Результаты применения мультиагентных технологий уже хорошо зарекомендовали себя в логистике: так, аппарат сетей потребностей и возможностей [10–12], программно реализованный в мультиагентных системах Magenta и Смарт Трак эффективно применяется. Результаты анализа ряда мультиагентных систем приведены в [3].

Одним из первых применений мультиагентных систем было использование распределенных информационных систем управления и планирования производственными системами [7–9], системами информационного поиска и электронной коммерции. Целью использования таких распределенных вычислительных узлов было разбиение большой задачи на более мелкие и их передача для обработки на узлах с меньшими вычислительными ресурсами по сравнению с централизованной системой.

Выделяют 3 класса архитектур агентов:

1) «интеллектуальный агент», данный тип строится на базисе систем, основанных на знаниях (англ., deliberative agent architecture);

2) «реактивный агент», данная архитектура поведенческая или событийная (англ., reactive architecture);

3) «гибридный агент», гибридная архитектура использует одновременно принципы построения интеллектуального и реактивного агента.

Анализ развития и применения мультиагентных систем

В последние десятилетия идет гибридизация и интеграция различных методов моделирования. Так, разрабатываются системы мультиагентного имитационного моделирования, которые по своей сути за счет расширения проблемно и объектно ориентированных языков моделирования и использования различных аппаратов (схем массового обслуживания, дискретно-событийного подхода, агентов) позволяют строить агрегативные схемы реальных систем. К таким системам относятся системы AnyLogic, BPsim. Развитие языков и средств программирования, СУБД, информационных технологий позволило вывести на новый уровень технологии, используемые при разработке мультиагентных систем.

Один из вариантов реализации распределенной мультиагентной системы для топливных предприятий описан в [5]. Пример гибридизации мультиагентного подхода и имитационного моделирования демонстрирует мультиагентная модель процесса преобразования ресурсов (МППР). Модель МППР [2] разработана на основе расширения модели процесса преобразования ресурсов интеллектуальными агентами и предназначена для моделирования организационно-технических, технологических, логистических, производственных и бизнес-процессов и поддержки принятия управленческих решений.

Архитектура агента МППР основана на гибридной архитектуре InteRRaP [4, 8–9] и представлена на рис. 1.

СППР, согласно модели МППР и гибридной архитектуре InteRRaP, позволяет вырабатывать решения как с проверкой их на мультиагентной имитационной модели, так и без нее (в данном случае реальные данные с корпоративной информационной системы поступают на сенсоры агента «Планировщик», а результат его работы (сформированный план) выдается через эффекторы.

Согласно InteRRaP-архитектуре модель агента МППР состоит из 4-х уровней [4]:

1. Модель внешней среды соответствует следующим элементам МППР: преобразователям, ресурсам, реактивно-интеллектуальным агентам, средствам, параметрам, целям. Внешняя среда выполняет следующие функции: генерирует задания, осуществляет передачу сообщений между агентами, обрабатывает команды агентов (выполняет преобразование ресурсов), изменяет текущее состояние внешней среды (переводит ситуацию Sn в ситуацию Sn+1). Внешняя среда представляет собой модель объекта управления, построенную из элементов МППР. Модель объекта управления описывает процессы потребления топлива на АЗС, процессы работы АЗС, нефтебаз, процессы поставок топлива.

2. Компоненты интерфейса с внешним миром и реактивного поведения реализованы в виде базы продукционных правил агента (тактическая БЗ) и машины логического вывода (алгоритма имитатора).

3. Уровень локального планирования предназначен для поиска эффективных решений. Компонента локального планирования реализована на основе фреймовой ЭС (представляет собой фреймовую стратегическую БЗ).

4. Подсистема кооперации с другими агентами позволяет интегрироваться с гибридными агентами МППР, а также с внешними информационными системами. В качестве подсистемы кооперации с другими агентами выступает модуль обмена данными с автоматизированными системами предприятия, который реализует принципы шины данных предприятия (Enterprise Services Bus), такой подход реализован в автоматизированной системе выпуска металлургической продукции [6].

