Sistema de agentes múltiples

Agente reflejo simple

Agente de aprendizaje

Un sistema de múltiples agentes ( MAS o "sistema autoorganizado") es un sistema computarizado compuesto por múltiples agentes inteligentes que interactúan . ^{[1] [2]} Los sistemas de agentes múltiples pueden resolver problemas que son difíciles o imposibles de resolver para un agente individual o un sistema monolítico . ^{[3] La} inteligencia puede incluir enfoques metódicos , funcionales , procedimentales , búsqueda algorítmica o aprendizaje reforzado . ^{[4] [5]}

A pesar de una superposición considerable, un sistema de agentes múltiples no siempre es lo mismo que un modelo basado en agentes (ABM). El objetivo de un ABM es buscar una visión explicativa del comportamiento colectivo de los agentes (que no necesariamente necesitan ser "inteligentes") que obedecen reglas simples, típicamente en sistemas naturales, en lugar de resolver problemas prácticos o de ingeniería específicos. La terminología de ABM tiende a usarse con más frecuencia en la ciencia y MAS en ingeniería y tecnología. ^[6] Las aplicaciones en las que la investigación de sistemas de múltiples agentes puede ofrecer un enfoque apropiado incluyen el comercio en línea, ^[7] respuesta a desastres, ^{[8] [9]} vigilancia de objetivos ^[10] y modelado de estructuras sociales. ^[11]

Concepto

Los sistemas de agentes múltiples constan de agentes y su entorno . Normalmente, la investigación de sistemas de agentes múltiples se refiere a agentes de software . Sin embargo, los agentes en un sistema de múltiples agentes podrían ser igualmente robots, humanos o equipos humanos. Un sistema de agentes múltiples puede contener equipos de agentes humanos combinados.

Los agentes se pueden dividir en tipos que van de simples a complejos. Las categorías incluyen:

• Agentes pasivos ^[12] o "agente sin metas" (como obstáculo, manzana o llave en cualquier simulación simple)
• Agentes activos ^[12] con objetivos simples (como aves en bandada o lobo-oveja en el modelo presa-depredador )
• Agentes cognitivos (cálculos complejos)

Los entornos de agentes se pueden dividir en:

• Virtual
• Discreto
• Continuo

Los entornos de agentes también se pueden organizar de acuerdo con propiedades como la accesibilidad (si es posible recopilar información completa sobre el entorno), el determinismo (si una acción causa un efecto definido), la dinámica (cuántas entidades influyen en el entorno en el momento), discreción (si el número de posibles acciones en el ambiente es finito), episódica (si las acciones del agente en ciertos períodos de tiempo influyen en otros períodos), ^[13] y dimensionalidad (si las características espaciales son factores importantes del ambiente y el agente considera el espacio en su toma de decisiones). ^[14]Las acciones de los agentes suelen estar mediadas a través de un middleware adecuado. Este middleware ofrece una abstracción de diseño de primera clase para sistemas de múltiples agentes, proporcionando medios para gobernar el acceso a los recursos y la coordinación de los agentes. ^[15]

Caracteristicas

Los agentes en un sistema de agentes múltiples tienen varias características importantes: ^[16]

• Autonomía: agentes al menos parcialmente independientes, autoconscientes, autónomos
• Vistas locales: ningún agente tiene una visión global completa o el sistema es demasiado complejo para que un agente explote ese conocimiento
• Descentralización: ningún agente se designa como controlador (o el sistema se reduce efectivamente a un sistema monolítico) ^[17]

Autoorganización y autodirección

Los sistemas de agentes múltiples pueden manifestar autoorganización, así como autodirección y otros paradigmas de control y comportamientos complejos relacionados, incluso cuando las estrategias individuales de todos sus agentes son simples. ^{[ cita requerida ]} Cuando los agentes pueden compartir conocimientos utilizando cualquier lenguaje acordado, dentro de las limitaciones del protocolo de comunicación del sistema, el enfoque puede conducir a una mejora común. Los lenguajes de ejemplo son Knowledge Query Manipulation Language (KQML) o Agent Communication Language (ACL).

