• Strona główna AGH
  • AGH Main Page
 
Szukaj w systemie LAB
grupa / kierunek:
Technologie informacyjne / Informatyka

Metody sztucznej inteligencji i podejścia agentowego w systemach informacyjno-decyzyjnych

Kierownik: prof. zw. dr hab. inż. Robert Schaefer
Jednostka wiodąca: Katedra Informatyki
Wydział Informatyki, Elektroniki i Telekomunikacji
Główni wykonawcy:
dr inż. Sławomir Bieniasz, dr inż. Aleksander Byrski, dr hab. inż. Krzysztof Cetnarowicz, prof. AGH., dr hab. inż. Grzegorz Dobrowolski, prof. AGH. mgr inż. Jacek Dajda, dr inż. Rafał Dreżewski, dr inż. Tadeusz Dyduch, dr inż. Marek Kisiel-Dorohinicki,. dr inż. Jarosław Koźlak, dr inż. Robert Marcjan, dr inż. Ewa Olejarz-Mieszaniec, dr Maciej Paszyński, mgr inż. Witold Rakoczy, prof. dr hab. inż. Robert Schaefer, mgr inż. Leszek Siwik, dr inż. Marek Valenta, dr inż. Bartłomiej Śnieżynski, dr inż. Anna Zygmunt, dr inż. Małgorzata Żabińska-Rakoczy
Cele ogólne badań:
Zastosowania metod sztucznej inteligencji i systemów agentowych do pozyskiwania informacji, systemów decyzyjnych, logistyki i bezpieczeństwa publicznego. W szczególności, celem prowadzonych prac było opracowanie algorytmów oraz stworzenie pilotowych rozwiązań systemowych, dedykowanych do powyższych obszarów zastosowań.
Najważniejsze uzyskane wyniki:
1 Inteligentne algorytmy obliczeniowe

1.1 Hierarchiczne strategie ewolucyjne
Podstawowym mankamentem algorytmów ewolucyjnych służących rozwiązywaniu problemów optymalizacji globalnej jest wielki koszt obliczeniowy wynikający z konieczności wyliczania funkcji celu w bardzo wielu punktach dziedziny dopuszczalnej. Rozwijana w zespole Hierarchiczna Strategia Genetyczna HGS [19] pozwala w znacznym stopniu ograniczyć ten koszt, poprzez wprowadzenie mechanizmu poszukiwania adaptacyjnego opartego o drzewo populacji. Populacje znajdujące się bliżej korzenia poszukują bardziej chaotycznie, aktywując populacje wyższego poziomu w obiecujących rejonach. Populacje najwyższych poziomów (liście) poszukują lokalnie, ze znacznie większą dokładnością. Pomysł HGS został rozszerzony do hierarchicznych systemów wieloagentowych [14], jak również zastosowany do efektywnego rozwiązania zadań wielo-kryterialnych [9]. Opracowano także wersję hp-HGS służącą do rozwiązywania wielomodalnych problemów odwrotnych [4], w której dokładność rozwiązania zadania prostego adaptacyjną metodą elementów skończonych powiązano z dokładnością poszukiwania na danym poziomie drzewa uzyskując dodatkowe, znaczne obniżenie kosztu obliczeń.

1.2 Agentowe algorytmy ewolucyjne i immunologiczne
W połowie lat 90-tych ubiegłego wieku K. Cetnarowicz [8] zaproponował hybrydyzację systemów agentowych i ewolucyjnych, polegającą na decentralizacji mechanizmu selekcji oraz autonomizacji osobników. Zamiast globalnej selekcji występują akcje agentów typu „śmierć” i „reprodukcja natomiast sama selekcja oparta jest na istnieniu zasobu zwanego „energią życiową”. W ten sposób powstał EMAS (Evolutionary Multi-Agent System). Do tej pory systemy tego typu zastosowano do rozwiązywania problemów optymalizacji globalnej, oraz optymalizacji wielokryterialnej. Systemy te były również hybrydyzowane z innymi technikami takimi jak: algorytmy memetyczne [7], ewolucja elitarna [20], koewolucja i dobór płciowy [13]. Zaproponowano również mechanizm przyśpieszania selekcji inspirowany działaniem systemu immunologicznego iEMAS (immunological EMAS), w którym agenty usuwane z systemu powodują zapisanie swoich genotypów w specjalnie zaprojektowanych limfocytach, które następnie usuwają podobne rozwiązania, dzięki czemu obniżona zostaje liczba wywołań kosztownej funkcji fitness [6]. To ostatnie rozwiązanie wydaje się szczególnie interesujące w przypadku rozwiązywania problemów optymalizacji, które charakteryzują się złożoną pod względem czasowym funkcją przystosowania (problemy odwrotne, optymalizacja parametrów sieci neuronowych, etc.).

