Мультиагентные системы как инвестиция в бизнес

Введение. В современном мире в условиях
цифровой экономики любому предприятию вне зависимости от географического
положения необходим количественный и качественный рост, который возможен только
при развитии производства и внедрении новейших технологий. Полученные за
последнее десятилетие знания привели к глубокой и всеобъемлющей трансформации
принципов развития предприятий. Одним из таких принципов стало своевременное
инвестирование денежных средств в развитие и масштабирование производства.
Важность инвестирования можно наглядно проиллюстрировать статистикой увеличения
объема финансовых вложений в развитие бизнеса во всем мире. Согласно данным
ресурса statista.com, объем инвестиций США в другие страны увеличился на 350%,
с 1,32 трлн долл. США в 2000 году до 5,95 трлн долл. США в 2018 году [14]. Аналогично можно наблюдать динамику
инвестиций Европейского союза в экономику США. Там объем инвестиций увеличился
на 225%, с 0,8 трлн долл. США в 2000 году до 2,6 трлн долл. США в 2018 году [15]. Однако даже такое весомое
увеличение объема инвестиций в мировом масштабе не может покрыть постоянно
растущего спроса на инвестиции на глобальном рынке. В настоящее время в эпоху
развития предпринимательства в условиях цифровой экономики все больше людей
хотят открыть собственный бизнес (т.н. стартап), и для этого им необходимы
инвестиции. При этом не следует забывать, что и уже существующие предприятия
также нуждаются в инвестициях. Возникает классическая проблема экономики:
удовлетворение неограниченных потребностей в условиях ограниченных ресурсов.
Это означает, что инвесторы как никогда нуждаются в эффективной оценке
инвестиционной привлекательности бизнеса (в том числе начинающего – стартапов),
чтобы использовать свои ограниченные ресурсы с наибольшей эффективностью.

На фоне глобального тренда в сторону
увеличения объема инвестиций интересно рассмотреть опыт РФ. Согласно данным
Росстата, с 2014 по 2018 год экономика России (рост ВВП в текущих ценах)
выросла на 31%, с 79 трлн руб. в 2014 году до 103,8 трлн руб. в 2018 году. При
этом показательно, что за тот же период реальный сектор не увидел прироста
инвестиций, сходного с общемировыми показателями. Динамика инвестиций в
основной капитал (в сопоставимых ценах), согласно данным Росстата, с 2014 по
2018 год составила 3,5%.

Как итог, на текущий момент
экономический рост в РФ не сопровождается сопоставимым ростом инвестиций. Это
обусловлено спектром причин, основной из которых является отсутствие комплексных
методик оценки инвестиционной привлекательности (ИП) предприятий.

Во многих случаях руководители
предприятий просто не знают, как правильно оценивать инвестиционную
привлекательность и какие данные использовать для анализа. Как следствие, это приводит
к принятию некорректных инвестиционных решений или вовсе к боязни принимать
решения.

Следует отметить, что корректная
оценка инвестиционной привлекательности необходима не только для инвестирования
в сторонние предприятия, но и для оценки собственного бизнеса в целях
оптимизации производства и роста конкурентоспособности предприятия.

На текущий момент разными
исследователями предложены разнообразные методики для оценки инвестиционной
привлекательности предприятия. Однако ключевая проблема большинства этих
методик заключается в том, что прогноз формируется на основании тренда прошлых
событий, исходя из чего принимаются решения об инвестировании денежных средств
в предприятие. Часто анализ сводится к оценке сценариев в условном формате,
теряется объективность прогнозов и анализ искажается.

В работе Н.А. Рухмановой, К.В.
Варенцовой [5] (Rukhmanova, Varentsova, 2018) подробно рассмотрено,
какие методические вопросы необходимо решить перед практическим внедрением
подходов к оценке инвестиционной привлекательности предприятия. Имеется
исследовательская база, в которой обосновывается использование показателей
различных отраслей экономики. Например, в исследовании Д.А. Ендовицкого [6]
описаны многофакторные модели оценки инвестиционной привлекательности компании,
которые включают логистические, рыночные, политические, информационные факторы,
а также показатели эффективности управления, безопасности активов. В
исследовании Е.Н. Летягиной, П.Н. Беляева [7] (Letyagina, Belyaev, 2015)
рассмотрен системный подход к оценке инвестиционной привлекательности
предприятия. Показано, что в условиях развития современной экономики именно он
является наиболее эффективным по сравнению с ресурсным и процессным подходами.

В частности, авторы поясняют, что
необходимо обосновать используемую систему показателей. Это позволит избежать
перегруженности системы индикаторами, которые используются в анализе.

Предложенные на текущий момент модели
оценки инвестиционной привлекательности работают не автоматически, а с применением
ручного труда, что замедляет получение результатов оценки и делает прогноз
субъективным. С несовершенством оценки инвестиционных рисков напрямую связан и
замедленный темп прироста инвестиций в РФ, упомянутый ранее.

Таким образом, непроработанность и
отсутствие объективности в методиках оценки инвестиционной привлекательности
предприятий обусловливает потребность в их исследовании и автоматизации. Однако
внедрение автоматизированных методик и моделей оценки инвестиционной
привлекательности предприятий – это затратный процесс, но несмотря на высокую
стоимость, в настоящее время актуален потенциал разработки ее программного
обеспечения в целях автоматизации и ускорения обработки входящего потока
информации.

Цель исследования – разработка комплексной методики
оценки инвестиционной привлекательности предприятий и рисков, сопряженных с
инвестициями. Научная новизна предложенной модели от существующих
разработок состоит в том, что в работе предлагается применять многоуровневую
модель кластеризации экономической системы РФ, которая реплицирует работу
финансовой системы России. Авторская гипотеза состоит в предложении выявления
взаимосвязей между элементами системы на разных уровнях и их консолидации на
более высоком уровне, что позволит оптимизировать инвестиционные потоки и
повысить точность прогнозов моделей предиктивной аналитики.

Результаты исследования. Тенденции устойчивого развития
экономики РФ требуют адекватных инструментов анализа инвестиционного климата.
Управление инвестициями в экономических системах базируется на инструментарии
оценки инвестиционной привлекательности предприятий. Формирование этого инструментария
предусматривает наличие моделей диагностики инвестиционных решений.

Современные концепции моделирования
основаны на разработке эконометрических и нейросетевых моделей инвестиционного
климата. Они обозначены в таблице 3. Представленный механизм
моделирования инвестиционной привлекательности кластеров отраслей с учетом
нейросетевого алгоритма моделирования экономических процессов позволяет
разработать нейросетевой инструментарий анализа инвестиционного поведения предприятий.

Таблица 3

Сопоставление методологий прогноза

Методология	Преимущества	Недостатки
Регрессионные	Адаптивность моделирования; стандартизация анализа и проекта	Неопределенность оценки зависимости; трудоемкость определения параметров; малая достоверность модели нелинейной регрессии
Авторегрессионные	Адаптивность моделирования; стандартизация анализа и проекта; большой спектр использования	Трудоемкость идентификации: невозможность нелинейного моделирования
Экспоненциальное сглаживание	Простота моделирования; стандартизация анализа	Малая адаптивность; незначительный сегмент использования
Нейронные сети	Нелинейность; скейлинг, адаптивность; стандартизация анализа и проекта; большой спектр использования	Малая прозрачность; сложность структуры; жесткие требования к выборке обучения; запутанность алгоритма и ресурсоемкость обучения
Классификационно-регрессионные деревья	Скейлинг; малоинерционность обучения; потенциал учета категорий	Неоднозначность алгоритма формирования дерева

Источник: составлено автором по данным [5, 6, 8]
(Rukhmanova, Varentsova, 2018; Parshin, 2011).

Следует отметить, что для
экономических процессов характерна неустойчивость динамики экономики.
Появляется необходимость в анализе динамической системы с учетом ее
волатильности и времени. Такой анализ позволяют провести технологии
нейросетевого моделирования. Нейросетевые модели эффективны при наличии
следующих положений:

• зависимость существует между
переменными динамической системы;

• зависимость линейная (или
нелинейная);

• явный вид зависимости определить
затруднительно.

Для оценки инвестиционной
привлекательности кластеров на основе нейронных сетей нужна база данных,
характеризующая тренд развития предприятий, в частности, целесообразен период
1995–2009 гг., так как именно тогда в экономике РФ можно наблюдать
возникновение тренда устойчивости процессов.

Нейросетевое моделирование
инвестиционной привлекательности кластеров отраслей ориентировано на учет
спектра характеристик состояния предприятий и трендов их развития и,
соответственно, предполагает комплексный подход к оценке. Для универсальности
регрессионной нейросетевой модели инвестиционную привлекательность предприятия
целесообразно аппроксимировать комбинацией трех векторов, характеризующих
приоритеты инвестора:

·
экономический
рост – тренд динамики предприятий;

·
доходность –
уровень эффективности функционирования предприятий;

·
риск – степень
изменчивости индикаторов развития предприятий, стимулирующих инвестиционную
активность.

Для формализации признака проводится
кластеризация отраслей по параметрам векторов экономического роста, доходности,
риска, и в итоге – степени их инвестиционной привлекательности, представлена в таблице
4.

Таблица
4

Критерии
кластеризации инвестиционной привлекательности

Показатели	Шкала оценки
Плохо	Неудовлетворительно	Приемлемо	Удовлетворительно	Хорошо
Рост	1	2	3	4	5
Доход	-2	-1	0	+1	+2
Риск	-2	-1	0	+1	+2
Агрегированные оценки	-3	0	3	6	9
Интервалы инвестиционной привлекательности	<-3	-3-0	0-6	6-9	>9

Источник: составлено автором.

Итак, база данных со спектром
переменных подготовлена для построения нейронной сети и анализа.

Применительно к экономике РФ
нейросетевая модель кластеризации, предложенная в данном исследовании,
реплицирует работу финансовой системы России, выявляет взаимосвязи между
элементами системы и позволяет спрогнозировать, как будет меняться финансовое
положение и объем продаж конкретного предприятия в зависимости от изменения
различного рода показателей.

Важно отметить, что показатели учитываются
в совокупности. Именно поэтому модель имеет два уровня: нижний – уровень
показателей, и верхний – уровень объектов. Внутри каждого объекта
выявляются внутренние взаимосвязи, которые затем выводятся на уровень объектов [2]
(Malov, Letyagina, 2019).

Для инвестиционной привлекательности предприятия
важна стратегия развития региона на основе спектра показателей нейросетевой
модели кластеризации. При этом агентства используют разные модели на основе
параметров политической и социальной среды. В рейтингах стран для
характеристики экономических и политических тенденций часто используют модули
переменных. Значения индикаторов формируют модель прогноза экономики.
Преимущество индикаторов – в их измеримости, однако проблемой остается их
недостаточная обоснованность. Другая проблема заключается в статичности
рейтингов, так как они основаны на прошедших событиях, мало коррелирующих с
будущим.

Анализ рейтинга инвестиционного
климата в РФ международными агентствами позволяет сделать вывод, что негативная
оценка и приписываемые уровни риска зачастую определяются не экономической, а
политической составляющей. Несостоятельность таких оценок также подтверждается
неуклонным развитием экономик азиатских государств.

Таким образом, большинство
существующих на сегодняшний день методологий неполноценны из-за доминирования
политических компонент. Как следствие, на рынке существует острая необходимость
в модификации методологии оценки инвестиционной привлекательности стран и
регионов.

В первую очередь необходимо помнить,
что стратегическое развитие региона определяется набором сфер
социально-экономической деятельности с формированием русла приоритетов
инвестиций. Процесс стратегического планирования инвестиционной деятельности
региона базируется на следующих принципах:

· база – уровень стратегического
развития в целом, спектра ключевых сфер деятельности региона, сегментов для
инвестиций;

· планирование негативных
обстоятельств;

·
бюджетное
планирование независимо от стратегического планирования.

Использование вышеуказанных принципов
повышает эффективность стратегического планирования инвестиционного процесса в
регионе и позволяет создать тесную связь стратегии социально-экономического
развития с инвестиционными стратегиями. Для выбора конкретных инвестиционных
стратегий целесообразен матричный подход в координатах: инвестиционная
привлекательность – конкурентоспособность.

В соответствии со стратегическими
ориентирами развития региона в модели выделяют следующие сегменты деятельности:

· прогрессивный экстенсивный кластер с
высокой привлекательностью и средней конкурентоспособностью при росте
производства за счет эффективности использования ресурсов;

· регрессивный кластер с малой
привлекательностью, малой конкурентоспособностью, что стагнирует производство
из-за снижения привлекательности и истощения потенциала;

· сбалансированный кластер высокой и
средней привлекательности и конкурентоспособности, что обеспечивает прирост
экономического потенциала и качество жизни в регионе.

В условиях импортозамещения при
ограничении взаимодействия с зарубежными партнерами значение имеет
использование концепции кластеров для устойчивого развития экономики
предприятия. Соответственно, развитие бизнеса в регионе на основе кластеров
позволит в большей степени удовлетворить потребности рынка. Кроме того,
трансформация от моноориентированной к полипродуктовой экономике стимулирует
рост устойчивого развития экономической системы, в качестве которой могут
рассматриваться отрасль или регион.

В результате целесообразно применять
кластеры в качестве мезоэкономической модели, обеспечивающей рост устойчивости
экономики региона или отрасли. Для разработки стратегии бизнеса предприятий на
основе кластеров целесообразно учитывать коммуникации между доминирующими и сопутствующими
отраслями при формировании мультипликационного эффекта. При этом актуальна
проблема выбора стратегического приоритета развития кластеров в регионе.

Выделим спектр стратегических
приоритетов в развитии региональной экономики на основе кластеров и представим
его на рисунке 1.

Рисунок 1.
Стратегии развития экономики региона (отрасли) на основе кластеров.

Источник: составлено
автором по данным [5] (Rukhmanova, Varentsova, 2018).

1.
Специализация –
развитие кластеров на основе модернизации.

2.
Укрупнение –
интеграция сопряженных кластеров, стимулирование более прочных коммуникаций.

3.
Диверсификация –
освоение новых видов бизнеса предприятий за счет задействования сопряженных
отраслей.

4.
Кластеризация –
деятельность предприятий на базе формирования инновационной инфраструктуры
вокруг ядер, что стимулирует развитие не только предприятия (отрасли) – лидера,
но и сопряженных предприятий (отраслей).

Для
устойчивого развития любой экономической системы – от предприятия до экономики
региона – целесообразно сочетание методики внедрения системы сбалансированных
показателей с системой стратегического управления.

Процессы формирования
сбалансированной системы показателей (ССП) и риск-менеджмента объединяют две
особенности. Прежде всего, система управления рисками, как и ССП, основана на
«опережающих» индикаторах. Кроме того, в обеих системах имеются операции,
необходимые для реализации целей и минимизации рисков.

Применительно
к экономике РФ гибридная нейросетевая модель кластеризации предложена в
исследовании [2] (Malov, Letyagina, 2019).

Эта
модель реплицирует работу финансовой системы России, выявляет взаимосвязи между
элементами системы и дает понимание динамики финансового состояния и объема
продаж корпорации в зависимости от изменения спектра показателей. Основная предпосылка
данной модели базируется на гипотезе о том, что взаимосвязь показателей
различных секторов экономики опосредована и влияние одних показателей на другие
происходит через воздействие на промежуточные показатели.

Как
показывает практика, функционирование интегрированной системы управления с
учетом рисков эффективно, если она непосредственно связана со стратегическими
целями экономической системы.

На рисунке 2 представлен пример корреляции цели стратегии и риска.

Рисунок 2.
Взаимосвязь стратегических целей и рисков

Источник: составлено автором.

При разработке спектра сценариев
рассматривается влияние идентифицированных рисков на стратегические цели. Это
способствует достоверности стратегических показателей.

Общая
модель экономической системы предполагает использование в качестве базы блоков
(модулей), определяющих ее функционирование:

·
финансовой сферы;

·
внешнего рынка;

·
государственного
сектора;

·
предприятия.

На
выходе общей модели формируется прогноз по следующим показателям:

·
EV
(Enterprise value),

·
Net
income.

Для
построения такой модели применяются нейронные сети с учетом данных,
характеризующих общую модель экономической системы РФ (по двадцати показателям)
[13].

Разработанная
модель кластеризации экономической системы РФ для повышения достоверности
прогноза и адаптивности к динамически изменяющимся средам дополнена
мультиагентной системой (МАС). Преимущество мультиагентных технологий состоит в
инновационном методе решения. В отличие от традиционного трудоемкого
детерминированного алгоритма оптимизации решения, в мультиагентных технологиях
решение получается в результате взаимодействия агентов.

МАС
применяется для управления системами производства, в логистике, в системе сбыта
(е-коммерции), а также в сфере услуг и в науке. Интеллектуальные агенты
распространены в различных сферах: управление диверсифицированными системами,
интернет-порталы, маркетплейсы.

Для
корпораций преимущества мультиагентного подхода сводятся к уменьшению сроков
решения проблем и сокращению объема информации за счет делегирования полномочий
другим агентам для частичных решений, сокращению сроков реализации заказов.

Учет
изменений при разработке МАС способствует повышению эффективности решений при
прогнозе рынка. Это возможно на базе нестационарных многокомпонентных МАС.
Данный термин показывает, что в результате изменений рыночной среды система
адаптируется, меняя свою структуру. Согласно этому спектру изменений, предложим
типологизацию мультиагентных систем [6] и представим ее в таблице 3.

Таблица 3

Типологизация мультиагентных систем

Название	Характеристика
Стационарная	Не подразделяется на компоненты, нет изменений в поведении агентов
Монотонная	Наличие изменений в количестве агентов. Пример: в результате колебаний конъюнктуры с рынка уходят малые предприятия. Адаптация МАС
Вариационная	Наличие для агентов новых программ и стандартов
Динамичная	Применяется при вышеизложенных изменениях

Источник: составлено авторами по
данным [3, 4, 5] (Markelov, 2014; Rukhmanova, Varentsova,
2018).

В
целом можно сказать, что использование многокомпонентных МАС позволяет
организовать принятие эффективных решений за счет адаптации структуры МАС к
динамичности макросреды.

Созданная
моделью МАС динамика топологии генерации фрактального графа обеспечивает
достоверность прогноза взаимодействия предприятий, выявляет кластеры и
ответвления по графу, отражая уровень контактов предприятий при их
деятельности.

