Кибяков П.П
МИР НЕЙРОННЫХ СЕТЕЙ И АГЕНТЫ - ДВОЙНИКИ
Neural Network World of Agent-Doubles
Peter P. Kibyakov
12, Prigorodnaya St., Khabarovsk, Russia, 680014
1424@as.khabarovsk.su getman@ecrin.khstu.ru

Моделируется распределенный интеллект. Мышление человека отображается в виде ролей. Роли трансформируются в агентов-двойников. Агенты-двойники есть модели лиц принимающих решения (Оригиналы). Поведение агентов-двойников описывается сценариями. Агенты-двойники отображаются на нейронные сети с ансамблиевой организацией. Взаимодействие агентов-двойников осуществляется с помощью нейросетевого языка через Internet .

Ролевое мышление
При рассмотрении какой-либо области знаний, предметной области, понятий, решения задачи, человек осознано или бессознательно подбирает и проигрывает роль специалиста в этой области знаний. Кроме того человеком описано множество различных ролей, начиная с различных должностных инструкций, правил поведения в экстремальных ситуациях и кончая ролями актеров и методиками проведения исследований учеными. В этом случае процесс мышления можно представить как перебор подходящих ролей как мысленных, так и поведенческих. Тогда знания можно представлять в виде набора ролей, а сами роли удачнее было бы представить в виде распределенных интеллектуальных агентов-двойников.
Интеллектуальные агенты-двойники
Интеллектуальные агенты-двойники - это роли профессионалов в своей предметной области, назовем их Оригиналами . Концепция агентов-двойников позволяет нам построить модель разума Оригинала в виде нейрокомпьютера на уровне макро-модели и интегрировать эту модель разума с другими подобными моделями в мировой искусственный разум посредством Internet. Рассмотрим некоторые понятия агентов-двойников. Модель мира агентов-двойников представим следующей совокупностью P(D) = < N(P), Me(P), Su(P), Me(Su), K(D), Me(K), D(A), Me(D), (1) A(Ob), Me(A), Ob(De), De >, где N(P) - имя мира агентов-двойников; Me(P) - метакласс мира агентов-двойников, определяющий зна- ния о коалициях агентов-двойников, входящих в мир N(P) и порож- дающий структуру коалиций агентов-двойников К(D); Su(P) - суперкласс, к которому относится мир P(D), класси- фицируемый по объединению знаний оригиналов о предметной облас- ти, влияющей на принимаемые решения; Me(Su) - метакласс суперкласса Su(P), определяющий знания о мирах, входящих в суперкласс Su(P) и порождающий миры P(D) объ- ектов-двойников; K(D) - классы (коалиции) агентов-двойников, определяемые общностью интересов преследуемых оригиналами (агентами-двойни- ками); Me(K) - метаклассы классов К(D) агентов-двойников, определя- емые знаниями одной коалиции К(D) о знаниях другой коалиции К(D) и порождающие коалиции с противоположными интересами; D(A) - агенты-двойники, определяемые знаниями оригинала о предметной области, т. е. формальные модели оригиналов, реали- зованные в виде фреймов и классифицируемые по специализации ре- шаемых проблем оригиналами; Me(D) - мета-агент-двойник, определяемый знаниями агента-двойника D(A) о знаниях агентов-двойников D(A), входящих в коалицию K(D),и имеющий методы для порождения агентов-двойников; A(Ob) - агент-роль агента-двойника D(A), определяемый знаниями в более узкой области знаний агента-двойника; Me(A) - мета-агент агента-роли A(Ob) , определяемый знаниями агента A(Ob) о знаниях других агентов A(Ob) одного и того же агента-двойника D(A), и имеющий методы для порождения агентов A(Ob); Ob(De) - объекты, представляющие собой описание знаний о реальных объектах миров оригиналов по правилам объектно-ориен- тированного программирования, т.е. имеющие классы, суперклассы, метаклассы; De - детали, представляют более конкретизированные знания об объектах. Далее раскрываются следующие понятия: суперкласса Su (P) мира P(D) агентов-двойников, объединяющего в класс различные миры, подобные миру P(D); метакласса Me(Su) суперкласса Su(Р), выполняющего роль структуры, в которой накапливаются знания о мирах и имеются процедуры для порождения новых миров, входящих в суперкласс Su(P); метакласса Ме(P) мира агентов-двойников P(D), предназначенного для накопления знаний о коалициях агентов-двойников и порождения новых коалиций агентов-двойников; коалиций (классов) агентов-двойников K(D), представляющих собой группы агентов-двойников, организованные по общности преследуемых ими интересов; метакласса Me(K) коалиции агентов-двойников K(D), предназначенного для хранения знаний о возможных структурах коалиций агентов-двойников и методов их порождения. Вводится понятие агента-двойника D(A) = < N(O), N(D), N(K), Ar(D), E(D), S(D), M(D) >, (2) где N(O) - имя оригинала, определяемое конкретным лицом, принима- ющим решения; N(D) - имя агента-двойника, определяемое его функциональным назначением; N(K) - имя коалиции