2008.

42. Нейроэволюционное управление мышцами-антагонистами виртуального «физически-корректного» агента // В материалах «Международной конференции «Нейроинформатика-2007», Москва, МФТИ, 2007. (в соавторстве с A.B. Тимофеевым, М.И. Анчековым, A.M. Шеожевым).

43. Нейросетевое решение динамических уравнений в системе виртуальной реальности. - Материалы третьей Международной научно-технической конференции, КБГУ, г. Нальчик, 2007 М. (в соавторстве с М. Ошхуновым, Р. Д. Елеевой, И. А. Мамиевой).

44. Распределенная мультиагентная экспертная система для регионального рынка сельхозпродукции // В материалах второй международной конференции «Моделирование устойчивого регионального развития». Изд-во КБНЦ РАН, Нальчик, 2007, Т. 11, с. 5770 (в соавторстве с А.О. Гуртуевым, Т.Х. Ивановым, 3.3. Ивановым).

45. Система автоматического виртуального прототипирования на основе генетического алгоритма // В материалах второй международной конференции «Моделирование устойчивого регионального развития». Изд-во КБНЦ РАН, Нальчик, 2007, Т. Ill, с. 212-219 (в соавторстве с А. О. Елековой, М. И. Анчековым).

46. Функциональная спецификация робота-мойщика автомобиля для задачи эволюционного проектирования // В материалах второй международной конференции «Моделирование устойчивого регионального развития». Изд-во КБНЦ РАН, Нальчик, 2007, Т. 111, с. 234 -237. (в соавторстве с Ю. X. Хамуковым).

47. Имитационное моделирование автоматического морфогенеза виртуальных «физически-корректных» агентов // Известия КБНЦ РАН, 2006 г.

48. Интерактивная среда обучения виртуальных человекоподобных агентов интеллектуальному поведению // Известия КБНЦ РАН, 2006 г. (в соавторстве с О. А. Елековой, М. И. Анчековым).

49. Настольная система виртуальной реальности: реализация на Visual С++ // В материалах второй всероссийской конференции "Проблемы информатизации регионального управления". Издательство КБНЦ РАН, Нальчик, 2006 г. С. 198-202 (в соавторстве с O.A. Елековой, М.И. Анчеков, А.И. Бозиевым).

50. Система управления движением звена верхней конечности виртуального человекоподобного «физически-корректного» агента // Известия КБНЦ РАН, 2006 г. (в соавторстве с М. И. Анчековым).

51. Создание виртуальной физически корректной модели трехмерных объектов по данным о полигональной поверхности и модели структуры вещества // Известия КБНЦ РАН, 2006 г. (в соавторстве с О. А. Елековой, М. И. Анчековым).

52. Интеллектуальные виртуальные агенты в физически корректных средах: обзор // Известия КБНЦ РАН, 2005 г.

53. Интерактивная распределенная система виртуальной среды для обучения искусственных человекоподобных агентов социальным навыкам // В сб. трудов международной научной конференции "Моделирование устойчивого регионального развития". Издательство КБНЦ РАН, Нальчик, 2005 г., с. 201-207 (в соавторстве с O.A. Елековой, М.И. Анчековым, JI. Жабоевой, А. Карачаевой, Т. Шугушевым).

54. Модель поверхности составных объектов, учитывающих виды элементов и их взаимодействий для рендеринга объектов в виртуальном пространстве // В сб. трудов международной научной конференции "Моделирование устойчивого регионального развития". Издательство КБНЦ РАН, Нальчик, 2005 г., с. 186-188 (в соавторстве с А.И. Бозиевым).

55. Применение мультиагентных систем и систем виртуальной реальности в терапии и социальном тренинге // В сб. трудов международной научной конференции "Моделирование устойчивого регионального развития". Издательство КБНЦ РАН, Нальчик, 2005 г., с. 123-126. (в соавторстве с С.А. Носенко).

56. Современные тенденции развития мультиагентных систем // В сб. трудов международной научной конференции "Моделирование устойчивого регионального развития". Издательство КБНЦ РАН, Нальчик, 2005 г., с. 207-211 (в соавторстве с О. В. Нагоевой).

57. Человекоподобный агент в виртуальной физически корректной среде // Известия КБНЦ РАН, 2005 г. (в соавторстве с А.И. Бозиевым, Б. К. Буздовым).