В
результате полученная на основе нейросетей (НС), цепей Маркова и фрактальных
графов модель МАС-прогнозирования взаимодействия предприятий на основе
интеллектуальных агентов обеспечивает расчет и динамику контактов предприятий
при их взаимодействии.

Перспективы
улучшения качества моделей оценки инвестиционной привлекательности предприятий
и в целом экономических мезосистем в немалой степени обусловлены методологией и
комплексностью применения экономических моделей, в частности модели
кластеризации экономики РФ с учетом мультиагентных технологий.

Заключение. В статье представлены результаты исследования, ориентированные
в первую очередь на активное применение в деятельности предприятий.

Проблема оценки инвестиционной
привлекательности предприятия является важной для экономики РФ [11] (Adamaytis,
Agapitova, 2011). Не так давно получили широкую популярность финансовые
инвестиции и возникла потребность в оценке инвестиционной привлекательности [12]
(Endovitskiy, 2010).

По результатам
исследования предложен инновационный подход к оценке инвестиционной
привлекательности предприятий, позволяющий проводить оценку как самого производства,
так и его внешнего окружения. Как следствие, у руководителей появится новый
инструментарий для принятия выгодных инвестиционных решений, а также
корректировки бизнес-процессов внутри собственного предприятия с целью
повышения конкурентоспособности.

Таким образом,
предлагаемую методику комплексной оценки инвестиционной привлекательности
компании можно использовать для принятия рациональных решений ее руководством и
инвесторами.

Введение

Объектом рассмотрения данной работы мы бы определили логистику как принятие решений относительно нормирования и распределения ресурсов. Другими словами, целью логистики является согласование имеющихся ресурсов и спроса на них.

Определенная таким образом, логистика становится основным элементом различных видов коммерческой и производительной деятельности, включая ниже перечисленные:

• Торговля и снабжение (согласование спроса и предложения)
• Планирование коммерческой, промышленной и разработческой деятельности (согласование рода деятельности и требуемого на нее периода времени)
• Планирование ресурсов компании (соответствие ресурсов намеченным задачам компании)
• Контроль над механизмами и процессами (согласование действий и поставленных задач)
• Разработка механизмов и структур (соответствие функций и структур спецификациям)

Я полагаю, что довольно скоро мы ощутим коренной (paradigm) сдвиг в методах, которыми осуществляем эти виды деятельности. Слово paradigm используется здесь в определении Томаса Кана, которое он дал в своей основополагающей работе о научной революции [1], т.е. подразумевающий “принятые в научной практике вариации, включающие в целом законы, теорию, области применения и оборудование – являющиеся моделями, на которых основываются конкретные логически обоснованные традиции научных исследований.” По Кану, такой сдвиг всегда является следствием появления новых задач, которые не могут быть решены с помощью известных и обоснованных теорий и методов, применявшихся при решении предшествующих задач.

Всемирная информационная экономическая система

Какие же новые задачи в сфере распределения ресурсов не могут быть решены с помощью уже существующих и предпочитаемых ныне методов” Их множество и все они имеют отношение к фундаментальным изменениям в экономических, социальных и законодательных факторах, влияющих на ситуацию на рынках. Самым важным из этих факторов является глобализация экономической деятельности. Отмена пошлин, перемещение производственных мощностей из развитых стран в страны третьего мира в совокупности с невероятным ростом сети Интернет сделали возможным присоединение к мировому рынку все новых стран. Благодаря сети Интернет, производитель получил возможность поставлять свои товары и услуги покупателям в любой части света, и напротив, Интернет дал возможность покупателю получать самую точную информацию о производителях, независимо от географического места их расположения. Огромное количество продавцов и покупателей всемирной экономической системы, поведение каждого из которых непредсказуемо, делают эту систему предельно сложной, что приводит к неэффективности общепринятых конкурентных стратегий [2].

Приведем основные характеристики Всемирного информационного сообщества:

• Превалирование в экономической деятельности скорее информационного обмена, чем обмена какими-либо физическими объектами. В США и Великобритании производство составляет лишь 20% ВНП. Оставшаяся часть получается поставкой услуг, чаще всего имеющих отношение к программным продуктам и Интернет.
• Преобладающим экономическим ресурсом являются скорее знания (интеллектуальный капитал), чем деньги (финансовый капитал). Каждая исключительная идея или ноу-хау привлекают массы инвесторов. Оценка компаний чаще всего основывается на внедрении ими новейших технологий, а не на их прибыльности на данный момент.
• Преобладающим средством массовой коммуникации является скорее Интернет и такие цифровые системы коммуникации как Интранет и Экстранет, чем автомобильные и железные дороги и почта. Деловая переписка через Интернет гораздо более эффективна, чем через общепринятые средства коммуникации. Рост е-коммерции показателен в данном случае.
• Превалирующей организационной структурой является сеть, а не иерархия. Сеть малых систем гораздо более чувствительны к изменениям на рынке, чем большие бюрократические структуры.
• Преобладающей методологией развития является нарастание и эволюция, чем нисхождение. В противоположность преобладающей методе эры промышленного производства, когда отдавалось предпочтение экономике, контролируемой диктатом сверху, и порождавшей громоздкую и неэффективную систему, новая экономика становится благоприятной почвой для последовательного роста и развития.
• Преобладающий уровень информационного обмена ” скорее всемирный, чем региональный или местный. Организации, не имеющие доступа к глобальной информационной сети, ограничены тесными рамками. Стратегия победителя ” в углублении знаний, в сферах, отличающихся от общепринятых и, вместе с тем, органично вписывающихся в систему других областей знаний.

Новая парадигма

Переход от промышленной экономики к информационной обусловлен стремительным прогрессом в цифровых технологиях, которые для людей, облаченных властью принимать решения, являются единственно доступным ресурсом, цена на который характеризуется постоянным падением. Развитие цифровых технологий следует в соответствии с хорошо известным законом Мора, который гласит:

Каждые 18-24 месяца, на обозримый период будущего, количество чипов, а следовательно и мощность компьютерного оснащения удваиваются, в то время как их стоимость остается примерно на том же уровне.

Есть доказательства тому, что с 1960-х годов развитие компьютерных технологий происходит в строгом соответствии с этим законом. Это подразумевает, что и в ближайшем будущем стоимость электронных знаков будет ниже стоимости штрихового кода. Следовательно, мы можем ожидать, что все физические объекты будут обладать электронными знаками и, таким образом, получат возможность общаться друг с другом, открывая широчайшие возможности для интеллектуальной логистики.

Второй и гораздо менее известный закон цифрового мира ” закон Меткафа ” гласит, что:

Ценность сети равна числу ее пользователей в квадрате.

Это подразумевает, что рост полезности сети не линеен. Он многочленен, что обусловливает гораздо более плодотворный способ создания систем, чем ограниченная структура. Интернет, конечно же, является ярким примером действия закона Меткафа. Тем не менее, границы действия этого закона гораздо шире и включают человеческие системы. Мы все не раз убеждались, что результат работы команды гораздо эффектней, чем просто сумма результатов работы отдельных индивидуумов.

Я полагаю, что Закон работы в сети будет иметь особое значение в логистике. Взамен больших централизованных систем в логистике мы создадим интеллектуальных агентов, способных спланировать и перепланировать нормирование и распределение ресурсов в соответствии с динамически изменяющимися требованиями рынка.

Третий закон Всемирной информационной экономической системы ” закон стоимости деловой активности:

Размер организации зависит от разницы между ценой деловых операций и ценой обладания ресурсами, необходимыми для участия в этих операциях.

Воздействие сети Интернет на продуктивность деловой деятельности находится в прямой зависимости от самой низкой стоимости этой деятельности (например, продаж и маркетинга) в случае, если бы они осуществлялись вне этой сети. Компании, охватывающие в своей деятельности е-коммерцию, достигают большой плодотворности , т.к. через свои Веб сайты способны охватить более широкий круг потребителей и, что более важно, имеют возможность предложить им множество дорогих услуг, ранее осуществлявшихся большим количеством их сотрудников. По сравнению с этим, цена обладания ресурсами очень высока, и поэтому мы можем ожидать снижения размеров в ближайшем будущем.

В соответствии с этим законом, было бы разумным производить операции логистики по Порталам Логистики, совмещая торговлю товарами с принятием решений по распределению, транспортировке и управлению всей цепочкой снабжения.

Интеллектуальные агенты

Концепция Интеллектуальных агентов является ключом к пониманию Интеллектуальной логистики.

Интеллектуальные агенты ” программные объекты (особый род компьютерных программ), способные к взаимодействию друг с другом и анализу информации, полученной через их сообщения друг другу. В оправдание определения “интеллектуальные”, Агенты должны быть способны к принятию решений в условиях неопределенности ситуации, действовать при отсутствии полной информации, хотя бы и в какой-либо узкой области. Как правило, агенты скорее обучены, чем запрограммированы для выполнения конкретной работы. Наиболее продвинутые версии агентов могут учиться на собственном опыте и иметь отличительные черты индивидуальности.

Основными элементами интеллектуального агента, дающими ему возможность обладать определенным уровнем восприятия, умения познавать и действовать, являются базы знаний в определенной сфере жизнедеятельности, содержащие модели простейших ценностей и отношений и алгоритмы анализа, обучения и ситуативной ориентации. Здесь могут быть использованы стандартные технологии создания искуственного интеллекта ” например, предикативное исчисление, генетические алгоритмы, несистемная логика и сеть нервных окончаний. Для сохранения простоты агента, область его деятельности должна быть очень узкой. [3], [4].

Используя концепцию кривых полезности, агента можно создать таким образом, что он будет иметь определенное отношение к принятию рискованных решений в условиях неопределенности ситуации. Команда агентов с различными характеристиками в отношении принятия рискованных решений будет действовать подобно группе операторов с набором различных типов отношений к принятию решений. Ниже представлена концептуальная схема агента (Сх. 1):

Интересное направление развития мультиагентных систем ” попытка снабдить агентов механизмом для видоизменения протоколов регулирования переговоров, которые ведутся между ними [5]. Эта способность дает агентам возможность бесконечно улучшать результативность принятия решений. Концепция мультиагентного проектирования и контроля полностью развита на сегодняшний день. Дальнейшие сведения можно получить, например, из [6] и [7] источников.

Интересно, что бесспорного определения интеллекта не существует. В процессе разработки интеллектуальной сети мы предложили и успешно использовали следующее поведенческое определение (“поведенческое” означает здесь, что определение позволит нам измерить результаты , не объясняя, каким образом эти результаты могли быть получены):

Интеллект ” это способность системы добиваться цели или проявлять определенное поведение в условиях неопределенности ситуации, вызванной какими-либо непредсказуемыми событиями.

Из приведенного выше определения следует, что если система справляется с поддержанием требуемой деятельности несмотря на непредсказуемые события, то данная система является интеллектуальной. Это определение, тем не менее, не отвечает на решающий вопрос, а точнее: каким образом сделать объект или систему интеллектуальной” Для этого мы должны получить некоторое представление о человеческом интеллекте, а точнее, о тех его аспектах, что делают человека способным к решению новых, незнакомых ранее проблем и достижению желаемых целей даже в условиях непредсказуемых событий. В этом направлении был достигнут значительный прогресс, но его детали ” не предмет исследования данной работы. Упомянем лишь один аспект человеческого интеллекта ” способность узнавать частично восстановленные ситуативные модели через информативные предположения, за которыми следуют подтверждение и исключение ошибок. Карл Поппер обозначил этот процесс как предположения и опровержения [8].

Торги между автоматизированными (абсолютно предсказуемыми) и интеллектуальными системами (не совсем предсказуемыми) проиллюстрированы в ниже приведенной таблице 1:

	Автоматизированные системы	Интеллектуальные системы
Основные характеристики	Предсказуемость, повторяемость, иерархическая структура	Гибкость, чуткость, самоорганизация
Механизмы достижения основных характеристик	Заданные алгоритмы, память; интеграция	Способность строить предположения; знания; обучение, работа в сети
Основные недостатки	негибкость	Риск совершения ошибки
Механизмы преодоления недостатков	модуляции	Распределение интеллекта, полноценное использование имеющихся знаний, умение учиться на своем опыте
Области применения	Стабильные среды, долговременное производство, массовое производство	Непредсказуемые среды, часто изменяющееся производство, индивидуальное производство, кратковременные периоды освоения новой продукции

Таблица 1 Автоматические и интеллектуальные системы

Идея сконструировать программных агентов пришла ко мне много лет назад в процессе прочтения работы Мавина Мински The Society of Mind [9] ” книги, имеющей фундаментальное значение для исследования интеллекта как природного, так и искуственного.

Мультиагентная логистика

Как было описано выше, всемирная экономика характеризуется частой сменой спроса на ресурсы, что оказывает определенное давление на производителей, которые поставляют свои товары в разные части света. Закупка мест в грузовом самолете, наем автотранспорта, аренда складских помещений, мониторинг потоков запчастей и оборудования и своевременная доставка ” деловые операции, еще более трудно осуществимые теперь, чем когда-либо. Даже изнутри процесса, в рамках предприятия, логистика становится кошмаром из-за того, что покупатели часто пользуются своим правом передумать насчет параметров и характеристик своих покупок.

Современные системы логистики централизованы и оптимизированы под поставку товаров “на поток?, в стабильной ситуации, следовательно, слишком негибки чтобы справиться со сложными, постоянно меняющимися внешним и внутренним потоками материалов. Производители машин в настоящее время ежегодно теряют миллионы долларов из-за негибкости своих централизованных систем материально-технического снабжения.

Первая разработка компании “МАГЕНТА” в области мультиагентной логистики органично связана с е-коммерцией и будет описана далее на примере ее использования в автомобильном бизнесе – торговле, управлении системой распределения и снабжения. Типичная схема логистики в сфере автомобильного бизнеса потребует три Веб Портала, как показано на схеме далее:

Используя стандартные способы предсказания спроса, производитель машин планирует производство ряда автомобилей, каждый из которых обладает набором возможного оборудования. Это – Запланированные машины. Дилеры (или, напрямую, покупатели) подают заявки на машины, указывая модель и параметры. Это – Заказанные машины. В Портале 1 (Таблица 2) каждая Заказанная машина уже расписана, и агент обязан найти Запланированную машину с подходящими характеристиками. Каждая Запланированная машина также уже расписана, и агент обязан найти соответствующую Заказанную машину. Агенты взаимодействуют и легко находят подходящую пару машин. Запланированные и Заказанные машины, не нашедшие пару, уходят на второй раунд переговоров, которые, возможно, будут включать предложения о скидках или дополнительной плате для облегчения поиска подходящей пары. Современная практика разрешает покупателям изменять спецификацию заказанного автомобиля даже после того, как заказ был запущен в производство. Агент, занимающийся такой машиной, должен позаботиться, чтобы изменения были приняты во внимание, и внутренние производственные процессы были соответственно модифицированы. Такой же процесс согласования купленных машин и средств для их транспортировки должен происходить в Портале 2, как только процесс купли-продажи в Портале 1 завершен. В Портале 3 агенты должны соотносить машины и соответствующие детали и организовывать распределение деталей для конвейеров и цехов сборки машин.

Основой системы “МАГЕНТА”, осуществляющей согласование спроса и предложения, является команда агентов. Агенты содержатся в Базе Агентов, ожидая приписки к определенному заказу на ресурс/спрос или, другой вариант, только программные гены агентов хранятся, и они сами себя создают на базе возможных генов в момент, когда необходимы их услуги. Каждый агент знаком со своим предназначением и способен планировать собственное поведение с целью достижения его выполнения.

С моей точки зрения, никакая другая технология не способна сегодня произвести процессы согласования такого рода автономно.

Мультиагентная логистика второго поколения

В будущем для того, чтобы справиться со стремительными изменениями в спросе и предложении, возможности транспортировки будут рассматриваться как предмет потребления. Поставщики деталей и транспортных услуг будут торговать опционами и заключать фьючерсные сделки. Краткая версия сценария для интеллектуальных систем материально-технического снабжения второго поколения, разработанный компанией “МАГЕНТА”, предлагается далее. Основным нововведением в нем является замена штрихового кода на электронные знаки, каждый из которых содержит агента.

После получения опционов на транспортировку, поставщик должен послать поток Интеллектуальных Посылок (посылок с интеллектуальными электронными знаками, каждый из которых содержит простого интеллектуального агента, встроенного в чип, имплантированный в упаковочный материал) в Центр Всемирной сети логистики (GLN). Каждый посланный агент имеет знания о месте своего назначения, ожидаемом времени прибытия, пути следования, условиях складирования и эксплуатации, весе и размерах. Каждый Центр GLN (склады, транспорт) будет иметь своих собственных агентов, способных общаться с вверенными им интеллектуальными агентами.

При прохождении через GLN Посылки будут регулярно обновляться через Интернет в соответствии с изменением места их назначения и времени прибытия. Как только становится известно новое место назначения, агенты в Посылках и агенты Центров GLN начинают вести переговоры по поводу новых путей следования по Сети – индивидуально для каждой Посылки. В случае необходимости агенты в Посылках будут покупать новые транспортные опционы для продолжения своего путешествия. Агенты будут способны сделать это без обращения к поставщикам Посылок.

Этот сценарий демонстрирует развитие изначально распределенной, самоорганизующейся системы логистики, обеспечивающей снижение временных и материальных транспортных расходов. Плюс к этому, она обеспечит экологически чистое решение проблемы урона, нанесенного окружающей среде нерациональным передвижением товаров вокруг земного шара. Прототип такой системы будет разработан уже через год. Последующее ее развитие будет идти по нарастающей. Необходимые пространство для складирования и средства транспортировки могут быть добавлены в сеть когда будет нужно и в необходимом количестве. После этого можно будет проектировать GLN для дальнейшего роста и развития, как это было с сетью Интернет.

Ниже Вы можете видеть диаграмму такой системы:

На практике движение в направлении новой парадигмы в логистике будет зависеть от продвижения в разработке недорогих силиконовых чипов со встроенным цифровым интеллектом для того, чтобы можно было вкладывать их в Посылки и приложения. Нам понадобятся сенсоры и приводы, чтобы связать искуственный интеллект с реальным миром и средствами связи (проводными или беспроводными) для того, чтобы дать агентам возможность обмениваться сообщениями. Большая часть необходимых технологий уже существует, и мы можем положиться на закон Мора в том, что существует возможность снизить цены до того уровня, который сделал бы интеллектуальные системы конкурентоспособными.

