автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.11, диссертация на тему:Мультиагентный подход к анализу изображений

Н а правах рукописи

Цибульский Геннадий Михайлович

МУЛЬТИАГЕНТНЫЙ ПОДХОД К АНАЛИЗУ ИЗОБРАЖЕНИЙ

05.13.11 -Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей

АВТОРЕФЕРАТ

диссертации на соискание учёной степени доктора технических наук

Красноярск - 2005

Работа выполнена в Красноярском государственном техническом университете

Официальные оппоненты: д.т.н., проф.,

Геппеиер Владимир Владимирович д.ф.-м.н., проф.,

Носков Михаил Валерьянович

Д.Т.Н., проф.,

Ноженкова Людмила Фёдоровна

Ведущая организация:

Научно-исследовательский институт МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ И ГЕОИНФОРМАТИКИ СО РАН

(г. Новосибирск)

Защита состоится «14» апреля 2005г. в 14 часов в аудитории Г-417 на заседании диссертационного совета Д 212.098.03 при Красноярском государственном техническом университете по адресу:

660074, Красноярск, ул. Киренского, 26.

С диссертацией можно ознакомиться в библиотеке Красноярского государственного технического университета.

Автореферат разослан «14» марта 2005г.

Учёный секретарь Диссертационного совета Д 212.098.03

Вейсов Е.А.

ша.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы. Цифровая обработка изображений ещё с 60-х годов прошлого столетия заняла значительное место в проблематике Искусственного интеллекта. Однако и по настоящее время ориентированность обработки изображений на текущие цели остаётся во многом не решённой проблемой. До сих пор основным инструментом цифровой обработки изображений являются системы директивного типа, первые из которых появились ещё в начале 70-х годов прошлого столетия. Основная особенность директивных систем состояла и состоит в том, что весь процесс планирования решения исходной задачи и оценки полученных результатов возлагается на пользователя. Практически сразу же с появлением директивных систем были актуализированы исследования в области систем постановки задач. На этом направлении был создан целый ряд систем, основанных на знаниях. Однако основная их трудность состояла в том, что каждая из них была ориентирована на решение конкретной задачи, системы этого типа не допускали какой-либо вариабельности, например, по целям исследования.

В 90-е годы прошлого столетия была сформулирована концепция мультиагентных систем, назначение которых - создание более мощных средств решения сложных задач в сравнении с уже упомянутыми системами, основанными на знаниях. Однако и по настоящее время теория мультиагентных систем переживает период становления. Нет определения понятия «агент», удовлетворяющее требованиям различных исследователей. Соогветственно, нет теории агента. Разрабатываются лишь конкретные реализации агентов, использование которых в других приложениях выглядит проблематичным. Не решена проблема координации деятельности агентов в коллективе.

Таким образом, в настоящее время актуальным является разработка системы анализа сложных изображений, основанной на знаниях, на основе мультиагентного подхода к решению задач.

Цель диссертационной работы. Разработка мультиагентного подхода к решению задач анализа сложных изображений, ориентированного на работу с конечным пользователем.

Для достижения сформулированной цели в диссертации поставлены и решены следующие задачи:

• Определить агент системы анализа изображений, среду агента и агентные задачи, уникальность и общность агентов системы анализа изображений и агентных сред.

• Разработать функциональную, алгоритмическую и статическую модели агента, модели среды агента и её элементов.

РОС. НАЦИОНАЛЬНАЯ БИБЛИОТЕК* СНеирбург

• Сформулировать задачи модификации и порождения агента системы анализа изображений и разработать процедуры порождения и модификации агентов.

• Разработать полное иерархическое описание анализируемых изображений как одного из элементов среды коллектива агентов.

• Разработать схему горизонтальных и вертикальных взаимодействий агентов в коллективе.

• Исследовать основные свойства возникающих структур: вариабельность решаемых ею задач, структура знаний возникающей структуры, память возникающих структур.

• Осуществить экспериментальную проверку разработанных моделей на примере решения реальных задач анализа сложных изображений и внедрить полученные результаты в практику научного и промышленного производства и учебный процесс вузов.

Методы исследования. При выполнении работы были использованы: теория моделирования, общая теория систем, теория вероятности и математической статистики, теория алгоритмов, методы дискретной математики, методы цифровой обработки изображений, теория распознавания образов, теория экспертных систем, теория искусственного интеллекта.

Научная новизна результатов работы состоит в разработке мультиагентного подхода к анализу сложных изображений, при этом определены агент системы анализа изображений, агентные задачи, задачи обучения и порождения агента, среды агента, функциональная, статическая и алгоритмическая структуры агента, а также схема коллективного поведения агентов и среда коллектива агентов, понятие возникающей структуры. Особенность разработанного подхода состоит в том, что на его основе можно строить системы анализа изображений, ориентированные на решение сложных задач, с различной проблемной ориентацией на основе порождения, модификации и уничтожения агента: 1. Определены агент, среда агента, агентные задачи. Отличительной особенностью агента системы анализа изображений является то, что агент - это решающая система второго рода, ориентированная на решение простых задач, то есть таких задач, решение которых находит методом одношагового поиска, функциональная модель которого определена в настоящей работе. Все агентные задачи (воздействие на среду, определение реакции среды, коммуникация, планирование) являются простыми задачами, с одной стороны, а, с другой стороны, они являются задачей классификации, но формулировка и способы её решения в настоящей работе построены на концепции конечности знаний агента.

Определён состав среды агента и содержание каждого её элемента. Определены уникальность и общность агентов системы анализа изображений и агентных сред.

2. Определены на основе концепции о конечности знаний агента задачи модификации и порождения агента системы анализа изображений. Разработаны методы решения сформулированных задач, причём, как для случая обобщения данных, так и для случая ограничения (редукция исходной задачи).

3. На основе обобщённой продукции Поста сформулирована функциональная модель агента системы анализа изображений, в развитии которой предложена алгоритмическая модель агента, определяющая все взаимодействия агента со средой. Определена статическая структура агента, которая описывает все компоненты статической модели агента и порядок их взаимодействия.

4. Определён состав среды коллектива агентов и содержание каждого элемента среды. Определено полное иерархическое описание анализируемых изображений как одного из элементов среды коллектива агентов. Другой особенностью полного описания анализируемых изображений состоит в определении феноменологического описания для уровней класса сегментов и тематических карт. Определены также методы формирования феноменологического описания для уровня класса сегментов, тематических карт и полного описания анализируемых изображений.

5. Сформулировано понятие возникающей структуры, исследованы основные ее свойства. Определена схема взаимодействия агентов в коллективе на основе сочетания иерархического и гетерархического взаимодействий агентов.

Практическая ценность работы состоит в том, что

1. Разработанные в ней модели, методы и программное обеспечение позволяют не только существенно повысить качество анализа сложных изображений, но открывается возможность решать более сложные задачи анализа изображений и накапливать экспертный опыт в виде возникающих структур;

2. Создан программно-методический комплекс, позволяющий сформировать му льти агентную систему анализа сложных изображений, ориентированную на решение задач заданной проблемной области.

Реализация и внедрение результатов работы. Основные результаты работы были внедрены в металлографической лаборатории Красноярского алюминиевого металлургического завода и институте Леса им. В.Н.Сукачёва СО РАН.

Апробация результатов работы. Первое Всесоюзное совещание «Горение и пожары в лесу», Красноярск, 1978, «ОИДИ-84» Всесоюзная конференция Новосибирск, 1984, Всесоюзная конференция г. Томск, 1989, «ОИДИ-90». Международная конференция г. Новосибирск, 1990 г., «Проблемы создания систем обработки, анализа и понимания изображений» конференция г.Ташкент, 1991, Всесоюзная научно-техническая конференция «Гибридные интеллектуальные системы» г. Ростов-на-Дону-Терская, 1991, V Всесоюзная научно-техническая конференция «Однородные вычислительные системы, структуры, среды» г.Москва, 1991, Всесоюзный научно-технический семинар «Программное обеспечение новых информационных технологий», г. Тверь, 1991, Конференция «Перспективные информационные технологии в анализе изображений и распознавании образов». Ташкент, 2-5 сентября 1992, Научно-техническая конференция «Проблемы техники и технологий XXI века». Секция «Информатика и ВТ», Красноярск, 22-25 марта 1994, Достижения науки и техники -развитию города Красноярска: Научно-практическая конференция Красноярск, 1997, Распознавание образов и анализ изображений: новые информационные технологии: IV конференция г.Новосибирск, 1998, Проблемы информатизации региона (ПИР): Всероссийская конференция, г. Красноярск, 1994-2003гг.

Публикации по работе. Результаты диссертационной работы опубликованы в 21 работах автора, в том числе в одной монографии. Основные результаты исследований опубликованы в изданиях реестра ВАК. Все основные результаты получены автором самостоятельно.

Объём и структура диссертации. Диссертация состоит из введения, пяти глав, заключения и приложения. Всего 260 страниц машинописного текста. Библиография содержит 236 наименований.

СОДЕРЖАНИЕ РАБОТЫ

Первая глава диссертации содержит анализ существующих подходов к представлению видеоинформации и к построению систем цифровой обработки изображений.

Традиционно описание всякого изображения представляется на трёх уровнях абстракции: иконический уровень, уровень примитивов, уровень сегментов.

На множестве элементов (пикселов) Р дискретного изображения I заданы функция яркости Б^,) и отношение соседства а! еРхР. Отношение соседства задаётся путём установления каждому р, подмножества N. сР: \/р] е N. (р,р,) е Способ установления

соответствия определяется структурой решётки дискретизации. Дискретная решётка ЕЮ определяется как множество правильных многоугольников {р,} со стороной единичной длины, таких, что р| пР; = ^ либо(частьграницыр,),

(.1

где II2 - вещественное двумерное евклидово пространство. . Как правило, различают 4-х и 8-соседство для прямоугольного

растра.

Все признаки, измеряемые на изображении подразделяются на 1 яркостные, контурные, текстурные признаки. К яркостным

признакам относятся исходное изображение (функция яркости), среднее, мода, медиана, порядковые статистики, усредняющие маски. Контурные признаки характеризуют «направленность» контура в заданной точке и формируются они с помощью разнообразных градиентных методов: линейные методы, дискретные разности вертикальных и горизонтальных перепадов (одномерные), свёртка с курсовыми градиентами (9 масок), операторы Лапласа (3 маски), корреляционные маски, одномерные весовые функции гауссовой формы (Арждалл), двумерные весовые функции гауссовой формы (Маклеод), нелинейные методы, оператор Робертса, операторы Собела и Превитта, метод Кирша, метод Уоллиса, оператор построчного одномерного усреднения (Розенфельд) и т.д. Текстурные признаки точек изображения характеризуют распределение интенсивности серых тонов или тонов различного цвета на некоторой окрестности анализируемой точки изображения. В качестве признаков, характеризующих текстуру, нередко используются меры протяженности кривой плотности вероятности Р(8), рассчитанные относительно начала координат для различных значений 5:

1) контраст

(•»I

2) второй угловой момент распределения

Авм = (01'; (-1

3) энтропия

1-1

4) среднее значение

MEAN = — V i Рь (i). m ..

Харалик, Шанмугам, Динстейн предложили использовать в качестве признаков текстур двумерные статистические характеристики уровней интенсивности элементов разложения. Они использовали различные меры рассеяния величины элементов матриц пространственной зависимости серого тона соседних элементов с учетом углового расположения этих элементов. В последствии, появился ряд работ, развивающих предложенную Хараликом систему признаков. Несмотря на наличие множества моделей вычисления свойств пикселов, которые были разработаны ранее, и в настоящее время исследование локальных свойств пикселов продолжается [18 - 22].

Структура изображений уровня пикселов есть дискретная решётка, на которой задано отношение соседства и семейство функций, характеризующих свойства локальной окрестности пиксела и его координаты.

Представление изображения на уровне примитивов позволяет не только сократить объем описания анализируемого изображения, но и представить его в символическом виде. Непроизводные элементы изображения (примитивы), получаемые путем согласованной фильтрации изображения, использовались для получения структурного или синтаксического описания изображений. С точки зрения разбиения изображений примитивы представляют собой односвязные области изображения с жестким критерием компактности свойств образующих его пикселов, что обеспечивает инвариантность описания изображения на уровне примитивов относительно целей его использования. Примитивы как элемент изображения характеризуются наряду с усредненными значениями локальных свойств образующих его пикселов геометрическим признаком: площадью. При этом площадь примитива колеблется, как правило, от четырех до семи пикселов. Примитивы являются соседними, если они имеют хотя бы один общий элемент границы.

Представление изображения на уровне сегментов также характеризует синтаксис анализируемого изображения. Под сегментом будем понимать связную область изображения, имеющую в своём составе п>1 примитивов (традиционно под элементами сегмента имеются в виду пикселы).

Представление изображения S есть множество сегментов, на котором задано семейство функций F(s,) и отношений соседства Cj eSxS, а также множество семантических предикатов, указывающих на наличие, либо отсутствие у сегмента семантической метки. F(s,)

g

также можно разделить на два класса. Значения функций первого класса дают инте1ральную характеристику значений соответствующих функций измеренных на примитивах -

элементах сегмента. Функции второго класса характеризуют форму и размер сегментов (метрические, топологические, параметрические, факторы формы). Множество отношений соседства, заданных на сегментах наследует множество отношений, заданных на примитивах.

Согласование условий однородности и связности — главная проблема в разработке методов сегментации: элементы х, у е X связаны, если существует цепь ^сЕ. Множество А с: X связно, если V х, у е А связаны. Множества А и В - соседние, если ЗахеА такой, что Ых иВ*0, где Мх - множество соседей элемента х. Обозначим 1аь={х|хеА, иВ/0}. В силу симметрии отношения соседства, если то и 1ьв*0,- Ьаь=1аьи1ьа - линия раздела А и В.

Тогда А и В соседние, если

В отличие от связности, понятие однородности зависит от целей обработки изображения. Область изображения А является однородной, если не существует такого ВсА, которое сильно отличается в некотором смысле от А (контрастно к А). Пусть заданы условия, по которым проверяется однородность множества А, и соответствующая им логическая функция Р(А), равная 1, если эти условия выполняются, и 0 в противном случае. Функция Е(А) известна в литературе под названием «предикат однородности».

Тогда задача сегментации формулируется следующим образом [1]: найти такое разбиение А={А,}, А,&>, /=1, 2,..., п множества X, что:

1. X— ЦА, и А,(\А,—Ф при й*/;

2. УА, связно;

3. 1;

4. 0 для всех связных В, представимых в виде В—А(,и ... и-4,'„

*>1.

Однако выполнение этих условий не гарантирует единственности сегментации. Разумеется, при сегментации требуется получить только такое разбиение, сегменты которого обладали бы определенными геометрическими и топологическими характеристиками (размер, форма, положение, включение и т.д.) [23, 24].

Выделение сегментов на изображении осуществляется через кластеризацию, наращивание областей, анализ границ. Отметим, что при решении задачи сегментации всегда предполагается некоторая априорная модель изображения.

