Système multi-agents - Multi-agent system

Agent réflexe simple
Agent d'apprentissage

Un système multi-agents ( SMA ou « système auto-organisé ») est un système informatisé composé de multiples agents intelligents en interaction . Les systèmes multi-agents peuvent résoudre des problèmes difficiles ou impossibles à résoudre pour un agent individuel ou un système monolithique . L'intelligence peut inclure des approches méthodiques , fonctionnelles , procédurales , une recherche algorithmique ou un apprentissage par renforcement .

Malgré un chevauchement considérable, un système multi-agents n'est pas toujours le même qu'un modèle à base d'agents (ABM). Le but d'un ABM est de rechercher un aperçu explicatif du comportement collectif des agents (qui n'ont pas nécessairement besoin d'être "intelligents") obéissant à des règles simples, généralement dans les systèmes naturels, plutôt que de résoudre des problèmes pratiques ou techniques spécifiques. La terminologie de l'ABM a tendance à être utilisée plus souvent dans le domaine scientifique, et celle du MAS en ingénierie et technologie. Les applications où la recherche sur les systèmes multi-agents peut fournir une approche appropriée incluent le commerce en ligne, la réponse aux catastrophes, la surveillance des cibles et la modélisation de la structure sociale.

Concept

Les systèmes multi-agents sont constitués d'agents et de leur environnement . Généralement, la recherche sur les systèmes multi-agents fait référence aux agents logiciels . Cependant, les agents d'un système multi-agents pourraient aussi bien être des robots, des humains ou des équipes humaines. Un système multi-agents peut contenir des équipes combinées homme-agent.

Les agents peuvent être divisés en types allant du simple au complexe. Les catégories comprennent :

  • Agents passifs ou "agent sans buts" (comme obstacle, pomme ou clé dans n'importe quelle simulation simple)
  • Agents actifs avec des objectifs simples (comme les oiseaux en troupeau, ou le loup-mouton dans le modèle proie-prédateur )
  • Agents cognitifs (calculs complexes)

Les environnements d'agent peuvent être divisés en :

  • Virtuel
  • Discret
  • Continu

Les environnements d'agents peuvent également être organisés selon des propriétés telles que l'accessibilité (s'il est possible de recueillir des informations complètes sur l'environnement), le déterminisme (si une action provoque un effet défini), la dynamique (combien d'entités influencent l'environnement dans le moment), la discrétion (si le nombre d'actions possibles dans l'environnement est fini), l'épisodicité (si les actions de l'agent dans certaines périodes influencent d'autres périodes) et la dimensionnalité (si les caractéristiques spatiales sont des facteurs importants de l'environnement et si l'agent considère l'espace dans sa prise de décision ). Les actions des agents sont généralement médiées via un middleware approprié. Ce middleware offre une abstraction de conception de première classe pour les systèmes multi-agents, fournissant des moyens de régir l'accès aux ressources et la coordination des agents.

Caractéristiques

Les agents d'un système multi-agents ont plusieurs caractéristiques importantes :

  • Autonomie : agents au moins partiellement indépendants, conscients d'eux-mêmes, autonomes
  • Vues locales : aucun agent n'a une vue globale complète, ou le système est trop complexe pour qu'un agent puisse exploiter une telle connaissance
  • Décentralisation : aucun agent n'est désigné comme contrôlant (ou le système est effectivement réduit à un système monolithique)

Auto-organisation et auto-direction

Les systèmes multi-agents peuvent manifester une auto-organisation ainsi qu'une auto-direction et d'autres paradigmes de contrôle et des comportements complexes associés, même lorsque les stratégies individuelles de tous leurs agents sont simples. Lorsque les agents peuvent partager des connaissances en utilisant n'importe quel langage convenu, dans les limites du protocole de communication du système, l'approche peut conduire à une amélioration commune. Des exemples de langages sont Knowledge Query Manipulation Language (KQML) ou Agent Communication Language (ACL).