Но что особенно важно ” так это изменения в человеческом сознании. Значительная часть деловых людей высокого ранга и специалистов в логистике должны понять, что всемирный рынок требует работы мысли, что в корне отличает его от рынка, который принес нам благосостояние в эру национальных экономик. Новые условия поддадутся освоению только в том случае, если и компании, и производство ими продукции будут построены как гибкие системы, а не как жестко структурированные и интегрированные иерархические организации

Интеллектуальное кодирование в розничной продаже

В 1995 году я был приглашен в Совет по технологиям развития систем розничной торговли для чтения доклада о возможном воздействии технологий мехатроники на системы розничной торговли в Великобритании. Далее в работе приведена выдержка из этого доклада, содержащая доказательства того, что система розничной торговли могла бы развиваться далее на принципах, которые являются основой для систем логистики.

Современные автоматизированные складские хозяйства и считывающие устройства для штрих-кодов не подходят для динамического рынка. Автоматизированные складские системы запрограммированы для работы в негибкой среде и, следовательно, неспособны справиться с непредвиденными обстоятельствами (как, например, тюки, складированные в неправильном месте ), в то время как считывающие устройства для штрих-кодов находятся под полным контролем людей-операторов и, соответственно, не могут работать в автономном режиме.

О многих новейших системах для розничной торговли, разработанных в США, Японии и Тайване писали и говорили достаточно полно и всесторонне. Они покрывают ряд направлений – такие как цифровое кодирование имущества для управления запасами [10]; роботизированные системы для упаковки косметики и пищевых продуктов, управление автоматизированными складами оборудования, гибкие системы автоматической погрузки и разгрузки. Несмотря на то, что все эти устройства называют мехатроническими, в настоящее время очень немногие из них способны справиться со сколько-нибудь незапланированной ситуацией.

Я полагаю, что новое поколение интеллектуальных систем, в основе которых лежит концепция интеллектуального кодирования,[11], [12], будет играть решающую роль в розничной торговле и распределении.

Идея основана на том, что упаковочный материал будет включать в себя устройства для хранения всей необходимой информации о товаре, включая его идентификатор, цену, доступность, условия хранения, вес, гарантийный срок, условия транспортировки и т.д. Складские средства информации будут давать возможность считывать эту информацию и вносить в нее поправки и дополнения в любом пункте цепи продвижения товара. Вносить в кодировку дополнительную информацию можно будет или с помощью сенсоров (например, температурных), или с кодирующих устройств, подконтрольных операторам. Важно отметить, считывающие и кодирующие устройства будут работать на расстоянии, т.е. для распознавания им не понадобится физический контакт.

Такая кодировка товара даст возможность разработать мехатронические системы для отслеживания и управления товаром в процессе его доставки от поставщика до потребителя. Хотя пока достаточно трудно определить мельчайшие детали таких систем, вполне возможно, что они будут включать следующие элементы:

• Интеллектуальное распределение по полкам (на складах и магазинах розничной торговли), обладающее способностью определить и доложить, есть ли тот или иной товар на полке в данный момент, и организовать складирование товаров, различающихся по размеру или количеству.
• Интеллектуальные роботы, способные к поиску товара по информации, считанной с интеллектуальных кодировок, а не к доставке товара из заданной точки, как происходит в настоящее время.
• Интеллектуальные транспортные системы (грузовики, автономные средства транспортировки, конвейеры), умеющие определять товары, погруженные на них, и передавать эту информацию далее по системе, если необходимо.
• Интеллектуальные системы управления средой хранения товаров, способные выявить правильные условия хранения для каждого товара.
• Интеллектуальные системы рассортировки товаров, способные рассортировать товары в соответствии с информацией, записанной в их кодировках.
• Интеллектуальные системы расчета, способные считать цены товаров, размещенных на том или ином конвейере или в корзинах (включая любые скидки, предоставляемые на день покупки определенной группе покупателей) и записывать их на счет покупателя.

Все вышеперечисленные системы будут мехатроническими системами нового поколения, что означает, что они будут оборудованы разумными датчиками, мощными подсистемами обработки информации, искусственным интеллектом, соответствующими приводами и коммуникационными подсистемами, способными обмениваться информацией в мультимедийном формате сети Интранет, основанной на технологии Всемирной Веб сети.

Информация, полученная с этих мехатроничесих систем, будет использоваться для определения местных тенденций в спросе, что поможет организовать сеть предприятий по розничной продаже, ориентированных на нужды местных потребителей (и, как выходит, принадлежащих к местному сообществу), не теряя преимуществ в размере и связи со Всемирной сетью (и, с другой стороны, принадлежащих к Всемирному сообществу).

Индустрия розничной торговли может оказаться перед лицом серьезного технологического испытания ” как осуществить безболезненный переход от старых технологий к новым” Ее стратеги, несомненно, давно отметили, что мировые лидеры движутся по направлению к новому смелому миру виртуальных организаций и разумных мехатронических систем.

Несколько примеров проектов, включающих Интеллектуальные сети, которые были нами инициированы или в которые мы оказались тем или иным образом вовлечены, описаны далее в целях демонстрации общих возможностей применения мультиагентных систем управления.

Команда агентов, управляющих станком

Прототип был разработан практически в ходе эксперимента по выявлению возможной полезности агентов в производстве. Первым шагом проекта был отбор агентов для участия в процессе управления, в данном случае, простым металлорежущим станком. Ведущим принципом было вовлечение одного агента на одну операцию, причем операции были отобраны таким образом, что для выполнения каждой из них требовались знания ноу-хау особого, узкого профиля. В случае с нашим металлорежущим станком отобранные операции были следующие:

1. Управление скоростью обработки
2. Планирование
3. Слежение за работой станка
4. Обеспечение безопасности и сохранности
5. Ведение и доклад протоколов

Итак, команда из 5 агентов была сформирована следующим образом. Агент действия получил задание подобрать и поддерживать оптимальную скорость резки металла. Агенту эксплуатации было дано задание следить за состоянием станка. В случае поломки Агент эксплуатации был запрограммирован на начало ведения переговоров с Агентом действия по вопросу остановки процесса работы или ее продолжения с последующей заменой инструмента при первом же представившемся случае, в зависимости от серьезности поломки. Агент планирования вел переговоры с другими агентами планирования по поводу нагрузки на станок в виде аукциона, в котором технические возможности станка согласовывались с объемами заказов. Агент безопасности наблюдал непосредственно за условиями работы станка, следя за тем, чтобы рабочие или роботы не переступали границы зоны, безопасной для работы. Агент администрирования вел записи и отсылал отчеты по работе станка. В процессе ведения переговоров во избежание тупиковых ситуаций использовались простые протоколы общения в форме правил производства.

Каждый агент представлял из себя миниатюрную систему с базой знаний, включающей в себя до 10 правил и некоторый набор фактов. Например, база знаний Агента действий содержала сведения о характеристиках некоторых металлов и правила выбора оптимальной скорости их обработки. База знаний Агента эксплуатации состояла из информации о типичных случаях поломок инструментов и опасностях каждой конкретной поломки для рабочего состояния станка. Тот факт, что агенты были узкими специалистами в своей области, способствовал их успешной работе в какой-то конкретной сфере, что требовало наличия сравнительно небольшой базы знаний у каждого агента. Набор небольших баз знаний взамен одной большой значительно упростил процесс работы. Он также уменьшил последствия случайных ошибок, сделанных агентами, так как их базы знаний находились в постоянном процессе пополнения необходимыми ноу-хау.

Мультиагентная система оказалась простой в разработке и высоко гибкой. Что было гораздо важнее, тем не менее, так это тот факт, что группа из пяти агентов проявила новый тип поведения, которое оказалось куда как более эффективным, чем поведение отдельных агентов.

Компрессоры интеллектуальной конфигурации

Осевые турбокомпрессоры используются во многих областях промышленности, в которых необходимо перемещать или сжижать большие количества газа или воздуха. Типичный пример тому ” реактивные двигатели, газовые турбины, поршневые компрессоры газопроводов и многие обрабатывающие заводы. Работа любого турбокомпрессора ограничена рамками аэродинамических явлений застоя и выброса, когда поток газа становится нестабильным и может изменить направление движения. Развитие явлений застоя и выброса может нанести компрессору значительный ущерб. В современных конструкциях осевых компрессоров используются фиксированные вращающиеся лопасти и фиксированные статорные лопасти с ограниченной возможностью изменения градуса угла по отношению к установленному, используя простейшие алгоритмы управления. Целью работы компрессора является установление правильного предела выброса, т.е. избежание возможности проявления застоя и выброса в процессе работы.

Этот предел выброса накладывает ограничения как на работу компрессора, так и на его эффективность. Например, крупные промышленные турбокомпрессоры могут поглощать энергию порядка 50 мВт ежегодной стоимостью от £5000 до £20000, в зависимости от нагрузки и потребления энергии. Таким образом, понятно, что цена даже самого малого снижения эффективности из-за повышения давления и/или потока с соответствующим пределом выброса достаточно значительна. Ранние исследования конструкции, проводившиеся Аэрокосмическим университетом Рикардо [13], показали, что улучшение определения предела выброса всего на 4% дало бы ощутимый результат в работе газовых турбин и принесло бы значительное преимущество как гражданской, так и военной технике. Избежание выброса нашло бы важное применение в аэрокосмической сфере. Выброс в обстоятельствах маневрирования может привести к аварии самолета, наиболее ярким примером которой может служить крушение российского ТУ-144 Суперсоник на Парижском салоне в 1973 году, когда погибли 14 человек.

При поддержке группы промышленных организаций и опытных конструкторов турбодвигателей мы решили преодолеть проблему аэродинамической нестабильности компрессоров новым способом. Было принято решение пересмотреть основополагающие принципы конструкции компрессоров, отказавшись от общепринятой фиксированной или частично изменяемой конфигурации, и применить концепцию нового типа сети. В результате мы сконструировали осевой компрессор с изменяемой конфигурацией, в котором каждый подвижный элемент управляется отдельным интеллектуальным агентом. Затем агенты были объединены в сеть и получили возможность вести переговоры относительно положения подвижных элементов в целях достижения результата как можно более близкого к оптимальному в постоянно изменяющихся аэродинамических условиях. Работа компрессора в целом представляется результатом взаимодействия его агентов.

Предлагаемый компрессор интеллектуальной конфигурации будет действовать при помощи датчиков, отслеживающих аэродинамические условия для каждого подвижного элемента. Информация с датчиков будет использоваться агентами, которые через в процесс переговоров будут управлять принятием решений и давать указания приводам принять конфигурацию потока, которая обеспечит оптимальную работу в данных аэродинамических условиях.

Моделирование системы, предпринятое нашей исследовательской группой, показало, что, во-первых, подвижные элементы будут представлять собой набор стандартных лопастей. Позже мы исследуем результаты разработки индивидуально изменяемых неподвижных лопастей.

Компрессор интеллектуальной конфигурации является чистейшей мехатронической системой [14], включающей механические компоненты, характеризуемые переменными конфигурациями (например, лопасти), датчики, приводы, цифровое техническое и программное обеспечение и встроенный искуственный интеллект. Таким образом в следующем тысячелетии будут устроены большая часть недвижимых и передвижных устройств.

Достижение в области безопасности деятельности ошеломляющие. Используя внутренние процессоры в компрессор можно встроить:

• самодиагностику (отслеживание работы компрессора и определение возникающих неполадок),
• самопочинка через смену конфигурации (отсоединение сломанных деталей, обезвреживая их воздействие)
• Постепенное снижение эффективности (перемещение оставшихся действующих частей с целью получения сниженного, но приемлемого уровня эффективности; кроме того, в случае поломки основных действующих элементов, таких как приводы, например, агенты могут вернуться в работе к режиму фиксированной конфигурации)

Первые результаты указывают на то, что осевой компрессор, сконструированный в виде сети подвижных элементов, мог бы работать в гораздо большей обшивке без риска проявления застоя или выброса. Новый подход в разработке поможет создать более компактный компрессор с меньшим количеством стадий для достижения заданного коэффициента сгущения. Поскольку возрастет сложность в конструкции лопастей и появится необходимость во встроенных датчиках для определения окружающих аэродинамических условий и приводах для изменения конфигураций, это будет компенсировано общим увеличением эффективности и надежности.

Исследования по всему миру, особенно в МИТ в Америке, показывают, что изменяемая конфигурация компрессора повлечет за собой улучшение его технических характеристик по сравнению с существующей конструкцией [15]. В процессе моделирования было доказано, что мы получим возможность достигнуть гораздо большей эффективности (при определенных условиях) большую загрузку (ведущую к снижению необходимого количества электронного оборудования). Можно предсказать снижение стоимости порядка 20% (снижение стоимости электронного оборудования и работы самого компрессора). Тем не менее, мировые исследования нестабильности работы компрессоров сконцентрированы вокруг аэродинамического понимания проблемы [16], [17], [18], [19], [20], [21], в то время как определению нестабильности и требованиям управления ею уделяется достаточно мало внимания. Настоящая работа основана на убежденности в том, что проблема нестабильности будет достаточно исследована и разработана с целью определения и анализа ее моделей.

Концепция, предложенная нашей исследовательской группой,

Автор: Профессор Джордж Ржевский
Председатель ООО “Маджента: мультиагентные приложения”, Лондон;
Почетный профессор Открытого университета, Мильтон Кейнс;
Приглашенный профессор Университета Брюнеля, Аксбридж, Великобритания

Введение.
Актуальность выбранной темы объясняется необходимостью совершенствования
организационных механизмов управления мультиагентных систем и проектов с целью
повышения их результативности за счет комплексного подхода к процессу
управления такими системами и проектами.

Вопросам управления
и реализации кластерных проектов посвящено множество методических материалов,
например: «Механизмы управления организационными
проектами» [1, с. 4–31] (Organizational
project management
mechanisms, 2003), «Подходы и
методологии управления проектами» [2] (Project
management approaches
and methodologies
2021), а также работы отечественных и зарубежных авторов, таких как Воропаев
В.И. [3, с. 206–209] (Voropaev, 2009, р. 206–209),
Осьмаков В.С., Товб А.С., Ученов А.А. [4, с. 6–20] (Osmakov,
Tovb, Uchenov, Tsipes, 2018, р. 6–20), Мазур И.И. [5, с. 395–417]
(Mazur,
Shapiro, 2010, р. 395–417), Дитхелм Г. [6,
с. 51–70, 187–203; 7, с. 10–83] (Ditkhelm, 2004, р.
51–70, 187–203; Ditkhelm, 2004, р. 10–83), Пинто Дж. [8,
с. 215–301] (Pinto, 2004, р. 215–301), Фунтов В.Н. [9, с. 89–105] (Funtov,
2008, р. 89–105), Вулдридж
М., Дженнингс Н.Р. [10, с. 563–592] (Wooldridge, Jennings,
1999, р. 563–592), Бристоу
М., Фанг Л., Хипель К.В. [11, с. 834–850] (Bristow,
Fang, Hipel, 2014, р. 834–850) и
др. Однако остаются нерешенными вопросы совершенствования организационных
механизмов мультиагентных, кластерных проектов. В частности, отсутствие
определенности руководства кластерных проектов в необходимости использования
современных организационных механизмов реализации мультиагентных, кластерных
проектов, что определило цель проведенного исследования.

Целью исследования
является формирование комплексного подхода к разработке и совершенствованию
структуры организационных механизмов реализации мультиагентных кластерных
проектов.

В статье
рассматривается комплексный подход к управлению процессами реализации
кластерных проектов, он дополняется не используемыми в настоящее время
организационными механизмами и управленческими структурами, способными
обеспечить успешную групповую
коммуникацию независимых, способных
к самоорганизации и самоуправлению участников мультиагентного кластерного проекта на основе конкурентного сотрудничества и, как следствие, возможности получения
дополнительного синергетического эффекта. Это определяет новизну исследования.

Можно
предположить, что использование комплексного подхода к разработке структуры
организационных механизмов реализации мультиагентных кластерных проектов
позволит обосновать необходимость использовать современные подходы к управлению
за счет совершенствования структуры управляющего
субъекта мультиагентными кластерными проектами.

Методология проведенного исследования основана на системном анализе как
универсальной методологии решения управленческих проблем. В процессе исследования использовались и применялись такие методы,
как сравнительный, структурно-логический анализ и синтез.

Разработка
и совершенствование организационных механизмов реализации мультиагентных
проектов напрямую связаны со структурами, в которых формируются и реализуются
эти проекты. В качестве примера такой структуры в статье рассматриваются
кластерные образования (мультиагентные системы), которые не всегда создают
максимально благоприятные условия внутри кластера для реализации мультиагентных
проектов.

Мультиагентные
системы, в которых выполняются совместные проекты, существенно отличаются от
классических систем (табл. 1).

Таблица 1

Особенности мультиагентных систем управления

Классические системы	Мультиагентные системы
Иерархии больших программ	Большие сети малых агентов
Последовательное выполнение операций	Параллельное выполнение операций
Инструкции сверху вниз	Переговоры
Централизованные решения	Распределенные решения
Управляются данными	Управляются знаниями
Предсказуемость	Самоорганизация
Стабильность	Эволюция
Стремление уменьшать сложность	Стремление наращивать сложность
Тотальный контроль	Создание условий для развития

Источник:
[12].

В
данном случае понятие «знание» включает знания отдельных организаций –
участников, входящих в мультиагентные структуры, и знания людей, входящих в эти
организации, их интеллектуальные, профессиональные, творческие возможности,
умеющие работать в команде, обладающие стремлением к достижению общих целей,
способностями к самоуправлению и самоорганизации [13] (Novikov,
2007).

Анализ
систем управления в кластерах показал, что не существует единой для всех
кластеров организационной структуры, которая учитывает региональную специфику
кластера, участники кластера не всегда участвуют в управлении кластером [14,
с. 10–11] (Skvortsov, 2016, р. 10–11)

Кластер, являясь
мультиагентной системой по существу, не использует механизмы управления,
необходимые для эффективного управления такой системой, т.е. организационная структура в кластерных образованиях не
является в настоящее время благоприятной средой для выполнения мультиагентных
проектов, необходимо ее совершенствование.

