WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 || 3 |

Имитационное моделирование организаций с использованием методов искусственного интеллекта Поиск алгоритмов решения интеллектуальных задач на существующих моделях компьютеров относится к самому раннему периоду исследований в области искусственного интеллекта (ИИ). Существенный вклад в развитие методов искусственного интеллекта внесли ее «пионеры»: Маккарти (автор первого языка программирования для задач ИИ — LISP), Минский (автор идеи фрейма и фреймовой модели представления знаний), Ньюэлл, Саймон, Шоу, Хант и др. В 1956–1963 гг. велись интенсивные поиски моделей и алгоритмов человеческого мышления и разработка программ на их основе. С 1977 г. по настоящее время проводятся исследования искусственных интеллектуальных агентов, сосредоточенные на анализе принципов взаимодействия между агентами, на декомпозиции решаемых ими задач на подзадачи и распределении полученных задач между отдельными агентами, координации и кооперации агентов, разрешении конфликтов путем переговоров и т.п. Целью таких работ является анализ, спецификация, проектирование и реализация искусственных агентов и мультиагентных систем [6]. В значительной степени эти исследования повлияли на развитие теорий организации [5], и, в частности, на понимание взаимосвязей элементов в сложных организационно-экономических системах, к которым относятся ЛЦ предприятий.

В конце 1980-х годов в зарубежной литературе опубликовано большое число работ по исследованию применимости предложенной Ньюэллом и Саймоном (1976) концепции символьной системы для создания информационных моделей интеллекта человека и организаций. Символьная система — это набор элементов, называемых символами, которые являются моделями физических объектов. Элементы этого набора могут выступать в качестве компонентов более сложных элементов символьной системы, называемых выражениями, или символьными структурами. Кроме того, в символьной системе должен содержаться механизм, который производит с течением времени эволюционирующую совокупность символьных структур.

Этот механизм включает эвристики, которые, в конечном счете, определяют направление эволюции символьной системы, и грамматики, которые позволяют конструировать корректные символьные структуры. Ньюэлл и Саймон выдвинули гипотезу о том, что такая символьная система имеет необходимые и достаточные средства для общего интеллектуального действия. Общим свойством символьных систем является то, что они решают задачи с помощью последовательной генерации и проверки вариантов решений. Решение задачи может быть представлено как набор последовательных действий в пространстве © Нефтегазовое дело, 2003 http://www.ogbus.ru состояний, ведущий от исходной ситуации к целевой. Решения также представлены в виде символьных выражений.

Хотя применение символьных систем для решения практических задач связано с существенными концептуальными и техническими трудностями, исследования таких систем внесли существенный вклад в развитие теории организации, которая, как показано в работе [5], обладает модельным представлением в виде символьной системы. Как и символьные системы, организации являются искусственными объектами, которые решают поставленные перед ними задачи на основании знаний и опыта. Организации обладают интеллектом, поскольку они, как и люди, способны проводить в пространстве состояний поиск приемлемого решения проблемы и адаптироваться к изменяющимся условиям окружающей среды (экономической ситуации, развитию технологии, ситуации на рынке труда, обеспеченности ресурсами, законодательной системе), обучаться на основе опыта и прогнозировать в условиях неопределенности с целью заблаговременного выявления перспективных возможностей и уменьшения риска.

Интеллектуальное поведение организаций обусловлено не только интеллектом их персонала, оно включает еще две особенности организаций:

организационную структуру и организационные знания — явные, зафиксированные документально, и неявные, относящиеся к организационной культуре.

Концепция организационного интеллекта может быть успешно применена к социальным [Gilbert и Heath, 1985] и политическим [Lindblom, 1965] системам. Исследователи создали интеллектуальные модели торгов [Hoffman и др., 1986; Miller, 1987], валютных систем [Doran, 1987, 1989b], правительственных структур [Bendor и Moe, 1985] и принятия решений во внешней политике [Anderson и Thorson, 1982; Sylvan, 1987; Sylvan, Goel и Chandrasekavan, 1990; Thorson, 1984]; они также использовали логическое программирование для моделирования рынка [Lee, 1988; Lee и Widmeyer, 1988], экономик [Krisnan, Kendrick и Lee, 1988] и более общих социальных систем [Banerjee, 1988; Ennals, 1985].