Paradigmes du système

De nombreux SMA sont implémentés dans des simulations informatiques, faisant progresser le système à travers des "pas de temps" discrets. Les composants MAS communiquent généralement à l'aide d'une matrice de demande pondérée, par exemple

 Speed-VERY_IMPORTANT: min=45 mph, 
 Path length-MEDIUM_IMPORTANCE: max=60 expectedMax=40, 
 Max-Weight-UNIMPORTANT 
 Contract Priority-REGULAR 

et une matrice de réponse pondérée, par exemple

 Speed-min:50 but only if weather sunny, 
 Path length:25 for sunny / 46 for rainy
 Contract Priority-REGULAR
 note – ambulance will override this priority and you'll have to wait

Un schéma de contrat défi-réponse est courant dans les systèmes MAS, où

  • D'abord une question « Qui peut ? » est distribuée.
  • Seuls les composants concernés répondent : « Je peux, à ce prix » .
  • Enfin, un contrat est établi, généralement en plusieurs étapes de communication courtes entre les parties,

en considérant également d'autres composants, les « contrats » évolutifs et les ensembles de restrictions des algorithmes des composants.

Un autre paradigme couramment utilisé avec le SMA est la " phéromone ", où les composants laissent des informations pour d'autres composants à proximité. Ces phéromones peuvent s'évaporer/se concentrer avec le temps, c'est-à-dire que leurs valeurs peuvent diminuer (ou augmenter).

Propriétés

Les MAS ont tendance à trouver la meilleure solution à leurs problèmes sans intervention. Il y a ici une grande similitude avec les phénomènes physiques, tels que la minimisation d'énergie, où les objets physiques ont tendance à atteindre l'énergie la plus basse possible dans le monde physiquement contraint. Par exemple : de nombreuses voitures entrant dans une métropole le matin seront disponibles pour quitter cette même métropole le soir.

Les systèmes ont également tendance à empêcher la propagation des défauts, à s'auto-récupérer et à être tolérants aux pannes, principalement en raison de la redondance des composants.

Recherche

L'étude des systèmes multi-agents est "concernée par le développement et l'analyse d' architectures sophistiquées de résolution de problèmes et de contrôle d' IA pour les systèmes à agent unique et à agents multiples". Les sujets de recherche comprennent :

Cadres

Des cadres ont émergé qui mettent en œuvre des normes communes (telles que les normes FIPA et OMG MASIF). Ces cadres, par exemple JADE , permettent de gagner du temps et d'aider à la standardisation du développement du SMA.

Actuellement, cependant, aucune norme n'est activement maintenue par la FIPA ou l'OMG. Des efforts pour le développement ultérieur d'agents logiciels dans un contexte industriel sont menés au sein du comité technique IEEE IES sur les agents industriels.

Applications

Les SMA n'ont pas seulement été appliqués dans la recherche universitaire, mais aussi dans l'industrie. Les MAS sont appliqués dans le monde réel aux applications graphiques telles que les jeux informatiques. Des systèmes d'agents ont été utilisés dans les films. Il est largement préconisé pour une utilisation dans les technologies de mise en réseau et mobiles, pour obtenir un équilibrage de charge automatique et dynamique, une évolutivité élevée et des réseaux d'auto-réparation. Ils sont utilisés pour des systèmes de défense coordonnés.

D' autres applications comprennent le transport , la logistique, les graphiques, la fabrication, le système d'alimentation , SmartGrids et SIG .

En outre, l'intelligence artificielle des systèmes multi-agents (MAAI) est utilisée pour simuler des sociétés, le but de celle-ci étant utile dans les domaines du climat, de l'énergie, de l'épidémiologie, de la gestion des conflits, de la maltraitance des enfants, .... Certaines organisations travaillant sur l'utilisation du multi-agent les modèles de système comprennent le Center for Modeling Social Systems, le Center for Research in Social Simulation, le Center for Policy Modelling, la Society for Modeling and Simulation International. Hallerbach et al. a discuté de l'application d'approches basées sur des agents pour le développement et la validation de systèmes de conduite automatisés via un jumeau numérique du véhicule en cours d'essai et une simulation de trafic microscopique basée sur des agents indépendants. Waymo a créé un environnement de simulation multi-agents Carcraft pour tester des algorithmes pour les voitures autonomes . Il simule les interactions de la circulation entre les conducteurs humains, les piétons et les véhicules automatisés. Le comportement des gens est imité par des agents artificiels basés sur des données de comportement humain réel.

Voir également

Les références

Lectures complémentaires