Научный журнал
Современные наукоемкие технологии
ISSN 1812-7320
"Перечень" ВАК
ИФ РИНЦ = 0,940

ПРИМЕНЕНИЕ ГИБРИДНОЙ МУЛЬТИАГЕНТНОЙ АРХИТЕКТУРЫ В СИСТЕМЕ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ СНАБЖЕНИЯ СЕТИ АВТОЗАПРАВОЧНЫХ СТАНЦИЙ

Аксенов К.А. 1 Неволина А.Л. 1
1 ФГАОУ ВО «Уральский федеральный университет имени первого Президента России Б.Н. Ельцина»
В статье решена задача разработки гибридной мультиагентной архитектуры для мультиагентной модели процесса преобразования ресурсов. За основу мультиагентной архитектуры модели процесса преобразования ресурсов взяты системы массового обслуживания, имитационное моделирование процессов и гибридная агентная архитектура InteRRaP. Для описания реактивной составляющей в данной архитектуре используются диаграммы деятельности и продукционная база знаний. Для описания интеллектуальной составляющей используется фреймовая база знаний. Данная гибридная архитектура была применена при разработке интеллектуальной системы поддержки принятия решений планирования развоза топлива по сети автозаправочных станций. Гибридная мультиагентная архитектура процесса преобразования ресурсов программно реализована в результате интеграции мультиагентной системы динамического моделирования ситуаций BPsim.MAS, корпоративной информационной системы, системы поддержки принятия решений BPsim.DSS и интеллектуального агента «Планировщик». Проведена экспериментальная проверка архитектуры и системы поддержки принятия решений.
сети автозаправочных станций
планирование
анализ процессов
автоматизированная информационная система
мультиагентный подход
имитационное моделирование
агентная архитектура
1. Аксенов К.А. Интеллектуальная система моделирования «BPSIM.MSS» и объектно-структурный метод технико-экономического проектирования мультисервисных сетей связи // Вестник компьютерных и информационных технологий. – М., 2010. – № 8. – С. 19–27.
2. Аксенов К.А. Модель мультиагентного процесса преобразования ресурсов и системный анализ организационно-технических систем // Вестник компьютерных и информационных технологий. – М., 2009. – № 6. – С. 38–45.
3. Аксенов К.А., Неволина А.Л., Аксенова О.П., Смолий Е.Ф. Мультиагентное моделирование и планирование логистики // Современные проблемы науки и образования. – 2013. – № 4; URL: http://www.science-education.ru/ru/article/view?id=9744 (дата обращения: 24.10.2016).
4. Аксенов К.А., Шолина И.И., Сафрыгина Е.М. Разработка и применение объектно ориентированной системы моделирования и принятия решений для мультиагентных процессов преобразования ресурсов // Научно-технические ведомости СПбГПУ. Информатика. Телекоммуникации. Управление. – СПб., 2009. – № 3 (80). – С. 87–97.
5. Заходякин Г.В., Мешалкин В.П. Логистическое управление цепями поставок нефтеперерабатывающих предприятий с использованием мультиагентных имитационных моделей // Нефтегазовое дело. – 2003. – http://www.ogbus.ru URL: http://www.ogbus.ru/authors/Meshalkin/Meshalkin_1.pdf(дата обращения: 29.05.2013).
6. Aksyonov K., Bykov E., Aksyonova O., Goncharova N., Nevolina A. Industrial Simulation of Metallurgical Logistics // International Conference on Computer Information Systems and Industrial Applications (CISIA 2015). June 28–29. – Bangkok, Thailand. – P. 600–603.
7. Van Dyke Parunak H. Manufacturing Experience with the Contract Net (1987) http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.12.2958 (дата обращения: 22.09.2014).
8. Jorg P. Muller, Markus Pischel The Agent Architecture InteRRap: Concept and Application. – German Research Center for Artificial Intelligence (DFKI).
9. Klaus Fischer, Jorg P. Muller, Markus Pischel, Darius Schier. A model for cooperative transportation scheduling (1995). – http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.53.7577 (дата обращения: 02.06.2013).
10. Rzevski G., Himoff J., Skobelev P. MAGENTA Technology: A Family of Multi-Agent Intelligent Schedulers. International conference on multi-agent systems // Proceedings of Workshop on Software Agents in Information Systems and Industrial Applications 2 (SAISIA). Fraunhofer IITB. – Germany, February 2006. – URL: http://rzevski.net/06 %20i-Scheduler %20Family.pdf.
11. Skobelev P.O. Open multi-agent system for operative processing of information in the decision-making processes: Avtoref. dis. on competition of a scientific degree. Kazan. step. Ph. D. – Samara, 2003.
12. Vittikh V.A., Skobelev P.O. Multiagent Interaction Models for Constructing the Needs-and-Means Networks in Open Systems // Automation and Remote Control. – 2003. – Vol. 64. – Р. 162–169.

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.

pic_7.tif

Рис. 1. Архитектура агента МППР

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.

pic_8.tif

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

pic_9.tif

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.

pic_10.tif

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

pic_11.tif

Рис. 5. Визуальный интерфейс диспетчера

Сопоставление планов на конец сентября – начало октября

Номер дня

Количество рейсов, факт

Количество рейсов, расчет

Объем перевозки, факт, л

Объем перевозки, расчет, л

1

24

22

330955

303530

2

7

14

105504

249972

3

22

20

303036

304103

4

16

18

242312

267848

5

21

21

338067

320061

6

23

19

344424

289223

7

20

19

251136

289761

8

18

29

264748

440392

9

18

23

275179

349396

10

20

20

303533

305164

ИТОГО:

189

205

2758894

3119450

Отклонение объема перевозки расчета к факту

1,131

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.


Библиографическая ссылка

Аксенов К.А., Неволина А.Л. ПРИМЕНЕНИЕ ГИБРИДНОЙ МУЛЬТИАГЕНТНОЙ АРХИТЕКТУРЫ В СИСТЕМЕ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ СНАБЖЕНИЯ СЕТИ АВТОЗАПРАВОЧНЫХ СТАНЦИЙ // Современные наукоемкие технологии. – 2016. – № 12-1. – С. 14-18;
URL: https://top-technologies.ru/ru/article/view?id=36468 (дата обращения: 29.03.2024).

Предлагаем вашему вниманию журналы, издающиеся в издательстве «Академия Естествознания»
(Высокий импакт-фактор РИНЦ, тематика журналов охватывает все научные направления)

«Фундаментальные исследования» список ВАК ИФ РИНЦ = 1,674