58. Естественная модель искусственной жизни // Труды XLV1 научной конференции МФТИ "Современные проблемы фундаментальных и прикладных наук". Часть I. Радиотехника и кибернетика. Москва -Долгопрудный: МФТИ, 2003. Т.1. С. 31-33. (в соавторстве с В.Г. Редько, З.Б. Соховой, О.П. Мосаловым)

59. Человеко-машинный интерфейс и мультиагентные ассистирующие системы для хирургии // В сб. трудов международной научной конференции «МРЕМЕП», КБНЦ РАН, Нальчик, 2002 г. (в соавторстве с А. В. Тимофеевым).

60. Моделирование поведения лица, принимающего решение в региональных системах управления // В сб. трудов международной научной конференции «МРЕМЕП», КБНЦ РАН, Нальчик, 2002 г.

61. Модель семантики управления // Труды первой всероссийской конференции "Проблемы информатизации регионального управления" Нальчик, 2001.

62. Представление медицинского диагноза "хронический гастрит" в терминах многозначных предикатов-признаков и его преобразование в предложения естественного языка. - /7 Материалы второй международной конференции "Нелокальные краевые задачи и родственные проблемы математической биологии, информатики и физики" Нальчик, 2001, (в

соавторстве с А. М. Шеожевым)

63. Генерация усредненных представлений семантики лексических единиц при помощи аппарата нечетких множеств // Известия КБНЦ РАН,

Нальчик, 1999 г. № 3.

64. Модель процессов интериоризации - основа модели семантики языка // В сб. научных трудов 3-ей международной научно-технической конференции "Интерактивные системы: проблемы человеко-компыотерного взаимодействия / ИС99", Ульяновск, 1999 г.

65. Моделирование интерпретации сознанием человека информационного плана текстов на естественном языке // В сб. научных трудов "III всероссийского симпозиума "Математическое моделирование и компьютерные технологии", Кисловодск, КИЭП, 1999.

66. Система ментального интерфейса // В сб. научных трудов международной научной конференции "Пользовательский интерфейс в современных компьютерных системах". Орел, 1999.

67. Distributed multiagent model for regional crop production market // Proceedings of the 48th Congress of the European Regional Science Association, Liverpool, 27th-31st August 2008., pp. 734-741. (в соавторстве с Gurtuev А. О.).

68. Genomic control of agent morphogenesis in a physically correct virtual environment // Cybernetics and Systems Analysis, Volume 44, Number 2 / March 2008, Springer , New York.

69. Multiagent recursive cognitive architecture // Biologically Inspired Cognitive Architectures 2012, Proceedings of the third annual meeting of the B1CA Society, in Advances in Intelligent Systems and Computing series, Springer, 2012, pp. 247-248.

Личный вклад автора в работах, опубликованных в соавторстве.

[2] - разработка концепции и алгоритмов оитонейроморфологического моделирования; [4, 7, 28] - модели мультиагентных когнитивных архитектур на основе рекурсивных детерминированных абстрактных автоматов; [5, 9, 12, 14, 35, 43] -алгоритмы моделирования физических взаимодействий на основе самоорганизации в мультиагентной системе частиц; [6, 32, 69] -формализация мультиагентной рекурсивной когнитивной архитектуры в реальной среде; [7, 15, 24, 25, 34, 37, 56, 58, 60, 61] - метод синтеза интеллектуального поведения агентов на основе нейросегевых моделей мультиагентной когнитивной архитектуры; [10, 19, 67] - метод мультиагенгного синтеза поведения на основе динамических деревьев принятия решений; [II, 36] - метод распознавания образов на основе алгоритма онтонейроморфогенеза; [13, 16, 20-23, 33, 46] -интеллектуальная система управления на основе самоорганизации нейроподобных элементов; [18, 38, 42, 45, 48-55, 57, 68] - методология виртуального прототипирования объектов на основе самоорганизующихся мультиагентных систем частиц; [26, 29] - грид-ориентированная архитектура распределенных вычислений для реализации интеллектонов; [27] - концепция, формализация и алгоритмы мультиагентных экзистенциальных отображений; [59, 62-66] -моделирование семантики мультиагентной коммуникации.

Соискатель'

Типогр. ИПК ЮФУ Заказ №^//тир. ttOэкз.

ФГБУН Институт информатики и проблем регионального управления Кабардино-Балкарского научного центра РАН

05201450589

Нагоев Залимхан Вячеславович

Методы принятия решений и управления в неструктурированных задачах на основе самоорганизующихся мультиагентных рекурсивных когнитивных архитектур

Специальность - 05.13.01 - Системный анализ, управление и обработка информации (вычислительная техника и информатика)

Диссертация на соискание ученой степени доктора технических наук

Научные консультанты: - Заслуженный деятель науки РФ д.т.н.

профессор Петр Мацович Иванов - Заслуженный деятель науки РФ д.т.н. профессор Виктор Михайлович Курейчик

Нальчик, 2013 г.