агента-двойника, определяемое преследуе- мыми интересами оригинала агента-двойника; Ar(D) - знания о текущей структуре агента-двойника N(D), т. е. знания о входящих в него агентах-ролях; E(D) - состояние агента-двойника, определяемое текущими знаниями об отношениях агентов-ролей агента-двойника N(D) ; S(D) - множество сообщений, входящих и исходящих от агентов-двойников; M(D) - множество методов, реализованных в агенте-двойнике. Также раскрываются понятия: мета-агента-двойника Me(D) агента-двойника D(A), предназначенного для хранения знаний о возможных структурах агентов-двойников и имеющего методы для их построения; агента-роли агента-двойника A(Ob), представляющего собой структуру, подобную агенту-двойнику, но имеющую более узкую специализацию в своей области знаний; мета-агента Me(A) агента A(Ob), предназначенного для накопления знаний о структурах агентов и порождения новых агентов; объекта Ob(De) агента-роли A(Ob), являющегося не активной моделью объектов реального мира которыми, манипулирует агент; метакласса Me(Ob) объекта Ob(De), имеющего базу знаний о структурах объектов, которые возможно необходимы агенту и методы для построения этих объектов. Основные методы определяющие динамику агентов-двойников и их стратегии направлены на решение задач распознавания сообщений поступающих от оригиналов и от других двойников и выбора подходящего сообщения ответа на сообщение запрос. Для кластеризации сообщений и определения протокола, идентифицирующего метод, реализованный в агенте-роли агента-двойника вводится соответствующая классификация сообщений. Вводятся понятия мнений оригиналов и агентов-двойников с использованием процедур и определений нечетких множеств и представления этих мнений в виде отношений реляционной алгебры. Рассматриваются виды неопределенностей при принятии решений агентом-двойником и сценарии поведения агента-двойника в той или иной ситуации. Агенты-двойники и их агенты-роли существуют в объектно-ориентированном мире и для построения этих миров уже разработан аппарат объектно-ориентированного анализа, проектирования и программирования, имеется стандарт CORBA 2.0 (Common Object Request Broker Architecture) и протокол обмена объектами и сообщениями в среде Internet IIOP (Internet Inter-ORB Protocol), терминология в данной работе подобна терминологии объектно-ориентированных моделей. Нейросетевые модели агентов-двойников Рассмотрим три модели нейросетевых интеллектуальных агентов-двойников, это модель нейронной сети Хопфилда, модель с хаотическим поведением и циклическим состоянием в момент распознавания, и модель с хаотическим поведением и хаотической последовательностью на выходе в момент распознавания. Модель нейронной сети Хопфилда использовалась как жесткий гибрид нейросетевой модели Хопфилда с классической моделью фон Неймана, позволяющий с наибольшими затратами на обучение и программирование, строить систему поддержки групповых решений с минимальной степенью неопределенности возникающей от работы нейронной сети. Определение коалиций агентов-двойников, самих агентов-двойников, их агентов-ролей, объектов и их деталей производится жестко запрограммированными нейросетевыми декодерами, которые по коньюнкции распознавания названия предметной области, имени агента-двойника, имени агента-исполнителя, имени объекта и имени детали соответственно активизируют тот или иной метод агента-двойника реализованный также жестко на нейронной сети например арифметический сумматор или поиск наибольшего/наименьшего числа в массиве распознавание имени агента-двойника. Простейшие декодеры строились на примере сети-шифратора 4-2-4 рассматриваемого в [1]. Более сложные декодеры строились на примере ассоциативного поля предлагаемого в [2]. Теоретико-игровой метод агентов-ролей был реализован на примере сетей рассматриваемых в [3]. Модель нейронной сети с хаотическим поведением и с циклическим состоянием в момент распознавания, более самообучаема но менее точна на результаты. Сообщения между агентами и объектами представляют собой циклические последовательности с синхонизацией. Модель нейронной сети с хаотическим поведением и с хаотической последовательностью на выходе в момент распознавания, наиболее заманчивая в плане самообучаемости и минимальности настройки Сообщения между агентами и объектами и их адреса представляют собой засинхронизированную хаотическую последовательность, повторяющуюся в результате повторного сброса и запуска нейронной сети. Моделирование ассоциативного мышления Отображение ассоциативных связей миров агентов-двойников выполнялось с использованием модели ансамблиевой нейронной сети, разработанной в Институте кибернетики имени Глушкова (Киев) [2]. Рассмотрим следующий алгоритм использования свойств ассоциатив- ности нейронных сетей.