Paradigmas del sistema

Muchos MAS se implementan en simulaciones por computadora, lo que lleva al sistema a través de "pasos de tiempo" discretos. Los componentes MAS se comunican típicamente usando una matriz de solicitud ponderada, p. Ej.

 Velocidad-MUY_IMPORTANTE: min = 45 mph, Longitud de ruta-MEDIUM_IMPORTANCE: max = 60 esperadoMax = 40, Max-Weight-UNIMPORTANTE Prioridad de contrato-REGULAR 

y una matriz de respuesta ponderada, p. ej.

 Velocidad mínima: 50 pero solo si hace buen tiempo, Longitud del camino: 25 para soleado / 46 para lluvioso Prioridad de contrato-REGULAR nota: la ambulancia anulará esta prioridad y tendrá que esperar

Un esquema de desafío-respuesta-contrato es común en los sistemas MAS, donde

• Primero se distribuye una pregunta " ¿Quién puede? " .
• Solo los componentes relevantes responden: " Puedo, a este precio " .
• Finalmente, se establece un contrato, generalmente en varios pasos breves de comunicación entre las partes,

considerando también otros componentes, los "contratos" en evolución y los conjuntos de restricciones de los algoritmos de los componentes.

Otro paradigma comúnmente utilizado con MAS es la " feromona ", donde los componentes dejan información para otros componentes cercanos. Estas feromonas pueden evaporarse / concentrarse con el tiempo, es decir, sus valores pueden disminuir (o aumentar).

Propiedades

Los MAS tienden a buscar la mejor solución a sus problemas sin necesidad de intervenir. Aquí hay una gran similitud con los fenómenos físicos, como la minimización de energía, donde los objetos físicos tienden a alcanzar la energía más baja posible dentro del mundo restringido físicamente. Por ejemplo: muchos de los autos que ingresan a una metrópoli por la mañana estarán disponibles para salir de esa misma metrópolis por la noche.

Los sistemas también tienden a prevenir la propagación de fallas, se autorrecuperan y son tolerantes a fallas, principalmente debido a la redundancia de componentes.

Investigar

El estudio de los sistemas multiagente "se ocupa del desarrollo y análisis de arquitecturas sofisticadas de control y resolución de problemas de IA para sistemas tanto de un solo agente como de múltiples agentes". ^[18] Los temas de investigación incluyen:

• ingeniería de software orientada a agentes
• creencias, deseos e intenciones ( BDI )
• cooperación y coordinación
• optimización de restricciones distribuidas (DCOP)
• organización
• comunicación
• negociación
• resolución distribuida de problemas
• aprendizaje multiagente ^[19]
• agente minero
• comunidades científicas (por ejemplo, en bandadas biológicas, evolución del lenguaje y economía) ^{[20] [21]}
• confiabilidad y tolerancia a fallas
• robótica, ^[22] sistemas de múltiples robots (MRS), clústeres robóticos

Frameworks

Han surgido marcos que implementan estándares comunes (como los estándares FIPA y OMG MASIF ^[23] ). Estos marcos, por ejemplo , JADE , ahorran tiempo y ayudan en la estandarización del desarrollo de MAS. ^[24]

Sin embargo, actualmente no se mantiene activamente ningún estándar de FIPA u OMG. Los esfuerzos para un mayor desarrollo de los agentes de software en el contexto industrial se llevan a cabo en el comité técnico de IEEE IES sobre Agentes Industriales. ^[25]

Aplicaciones

Los MAS no solo se han aplicado en la investigación académica, sino también en la industria. ^{[26] Los} MAS se aplican en el mundo real a aplicaciones gráficas como los juegos de ordenador. Se han utilizado sistemas de agentes en películas. ^[27] Se recomienda ampliamente su uso en redes y tecnologías móviles, para lograr un equilibrio de carga automático y dinámico, alta escalabilidad y redes de recuperación automática. Se utilizan para sistemas de defensa coordinados.