В
таких условиях участники не могут реализовать свои конкурентные преимущества
при выполнении кластерных проектов, несмотря на то, что цель
создания кластера – это формирование таких условий его участникам, при которых
они смогут самостоятельно реализовывать свои конкурентные преимущества [15] (Akhenbakh,
2012). Следовательно, говоря о совершенствовании организационных механизмов реализации
мультиагентных проектов, мы должны создать им условия внутри тех образований, в
которых они будут реализовываться.

Кластер как пример мультиагентной системы должен использовать
следующие организационные механизмы:

v
механизмы кооперации и координации,

v
механизмы организации,

v
механизмы коммуникации,

v
механизмы согласования,

v
механизмы распределения задач,

v
мультиагентное обучение,

v
механизмы надежности и устойчивости системы к сбоям.

При этом необходимо учитывать состояние участников проекта,
знания, желания и намерения (BDI), а также условия, в которых он находится: автономность, независимость, ограниченность представления в понимании всей сложности
системы [16] и децентрализация, в силу
разделения задач при достижении общей цели [17].

Понятие механизма применительно к
организационным системам может существовать в двух видах: механизм
функционирования как более общее понятие (это законы, правила, процедуры,
которые регулируют взаимодействие участников системы) и механизм управления, который
представляет собой совокупность процедур принятия управленческих решений. В
работе [14] (Skvortsov, 2016) описываются условия для создания наиболее
рациональной, перспективной организационной структуры механизма управления
конкретным кластером, основанной на демократическом внутреннем регулировании
через центр кластерного развития взамен централизованного управления кластером
с помощью управляющей компании. Это позволило обеспечить доверие между
участниками кластера и руководящим органом, значительно повысить интерес к их
взаимодействию.

Но как показывает практика, создания только
центра кластерного развития недостаточно для того, чтобы обеспечить механизмы
кооперации, коммуникации и координации между участниками кластера, требуется
либо совершенствование структуры управляющего субъекта управления кластером – он
должен быть коллегиальным, включающим не только субъект управления, но и
участников кластера, либо, как предлагается в работе [15] (Akhenbakh, 2012), создание специального органа – регионального
фасилатора, т.е. посредника, обеспечивающего
успешную групповую коммуникацию независимых, способных к самоорганизации и самоуправлению участников
кластера.

Особое
внимание при рассмотрении организационных механизмов реализации мультиагентных
проектов следует уделить понятию мультиагентных проектов и отличию их от других
видов проектов, в частности:

§ классический проект, который осуществляется в структуре
предприятий и организаций, – это уникальный процесс,
состоящий из совокупности скоординированных и управляемых видов деятельности с
начальной и конечной датами, предпринятый для достижения цели, соответствующий
конкретным требованиям, включая ограничения по срокам, стоимости и ресурсам
[18] (Belikov,
2001);

§ бизнес-проект,
который выполняется в условиях временных ограничений с установленными
требованиями к качеству результатов, возможными рамками расхода средств и
ресурсов и специфической организацией по его разработке и реализации [19] (Popov,
Lyapunov, 2001);

§ инвестиционный
проект рассматривается как вложение средств в перспективный проект с целью
получения прибыли [20].

Определение и содержание
мультиагентных кластерных проектов существенно отличается от этих трех видов
проектов тем, что в нем должна учитываться региональная специфика, он не
выполняется одним участником, а выполняется всеми или несколькими участникам
кластера, их целью является развитие кластера, затраты, риски и прибыль от
реализации таких проектов распределяются между участниками кластера, выполняющими
проект, источниками финансирования могут быть не только собственные и заемные
средства, как в инвестиционных проектах, а также региональные и государственные
субсидии. Особенностью мультиагентных кластерных проектов
является возможность получения синергетического эффекта от кооперации
участников кластера при выполнении отдельных задач.

Определение
совместного кластерного проекта дано в проекте национального стандарта
«Территориальные кластеры» – как комплекс мероприятий, реализуемых участниками
кластера при содействии специализированной организации кластера, направленных
на развитие кластера за счет осуществления инвестиций, выполнения
научно-исследовательских, опытно-конструкторских и технологических работ,
совместного продвижения товаров и услуг на рынок, реализации иных форм
сотрудничества [21].

Если
рассматривать определение с точки зрения механизма реализации мультиагентных
кластерных проектов, то его можно сформулировать как
комплекс мероприятий, реализуемых независимыми участниками кластера при
содействии специализированной организации кластера, направленных на
достижение совместных целей развития кластера независимыми участниками проекта за
счет осуществления инвестиций, выполнения научно-исследовательских,
опытно-конструкторских и технологических работ, совместного продвижения товаров
и услуг на рынок, реализации иных форм сотрудничества, используя при этом
преимущества конкурентного сотрудничества, возможности получения
дополнительного синергетического эффекта от кооперации в условиях саморазвития
и самоорганизации.

При этом
совместный кластерный проект должен отвечать стратегическим приоритетам
кластера.

Исходя из определения мультиагентного проекта,
его реализация предполагает использование механизмов кооперации, координации,
дополнительных форм организации, обеспеченности рационального взаимодействия
между участниками кластера и всем персоналом, выполняющим проект, как на стадии
формирования, целеполагания, так и на стадии реализации, обеспечения реализации
необходимыми ресурсами и получения необходимой добавленной стоимости, требует
разработки бизнес-процесса и расчета синергетического эффекта от кооперации,
создания необходимой инфраструктуры. Проблемы, которые будут возникать в
процессе реализации проекта, требуют мониторинга и внесения корректировок в
процесс реализации.

Для достижения значительного синергетического
эффекта, о чем свидетельствуют работы по использованию синергии в управлении, на
первый план выступает как проблема обеспеченности принятия совместных решений
по использованию материальных и финансовых ресурсов кластерных образований, так
и создание в коллективе климата доверия и психологического комфорта участников
кластера, заинтересованность независимых участников в достижении общих целей кластерного
проекта даже при наличии собственных целей саморазвития и самоорганизации конкурентной
соревновательности в кластере [22–24] (Budanov, 2007; Knyazeva, 2015; Potasheva, 2012).

Учет
всех особенностей реализации мультиагентных проектов требует сочетания
дополнительных организационных механизмов, способных обеспечить рациональное
управление сложным процессом реализации мультиагентных проектов. К ним
относятся введение рефлекторного управления, мягкого доминирования в системе
взаимоотношений лидера и независимых участников кластера.

Подчеркнуты две
актуальные проблемы для управления организационными проектами: «необходимость
учета эффектов саморазвития и самоорганизации и необходимость постановки и
решения задачи синтеза оптимального комплекса механизмов управления» [25, с. 19]
(Balshov,
Zalozhnev, Novikov, 2003, р. 19).

Организационную
структуру механизмов управления формированием и реализацией мультиагентных
проектов (табл. 2) можно сформировать, рассмотрев основные элементы
традиционного проекта (рис. 1).

Рисунок 1.
Основные элементы проекта

Источник: составлено
автором.

Таблица 2

Организационная структура
механизмов управления формированием и реализацией мультиагентных проектов

Составляющие формирования и реализации мультиагентого проекта	Механизмы развития и взаимодействия в мультиагентных проектах	Результаты составляющих формирования и реализации мультиагентных проектов
Выработка стратегии проекта	Целеполагание, саморазвитие, инерционность принятия решений	Эффективность стратегии
Выработка вида организационной структуры управления проектом	согласование интересов, самоорганизация, создание специального органа, обеспечивающего связи между участниками кластерного проекта	Возможность управления в соответствии с ситуационным и системным подходами.
Формирование структуры управления исполнителями проекта	Мягкое доминирование в системе взаимоотношений	Рефлексное управление
Организация взаимодействия субъекта и множества объектов проекта	Кооперация, координация	Синергетический эффект
Организация взаимодействия персонала, выполняющего проект (команда)	Самоопределение, социально- психологические методы	Воздействие на людей с целью управления их деятельностью
Формирование бизнес-процесса для выполнения цели проекта	Механизм ресурсного обеспечения бизнес-процесса проекта	Достижение цели проекта
Оценка экономической ситуации выполнения проекта (региональные и иные условия)	Инфраструктурная поддержка выполнения проектов	Возможности использования аутсорсинга, помощи региона, государства.
Реализация управленческих решений	Мониторинг реализации проекта, коррекция действий (оценивание результатов, несоответствий, разработка мер по минимизации несоответствий).	Оценка результатов выполнения проекта

Источник: составлено
автором.

Остановимся на ключевых понятиях, использованных в таблице 2
и отражающих особенности используемых при характеристике организационной структуры механизмов управления формированием и
реализацией мультиагентных проектов.

Самоорганизация – это способность сложных
систем к спонтанному упорядочению своей внутренней структуры. Самоорганизация в
системах возможна при большом количестве участников, действия которых являются
кооперативными и когерентными. Самоорганизация предполагает развитие системы,
переход ее в качественно новое состояние через точку бифуркации. В процессе
самоорганизации наряду с появлением дополнительного синергетического эффекта
возможна диссипация системы – когда мы имеем обратный процесс, который дает
отрицательный синергетический эффект [22, 29–29] (Budanov, 2007; Knyazeva, Kurdyumov, 2002; Branskiy, Pozharskiy, 2001; Gakashev,
2017; Gakashev, Akatov, Tolchin, 2015))

Управление
деятельностью участников мультиагентного кластерного проекта предполагает
использование механизмов кооперации и координации, т.е. согласование их
интересов и действий в процессе выполнения проекта.

Кооперация – это взаимодействие людей или отдельных организаций,
объединенных общей целью или решением конкретной задачи и интересы которых совпадают в процессе совместной деятельности.

Координация определяет
согласованность действий субъектов управления и участников выполнения проекта
во времени, установление коммуникаций и зон ответственности внутри системы, а
также между системой и внешней средой. Объект координирования – это как
управляемая, так и управляющие подсистемы.

В процессе рефлексивного мониторинга реализации
проекта в координации и кооперации могут возникать проблемы конфликта интересов
независимых участников, несогласованность их действий. В этом случае появляется
необходимость проведения мероприятий по коррекции рефлексных взаимоотношений с
целью минимизации конфликта интересов участников путем использования по
возможности заранее сформированных модификаций существующих структур
управления. Пример оптимальной организационной структуры управления конкретным
кластером, основанной на рефлекторном управлении
кластером некоммерческим объединением в виде центра кластерного развития, описан в источнике [14] (Skvortsov, 2016).

Синергетический
эффект возникает в результате кооперации участников кластерного проекта при
благоприятных условиях за счет суммирования эффектов отдельных участников.

Понятие рефлексивного управления, введенное В Лефевром, можно
рассматривать как «процесс передачи оснований для принятия решения одним из
персонажей другому» [30] (Lefevr, 2003).

Методология
формирования команд проектов представлена в таблице 3.

Таблица 3

Методология формирования
команд проектов

Группа	Команда
Объединяют интересы или обязанности	Объединяет цель, с которой все согласны
Независимые за пределами обязанностей	Взаимозависимы
Цели индивидуальные	Цель общая
Поступают независимо друг от друга	Действуют сообща
Результат неопределенный или отсутствует вовсе	Конкретный измеримый результат
Существуют неопределенный срок	Существуют в период выполнения работ для достижения цели

Источник:
[31, с. 181] (Ershov, 2015, р. 181).

Заключение. Проведенный анализ позволяет сделать следующие выводы:

1.
Разработка и совершенствование организационных механизмов реализации
мультиагентных проектов напрямую связаны со структурами, в которых формируются
и реализуются эти проекты.

2.
Необходимо создать условия для реализации кластерного проекта,
т.е. он должен быть реализован в структуре мультиагентной системы, так как реализация
его в классической системе не позволит использовать необходимые организационные
механизмы.

3.
В работе предложено авторское определение мультиагентного
кластерного проекта, что позволяет создать основу для повышения реализуемости
проектов и положительного отношения независимых участников проекта к
использованию субъектом управления проектом как лидером передовых подходов в
управлении.

4.
В процессе исследования разработана и предложена
авторская структура организационных механизмов
управления формированием и реализацией мультиагентных проектов

Анализ организационных
механизмов управления формированием и реализацией мультиагентных проектов
показал, что для практической реализации управления такими проектами необходимо
в кластерных образованиях либо совершенствование структуры управляющего
субъекта управления кластером – он должен быть коллегиальным, включающим не
только субъект управления, но и участников кластера, либо создание специального
органа – регионального фасилатора, т.е. посредника, обеспечивающего успешную групповую коммуникацию
независимых, способных к самоорганизации и
самоуправлению участников кластера, используя возможности
конкурентного сотрудничества.

13. Управление на базе мультиагентных систем

Олимпийские спортивные призывы: «Быстрее, Выше, Сильнее» в компьютерной области трансформировались в лозунг: «Быстрее, Мощнее, Миниатюрнее»! На самом деле эти противоречивые цели стыкуются в одном: технологии приближаются к созданию «мобильного» искусственного интеллекта — уже скоро умные встроенные миниатюрные вычислительные устройства, снабженные управляющими системами на базе мультиагентов, смогут выполнять те функции, которые несколько лет назад и «не снились» пользователям больших компьютеров. Под мультиагентными технологиями сейчас часто понимают как технологии разработки и использования мультиагентных систем (MAC, Multiagent Systems — MAS), так и мультиагентное управление (МАУ, Multiagent Conrol — MAC) .

Задачи управления и распределенного взаимодействия в сетях динамических систем привлекают в последнее десятилетие внимание все большего числа исследователей. Во многом это объясняется широким применением мультиагентных систем в разных областях, включая разработку автоматизированных систем управления, автоматическую подстройку нейронных сетей распознавания, управление формациями, роение, распределенные сенсорные сети, управление перегрузкой в сетях связи, взаимодействие групп БПЛА, относительное выравнивание групп спутников, управление движением групп мобильных роботов, синхронизации в энергосистемах и др. [Project of multi-agent technology in difficult systems // Open University of the Netherlandshttp://www.ouh.nl/].

На практике все чаще используются распределенные системы, выполняющие определенные действия параллельно, для которых актуальна задача разделения пакета заданий между несколькими вычислительными потоками (устройствами). Подобные задачи возникают не только в вычислительных сетях, но также и в производственных сетях, сетях обслуживания, транспортных и логистических сетях. Оказывается, что при естественных ограничениях на связи, децентрализованные стратегии способны эффективно решать оценки ситуации, подготовки и реализации решения в условиях неопределености.

13.1. Мультиагентный подход

В основе мультиагентного подхода лежит понятие мобильного программного агента, который реализован и функционирует как самостоятельная специализированная компьютерная программа или элемент искусственного интеллекта.

Изначально, до появления соответствующих информационных технологий, «агент» был человеком, которому делегировалась часть полномочий — как в выполнении конкретных функций, так и в принятии решений. В первых (не компьютерных) мультиагентных системах агенты представляли сотрудников компаний, от имени и по поручению которых они взаимодействовали между собой при выполнении определенной задачи — например, представители покупателя и продавца в торговой сети или в других видах бизнеса. Такие системы наследовали многие черты «бюрократической» организации, включая централизацию управления, статичную структуру и узкоспециализированную агентную функциональность. В частности, базовый агент (резидент) получал задачу, декомпозировал её и распределял подзадачи между другими агентами, после чего получал результат и принимал решение — при этом, как правило, большинство агентов занимались исключительно сбором и поставкой информации.

На смену таким системам, копирующим централизованную иерархию, быстро пришли распределенные системы, в которых знания и ресурсы распределялись между достаточно «самостоятельными» агентами, но сохранялся общий орган командного управления, принимающий решения в критических или конфликтных ситуациях. Дальнейшим шагом в этом направлении стала парадигма полностью децентрализованных систем, в которых управление происходит только за счет локальных взаимодействий между агентами. При этом узкая функциональная ориентация агента на решение какой-то одной отдельной части общей задачи постепенно стала уступать место универсальной целостности (автономности). Примерами таких децентрализованных организаций отчасти могут служить колонии насекомых, например, пчел или муравьев.

Суть мультиагентных технологий заключается в принципиально новом методе решения задач. В отличие от классического способа, когда проводится поиск некоторого четко определенного (детерминированного) алгоритма, позволяющего найти наилучшее решение проблемы, в мультиагентных технологиях решение получается автоматически в результате взаимодействия множества самостоя тельных целенаправленных программных модулей — так называе мых программных агентов.

Зачастую классические методы решения задач либо неприме нимы к реальной жизни (нетрудно представить себе, что значит попытаться решить задачу управления предприятием в непредска зуемой динамичной обстановке современного бизнеса, даже с по мощью высшей математики и самых продвинутых экономических моделей), либо они требуют огромных объемов расчетов (для которых не хватит мощности всех современных ком пьютеров), либо они вовсе отсутствуют.

Значит ли это, что ситуация, когда точный алгоритм реше ния отсутствует, безнадежна?

Нет — отвечают мультиагентные технологии. В конце концов, людям в повседневной жизни постоянно приходится в условиях дефицита времени и средств решать задачи, не имеющие точного формального решения — и они решаются часто не самым худшим образом.

На рис. 13.1 показаны в сравнении две схемы построения про граммного обеспечения: традиционная и на базе мультиагентной системы. В MAC каждой сущности ставится в соответствие про граммный агент, который представляет ее интересы.

Человеку присущ интеллект — это его отличает от компьютера, действующего строго по заложенной в него про грамме. А это то, что позволяет человеку ориентироваться в сложной обста новке, иметь дело с нечетко поставленными задачами, адаптиро ваться к меняющимся условиям. Неопределенность присутствует чаще всего, когда существует набор альтернатив, и невозможно предсказать, какой из вариантов окажется лучшим по прошествии достаточ но длительного времени.

При составлении расписаний движения грузовиков, например, это ситуация, когда существует выбор между несколькими грузовиками, перевозящими грузы, нескольки ми дорогами, которые могут быть использованы для достижения разных точек назначения, и многими водителями, которые могут управлять грузовиками. Каждый из ресурсов (грузовик, дорога и водитель) имеют различные свойства. Неопределенность возраста ет в ситуациях, когда возможны непредсказуемые события, такие как изменения в условиях поставок или спроса, аварии или сбои ресурса, задержки, отмены заказов и тому подобное .