Проектирование концептуальной модели предметной области и базы знаний (БЗ) локального планирования агента реализовано на основе расширения диаграммы классов языка UML. Механизм логического вывода по данной БЗ реализован через диаграмму поиска решений, построенной на основе диаграммы последовательности [1]. Каждое решение в БЗ представляет собой план действий агента. Каждый план состоит из набора правил из базы реактивного компонента. На основе найденного решения происходит обновление текущего плана агента. Перебор всех вариантов, содержащихся в БЗ, формирует библиотеку планов агента.

Применение продукционного подхода в BPsim.MAS при планировании развоза топлива

Продукционная модель представления знаний используется при описании реактивных и интеллектуально-реактивных агентов МППР. Пример фрагмента продукционной базы знаний агента показан на рис. 2.

В результате работ по оптимизации алгоритма имитатора BPsim.MAS в алгоритм обработки агентов и в их структуру были добавлены правила «глобального условия» и соответствующий признак, что позволило «отсеивать» правила агентов, которые для них являются второстепенными и требуют проверки в случае выполнения правила «глобального условия». Пример описания правил глобального условия показан на рис. 3.

Был проведен эксперимент, по оценке скорости работы модели с оптимизированным и более ранним алгоритмом. В результате оптимизации алгоритма добились ускорения работы модели в 4,58 раза. Параметры рабочего компьютера 2,13 ГГц Intel Core ™ 2 CPU, 2 GB ОЗУ.

Рис. 2. Условия блока, реализующего слив бензина из бензовозов

Рис. 3. Глобальное условие запуска Агента

Применение фреймового подхода в программном агенте «Планировщик»

Пример диаграммы поиска решения для агента подзадачи распределения заявок-потребностей от АЗС по бензовозам в визуальном конструкторе машины логического вывода BPsim.DSS для агента «Планировщика» показан на рис. 4.

Визуальный интерфейс диспетчера агента «Планировщик» показан на рис. 5.

Применение машины логического вывода фреймовой системы и визуального интерфейса диспетчера позволяют гибко решать ситуации, связанные с диспетчеризацией. Ситуации диспетчеризации, требующие минимальной корректировки плана, обрабатывает ЛПР с использованием визуального интерфейса. В случаях существенной корректировки плана или полного перестроения используется сценарий машины логического вывода.

Рис. 4. Диаграмма дерева поиска решений «Планирование развоза топлива. Распределение заявок по бензовозам»

Рис. 5. Визуальный интерфейс диспетчера

Сопоставление планов на конец сентября – начало октября

Результаты сравнения расчетного плана (с использованием СППР) и фактического представлены в таблице. Предварительным этапом отработки алгоритма машины логического вывода программного агента была отладка и уточнение знаний предметных специалистов.

Отлаженный алгоритм демонстрирует хорошую сходимость и превышение дневного объема перевозки в среднем на 13 %. Дополнительно требуется отметить, что качество принимаемых решений как без информационных технологий, так и с использованием интеллектуальных СППР решения, зависит от диспетчера и в конечном итоге от его опыта, а также от доступных и находящихся в его распоряжении ресурсов и средств (парка транспортных средств, их габаритов, объемов и количества секций и т.д.).

Заключение

В данной работе описано применение гибридной архитектуры мультиагентного процесса преобразования ресурсов к задаче снабжения развоза топлива по сети автозаправочных станций. Гибридный агент МППР содержит две базы знаний: продукционную для реактивной составляющей и фреймовую для интеллектуальной. Разбиение правил продукционной базы знаний на обычные правила и правила глобального условия позволили ускорить алгоритм мультиагентного имитационного моделирования. Гибридная мультиагентная архитектура была апробирована в ходе разработки и отладки системы поддержки принятия решений задачи снабжения сети автозаправочных станций.