Otras aplicaciones ^[28] incluyen transporte , ^[29] logística, ^[30] gráficos, fabricación, sistemas de energía , ^[31] redes inteligentes ^[32] y GIS .

Asimismo, los Sistemas de Inteligencia Artificial Multi-agente (MAAI) se utilizan para simular sociedades, siendo el propósito de los mismos útil en los campos del clima, energía, epidemiología, manejo de conflictos, abuso infantil, .... ^[33] Algunas organizaciones que trabajan en el uso de Los modelos de sistemas de agentes múltiples incluyen el Centro de Modelado de Sistemas Sociales, el Centro de Investigación en Simulación Social, el Centro de Modelado de Políticas, la Sociedad Internacional de Modelado y Simulación. ^[33] Hallerbach y col. discutió la aplicación de enfoques basados ​​en agentes para el desarrollo y validación de sistemas de conducción automatizados a través de un gemelo digital del vehículo bajo prueba y la simulación de tráfico microscópico basado en agentes independientes. ^[34] Waymoha creado un entorno de simulación de múltiples agentes, Carcraft, para probar algoritmos de vehículos autónomos . ^{[35] [36]} Simula las interacciones del tráfico entre conductores humanos, peatones y vehículos automatizados. El comportamiento de las personas es imitado por agentes artificiales basados ​​en datos del comportamiento humano real.

Ver también

• Comparación de software de modelado basado en agentes
• Economía computacional basada en agentes (ACE)
• Cerebro artificial
• Inteligencia artificial
• Vida artificial
• Marco de vida artificial
• Alcalde de IA
• Caja negra
• Sistema de pizarra
• Sistemas complejos
• Simulación de eventos discretos
• Inteligencia artificial distribuida
• Aparición
• Computación evolutiva
• Teoría de juego
• Algoritmo genético basado en humanos
• Lenguaje de manipulación y consulta de conocimientos (KQML)
• Inteligencia microbiana
• Planificación de múltiples agentes
• Modelado orientado a patrones
• Proyecto PlatBox
• Aprendizaje reforzado
• Metáfora de la comunidad científica
• Robot modular auto reconfigurable
• Realidad simulada
• Simulación social
• Agente de software
• Inteligencia de enjambre
• Robótica de enjambre