А есть ли интеллект, скажем, у колонии муравьев или роя пчел? С одной стороны, каждый отдельно взятый муравей или пчела, очевид но, им не обладают. С другой — колония в целом проявляет уди вительные образцы поведения, которое во многом может считаться интеллектуальным. Такие ситуации называются проявлением эмерджентного интеллекта, или неожиданных свойств, которыми обла дает система, но не обладает ни один входящий в нее отдельный элемент. Возникающий при этом эффект «интеллектуального резонанса» часто так и называют «интеллект роя». Действительно, интеллект и физическая сила одной пчелы не так велики, но рой пчел, согласованно действующий, может победить медведя и даже человека.

Агенты очень похожи на членов команды, которые мо гут соревноваться друг с другом или сотрудничать в процессе при нятия решения. Ключевая особенность эмерджентного интеллекта — динамика и непредсказуемость процесса принятия решений. На практике это означает, что решение достигается за счет сотен и ты сяч взаимодействий, которые почти невозможно отследить. Но это и не требуется, поскольку агентам дают цели, которые они должны достигать, но не предопределяют сценарии исполнения задач по до стижению этих целей.

Эти сценарии формируются и исполняются агентами самостоятельно. На каждом шаге агенты рассматривают входы системы и реагируют на непредсказуемые события (задерж ки, сбои, изменения). Реакция может быть самостоятельной, или осуществляться во взаимодействии с оператором. Таким образом, эмерджентный интеллект — это не есть какой-либо один новый и специально сконструированный уникальный блок-решатель, добавленный к системе. Напротив, это нечто (результат самоорганизации), что возникает как бы «из воздуха» (за счет множества скрытых или яв ных условий, сложившихся в ситуации), спонтанно и в заранее не предвиденный момент времени, и так же неожиданно исчезает, но в процессе своего существования определяющим образом руководит работой всей системы. Тут мы имеем дело с возникновением поряд ка из хаоса, с одним из тех явлений, которые изучали и описывали такие выдающиеся ученые, как Александр Богданов (теория орга низации), Илья Пригожий (самоорганизация в физических систе мах), Марвин Минский (психология
и теория мышления), Артур Кестлер (биология).

13.2. Агенты и мультиагентные системы

В начале XXI века группа ведущих мировых ученых составила список приоритетных задач киберне тики на ближайшие 50 лет Среди них:

• динамически реконфигурируемое интеллектуальное управле ние сложными системами;
• асинхронная теория управления;
• управление расапределенными объектами через Интернет;
• перепрограммирование системы управления бактериями;
• создание футбольной команды роботов, которая выиграет у победителя кубка мира среди людей.

Мультиагентная система (MAC) кардинально отличаются от традиционных «жестко» органи зованных систем, и, в перспективе, способны помочь в решении этих задач.

Начало построения моделей и применения искусственных мультиагентных систем на практике было положено в 1960-х годах. В качестве основы были взяты достижения таких областей деятельности человека, как системы искусственного интеллекта (Artificial Intelligence), параллельные вычисления (Parallel Computing), распределенное решение задач (Distributed Problem Solving). Многоагентные системы имеют реальную возможность интегрировать в себе самые передовые достижения перечисленных областей, демон стрируя принципиально новые качества. Сейчас MAC — одно из наиболее динамично развивающихся и перспективных направлений в области искусственного интеллекта.

Открытый характер современного информационного общества и глобальной рыночной экономики приводит к ускорению научно-технического прогресса и обострению конкуренции на рынках. Это заставляет предприятия искать новые методы и средства организа ции и управления, направленные на более качественное и эффек тивное удовлетворение индивидуальных запросов потребителей. Боль шинство современных систем характеризуются отсутствием средств своевременной идентификации новых потребностей и возможно стей в среде, позволяющих предприятию оперативно принимать эффективные решения по реконфигурации производственных, кад ровых, финансовых и других ресурсов.

Типичными примерами со бытий, вызывающих необходимость заново идентифицировать по требности и возможности, являются: появление нового выгодного заказа, для исполнения которого недостаточно собственных ресур сов предприятия, выход из строя части имеющихся ресурсов, а так же изменение критериев принятия решений. Чем выше неопреде ленность, чем более распределенный характер имеют процессы при нятия решения и чем чаще случаются незапланированные события, тем ниже эффективность существующих систем, не способных самостоятельно принимать решения и автоматически перестраивать ся под изменения в среде.

Необходимость модифика ции схемы принятия решений в традиционных системах оказыва ется сложной и трудоемкой задачей, которая требует высокой ква лификации исполнителей. Это делает разработку и эксплуатацию таких систем крайне дорогостоящими. Соответственно, еще одной актуальной проблемой современности становится рост объемов ин формации и степени сложности описания систем.

Для решения подобных проблем применяются мультиагентные технологии, в основе которых лежит понятие «агента», которое в последнее время было адаптировано ко многим областям как при кладного и системного программирования, так и к исследованиям в областях искусственного интеллекта и распределенных интеллек туальных систем. Причем в каждом конкретном случае понятию придается несколько разное значение.

Первоначально идея создания интеллектуального по средника (агента) «возникла в связи с желанием упростить стиль общения конечного пользователя с компьютерными программами, поскольку доминирующий, в основном, и ныне стиль взаимодей ствия пользователя с компьютером предполагает, что пользователь запускает задачу явным образом и управляет ее решением. Но это совершенно не подходит для неискушенного пользователя». Иначе говоря, сначала идея интеллектуального посредника возникла как попытка интеллектуализации пользовательского интерфейса.

Раз витие методов искусственного интеллекта позволило сделать новый шаг к изменению стиля взаимодействия пользователя с компьюте ром. Возникла идея создания так называемых «автономных аген тов», которые породили уже новый стиль взаимодействия пользова теля с программой. Вместо взаимодействия, инициируемого поль зователем путем команд и прямых манипуляций, пользователь во влекается в совместный процесс решения. При этом, как поль зователь, так и компьютерный посредник, оба принимают участие в запуске задачи, управлении событиями и решении задачи. Для такого стиля используется метафора персональный ассистент, который сотрудничает с пользователем в той же рабочей среде.

Словари дают следующее толкование слова агент: «некто или нечто, прикладывающее усилия для достижения эффекта». Такое самое общее определение указывает на первый признак агента — агенты со вершают действия. Часто утверждается, что агенты не просто со вершают действия, но они действуют автономно и рационально. Под автономностью обычно понимают, что агент действует без пря мого вмешательства человека или другой управляющей сущности. Под рациональностью понимают стремление агента оптимизиро вать значение некоторой оценочной функции. Мера рационально сти неявно указывает на то, что агент имеет цели (желания — англ. desires), которых агент «хочет» достичь, и представления о внеш нем мире (убеждения — англ. beliefs), на которые агент опирается при выборе действия (реализации намерений — англ. intentions: множество избранных, совместимых и достижимых желаний).

Еще одним важным свойством агента является то, что он помещен во внешнюю среду, с которой он способен взаимодействовать. Обычно, среда не контролируется агентом, он лишь способен влиять на нее. Разделение намерений и желаний необходимо, так как агент может иметь несовместимые желания или желания могут быть недости жимы. Поскольку агент ограничен в ресурсах и не может достичь всех желаний одновременно, естественно выбирать наиболее зна чимые цели — намерения. Итак, агент — разумная сущность, по мещенная во внешнюю среду, способная взаимодействовать с ней, совершая автономные рациональные действия для достижения це лей, т. е. Интеллектуальный агент — это агент, обладающая следу ющими свойствами:

• реактивность (англ. reactivity) — агент ощущает внешнюю среду и реагирует на изменения в ней, совершая действия, направленные на достижение целей;
• проактивность (англ. pro-activeness) — агент показывает управ ляемое целями поведение, проявляя инициативу, совершая дей ствия направленные на достижение целей;
• социальность (англ. social ability) — агент взаимодействует с другими сущностями внешней среды (другими агентами, людьми и т. д.) для достижения целей.

При разработке системы каждое из первых двух свойств до стигается достаточно легко. Наибольшую сложность представляет совмещение в системе обоих свойств в нужных пропорциях. Бу дет не слишком эффективно, если агент жестко следует сценарию достижения цели, не реагируя на изменения во внешней среде и не обладая способностью заметить необходимости корректировки плана. Но также не эффективно будет и поведение, ограниченное лишь реакцией на поступающие из вне стимулы, без какого-либо планирования целенаправленных действий.

На самом деле описан ная проблема настолько сложна, что даже далеко не все люди спо собны эффективно ее решать. Очень часто можно увидеть чело века, который кидается на каждую подвернувшуюся возможность, но никогда не доводит ничего до конца, т. к. не концентрируется на этой возможности достаточное время, чтобы полноценно ее ре ализовать. Но также часто встречаются люди, которые, однажды поставив цель и сформировав план, будут пытаться принципиаль но ему следовать, не замечая изменений в ситуации, требующих пересмотра целей или планов.

Достичь свойства социальности тоже нелегко. Социальность — это не просто обмен данными. Помимо коммуникации, социальное поведение должно включать кооперацию с другими сущностями, заключающуюся в разделении целей между отдельными сущностя ми, совместном планировании и координации действий, направлен ных на достижение общих целей. Социальное поведение, как мини мум, предполагает наличие у агента представлений о целях других сущностей и том, как они планируют этих целей достичь.

Сложность формулирования содержательных практически зна чимых задач и невозможность априорного точного задания всех условий функционирования выдвигают адаптивные постановки про блем, отдельно выделяя такую особенность агентов, как адаптивность — способность автоматически приспосабливать ся к неопределенным и изменяющимся условиям в динамиче ской среде.

Таким образом, предшественниками программных агентов можно считать сложные адаптивные системы, которые умеют подстраиваться под ситуацию или обстоятельства и принципиальным образом менять свое поведение или характеристики, чтобы обеспечить решение стоящих перед ними задач. Однако в случаях, когда агент функционирует в сложной, постоянно изменяющейся среде, взаимодействуя при этом с другими агентами, такая мультиагентная система значительно сложнее просто адаптивной системы, так как она быстрее обучается и может действовать эффективнее за счет перераспределения функций или задач между агентами.

Сложные системы часто рассматривают как среду действия агентов. С понятием сложных систем связаны следующие фундаментальные идеи, которые непосредственно влияют на функционирование МАС:

• в сложных системах существуют автономные объекты, которые взаимодействуют друг с другом при выполнении своих определенных задач;
• агенты должны иметь возможность реагировать на изменяющиеся условия среды, в которой они функционируют и, возможно, изменять свое поведение на основе полученной информации;
• сложные системы характеризуются возникающими структурами — логически связанными схемами, которые формируется в результате взаимодействия между агентами;
• сложные системы с возникающими структурами часто существуют на грани порядка и хаоса;
• при создании сложных систем на базе агентов имеет смысл рассматривать биологические аналогии, такие как: паразитизм, симбиоз, репродукцию, генетику, митоз и естественный отбор (например, компания British Telecom при формировании сети направления звонков использует модель деятельности колонии муравьев).

Концепция агентов, разработанная в рамках мультиагентных технологий и мультиагентных систем, предполагает наличие активного поведения агентов, т.е. способности компьютерной программы самостоятельно реагировать на внешние события и выбирать соответствующие действия. Сегодня агентные технологии предлагают различные типы агентов, модели их поведения и свойства, семейство архитектур и библиотеки компонентов, ориентированные на современные требования.

В настоящее время не существует устоявшегося определения агента. Ниже перечислены некоторые из них:

«Агент — это аппаратная или программная сущность, способная действовать в интересах достижения целей, поставленных пользователем».

«Под агентом можно понимать самостоятельную программную систему, состоящую из программ-объектов, имеющую возможность принимать воздействие из внешнего мира, определять свою реакцию на это воздействие и в соответствии с этим формировать ответное действие. Такие агенты способны действовать, «рассуждать» и обмениваться данными друг с другом в сети для формирования индивидуальных или коллективных решений».

По определению Кристиана Доннегара (директора по технологии компании Living Systems, занимающейся созданием систем совместной коммерции на основе технологии агентов): «агенты — программные объекты, которые выполняют определенные упреждающие и корректирующие действия в соответствии с заданиями, делегированными человеком».

Алан Кэй, который начал первым развивать теорию агентов, определил агент как «программу, которая после получения задания способна поставить себя на место пользователя и действовать по адаптивному сценарию. Если же агент попадает в тупик, он может задать пользователю вопрос, чтобы определить, каким образом ему необходимо действовать дальше».

Программные интеллектуальные агенты – это новый класс систем программного обеспечения, которое действует либо от лица пользователя, либо от лица системы делегировавшей агенту полномочия на выполнение тех или иных действий. Они являются, по сути, новым уровнем абстракции, отличным от привычных абстракций типа – классов, методов и функций. Но при этом, разработка МАС позволяет создавать системы обладающие расширяемостью/масштабируемостью, мобильностью/переносимостью, интероперабельностью, что несомненно очень важно при разработке систем, основанных на знаниях.

Простая компьютерная программа отличается от агента тем, что «не утруждает» себя целевым поведением и анализом достигнутых результатов. Напротив, агент, представляющий интересы пользователя, «заинтересован» в том, чтобы задание было выполнено. В случае неудачи или какого-то сбоя он должен повторить попытку позднее или иметь про запас альтернативный вариант решения проблемы. Агенты в процессе отработки заданий всегда формирует список выполненных действий, результаты тестирования и верификации и отсылают его в управляющую систему.

Отметим, однако, что вопрос по определению того, что такое агент не закрыт до сих пор, и обсуждение этого вопроса периодически выносится на конференции самого высокого уровня. На рисунке 13.2 показаны области знания и технологии, с помощью которых формируются механизмы искусственного интеллекта и применения мультиагентных систем.

На основании изложенного выше мы можем скомпилировать следующее определение: «агент — это самостоятельная программная система,

1. имеющая возможность принимать воздействие из внешнего мира;
2. определяющая свою реакцию на это воздействие и формирующая ответное действие;
3. изменяющая свое поведение с течением времени в зависимости от накопленной информации и извлеченных из нее знаний,
4. обладающая мотивацией и способная после делегирования полномочий пользователем поставить себя на его место и принять решение, соответствующее ситуации».
5. Интеллектуальный агент должен обладать следующими свойствами:
6. автономность — способность функционировать без вмешательства со стороны своего владельца и осуществлять контроль внутреннего состояния и своих действий;
7. адаптивность — агент обладает способностью обучаться;
8. коллаборативность — агент может взаимодействовать с другими агентами несколькими способами, играя разные роли;
9. способность к рассуждениям — агенты могут обладать частичными знаниями или механизмами вывода, а также специализироваться на конкретной предметной области;
10. коммуникативность — агенты могут общаться с другими агентами;
11. мобильность — способность передачи кода агента с одного сервера на другой;
12. социальное поведение — возможность взаимодействия и коммуникации с другими агентами;
13. реактивность — адекватное восприятие среды и соответствующие реакции на ее изменения;
14. активность — способность генерировать цели и действовать рациональным образом для их достижения;
15. наличие базовых знаний — знания агента о себе, окружающей среде, включая других агентов, которые не меняются в рамках жизненного цикла агента;
16. наличие убеждений — переменная часть базовых знаний, которые могут меняться во времени;
17. наличие цели — совокупность состояний, на достижение которых направлено текущее поведение агента;
18. наличие желаний — состояния и/или ситуации, достижение которых для агента важно;
19. наличие обязательств — задачи, которые берет на себя агент по просьбе и/или поручению других агентов;
20. наличие намерений — то, что агент должен делать в силу своих обязательств и/или желаний.

Иногда в этот же перечень добавляются и такие человеческие свойства, как рациональность, правдивость, благожелательность.

Мультиагентная система (МАС) — сложная система, в которой функционируют два или более интеллектуальных агентов. Процесс самоорганизации в мультиагентных системах — внутренняя упорядоченность, согласованность, взаимодействие более или менее дифференцированных и автономных агентов агентной системы, обусловленной ее строением. Таким образом, в МАС несколько агентов могут общаться, передавать друг другу некоторую информацию, взаимодействовать между собой и решать поставленную. В такой системе задачи (или подзадачи) распределены между агентами, каждый из которых рассматривается как член группы или организации. Распределение задач предполагает назначение ролей каждому из членов группы, определение меры его «ответственности» и требований к «опыту».

Основой формой организации взаимодействия между агентами, характеризующаяся объединением их усилий для достижения совместной цели при одновременном разделении между ними функций, ролей и обязанностей является кооперация.

В общем случае это понятие можно определить формулой: {кооперация = сотрудничество + координация действий + разрешение конфликтов}. Под координацией обычно понимается управление зависимостями между действиями. Коммуникация между искусственными агентами зависит от выбранного протокола, который представляет собой множество правил, определяющих, как синтезировать значимые и правильные сообщения. Фундаментальными особенностями группы, составленной из агентов, сотрудничающих для достижения общей цели, являются социальная структура и распределение ролей между агентами.

Основой архитектуры агента является контекст, или серверная среда, в котором он исполняется. Каждый агент имеет постоянный идентификатор — имя. В серверной среде может исполняться не только исходный агент, но и его копия. Агенты способны самостоятельно создавать свои копии, рассылая их по различным серверам для исполнения работы. По прибытии агента на следующий сервер его код и данные переносятся в новый контекст и стираются на предыдущем местонахождении. В новом контексте агент может делать все, что там не запрещено. По окончании работы в контексте агент может переслать себя в другой контекст или по исходящему адресу отправителя. Агенты способны также выключаться («умирать») сами или по команде сервера, который переносит их после этого из контекста в место, предназначенное для хранения.

На рисунке 13.3 показана укрупненная структура типичного агента. Входами являются внутренние параметры агента и данные о состоянии среды. Выходы — параметры, воздействующие на среду и информирующие пользователя (или программу, выполняющую роль менеджера в системе) о состоянии среды и принятых решениях. Решатель — процедура принятия решений. Решатель может быть достаточно простым алгоритмом или элементом системы искусственного интеллекта.

В архитектуре МАС основную часть составляет предметно-независимое ядро, в составе которого выделяются следующие базовые компоненты (рис. 13.4):

• служба прямого доступа обеспечивает непосредственный доступ к атрибутам агентов;
• служба сообщений отвечает за передачу сообщений между самим агентами, а также между агентами и дополнительными системами ядра;
• библиотека классов агентов (часть базы знаний) содержит информацию о классификации агентов в данной MAS.
• сообщество агентов — серверное «место», где размещаются агенты; этот блок, кроме жизнедеятельности агентов, обеспечивает еще функции по загрузке/записи агентов и их свойств и за оптимизацию работы агентов с ресурсами.
• онтология — предметная база знаний, содержащая конкретные знания об объектах и среде функционирования, представляемые в виде соответствующей семантической сети.