Этап ассоциативного обучения
1.Предъявляются на вход сети имена (под именем будем понимать та- кие понятия как названия, имена собственные, образы и подобные) миров агентов-двойников, имена агентов-двойников, имена коалиций, имена суперклассов, классов, подклассов и других понятий которые ассоциируются у Оригиналов с данной предметной областью (миром агентов-двойников). 2. Выделяются активизированные ансамбли нейронной сети которые в свою очередь активизируют нейронные подсети, которые обучаются набором ассоциативных связей понятий и самих понятий миров агентов-двойников более низкого уровня. 3.Процессы 1 и 2 повторяются для представления ассоциативных связей понятий и самих понятий самого нижнего уровня иерархического представ- ления миров агентов-двойников. Этап образного ассоциативного мышления 1. Предъявляется на вход сети имя любого понятия без тех понятий которые предъявлялись сети на этапе обучения. 2.Нейронная сеть восстанавливает все ассоциативные связи между поня- тиями и сами понятия, как это она делает при восстановлении полного об- раза по его части. 3. Концентрация внимания производится с помощью специального концентратора внимания, подобного системе усиления торможения рассматриваемой в [2]. 4.Ассоциативная структура мира агентов-двойников активна некоторый период времени для выполнения задачи принятия решения, после вы- полнения задачи принятия решения активность сети затухает до следующей активизации ее входным понятием. 5.Если некоторого входного понятия не поступает достаточно долго, то сеть просто теряет (забывает) способность распознавать это понятие, то есть освобождается от избыточной, устаревшей или не верной информации. 6.Если входное понятие поступает после истечения срока забывания то понятие передается на вход агенту по связям с INTERNET, тот делает зап- рос к коллегам своего агента-двойника и получает не измененную или новую обучающую выборку ассоциативных связей понятий и самих поня- тий связанных со входным понятием. Это приводит к постоянному обновле- нию ассоциативной структуры сети. Необходимо отметить, что обучение сети происходит по предъявлению только входной информации, это делает возможным обучение сети без учителя.