1.3 Równoległe adaptacyjne algorytmy rozwiązywania równań różniczkowych cząstkowych sterowane gramatyką grafową
Tematyka badań obejmuje opracowanie modelu lingwistycznego sterującego wykonaniem adaptacyjnych algorytmów rozwiązujących równania różniczkowe cząstkowe, wykorzystujących Metodę Elementów Skończonych (MES). Model lingwistyczny bazujący na gramatykach grafowych [18] opisuje poszczególne etapy algorytmów adaptacyjnych: proces generacji siatki obliczeniowej, generacji układu równań liniowych przy zastosowaniu aproksymacji MES, wielofrontalny solver dokładny, a także proces wyboru optymalnej strategii adaptacji siatki, oraz wykonania wskazanych adaptacji. Poprzez analizę relacji częściowego porządku wykonania produkcji gramatyki grafowej możliwe jest opracowanie efektywnych wersji równoległych algorytmów adaptacyjnych. Pozwalają one na rozwiązanie szeregu skomplikowanych problemów obliczeniowych, w szczególności symulację propagacji fal elektromagnetycznych w górotworze wykorzystywaną w poszukiwaniu złóż ropy naftowej [17].

2 Systemy wieloagentowe (MAS) — problemy metodologiczne

2.1 Metodologia projektowania i realizacji MAS
Prowadzone badania dotyczyły modeli agentów i systemów agentowych, w kontekście ich funkcjonalności oraz możliwości adaptacyjnych. Dużą uwagę zwrócono na problemy informacyjne związane z integracją wiedzy pochodzącej z heterogenicznych źródeł, a w tym metody ontologiczne oraz techniki reprezentacji wiedzy. Rozważano również problemy organizacji MAS z punktu widzenia relacji pomiędzy agentami, ich strategii, działań grupowych oraz reagowania na anomalie i sytuacje kryzysowe [12, 11].

2.2 Metody uczenia maszynowego w MAS
Ponieważ obszary zastosowań systemów agentowych są nieraz złożone (nie do końca poznane, trudne do formalnego opisania), pojawia się problem budowy agentów, którzy będą odpowiednio efektywni. Z tego powodu w kontekście systemów agentowych pojawiają się zagadnienia związane z adaptacją agentów do środowiska. Pozwala to na opracowanie agentów, którzy początkowo nie są perfekcyjni, lecz ich efektywność wzrasta wraz z doświadczeniem. Do tej pory adaptacja w systemach agentowych realizowana jest głównie za pomocą algorytmów uczenia ze wzmocnieniem i algorytmów ewolucyjnych. Tematem prowadzonych badań jest zastosowanie innych metod uczenia (ze szczególnym uwzględnieniem uczenia pod nadzorem) w systemach agentowych (por. np. [21]). Wstępne wyniki badań wskazują, iż w pewnych okolicznościach metody te pozwalają na osiągnięcie lepszych wyników [22].

3 Zastosowania systemów wieloagentowych

3.1 Systemy bezpieczeństwa publicznego
Opracowano szereg rozwiązań koncepcyjnych i realizacyjnych, dotyczących pozyskiwania informacji wskazujących na powstawanie anomalii i zagrożeń w sferze bezpieczeństwa publicznego [10, 26]. W rozwiązaniach tych agenci stanowią inteligentne jednostki działające w środowiskach wirtualnych (internet), realizujące funkcje monitorowania, analizy informacji oraz podejmowania decyzji. Zrealizowano kilka prototypowych aplikacji i rozwiązań systemowych, wykorzystujących metody przetwarzania rozproszonego, inteligencji obliczeniowej, sieci społecznych oraz multimedialnej prezentacji wyników. Przeprowadzono wstępne testy weryfikujące działanie pilotowych rozwiązań.

3.2 Sterowanie zespołem robotów mobilnych
Prace naukowe prowadzone w ramach Laboratorium Robotów Mobilnych Katedry Informatyki koncentrują się wokół problemów sterowania i zarządzania działaniem grup robotów za pomocą systemów agentowych. Opracowanie skutecznych metod projektowania i implementowania zaawansowanych systemów informatycznych wykorzystujących roboty mobilne jako fizyczne efektory jest kluczowym wyzwaniem stojącym przed współczesną robotyką. Wydaje się, że odpowiednie zastosowanie paradygmatu agentowego oraz opracowanego w Katedrze podejścia dwuwarstwowego [2, 3], opartego na rozdzieleniu abstrakcji agenta od obiektu robota, pozwala na osiągnięcie wysokiej jakości systemu, czyli niezawodności, dostępności, skalowalności, rozszerzalności, itp. Opracowane metody wielomodelowego reprezentowania rzeczywistości [25, 23] pomagają skutecznie rozwiązać problemy skalowalności podsystemów nawigacji oraz planowania i realizacji zadań. Opracowywane metody i koncepcje są testowane w środowisku symulacji robotów RoBOSS 2 [24] oraz z wykorzystaniem rzeczywistych robotów.