Таким образом, описание изображения на уровне сегментов есть множество сегментов, на котором задано семейство отношений соседства, семейство функций, характеризующих интегральные характеристики примитивов сегмента, размер, форму и координаты сегмента, а также множество семантических предикатов.

Никакие другие элементы изображения исследователями по настоящее время не рассматривались кроме реляционных структур, элементами которых являются сегменты, что является излишним обобщением возможно даже всех элементов изображения.

Уже в начале 70-х годов прошлого столетия появились первые системы формирования сформулированных выше описаний анализируемых изображений: директивные системы и системы, основанные на знаниях. Директивные системы, обладая в определенном смысле универсальностью, ориентированы на работу с прикладным программистом. Системы, основанные на знаниях, претендовали на то статус систем постановки задачи.

Для систем, основанных на знаниях, было предложено достаточно много моделей. Однако обобщение всех этих конкретных моделей приводит к небольшому числу принципиально различающихся моделей. Различие этих систем основывалось на различии схем анализа данных: «восходящие» схемы, «нисходящие» схемы, комбинированные схемы анализа данных, в том числе и гетерархическая схема Минского и Пейперта. Примером реализации гетерархического принципа явилась система Сираи [2] (Рис. 1).

Управление признаками

Рис. 1. Гетерархическая модель системы понимания изображения.

Редди и Ньэлл предложили модель, названную классной доской. Минский предложил строить систему на основе разработанной им теории фреймов. Однако предложенные модели предлагают способ представления текущих описаний в системе, но не способ организации обработки данных в системе, они дополняют, например, гетерархическую схему организации обработки данных в системе. Рассматриваемый класс систем достаточно хорошо может быть представлен так называемыми системами технического зрения (СТЗ), широко используемыми в промышленной робототехнике и которые продолжают появляться в рамках сформулированной концепции [25 - 29].

Недостатками рассмотренных систем, основанных на знаниях, являются либо их «узкая» проблемная ориентация, либо система не находит на изображения заданную реляционную структуру, либо найденное описание не известно системе.

В конце 80-х годов прошлого столетия сформировалась концепция нового подхода к решению сложных задач: мультиагентные системы. Однако возможности этого подхода до сих пор остаются предметом исследования.

Таким образом, исследования в области цифровой обработки изображений сосредоточены в основном на создании средств сегментации изображений и вычислении иконических признаков. Реляционные описания изображений строятся на основе сегментации анализируемого изображения. Управляемая целями сегментация поддерживается только в рамках систем, основанных на знаниях, однако сложность решаемых ими задач ограничена параметрической и функционально-структурной

неопределенностями. Поэтому актуальным является создание нового класса систем, основанных на знаниях и ориентированных на решение сложных задач анализа изображений. Сформулирована новая модель сегмента, элементами которой являются примитивы.

Во второй главе анализируются понятия решающей системы [3], ее среды и проблема планирования решения сложных задач.

Решающие системы второго рода ориентированы на решение задач, сложность которых определяется неопределенностью, которая может быть допущена при их формулировке. Более того, при формулировке этих задач допускаются не менее, чем параметрическая и функционально-структурная неопределенности. Всякая решающая система всегда находится в некоторой среде и во взаимодействии с ней пытается достичь поставленной цели. В общем случае среда обладает собственным поведением. Решающая система, чтобы построить план достижения поставленной цели и обеспечить его выполнение, должна иметь модель среды.

Всякая среда может быть охарактеризована следующими свойствами: Дискретность-Непрерывность состояний, 2. Детерминизм-Недетерминизм, 3. Динамика-Статика, 4. Наблюдаемость-Скрытость, 5. Марковская-Немарковская, 6. Синхронная-Асинхронная.

Достаточно распространёнными моделями среды [4] являются пространство состояний, пространство задач, факторизованные пространства, фиксированное множество иерархических пространств, изменяющееся множество иерархических пространств, метапространство в иерархии пространств, альтернативные пространства, динамические миры, множественные модели. Различие рассмотренных моделей состоит в объеме знаний решающей системы о структуре среды.

Возникновение в конце 80-х годов прошлого столетия концепции агента [5] следует воспринимать как ответ на появление комплекса сложных задач, связанного с расширением проблемной области решающей системы.

Относительно общей моделью понятия агента, совмещающего в себе управляющий и исполняющий элементы, дано Вулдриджем. Одно из его определений дано через указание некоторых наиболее существенных свойств агента, например:

• Автономность - способность работать без внешнего управляющего воздействия. То есть агент способен осуществлять свою деятельность без непосредственного управления со стороны пользователя или другого элемента внешней среды. Управление в системе осуществляется на основе учёта поведения среды, учёта поведения других агентов, если таковые имеются в среде, учёта норм существования коллектива.

• Коммуникативность - система взаимодействует с членами коллектива, если таковой имеется, или с пользователем посредством соответствующих средств коммуникации.

• Реактивность - возможность воспринимать среду, реагировать адекватно на ее изменения.

• Мобильность - способность системы осуществлять пространственное перемещение в своей среде.

• Активность - способность ставить цели и инициативно действовать для достижения поставленной цели.

Наличие других определений понятия агента, появившихся в период 1991-1996 годы, свидетельствует о том, что на формирование понятия агента существенно влияет среда его обитания.

Классический подход к построению агентов (агент с делиберативной архитектурой) состоит в том, чтобы рассматривать агент, как систему, основанную на знаниях, в которой используется

точное представление о среде в символьной форме, а решение принимается на основе формальных рассуждений и методов сравнения с эталоном. Одна из первых хорошо известных систем, в которой использовались методы автоматического планирования последовательности действий агента, выполнение которых приведет к некоторой желаемой цели — STRIPS [6]. Эта система действовала на основе символического описания мира и состояния желаемой цели, а также описания множества операций, характеризуемых пред-и постусловиями. Она находила последовательность действий, которая вела к цели, на основе простого анализа средств и целей, который по существу связывал постусловия операций с желаемой целью. Символическое описание STRIPS - пространство состояний. Характерными чертами планировщика STRIPS являются: представление среды через формулы логики первого порядка, использование правил вывода, анализ конечных значений и проверка предусловий операторов (действий) и целевой формулы. Система также была снабжена механизмом обучения через обобщение найденных планов и их хранение.

Для более сложных задач даже при статичности среды агента целесообразнее искать не просто цепочку действий агента, а выстраивать иерархию подцелей, различая их тем самым по важности, с другой стороны, подзадачи решаемой агентом исходной задачи, как правило, взаимозависимы, что вызывает необходимость чередовать определённым образом действия агента, направленные на достижение разных подцелей. В результате появились, по крайней мере, два основных метода: иерархическое и нелинейное планирование. Однако в середине 80-х стало ясно, что даже эти методы будут недостаточны для динамических сред. В свете этих трудностей были созданы, например, интегрированная система планирования, выполнения и мониторинга (IREM) [7], основанная на нелинейном планировании; система AUTODRIVE [8] имела планирующих агентов, работающих в высоко динамических средах; Softboat [9] мог планировать и действовать в Unix - среде; и, наконец, PHONIX-система [10] включает планирующие агенты, которые работают в среде моделирования лесных пожаров.

Сложность среды, неполнота информации и ограниченная наблюдаемость среды привели к смене парадигмы: к развитию реактивных архитектур. При реактивном планировании агент после выполнения одного или нескольких действий запускает процедуру перегенерации плана относительно своего текущего состояния.

Брукс [11, 12] для иллюстрации реактивных архитектур построил множество роботов, основанных на архитектуре, регулирующей затраты. Архитектура, регулирующая затраты, - иерархия действий

агента по решению его задач. Каждое действие конкурирует с другими. На нижних уровнях представлены более простые действия (типа ухода от препятствий) и имеют предшествования по более высоким уровням иерархии. Необходимо заметить, что системы, ориентированные на результат, чрезвычайно просты, если рассуждать в терминах объема необходимых вычислений. Но, несмотря на эту простоту, Брукс продемонстрировал агенты, решающие такие задачи, которые для символических А1 выглядели бы весьма внушительно.

Ситуативная автоматная парадигма привлекла к себе большое внимание, однако, теоретические ограничения подхода не достаточно хорошо понятны. Если согласиться с мнением, что качество взаимодействия агента со средой определяют уровень интеллекта агента, то агенты с реактивной архитектурой в отличие от делиберативных архитектур способны приспосабливаться к изменяющимся внешним условиям, но накапливаемые ими знания носят локальный характер типа «стимул-реакция». На их основе не образуется обобщённое знание о среде, на основе которого только и возможно решение сложных задач.

Ясно, что ни делиберативный, ни реактивный подходы не являются достаточными для создания систем решения сложных задач. Появившиеся гибридные системы [13, 14], в которых сделана очевидная попытка построить агент из двух (или более) подсистем (делиберативная и реактивная), стали претендовать на исключение недостатков делиберативных и реактивных архитектур. Первая компонента содержит символическую модель мира, генерирует планы и реализует их методами символических А1. Вторая компонента способна к реакции на события, происходящие в среде, без участия в сложных рассуждениях. Часто реактивный компонент задан некоторыми прецедентами посредством совещательного модуля, таким образом, агент способен быстро реагировать на важные события окружающей среды. Такой вид структурирования естественным образом ведет к многоуровневым архитектурам. В такой архитектуре подсистемы управления агента упорядочены в иерархию, где более высокие уровни работают с информацией более высокого уровня абстракции. Ключевая проблема такой архитектуры состоит в том, чтобы создать структуру управления взаимодействием уровней с включением в нее подсистем агента.

В 1992 г. была создана «туристическая» машина [15], как агент с гибридной архитектурой. Архитектура содержит подсистемы восприятия и действия и три уровня управления. Каждый уровень независим, активен, параллельно осуществляющий процесс.

В отличие от большинства других разработок, рассматриваемая архитектура рассчитана на реальное приложение. В реальном приложении агент имеет дело с непредвиденными событиями внешнего мира, как в пространстве, так и во времени и в присутствии других агентов, адекватно реагируя на них. Но внешний мир невозможно моделировать в деталях. По этой причине архитектура агента и является гибридной. Агент должен иметь архитектуру, которая позволит ему справляться с неопределенностью и неполнотой информации, реагировать на непредвиденные события, пользуясь относительно простыми правилами.

Гибридные архитектуры в настоящее время активно разрабатываются и возможно имеют некоторые преимущества над делиберативными и реактивными архитектурами. Однако, еще не достаточно понятна проблемная ориентация этих архитектур.

Задача планирования состоит в нахождении последовательности действий системы, которая позволяют перевести «система-среда» из некоторого исходного состояния в заданное целевое состояние:

дана «система-среда» М = (I, в, <3, Р), где I - множество начальных состояний, в — множество конечных состояний, С? -множество наблюдаемых состояний, Р - множество действий;

требуется найти план - упорядоченное множество действий Р = ..., Г„>, (0 э (Р), такое, что суперпозиция функций перехода

[(...ад(Ч1)))]э[0],при(Ч,)э1.

Проблема планирования действий решающей системы имеет некоторый опыт своего решения: методы поиска. Любой шаг поиска реализуется через работу двух механизмов - генератора, способного породить все возможные решения, и механизма проверки текущего решения на соответствие его поставленной задаче.

Все действия, предусмотренные механизмами генерации и проверки, реализуются некоторой решающей системой. Но всякая решающая система функционирует в соответствующей среде. Некоторые из методов поиска практически не взаимодействуют со средой: они основаны на концепции всезнайства. Другие методы взаимодействуют со средой, обеспечивая распознавание текущей ситуации (2 и распознавание реакции среды на результат текущего шага поиска. Распознавание реакции среды используется системой либо для продолжения поиска в принятом направлении, либо для возврата на предыдущий шаг поиска.

Взаимодействие шагов поиска в общем случае осуществляется по состоянию среды, когда некоторый шаг поиска либо не инициируется, либо результаты его работы исключаются из общего результата. В этой связи реализацию всех действий,

предусмотренных шагом поиска, можно рассматривать в рамках обособленной (изолированной) решающей системы. Тогда вопрос об инициации шага поиска или анализа его результатов, а также вопросы взаимодействия шагов поиска сводятся к вопросам взаимодействия изолированных решающих систем не только друг с другом, но и с другими элементами среды их функционирования:

(I), Б; Р; ЕСЛИ (условие) ТО (действие); N.

Таким образом, на шаге поиска должны (1) опознаваться и означиваться начальные или конечные состояния в зависимости от направления поиска, (2) порождаться дочерние состояния, (3) опознаваться конечные состояния, (4) опознаваться реакция среды по результатам поиска, (5) по реакции среды изменяться достоверность шага поиска при заданных условиях. Если решающая система располагает дополнительной априорной информацией для планирования своих действий, то соответствующие методы планирования - направленные методы поиска. Направленные методы поиска различаются по объёму априорной информации, используемой ими для сужения пространства поиска. Чем больший объём априорной информации используется решающей системой при планировании своих действий, тем более сложные задачи она способна решать [30 - 33]. Если к текущему состоянию не применим ни одни из заданных операторов, то возникает терминальное состояние. Возникновение терминального состояния свидетельствует о том, что цель поставлена некорректно или система, осуществляющая это порождение, не располагает достаточным знанием Р. Конечно, можно исходит из того, что в среде не могут возникать не корректные цели: всякое поведение среды является естественным. Тогда сформулированная ситуация в может означать только одно - недостаточность знаний в системе, отсутствие которого не позволяет системе определить свою адекватную реакцию. Даже, если пользователь, являющийся элементом среды, ошибается, то система должна быть способной распознать его ошибку, воздействовать соответствующим образом на пользователя и тем самым изменить ситуацию. Таким образом, рассматриваемая ситуация - проявление конечности знаний решающей системы.

Вопрос о координации действий автономных решающих систем имеет некоторый опыт своего решения: организационное структурирование, мультиагентное планирование, метауровневый информационный обмен [16].

Организационные структуры нацеливают процесс координации на многоуровневое решение задач сообществом, точно определяя роль каждого члена сообщества. Этот подход к координации включает два конкурирующих действия: конструирование и выполнение организационной структуры, и непрерывное её совершенствование с точным указанием локальных знаний и управления для каждого члена сообщества.

При метауровневом информационном обмене (метауровневая информация ~ управляющая информация о текущих приоритетах и фокусе внимания решателя) члены сообщества строят общий план, участвуя в нём своими локальными планами, и решая тем самым проблему координации. Эти частичные планы (PGPs) изменяются членами сообщества путём построения планов своих адекватных действий. В этих планах указываются, какие цели будут преследоваться, в каком порядке, какие результаты будут получены, и как долго каждая цель будет преследоваться. Затем идентифицируются те соседи, чьи PGPs и цели являются частью общей цели коллектива. Если такое согласование локальных планов обнаружено, то формируется единый PGP, представляющий собой единый взгляд на действия коллектива. Обмен мета уровневой информацией эффективен только тогда, когда имеется точная информация: если член коллектива преследует ошибочное обязательство, то ошибочная информация распространится среди всех членов коллектива.