Оглавление

Введение.............................................................................................................................7

Глава 1. Анализ основных моделей и методов принятия решений и управления в неструктурированных задачах реального мира...........................................................20

1.1. Неструктурированные задачи реального мира..................................................20

1.1.1. Частично наблюдаемая динамическая непрерывная эпизодическая стохастическая среда................................................................................................21

1.1.2. Неопределенность и нелинейность..............................................................23

1.1.3. Неявная структура неструктурированных задач.........................................24

1.2. Автономные интеллектуальные системы принятия решений.........................25

1.2.1. Системы «классического» искусственного интеллекта.............................27

1.2.2. «Мягкие» формализмы..................................................................................30

1.3. Интеллектуальное принятие решений на основе когнитивных архитектур и моделирования рассуждений......................................................................................31

1.3.1. Адаптивное поведение...................................................................................39

1.4. Принятие решений на основе моделирования процессов самоорганизации.. 44

1.4.1. Мультиагентные системы принятия решений............................................45

1.4.2. Моделирование коммуникации и проблема обоснования символов........51

1.4.3. Моделирование семантики на основе мультиагентных моделей искусственной жизни...............................................................................................53

1.4.5. Автоматные модели мультиагентного принятия решений........................59

1.4.6. Принятие решений как движение к аттракторам мультиагентной системы ....................................................................................................................................62

1.4.7. Обмен энергией и информацией в самоорганизующихся MAC и решение задач на основе контрактных обязательств...........................................................64

1.5. Универсальные решатели на основе саморазвивающихся мультиагентных

когнитивных архитектур.............................................................................................67

1.6. Коллективное решение неструктурированных задач открытыми социотехническими системами..................................................................................71

1.7. Выводы...................................................................................................................74

Глава 2. Теоретические основы разработки автономных самоорганизующихся интеллектуальных систем принятия решений и управления в неструктурированных задачах реального мира..................................................................................................77

2.1. Системный анализ неструктурированных проблем реального мира..............77

2.1.1. Сущность и формы представления неструктурированных задач.............78

2.1.2. Процессы избирательного отражения действительности на основе нейроморфологических моделей семантики неструктурированных задач........82

2.1.3. Интеллектуальный агент как основная метафора проектирования систем автономного принятия решений в неструктурированных задачах реального мира............................................................................................................................90

2.2. Системный анализ автономного интеллекта.....................................................91

2.2.1. Наблюдатель и системогенез интеллекта....................................................93

2.3. Вычислительная абстракция интеллекта............................................................95

2.3.1. Субоптимальный поиск решений на основе целенаправленного адаптивного поведения............................................................................................97

2.4. Оценки времени выполнения поиска субоптимального пути в дереве решений и вычислительные эвристики интеллекта...............................................103

2.4.1. Эвристика применения знаний...................................................................106

2.4.2. Системная сущность и эвристика онтонейроморфогенеза......................108

2.4.3. Группа эвристик инварианта интеллектуальной.......................................113

когнитивной архитектуры.....................................................................................113

2.4.4. Мультиагентные рекурсивные когнитивные архитектуры и эвристика

коллективного интеллекта для решения неструктурированных задач.............118

2.4.5. Эвристика мультиагентных экзистенциальных отображений.................121

2.4.6. «Социальная» эвристика..............................................................................123

2.4.7. Эвристика семантизации символов............................................................125

2.5. Выводы.................................................................................................................128

Глава 3. Модели и методы интеллектуального принятия решений на основе самоорганизации мультиагентных рекурсивных когнитивных архитектур...........131

3.1. Субъективная модель реальной среды, построенная наблюдателем............133

3.2. Рекурсивная модель агента и наблюдателя......................................................152

3.2.1. Математическая модель рекурсивного агента..............................................152

3.2.2. Модель наблюдателя-постановщика неструктурированных задач............153

3.3. Общая постановка задачи автономного интеллектуального принятия решений рекурсивным агентом в реальной среде..................................................154

3.3.1. Теорема «о цели жизни» интеллектуального агента................................155

3.3.2. Решение задачи как возврат агента в гомеостатическую норму.............158

3.3.3. Мультиагентные экзистенциальные функции как основа моделирования процесса принятия решений в МуРКА................................................................159

3.3.4. Задача интеллектуального принятия решений как поиск субоптимальных путей в пространстве состояний рациона............................................................161

3.4. Методы принятия решений на основе самоорганизации интеллектонов.....162

3.4.1. Моделирование рассуждений на основе заключения контрактов на обмен энергией и информацией.......................................................................................162