Referencias

1. Hu, J .; Bhowmick, P .; Jang, I .; Arvin, F .; Lanzon, A., " Un marco de contención de la formación de clústeres descentralizados para sistemas multirobot " IEEE Transactions on Robotics, 2021.
2. Hu, J .; Niu, H .; Carrasco, J .; Lennox, B .; Arvin, F., " Exploración autónoma de múltiples robots basados ​​en Voronoi en entornos desconocidos a través del aprendizaje de refuerzo profundo " Transacciones IEEE sobre tecnología vehicular, 2020.
3. Hu, J .; Turgut, A .; Lennox, B .; Arvin, F., " Coordinación de formación robusta de enjambres de robots con dinámica no lineal y perturbaciones desconocidas: diseño y experimentos " Transacciones IEEE en circuitos y sistemas II: Express Briefs, 2021.
4. Hu, J .; Bhowmick, P .; Lanzon, A., " Grupo de control coordinado de robots móviles en red con aplicaciones para el transporte de objetos " Transacciones IEEE sobre tecnología vehicular, 2021.
5. Wiering, MA (2000). "Aprendizaje por refuerzo de agentes múltiples para el control de semáforos". Aprendizaje automático: Actas de la decimoséptima conferencia internacional (Icml'2000) : 1151-1158. hdl : 1874/20827 .
6. Niazi, Muaz; Hussain, Amir (2011). "Computación basada en agentes desde sistemas multiagente hasta modelos basados ​​en agentes: una encuesta visual" (PDF) . Cienciometría . 89 (2): 479–499. arXiv : 1708.05872 . doi : 10.1007 / s11192-011-0468-9 . S2CID 17934527 .  
7. Rogers, Alex; David, E .; Schiff, J .; Jennings, NR (2007). "Los efectos de las ofertas por poder y los incrementos de oferta mínima dentro de las subastas de eBay" . Transacciones ACM en la Web . 1 (2): 9 – es. CiteSeerX 10.1.1.65.4539 . doi : 10.1145 / 1255438.1255441 . S2CID 207163424 .  
8. Schurr, Nathan; Marecki, Janusz; Tambe, Milind; Scerri, Paul; Kasinadhuni, Nikhil; Lewis, JP (2005). "El futuro de la respuesta a desastres: seres humanos que trabajan con equipos de agentes múltiples utilizando DEFACTO" (PDF) .
9. Genc, ​​Zulkuf; et al. (2013). "Infraestructura de información basada en agentes para la gestión de desastres" (PDF) . Sistemas inteligentes para la gestión de crisis . Notas de conferencias sobre geoinformación y cartografía: 349–355. doi : 10.1007 / 978-3-642-33218-0_26 . ISBN  978-3-642-33217-3.
10. Hu, Junyan; Bhowmick, Parijat; Lanzon, Alexander (2020). "Seguimiento distribuido de formación de grupos adaptativos que varían en el tiempo para sistemas multiagente con múltiples líderes en gráficos dirigidos" . Transacciones IEEE sobre control de sistemas de red . 7 : 140-150. doi : 10.1109 / TCNS.2019.2913619 . S2CID 149609966 . 
11. Sol, Ron ; Naveh, Isaac (30 de junio de 2004). "Simulación de la toma de decisiones organizativas utilizando un modelo de agente cognitivamente realista" . Revista de Sociedades Artificiales y Simulación Social .
12. Kubera, Yoann; Mathieu, Philippe; Picault, Sébastien (2010), "¡Todo puede ser Agente!" (PDF) , Actas de la Novena Conferencia Internacional Conjunta sobre Agentes Autónomos y Sistemas de Agentes Múltiples (AAMAS'2010) : 1547–1548
13. Russell, Stuart J .; Norvig, Peter (2003), Inteligencia artificial: un enfoque moderno (2a ed.), Upper Saddle River, Nueva Jersey: Prentice Hall, ISBN 0-13-790395-2
14. Salamon, Tomas (2011). Diseño de modelos basados ​​en agentes . Repin: Bruckner Publishing. pag. 22. ISBN 978-80-904661-1-1.
15. Weyns, Danny; Omicini, Amdrea; Odell, James (2007). "El medio ambiente como una abstracción de primera clase en sistemas multiagente". Agentes autónomos y sistemas multiagente . 14 (1): 5–30. CiteSeerX 10.1.1.154.4480 . doi : 10.1007 / s10458-006-0012-0 . S2CID 13347050 .  
16. Wooldridge, Michael (2002). Introducción a los sistemas de agentes múltiples . John Wiley e hijos . pag. 366. ISBN 978-0-471-49691-5.
17. Panait, Liviu; Luke, Sean (2005). "Aprendizaje cooperativo de múltiples agentes: el estado del arte" (PDF) . Agentes autónomos y sistemas multiagente . 11 (3): 387–434. CiteSeerX 10.1.1.307.6671 . doi : 10.1007 / s10458-005-2631-2 . S2CID 19706 .   