При мультиагентном планировании в целях координации члены коллектива формируют мультиагентный план, который определяет их будущие действия и взаимодействия по достижению конкретной цели. Он детализируется до начала поиска каждым членом коллектива, включённым в решение исходной задачи. Мультиагентное планирование отличается от других подходов по уровню подробности, с которой он определяет действия каждого члена коллектива. Столь подробное описание поведения членов коллектива предъявляется достаточно жёсткими требованиями ко времени выполнения мультиагентаого плана, поскольку все необходимые цели члены коллектива должны достигнуть без получения информации о реальном состоянии среды.

Рассмотренные методы планирования могут быть реализованы на основе как децентрализованного подхода, так и централизованного подход, так и на основе их сочетания. При распределенном планировании план создается несколькими членами коллектива предоставлением друг другу, например, узлов стыковки с использованием явно определенных синхронизирующих примитивов. При централизованном подходе индивидуальные

планы создаются раздельно, а затем отправляются в центральный Координатор, который вставляет коммуникационные команды в индивидуальные планы, что и позволяет членам коллектива синхронизировать свою работу.

Следует указать, что теория и практика особенно децентрализованного подхода к планированию в распределённых средах подхода переживает период становления. Модель гибридного агента не содержит обоснования процессов планирования и взаимодействия со средой. Из моделей агентов не следует на решение каких подзадач исходной задачи они ориентированы.

В настоящем исследовании получена функциональная модель простейшей решающей системы второго рода.

В третьей главе задача формулируется в виде тройки 3 = < К, Ка, Кх>. Модели актуального и требуемого состояний оригинала (Ка, К,) заданы априори. Они заданы как совокупность ограничений и допущений для описания текущей ситуации и реакция решающей системы, определяющими эталоны всех возможных воздействий среды на решающую систему и эталоны всех реакций системы на определенный класс воздействий среды.

Способ решения задач решающими системами второго рода - это некоторый метод поиска. Методы поиска можно разделить на одношаговый поиск и многошаговые методы поиска. Тогда задачи решающих систем второго рода можно упорядочить от простых задач до сложных в зависимости от требуемого для их решения числа шагов поиска.

Под простыми задачами решающих систем второго рода будем далее понимать такие задачи, решение которых находится методом одношагового поиска [34].

Очевидно, что решение простой задачи описывается продукцией: (I), Б; Р; ЕСЛИ (условие) ТО (действие); N. Тогда решающая система, рассмотренная выше и реализующая решение простой задачи, является простейшей решающей системой второго рода. Для простых задач характерно наличие параметрической и функционально-структурной неопределенностей, которые могут быть допущены при их формулировке.

Наличие других видов неопределенностей в формулировке задачи (неопределенность по статической структуре, неопределенность по оригиналу (по границе раздела оригинала и его среды), неопределенность по целям исследования) и необходимость поиска длинной более одного шага свидетельствует о том, что исходная задача является сложной.

Процесс редукции сложной задачи, т.е. ее представление в виде упорядоченной совокупности простых задач, может быть задан

априори только неявно, поскольку при явном задании дерева целей устраняются априори все виды неопределенностей, исключая параметрическую и функционально-структурную неопределенности.

Продукция, описывающая решение простой задачи, представляет собой связную совокупность простейших актов опознавания (предусловие, ядро продукции, постусловие), которые мс^гут рассматриваться как типовые задачи опознавания Н.Г. Загоруйко [17]. Однако концепция типовых задач - концепция «всезнайства»: 1) всякий предъявленный для классификации объект будет отнесен к одному из априори известных классов; 2) найти решающее правило, если известны алфавит Б = в] ,з2,...,зк (имена классов), набор признаков X = Х|, х2, ..., хп (признаковое пространство), представители разных классов Э = Э|, Эг, --., э^; 3) найти признаковое пространство, если известны алфавит Б = Б], Бг, ..., зк, решающее правило и = 6], ¿2,с!т, представители классов Э = э], э2,..., э*.

Конечность знаний обуславливает, что число, состав и область определения признаков и структурированность признакового пространства (8 = 3! .вг,...,^ (имена классов) и представители разных классов Э = Эь э2, ..., э^) являются предметом сопутствующих задач простейшей решающей системы. Например, развитие структуры признакового пространства решающей системы может осуществиться при решении следующей задачи: если задан некоторый критерий компактности, заданы признаковое пространство и совокупность классов своими представителями, то всякий объект относится к некоторому кластеру если

расстояние до представителя этого кластера текущего объекта удовлетворяет критерию компактности ЕСЛИ (|Х, — ХсР| < е), ТО

ИНАЧЕ (обучение по прецеденту или выборочным данным).

Предъявленный для классификации объект может попасть в неизвестную системе область пространства признаков, которую далее будем называть «фоном» [24].

Таким образом, решение простых задач базируется на «е-непересекаемости» в признаковом пространстве образов опознаваемых объектов. При этом раскрытие и описание содержания каждого класса объектов остаются вне указанных задач. Значение меры близости образов в пространстве свойств (значение критерия компактности) определяется на основе экспертного знания.

Различение качественно разнородных объектов (распознавание структуры объекта) - это различение самих признаковых описаний. Качественно различные объекты имеют различные признаковые описания. Поэтому для их распознавания строятся различные классификаторы.

Исследование структуры оригинала можно рассматривать как одношаговый акт распознавания, если иметь целью исследования описание максимально укрупненной структуры оригинала: двухуровневое дерево, корнем которого является признаковое описание оригинала, а листья дерева - индивидуальные признаковые описания укрупненных элементов оригинала.

Если в качестве оригинала рассматривать формулировку некоторой цели, то возникает известная проблема редукции. Ее одношаговое решение представляет собой простейший акт распознавания, для исполнения которого необходимо априорное задание типовой структуры оригинала. В результате исполнения одношаговой редукции исходной цели указываются структура цели и индивидуальные признаковые описания ее подцелей.

Сформулируем понятие агента системы анализа изображений [34]: агент — это простейшая решающая система второго рода.

Сформулированный агент обладает свойством

порождаться/уничтожаться средой, если для этого в ней возникают соответствующие условия. Агент способен к восприятию части среды (среды агента), может общаться с другими агентами, принадлежащими его среде (соседи). Агент обладает автономным поведением, являющимся следствием его наблюдений, знаний и взаимодействий с соседями. Агент, обеспечивая решение своей задачи, участвует в корпоративном решении сложной задачи, решение которой не может быть получено отдельным агентом.

Среда агента во взаимодействии своих элементов представляет собой единое целое. Сам агент является частью этой среды. Агент должен функционировать в соответствии с закономерностями среды на основе ее адекватного отражения, т. е. все взаимодействия среды и агента взаимозависимы, они не могут рассматриваться отдельно друг от друга. Среда всякого агента уникальна.

На рис. 2 изображена структура среды некоторого агента системы анализа изображений [35]. В необходимое и достаточное окружение агента входят: 1) объект исследования (ОИ) - совокупность денотатов (предметная область); 2) множество знаков внешней знаковой системы, посредством которых агент информируется о состоянии исследуемого объекта (Изображение); 3) пользователь системы (КП); 4) сам агент; 5) язык, как средство коммуникации пользователя и агента; 6) физические объекты, посредством которых передаются сообщения пользователя и агента, соседей и знаки внешней знаковой системы; 7) пользователь и система как единое целое, образуемое в процессе решения исходной задачи, 8) языковые средства коммуникации агента с соседями.

Рис. 2. Структура среды агента.

Уникальность среды агента проявляется в следующем: а) всякий агент имеет уникальный оригинал. Оригинал всякого агента представляет лишь часть оригинала системы анализа изображений. Оригинал агента находится в отношении «часть - целое» с оригиналом надсистемы; б) всякий агент имеет уникальную внешнюю знаковую систему (агент ориентирован на анализ только отдельного фрагмента изображения); в) всякий агент имеет «своего» пользователя как потребителя результатов его уникальной деятельности; г) всякий агент имеет уникальное средство взаимодействия с пользователем, поскольку уникальны предмет исследования, внешняя знаковая система, т. е. все элементы среды агента, по поводу содержания которых могут взаимодействовать пользователь и его агент; д) уникальны соседи.

Таким образом, среда всякого агента системы анализа изображений имеет однотипную структуру, но уникальна по содержанию ее элементов. Отсюда следует, что все агенты имеют однотипную структуру (рис. 3), но уникальные знания.

Поведение агента описывается приведенной выше обобщенной продукцией. Однако обобщенный алгоритм взаимодействия агента со средой формулируется следующим образом [35]: 1) Агент активизируется средой, при этом он переводится на работу с пространством целей. Он сравнивает описание текущей ситуации Б с описанием типовой ситуации. В зависимости от меры совпадения описаний агент активируется, переходит в пассивное состояние или передает решение вопроса об его активации надсистеме, которая либо переводит агент в активное состояние, либо - в пассивное состояние, если находит «лучшего» агента. Если агент уже находится активном состоянии и переключен в режим обобщения данных, то описание текущей ситуации также сравнивается с

типовой. Если предусловие — false, то осуществляется переход на шаг 3, а текущая подцель остается текущей.

2) Ядро продукции выполняется только для случая предусловие -true. Во взаимодействии со средой агент означивает признаковое описание текущей ситуации. Область определения признакового пространства агента корректируется, если значения признаков текущей ситуации не удовлетворяют ей. Если означенный вектор признаков текущей ситуации попал в «фон», то формируется новый кластер с определением для него типовой структуры или обобщения во взаимодействии со средой. Если размерность признакового описания текущей ситуации выше размерности признакового пространства агента, то размерность признакового пространства агента увеличивается. Если эта размерность ниже, то новое описание текущей цели передается среде. Заключение продукции -классификация текущей ситуации как типовой с заданным именем (операция обобщения) или с заданной структурой (операция ограничения).

3) Если агент включен на работу с пространством целей, то по структуре преследуемой цели формируется текущая подцель и осуществляется поиск и активация нижележащего соседа релевантного признаковому описанию текущей подцели. Если релевантный текущей подцели нижележащий сосед не находится (повторный поиск для текущей подцели не осуществляется), то по признаковому описанию текущей подцели порождается требуемый сосед. В обоих случаях агент переходит в режим обобщения данных и ожидания реакции среды (активированного соседа).

Пользователь

Рис. 3. Структура агента.

Одним из элементов среды коллектива агентов является анализируемое изображение. Структура всякого изображения представляет собой дерево, в котором выделяется пять уровней

знаков: уровни пикселов Р, «примитивов» (непроизводных элементов) W, семантически значимых сегментов Я, классов сегментов К, «тематических карт» Т [36].

Структура уровня пикселов есть дискретная решетка, на которой заданы отношение соседства и семейство функций, характеризующих свойства локальной окрестности пикселя (признаки) и его координаты.

На уровне примитивов изображение описывается множеством примитивов АУ, на задается семейство функций и

отношений соседства Семейство функций Р,(\у,-),

характеризующее примитив как единое целое, - среднее значение иконических признаков, по которым пикселы объединены в примитив; разброс свойств пикселов, образующих примитив; размер примитива; положение примитива на плоскости изображения. Отношение соседства на примитивах - соседство внешних границ областей. Примитив как знак имеет внутреннюю структуру, которая определяет иерархическую связь соответствующих пикселов и примитива. Примитив как знак обозначает самого себя.

На уровне сегментов изображение - множество сегментов Б, на котором задано семейство функций Р(з,) и отношений соседства а также множество семантических предикатов, каждый из который указывает на наличие, либо отсутствие у сегмента определённой метки. Р(з,) делится на два вида функций. Функции первого вида характеризуют форму, размер, текстуру и местоположение сегментов. Функции первого вида - площадь, периметр, эквивалентный диаметр, диаметры Фере, диаметры Мартина, проекция на прямую в заданному направлении, отношение толщины, компактность, выпуклость, неравноосность, контуры Фримэна, пси-эс-кривая, спектр Фурье от кривизны функции кривой и др. Второй вид функций Р(.ч,) характеризует структурные свойства сегмента:

^^„{ЬьГ'МЫ*2^.

Приведенная модель описывает не только структуру сегмента, но и дерево соподчинения свойств сегмента, располагающихся по вертикали и горизонталям дерева.

Многосвязную область изображения, имеющую в своем составе п > 1 сегментов и характеризующуюся семантической меткой, будем называть классом сегментов.

Представление изображения текстом уровня К есть множество классов сегментов, на котором задано семейство функций Р(1а) и отношений соседства <У, принадлежащих К х К, а также множество семантических предикатов. Р(й) разделяется на два типа:

интегральные характеристики значений соответствующих функций ^'(81), измеренных на сегментах - элементах класса сегментов (средний вектор значений признаков, разброс значений признаков, усредненное значение признаков форм); признаки формы обобщенной площади класса сегментов (часть изображения, границей которой является огибающая внешних сегментов класса). Сегменты одного класса не могут быть соседями, т. е. иметь общие граничные элементы. Расположение сегментов класса на поле изображения может быть компактным, вытянутым около некоторой прямой/кривой, равномерным/неравномерным в пределах всей плоскости изображения. Обобщенные площади двух классов могут не пересекаться, пересекаться, совпадать, одна площадь может являться часть другой. С каждым классом сегментов связана структурная модель приведенного выше вида.

Итак, представление изображений на уровне классов сегментов есть множество классов сегментов, на котором задано семейство отношений соседства, семейство функций, характеризующих интегральные характеристики класса сегментов, размер, форму и координаты класса сегментов, а также множество семантических предикатов и отношений.

Множество классов сегментов с заданным на нем множеством отношений соседства 4] будем называть картой. Карта как знак описывает синтаксис изображения. Тогда множество карт, на котором заданы семейство функций Р(^) и отношений соседства Я описывает некоторый класс изображений. Семейство функций Б(^) разделяется на два вида: интегральные характеристики значений соответствующих функций уровня карт. Функции второго вида характеризуют временное, пространственное, спектрозональное, масштабное и т.п. взаимодействие анализируемых изображений; множество изображений, которые должны быть привлечены для решения исходной задачи. Представление изображения в виде карты влечет за собой иерархически упорядоченную совокупность его представлений на всех предшествующих уровнях.

Таким образом, определены понятие агента системы анализа изображений, состав среды агента, его функциональная и структурная модели, схема взаимодействия со средой, точки обучения агента, операции модификации и порождения агента, состав знаний агента, состав и структура описания анализируемого изображения.

В четвертой главе анализируется формирование коллектива агентов (возникающей структуры) на примере получения картосхемы по космофотоснимкам Приполярного Урала.

Первоначальное (априорное) состояние системы анализа изображений - корневой агент типовой структуры. Знание агента -признаковое пространство целей. Общий агентный ресурс -процедурное описание признаков элементов изображения, упорядоченное по четырём уровням: иконические признаки (X,1), геометрические признаки примитивов (X,2), геометрические признаки сегментов (X,3), геометрические признаки классов сегментов (Х*).