3.4.2. Представление функций одной переменной с помощью МАЭФ............164

3.4.3. Формализация интеллектуальной самоорганизующейся мультиагентной рекурсивной когнитивной архитектуры..............................................................167

3.4.4. Метод автономной декомпозиции задач и синтеза решений на основе самоорганизации интеллектонов..........................................................................169

3.5. Интерпретация семантики неструктурированной задачи на основе инкапсуляции символов суперинтеллектонами.....................................................175

3.6. Выводы.................................................................................................................183

Глава 4. Решение неструктурированных задач распознавания, управления и организации интеллектуального интерфейса на основе синтеза интеллектонов... 185

4.1. Постановки неструктурированных задач аппроксимации функций, принятия решений, распознавания и управления на основе интеллектонов........................185

4.1.1. Принятие решений в неструктурированных задачах на основе интеллектона...........................................................................................................186

4.1.2. Задача синтеза управления на основе интеллектона................................187

4.1.3. Аппроксимация функций суперинтеллектоном........................................188

4.2. Итеративный метод синтеза суперинтеллектонов в задачах аппроксимации функций с использованием контура обучения на основе мультиагентных знаний ......................................................................................................................................192

4.3. Формализация неструктурированных задач на основе системы понимания

естественного языка с использованием мультиагентной рекурсивной когнитивной модели семантики...............................................................................203

4.4. Решение задачи управления остойчивостью одноосного мобильного автономного робота...................................................................................................205

4.5. Интеллектуальное принятие решений в задачах автономного мультиагентного поиска в реальной среде..............................................................212

4.5.1. Решение задачи распознавания динамических образов на основе самоорганизации интеллектона............................................................................217

4.5.2. Интеллектуальное управление поисковым поведением автономного робота-автомойщика.............................................................................................226

4.5.3. Управления групповой навигацией и согласованным поведением мультиагентного роботизированного комплекса................................................231

4.5.4. Интеллектуальное управление сельскохозяйственными роботами-комбайнами .............................................................................................................234

4.6. Выводы.................................................................................................................238

Глава 5. Система автоматизированного проектирования самоорганизующихся МуРКА и автономных интеллектуальных агентов реального мира.......................240

5.1. Реализация интеллектуального рекурсивного агента на основе абстрактного детерминированного автомата.................................................................................242

5.2. Разработка агента, способного к кооперативному решению задач на основе мультиагентных знаний............................................................................................246

5.3. Система автоматизированного проектирования интеллектуальных мультиагентных рекурсивных когнитивных архитектур (САПР МуРКА).........253

5.3.1. Организация гетерогенных параллельных распределенных вычислений МуРКА на основе грид-системы...........................................................................255

5.3.2. Когнитивная визуализация семантических моделей на основе интерфейсов виртуальной и расширенной реальности к системе «Интеллектон» ..................................................................................................................................258

5.4. Реализация интеллектуального автономного агента для решения неструктурированных задач реального мира с помощью системы «Интеллектон»

264

5.5. Выводы.............................................................................................................275

Список литературы.......................................................................................................282

Введение

Данное диссертационное исследование посвящено разработке методологии автономного принятия решений и управления в неструктурированных задачах реальной среды на основе моделирования процессов самоорганизации в интеллектуальных системах. Отсутствие явно заданной структуры в таких задачах, свойства реальной среды, условие автономности предъявляют высокие требования к интеллектуальной системе управления искусственного агента, или робота. Основная проблематика здесь, по нашему мнению, связана с необходимостью построения теоретического обоснования и вычислительной абстракции интеллектуальной деятельности как таковой, а также - с формализацией семантики мышления и моделированием рассуждений. Неструктурированная задача, как правило, формулируется постановщиком в формате сообщения, содержащего цели, существенные условия и ограничения в неявном виде. Для корректной интерпретации такого сообщения, интеллектуальный агент должен обладать системой распознавания и понимания таких сообщений, основанной на знаниях, выраженных в терминах языка, на котором сформулированы эти сообщения. Моделирование понимания, в свою очередь, требует разработки конструктивной модели отображения реальности в некоторую форму внутреннего представления интеллектуального агента, связанную с системными основаниями сущности такого агента, его экзистенции. Таким образом, разработка методологических основ автоматической интерпретация неструктурированных задач требует проведения системного анализа интеллекта, кооперативных отношений в коллективах интеллектуальных агентов, мотивации, понимания, мышления, языка и многих других психических и психофизических феноменов.