Любая организация, входящая в ЛЦ, может быть рассмотрена как целенаправленная совокупность взаимодействующих функциональных подразделений (отделов закупок, планирования, производства, маркетинга и т.п.). Подразделения обрабатывают информацию и общаются друг с другом, стремясь достигнуть общей цели организации. Такой целью может быть, например, задача анализа информационных потоков и принятие решения:

подготовка финансового плана, прогноз спроса на продукцию или анализ угрозы со стороны конкурентов. Одному или нескольким подразделениям назначается цель; для достижения поставленной цели подразделения запрашивают информацию у других подразделений, которые, в свою очередь, запрашивают информацию у третьих и т.д., т.е. осуществляется основанный на правилах эвристический поиск. В работе [5] рассмотрена модель производственного предприятия, каждое функциональное подразделение © Нефтегазовое дело, 2003 http://www.ogbus.ru которого представлено отдельным правилом в базе правил, интерпретируемой продукционной экспертной оболочкой (в работе использованы Clips или Exsys Pro). Антецедент (условие) этого правила представляет собой информацию, необходимую подразделению для решения некоторой задачи (например, подготовки оценки спроса), а консеквент (следствие) — результат такого решения. Дальнейшие действия подразделения могут включать нахождение численного значения (например, чистого дохода), присвоение значения логической или качественной переменной (например, для оповещения о доступности дополнительная информация), выполнение программы, ввод и вывод информации в файл или завершения всего процесса по выполнении задания. Структура предприятия описывается отношением между правилами;

то есть, часть следствия из одного правила может быть частью условия другого правила (результат одного действия является условием для другого действия).

Этот способ описания организаций подобен организационной диаграмме, на которой обозначаются подразделения, отделы организации и т.д., а также показывается информация, необходимая для их деятельности и информация, производимая в результате этой деятельности. Совместно с процессом эвристического поиска, этот способ предоставляет динамическую картину процессов принятия решения в организации.

Имитационные модели организаций в виде символьных систем обладают рядом преимуществ. Например, экспертные оболочки, используемые для моделирования организаций, как правило, содержат механизмы объяснений полученного решения, а также необходимости ввода какой-либо дополнительной информации, что является существенным преимуществом при анализе поведения модели организации. Однако децентрализованная, распределенная и связанная с необходимостью анализа множества факторов природа принятия решений в реальных организациях требует мультиграмматического, мультиэвристического (т.е. использующего несколько грамматик для интерпретации ситуации и стратегий поиска решения) и распределенного решения задач в моделирующих системах ИИ. Любая практическая имитационная модель организации должна быть мультиагентной [Gasser, Hill 1990].

Принципы моделирования логистических цепей промышленных предприятий с применением мультиагентных систем Проблематика интеллектуальных агентов и мультиагентных систем (МАС) имеет уже почти 40-летнюю историю [6]. В основе ее лежат результаты исследований по распределенному искусственному интеллекту (Distributed Artificial Intelligence, DAI), распределенному решению задач (Distributed Problem Solving, DPS) и параллельному решению задач (Parallel AI, PAI). В последнее десятилетие это направление исследований претендует на одну из ведущих ролей в рамках интеллектуальных информационных технологий.

Областями практического применения агентных технологий являются управление информационными потоками, системами коммуникаций, потоками © Нефтегазовое дело, 2003 http://www.ogbus.ru транспорта, информационный поиск, электронная коммерция, обучение, системы автоматизированного проектирования, системы управления проектами и многие другие задачи, требующие распределенного принятия решений.

Мультиагентные модели хозяйственной деятельности промышленных предприятийБольшинство задач химической технологии, которые решаются с помощью мультиагентных систем, относятся к классу координации (организации совместной работы) множества объектов. Одним из примеров такой деятельности является процесс проектирования. Han, Douglas и Stephanopoulos (1995) разработали компьютерную СППР с использованием мультиагентного подхода. Процесс проектирования разбивается на отдельные задачи, каждую из которых решает отдельный агент. Основные агенты, а также человек-оператор осуществляют координацию деятельности этих агентов для решения задач проектирования.

В работах Batres, Lu, Naka (1997) и Batres, Asprey, Fuchino, Naka (1999) рассматриваются задачи параллельного проектирования ХТС, которые решаются с помощью параллельно выполняющихся на различных компьютерах в локальной сети программ для решения отдельных подзадач проектирования.

Агентно-ориентированные программы, выполняющиеся на разных компьютерах и написанные на разных языках программирования, общаются друг с другом с помощью языка KQML (Knowledge Query and Manipulation Language).