Описание текущей глобальной цели формируется корневым агентом в диалоге с пользователя путём заполнения пользователем «формы», вопросы которой — наименование осей пространства целей агента. Итогом взаимодействия агента с пользователем являются вектор текущей цели и компактность его свойств: кластер в пространстве целей корневого агента (прецедентное обучение). При этом область определения признакового пространства определяется разбросом свойств сформированного кластера. Структура текущей глобальной цели формируется пользователем путем задания обучающих выборок (рис. 4). Поскольку данные обучающих выборок не позволяют непосредственно сформировать пространство обобщения корневого агента и описание подцелей текущей глобальной цели, то корневой агент инициирует порождение агента уровня примитивов с пространством обобщения, задаваемым обучающей выборкой. Область определения пространства также определяется по выборочным данным.

2. Агент уровня примитивов по данным обучающей выборки формирует своё пространство обобщения [36,37]:

1. Вычислить исходное признаковое пространство X,1 (иконические признаки);

2. Декоррелировать пространство Х!1 поворотом осей пространства (метод главных компонент) до получения некоррелированной системы признаков, обеспечивающей монотонное убывание информативности признаков после их упорядочения, что, в свою очередь, позволяет выбрать простое решающее правило.

3. Данные, полученные при вычислении пространства X,', являются исходными при вычислении ковариационной матрицы и преобразования Карунена-Лоэва. Диагональный элемент ковариационной матрицы, вычисляемой по всему множеству признаков, равен дисперсии значения признака по всем точкам изображения. Ковариационная матрица приводится к диагональному виду, для чего из А'ФА = А вычисляется матрица А преобразования координат. В этом уравнении А состоит из собственных значений исходной ковариационной матрицы:

л =

я, О я,

О X,

В преобразованном пространстве ковариационная матрица имеет диагональный вид

Фк = Л'ФЛ = Л

4. Признаковое описание искомого класса сегментов - это минимальный набор признаков декоррелированного признакового пространства, который является наилучшим в смысле разделения искомого класса сегментов от «всего остального» (от фона). Этот набор признаков можно сформировать путем последовательного привлечения наилучших в смысле разделения искомого класса сегментов от «всего остального» признаков. Из двух признаков Х„ Хр будем считать лучшим тот (более информативным), который обеспечивает меньшую ошибку классификации (разделения искомого класса от фона). Под ошибкой классификации будем далее понимать сумму ошибок первого и второго рода, точная верхняя граница которых по некоторому X, для известных нормальных распределений равна обратной величине однократного расстояния Бхаттачариа. Тогда признаки декоррелированной системы признаков могут быть упорядочены в соответствии с расстоянием Бхаттачариа: наиболее информативен тот признак, для которого расстояние Бхаттачариа больше.

5. Найденное признаковое пространство рассматривается как пространство обобщения текущего агента с областью определения, задаваемой компактностью элементов обучающей выборки, поскольку выборка задаёт локальные свойства всех элементов изображения искомого класса сегментов. С другой стороны, ясно, что и компактность свойств и множество признаков на уровне класса сегментов являются обобщением компактности и свойств примитивов. Поэтому возникшее рассогласование устраняется впоследствии при модификации текущего агента.

6. В режиме сканирования текущий агент отображает в пространство обобщения те пиксели изображения, которые удовлетворяют ограничениям обучающей выборки. Далее данные в пространстве обобщения текущего агента кластеризуются алгоритмом ЗОБАТА при неизвестном априори числе классов. Из сформировавшихся кластеров выделяются (остальные данные удаляются) такие кластеры, число элементов которых не менее 5-10, которые не пересекаются с другими кластерами. Наличие пересекающихся

кластеров означает, что рассматриваемая система признаков не является информативной для их е-разделимости. Оставшиеся элементы изображения, обладающие свойствами элементов обучающей выборки, далее рассматриваются в качестве вторичной обучающей выборки, если она является представительной. По вторичной обучающей выборке порождается очередной агент уровня примитивов уже указанным образом.

Рис. 4. Изображение выборочных данных

7. Данные, описываемые кластерами пространства обобщения текущего агента, отображаются на поле изображения (Рис.5.), на котором прослеживается их связность. На полученных примитивах вычисляются X2. Причём ищется уже описанным выше способом такое подмножество X,2, которое обеспечивает формирование в пространстве целей текущего агента всех его обобщений: примитивы, образующие один сегмент, в пространстве обобщения текущего агента образуют, естественно, один кластер, а примитивы

разных сегментов — разные кластеры. Следовательно, с примитивами одного сегмента в пространстве целей текущего агента должна быть связана одна типовая цель. Таким образом, пространство целей (вектор признаков, область определения и структура) текущего агента сформировано.

8. После завершения работы текущего агента порождается агент уровня сегментов. Цель порождения агента - сформировать 1. пространство обобщения (подмножество для X,2, область определения, структуру), 2. пространство целей (подмножество для X,, область определения пространства, структуру пространства, дерево подцелей для каждой типовой цели), 3. связь каждой типовой цели с соответствующим кластером пространства обобщения.

Ситуация с достижением целей порождения агента схожа с ситуацией порождения агента уровня примитивов: по описаниям откликов агента уровня примитивов формируются пространство обобщения текущего агента и его структура (Рис.6.) и пространство целей текущего агента со структурой, тождественной структуре пространства обобщения. Причём по известной структуре полученных сегментов формируются типовые подцели пространства целей текущего агента с соответствующим описанием каждой подцели.

Аналогично порождаются агенты уровня класса сегментов. Таким образом, в восходящем анализе данных сформированы агенты всех уровней анализа изображения, достаточные для преследования сформулированной пользователем глобальной цели. На рис. 7. представлена картосхема с искомыми сегментами пяти классов. В табл. 1 - 3 приведено количественное описание сформированного дерева целей.

Таким образом, свойства агента системы анализа изображений обуславливают неявное задание дерева целей, они задают гетерархическую схему взаимодействия агентов. Операции модификации, уничтожения и порождения агентов обеспечивают формирование начального коллектива агентов, адекватного решаемым задачам. При решении конкретной задачи формируется коллектив агентов, ориентированного не решение заданного типа задач. Для возникающей структуры характерны только параметрическая и функционально-структурная неопределенности. Память возникающих структур позволяет накапливать соответствующий эмпирический опыт.

Рис. 5. Примитивы со свойствами сегментов третьего класса.

Рис, 6. Сегменты третьего класса.

Рис. 7. Сегменты всех пяти классов.

Таблица 1.

№ класса признак 1 2 3 4 5

1 канал 65-72 66-74 67-74 69-76 70-81

2 канал 21-24 21-24 23-2« 23-27 24-28

3 канал 18-24 20-24 20-25 23-27 25-31

4 канал 48-66 56-68 63-85 59-71 48-65

5 канал 43-62 45-43 57-68 66-75 72-81

б канал 108-114 112-116 112-116 117-121 119-123

7 канал 13-25 15-25 17-29 21-31 26-39

УагЗ 0.5-2386 0.782-3.082 1.054-2.789 0.78-2.6 0.67-3.46

Уаг5 1.038-1.972 1.091-2.378 1.248-2.722 1.1-2Л4 1.58-4.3

Уаг7 1.218-2.253 1.258-2.023 1.737-4383 1.5-4.16 2.74-4.58

8ке»пе»53 -1.071-2.942 -1.5-3.491 -1.244-3.05 -1.78-3 -0.78-3.2

5кежпем5 -0.727-2.04 -0.403-3.241 -0.687-2.75 -13-2.23 -032-4.6

вкежпеи? -0.743-1.754 -0.387-2.648 -0.28-10.91 0.1-10.64 0.05-4.2

Таблица 2.

№ класса признак 1 2 3 4 5

Площадь 10705 4140 13834 10794 1205

Периметр 1439 820 586 730 312

Выпуклый периметр 738 576 522 574 260

Мня. диаметр 157 123 138 121 63

Макс. Диаметр 298 242 189 229 99

Фактор формы 0.065 0.077 0.51 0.25 0.17

Анизотропия 1.9 г 1.4 1.9 1.6

Неровность края 1.9 1.4 1.1 13 1.2

Таблица 3.

Признак № цели Площадь Периметр Выпуклый периметр Мин.л. Макс, д.

1.1. 4 8 7,144 2 2,414

1.2. 30-37 26,243-29,071 23,06-25,16 5,243-10,732 8,612-9,601

1.3. 46-47 35,657-37314 31,096-38,836 13,026-13,955 11,294-15,758

1.4. 62-72 41314-44,728 44,7 18,49-20,647

1.5. 90-99 47,9-65,56 48,073-48,97 28,458-2939

1.6. 118 78,63 54,09

1.7. 139 86,04 65,16

1.8. 18« 953 70,6

2.1. 6 10 9,14359 2 3,23523

2.2. 28-78 26,2426445,55635 23,1301836,91467 532918-6 8,6120113,04149

2.3. 125-164 7238477-77,2132 50,836358,09695 8,07107-14 18,262682238208

3.1. 1 4 3,14 1

3.2. 18-22 20,243 18,45 3363 1

3.3. 28-30 26,728 21,86-24,8 15,14-18,63 6383

3.4. 43-49 29,9-30,49 28-31,1 33,2 8,61-14,15

3.5. 64 33-35,9 37,8 42,4 27,47-30,19

3.6. 160-206 48,63 68,6-81,91 49,03 54,2-57,6

3.7. 842 1013-112,7 145,7 74,6

3.8. 1251 229,5-243,4 158,4

3.9. 1555 480,6 194

4.1. 1-3 4-8 3,1436 1-2 1-4,161

4.2. 6-8 10,8284-12 5,1435911,14359 3,90149,69333 5,47047-63825

4.3. 14-24 20,4853-29,8995 16,27152737282 11,927412,86718 8,0673-10,4282

4.4. 34-41 41,5564 393371349,04934 16,2240218,71483

4.5. 55-60 46,9706-53,799 55,753 22,9203

4.6. 81-116 75,1127-92,7696 703935 313412

5.1. 1-2 4 3,144 1 1-2

5.2. 7-11 6 5,144 1,596-1,632 5,123-7,4

53. 21 12,828-20,485 11,796-18,954 1,725-1,837 9,062

5.4. 27 26,142 20,036 2-2,222 13,165

5.5. 33 38385 32,188 2361

В пятой главе даются результаты исследований по проверке работоспособности предложенного подхода к анализу металлографических изображений. В качестве исходных использованы изображения фазового состава отливок различных деформируемых алюминиевых сплавов в литом состоянии: 2007, Амг2, АмгЗ, Амгб. Образцы для анализа были вырезаны из центральной части слитков и подвергнуты обработке с целью выявления фазового состава. На изображениях представлены три компоненты сплава: а-твердый раствор, монотектика свинца, эвтектика, включающая следующие упрочняющие и нерастворимые фазы: СиА12, Б (А12СиМв), а (АШеБО, Т (А1СиМп).

Металлографическому анализу подлежат монотектика свинца в1 и

эвтектика в2. На изображении могут быть представлены а-твердый раствор, интерметаллидная фаза, эвтектика или первичные интерметаллиды А1Мп (б5), принявшие в данном случае форму серых многоугольников с черным окаймлением и эвтектика М&в! (я^. На изображениях также могут быть представлены четыре компоненты сплава: а-твердый раствор, фазы А1Ре81, А13Г^2, А1бРеМп. Все изображения получены с помощью светового микроскопа >Ш-2Е при увеличении 1 х 200. Для каждого сплава было подготовлено 5 образцов. Металлографический анализ отдельного образца производился по 8 полям зрения.

Целью количественного металлографического анализа данных изображений является идентификация указанных выше фаз [38]. На рис. 8,9 представлены примеры исходных для анализа изображений. Изображения рассматриваемого класса не являются текстурными, поэтому были сформированы модели примитивов - области с модой яркости вычисляемой на окрестности 3x3 и унарными отношениями на пикселах: - "быть черным", ао - "быть белым", а2 -"быть серым " а3 "быть светло-серым", а4 "быть темно-серым", аю "иметь высокий градиент". Таким образом, алфавит пятен - \Уо = < Р , { ао , а]00 } >, = < Р, { а,, а,оо } >, = < Р , { а2, а100 } >, = < Р, { а3, а100} >, = < Р, { Э4, аюо } >, w,o = < Р, {а10,а10о} >•

Рис. 8. Изображения фазового состава микроструктуры сплава 2007.

Анализ показал, что форма любого из сегментов в, описывается комбинацией признаков: "равноосная область", "полигон", "выпуклая область", "тонкая область", "точечная область", "область яркости М". Структурные модели сегментов металлографических изображений, описывается следующими обобщенными классами: вырожденная модель структуры, модель состава, реляционная модель структуры.

Рис. 9. Изображение фазового состава микроструктуры сплава Амг2.

Схема поиска при анализе металлографических изображений может быть представлена следующим образом:

На первом этапе для множества пикселов Р = {р,} исходного изображения осуществляется поиск разбиения

Р = 1(Р, 1

Результат первого этапа - множество пятен W = {Wi}.

При отклонении от модели изображений с матричной структурой возникали ситуации поиска разбиения результата 1-го этапа

где Ww - исходный материал для дальнейшего восходящего поиска, множество пятен Wd - нисходящий поиск.

Задача второго этапа - осуществление разбиения множества Р*1^ пикселов, входящего в

Р(^ = Р0иРс

Рг - множество пикселов, не соответствующих модельному описанию. По сути второй этап поиска реализует по отношению к первому этапу обратную связь, позволяющую в конечном итоге сформировать множество соответствующее изображению без отклонений от модели матричной структуры (\У<| = 0, \УЖ = Задача этапа 3 - поиск разбиения множества W и установление в соответствие каждому ограничений (признаков

соответствующего в,):

Для элементов разбиения 1 * £ которым на рассматриваемом этапе не соотнесены соответствующие дальнейший поиск осуществляется последовательно, в отдельности для каждого элемента разбиения начиная с этапа 4. Этап 4 выполняется для выделенного множества пикселов Отличие этапа 5 от третьего этапа состоит в том, что поиск сводится к выбору адекватной модели из имеющегося набора. Поиск на этапе 6 инициируется, если для текущей ситуации не удается найти соответствующую модель сегмента. Если поиск возможен на уровне пятен, то вернуться к этапу (5) с новыми данными. В противном случае необходимо вернуться на уровень пикселов (этап 7).

На рис. 10 показано задание обучающих выборок. По завершении обучения осуществлен контрольный металлографический анализ с использованием сформированных моделей. Результирующая сегментация изображения показана на рис. 11. В процессе проведения анализа были зафиксированы ошибки второго и первого рода, проявившиеся соответственно: а) в отказе системы от самостоятельной классификации отдельных сегментов; б) в ошибочном присвоении сегменту метки. Первая ситуация разрешается за счет обучения агента уровня сегментов. Вторая ситуация возникает за счет принятия ошибочных решений по расположению решающих интервалов на стадии обучения системы. Данная ситуация, возникшая при анализе изображений сплавов АМгЗ и АМгб, была устранена за счет проведения дообучения путем предъявления ей в качестве обучающей выборки результатов интерактивной корректировки сегментов на сегментной картине с последующей интерактивной корректировкой интервалов по признакам.

■

либо:

Исследование мультиагентного подхода к анализу металлографических изображений показал адекватность предложенного подхода к новому классу задач. При этом были сформированы новые модели примитивов и сегментов, определена возможность ведения диалога с конечным пользователем не только на уровне классов сегментов, но и на уровне сегментов. Формируемые описания на уровне классов сегментов явились новыми результатами для природоведов.

