Tujuan sistem multi-agen (MAS) adalah untuk mengoordinasikan proses independen. Agen adalah entitas komputer dalam bentuk program atau robot. Seorang agen dapat dikatakan otonom karena mampu beradaptasi ketika lingkungannya berubah. MAC terdiri dari sekumpulan proses komputer yang terjadi pada saat yang sama dan ada pada saat yang sama, berbagi sumber daya yang sama dan berkomunikasi satu sama lain. Masalah utama dalam MAC adalah formalisasi koordinasi antar agen.
Mendefinisikan sistem multi-agen
MAC adalah pendekatan berwawasan ke depan untuk pengembangan perangkat lunak untuk aplikasi dalam domain kompleks di mana komponen aplikasi yang berinteraksi bersifat otonom dan terdistribusi, beroperasi di lingkungan yang dinamis dan tidak pasti, harus mematuhi beberapa aturan dan undang-undang organisasi, dan dapat bergabung dan keluar sistem multi-agen selama runtime.
Contoh aplikasi tersebut adalah sistem yangmengelola dan mengoptimalkan produksi dan distribusi tenaga listrik antar konsumen atau sistem yang secara optimal merencanakan beban dalam sistem transportasi. Pengembangan sistem multi-agen memerlukan pembuatan agen, organisasi, dan lingkungan yang terpisah.
Bahasa pemrograman menyediakan konstruksi pemrograman untuk mengimplementasikan agen individu dalam hal konsep sosial dan kognitif seperti informasi, tujuan, opsi, norma, emosi, dan aturan keputusan.
Organisasi multi-agen dalam hal konsep sosial dan organisasi memiliki peran, diberkahi dengan norma, protokol komunikasi, sumber daya yang tunduk pada pemantauan. Bahasa pemrograman dan kerangka kerja yang dikembangkan digunakan untuk membuat simulasi berbasis agen untuk banyak industri produksi berkelanjutan: listrik, metalurgi, perawatan kesehatan, Internet, transportasi, manajemen lalu lintas, dan permainan serius.
MAS berbeda dari sistem agen tunggal karena mereka memiliki beberapa agen yang memodelkan tujuan dan tindakan satu sama lain. Dalam skenario umum, mungkin ada interaksi langsung antara agen. Dari sudut pandang agen tunggal, sistem multi-agen berbeda secara signifikan dari sistem dengan agen tunggal karena dinamika lingkungan dapat ditentukan oleh agen lain. Selain ketidakpastian yang dapat melekat pada domain, agen lain dengan sengaja memengaruhi lingkungan dengan cara yang tidak terduga.
Dengan demikian, semua MAC dapat dianggap memiliki lingkungan dinamis, yang khas untuk modernsistem multi-agen. Ada sejumlah agen dengan berbagai tingkat heterogenitas, dengan atau tanpa kemungkinan komunikasi langsung.
arsitektur MAS
Agen harus dilengkapi dengan model kognitif:
- kepercayaan;
- harapan;
- niat.
Di satu sisi, ia membaca "Keyakinan" tentang lingkungan, yang merupakan hasil dari pengetahuan dan persepsinya, dan di sisi lain, seperangkat "Keinginan". Melintasi dua set ini menghasilkan set "Niat" baru yang kemudian langsung diterjemahkan ke dalam tindakan.
Agen harus memiliki sistem komunikasi. Ada beberapa bahasa khusus untuk tujuan ini: Language Query and Manipulation Language (KQML). Baru-baru ini, standar FIPA-ACL, yang dibuat oleh FIPA Foundation for Intelligent Physical Agents, telah diedarkan. Prinsip terakhir dalam membangun sistem multi-agen ini didasarkan pada teori tindak tutur.
Masalah adaptasi adalah masalah pelik yang saat ini menjadi subyek banyak penelitian. Contoh beberapa virus, baik biologis maupun komputer, dapat diberikan contoh, yang mampu beradaptasi dengan lingkungan mutan.
Akhirnya, implementasi MAC yang efisien, meskipun bukan bagian dari arsitektur sistem, patut mendapat perhatian dalam banyak bahasa pemrograman yang telah dikembangkan untuk studi kecerdasan buatan. Secara khusus, bahasa LISP disebutkan. Elemen arsitektur ini diterapkan pada sistem yang terdiri dari kognitifagen.