На основании результатов такого анализа в работе сформулированы гипотезы о системной сущности интеллекта и свойствах неструктурированных задач, построены вычислительные абстракции, ставшие основой для разработки соответствующих методов и алгоритмов интеллектуального принятия решения и управления. Отличительной особенностью предлагаемых в данной работе методов и алгоритмов аппроксимации функций, распознавания динамических образов, управления и принятия решений является опора на процессы самоорганизации в

мультиагентных системах, состоящих из рекурсивных систем интеллектуальных агентов.

Актуальность темы исследования. Сегодня одним из основных факторов, сдерживающих развитие наиболее общей и перспективной современной парадигмы развития информатики, бытовой и специальной робототехники, потребительской и специальной электроники - интеллектуальных сред обитания (ИСО) (ambient intelligence systems) - является отсутствие системного решения проблемы создания распределенных гетерогенных человеко-машинных коллективов, состоящих из людей, активных сенсоров, мобильных и стационарных роботов, виртуальных и программных агентов. В ИСО такие коллективы на основе высокоуровневого многомодального интерфейса (аудиовизуальный интерфейс, диалоговые системы), методов интеллектуального принятия решений, распределенных сенсорных и эффекторных сетей призваны осуществлять эффективное взаимодействие с целью перехода к автоматическому ситуативному анализу, выявлению предпочтений и намерений пользователей, синтезу и реализации планов превентивного изменения среды в интересах пользователей. К настоящему времени, несмотря на наличие эффективной аппаратной, вычислительной и сетевой базы, реализованной в широком спектре современных концепций, таких как облачные вычисления (cloud computing), всепроникающие вычисления (ubiquitous computing), встраиваемые и интегрированные системы (embedded and integrated systems), «умные» системы {smart systems), ИСО не созданы.

К основным причинам можно отнести отсутствие эффективных методов распределенного коллективного интеллектуального принятия решений, отсутствие методов автономной обработки неструктурированных данных и решения неструктурированных задач реального мира, недостаточную эффективность существующих методов интеллектуального принятия решений и управления поведением автономных программных и роботизированных агентов в реальной среде.

Необходимо отметить, что перечисленные проблемы сдерживают и развитие такой важной неотъемлемой составной части ИСО, как мультиагентная

интеллектуальная робототехника, в том числе - бытовая, персональная и специальная.

Таким образом, разработка теоретических основ и методов интеллектуального принятия решений и управления поведением автономных систем в неструктурированных задачах реальной среды на основе самоорганизации является актуальной научной проблемой, имеющей существенное экономическое и инфраструктурное значение.

Степень разработанности темы исследования. Проблема автономного интеллектуального принятия решений в неструктурированных задачах реальной среды является междисциплинарной. Подходы к ее решению основываются на теоретических и методологических достижениях системного анализа, искусственного интеллекта и принятия решений, теории управления, синергетики, мультиагентных систем, прикладной семиотики и семантики, психологии и философии.

Традиционно автономное интеллектуальное принятие решений является объектом исследования искусственного интеллекта. Теоретические основы этого направления заложены Д. фон Нейманом, Д. Маккарти, А. Тьюрингом, А. Ньюэлом, Д. Саймоном, М. Минским, В.М. Глушковым, Д. А. Поспеловым и др.

Основные подходы, в настоящее время конкурирующие в области решения задач интеллектуальной обработки неструктурированных данных реальной среды, можно отнести к так называемым «мягким формализмам». Это - нечеткие и гранулярные вычисления (Заде, Кофман, Ягер, Тарасов); - методы эволюционной оптимизации (генетические алгоритмы) (Фогель, Холланд, Коза, Курейчик); -методы роевой оптимизации (Дориго, Бени, Цзин, Курейчик); - искусственные нейронные сети (Мак-Каллок, Питтс, Кохонен, Хебб, Хопфилд, Хайкин, Уидроу, Галушкин, Горбань, Тимофеев); - методы обучения с подкреплением (Саттон, Барто, Мичи, Редько); - мультиагентные алгоритмы (Хьюит, Смит, Ленат, Вулридж, Дженкинс, Городецкий, Тарасов, Летичевский); - когнитивные архитектуры (Минский, Братман, Сан, Хайконен, Осипов).

Отдельно следует сказать о таких направлениях современной интеллектуальной автономной робототехники, интегрирующих вышеуказанные

формализмы в различных комбинациях как: - робототехника, «основанная на поведении» (Брукс, Бризел, Ишигуро); - адаптивное поведение и аниматы (Эделман, Майер, Сандини, Редько, Жданов); - эволюционная робототехника (Липсон, Полак, Флореано, Хазбандз, Нолфи); - групповая робототехника (Дориго, Каляев, Лохин, Васильев).

Значительный вклад в развитие методов анализа и синтеза интеллектуальных информацио