Рис. 10. Сплав АМГ2. Обучающие выборки для в7 - Б9 (граничные

элементы).

Основные результаты диссертационной работы

Таким образом, для реализации поставленных целей было выполнено следующее.

1. Определены агент, среда агента, агентные задачи. Отличительной особенностью агента системы анализа изображений является то, что агент — это решающая система второго рода, ориентированная на решение простых задач, то есть таких задач, решение которых находит методом одношагового поиска, функциональная модель которого определена в настоящей работе. Все агентные задачи (воздействие на среду, определение реакции среды, коммуникация,

планирование) являются простыми задачами, с одной стороны, а, с другой стороны, они являются задачей классификации, но формулировка и способы её решения в настоящей работе построены на концепции конечности знаний агента.

Определён состав среды агента и содержание каждого её элемента. Определены уникальность и общность агентов системы анализа изображений и агентных сред.

2. Определены на основе концепции о конечности знаний агента задачи модификации и порождения агента системы анализа изображений. Разработаны методы решения сформулированных задач, причём, как для случая обобщения данных, так и для случая ограничения (редукция исходной задачи).

3. На основе обобщённой продукции Поста сформулирована функциональная модель агента системы анализа изображений, в развитии которой предложена алгоритмическая модель агента, определяющая все взаимодействия агента со средой. Определена статическая структура агента, которая описывает все компоненты статической модели агента и порядок их взаимодействия.

4. Определён состав среды коллектива агентов и содержание каждого элемента среды. Определено полное иерархическое описание анализируемых изображений как одного из элементов среды коллектива агентов. Другой особенностью полного описания анализируемых изображений состоит в определении феноменологического описания для уровней класса сегментов и тематических карт. Определены также методы формирования феноменологического описания для уровня класса сегментов, тематических карт и полного описания анализируемых изображений.

5. Сформулировано понятие возникающей структуры, исследованы основные ее свойства. Определена схема взаимодействия агентов в коллективе на основе сочетания иерархического и гетерархического взаимодействий агентов.

6. Разработанный подход позволяет не только существенно повысить качество анализа сложных изображений, но открывает возможность решать более сложные задачи анализа изображений и накапливать экспертный опыт в виде возникающих структур;

7. Создан программно-методический комплекс, позволяющий сформировать мультиагентную систему анализа сложных изображений, ориентированную на решение задач заданной проблемной области.

Литература

1. Денисов Д.А., Дудкин А.К., Пяткин В.П. Цифровой анализ изображений (Методы описания геометрических структур). Новосибирск, 1987. 54 с. (Препринт/ ВЦ СО РАН; № 747).

2. Сираи И. Анализ массивов интенсивности с использованием знаний о сценах// Психология машинного зрения/ Под ред. П. Уинстона: пер. с англ. М.: Мир, 1978. С. 112 - 136.

3. Гладун В.П. Планирование решений. Киев: Науко думка, 1987. 168 с.

4. Попов Э.В. Экспертные системы. М.: Наука, 1987. 284 с.

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

6. Fikes R.E., Nilsson N. STRIPS: A new approach to the application of theorem proving to problem solving// Artificial Intelligence. 1971. V. 5 (2). P. 189-208.

7. Wood S. Planning and Decision Making in Dynamic Domains. Ellis Horrid. NY, 1993.96 c.

8. Ambros-Ingerson J., Steel S. Integrating planning, execution and monitoring// Proceedings of the Seventh National Conference on Artificial Intelligence (AAAI-88). St. Paul, MN, 1988. P. 83 - 88.

9. Etzioni O., Lesh N., Segal R. Building softbots for UNIX/ Software Agents - Papers from the 1994 Spring Simposium (Technical Report SS-94-03). AAAI Press, 1994. P. 9 - 16.

10.Cohen P.R., Greenberg M.L., Howe A.E. Trial by fire: Understanding the design requirments for agents in complex environments // AI Magazine. 1989. V. 10 (3). P. 32 - 48.

11.Brooks R.A. Elephants don't play chess// Designing Autonomous Agents. MIT Press, 1990. P. 3 - 15.

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

13.Ахапкин C.B., Васильев C.B., Городецкий В.И., Станкевич Л.А. Футбол роботов - многоагентная среда для исследования группового поведения интеллектуальных роботов// Тр. X науч,-тех. конф. "Экстремальная робототехника", СПб.: изд-во СпбГТУ, 1999. С. 121 - 129.

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

15.Ferguson I .A. Touring Machines: An Architecture for Dynamic, Rational, Mobile Agents: PhD Thesis, Clare Hall, University of Cambridge, UK, 1992.

16.Jennings N. Commitments and conventions: The foundation of coordination in multi-agent systems// The Knowledge Engineering Review. 1994. V. 8, N 3. P. 223 - 250.

17.3агоруйко Н.Г. Методы распознавания и их применение. М.: Советское радио, 1972.206 с.

Работы автора по теме диссертации

18.Kharouk V.I., Winterberger К.С., Yahimovich А.Р., Tsibul'skii G.M. Pollution induced pretundra forest decline// Managing forests peoples needs. Proceedings. Anchorage, Alaska, 1994.

19.Винтербергер K.C., Харук В.И., Цибульский Г.М. Анализ техногенной деградации притундровых лесов по данным съёмки из космоса// Исследования Земли из космоса. 1995. № 4.

20.Харук В.И., Винтербергер К.С., Яхимович A.IL, Мороз С.Н., Цибульский Г.М.. Техногенное повреждение притундровых лесов Норильской долины// Экология. 1996. № 6 (ноябрь-декабрь).

21.Харук В. И., Кожуховская А. Г., Пестунов И. А., Рансон К. Дж., Цибульский Г. М. Съемка NOAA/AVHRR в мониторинге вспышек сибирского шелкопряда// Исследование земли из космоса. 2000. № 6.

22.Цибульский Г. М., Мелуа А. М. Исследование пространственных и спектральных характеристик пожаров по их изображению на космических снимках// В сб. докл. 1-го Всесоюзного совещания «Горение и пожары в лесу». Красноярск, 1978.

23.Цибульский Г. М., Захаржевская С. Г.. Выделение границ объектов, характеризуемых заданной совокупностью признаков// В сб. тезисов докладов региональной конференции «ОИДИ-81». Новосибирск, 1981.

24.Цибульский Г.М., Денисов Д.А., Харук В.И.. Интерактивная сегментация изображений// Исследование Земли из космоса. 1990. №4.

25.Цибульский Г.М., Вельский А.Е.. Комплекс ввода-вывода и предварительной обработки изображений // Аэрокосмические методы исследования сельскохозяйственных угодий. М.: Гидроиздат, 1986.

26.Цибульский Г.М. Интерфейс «Конечный пользователь-система обработки изображений»// Аэрокосмические методы исследования сельскохозяйственных угодий. М.; Гидроиздат, 1986.

27.Яричии Е.М., Цибульский Г.М., Бсспрозванпых JI.H. Мобильная стереосистема для дистанционного пространственного восприятия//Изв. Вузов. Приборостроение. 1990.№ 6. с.23-26.

28.Цибульский Г. М., Кевбрин М.В., Кутьин A.M. Экспертная система в области лесного мониторинга/ Проблемы создания систем обработки, анализа и понимания изображений// Сб. докл. Ташкент, 1991.

29.Проблемы информатизации региона труды: международной конференции / Отв. ред. Цибульский Г.М. КГТУ. Красноярск,

1996.

30.Maglinets Yu.A., Tsibul'skii G.M. Technology for acquiring knowledge of the syntax of metallographic images // Pattern Recognition and Image Analysis. 1998. V. 8, No. 3. P. 431 - 432.

31.Tsibul'skii G.M., Sirotin E. E. Combined search strategies in systems of analysis and interpretation// Ibid. V. 9, No. 2. 1999. P. 317 - 319.

32.Tsibul'skii G.M., Maglinets Yu.A. A combined retrieval system for controlling the analysis and interpreting the images of phase composition of deformed cast aluminum alloys // Ibid

33.Цибульский Г. M., Маглинец Ю. А. К проблеме классификации методов поиска при решении интеллектуальных задач// Вестник Красноярского государственного технического университета. Информатика, вычислительная техника, управление. Науч. труд. /Под ред. Рубана А.И., Вейсова Е.А. Красноярск: Изд-во КГТУ,

1997.Вып. 10.

34.Цибульский Г. М., Латынцев А. А. Агент и агентные задачи системы анализа изображений// Исследовано в России. 2005.

35.Цибульский Г. М. Взаимодействие агента системы анализа изображений со средой// Исследовано в России. 2005.

36.Цибульский Г. М. Мультиагентный подход к анализу изображений/ ВЦ СО РАН. Новосибирск, 2005. 256 с.

37.Цибульский Г. М., Латынцев А. А. Обучение агента системы анализа изображений// Исследовано в России. 2005.

38.Цибульский Г. М., Маглинец Ю.А.. Методика интерпретации металлографических изображений, основанная на знаниях// Материалы научно-технической конференции «Проблемы техники и технологий XXI века». Красноярск, 22-25 марта 1994.

РНБ Русский фонд

2005-4 42942

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

Усл. псч. л. 2,0 Тираж 100 экз. Заказ 57.

Отпечатано в ИПЦ КГТУ ,' ,

660074, Красноярск, ул. Киренского, 28 ' \

* ?

2 2 МАР

ь /

т

ВВЕДЕНИЕ

1. Представление видеоинформации, методы и системы анализа изображений

1.1. Представление изображений на уровне пикселов

1.2. Основные категории иконических признаков

1.3. Методы анализа текстур

1.3.1. Признаки текстур, основанные на измерении пространственных 0 частот

1.3.2. Одномерные признаки текстур, основанные на статистических характеристиках уровней интенсивности элементов разложения

1.3.3. Гистограммные признаки второго порядка. Признаки

Харалика

1.3.4. Признаки на основе обобщённых матриц совместного появления

1.3.5. Метод К-преобразований

1.3.6. Структурные методы описания текстур. Метод локальных экстремумов

1.3.7. Структурные методы описания текстур. Метод длин серий

1.4. Представление изображений на уровне сегментов

1.4.1. Классификация методов сегментации

1.4.2. Методы кластеризации

1.4.3. Наращивание областей 32 (# 1.4.4. Основные категории геометрических признаков.

Топологические и метрические признаки

1.4.5. Факторы формы

1.4.6. Параметрические описания

1.5. Системы цифровой обработки изображений директивного типа

1.6. Системы цифровой обработки изображений, основанные на знаниях

1.7. Выводы

2. Решающие системы, среда и проблема поиска 55 2.1. Общая характеристика решающей системы и её окружения (среды)

2.1.1. Пространство состояний

2.1.2. Пространство задач

2.1.3. Факторизованные пространства

2.1.4. Фиксированное множество иерархических пространств 59 ф 2.1.5. Изменяющееся множество иерархических пространств

2.1.6. Метапространство в иерархии пространств

2.1.7. Альтернативные пространства

2.1.8. Динамические миры

2.1.9. Множественные модели

2.2. Агентные модели решающей системы

2.2.1. Классический подход: архитектуры агента, основанные на знаниях (делиберативные архитектуры)

2.2.2. Альтернативные подходы: реактивные архитектуры

2.2.3. Гибридные архитектуры

2.3. Распределённые среды решения задач

2.4. Типология планирования 91 2.4.1. Слепые методы ф 2.4.2. Методы, использующие простейшие эвристики

2.4.3. Методы, основанные на оценочных функциях

2.4.4. Поиск, направляемый данными

2.4.5. Поиск, направляемый целями

2.4.6. Комбинированный поиск

2.5. Выводы

3. Теория агента системы анализа изображений

3.1. Понятие задачи и решающей системы

3.2. Задачи решающих систем второго рода

3.3.Типовые задачи опознавания

3.4. Агент системы анализа изображений и задачи агента 125 ^ 3.5. Задача обучения агента

3.6. Уровни адаптации агента 135 ф 3.7. Задача порождения агента

3.8. Агентное обобщение и ограничение

3.9. Среда агента и коллектива агентов

3.9.1. Среда коллектива агентов

3.9.2. Структура изображения как элемента среды коллектива агентов

3.9.3. Среда агента

3.10. Структура агента

3.11. Выводы

4. Возникающие структуры агентов 182 4.1 .Обобщённая схема взаимодействия агентов

4.2. Постановка задачи картирования космофотоснимков

4.3. Построение дерева целей

4.4. Формирование коллектива агентов

4.5. Выводы 217 5. Экспериментальное исследование мультиагентного подхода к решению задач анализа и интерпретации металлографических изображений (ФСЛЗАС)

5.1. Цели исследования

5.2. Модели синтаксиса уровня пятен

5.3. Модели синтаксиса уровня сегментов

5.4. Схема взаимодействия агентов системы анализа изображений ФСЛЗАС

5.5. Интерактивная методика анализа металлографических изображений

5.6. Описание экспериментальных исследований

5.7. Выводы 260 Заключение 260 Список использованной литературы 261 Приложение

Актуальность проблемы. Цифровая обработка изображений ещё с 60-х годов прошлого столетия заняла значительное место в проблематике Искусственного интеллекта. Однако и по настоящее время целеориентированность обработки изображений остаётся во многом не решённой проблемой. До сих пор основным инструментом цифровой обработки изображений являются системы директивного типа, первые из которых появились ещё в начале 70-х годов прошлого столетия. Основная особенность директивных систем состояла и состоит в том, что весь процесс планирования решения исходной задачи и оценки полученных результатов возлагается на пользователя. Практически сразу же с появлением директивных систем были актуализированы исследования в области систем постановки задач. На этом направлении был создан целый ряд систем, основанных на знаниях. Однако основная их трудность состояла в том, что каждая из них была ориентирована на решение конкретной задачи, системы этого типа не допускали какой-либо вариабельности, например, по целям исследования.

В 90-е годы прошлого столетия была сформулирована концепция мультиагентных систем, на основе которой безусловно возможно создание более мощных средств решения сложных задач, каковыми являются задачи анализа изображений, в сравнении с уже упомянутыми системами, основанными на знаниях. Однако и по настоящее время теория мультиагентных систем переживает период становления. Нет определения понятия «агент», удовлетворяющее требованиям различных исследователей. Соответственно, нет теории агента. Разрабатываются лишь конкретные реализации агентов, использование которых в других приложениях выглядит проблематичным. Не решена проблема координации деятельности агентов в коллективе.

Таким образом, в настоящее время актуальным является разработка научных основ теории агента системы анализа изображений, обладающих такими свойствами, как автономность, коммуникативность, адаптивность, а также способностью к согласованию своих действий с действиями других членов мультиагентного коллектива.

Цель диссертационной работы. На основе агентного подхода повысить качество решения задач анализа изображений за счёт распределённого решения сложных задач, использования априорных разнородных знаний и включения эксперта в процессы постановки задачи и принятия решений.

Для достижения сформулированной цели в диссертации поставлены и решены следующие задачи:

• Определить агент системы анализа изображений, среду агента и агентные задачи.