Kategori atau model agen
Klasifikasi agen didasarkan pada dua kriteria: agen kognitif atau reagen yang menunjukkan, di satu sisi, perilaku telenomik, atau refleks. Perbedaan yang dapat dibuat antara kognitif dan reaktif pada dasarnya adalah representasi dari dunia yang tersedia untuk agen. Jika seorang individu diberkahi dengan "representasi simbolik" dunia dari mana ia dapat merumuskan penalaran, maka seseorang berbicara tentang agen kognitif, sedangkan jika ia hanya memiliki "representasi sub-simbolis", yaitu terbatas pada persepsinya, seseorang berbicara tentang agen reaktif. Perbedaan kognitif dan reaktif ini sesuai dengan dua aliran teori sistem multi-agen.
Yang pertama mendukung pendekatan mendasar dari agen "pintar" untuk kerjasama dari sudut pandang sosiologis. Di bagian kedua, kemungkinan munculnya perilaku "pintar" dari sekumpulan agen non-cerdas (tipe semut) dipelajari. Perbedaan kedua antara perilaku perilaku dan refleks memisahkan perilaku yang disengaja, mengejar tujuan eksplisit, dari perilaku persepsi. Dengan demikian, kecenderungan agen dapat dinyatakan secara eksplisit dalam agen atau, sebaliknya, berasal dari lingkungan. Tabel mengelompokkan berbagai jenis agen:
- Agen kognitif.
- Agen reaktif.
- Perilaku telenomi.
- Agen yang disengaja.
- Agen terkelola.
- Perilaku refleks.
- Agen "modul".
- Agen tropis.
Agen kognitif sebagian besar disengaja, mis.mereka memiliki tujuan tetap yang mereka coba capai. Namun, terkadang agen yang disebut modul digunakan, yang memiliki gagasan tentang "alam semesta" mereka tanpa tujuan tertentu. Mereka dapat melayani, misalnya, untuk menjawab pertanyaan dari agen lain di "alam semesta".
Reagen dapat dibagi menjadi aktuator dan agen tropis. Agen naluriah akan memiliki misi tetap dan akan memicu perilaku jika melihat bahwa lingkungan tidak lagi sesuai dengan tujuan yang ditetapkan. Agen tropis hanya bereaksi terhadap keadaan lingkungan setempat, misalnya jika ada cahaya, maka ia berjalan. Sumber motivasi dalam kasus internal agen penggerak yang memiliki "misi" hanya mengacu pada lingkungan.
Paradigma organisasi
Dengan perkembangan sistem tersebut, berbagai paradigma organisasi telah dikembangkan. Struktur sistem multi-agen ini menetapkan kerangka kerja untuk hubungan dan interaksi antar agen.
Hirarki. Dalam model ini, agen bersifat hierarkis menurut struktur pohon di mana setiap node adalah agen dan memiliki tautan izin pada node anaknya. Model ini menghancurkan tujuan keseluruhan sistem.
Holarchy mendekati hierarki. Tidak ada hubungan otoritas antara agen dan subgrupnya.
Koalisi adalah aliansi sementara para agen yang berkumpul dan bekerja sama karena kepentingan pribadi mereka bertemu. Nilai koalisi harus lebih besar dari jumlah nilai individu komponen agen.
Jemaat sangat mirip dengan koalisi danperintah. Namun, mereka dimaksudkan untuk menjadi permanen dan biasanya memiliki banyak tujuan untuk dicapai. Selain itu, agen dapat masuk dan keluar dari jemaat dan menjadi anggota beberapa pada saat yang bersamaan.
Masyarakat adalah sekumpulan agen yang beragam yang berinteraksi dan berkomunikasi. Mereka memiliki tujuan yang berbeda, tidak memiliki tingkat rasionalitas yang sama dan kemampuan yang sama, tetapi mereka semua mematuhi common law (norma).
Agen federasi memberikan sebagian otonomi mereka kepada delegasi grup mereka. Agen grup hanya berinteraksi dengan delegasi mereka, yang pada gilirannya berinteraksi dengan delegasi dari grup lain.