3.3 Systemy wspierające logistykę i transport
Kolejną dziedziną są prace dotyczące modelowania oraz optymalizacji układów logistycznych. W szczególności zespół zajmuje się problematyką przewozów transportowych [16], ruchu drogowego [15] oraz budowy łańcuchów dostaw. Podstawową używaną metodologią jest podejście wieloagentowe, które oferuje szereg istotnych zalet jak uwzględnienie autonomicznych elementów, opracowane protokoły interakcyjne oraz języki komunikacji między elementami, opracowane modele racjonalnie działających jednostek – agentów oraz związek z mechanizmami oferowanymi przez sztuczną inteligencje takimi jak inteligentne planowanie oraz uczenie maszynowe. Obok podejścia agentowego stosowane są inne metody heurystyczne takie jak algorytmy ewolucyjne czy poszukiwanie z tabu. Badania obejmują rozwiązywanie podstawowych problemów (takich jak np. Pickup and Delivery Problem with Time Windows — PDPTW dla przewozów transportowych) i poszukiwanie wysokiej jakości algorytmów dających dobre rozwiązania problemów testowych, niemniej jednak skupiają się przede wszystkim na rozwiązywaniu bardziej złożonych wersji problemów, gdzie podejście wieloagentowe pokazuje swoje zalety. Są to zwłaszcza problemy dynamiczne (gdy kolejne zlecenia do przetworzenia przychodzą w trakcie działania systemu, nie są znane wcześniej), uwzględniające uczenie się oraz dobór zachowania elementów decyzyjnych do obserwowanych wzorców występujących w środowisku oraz przewidywanie, zapobieganie, rozpoznawanie oraz reagowanie na sytuacje niepomyślne lub kryzysowe.
Najważniejsze publikacje:
[1] Alexandrov V. N., van Albada G. D., Sloot P. M. A., Dongarra J. (red.): Computational Science—ICCS 2006, tom 3993 serii LNCS, Springer-Verlag, Berlin, Heidelberg, 2006.
[2] Ambroszkiewicz S., Borkowski A., Cetnarowicz K., Turek W.: Adaptive bilayer control of multiple mobile robots, [w:] Proceedings of 16th International Symposium on Measurements and Control in Robotics, str. 31–50, Warsaw, Poland, 2007.
[3] Ambroszkiewicz S., Cetnarowicz K., Turek W.: Multi-robot management framework based on the agent dual-space control paradigm, [w:] Proc. of the AAAI’07 Fall Symposium, str. 32–37, Arlington, Virginia, USA, 2007.
[4] Barabasz B., Schaefer R., Paszyński M.: Handling ambiguous inverse problems by the adaptive genetic strategy hp-HGS, Accepted to the ICCS’2009 Conference Proceedings.
[5] Bubak M., van Albada G. D., Dongarra J., Sloot P. M. A. (red.): Computational Science—ICCS 2008, tom 5103 serii LNCS, Springer-Verlag, Berlin, Heidelberg, 2008.
[6] Byrski A., Kisiel-Dorohinicki M.: Immune-based optimization of predicting neural networks, [w:] Computational Science—ICCS 2005: 5th International Conference: Atlanta, GA, USA, May 22-25, 2005, tom 3516 serii LNCS, Springer-Verlag, 2005.
[7] Byrski A., Kisiel-Dorohinicki M., Nawarecki E.: Agent-based evolution of neural network architecture, [w:] Hamza M. H. (red.), Applied informatics : international symposium on Artificial intelligence and applications : proceedings of the IASTED [The International Association of Science and Technology for Development] international conference : February 18.21, 2002 Innsbruck, Austria, IASTED Acta Press, 2002.
[8] Cetnarowicz K., Kisiel-Dorohinicki M., Nawarecki E.: The application of evolution process in multi-agent world to the prediction system, [w:] Tokoro M. (red.), Proceedings of the 2nd International Conference on Multi-Agent Systems (ICMAS 1996), AAAI Press, Menlo Park, CA, 1996.
[9] Ciepiela E., Kocot J., Siwik L., Dreżewski R.: Hierarchical approach to evolutionary multi-objective optimization, [w:] Bubak i in. [5], str. 740–749.