• Определить состав среды агента и содержание каждого её элемента.

• Определить уникальность и общность агентов системы анализа изображений и агентных сред.

• Разработать функциональную, алгоритмическую и статическую модели агента.

• Сформулировать задачи модификации и порождения агента системы анализа изображений и разработать процедуры порождения и модификации агентов.

• Определить состав среды коллектива агентов и содержание каждого элемента среды.

• Определить полное иерархическое описание анализируемых изображений как одного из элементов среды коллектива агентов.

• Определить схему взаимодействия агентов в коллективе, учитывающей горизонтальные и вертикальные взаимодействия агентов.

• Сформулировать понятие возникающей структуры и определить вариабельность решаемых ею задач.

• Определить структуру знаний возникающей структуры.

• Осуществить экспериментальную проверку разработанных моделей на примере решения реальных задач анализа сложных изображений и внедрить полученные результаты в практику научного и промышленного производства и учебный процесс вузов. Методы исследования. При выполнении работы были использованы: теория моделирования, общая теория систем, теория вероятности и математической статистики, теория алгоритмов, методы дискретной математики, методы цифровой обработки изображений, теория распознавания образов, теория экспертных систем, теория искусственного интеллекта.

Научная новизна результатов работы состоит в разработке теории агента системы анализа изображений, при этом определены агент системы анализа изображений, агентные задачи, задачи обучения и порождения агента, среды агента, функциональная и статическая структуры агента, алгоритмическая модель агента, а также схема коллективного поведения агентов и среда коллектива агентов, понятие возникающей структуры. Особенность разработанной теории состоит в ф том, что на её основе можно строить системы анализа изображений, ориентированных на решение сложных задач, с различной проблемной ориентацией на основе порождения, модификации и уничтожения системы.

В рамках теории агента системы анализа изображений:

1. Определены агент, среда агента, агентные задачи. Отличительной особенностью агента системы анализа изображений является то, что агент - это решающая система второго рода, ориентированная на решение простых задач, то есть таких задач, решение которых находит методом одношагового поиска, функциональная модель которого определена в настоящей работе. Все агентные задачи (воздействие на среду, определение реакции среды, коммуникация, планирование) являются простыми задачами, с одной стороны, а, с другой стороны, ф они являются задачей классификации, но формулировка и способы её решения в настоящей работе построены на концепции конечности знаний агента.

Определён состав среды агента и содержание каждого её элемента. Определены уникальность и общность агентов системы анализа изображений и агентных сред, разработана статическая модель агента.

2. Определены на основе концепции о конечности знаний агента и типовых задачах опознавания задачи модификации и порождения агента системы анализа изображений. Разработаны методы решения сформулированных задач, причём, как для случая обобщения данных, так и для случая ограничения (редукция исходной задачи).

3. На основе обобщённой продукции Поста сформулирована функциональная модель агента системы анализа изображений, в ф развитии которой предложена алгоритмическая модель агента, определяющая все взаимодействия агента со средой. Определена статическая структура агента, которая описывает все компоненты статической модели агента и порядок их взаимодействия. 4. Определён состав среды коллектива агентов и содержание каждого элемента среды. Определено полное иерархическое описание анализируемых изображений как одного из элементов среды коллектива агентов. Другой особенностью полного описания анализируемых изображений состоит в определении феноменологического описания для уровней класса сегментов и тематических карт. Определены также методы формирования # феноменологического описания для уровня класса сегментов, т 7 тематических карт и полного описания анализируемых изображений. 5. Дано определение возникающей структуры. Определена схема взаимодействия агентов в коллективе на основе сочетания иерархического и гетерархического взаимодействий агентов. Определены процедуры порождения уничтожения и модификации агентов.

Практическая ценность работы состоит в том, что разработанные в ней модели, методы и программное обеспечение позволяют не только существенно повысить качество анализа сложных изображений, но открывается возможность решать более сложные задачи анализа изображений и накапливать экспертный опыт в виде возникающих структур.

Реализация и внедрение результатов работы. Основные результаты работы были внедрены в металлографической лаборатории Красноярского алюминиевого металлургического завода и институте Леса им. В.Н.Сукачёва СО РАН.

Апробация результатов работы. Первое Всесоюзное совещание «Горение и пожары в лесу», Красноярск, 1978, «ОИДИ-84» Всесоюзная конференция Новосибирск, 1984, Всесоюзная конференция г. Томск, 1989, «ОИДИ-90». Международная конференция г. Новосибирск, 1990 г., «Проблемы создания систем обработки, анализа и понимания изображений» конференция г.Ташкент, 1991, Всесоюзная научно-техническая конференция «Гибридные интеллектуальные системы» г. Ростов-на-Дону-Терская, 1991, V Всесоюзная научно-техническая конференция «Однородные вычислительные системы, структуры, среды» г.Москва, 1991, Всесоюзный научно-технический семинар «Программное обеспечение новых информационных технологий», г. Тверь, 1991, Конференция «Перспективные информационные технологии в анализе изображений и распознавании образов». Ташкент, 2-5 сентября 1992, Научно-техническая конференция «Проблемы техники и технологий XXI века». Секция «Информатика и ВТ», Красноярск, 22-25 марта 1994, Достижения науки и техники -развитию города Красноярска: Научно-практическая конференция Красноярск, 1997, Распознавание образов и анализ изображений: новые информационные технологии.: IV конференция г.Новосибирск, 1998.

Публикации по работе. Результаты диссертационной работы опубликованы в 21 работах автора, в том числе в одной монографии. Основные результаты исследований опубликованы в изданиях реестра ВАК. Все основные результаты получены автором самостоятельно.

Объём и структура диссертации. Диссертация состоит из введения, пяти глав, заключения и приложения. Всего 297 страниц машинописного текста. Библиография содержит 236 наименований.

5.7. Выводы

1. Показано, что независимо от объёма модификации агента (независимо от его способности к обучению) задача порождения агента возникает всегда на разнородных данных.

2. Показана возможность для сформированного агентного коллектива решать задачи внешней гетерогенности, когда для найденных объектов на изображении строится их феноменологическое описание и разделение на классы.

3. Предложен механизм коррекции описания подцелей надагентов, когда описание пространства целей агентов является более «длинным».

4. С учётом особенностей металлографических изображений с матричной структурой разработаны модели синтаксиса уровней примитивов, сегментов и классов сегментов с соответствующими признаковыми и структурными описаниями.

Заключение

На защиту выносятся следующие основные результаты:

1. Разработан новый подход к решению задач анализа сложных изображений на основе концепции мультиагентных систем, обеспечивающий конечному пользователю (природоведу) решение задач в терминах его предметной области.

2. Разработаны, обоснованы и применены на практике агентные модели (функциональная, алгоритмическая и структурная) системы анализа изображений. Основу этих моделей составляют концепция о конечности знания, понятие простой задачи для решающих систем второго рода и способов её решения, концепция агента как автономной решающей системы второго рода, функционирующей в изменчивой среде.

3. Разработаны, обоснованы и опробованы на практике процедуры модификации и порождения агента. Предлагаемые процедуры обеспечивают модификацию агента по прецедентным и выборочным данным, обеспечивая не только структурирование признаковых пространств (знаний) агента, но и увеличение точности признаковых описаний оригинала.

4. Разработаны, обоснованы и применены на практике комбинированная схема формирования возникающих структур. Особенность схемы состоит в том, что она задана неявно: через свойства агента. Схема обеспечивает проверку всех действий агентов формирующегося коллектива через анализ непротиворечивости решений подагентов и согласованности их решений знаниям текущего агента. Память «сильных» связей, возникающих между агентами при формировании возникающих структур, позволяет агентам накапливать эмпирическое знание о возникающих структурах, что сокращает объём адаптации системы при решении последующих задач. 5. Разработан программно-методический комплекс мультиагентной системы анализа сложных изображений. Основное назначение комплекса - постановка системы на новую предметную область.

1. Денисов Д.А. Компьютерные методы анализа видеоинформации Красноярский государственный университет, Красноярск. 1991.

2. Чернявский К.С. Математическая морфология новый метод анализа изображений структуры металлов и сплавов (обзор). // "Заводская лаборатория", 1982, N 10, с. 26-34.

3. Харалик Р. М. ТИИЭР, 1979, т. 67, № 5.

4. Прэтг У., Фожра О., Гагалович А. ТИИЭР, 1981, т. 69, №5.

5. Davis L. S. е. а. IEEE Trans., 1979, v. PAMI-1, .№ 3.

6. Hayes К. С., Shah А. К., Rosenfeld A. IEEE Trans., 1974, v. SMC-4, №9.

7. Haralick R. M., Shanmugam K., Dinstein I. IEEE Trans, 1973, v. SMC-3 .№6.

8. Дуда P., Харт П. Распознавание образов и анализ сцен: Пер с англ. / Под ред. В. JI. Стефанюка. М., Мир, 1982.

9. Weszka J. S., Dyer С. R., Rosenfeld A. IEEE Trans., 1976, v. SMC-6 №4.

10. O.Dyer C. R., Rosenfeld A. IEEE Trans., 1976, v. SMC-6, № 10.

11. Mitchell O. R., Myers C. R., Boyne W. IEEE Trans., 1977, v. C-26, № 4.

12. Modestino J. W., Fries R. W., Daut D. G. J. Opt. Soc. Amer., 1979, v. 69, № 6.

13. Rosenfeld A. Comput. Graph, and Im. Proc., 1982, v. 19 .№ 1.

14. Modestino J. W., Fries R. W., Vickers A. L. IEEE Trans., 1981, v. PAMI-3, № 5.

15. Davis L. С. In: Proc. NATO, Digital Im. Proc., Adv. Stadi Inst., Bonas 23/VI - 4/VII, 1980, Dordrecht e. a., 1981, p. 189.

16. Ehrich R., Foith J. P. IEEE Trans., 1976, v. C-25, № 6.

17. GaIIoway M. M. Comput. Grapf. and Im. Proc., 1975, v. 4, № 7.

18. Tomita F., Shirai Y., Tsuji S. IEEE Trans., 1982. v. PAMI-4, № 2.

19. Matsuyama Т., Saburi K., Nagao M. Comput. Graph, and Im. Proc., 1982, v. 18, №3.

20. Vilnrotter F., Nevatia R. F., Price К. E. In: Proc. 5-th Int. Conf. Pattern Recogn., Miami Beach, Fla., 1980, v. 1-2, New York, 1980, p. 1142.

21. Description G. H. Ibid., p. 776.

22. Борисенко В.И., Златопольский А.А., Мучник И.Б. Сегментация изображений (состояние проблемы). //Автоматика и телемеханика, 1987, N7, с. 3-56.

23. А.Л.Горелик, В.А.Скрипкин. Построение систем распознавания. -М.: Советское радио. 1974. - 223с.

24. Preston К. Image processing Software. A survey progress in Pattern Recognition.-Amsterdam: 1981.-v.l-c. 123-148.

25. HaraIick R., Minden G. KANDIDATS: An interactive image processing System // Comput. Graph, and Image process. 1978. - v. 8, № 1. - PP. 1-15.

26. Haralick R. KANDIDATS: Image Processing System // Symp. on Mach. processing of Remotely Sensed Data. № 9., 1976. - PP. 1A8-1A17.

27. Бурый Л.В., Золотухин Ю.Н., Иванов B.A. и др. Автоматизированный комплекс обработки изображений // Автометрия. 1980. -№ 3.- с.41-48.

28. Лукашева А.Э., Пяткин В.П., Шевелев С.Л. Системное программное обеспечение комплекса обработки изображений // Сб. ст.: Математические и технические проблемы обработки изображений / Под ред. Алексеева А.С. Новосибирск: ВЦ СО АН СССР. - 1980.-с.84-94.

29. Brugmann H.-W., Rudert A., Zehr Н. EHBIS: High level picture programming. // Informatir-Fachberichte. 1976.- № 1.- PP.156-165.

30. Нестерихин Ю.Е., Пушной Б.М. О системе автоматической обработки изображений // Автометрия. 1977. - № 3. - с.6-12.

31. Шамис В.А. Математическое обеспечение специализированной системы обработки многозональной видеоинформации // Сб. ст.: Аэрокосмические исследования Земли. Обработка видеоинформации на ЭВМ. М.: Наука. - 1979. - с.213-228.

32. Борисенко В.,Чесалин Л С Вспомагательные программы обработки видеоинформации на ЕС ЭВМ//С6. ст.: Аэрокосмическиеиследования Земли. Обработка видеоинформации на ЭВМ. -М.:наука.-1979-С.154-161.

33. Левин Г.А., Мартьянов А.В. Структура пакета программ для обработки полутоновых изображений // Труды института электроных управления машин.-М.-1978.-№71.-С.101-107.

34. Ершов А.П., Ильин В.Л. Пакет программ технология решения прикладных задач. - Новосибирск: ВЦ СО АН СССР, 1978.37.3аполоцкий Д.Е., Карпенко С.Н., Кузин С.Г. и др. Принципы построения и архитектура пакета прикладных программ. УсиМ, 1978, № 1, с. 8-14.

35. Информационный бюллетень алгоритмов и программ обработки видео информации.-Новосибирск: ВС СО АН СССР.-1979.-Вып.1.-91 с.

36. Информационный бюллетень алгоритмов и программ обработки видео информации.-Новосибирск: ВС СО АН СССР.-1979.-Вып.2.-141 с.

37. Платонов В.Н. Библиотека программ цифровой обработки изображений на языке Фортран для мини-ЭВМ.-М: Физический институт им.Лебедева АН СССР.-1979.-64 с.

38. Кронрод М.А., Чочина П. А. Математическое обеспечение диалоговой системы обработки изображений. В кн.: Иконика. Теория и методы обработки изображений. - М.: Наука, 1983, с. 8799.

39. Кадырова Г.Х., Садыков С.С. Система цифровой обработки изображений на базе СМ и ЕС ЭВМ. / Информационное сообщение № 320. Ташкент: НПО «Кибернетика» АН УзССР, 1983.

40. Надь Г. Цифровая обработка изображений, полученных при дистанционном исследовании природных ресурсов.- В кн.: Распознавание образов при помощи вычислительных машин. /Под ред. Л.Хармона.- М.:Мир, 1974, с.92-124.

41. Farvis R.A/ A Color Television Image Acquisition, manipulation and display System for Computer vision research. In: Proc. of the workshop on picture Data Description and Management. - Aug. 27-28, 1980, N.9, IEEE, v-1, p.187-197.

42. Tojo A., Uohida S. Multiprocessor System for Picture Processing with a Multipurpose Video Processor. In: Proc. of the 4-th, Int. Conf. on Pattern Recognition-N.Y.: IEEE, 1978, p.l 116-1118.

43. Siegal A. J. et al. System for Image Processing and Pattern Recognition. -IEEE Trans. Comput., vol. C-30, Dec. 1981, p. 934-947.

44. Davis L.S. Computer Architecture for Image Processing. In: Picture Data Description and Management. - Proc. Workshop, Aug.27-28, 1980. - N.Y., 1980, p. 249-254.