Agen penjualan menawarkan barang yang dapat diklaim oleh agen pembeli. Jenis organisasi ini memungkinkan, misalnya, untuk mensimulasikan pasar nyata dan membandingkan berbagai strategi perdagangan.
Agen organisasi matriks bersifat hierarkis. Namun, tidak seperti hierarki yang disajikan di atas, di mana seorang agen hanya berada di bawah beberapa agen lain, mereka yang berada dalam satu organisasi matriks mungkin tunduk pada beberapa lainnya.
Combinations - Organisasi gabungan ini memadukan banyak gaya di atas. Ini bisa berupa, misalnya, koalisi atau hierarki tim.
Kecerdasan Buatan
Tujuan ilmu kognitif adalah untuk memahami sifat dan cara kerja kecerdasan buatan, yang memproses informasi internal untuk menjadikannya tujuan. Banyak konsep yang sesuai dengan deskripsi ini: manusia, komputer, robot, sistem sensorik,daftarnya tidak ada habisnya. Salah satu jenis sistem yang menarik perhatian para ilmuwan kognitif adalah self-agent buatan yang bertindak berdasarkan informasi.
Seorang agen cerdas (IA) mampu membuat keputusan berdasarkan pengalamannya dan dapat memilih tindakan dalam situasi yang berbeda. Seperti yang ditunjukkan oleh istilah "buatan", jenis agen kepentingan yang otonom bukanlah sesuatu yang diciptakan oleh alam. Oleh karena itu, agen buatan adalah segala sesuatu yang diciptakan oleh orang-orang, yang mampu bertindak berdasarkan informasi yang dirasakannya, pengalamannya sendiri, keputusan dan tindakannya.
Bidang kecerdasan ekstra-alami memberikan keterampilan teknis untuk menerjemahkan jenis agen yang diinginkan ke dalam bahasa pemrograman, perangkat lunak terkait, dan arsitektur yang sesuai (perangkat keras dan perangkat lunak terkait) untuk mengimplementasikan agen di dunia nyata atau simulasi.
Lingkungan dunia persepsi
Agen adalah segala sesuatu yang mengambil lingkungan melalui sensor dan bertindak melalui efektor, yang terdengar cukup sederhana. Definisi agen ini mencakup berbagai mesin, dari termostat hingga objek yang benar-benar dapat mempelajari repertoar kecil perilaku.
Sensor adalah alat yang digunakan oleh agen untuk mengumpulkan informasi tentang dunia mereka. Keyboard dan camcorder dapat berfungsi sebagai sensor jika dikaitkan dengan agen. Pada akhir respon sistem, pelaku adalah alat yang digunakan oleh agen untuk mempengaruhi lingkungan. Contoh efektor adalahmonitor, printer, dan lengan robot.
Biasanya lingkungan adalah domain atau dunia agen. Domain-domain ini, setidaknya untuk saat ini, harus dibatasi pada jenis situasi tertentu untuk menghindari kemungkinan tak terbatas dari dunia sehari-hari.
Sistem Pengaruh Otonom
Agen Otonom adalah “sebuah sistem di dalam dan bagian dari suatu lingkungan yang merasakan lingkungan itu dan bertindak di atasnya dari waktu ke waktu untuk melaksanakan agendanya sendiri dan untuk mempengaruhi apa yang dialaminya di masa depan . Definisi oleh Franklin dan Greisser ini mencerminkan semua fungsi dasar agen cerdas, kecuali kemampuan bersosialisasi mereka. Ini memberikan perkiraan yang baik tentang fitur utama dari berbagai macam AI yang sedang dikembangkan.
Agen semacam itu merasakan lingkungan mereka. Tetapi di sini data atau persepsi sensorik tidak hanya mencakup data tentang objek lain, tetapi juga pengaruh agen itu sendiri terhadap keadaan di lingkungan. Sensor bisa organik, seperti mata dan telinga dan prosesor sarafnya, atau buatan, seperti prosesor video dan audio yang tertanam di komputer digital. Lingkungan dapat berupa area yang sangat terbatas, seperti ruang tertutup, atau sangat kompleks, seperti pasar saham atau kumpulan asteroid. Sensor harus cocok dengan jenis objek yang berinteraksi dengan agen.