Моделирование ассоциативного принятия решений
В этом случае также будем использовать свойства ассоциативности нейронной сети для решения задачи взаимодействия агентов-двойников между собой и своими Оригиналами. Рассмотрим следующий алгоритм. Этап ассоциативного обучения 1.Предъявляются на вход сети имя агента-двойника название ситуации (под этим словом будем понимать такие понятия как название состояния агентов, названия состояния объектов, название задачи и тому подобное, что ассоциируется у Оригиналов с этим понятием ) 2. Выделяются активизированные ансамбли нейронной сети которые в свою очередь активизируют нейронные подсети, которые обучаются набором ассоциативных связей понятий и самих понятий агентов-ролей более низкого уровня. 3.Предъявляются на вход подсети имя агента-роли и описание самой роли. Роль представляет собой описание ситуации (под этим словом будем понимать такие понятия как описание состояния агентов, описания состояния объектов, набор параметров, оперативная информация и тому подобное, что ассоциируется у Оригиналов с этим понятием ) и перечень действий ( роли агентов основанные на должностных инструкциях Оригиналов и других подходящих описаниях действий из жизни Оригиналов в этих ситуациях) которые необходимо выполнить при этой ситуации. 4.Процессы 1 и 2 повторяются для представления ассоциативных связей понятий и самих понятий самого нижнего уровня иерархического представ- ления миров агентов-двойников. Этап ассоциативного принятия решения. 1. Предъявляется на вход сети агента-двойника имя ситуации. 2.Нейронная сеть агента-двойника формирует команду агентов-ролей по образу и подобию размышления Оригинала о том "кто может решить эту проблему, в этой ситуации). 3.Нейронная сеть агента- двойника кроме того синхронизирует действия агентов-ролей как это бы планировал Оригинал со своими отделами и со- трудниками. 4.Нейронные подсети агентов-ролей получают на входе описание части ситуации и восстанавливают всю ситуацию и перечень действий которые необходимо выполнить в этой ситуации. 5.Если попадается не знакомая ситуация агент-двойник вызывает аген- та-роль по связям в INTERNET тот в свою очередь отрабатывает протокол связи с подобными агентами-двойниками и получает полную обучающую вы- борку этой ситуации. Если в INTERNET нет этой ситуации агент-двойник обращается к своему Оригиналу с запросом. 6.Ассоциативная структура мира агентов-двойников активна некоторый период времени для выполнения задачи принятия решения, после выполнения задачи принятия решения активность сети затухает до следующей активизации ее входным понятием. 7.Если некоторой ситуации не возникает достаточно долго, то сеть просто теряет (забывает) способность принимать решения в этой ситуации, то есть освобождается от избыточного, устаревшего или не верного описания ситуации и методов решения задач в этой ситуации. 8.Если входная ситуация поступает после истечения срока забывания то ситуация передается на вход агенту по связям с INTERNET, тот делает зап- рос к коллегам своего агента-двойника и получает не измененную или новую обучающую выборку ассоциативных связей ситуации и методов решения задач в этой ситуации. Это приводит к постоянному обновле- нию ассоциативной структуры сети. Необходимо отметить, что обучение сети происходит по предъявлению только входной информации, это делает возможным обучение сети без учителя. Реализация концепции агентов-двойников и их мира на примере моделирования морской промысловой экосистемы Морская промысловая экосистема рассматривалась как совокупность знаний лиц, принимающих решения в этой предметной области. Были построены модели агентов-двойников специалистов по ихтиологии, гидрологии и метеорологии вод Тихого океана, Охотского и Японского морей, континентального шельфа, начальника управления рыбопромышленного предприятия, заместителя начальника управления по добыче, капитана рыбопромыслового судна, инспектора рыбоохраны. Модели агентов-ролей по информации, по прогнозированию, по планированию, по оптимизации дислокации судов на промысле, по оперативной информации, по контролю. Модели объектов: промысловых судов со своими атрибутами, времени, промысловых квадратов, уловов, промысловых популяций, среды обитания популяций, воздуха, льда, облачности, осадков, грунта, орудий лова и т.д. Моделировалось также поступление оперативной информации о состоянии экосистемы и судна в виде суточных сводок с капитанского часа и в автоматическом режиме через интерфейс с судовой радиоэлектронной аппаратурой о состоянии промысловой экосистемы и состоянии судна. В качестве примера поведения агента-двойника рассматривалась реализация на нейронных сетях агента-двойника начальника рыбопромышленного объединения, решающего задачу расстановки судов на промысле, в зависимости от гидрологической, ихтиологической и промысловой обстановки. Агенты-роли этого агента-двойника проигрывали между собой матричную игру. Методы агентов-ролей моделировались на нейронных сетях выполняющих операции сортировки. А нейросетевые модели методов самого агента-двойника выполняли поиск минимаксных стратегий. Агенты-двойники реализовывались гибридно: структура и протокол обмена сообщениями программировались средствами объектно-ориентированного программирования а методы принятия решений в виде программных моделей нейронных сетей выполняющих узкие математические и логические функции. В результате система поддержки групповых решений выполняла нечеткий вывод и предлагала эвристические рекомендации по расстановке добывающих судов на промысле для обеспечения более успешного лова всей группой судов.