45. Swain Ph.H., Siegal H. A., El-Achkur J. Multiprocessor Implementation of Image Pattern Recognition: a general Approach. Proc. 5-th Jnt., joint Conf. Pattern, Recognition, 1980, p. 290.

46. Duff M.J.B. Special Hardware for Pattern processing. Proc. 6-th Jnt., joint Conf. Pattern, Recognition, 1982, p. 368-379.

47. Davis L.S. Computer Architecture for Image Processing. In: Picture Data Description and Management. - Proc. Workshop, Aug.27-28, 1980. -N.Y., 1980, p. 249-254.

48. Swain Ph.H., Siegel H. A., El-Achkur J. Multiprocessor Implementation of Image Pattern Recognition: a general Approach. Proc. 5-th Jnt., joint Conf. Pattern, Recognition, 1980, p. 290.

49. Agrawal O.P., Jain R. A piblined Pseudo parallel System Architecture for Real-time dynamic Scene Analysis IEEE Trans. Comput., vol. C-31, Oct. 1982.

50. Kruse B. The PICAP-picture Processing Laboratory. Proc. 3-rd Jnt., joint Conf. Pattern, Recognition, 1976, p. 875.

51. Kruse В., Gudmundsson В., Antonsson D. PIP the PICAP-11 Tilter Processor. - Proc. 5-th Jnt., joint Conf. Pattern, Recognition, Maimi, 1980.

52. Gudmundsson B. User Level Concept in an Interactive picture Processing System. Proc. 5-th Jnt., joint Conf. Pattern, Recognition, Maimi, 1980.

53. Danielsson P.-E. The Time-Shaved lus a key to Efficient Image Processing. - Proc. 5-th Jnt., joint Conf. Pattern, Recognition, Maimi, 1980, p. 296-299.

54. Antonsson D., Gudmundsson B. et. al. PICAP a System Approach to Image Processing. - IEEE Trans. Comput., vol. C-31, № 10, 1982, p. 997-1000.

55. Kulkauni A.V., Ven O.W.L. Systolic Processing and an Implementation for Signal and Image Processing. IEEE Trans. Comput., vol. C-31, №• 10, 1982, p. 1000-1009.

56. Sherdell D.A. Low Level Architecture for a Real-time Computer Vision System. Proc. 5-th Jnt., joint Conf. Pattern Recognition, Maimi, 1980, p. 290-295.

57. Duff M.J.B. CLIP-U: A large scale Integrated Cirenit Array Parallel Processor. Proc. 3-rd Jnt., joint Conf. Pattern Recognition, 1976.

58. Cordelia L., Duff M.J.B. Coma ring Sequential and Parallel Processing of Pictures. Proc. 3-rd Jnt., joint Conf. Pattern Recognition, 1976, p. 703707.j 62.Duff M.J.B. Efficient divides To image Processing. Proc. 4-th Jnt., joint

59. Conf. Pattern Recognition, Maimi, 1978, p. 1072-1075.

60. Pouhtain T.J., Goctcherian V. CLIP-4 Parallel Processing System. -Proc. IEE, 1980, V.E.-127, № 5, p. 219-224.• 64.Reeves A.P. A Systematically Designed Binary Array Processor. IEEE

61. Trans. Comput., vol. C-29, № 4, 1980, p. 228-287.

62. Lougneed R.M., McCubbrey D.L., Sternberg S.R. Cytocomputers: Architecture for Parallel Image Processing. In: Picture Data Description and Management. - Proc. Workshop, Aug.27-28, 1980. - N.Y., 1980, p. 281-286.

63. Parvin В., Fu K.S. A Micro programmable Vector Processor for Image Processing Application. In: Picture Data Description and Management. -Proc. Workshop, Aug.27-28, 1980. -N.Y., 1980, p. 287-292.

64. Kulpa Z. Digital Image Analysis System CPO-2/K-202: General Hardware and Software Description./ In Quaderni la Ricerea Scientifica,9 Imaly,p/195-201

65. Kulpa Z. CPO-2/K-202, a Universal Digital Image Analysis System./ In• Sect. Notes Comput. Sci., 1981. V.109, p.109-199.

66. Bengtsson E., Eriksson O., Jarkans T. et al. CELLO: an Interactive system for Image Analysis. In: Lect Notes Comput. Sci., 1980, v. 109, p. 21-45.

67. Hicolac G.C. Design of a Microprogrammed Video Display Processor for Real Time Image Processing-Microprocessors and Their Applications -Amsterdam, 1979, p.359-367.

68. Салаватов P.M., Шевелев C.A. Средства обработки изображений // Математические и технические проблемы обработки изображений /Под ред. Алексеева С.А.: Сб. ст. Новосибирск: ВЦ СО АН СССР. - 1980.-С. 95-100.

69. Михелевич Е.Г. Языковые средства обработки изображений на ЕС ЭВМ // Обработка изображений и дистанционные исследования: Тез. докл. Новосибирск. - 1981.-С. 39-40.

70. Генц Дж., Де-Зур Р. Интерактивная цифровая система обработки изображений. В кн.: Космическая геология. - М.: Недра, 1979, с. 355-370.

71. Batchelor B.G., Brumfitt R.J. Smith, B.O.V. Command Language for Interactive Image Analysis. IEE Proc., vol. 127, Pt. E, № 5, Sept. 1980.

72. Cady P.M., Hadson R.M. Microprocessor based Interactive Image Processing system. - IEE Proc., vol. 127, Pt. E, № 5, Sept. 1980.

73. Eriksson O., Nordin В., Bangtsson E. etc. ILIAD An Interactive Language for Image Analysis // Proc. of the First Scandinavian Conference on Image Analysis. - 1978. - PP. 130-135.

74. Психология машинного зрения, под ред. П. Уинстона, пер. с англ. М: Мир, 1978г.

75. Сираи И. Анализ массивов интенсивности с использованием знаний о сценах/ в сб. Психология машинного зрения, под ред. П. Уинстона, пер. с англ. М: Мир, 1978г., сс. 112-136.

76. Г.П.Крупников, И.А.Марков, Н.А.Подвысоцкая, М.П.Сергеев. Зарубежные серийно выпускаемые анализаторы изображений (обзор).//Вопросы атомной науки и техники. Серия: ядерное приборостроение, 1985, вып. Н, с. 191-217.

77. С.И.Мышкинд. Системы технического зрения для автоматизации машиностроительного производства. // Технология машиностроительного производства. М.: НИИмаш, 1982.

78. А.Н.Писаревский, А.Ф.Чернявский, Г.К.Афанасьев и др. Системы технического зрения. Л.: Машиностроение. Ленинград. Отделение, 1988.

79. Safra S.,Tennenholtz М., On Planning while learning. JAIR 9/1994

80. Hanks S., Weld D.S., A Domain-Independent Algorithm for Plan Adaptation, JAIR N1 1995

81. Kambhampati S., Planning Methods In Artificial Intelligence. ASU, CSE TR 96-004,1996

82. Минский M. На пути создания искусственного разума // Вычислительные машины и мышление М: Мир, 1967.

83. M.Wooldridge and N.R.Jennings, Intelligent agents: theory and practice, The Knowledge Engineering Review, v. 10:2, 1995, 115-152

84. Nwana H.S., 1996. Software Agents: An Overview // Knowledge Engineering Review v. 11, n.3.

85. Ньюэлл А. и Саймон Г. Информатика как эмпирическое исследование/ в сб. Лекции лауреатов премии Тьюринга М.: Мир 1985.

86. Джеймс Оделл, Агенты и сложные системы, Открытые системы, №10, 2002

87. Maes P. Artificial life meets entertainment: life like autonomous agents// Communications of the ACM. 1995. - Vol.38, №11.- P.108-114

88. Hayes-Roth B. An architecture for adaptive intelligent systems// Artificial Intelligence. 1995. - Vol.72. - P.329-365

89. В.И.Городецкий, М.С.Грушинский, А.В.Хабалов, Многоагентные системы (обзор) // Новости искусственного интеллекта, 1998, N2.

90. Клышинский Э.С. Одна модель построения агента. // Труды Международной конференции «Интеллектуальное управление: новые интеллектуальные технологии в задачах управления» (ICIT'99) Переславль-Залесский, 1999.

91. Fikes, RE and Nilsson, N, 1971. STRIPS: A new approach to the application of theorem proving to problem solving. Artificial Intelligence 5 (2) 189-208

92. Ambros-Ingerson, J and Steel, S, 1988. Integrating planning, execution and monitoring. In: Proceedings of the Seventh National Conference on Artificial Intelligence (AAAI-88), pp83-88,St.Paul, MN.

93. Moser M. G. (1983). An Overview of NIKL, the New Implementation of KL-ONE. Technical Report No. 5421, Cambridge MA: Bolt, Beranek and Newman.

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

95. Etzioni, O, Lesh, N and Segal, R, 1994. Building softbots for UNIX. In: О Etzioni (ed.) Software Agents Papers from the 1994 Spring Simposium (Technical Report SS-94-03), pp 9-16, AAAI Press.

96. Cohen, PR, Greenberg ML, and Howe AE, 1989. Trial by fire: Understanding the design requirments for agents in complex environments. AI Magazine 10 (3) 32-48.

97. Bratman, ME, Israel, DJ and Pollack, ME, 1988. Plans and resource-bounded practical reasoning, Computational Intelligence 4 349-355.

98. Moser M. G. (1983). An Overview of NIKL, the New Implementation of KL-ONE. Technical Report No. 5421, Cambridge MA: Bolt, Beranek and Newman.

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

100. С.В.Ахапкин, С.В.Васильев, В.И.Городецкий, Л.А.Станкевич. Футбол роботов многоагентная среда для исследования• группового поведения интеллектуальных роботов. // Тр. X науч.-тех. конф. "Экстремальная робототехника", СПб, 1999,изд-во СпбГТУ, с.122-129

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

102. Brooks, RA, 1990. Elephants don't play chess. In: P Maes (ed.) Designing Autonomous Agents, pp 3-15, MIT Press.

103. Brooks,RA, 1991. Intelligence without reason. In: Proceedings of the } Twelfth International Joint Conference on Artificial Intelligence (IJCAI91., pp 569-595, Sydney, Australia.

104. Rodney A. Brooks. Intelligence Without Reason.// MASSACHUSETTS INSTITUTE OF TECHNOLOGY ARTIFICIAL• INTELLIGENCE LABORATORY, April, 1991

105. Maes, P, 1989. The dynamics of action selection. In: Proceedings of the Eleventh International Joint Conference on Artificial Intelligent (IJCAI-89), pp 991-997, Detroit, MI.

106. Maes, P, 1990. Situated agents can have goals. In: P Maes (ed.) Designing Autonomous Agents, MIT Press.

107. Maes, P, 1990. Situated agents can have goals. In: P Maes (ed.) Designing Autonomous Agents, MIT Press.

108. Maes, P, 1991. The agent network architecture (ANA). SIGART Bulletin 2 (4) 115-120.

109. Georgeff, MP and Lansky, AL, 1987. Reactive reasoning and planning In: Proceedings of the Sixth Natiohal Conference on Artificial Intelligence (AAAI-87), pp 677-682, Seattle, WA.

110. В.И.Варшавский, Д.А.Поспелов. Оркестр играет без дирижёра. М., «Наука», 1984, 207с.

111. Д.А.Поспелов. Многоагентные системы настоящее и будущее. Информационные технологии и вычислительные системы, 1998, №1.

112. Гаврилов А.В. Гибридная экспертная система для профориентации. / В сб. науч. трудов НГТУ. - Новосибирск, Изд-во НГТУ. - 1997, № 3(8). - с. 123-132.

113. Petrov W; Pavlova NV. MULTI-METHOD ORGANIZATION IN HYBRID EXPERT SYSTEMS. / Doklady Akademii Nauk. 1996, V 350, N 4, Oct.- p 465-466.

114. Гаврилов A.B., Новицкая Ю.В. Инструментальное программное обеспечение для создания гибридных экспертных систем // Доклады Межд. Науч.-техн. конф. "Информационные системы и технологии" ИСТ-2000. Новосибирск. НГТУ. 2000. Т. 3. С. 488-490.

115. Гаврилов А.В. Архитектура «двухполушарной» экспертной системы. / В межвуз. Сб. науч. трудов «Системы искусственного интеллекта» под ред. А.В.Гаврилова. - Новосибирск, 1993. - с. 10-14

116. Гаврилов А.В., Новицкая Ю.В. Гибридные интеллектуальные системы // The International Conference "Information systems and technologies" IST'2003. Proceedings. Novosibirsk. 2003. Vol. 3. P. 116122.

117. A.Walker and M.Woodridge. Understanding the emergence of Conventions in Multi-Agent Systems. In Proceedings of .,1995

118. I.A.Ferguson. Integrated Control and Coordinated Behaviour: A case for Agent Models. In: Intelligent Agents. ECAI-94 Workshop on Agent Theories, Architecture and Languages. Amsterdam, The Netherlands, August 8-9, 1994,

119. Georgeff, MP and Lansky, AL, 1987. Reactive reasoning and planning In: Proceedings of the Sixth Natiohal Conference on Artificial Intelligence (AAAI-87), pp 677-682, Seattle, WA.

120. Jun Huang, N.RJennings and J.Fox. An Agent Architecture for Distributed Medical Care. In: Intelligent Agents. ECAI-94 Workshop on Agent Theories, Architecture and Languages. Amsterdam, The Netherlands, August 8-9, 1994

121. В.И.Городецкий, М.С.Грушинский, А.В.Хабалов, Многоагентные системы (обзор) // Новости искусственного интеллекта, 1998, N2.

122. Гаврилов А.В. Гибридная экспертная система для профориентации. / В сб. науч. трудов НГТУ. - Новосибирск, Изд-во НГТУ. - 1997, № 3(8). - с. 123-132.f

123. В.А.Виттих. Эволюционное управление сложными системами. 2000.

124. Джеймс Оделл, Агенты и сложные системы, Открытые системы,10, 2002

125. Попов Э.В. Экспертные системы. М.: Наука, 1987. 284с.

126. Ефимов Е.И. Решатели интеллектуальных задач М.: Наука, 1982.

127. N.Jennings. Commitments and conventions: The foundation of coordination in multi-agent systems. The Knowledge Engineering Review, 1994, v. 8:3, 223-250.

128. Ж.-Д. Лорьер. Системы искусственного интеллекта. М., Мир, 1991.1135. Нильсон Н. Искусственный интеллект. Методы поиска решений.1. М:Мир, 1973, 272 с.

129. Нильсон Н. Принципы искусственного интеллекта. М., Радио и связь, 1985.

130. Ф 137. Искусственный интеллект, в 3-х кн., М.: Радио и связь. 1990.

131. Построение экспертных систем / Под ред. Ф. Хейса-Рота, Д. Уотермана, Д.Лената. М.: Мир, 1987. - 441 с.

132. Хант Э. Искусственный интеллект: пер. с англ. М.: Мир, 1978.

133. Уотермен Д. Руководство по экспертным системам : пер. с англ. -М.: Мир, 1989.

134. Денисов Д.А., Дудкин А.К., Пяткин В.П. Цифровой анализ изображений (Методы описания геометрических структур). Препринт 747. Новосибирск, 1987. 54 с.