Jenis interaksi refleks
Agen reflektor memiliki mekanisme yang lebih kompleks. Alih-alih dinamis langsungdalam kaitannya dengan lingkungan, dia mencari apa yang harus dia lakukan dalam daftar aturan. Agen refleks merespons persepsi yang diberikan dengan respons terprogram. Bahkan jika ada ribuan kemungkinan tanggapan terhadap persepsi yang diberikan, agen memiliki daftar aturan tindakan situasi bawaan untuk mengeksekusi tanggapan yang telah dipertimbangkan oleh pemrogram. Aturan tindakan situasi pada dasarnya adalah imperatif hipotetis.
Agen refleks benar-benar tidak terlalu pintar. Mereka tidak bisa menangani hal-hal baru. Agen cerdas berisi fitur dari sepupunya yang kurang canggih, tetapi tidak terbatas. Dia bertindak sesuai dengan agenda. Ini memiliki serangkaian tujuan yang secara aktif dikejar. Agen berbasis target memiliki pemahaman tentang keadaan lingkungan saat ini dan bagaimana lingkungan itu biasanya bekerja. Dia mengejar strategi atau tujuan utama yang tidak dapat dicapai dengan segera. Ini membuat agen aktif, bukan hanya reaktif.
Utilitas fungsional target
Dalam agen yang lebih kompleks, tindakan housekeeping diterapkan pada berbagai kemungkinan tindakan yang dapat dilakukan di lingkungan. Penjadwal kompleks ini adalah agen berbasis layanan. Agen berbasis layanan akan mengevaluasi setiap skenario untuk melihat seberapa baik mencapai kriteria tertentu untuk mendapatkan hasil yang baik. Hal-hal seperti kemungkinan keberhasilan, sumber daya yang dibutuhkan untuk menyelesaikan skenario, pentingnya tujuan yang ingin dicapai, waktu yang dibutuhkan, semuanya dapat diperhitungkan dalam perhitungan fungsi utilitas.
KarenaKarena seorang pemrogram biasanya tidak dapat memprediksi semua keadaan dunia yang akan dihadapi oleh agen, jumlah aturan yang perlu ditulis untuk agen refleks akan sangat besar bahkan dalam bidang yang sangat sederhana seperti menjadwalkan pertemuan atau mengatur rute transportasi dan persediaan.
Loop kontrol dasar
Mengingat definisi agen cerdas, pertimbangkan loop kontrol dasar yang ditulis oleh ahli teori agen Michael Vuladrich pada tahun 2000:
- tetap damai;
- perbarui model dunia internal;
- mencapai niat yang disengaja;
- gunakan cara/tujuan untuk mendapatkan cetak biru niat;
- eksekusi rencananya;
- akhiri proses.
Pola ini membutuhkan interpretasi. Agen mengamati dunia - ini berarti dia, menggunakan sensornya, mengumpulkan persepsi. Sensor dapat berupa keyboard yang terpasang pada komputer digital atau prosesor visual yang dipasang pada robot. Itu bisa apa saja yang memungkinkan agen mengumpulkan representasi dunia. Memperbarui model internal berarti bahwa agen menambahkan persepsi baru ke urutan persepsi dan informasi terprogram tentang dunia.
Platform Pengembangan Multi-Agen
AnyLogic adalah perangkat lunak simulasi CORMAS multi-agen dan multi-komponen open source berdasarkan bahasa pemrograman berorientasi objek SmallTalk.
DoMIS adalah alat desain sistem multi-agen yang berfokus pada "kontrol operasional sistem yang kompleks" dan berdasarkan metode desain B-ADSC.
JACK adalah bahasa pemrograman dan lingkungan pengembangan untuk agen kognitif yang dikembangkan oleh Perangkat Lunak Berorientasi Agen sebagai ekstensi berorientasi agen dari bahasa Java.
GAMA adalah platform pemodelan sumber terbuka (LGPL) yang menawarkan lingkungan pemodelan berbasis agen yang eksplisit secara spasial menggunakan data GIS untuk menggambarkan agen dan lingkungannya.