Литература

1.Д.В.Кэмп. Нейроны для компьютеров//В мире науки. 1992 N11-С.200-203
2.Куссуль Э.М. Байдык Т.Н. Структура нейронных ансамблей//
Нейрокомпьютер. Москва- 1992.-С.16-23.
3.Галушкин А.И. О решении задач сортировки с использованием нейронных

сетей//Нейрокомпьютер. Москва - 1994.-C.35-40.
4. Кибяков П.П. Перспективы развития искусственного интеллекта
автономных необитаемых подводных аппаратов //Методы и средс-
тва обработки информации в радиоэлектронных и микропроцес-
сорных системах.- Хабаровск: ХПИ, 1989.-С.39-42.
5. Кибяков П.П. Бортовые интеллектуальные системы поддержки принятия решений // Рыбное хозяйство. - 1991.- N10.-
С.48-52.
6. Кибяков П.П. Системы поддержки групповых решений для регио-
нов// Рыбное хозяйство. - 1992.- N5.- С.18-20.
7. Кибяков П.П. Зашихин И.И. О некоторых приложениях мультиме-
диа (multimedia) в автоматизации управления судном // Тезисы
докладов научно-технической конференции.-Хабаровск: ХПИ,
1992. С. 70.
8. Кибяков П.П. Белозеров О.И. Введение в системы распределен-ного искусственного интеллекта // Тезисы докладов науч-
но-технической конференции. - Хабаровск: ХПИ, 1992. С. 71.
9. Кибяков П.П. Объектно-ориентированный подход к моделированию
поведения лиц принимающих решения // Отчет по НИР. Теорети-
ко-игровые методы принятия решений в сложных системах. Хаба-
ровск: ВЦ ДВО РАН, 1992. С. 43-55.
10. Кибяков П.П.Белозеров О.И. Объектно-ориентированная система
поддержки принятия решений "Минтай" // Тезисы докладов науч-
но-технической конференции. - Хабаровск: ХГТУ, 1993. С. 214.
11. Кибяков П.П. Зашихин И.И. Объектно-ориентированная система
поддержки принятия решений "Кантри-Риск" // Тезисы докладов
научно-технической конференции. - Хабаровск: ХГТУ, 1993. С.
62.
12. Кибяков П.П. Объектно-ориентированная концепция построения
систем поддержки групповых решений // Тезисы докладов науч-
но-технической конференции. - Хабаровск: ХГТУ, 1993. С. 215.
13.Кибяков П.П. Нейросетевая модель системы поддержки групповых
решений // Тезисы докладов международной научно-технической
конференции "Интерактивные системы: Проблемы человеко-компь- ютерного взаимодействия. - Ульяновск: УлГТУ, 1995. С. 224.
14.Peter P. Kibyakov. Neural Network models of the agent-doubles//The reports 5-th All-Russia seminars " .-Krasnoyarsk, 1997, P.56.
15. Peter P. Kibyakov, Leo A. Maslov. Possibilities of Internet For small enterprises in the Russian Far East. Fist International Conference on International Virtual Informational Community.- Pusan, Republic of Korea:1997.
16. Peter P. Kibyakov Modeling of the agents - doubles on Neural Networks with chaotic behaviour. //Reports of Third Siberian Congress on applied and industrial mathematics.-Novosibirsk, 1998.
17. Peter P. Kibyakov. The intelligent agents - doubles.
// Works of the International Scientific and techical Conference" Neural, relator and continuous-logik system and models". - Ulyanovsk: UlSTU, 1998,P.20
18. Peter P. Kibyakov. Neural Network Models of the intelligent agents-doubles.
// Works of the International Scientific and techical Conference" Neural, relator and continuous-logik system and models". - Ulyanovsk: UlSTU, 1998,P.21
19. Peter P. Kibyakov. The world of the agents-doubles - marine fishing ecosystem. // Works of the International Scientific and techical Conference" Neural, relator and continuous-logik system and models". - Ulyanovsk: UlSTU, 1998,P.22