Eo, Chang, Shin и Yoon (2000) предложили мультиагентную систему технической диагностики ХТС. Агенты ведут наблюдение за оборудованием ХТС и обмениваются своими наблюдениями между собой. Для принятия решения агенты используют базу знаний о каждой единице оборудования.

Задачи управления ЛЦ предприятия также являются по своей природе распределенными и требующими принятия решений на основе сложных рассуждений. Поэтому в последние годы мультиагентные системы стали предпочтительным инструментом для решения проблем управления ЛЦ промышленных предприятий.

Swaminathan, Smith и Sadeh (1998) предложили систему разработки и исследования имитационных моделей для создания специализированных средств поддержки принятия решений при модернизации, или реконструкции ЛЦ. С помощью агентов представлены элементы ЛЦ, в т.ч. покупатели, производственные и транспортные компании. Перечисленные агенты используют различные протоколы взаимодействия и позволяют моделировать движение материальных, финансовых и информационных потоков в ЛЦ. Эти протоколы взаимодействия представляют собой описания формата сообщений различных классов. С каждым классом сообщений связан свой обработчик, который при получении агентом сообщения определяет последовательность и семантику обработки информации. Искусственные агенты используют По материалам [2,3] © Нефтегазовое дело, 2003 http://www.ogbus.ru различные стратегии при управлении запасами, организации снабжения сырьем и деталями, а также выборе оптимальных маршрутов транспортирования.

Система облегчает пользователю отбор компонентов, формирование и уточнение множества компонентов исследуемой ЛЦ, не требуя больших навыков программирования. Созданные имитационные модели в дальнейшем используются для анализа различных вариантов модернизации ЛЦ предприятия.

Garcia-Flores, Wang и Goltz (2000) предложили мультиагентную модель информационных потоков в логистической цепи предприятий перерабатывающих отраслей промышленности. Эти искусственные агенты основаны на архитектуре ADEPT (Advanced Decision Environment for Process Tasks). Объекты ЛЦ выполняют функции потребителей (составление заказов), либо поставщиков (выполнение заказов) услуг. Gjerdrum, Shah, Papageorgiou (2001) предложили применение сочетания численных методов оптимизации и методов ИИ для моделирования и оценки эффективности ЛЦ предприятия. Они предложили модель многоуровневой ЛЦ, которую образуют потребители, поставщики логистических услуг и производственные предприятия. Эта работа посвящена проблемам управления запасами (управление составлением заказов) и не затрагивает процессы принятия решения, в которых участвуют несколько подразделений организации.

В работах [2, 3] предложен подход к разработке интегрированных моделей ЛЦ нефтеперерабатывающих предприятий на основе мультиагентных систем на основе оболочки экспертной системы Gensym G2 и программной среды «ADE».

Архитектура и принципы разработки мультиагентных моделей логистических систем нефтеперерабатывающих предприятий Существует множество различных определений искусственных агентов — большинство разработчиков дают собственное определение агента, в зависимости от конкретного набора свойств, целей разработки, решаемых агентом задач, технической реализации и других критериев. Wooldridge и Jennings (1995) предложили общее определение агента:

Агент — это аппаратная или программная сущность, способная действовать в интересах целей, поставленных перед ним владельцем и/или пользователем.

Искусственные агенты должны обладать следующими основными характеристиками:

• Автономность — возможность в определенной степени контролировать свое состояние и действия, работа без вмешательства оператора.

• Социальное поведение — возможность взаимодействия и общения с другими агентами и/или оператором.

• Чувствительность (реактивность) — адекватное восприятие окружающей среды и способность реагировать на ее изменения.

© Нефтегазовое дело, 2003 http://www.ogbus.ru • Инициативность — способность генерировать цели и рационально действовать в интересах их достижения.

• Базовые знания — не изменяющиеся в течение жизненного цикла знания агента о себе, окружающей среде и других агентах.

• Мобильность — возможность перемещения агента по электронным сетям, в том числе, сети Internet.

Выделяются три базовых класса архитектур МАС [6].

1) Архитектуры, которые базируются на принципах и методах работы со знаниями (deliberative agent architectures). Агенты этого типа используют формальное представление картины мира в виде символьной системы и логический решатель.

2) Архитектуры, основанные на поведенческих моделях типа «стимулреакция» (reactive agent architectures). В реактивных архитектурах искусственных агентов нет эксплицитно представленной модели мира.

Pages:     | 1 || 3 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.