18. "El laboratorio de sistemas de agentes múltiples" . Universidad de Massachusetts Amherst . Consultado el 16 de octubre de 2009 .
19. Albrecht, Stefano; Stone, Peter (2017), "Aprendizaje multiagente: fundamentos y tendencias recientes. Tutorial", conferencia IJCAI-17 (PDF)
20. Cucker, Felipe; Steve Smale (2007). "Las matemáticas de la emergencia" (PDF) . Revista japonesa de matemáticas . 2 : 197-227. doi : 10.1007 / s11537-007-0647-x . S2CID 2637067 . Consultado el 9 de junio de 2008 .  
21. Shen, Jackie (Jianhong) (2008). "Cucker-Smale Flocking bajo liderazgo jerárquico" . SIAM J. Appl. Matemáticas . 68 (3): 694–719. arXiv : q-bio / 0610048 . doi : 10.1137 / 060673254 . S2CID 14655317 . Consultado el 9 de junio de 2008 . 
22. Ahmed, S .; Karsiti, MN (2007), "Un banco de pruebas para esquemas de control que utilizan robots no holonómicos de agentes múltiples", Conferencia Internacional IEEE 2007 sobre Tecnología Eléctrica / de la Información , p. 459, doi : 10.1109 / EIT.2007.4374547 , ISBN 978-1-4244-0940-2, S2CID  2734931
23. "Documento OMG - orbos / 97-10-05 (actualización de la presentación revisada de MAF)" . www.omg.org . Consultado el 19 de febrero de 2019 .
24. Ahmed, Salman; Karsiti, Mohd N .; Agustiawan, Herman (2007). "Un marco de desarrollo para robots colaborativos utilizando control de retroalimentación". CiteSeerX 10.1.1.98.879 . 
25. "Comité técnico de IEEE IES sobre agentes industriales (TC-IA)" . tcia.ieee-ies.org . Consultado el 19 de febrero de 2019 .
26. Leitão, Paulo; Karnouskos, Stamatis (26 de marzo de 2015). Agentes industriales: aplicaciones emergentes de agentes software en la industria . Leitão, Paulo ,, Karnouskos, Stamatis. Amsterdam, Holanda. ISBN 978-0128003411. OCLC  905853947 .
27. "Muestra de películas" . MASIVO . Consultado el 28 de abril de 2012 .
28. Leitao, Paulo; Karnouskos, Stamatis; Ribeiro, Luis; Lee, Jay; Strasser, Thomas; Colombo, Armando W. (2016). "Agentes inteligentes en sistemas ciberfísicos industriales" . Actas del IEEE . 104 (5): 1086-1101. doi : 10.1109 / JPROC.2016.2521931 . ISSN 0018-9219 . S2CID 579475 .  
29. Xiao-Feng Xie, S. Smith, G. Barlow. Coordinación basada en horarios para el control de la red de tráfico en tiempo real . Conferencia internacional sobre planificación y programación automatizadas (ICAPS), São Paulo, Brasil, 2012: 323–331.
30. Máhr, TS; Srour, J .; De Weerdt, M .; Zuidwijk, R. (2010). "¿Pueden los agentes estar a la altura? Un estudio comparativo de un enfoque de optimización basado en agentes y en línea para un problema de acarreo con incertidumbre". Investigación del transporte Parte C: Tecnologías emergentes . 18 : 99-119. CiteSeerX 10.1.1.153.770 . doi : 10.1016 / j.trc.2009.04.018 . 
31. "Planificación de expansión de generación teniendo en cuenta la dinámica de inversión de los participantes del mercado mediante el sistema de agentes múltiples - publicación de la conferencia IEEE". 2019-12-17. doi : 10.1109 / SGC.2018.8777904 . S2CID 199058301 . 
32. "Control de frecuencia de carga basado en el sistema multi-agente distribuido para el sistema de energía de múltiples áreas en Smart Grid - IEEE Journals & Magazine". 2019-12-17. doi : 10.1109 / TIE.2017.2668983 . S2CID 31816181 . 
33. IA puede predecir su comportamiento futuro con nuevas y potentes simulaciones
34. Hallerbach, S .; Xia, Y .; Eberle, U .; Koester, F. (2018). "Identificación basada en simulación de escenarios críticos para vehículos cooperativos y automatizados" . Revista internacional SAE de vehículos conectados y automatizados . SAE Internacional. 1 (2): 93. doi : 10.4271 / 2018-01-1066 .
35. Madrigal, historia de Alexis C. "Dentro del mundo secreto de Waymo para entrenar coches autónomos" . El Atlántico . Consultado el 14 de agosto de 2020 .
36. Connors, J .; Graham, S .; Mailloux, L. (2018). "Modelado cibernético para aplicaciones de vehículo a vehículo". En Conferencia Internacional sobre Ciberguerra y Seguridad . Academic Conferences International Limited: 594-XI.