JADE (Java Agent DEVELOPMENT) adalah kerangka kerja pengembangan multi-agen open source berdasarkan bahasa Java.
Tujuh model standar
Dalam proses evolusi penelitian, ada lebih banyak masukan tentang cara membuat sistem yang andal dan mewakili tingkat kualitas yang lebih tinggi. Tren untuk melanjutkan adalah melengkapi atau memperluas metode yang ada yang telah berhasil mengkonsolidasikan pengambilan keputusan dalam pembangunan.
Standar metodologi memungkinkan, dengan cara yang mudah dimengerti dan sederhana, untuk membuat MAC, tidak hanya menggunakan bahasa alami, tetapi juga menggunakan templat deskripsi yang membantu dalam spesifikasi sistem.
Standar metodologis menawarkan tujuh model masalah atau solusinya untuk membangun MAC:
- Model skenario yang menggambarkan perusahaan atau organisasi.
- Model tujuan dan sasaran mendefinisikan dan menjelaskan struktur organik.
- Model agen mendefinisikan manusia dan sistem otonom.
- Panutan mengaitkan tujuan dan sasaran dengan agen tertentu.
- Model organisasi menggambarkan lingkungan yang terkait dengan agen individu.
- Model interaksi menggambarkan hubungan, menekankan koordinasi agen mereka.
- Model desain mendefinisikan agen dan arsitektur jaringan.
Contoh interaksi antar agen
MAS digunakan untuk mensimulasikan interaksi antara agen otonom. Penggunaan sistem multi-agen, misalnya, dalam sosiologi memungkinkan untuk membuat parameter berbagai agen yang membentuk komunitas. Dengan menambahkan batasan, Anda dapat mencoba memahami komponen apa yang paling efektif untuk mencapai hasil yang diharapkan. Mereka harus bereksperimen dengan skenario yang tidak dapat dicapai oleh orang sungguhan, baik karena alasan teknis maupun etis.
IA Terdistribusi diciptakan untuk memecahkan kompleksitas program intelijen non-alami monolitik besar - eksekusi, distribusi, dan kontrol terpusat. Untuk memecahkan masalah yang kompleks, terkadang lebih mudah untuk membuat program (agen) yang relatif kecil dalam kerjasama daripada satu program monolitik yang besar. Otonomi memungkinkan sistem untuk secara dinamis beradaptasi dengan perubahan lingkungan yang tidak terduga.
Contoh sistem multi-agen di industri game sangat banyak dan beragam. Mereka digunakan dalam video game dan film, termasuk perangkat lunak MASSIVE, misalnya untuk mensimulasikan gerakan massa dalam trilogi Lord of the Rings. Mereka mungkin jugadigunakan oleh perusahaan, misalnya, untuk melacak perilaku pelanggan menjelajahi situs web.
MAS juga digunakan dalam dunia keuangan. Misalnya, platform MetaTrader 4 memungkinkan penggunaan agen ahli dalam perdagangan otomatis yang mengikuti kurs Forex
Manfaat menggunakan sistem
Dalam penelitian IA, teknologi sistem berbasis agen telah dianut sebagai paradigma baru untuk membuat konsep, merancang, dan mengimplementasikan sistem perangkat lunak. Manfaat pendekatan multi-MAS:
- Berbagi sumber daya dan kemampuan komputasi di seluruh jaringan agen yang saling berhubungan.
- Memungkinkan interkoneksi dan interoperabilitas beberapa sistem lama yang ada.
- Mencakup berbagai bidang termasuk perawatan pesawat, dompet elektronik buku, pembersihan ranjau militer, komunikasi dan komunikasi nirkabel, perencanaan logistik militer, sistem manajemen rantai pasokan, perencanaan misi kolaboratif, manajemen portofolio keuangan.
Dalam penelitian, teknologi IA untuk sistem berbasis agen telah dianut sebagai paradigma baru untuk membuat konsep, merancang, mengimplementasikan, dan pembelajaran multi-agen dari sistem perangkat lunak.
Jadi, MAC adalah jaringan agen perangkat lunak yang digabungkan secara longgar yang berinteraksi untuk memecahkan masalah di luar kemampuan individu atau pengetahuan setiap pembuat masalah.