Общая методология восходящего эволюционного проектирования МАС может быть представлена цепочкой: {среда – функции МАС – роли агентов – отношения между агентами – базовые структуры МАС – модификации}, и включает следующие этапы:

• формулирование назначения (цели разработки) МАС;
• определение основных и вспомогательных функций агентов в МАС;
• уточнение состава агентов и распределение функций между агентами, выбор архитектуры агентов;
• выделение базовых взаимосвязей (отношений) между агентами в МАС;
• определение возможных действий (операций) агентов;
• анализ реальных текущих или предполагаемых изменений внешней среды.

При проектировании организацию агентов можно рассматривать как набор ролей, находящихся между собой в определенном отношении, и взаимодействующих друг с другом. Таким образом, методология восходящего проектирования МАС требует предварительного задания исходных функций (ролей агентов), определения круга их обязательств по отношению друг к другу, формирования исходных и развивающихся структур на основе выделенных функций и исследования адекватности этих структур характеру решаемых задач в выделенных проблемных областях

Главная идея нисходящего проектирования состоит в определении общих социальных характеристик МАС по некоторому набору критериев, построении базовых типов их организаций с последующим определением требований к архитектуре агентов. Когда речь идет о «выращивании» искусственных социальных систем и сообществ, на первый план выдвигается нисходящий подход к
организационному проектированию.

В рассмотренных ниже примерах, безусловно, наиболее подходящим является проектирование на основе восходящего подхода.

13.3. Подход «Агентов и Миров» в разработке МАС

Одним из современных подходов к созданию МАС является подход, основанный на концепции «Агентов и Миров» (далее — агентов и миров) .

В отличии от других известных подходов, этот подход реализует формирование общего мира деятельности кооперирующих сторон и миров деятельности каждой из них, путем создания единой комплексной среды. Эта среда служит основой деятельности менеджеров и специалистов и обеспечивает воспроизводство главных компонент процесса деятельности предприятия и взаимопонимание между людьми. Использование интеллектуальных агентов в комбинации с мирами действий и рассуждений позволяет менеджерам моделировать три «кита» кооперации: коллективное мышление, обоснованное поведение и коммуникацию участвующих сторон. За счет этого каждая из сторон возлагает на своего агента миссию согласования большинства возникающих проблем. Это чаще всего реализуется в виде реализации виртуального круглого стола, предлагающего агентам общий мир действия.

В рассматриваемом подходе мир действий — это модель среды деятельности, базирующаяся на знаниях. Главное ее отличие от традиционных систем моделирования состоит в том, что эта система формирует модель виртуального пространства и предоставляет прямой доступ к объектам мира в этом пространстве для выполнения действий, моделируя реакцию на эти воздействия в соответствии с законами мира.

Принципы построения и функционирования миров кратко могут быть описаны следующим образом:

• мир состоит из объектов, способных взаимодействовать друг с другом в соответствии с законами мира;
• для пользователя миры представляются сценами, состоящими из некоторых сцен и заданных объектов, с определенными отношениями между ними, и объектами, потенциально применимыми в сцене;
• объекты мира определяются свойствами, обеспечивающими их способность вступать во взаимодействие с другими объектами; состояния объектов определяются их свойствами и отношениями; потенциально возможные свойства объектов определяются законами мира, действующими в сцене;
• законы мира задаются сценариями действий, которые определяются как правила изменений состояния объектов мира; простые сценарии позволяют составлять более сложные;
• отношения между объектами определяют связи между ними; наиболее распространенными отношениями являются «целое–части», «принадлежность», «мера» и ряд других;
• основные концепты выражаются в атрибутах вещества, пространства и времени, энергии и информации.

Эти базовые категории позволяют конструировать миры действий в различных предметных областях. Рассмотренные принципы позволяют также создавать миры рассуждений, такие как экономика и политика, технологии и торговля и т. п.

При создании мира конкретного сектора рынка или мира отдельного предприятия, строится полипредметная база знаний в форме семантической сети, которая в дальнейшем и используется в рассуждениях агентов. Ее основное отличие от принятых подходов состоит в ориентации не только на описание каких-либо параметров объектов и среды, но и на описание действий, а также на использование соответствующей логики этих действий. Иными словами, в этом случае в необходимых пропорциях сочетаются декларативные и процедурные знания.

Рассмотрим соответствующие модели устройства памяти и мышления агента. В структуре памяти агента выделены следующие компоненты (рис. 13.5):

• долгосрочная память агента, содержащая полные семантические сети предметных областей знаний; эта память пополняется знаниями в процессе обучения агента и постоянно трансформируется и систематизируется, через нее, как через сито, пропускаются все входные факты;
• память (пространство) сознания, содержащая образы объектов миров, являющаяся среднесрочной. В этой памяти содержатся описания сцены в каждом из миров (также в форме семантической сети) и здесь же выполняются основные умственные операции над образами объектов;
• память фактов, а также память сценариев — наиболее часто изменяемые структуры содержания памяти (оперативная память). В памяти фактов находятся исходные и конечные, а также все промежуточные факты, получаемые в процессе рассуждений и расчетов; память сценариев также подвергается преобразованиям, в первую очередь, связанным с обобщением и конкретизацией сценариев;
• память генетических знаний — это жестко встроенные в систему и неизменяемые знания, здесь — знания о конструкции и функционировании миров.

Общие принципы мышления агента являются вполне традиционными и включают следующие три основные фазы (рис. 13.6):

• восприятие — получение данных и построение модели сцены в загруженном мире;
• познание — анализ и формируется сценарий действий субъекта для достижения поставленных целей;
• исполнение — намеченного сценария с постоянным сопоставлением ожидаемых и наблюдаемых результатов.

В отличие от других подобных систем, в рассматриваемой системе реализация этих фаз осуществляется через два базовых механизма: абстрагирования и конкретизации, тесно связанных между собой. В этом смысле мышление агента напоминает движение поршней в двигателе: движение вверх — путем абстрагирования, вниз — путем конкретизации.

При «послойных» рассуждениях основное время тратится на выполнение «умственных» операций — действий с образами объектов (понятиями), которые изменяют состояния сцены и, тем самым, ограничивают применение дедуктивных рассуждений. Используемая при этом логика действий также существенно отличает предлагаемую модель от традиционных дедуктивных систем возможностями выбора.

Еще одна важная особенность предлагаемой модели — ориентация на выявление противоречий. В любой системе деятельности типовыми являются противоречия между знаниями и орудиями, целями и средствами деятельности, сценариями действий индивида и его внутренними интериоризованными способностями и ряд других. Типология этих противоречий исходно задается в системе и далее постоянно пополняется.

Для моделирования процесса переговоров между членами временно организуемых рабочих групп или их агентами в разрабатываемой мультиагентной системе реализуется виртуальный круглый стол, о котором говорилось выше. Такой «круглый стол» может быть реализован как через локальную, так и через глобальную сети (рис. 13.7).

Процедура рассмотрения и согласования решений пошагово организуется следующим способом:

1. конфигурируется начальная сцена общего для всех агентов мира действий и задаются цели (задача), общие ресурсы и ограничения;
2. каждый из агентов «считывает» состояние сцены и запускает процесс восприятия, планирования действий и их исполнения — при этом загружаются необходимые миры знаний и строится модель исходной сцены в этих мирах; первый из агентов, спланировавший свою деятельность делает первый ход, предлагая первое действие из своего сценария;
3. если действие удовлетворяет общим ограничениям и не вызывает противоречий с планами других агентов, оно считается предварительно принятым. Если нарушены общие ограничения, агент обязан поменять свои планы, если же эти ограничения не нарушены, необходимо решить, кто будет вынужден изменять свои планы: первый агент или другие, сделавшие свои ходы ранее;
4. очередные агенты делают свои ходы, выполняя очередные действия из своих сценариев. Если какой-либо агент вынужден поменять свое решение на каком-либо ходу, делается пошаговый «откат» всего процесса переговоров для этого этапа и весь процесс согласования начинается вновь;
5. процесс согласования заканчивается, когда достигнута заданная цель.

Очевидно, что данная процедура связана с возможным перебором всех вариантов решений. Скорость ее сходимости зависит от глубины базы знаний и интеллектуальных способностей агентов. Для людей подобная процедура оказывается слишком трудоемкой. В данном же случае, один и тот же агент менеджера или специалиста может принимать участие одновременно в целом ряде рабочих совещаний.

Чтобы в полной мере ощутить проблему, достаточно представить себе объем согласований, выполняемых, например, при разработке месторождений полезных ископаемых, когда за круглым столом могут оказаться геофизик и бурильщик, специалист по прокладке трубопроводов и дорог, строитель, экономист и социолог, специалист по охране окружающей среды и т.д. Что будет, если спустя полгода общих усилий выясняется, что один из проектировщик заложил в сценарий неверные данные и всем другим также придется начинать заново? Не меньше согласований происходит при подготовке больших сделок и в рассматриваемых примерах, если в этот процесс вовлекаются все потенциальные участники кооперации.

Для реализации такой МАС предлагается следующая примерная архитектура интеллектуальной системы поддержки согласованной кооперативной работы, позволяющая моделировать деятельность и рассуждения специалистов или менеджеров с целью выявления потенциальных конфликтов между ними и нахождения согласованного решения (рис. 13.8):

• База знаний сцен действия (СД) содержит описания среды деятельности, целей и задач, знаний и орудий, сценариев действий, а также всех других компонент рассмотренной выше структуры систем деятельности.
• Моделирующая подсистема позволяет моделировать процессы деятельности (поведения субъектов деятельности).
• Подсистема расчетов и рассуждений позволяет моделировать процессы рассуждений (мышления субъектов деятельности).
• Управляющая подсистема реализует процессы поддержки согласования решений (процедуры виртуального круглого стола — процедуры коммуникации субъектов деятельности). Кроме того, эта подсистема выполняет функции конструктора миров.
• Интерфейсная подсистема обеспечивает взаимодействие с пользователем;
• Сцены действия — совокупность текущих сцен деятельности.

Как видно из предлагаемой схемы, основные компоненты структуры системы связаны с основными моделируемыми компонентами деятельности: поведением, мышлением и коммуникацией.

Пользовательский интерфейс такой системы максимально упрощен и предназначен для использования менеджерами, не являющимися специалистами в области ИТ. Здесь выделены следующие основные поля:

• поле задания — формализованная постановка задачи;
• поле действия — рабочее поле для построения сценариев действий, в котором создаются и моделируются сцены общего мира действий и индивидуальных миров рассуждений;
• поле агентов — здесь отображаются агенты текущей рабочей группы, которые либо сами активизируются при совершении каких-либо действий или рассуждений, либо могут быть активизированы по инициативе пользователя;
• поле объектов — список возможных партеров по кооперации (или внутренних подразделений компании), которые могут быть размещены в рабочем поле;
• поле заключений — список возможных вариантов решений и их рейтинговое соотношение;
• поле договоров — список возможных отношений между компаниями (договора учредительские, кредитные и лизинговые, договора реализации, договора купли-продажи) и т.д.

Пользователи системы (менеджеры и специалисты), оперируя соответствующими пиктограммами, задают порядок рассмотрения ситуации, расставляют приоритеты, согласуют варианты решений и выбирают решение, наилучшее с их токи зрения. Все операции осуществляются путем активизации соответствующих пиктограмм, что открывает для каждого объекта его индивидуальное поле действий. При этом, например, можно в ручном режиме осуществить стандартные операции — взятие кредита, закупку сырья и комплектующих, отгрузку товара, приобретение акцийкакого-либо предприятия и т. п.

В системной части меню имеются клавиши доступа к базе знаний (для режимов просмотра и дообучения), конфигурирования моделируемых параметров, помощи пользователю и ряд других.

Работу такой системы можно проиллюстрировать на следующем примере (рис. 13.9).

Менеджер по маркетингу обнаруживает, что в области производства мультимедиа продуктов всё более востребованы компакт-диски с новым форматом записи и воспроизводства даных. Руководство компании приняло решение о запуске проекта таких дисков. Ввод этой информации в интеллектуальную систему (МАС) актуализирует ряд подразделений компании, связанных с расчетом прибыльности проекта, его реализацией, рекламой продукта и т.п.

Система ведет список подразделений, согласовывающих решение и состояние этого вопроса. По мере движения вопроса по подразделениям, система пересматривает важность других дел сотрудников в соответствии с их должностными инструкциями, отдавая приоритет решению данного вопроса.

В результате проводимых обсуждений данный проект может быть остановлен ввиду его бесперспективности, либо, наоборот, реализван в ускоренные сроки с привлечением дополнительных внешних специалистов, партнеров, концентрацией других ресурсов, что в свою очередь вносит существенные коррективы в деятельность всех подразделений.

13.4. Современные международные стандарты создания агентов и платформы МАС

Существует несколько международных подходов к созданию мультиагентных систем, наиболее известные их них — это OMG MASIF, созданный Object Management Group, в основе которого лежит понятие мобильный агент; спецификации FIPA (Foundations for Intelligent Physical Agents), основанные на предположении об интеллектуальности агента, а также стандарты, разработанные исследовательским подразделением Пентагона — Агентством Передовых Оборонных Научных Исследований (Defense Advanced Research Projects Agency — DARPA), в частности Control of Agent Based Systems.

Относительно мобильности и интеллектуальности агентов, большинство специалистов сходятся на том, что мобильность — центральная характеристика агента, интеллектуальность — желаемая, но не всегда строго требуемая. Различия подходов к определению агента в стандарте FIPA и OMG представлены на рисунке 13.10.

Деятельность FIPA заключается в совместном исследовании и разработке членами организации международных согласованных спецификаций, которые позволят максимизировать взаимодействие между агентными приложениями, услугами и оборудованием. Членами FIPA являются такие высокотехнологичные компании как Alcatel, Boeing, British Telecom, Deutsche Telekom, France Telecom, Fujitsu, Hitatchi, HP, IBM, Fujitsu, Hewlett Packard, IBM, Intel, Lucent, NEC, NHK, NTT, Nortel, Siemens, SUN, Telia, Toshiba, различные университеты, государственные организации.

Спецификации FIPA ориентируются на обеспечение возможности взаимодействия интеллектуальных агентов через стандартизированную коммуникацию агентов и языки контента. Наряду с общими основами коммуникации FIPA специализируется также на протоколах онтологии и переговоров для поддержки взаимодействия в конкретных прикладных сферах (транспортная поддержка, производство, мультимедиа, поддержка сетевого взаимодействия).

Стандарт OMG MASIF нацелен на создание условий для миграции мобильных агентов между мультиагентными системами посредством стандартизированных интерфейсов CORBA IDL.

Организация DARPA инициировала работу по распределению знаний (Knowledge Sharing Effort), в результате которой языки программирования агентов были разделены на синтакс (Syntax), семантику (Semantics) и прагматику (Pragmatics):

• KIF — Knowledge Interchange Format (Syntax);
• Ontolingua — A language for defining sharable ontologies (Semantics);
• KQML (Knowledge Query and Manipulation Language) —
  A high-level interaction language (Pragmatics).

Важным элементом при создании мультиагентных систем является язык коммуникации агентов — Agent Communication Language, который определяет типы сообщений, которыми могут обмениваться агенты. В рамках парадигмы коммуникации между агентами, кооперация между ними достигается за счет ACL, языка контента и онтологии, которые определяют набор базовых концепций, используемых в сообщениях кооперации. Онтология здесь выступает синонимом понятия API (Application Programming Interface), т.е. она определяет конкретный интерфейс интеллектуальных агентов.

На техническом уровне коммуникация между агентами происходит за счет передачи сообщений с использованием какого-либо транспортного протокола нижнего уровня (SMTP,TCP/IP, HTTP, IIOP). Альтернативами к использованию ACL является ряд других языков, таких как языки БД (SQL), Distributed object systems (CORBA и др.), Service languages (e-speak от Hewlett Packard, BizTalk от Microsoft и др.) и Web languages (XML, RDF, DAML).

Еще одной альтернативой ACL является CORBA ORB, разработанный уже упоминавшийся Object Management Group. Вся функциональность, предоставляемая CORBA, доступна и на языке JAVA, путем комбинации Java RMI, Java RMI servers, Jini, Java event servers и других.

В настоящее время языки коммуникации агентов продолжают эволюционировать. Поскольку совместимость — определяющая характеристика агентов, при разработке МАС — очень важна именно стандартизированная коммуникативность. Основными объектами для стандартизации являются: архитектура агента, языки взаимодействия агентов, протоколы взаимодействия агентов, знания агентов, языки программирования агентов.

Как отмечают эксперты в области разработки агентов, для последующей эволюции технологий создания агентов необходимы следующие действия:

• развитие семантики языков коммуникации агентов (ACL) (общих языков контента и онтологии; языков для описания действий агентов, намерений и стремлений);
• развитие онтологии агентов (разделяемые онтологии для свойств агентов и их поведения);
• улучшение использования метаданных (абстрактное и совмещаемое со многими языками контента);
• декларативные и ясные протоколы (языки для определения протоколов высокого уровня, базирующиеся на более примитивных);
• практический обмен знаниями между агентами (социальные механизмы для обмена информацией и знаниями, рассмотрение обмена знаниями как мобильный код);
• развитие схем и методов для контроля за системами агентов (искусственные рынки, естественный отбор и т.п.).

Агентные платформы представляют собой один из способов построения распределенных систем и позволяют описать и предоставить доступ всех приложений, работающих на агентной платформе к необходимым им сервисам. Кроме того, в функции агентной платформы входит распределение агентов, аудит их функционирования и управление.

На данный момент известно несколько агентных платформ, ориентированных на использование спецификации FIPA-2000 (табл.13.1). Агентная платформа в стандартах FIPA представляет собой конструкцию, представленную на рисунке 13.11.

Система управления агентами (СУА) представляет собой также агента, который осуществляет контроль доступа и использования агентной платформы. В каждой агентной платформе присутствует одна СУА, которая предоставляет сервис жизненного цикла программных агентов и их реестр с идентификаторами, а также содержит состояния каждого программного агента.