[10] Dobrowolski G., Filipkowski W., Nawarecki E., Rakoczy W.: Systemy agentowe i metody sztucznej inteligencji w walce z terroryzmem w Internecie, [w:] Indecki K. (red.), Przestȩpczość terrorystyczna, str. 174–197, Wydawnictwo WIS, Poznań, Poland, 2006.
[11] Dobrowolski G., Kisiel-Dorohinicki M., Nawarecki E.: Monitoring as a means for discovery of crises in MAS, [w:] Dolgui A., Morel G., Pereira C. (red.), Proc. of 12th IFAC Int. Symp. INFORMATION CONTROL PROBLEMS IN MANUFACTURING, str. 455–460, Elsevier, 2006.
[12] Dobrowolski G., Nawarecki E.: Crisis management via agent-based simulation, [w:] Dunin-K eplicz B., Jankowski A., Skowron A., Szczuka M. (red.), Monitoring, security, and rescue techniques in multiagent systems, Advances in Soft Computing, str. 551–562, Springer, 2005.
[13] Dreżewski R.: A model of co-evolution in multi-agent system, [w:] Mar, *ìk V., Müller J., Pĕchouček M. (red.), Multi-Agent Systems and Applications III, tom 2691 serii LNCS, str. 314–323, Springer-Verlag, Berlin, Heidelberg, 2003.
[14] Jojczyk P., Schaefer R.: Global impact balancing in the hierarchic genetic search, Accepted to CAI.
[15] Koźlak J., Dobrowolski G., Kisiel-Dorohinicki M., Nawarecki E.: Anti-crisis management of city traffic using agent-based approach, Journal of Universal Computer Science, 14(14):2359–2380, 2008.
[16] Nawarecki E., Koźlak J., Dobrowolski G., Kisiel-Dorohinicki M.: Discovery of crises via agent-based simulation of a transportation system, [w:] Multi-agent systems and applications IV: 4th international Central and Eastern European conference on Multi-Agent Systems, CEEMAS 2005: Budapest, Hungary, September 15-17, 2005: proceedings, tom 3690 serii Lecture Notes in Artificial Intelligence, str. 132–141, Springer-Verlag, 2005.
[17] Pardo D., Torres-Verdín C., Paszyński M.: Simulations of 3D DC borehole resistivity measurements with a goal-oriented hp finite-element method. Part 2, Through-casing resistivity instruments, Computational Geosciences, 2008(12):83–89, 2008.
[18] Paszyński M.: On the parallelization of self-adaptive hp-finite element method, Accepted to Fundamenta Informaticae, 2009.
[19] Schaefer R.: Foundation of Genetic Global Optimization, tom 74 serii Studies in Computational Intelligence Series, Springer, 2007.
[20] Siwik L., Kisiel-Dorohinicki M.: Semi-elitist evolutionary multi-agent system for multiobjective optimization, [w:] Alexandrov i in. [1].
[21] Śnieżyński B.: Agent strategy generation by rule induction in predator-prey problem, Accepted to the ICCS’2009 Conference Proceedings.
[22] Śnieżyński B.: Agent strategy generation by rule induction in predator-prey problem, [w:] Shi Y., van Albada G. D., Dongarra J., Sloot P. M. A. (red.), Computational Science—ICCS 2007, tom 4488 serii LNCS, str. 864–871, Springer-Verlag, Berlin, Heidelberg, 2007.
[23] Turek W.: Extensible multi-robot system. innovative concepts for autonomic and agent-based systems, [w:] Bubak i in. [5], str. 574–583.
[24] Turek W., Marcjan R., Cetnarowicz K.: A universal tool for multirobots systems simulation, Accepted to edited volume of the Springer Series: Studies in Computational Intelligence.
[25] Turek W., Marcjan R., Cetnarowicz K.: Agent-based mobile robots navigation framework, [w:] Alexandrov i in. [1], str. 775–782.
[26] Żabińska M., Rakoczy W., Dobrowolski G.: Intelligent monitoring of the Internet oriented towards security enhancement, [w:] Bologa O., Dumitrache I., Filip F. (red.), 4th IFAC Conference on Management and Control of Production and Logistics Sibiu, Romania, str. 151–155, IFAC—International Federation of Automatic Control, 2007.
Dane osoby kontaktowej:

data aktualizacji: 2009-03-03

All rights reserved (c) 2013 Akademia Górniczo-Hutnicza