О подходе к управлению знаниями и разработке мультиагентной системы представления и обработки знаний

Цели. Мультиагентная система представления и обработки знаний (МСПОЗ) – это распределенная система искусственного интеллекта, предназначенная для решения проблем, которые трудно или невозможно решить с помощью монолитной интеллектуальной системы. Решение сложных проблем в MСПОЗ осуществляется интеллектуальными программными агентами, которые инкапсулируют в программных классах когнитивные структуры данных, методы логического вывода и машинного обучения. Интеллектуальные программные агенты МСПОЗ способны рационально действовать в условиях неполноты и нечеткости поступающей информации. Целями работы являются исследование и разработка моделей, методов, программных модулей и инструментальных программных средств, которые позволяют создать высокоэффективную МСПОЗ.

Методы. В работе использовались методы агентного моделирования, позволяющие формально описывать и программно имитировать рациональное поведение интеллектуальных агентов, методы экспертных оценок, математический аппарат теории автоматов, марковские цепи, нечеткая логика, нейронные сети, алгоритмы машинного обучения с подкреплением.

Результаты. Разработаны структурная схема МСПОЗ, мультиагентный решатель, схема управления доступом к микросервисам. Предложены методы распределения интеллектуальных программных агентов по узлам МСПОЗ, а также алгоритмы оптимизации логической структуры распределенной базы знаний (РБЗ), позволяющие повысить эффективность объемных, стоимостных и временны́х характеристик МСПОЗ.

Выводы. Предложен подход к разработке и использованию интеллектуальных программных агентов, который объединяет механизмы рассуждений на основе знаний с нейросетевыми моделями. Разработаны структура МСПОЗ, схема управления РБЗ, методы оптимизации РБЗ, определения доступности используемых агентами микросервисов, обеспечения надежности и скоординированного функционирования вычислительных узлов системы, а также инструментальные программные средства, позволяющие упростить процесс проектирования и реализации МСПОЗ. Полученные результаты демонстрируют эффективность представленного подхода к управлению знаниями и разработке высокопроизводительной проблемно-ориентированной МСПОЗ.

1. Zaytsev E.I., Khalabiya R.F., Stepanova I.V., Bunina L.V. Multi-Agent System of Knowledge Representation and Processing. In: Kovalev S., Tarassov V., Snasel V., Sukhanov A. (Eds.). Proceedings of the Fourth International Scientific Conference “Intelligent Information Technologies for Industry” (IITI’19). Advances in Intelligent Systems and Computing. Springer; 2020. V. I. P. 131–141. https://doi.org/10.1007/978-3-030-50097-9_14

2. Baranauskas R., Janaviciute A., Jasinevicius R., Jukavicius V. On Multi-Agent Systems Intellectics. Inf. Technol. Control. 2015;44(1):112–121. https://doi.org/10.5755/j01.itc.44.1.8768

3. Darweesh S., Shehata H. Performance Evaluation of a Multi-Agent System using Fuzzy Model. 2018 First International Workshop on Deep and Representation Learning (IWDRL). 2018. P. 7–12. https://doi.org/10.1109/IWDRL.2018.8358208

4. Рассел С., Норвиг П. Искусственный интеллект: современный подход. Т. 2. Знания и рассуждения в условиях неопределенности: пер. с англ. СПб.: Диалектика; 2021. 480 с.

5. Рассел С., Норвиг П. Искусственный интеллект: современный подход. Т. 3. Обучение, восприятие и действие: пер. с англ. СПб.: Диалектика; 2022. 640 с.

6. Саттон Р.С., Барто Э.Дж. Обучение с подкреплением: пер. с англ. М.: ДМК Пресс; 2020. 552 с.

7. Грессер Л., Кенг В.Л. Глубокое обучение с подкреплением: теория и практика на языке Python: пер. с англ. СПб.: Питер; 2022. 416 с. [Graesser L., Keng W.L. Foundations of Deep Reinforcement Learning: Theory and Practice in Python. Addison-Wesley Professional; 2020. 416 p.]

8. Памперла М. Фергюсон К. Глубокое обучение и игра в го: пер. с англ. М.: ДМК Пресс; 2020. 372 с. [Pumperla M., Ferguson K. Deep Learning and the Game of Go. Manning; 2019. ISBN 978-1-6172-9532-4. 384 p.]

9. Редько В.Г. Эволюция, нейронные сети, интеллект: Модели и концепции эволюционной кибернетики. M.: ЛИБРОКОМ; 2013. 224 с.

10. Winder P. Reinforcement Learning. Industrial Applications of Intelligent Agents. O’Reilly Media, Inc.; 2021. 382 р.

11. Houhamdi Z., Athamena B., Abuzaineddin R., Muhairat M. A Multi-Agent System for Course Timetable Generation. TEM Journal. 2019;8(1):211–221. https://doi.org/10.18421/TEM81-30

12. Aly S., Badoor H. Performance Evaluation of a Multi-Agent System using Fuzzy Model. 2018 First International Workshop on Deep and Representation Learning (IWDRL). 2018. P. 175–189. https://doi.org/10.1109/IWDRL.2018.8358208

13. Зайцев Е.И. Методология представления и обработки знаний в распределенных интеллектуальных информационных системах. Автоматизация и современные технологии. 2008;1:29–34.

14. Batouma N., Sourrouille J.-L. Dynamic adaption of resource aware distributed applications. Int. J. Grid Distrib. Comput. 2011;4(2):25–42. URL: http://article.nadiapub.com/IJGDC/vol4_no2/3.pdf

15. Nurmatova E.V., Gusev V.V., Kotliar V.V. Analysis of the features of the optimal logical structure of distributed databases. In: GRID Workshop Proceedings – GRID 2018 Selected Papers of the 8th International Conference “Distributed Computing and Grid-technologies in Science and Education.” Dubna: 2018. V. 2267. P. 579–584. URL: https://ceur-ws.org/Vol-2267/579-584-paper-111.pdf