Маршрутизатором каталога является программный агент, который обеспечивает направление запросов в другие агентные платформы. Система транспортировки сообщений, или канал коммуникации агентов, является программным компонентом для управления потоками сообщений, приходящих на агентную платформу.

13.5. Применение мультиагентного подхода в бизнесе

Сложные системы на базе агентов уже нашли широкое применение в промышленности. Так, например, IBM использует агентов для производства полупроводниковых микросхем, датская судостроительная компания — для заварки отверстий в кораблях, а в Японии система на базе агентов выполняет функции интерфейса оператора сверхскоростных поездов.

МАС могут применяться как для конструирования и моделирования гибких производственных систем, так и для управления реальными системами производства (логистика), продажи продукции различного назначения (е-коммерции), интеграции и управления знаниями и научной работы. Большое значение в мультиагентном подходе имеет социальный аспект решения современных задач как его концептуальная основа. Такие системы должны постоянно «жить» на сервере предприятия и непрерывно участвовать в решении задач, а не быть запускаемыми от случая к случаю, а для этого — обеспечивать пользователю возможность введения новых данных и компонентов. Наконец, такие системы должны накапливать информацию, извлекать из нее новые знания и в зависимости от этого изменять свое поведение с течением времени.

В настоящее время интеллектуальные агенты применяются в следующих областях бизнеса:

• управление распределенными или сетевыми предприятиями;
• сложная и многофункциональная логистика;
• виртуальные организации и Интернет-порталы по продаже продуктов и услуг;
• управление учебным процессом в системах дистанционного обучения;
• компании с развитыми дистрибьюторскими и транспортными сетями (например, в Procter&Gamble);
• управление каналами распределения;
• моделирование предпочтений пользователей (например, в Ford).

Для крупных компаний преимущества мультиагентного подхода очевидны. Среди них можно отметить: сокращение сроков решения проблем, уменьшение объема передаваемых данных за счет передачи другим агентам высокоуровневых частичных решений; сокращение сроков согласования условий и формирования заказов.

Для распределенных компаний преимущества в первую очередь заключаются в возможности оптимального обеспечения продукцией, облегчении контроля удаленных подразделений и структур и взаимодействия с ними.

Для компаний с широким и быстро меняющимся ассортиментом — возможность гибко реагировать на изменения в предпочтениях клиентов и просчитывать периоды изменения. Для компаний оказывающих услуги — накопление опыта взаимодействия и решения проблем не только «в головах» сотрудников, но и в МАС.

Среди примеров компьютерных программ-агентов, существующих в настоящее время и широко используемых в Интернете можно выделить следующие:

Copernic Agent (http://www.copernic.com/) — одновременно отправляет запросы нескольким популярным поисковым системам, выбирает наиболее рейтинговые ссылки, сопоставляет их между собой, удаляет дубли и, сортируя отобранное по рейтингу в соответствии со своим алгоритмом ранжирования, выводит их пользователю.

MySimon (http://www.mysimon.com/) — осуществляет интеллектуальный поиск, сравнивая цены миллионов товаров в более чем двух тысячах онлайновых магазинов.

MP3-Wolf (http://www.trellian.com/) — сканирует Интернет в поисках нужных пользователю музыкальных файлов. В процессе работы он использует различные поисковые системы, а также сайты, найденные им ранее и содержащиеся в его базе.

WebSite-Watcher (http://www.aignes.com/) — предназначена для слежения за изменениями на сайтах. Поддерживает работу RSS-ленты. Имеет гибкие настройки по предотвращению ложных срабатываний, когда отдельные изменения на страницах носят случайный или технический характер, например изменение числа просмотров.

Помимо этого, агенты могут быть уполномоченными представителями пользователя при общении с другими пользователями или их агентами, при решении порученных им задач.

13.6. Области применения и платформы для разработки МАС

Многоагентные системы зародились на пересечении теории сложных систем и распределенного искусственного интеллекта. С одной стороны, речь идет об открытых, активных, развивающихся системах, в которых главное внимание уделяется процессам взаимодействия агентов как причинам возникновения системы с новыми качествами. С другой стороны, достаточно часто MAC строятся как объединение отдельных интеллектуальных систем, основанных на знаниях .

Одно из самых главных свойств агента в многоагентной системе — это интеллектуальность. Интеллектуальный агент владеет определенными знаниями о себе и об окружающей среде, постоянно накапливает их и на основе этих знаний способен определять свое поведение. Интеллектуальные агенты являются основной областью интересов агентной технологии. Важна также среда существования агента — это может быть как реальный мир, так и виртуальный (компьютерный), что является важным в связи со всеобщим распространением сети Internet. В связи с этим в МАС закладывают способности к обучению и даже самообучению.

Агент может иметь доступ к локальным и глобальным распределенным ресурсам. Таких агентов часто называют «персональными помощниками». Они автоматизируют работу текущего пользователя, помогая ему в выполнении заданных операций. Соответственно, сетевой агент самостоятельно получает доступ к информации, не доступной пользователю напрямую либо доступ к которой не был предусмотрен.

Выше было отмечено, что важным свойством агента является его персональная мобильность — возможность менять свое местонахождение в окружающей среде. Для программного агента под мобильностью понимается возможность перемещаться от компьютера к компьютеру, от одной сети к другой. Переходя от одного компьютера к другому, такой агент может отыскивать и обрабатывать данные и передавать результаты своей работы конечному пользователю.

Умения планировать действия подразделяет агентов на регулирующие и планирующие. Агент первого типа будет постоянно переоценивать ситуацию и заново вырабатывать ответную реакцию и действия в окружающей среде. Планирующий агент имеет возможность запланировать несколько действий на различные промежутки времени. При этом агент имеет возможность моделировать развитие ситуации, что дает возможность более адекватно реагировать на текущие события. При этом агент должен учитывать не только свои действия и реакцию на них, но и сохранять модели объектов и агентов окружающей среды для предсказания их возможных действий и реакций.

MAC обычно состоит из следующих основных компонент:

• множество организационных единиц, в котором выделяются: подмножество агентов, манипулирующих подмножеством объектов;
• множество задач, решаемых агентами в рамках выполнения общей задачм;
• среда, т. е. некоторое пространство, в котором существуют агенты и объекты;
• множество отношений между агентами;
• множество действий агентов (например, операций над
  объектами).

В MAC задачи распределены между агентами, каждый из которых рассматривается как член группы или организации. Распределение задач предполагает назначение ролей каждому из членов группы, определение меры его ответственности и требований к опыту.

Мультиагентные системы используются сегодня для разработки широкого спектра информационных и промыш ленных систем. В промышленности MAC наиболее распростране ны применительно к решению задач автоматизации управления сложными системами, для сбора и обработки информации, в играх. Мультиагентные технологии применимы в управлении мобильны ми ресурсами, а также в таких сферах, как проектирование объек тов, промышленное производство, финансовое планирование и ана лиз рисков, распознавание образов, извлечение знаний из данных, понимание текста и решение других сложных проблем.

Для решения задач автоматизации управления ресурсами пред приятий в реальном времени в последнее время разрабатывается большое количество интеллектуальных программных систем ново го поколения, построенных на основе мультиагентных технологий, которые позволяют автоматизировать полный цикл управления мо бильными ресурсами в реальном времени, включая:

• оперативную реакцию на важные события;
• динамическое планирование и адаптивное перепланирование заказов/ресурсов;
• взаимодействие с клиентами, менеджерами и исполнителями для согласования принимаемых решений через Internet или сотовый телефон;
• мониторинг исполнения построенных планов и бизнес-процессов заказчика;
• перепланирование расписаний в случае рассогласования меж ду планом и фактом.

В таких системах агенты способны взаимодействовать друг с другом путем «переговоров» и демонстрировать «коллективный ин теллект», возникающий в системе в форме спонтанных цепочек со гласованных изменений планов агентов.

Таким образом, в разработке программных систем использу ются фундаментальные принципы самоорганизации и эволюции, присущие живым системам, например, колонии муравьев или рою пчел, отличающихся способностью решать сложные задачи в ре альном времени, открытостью к изменениям, высокой эффектив ностью, надежностью и живучестью.

Обычно такие системы легко интегрируются с существующими коммуникаторами, учетно-контрольными системами предприятия, электронными картами, средствами GPS навигации, RFID-чипами и т. п.

Применение мультиагентных инструментальных средств позво ляет, например, решить ряд сложных задач производственной и транспортной логистики. В настоящее время существует несколько промышленных реализаций интеллектуальных систем, основанных на мультиагентных тех нологиях: для компаний, занимающихся междугородними транс портными перевозками (организовано согласованное планирование загруженности парка грузовиков для менеджеров центра и филиалов), для компа ний корпоративного такси (планирование и распределение текущих заказов в режиме реально времени), для аэропорта (система управ ления наземными сервисами аэропорта на основе RFID- техноло гий).

Для решения этих задач использовалась инструментальная платформа, которая состоит из основных модулей, представленных на рисунке 13.12.

Детектор образов распознает типовые ситуации, возникаю щие в ходе поступления заявок и вырабатывает прогноз заявок и рекомендации по планированию с учетом предыстории.

Адаптив ный планировщик обрабатывает поток входящих событий (по ступлений заявок, ввода новых ресурсов, выхода из строя ресур сов и т. п.).

Конструктор сцены позволяет редактировать на чальную конфигурацию сети и определить все параметры ресур сов компании. Конструктор сцены основывается на общей базе зна ний (онтологии), описывающей деятельность компании, в которой присутствуют базовые понятия и отношения между ними, и которая при развитии бизнеса может расширяться с использованием редактора онтологии.

Редактор онтологии позволяет ввести и изменить общую онтологию компании, описывающую модель зна ний предметной области, которая затем применяется в редакторе сети для описания конфигурации бизнеса. Онтология содержит ба зовые знания и отношения между ними, представляемые в фор ме семантической сети.

Моделирующая система — программ ный модуль, позволяющий осуществлять моделирование ситуации по принципу «Что если?».

Эволюционный дизайн — модуль, вы рабатывающий предложения по улучшению конфигурации сети в части увеличения или уменьшения определенного числа ресурсов, изменению географии ресурсов и т. д.

Ниже кратко описаны наиболее популярные средства разработки MAC.

JADE (Java Agent Development Framework) — широко исполь зуемая программная среда для создания мультиагентных си стем и приложений, поддерживающая FIPA-стандарты для интеллектуальных агентов. Включает в себя среду выполне ния агентов (агенты регистрируются и работают под управ лением среды), библиотеку классов, которые используются для разработки агентных систем, набор графических утилит для администрирования и наблюдения за жизнедеятельно стью активных агентов. Программная среда JADE подклю чается к любом проекту на языке Java. Агенты JADE могут быть совершенно разными — от простых, только реагирую щих, до сложных — ментальных.

JACK Intelligent Agents — Java платформа для создания муль тиагентных систем. Так же как и JADE, расширяет Java сво ими классами. JACK одна из немногих платформ, где используются модель логики агентов, основанная убеждениях-желаниях-намерениях (Belief–desire–intention software model – BDI), и встроенные формально-логические средства планирования работы агентов.

MadKIT — модульная и масштабируемая мультиагентная плат форма, написанная на Java. Поддерживает агентов на разных языках: Java, Python, Jess, Scheme, BeanSchell. Красиво визу ализирует и позволяет управлять этими агентами.

AgentBuilder — большой коммерческий продукт, выпускаемый так же и в Academic Edition. Агенты достаточно интеллек туальны, и общаются на языке KQML (Knowledge Query and Manipulation Language) и обладают ментальной моделью. Плат форма является Java-ориентированной.

Cougaar (Cognitive Agent Architecture) — также Java-ориенти рованная платформа для построения распределенных мультиагентных систем. Включает не только исполняющую систему (run-time engine), но и некоторые средства для визуализации, управления данными и др.

NetLogo — кроссплатформенное программируемое окружение для программирования мультиагентных систем.

VisualBots — бесплатный мультагентный симулятор в Microsoft Excel с Visual Basic синтаксисом.

MASON — Java библиотека для моделирования мультиагент ных систем.

REPAST — набор инструментов для создания систем, осно ванных на агентах.

CogniTAO — С++ платформа разработки автономных муль тиагентных систем, ориентированная на реальных роботов и виртуальных существ (CGF).

На сегодняшний день не существует универсального языка программирования или инструментальной системы разработки, которая бы полностью соответствовала требованиям построения агентов. С точки зрения принципов распределенного объектно-ориентированного программирования (ООП) необходимость передачи методов может быть существенно сокращена в том случае, если может быть обеспечен удаленный доступ к общим методам посредством передачи ссылок на удаленные объекты, данных экземпляров этих объектов и их состояний. Каждый агент имеет возможность создания копий самого себя с полной или ограниченной функциональностью, обеспечивая возможность настройки на среду путем исключения неэффективных методов и замены их новыми. Таким образом, традиционная для ООП схема {класс/объект/ наследование} нарушается, так как агент имеет возможность постоянного изменения сценария поведения без его изменения в родительском классе. Многозначное наследование позволяет создавать экземпляры агентов, смешивая сценарии поведения, схемы наследова
ния и атрибуты, определенные в родительских классах [Vittikh V. A. — http://www.cs.brandeis. edu/dept/faculty/ mataric].

Отметим, что система разработки, которая бы полностью соответствовала требованиям построения агентного приложения, должна соответствовать следующим требованиям — доступность на многих платформах, обеспечение перенесения кода на различные платформы, поддержка сетевого взаимодействия, многопотоковая обработка и некоторые другие. Выше было показано, что чаще всего в агентных технологиях используются: универсальные языки программирования (Java); а также языки, «ориентированы на знания» — такие, как языки представления знаний (KIF), языки переговоров и обмена знаниями (KQML, AgentSpeak, April). Используются также языки спецификаций агентов; специализированные языки программирования агентов (TeleScript); языки сценариев и Scripting Languages (Tcl/Tk); символьные языки и языки логического программирования (Oz).

13.7. Примеры практического применения технологии МАС в системах управления

Приведём несколько примеров построения МАС для решения конкретных управленческих задач.

MAC для распределения заказов такси

Для одной из крупнейших в мире компаний корпоративного такси Addison Lee (Лондон) была разработана система, которая поз волила распределять и планировать примерно 13 тысяч заказов в день при наличии нескольких тысяч собственных машин (из них до 800 постоянно на линии), оснащенных средствами GPS-навигации. При появлении нового заказа система автоматически находит наи лучшую машину, получая сведения о координатах ближайших ма шин на электронной карте Лондона, и предварительно бронирует заказ. Если эта машина была уже занята, то начинается цепочка переговоров, направленная на разрешении возникшего конфликта и достижение компромисса, что позволит перебросить старый за каз на другую машину, если это выгодно для всех. Но и после этого работа системы с новым заказом не останавливается.

В среднем на подачу машины требуется около 15 минут, при этом примерно по ловину этого времени система продолжает непрерывно искать воз можности для улучшения перевозки с учетом поступающих заказов и появляющихся новых ресурсов и не принимает окончательного решения до момента, когда необходимо отправлять машину с уче том времени пути проезда до заказа. Когда уже пора отправлять автомобиль на заказ, система принимает окончательное решение, посылает водителю сообщение о параметрах заказа и ждет под тверждения о приеме заказа.

Внедрение такой системы дало возможность роста компании за счет повышения управляемости. Существенно увеличилась эффек тивность автопарка (10-15%) благодаря оптимальному распределе нию заказов за счет минимизации «холостого» пробега и времени простоя автомобилей. Также сократилось количество опозданий и время обслуживания заявок.

МАС для управления группами интеллектуальных
роботов

Хорошим примером использования интеллектуальных агентов служат системы управления роботами. Роботы могут иметь широкий ассортимент искусственных органов чувств (сенсорные датчики) и искусственных эффекторов (мани пуляторы, педипуляторы). Речь идет о робототехнических устройствах, выполняющих задачи, связанные с перемещениями в пространстве. Их мобильность достигается благодаря колесным, гусеничным, шагающим и прочим системам перемеще ния. Активность и автономность роботов тесно связаны с наличием средств целеполагания и планирования действий, систем поддерж ки решения задач, а интеллектуализация, помимо обладания систе мой обработки знаний, предполагает развитые средства коммуни кации различных уровней, вплоть до средств естественноязыкового общения.

Неотъемлемым атрибутом интеллектуальных роботов являет ся наличие специальной подсистемы планирования, составляющей программу действий робота в реальных условиях окружающей сре ды, которые определяются рецепторами робота. Для планирования деятельности робот должен иметь знания о свойствах окружающей среды и путях достижения целей в этой среде.

Рассмотрим два подхода к управлению группой интеллектуаль ных роботов.

Первый основан на рыночных отношениях в группе роботов. Его суть заключается в следующем. Сначала каждый робот ге нерирует список целей. Цели, соответствующие известным обла стям среды, исключаются из списков, а оставшиеся размещаются в порядке следования. Каждый робот, по очереди, пытается про дать каждую из целевых задач всем остальным роботам группы, с которыми возможна связь, выставляя их на аукцион. Каждый из остальных роботов предлагает цену, которая определяется предпо ложительными расходами и доходами. Робот-аукционист, предла гающий целевую задачу, ждет, пока все роботы не предложат це ну. Причем на это отводится определенное время. Если какие-либо роботы предлагают цену, большую чем минимум, предложенный роботом-аукционистом, то целевая задача передается тому их них, который предлагает наибольшую цену.

После того, как все аукци оны проведены, роботы начинают движение к первой своей цели. По ее достижении каждый робот генерирует новые цели и начи нает движение к следующей цели, содержащейся в задании, предлагая все оставшиеся в списке целевые задачи остальным роботам группы через аукцион. Однако в этом подходе используются очень громоздкие механизмы аукционов и регулирования цен, что суще ственно ограничивает его применение.

Другой подход к организации мультиагентного взаимодействия в группах интеллектуальных роботов основан на принципах кол лективного управления, характерных для коллективов людей .

Коллективом называют группу роботов, решающих общую це левую задачу и взаимодействующих между собой для решения этой задачи наилучшим для группы образом. Коллективное взаимодей ствие — это взаимодействие, охватывающее большое число элемен тов некоторой системы и проявляющееся в их согласованных дей ствиях.