Otras lecturas

• Wooldridge, Michael (2002). Introducción a los sistemas de agentes múltiples . John Wiley e hijos . pag. 366. ISBN 978-0-471-49691-5.
• Shoham, Yoav; Leyton-Brown, Kevin (2008). Sistemas multiagente: fundamentos algorítmicos, teóricos de juegos y lógicos . Prensa de la Universidad de Cambridge . pag. 496. ISBN 978-0-521-89943-7.
• Mamadou, Tadiou Koné; Shimazu, A .; Nakajima, T. (agosto de 2000). "El estado del arte en lenguajes de comunicación de agentes (ACL)" . Sistemas de conocimiento e información . 2 (2): 1–26.
• Hewitt, Carl; Inman, Jeff (noviembre-diciembre de 1991). "DAI Betwixt y entre: de" agentes inteligentes "a la ciencia de sistemas abiertos" (PDF) . Transacciones IEEE sobre sistemas, hombre y cibernética . 21 (6): 1409–1419. doi : 10.1109 / 21.135685 . S2CID  39080989 . Archivado desde el original (PDF) el 31 de agosto de 2017.
• La Revista de Agentes Autónomos y Sistemas de Agentes Múltiples (JAAMAS)
• Weiss, Gerhard, ed. (1999). Sistemas multiagente, un enfoque moderno para la inteligencia artificial distribuida . Prensa del MIT. ISBN 978-0-262-23203-6.
• Ferber, Jacques (1999). Sistemas de agentes múltiples: una introducción a la inteligencia artificial . Addison-Wesley. ISBN 978-0-201-36048-6.
• Weyns, Danny (2010). Diseño basado en arquitectura de sistemas multiagente . Saltador. ISBN 978-3-642-01063-7.
• Sol, Ron (2006). Interacción de cognición e múltiples agentes . Prensa de la Universidad de Cambridge . ISBN 978-0-521-83964-8.
• Keil, David; Goldin, Dina (2006). Weyns, Danny; Parunak, Van; Michel, Fabien (eds.). Interacción indirecta en entornos para sistemas multiagente . Entornos para sistemas multiagente II . LNCS 3830. 3830 . Springer . págs.  68–87 . doi : 10.1007 / 11678809_5 . ISBN 978-3-540-32614-4.
• Serie Whitestein en Tecnologías de agentes de software y Computación autónoma , publicada por Springer Science + Business Media Group
• Salamon, Tomas (2011). Diseño de modelos basados ​​en agentes: desarrollo de simulaciones informáticas para una mejor comprensión de los procesos sociales . Publicación Bruckner. ISBN 978-80-904661-1-1.
• Russell, Stuart J .; Norvig, Peter (2003), Inteligencia artificial: un enfoque moderno (2a ed.), Upper Saddle River, Nueva Jersey: Prentice Hall, ISBN 0-13-790395-2
• Fasli, María (2007). Agente-tecnología para el comercio electrónico . John Wiley e hijos . pag. 480. ISBN 978-0-470-03030-1.
• Cao, Longbing, Gorodetsky, Vladimir, Mitkas, Pericles A. (2009). Minería de agentes: la sinergia de agentes y minería de datos , IEEE Intelligent Systems, vol. 24, no. 3, 64-72.