135. В.Н.Вагин, Н.П.Викторова. Вопросы структурного обобщения и классификации в системах принятия решений. //Изв. АН СССР.

136. Ш Техн. Кибернетика. 1982, №5.

137. В.П.Гладун. Н.Д.Ващенко, Н.И.Галаган. Системы планированиядействий для сложных сред // Кибернетика. 1982.-№5.- с.88-94.

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

139. Гладун В.П. Планирование решений. Киев: Наукова думка, 1987.

140. Гладун В.П. Эвристический поиск в сложных средах. Киев: Наукова думка, 1977.

141. Поспелов Г.С., Поспелов Д.А. Искусственный интеллект прикладные системы. М.: Знание.-1986. (Сер. Математика, кибернетика).

142. Хорошевский В.Ф. Интеллектуальные диалоговые системы. //ИКА.-1980. NN 5-6.

143. М.Минский. На пути создания искусственного разума. //Сб.Ст.: Инженерная психология. М., 1964.

144. T.Matsujama. Knowledge-based aerial image understanding systems and expert systems for image processing. IEEE Trans, on geosciense and remote sensing, vol. 6e-25, N 3, May 1987, pp. 305-316.

145. Matsuyama T. Knowledge Organization and Control Structure in Image Understanding //Pro. 7th Int. Conf. Pattern Recogn., Monthreal, Juli 1984. V. 2. -pp. 1118-1127.

146. Expert systems, image processing and image interpretation. Chassery Jean-Marc, Garbay Catherine. //8th int. conf. pattern recogn., Paris. Oct, 27-31, 1986. Proc., pp. 175-177.

147. Экспертная система для руководства сегментацией изображений. З.П.Ху, Т.Пун и Ц.Пелегрини. Центр компьютерных наук, Женевский университет.

148. Knowledge-based interpretation of remotly sensed images. Anita Tailor, Alan Cross, David C. Hoggt and David C.Mason. //Image and vision computing. 1986, v. 4, N 2. pp.67-83.

149. Nagao M. Toward a Flexible Pattern Analysis Method //8th Int. Conf. Pattern Recogn., Paris, Oct. 1986. -pp. 170-174.

150. Towards flexible prototyping of image-inderstanding systems. C.Porquet, A.Adam, M.Revenu, F.Cuozzo.//Proc. for Photo-Opt. Instrum ., 1986, N730, pp. 20-27.

151. Ambros-Ingerson, J and Steel, S, 1988. Integrating planning, execution and monitoring. In: Proceedings of the Seventh National Conference on Artificial Intelligence (AAAI-88), pp83-88,St.Paul, MN.

152. M.Mesarovic, Systems theoretic approach to formal theory of problem solving, in Theoretical Approaches to Non-Numerical Problem Solving, R.Banerji and M.Mesarovic, Eds. New York: Springer, 1970.

153. S.Amarel, Problems of representation in heuristic problem solving: related issues in the development of expert systems, Laboratory for Computer Science Research, Rutgers Univ., Tech. Rep. CBM-TR-118, 1981.

154. Р.Б.Банерджи. Теория решения задач как раздел искусственного интеллекта. ТИИЭР, т.70, №12, декабрь 1982.

155. Д. Пойа. Математическое открытие. М.: Наука, 1976. - 448с.

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

157. В.С.Тюхтин. Теория автоматического опознавания и гносеология. «Наука», М., 1976, 190с.

158. Г.М.Цибульский, Д.А.Денисов, В.И.Харук. Интерактивная сегментация изображений. Исследование Земли из космоса, №4, 1990.

159. Я.З.Цыпкин. Основы теории обучающихся систем. М., 1970.

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

161. Коулмен Г.Б., Эндрюс Х.С. Сегментация изображений при помощи автоматической классификации. ТИИЭР, 1979,т. 67, N 5, с. 3949.

162. Фу К.С Структурные методы в распознавании образов. /Пер. с англ. Под ред. М.А.Айзермана. М:Мир, 1977, 320 с.

163. Cohen, PR, Greenberg ML, and Howe AE, 1989. Trial by fire: Understanding the design requirments for agents in complex environments. Al Magazine 10 (3) 32-48.

164. Bratman, ME, Israel, DJ and Pollack, ME, 1988. Plans and resource-bounded practical reasoning, Computational Intelligence 4 349-355.

165. Ньюэлл А. и Саймон Г. Информатика как эмпирическое исследование/ в сб. Лекции лауреатов премии Тьюринга М.: Мир 1985.

166. Питер Джексон. Введение в экспертные системы, третье издание. Издательский дом «Вильяме», 2001

167. A unifying view. Machine Learning, 1(1), p. 47-80. Moore J. D. (1995). Participating in Explanatory Dialogues. Cambridge MA: MIT Press.

168. Moser M. G. (1983). An Overview of NIKL, the New Implementation of KL-ONE. Technical Report No. 5421, Cambridge MA: Bolt, Beranek and Newman.

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

170. С.В.Ахапкин, С.В.Васильев, В.И.Городецкий, Л.А.Станкевич. Футбол роботов многоагентная среда для исследования группового поведения интеллектуальных роботов. // Тр. X науч.-тех.конф. "Экстремальная робототехника", СПб, 1999,изд-во СпбГТУ, с. 122-129

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

172. Гаврилов А.В. Гибридная экспертная система для профориентации. / В сб. науч. трудов НГТУ. - Новосибирск, Изд-во НГТУ. - 1997, № 3(8). - с. 123-132.

173. Petrov VV; Pavlova NV. MULTI-METHOD ORGANIZATION IN HYBRID EXPERT SYSTEMS. / Doklady Akademii Nauk. 1996, V 350, N 4, Oct.- p 465-466.

174. Гаврилов A.B., Новицкая Ю.В. Инструментальное программное обеспечение для создания гибридных экспертных систем // Доклады Межд. Науч.-техн. конф. "Информационные системы и технологии" ИСТ-2000. Новосибирск. НГТУ. 2000. Т. 3. С. 488-490.

175. Гаврилов А.В. Архитектура «двухполушарной» экспертной системы. / В межвуз. Сб. науч. трудов «Системы искусственного интеллекта» под ред. А.В.Гаврилова. - Новосибирск, 1993. - с. 10-14

176. Гаврилов А.В., Новицкая Ю.В. Гибридные интеллектуальные системы // The International Conference "Information systems and technologies" IST2003. Proceedings. Novosibirsk. 2003. Vol. 3. P. 116122.

177. A.Walker and M.Woodridge. Understanding the emergence of Conventions in Multi-Agent Systems. In Proceedings of .,1995

178. I.A.Ferguson. Integrated Control and Coordinated Behaviour: A case for Agent Models. In: Intelligent Agents. ECAI-94 Workshop on Agent Theories, Architecture and Languages. Amsterdam, The Netherlands, August 8-9, 1994,

179. Jun Huang, N.R.Jennings and J.Fox. An Agent Architecture for Distributed Medical Care. In: Intelligent Agents. ECAI-94 Workshop on Agent Theories, Architecture and Languages. Amsterdam, The Netherlands, August 8-9, 1994

180. В.И.Городецкий, М.С.Грушинский, А.В.Хабалов, Многоагентные системы (обзор) // Новости искусственного интеллекта, 1998, N2.

181. Гаврилов А.В. Гибридная экспертная система для профориентации. / В сб. науч. трудов НГТУ. - Новосибирск, Изд-во НГТУ. - 1997, № 3(8). - с. 123-132.

182. В.А.Виттих. Эволюционное управление сложными системами. 2000.

183. Джеймс Оделл, Агенты и сложные системы, Открытые системы, №10, 2002

184. Maes P. Artificial life meets entertainment: life like autonomous agents// Communications of the ACM. 1995. - Vol.38, № 11. - P.108-114

185. Hayes-Roth B. An architecture for adaptive intelligent systems// Artificial Intelligence. 1995. - Vol.72. - P.329-365

186. Клышинский Э.С. Одна модель построения агента. // Труды Международной конференции «Интеллектуальное управление: новые интеллектуальные технологии в задачах управления» (ICIT'99) Переславль-Залесский, 1999.

187. Г.М.Цибульский, А.Е.Бельский. Комплекс ввода-вывода и предл. Обработки изображений. //Аэрокосмические методы исследования сельскохозяйственных угодий. М.,: Гидроиздат, 1986.

188. Г.М.Цибульский. Интерфейс «Конечный пользователь-система обработки изображений».// Аерокосмические методы исследования сельскохозяйственных угодий. М.; Гидроиздат. 1986.

189. Г.М.Цибульский, Д.А.Денисов, В.И.Харук. Интерактивная сегментация изображений. Исследование Земли из космоса, №4, 1990.

190. Е.М.Яричин, Г.М.Цибульский, Л.Н.Беспрозванных. Мобильная стереосистема для дистанционного пространственного восприятия.// «Известия высших учебных заведений», Приборостроение,№6, 1990, с.23-26.

191. V.I.Kharouk, K.C.Winterberger, А.Р. Yahimovich, G.M.Tsibul'skii. Pollution induced pretundra forest decline.// Managing forests peoples needs. Proceedings. Anchorage, Alaska, 1994.

192. К.С.Винтербергер, В.И.Харук, Г.М.Цибульский. Анализ техногенной деградации притундровых лесов по данным съёмки из космоса. //Исследования Земли из космоса, №4, 1995.

193. В.И.Харук, К.С.Винтербергер,А.П.Яхимович, С.Н.Мороз, Г.М.Цибульский. Техногенное повреждение притундровых лесов Норильской долины.//Экология,№6 (ноябрь-декабрь), 1996.

194. Yu.A.Maglinets and G.M.Tsibul'skii. Technology for Acquiring Knowledge of the Syntax of Metallographic Images. //Pattern Recognition and Image Analysis., Vol. 8, No. 3, 1998, pp. 431-432.

195. G.M. Tsibul'skii, E. E. Sirotin. Combined Search Strategies in Systems of Analysis and Interpretation. //Pattern Recognition and Image Analysis, Vol.9, No. 2, 1999.

196. G.M. Tsibul'skii, Yu.A.Maglinets. A Combined Retrieval System for Controlling the Analysis and Interpreting the Images of Phase Composition of Deformed Cast Aluminum Alloys. //Pattern Recognition and Image Analysis, Vol. 9, No. 2, 1999.

197. В. И.Харук, А. Г. Кожуховская, И. А. Пестунов, К. Дж. Рансон, Г. М. Цибульский. Съемка NOAA/AVHRR в мониторинге вспышек сибирского шелкопряда. //Исследование земли из космоса, №6, 2000 г.

198. Питер Джексон. Введение в экспертные системы, третье издание. Издательский дом «Вильяме», 2001

199. Джордж Ржевский, Мультиагентные системы в логистике и е-коммерции, 2001

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

201. Людмила Болотова, Сергей Любкин, Владимир Резер; Интеллектуальные информационные технологии (история и тенденции развития), Открытые системы №5, 2002

202. Джеймс Оделл, Агенты и сложные системы, Открытые системы, №10, 2002

203. Анализируй это, робот! Computerworld №02, 2003

204. Искусственный интеллект для сайта, Дэвид Легард, Computerworld №14 2001

205. Ю. А. Загорулько, И. Г. Попов, Ю. В. Костов, И. П. Сергеев. Общая концепция агентов в системе моделирования SEMP-A. // Труды международной научно-практической конференции KDS-2001 "Знание-Диалог- Решение". -Т.1. Санкт-Петербург, 2001, -с.259-267.

206. А.В. Гаврилов, Системы Искусственного Интеллекта. // Новосибирск, 2001

207. Гаврилов А.В., Новицкая Ю.В. Гибридные интеллектуальные системы // The International Conference "Information systems and technologies" IST2003. Proceedings. Novosibirsk. 2003. Vol. 3. P. 116122.

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

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

210. Тарасов В. Б. От многоагентных систем к интеллектуальным организациям: философия, психология информатика. М.: Эдиториал УРСС, 2002

211. Software Agents In Business: Still An Experiment. AgentLink №13, 2003.

212. Тимофеев A.B., Сырцев A.B., «Нейросетевое распределениемульти-агентных потоков данных в глобальных компьютерныхсетях», труды первой Всероссийской научной конференции «Методы и средства обработки информации», Москва 2003.

213. Dekhtyar М., Dikovsky A., and Valiev М., On Feasible Cases of• Checking Multi-Agent Systems Behavior. Theoretical Computer Science, Elsievier Science, 2003, vol. 303, no. 1

214. Dekhtyar M.I., Dikovsky A.Ja., Valiev M.K., Complexity of Multi-Agent Systems Behavior. In: Lect. Notes in AI, no. 2424 (JELIA 2002, S. Flesca and G. Ianni (Eds.)), 2002.

215. Валиев M.K., Дехтярь М.И., Диковский А .Я, «О сложности верификации динамических свойств многоагентных систем», труды первой Всероссийской научной конференции «Методы и средства обработки информации», Москва 2003.

216. Редько В.Г., Мосалов О.П., Митин Н.А., Бурцев М.С., «Многоагентные интернет системы исследование процессовсамообучения и организации», труды первой Всероссийскойнаучной конференции «Методы и средства обработки информации»,• Москва 2003.

217. Топорков В.В., «Стратегии планирования распределенных вычислений в масштабируемых средах», труды первой Всероссийской научной конференции «Методы и средства обработки информации», Москва 2003.

218. М.К.Валиев, М.И.Дехтярь, А.Я.Диковский. О сложности верификации асинхронных многоагентных систем. Труды И-го Межд. научно-практического семинара "Интегрированные модели и мягкие вычисления в искусственном интеллекте", Коломна, 2003.

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

220. Timofeev A.V. Neural Control, Multi-Agent Navigation and Virtual Reality, Models of Robots. 5-th IFAC Symposium "Non-Linear Control Systems", Saint-Petersburg, ,2001.

221. Андреев B.B., Волхонцев Д.В., Ивкушкин K.B., Карягин Д.В., Минаков И.А., Ржевский Г.А., Скобелев П.О. «Мультиагентная система извлечения знаний» Труды 3-ей Международной конференции по проблемам управления и моделирования сложных систем, Самара 2001.

222. Скобелев П.О. «Самоорганизация и эволюция в открытых мультиагентных системах для холонических предприятий». Труды Международного конгресса "Искусственный интеллект в 21 веке", Дивноморское, 2001.

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

224. Кораблин M.A., Ржевский Г.А., Скобелев П.О. Мультиагентная среда для поддержки принятия решений. // ICCS 2001, Санкт Петербург, 2001

225. Rzevski G.A., Skobelev P.O., Korablin M.A. Multi-Agent Models of Networked Organisations // Intern. Workshop "New Models of Business: Managerial Aspects and Enabling Technology", School of Management of Saint Petersburg State University, Russia, 2001

226. A. H. Швецов, С. В. Дианов, «Мультиагентная система отдела по работе с обращениями и жалобами граждан», Информационные технологии №7, 2003

227. Colm O'Riordan and Josephine Griffith, «А multi-agent system for intelligent on-line education», Information Technology Centre National University of Ireland, Galway, Irelan, 2001