Метод коллективного управления заключается в том, что каж дый робот группы, во-первых, самостоятельно управляет процес сом своего функционирования, т. е. определяет свои действия, а во-вторых, согласовывает эти действия с действиями других ро ботов группы, для того чтобы наиболее эффективно, т. е. с мини мальными затратами и максимальной выгодой для группы, решить целевую задачу.

Основные принципы коллективного управления:

• каждый член коллектива группы самостоятельно формирует свое управление (определяет свои действия) в текущей ситу ации;
• формирование управлений (выбор действий) каждым членом коллектива осуществляется только на основе информации о коллективной цели, стоящей перед группой, ситуации в среде в предыдущей отрезок и в текущий момент времени, своем текущем состоянии и текущих действиях других членов кол лектива;
• в качестве оптимального управления (действия) каждого чле на коллектива в текущей ситуации понимается такое управле ние (действие), которое вносит максимально возможный вклад в достижение общей (коллективной) цели или, иными слова ми, дает максимально возможное приращение целевого функ ционала при переходе системы «коллектив-среда» из текущего состояния в конечное;
• оптимальное управление реализуется членами коллектива в течение ближайшего отрезка времени в будущем, а затем опре деляется новое управление;
• допускается принятие компромиссных решений, удовлетворя ющих всех членов коллектива, то есть каждый член коллек тива может отказываться от действий, приносящих ему мак симальную выгоду, если эти действия приносят малые выгоды или даже ущерб коллективу в целом.

В отличие от группового управления, которое может быть как централизованным, так и децентрализованным, коллективное управ ление группой роботов всегда децентрализованное по своей сути. Поэтому описанный метод коллективного управления роботами наи более эффективен при реализации в распределенных мультиагентных системах.

Основное преимущество — относительно низкая вы числительная сложность алгоритмов, что позволяет быстро прини мать если не оптимальные, то близкие к ним решения в условиях динамически изменяющейся ситуации. Этот подход применяется не только для решения задач коллективного управления интеллекту альными роботами, но и для решения проблемы организации отка зоустойчивого вычислительного процесса в распределенных мно гопроцессорных информационно-управляющих системах сложных динамических объектов.

MAC для управления ансаблями динамических объектов

Еще одним перспективным направлением применения MAC яв ляются системы динамических управляемых объектов — например, беспилотных летательных аппаратов. В современ ном мире «беспилотные летательные аппараты» (Unmanned Aerial Vehicles, далее БПЛА) приобретают все большую популяр ность в качестве легких и недорогих инструментов для исследова ний территорий, разведки и воздушных съемок. В основной мас се современная беспилотная техника не обладает автономностью (обычно дистанционно управляется оператором со специального пуль та).

Есть успешные разработки одиночных БПЛА, которые под управлением автопилота способны в автономном режиме облететь территорию по заданному маршруту, собирая ту или иную инфор мацию или выполняя другие задания. Анализ большинства задач решаемых с использованием одиночных аппаратов показывает, что они могут более эффективно решаться группой, так как у груп пы эффективно взаимодействующих легких и маленьких самолетов появляются дополнительные полезные свойства.

MAC для управления безопасностью автомобиля

Примером инновационного продукта, обеспечивающего комплексную безопасность автомобиля на дороге может служить информационно-диагностическая подсистема «Автоматизированная помощь на дороге» (АПД) для on-line обслуживания водителей.

Подсистема предназначена для постоянного текущего мониторинга устройств и механизмов автомобиля клиента и базируется на современных достижениях в области сбора, передачи, и автоматизированного анализа сигналов, обработки сигналов в режиме on-line с использованием современных датчиков и контроллеров, а также контроля всей системы на базе мультиагентного подхода. Пользователем может стать любой человек, который пожелает установить систему АПД при покупке нового автомобиля распространенных марок Ford, Opel, Chevrolet, KIA, BMW и др.

Главным назначением АПД является повышение безопасности клиента. Во время движения автомобиля могут возникать нештатные ситуации, связанные с состоянием агрегатов автомобиля, дорожной обстановкой, состоянием покрытия, погодой и т.д. При этом водитель может не подозревать о надвигающейся аварийной ситуации, связанной с некорректной работой двигателя, тормозной системы, рулевого управления. Система АПД обязана минимизировать последствия критических поломок, так как она призвана при первых симптомах неисправности отправить сведения о них в дилерский центр, оператор которого свяжется с клиентом и сообщит о возможных последствиях и путях их предотвращения.

Рассмотрим вариант, когда автомобиль не оборудован системой АПД (рис. 13.13). Клиент эксплуатирует автомобиль определённое количество времени, проводит регламентированные работы (ТО) в официальном автосервисе. В случае инцидента на дороге (отказ двигателя, съезд с полотна и переворот вследствие прокола колеса, наезд на препятствие, столкновение с другим транспортным средством) водитель обязан вызвать сотрудников ГИББД, страхового агента и т.д. Но если водитель серьёзно пострадал, то он не может определить своё состояние, местоположение, вызвать себе скорую помощь и соответствующие службы. И если ДТП произошло на просёлочной дороге, то шансы быстро получить необходимую помощь резко уменьшаются.

Если же автомобиль оснащен системой оказания комплексной услуги АПД (рис. 13.14), то при возникновении малейшей неисправности — например, нештатная вибрация кузова, рулевого управления, утечка масла или бензина, критический износ тормозных колодок и пр. — система отображает возникшую коллизию на панели приборов.

Бортовой компьютер отсылает код неисправности оператору в дилерский центр или станцию технического обслуживания. Оператор немедленно связывается с дежурным мастером-консультантом, а тот, в свою очередь, удаленно тестирует неисправность, связывается с клиентом и даёт рекомендации по поводу дальнейшего эксплуатирования автомобиля. Если клиент попадает в ДТП, то компьютер автоматически отсылает информацию о том, что сработали ремни и подушки безопасности. Оператор сразу же пытается связаться с клиентом по сотовому телефону. Если клиент не снимает трубку, то оператор вызывает скорую помощь на место, которое было определено с помощью GPS-передатчика на автомобиле.

Таким образом, система АПД позволяет повысить безопасность благодаря своевременному выявлению проблем, а также вызову помощи тогда, когда клиент в ней нуждается. Помимо всего прочего, система АПД может иметь ряд других полезных функций. Так например, если клиент оставил ключи от автомобиля дома, но очень спешит, то он может позвонить оператору, назвать свой уникальный ID и пароль. Оператор открывает и заводит автомобиль. Также оператор может закрыть автомобиль.

Система АПД может выполнять также функцию охранной сигнализации: если злоумышленники угнали автомобиль, клиент связывается с оператором, а тот, в свою очередь, связывается с правоохранительными органами и сообщает им расположение автомобиля.

Архитектура системы АПД может состоять состоит из трёх базовых модулей (рис. 13.15): модуль диагностики автомобиля; программный модуль коммуникатора; АРМ оператора у дилера.

Модуль диагностики автомобиля включает в себя систему самодиагностики и блоки ECU (Electronic Control Unit). «Самодиагностика (иногда называемая бортовой диагностикой) — это система, которая постоянно держит под наблюдением сигналы различных датчиков и исполнительных механизмов системы управления двигателем (СУД). Эти сигналы сравниваются с их контрольными значениями, которые хранятся в памяти бортового компьютера.

Набор таких контрольных значений может быть разным в разных автомобилях и их моделях. Он может включать в себя верхние и нижние границы контролируемых параметров, допустимое число ошибочных сигналов в единицу времени, неправдоподобные сигналы, сигналы, выходящие за допустимые пределы и др. При выходе сигнала за пределы контрольных значений блок электронного управления квалифицирует это состояние как неисправность, формирует и помещает в память соответствующий код.

Ранние конструкции систем диагностики были способны формировать и хранить лишь небольшое число кодов. Современные системы в состоянии генерировать и хранить 100 и более кодов и способны ещё увеличить это количество по мере того, как ПО бортовых компьютеров, основанное на технологии интеллектуальных агентов «научится» выделять новые нештатные, сбойные и аварийные ситуации.

ECU — основной элемент электронной системы управления, реализующий алгоритм управления путём преобразования электрических сигналов датчиков в управляющие воздействия на исполнительные устройства. Электронный блок управления (ЭБУ) двигателем получает сигналы от разных датчиков и обрабатывает их по определённой схеме. После обработки данных принимает решение о том, как управлять работой различных систем двигателя, меняя подачу топлива, выставляя зажигание, а также диагностирует все системы управления автомобилем и уведомляет о неисправностях.

Связь внешнего устройства (в данном случае коммуникатора) с электронным блоком управления осуществляется благодаря CAN-шине. CAN (Contoller Area Network) является сетевым интерфейсом передачи данных на скорости до 1 Мбит/сек. Автомобиль связывается с коммуникатором посредством CAN-шины и переходника CAN-bus-USB. На смартфоне водителя установливается ПО, которое способно выводить информацию о работе систем автомобиля на дисплей, а также отправлять их в Интернет. В случае если ошибок никаких не возникает, то сведения о работе автомобиля остаются в телефоне. Если же возникает какая-либо критическая неисправность либо срабатывают датчики ремней и подушки безопасности), то информация о местоположении автомобиля, а также информация с кодом неисправности отсылается на АРМ оператора соответствующего Call-центра.

В соответствии с такой архитектурой, алгоритм сбора, анализа, и выработки рекомендаций для пользователя будет основан на мультиагентном подходе. Суть мультиагентного подхода в этом случае заключается в том, что гораздо эффективнее внедрить несколько интеллектуальных агентов, которые будут отвечать за свой небольшой сегмент, чем использовать одно электронное устройство с заданной жестко программой функционирования, отвечающее за всю диагностику (в настоящее время вся информация с датчиков поступает в «головной центр» сбора информации ECU).

Каждый агент содержит базу знаний, которая распространяется только на один элемент автомобиля. Например, первый агент отвечает за работу включения и выключения атвомобиля, другой агент отслеживает работу тормозной системы, третий агент контролирует работу двигателя, четвёртый агент следит за покрытием дороги, и т. д.

Рассмотрим два алгоритма работы системы на базе мультиагентного подхода и опишем типичную схему принятия решения.

На улице зима, человек садится в автомобиль, прогревает его (режим контролирует 1-й агент) и выезжает на шоссе. Во время движения из-за снега и наледи постоянно меняется рельеф дорожного покрытия, и человек не всегда успевает реагировать на эти изменения. Поэтому агент, который отвечает за анализ состояния дорожного покрытия (4-й агент), постоянно общается с агентами, которые отвечают за работу двигателя (3-й агент) и тормозной системы (2-й агент). Если автомобиль выезжает на лёд, то четвертый агент сообщает об этом первому и второму. Второй агент приводит тормозную систему в состояние повышенный готовности (усиливает давление в тормозной системе), а первый агент ограничивает обороты и плавность работы двигателя. Тем самым уменьшается риск заноса или, другими словами, повышается уровень безопасности.

Автомобиль двигается по дороге. Соответствующие интеллектуальные агенты следят за состоянием элементов активной безопасности (рис. 13.16). Первый агент отвечает за состояние ремней безопасности, второй агент следит за состоянием подушек безопасности, третий отслеживает состояние тормозной системы, четвёртый передаёт данные на коммуникатор, пятый отправляет информацию на АРМ оператора дилерского центра, шестой агент отвечает за информацию поступающих с датчиков парковки (патронников), седьмой агент следит за работой климатической установки. Автомобиль подъезжает к пешеходному переходу, но водитель задумался, и не успевает своевременно плавно остановиться и резко нажимает на педаль тормоза.

Агенты анализируют изменившуюся ситуацию и информацию о ней — автомобиль ехал с постоянной скоростью, но резко остановился. Они общаются между собой: шестой агент сообщает, что контакта не было, второй сообщает, что подушки безопасности не раскрылись, первый агент говорит о том, что преднатяжители ремней безопасности сработали.

Исходя из этих данных, они решают не отправлять данные на АРМ оператора дилерского центра, но занести информацию о характере торможения в память (для того, чтобы при возникновении неполадки в будущем, можно было легко вычислить причину её возникновения). Автомобиль продолжает движение и совершает наезд на впереди стоящий автомобиль. И тут уже начинается рассмотрение как минимум двух ситуаций:

1. Агенты сообщают, что патронники зафиксировали критическое приближение (удар), преднатяжители ремней сработали, но температура в салоне не изменилась (лобовое стекло цело) и подушки безопасности не открылись, т.е. удар произошёл на небольшой скорости. Как вывод, агенты сообщают эту информацию на АРМ оператора дилерского центра, и он связывается с клиентом.
2. Агенты сообщают о срабатывании всех систем активной безопасности: преднатяжители сработали, зафиксировано критическое сближение (удар), подушки безопасности раскрылись, температура в салоне изменилась — т.е. произошёл один из худших вариантов развития для человека. Агенты автомобиля сообщают информацию о случившемся агенту, который отвечает за коммуникатор, далее этот агент передаёт информацию о происшествии и местоположении автомобиля на АРМ оператора дилерского центра. Оператор быстро обрабатывает всю информацию, пытается связать с клиентом и в случае необходимости вызывает скорую помощь на место происшествия.

Таким образом, видно, что агенты общаются между собой и при анализе поступающей информации принимают решение о реализации необходимых процедур.

Устройство управления самодиагностикой состоит из нескольких выделенных блоков: для двигателя — ECU (Engine Control Unit) или ECM (Engine Control Module); для антиблокировочной системы тормозов — ABS (Antiblocking System), для подушек безопасности — ABSRS (Air Bag Supplemental Restraint System), для автоматической коробки передач — EAT (Electronic Automatic Transaxles) и другие.

При получении сигнала о возникновении неполадки система диагностики обязана ответить унифицировано:

• во-первых, классифицировать неисправность по номеру (коду ошибки) и запомнить этот код в долговременной памяти;
• во-вторых, предпринять действия по минимизации ущерба, предусмотренные на этот случай управляющей программой.

После этого сохранённые в памяти коды ошибок считываются специальным прибором (сканером), или вручную, при помощи определённой процедуры, которая вводит ECU в режим индикации кодов самодиагностики.

Приведенные примеры, естественно, не исчерпывают всех возможностей использования мультиагентных систем, области применения современных МАС чрезвычайно широки — от систем управления сложными робототехническими устройствами и комплексами до различных сервисных систем и контроля безопасности платежных и банковских систем. MAC, как часть интеллектуальных информационных технологий (ИИТ), представляют собой гибкий инструмент для повышения эффективности управления и самоорганизации современных высокотехнологичных компаний!

Заключение

Мир изменился — окончательно и бесповоротно! С внедрением персонального компьютера практически во все виды деятельности человека решающей силой стали не только недвижимость или производственный капитал, но в большой степени — сам человек, его знания, информация, которыми он обладает.

В начале XXI века около 65 % доходов в развитых странах люди получают за счёт интеллектуальной деятельности. И если в 60-х годах ХХ века средний менеджер в силу своих профессиональных обязанностей должен был запомнить и использовать 25-30 имён или названий фирм в течение карьеры, то сейчас — столько же ежемесячно! И более половины из них — на иностранных языках. Информация, знания и развитые коммуникации дают свободу и уверенность в своих силах, в правильности выбранной стратегии, являются непременным фактором успеха.

Значимость ИТ для бизнеса стремительно растет — и это наглядно пожтверждают результаты исследования, проведенного аналитическим агентством Gartner: если в 2010 году вклад ИТ в достижение стратегических целей бизнеса положтельно оценили 32% руководителей крупных мировых компаний, то в 2013 году уже более 70% руководителей не сомневаются. что современные ИТ смогут помочь создавать новые бизнес-модели для получения конкурентного преимущества.

Подводя итоги, укажем на важнейшие потенциальные эффекты применения современных информационных технологий и построенных на их основе информационных систем и на основные принципы их эффективного использования (табл. 14.1).

В книге «Шесть принципов эффективного использования информационных технологий» приведены шесть системных принципов, без учета и реализации которых компания будет испытывать нарастающие трудности при попытке внедрения и использования ИТ/ИС.

В заключение отметим, что информационные технологии при всей своей новизне и революционности не отменили базовых экономических законов, не упразднили производственный процесс, не ликвидировали конкурентов и не отняли у человека необходимости принимать решения. Объекты управления — компания и ее деятельность, производственные процессы и персонал не перестали существовать, даже если в некоторых случаях они стали виртуальными; внешнее окружение — государственные структуры, социальные институты, субъекты рыночных отношений — по-прежнему оказывает огромное влияние на бизнес. Осталась необходимость формировать решения слабоструктурированных задач на основе неформализованной информации.

У руководителя предприятия по-прежнему главной «головной болью» являются вечные вопросы:

• Как доказать инвесторам, что деньги они должны дать именно нам?
• Как найти свое место на рынке и заставить покупателя прийти за нашим товаром?
• Как организовать выпуск продукции мирового уровня?
• Как отразить угрозы конкурентов?
• Как обеспечить высокую эффективность и известность нашей фирмы?
• Как преобразовать среднее предприятие в передовое?

В этом смысле скорее можно говорить об интенсификации всех процессов в информационную эпоху. Увеличился темп деятельности, возросла скорость принятия управленческих решений, изменился инструментарий управления — эти изменения стали настолько глубоки и необратимы, что они повлияли на все процессы, которые составляют суть деятельности менеджера: руководство, анализ ситуации, планирование, принятие решений, организация деятельности и контроль выполнения, совершенствование процессов и системы управления.

Наибольший эффект от применения современных ИТ могут получить компании, обладающие одним или несколькими из перечисленных ниже признаков:

• большое число рутинных операций с формализованными данными;
• сложная логистика;
• большое количество поставщиков;
• широкая номенклатура производства;
• территориальная распределенность компании;
• большое число клиентов;
• высокая интеллектуальная (нематериальная) составляющая продукта;
• непосредственное применение компьютерных вычислительных систем в производстве и управлении;
• высокая скорость производственного цикла.

Этим характеристикам, в первую очередь, отвечают компании из отраслей финансов, торговли, телекоммуникаций, транспорта, автомобиле- и авиастроения, энергоснабжения, информационных услуг, разработки программного обеспечения.

Однако любая компания, качество корпоративного управления которой приближается к уровню, необходимому для привлечения внешних инвестиций, будет заинтересована в использовании ИТ для улучшения процессов снабжения, маркетинга и продаж, послепродажного обслуживания, управления финансами, производством и персоналом.

В этом залог её дальнейшего развития и процветания!