Разработка мультиагентной системы адаптивного анализа потоков данных в сложных динамических средах




Скачать 44.76 Kb.
НазваниеРазработка мультиагентной системы адаптивного анализа потоков данных в сложных динамических средах
Дата16.10.2012
Размер44.76 Kb.
ТипДокументы

УДК 33(06) Экономика и управление


с.и. вОЛЬМАН, И.П. Киселев1, и.а. мИНАКОВ2,
П.О. Скобелев2

Институт проблем управления сложными системами РАН, Москва

1Московский инженерно-физический институт (государственный университет)

2НПК «Маджента Девелопмент», Москва


Разработка мультиагентной системы адаптивного анализа потоков данных

в сложных динамических средах


В докладе рассматриваются непрерывный распределенный и динамический алгоритм кластерного анализа потоков данных и самоорганизующаяся мультиагентная система его исполнения. Мультиагентный алгоритм кластеризации потоков данных может быть использован для анализа потоков данных в сложных средах, так как он обеспечивает быстрый отклик на вариацию входного сигнала и событийное инкрементальное улучшение результатов анализа.


Необходимым условием эффективного функционирования интегрированных систем оперативного управления производством (класса MES, Manufacturing Execution System) в современных условиях является их способность быстро реагировать на непредвиденные события и динамически вносить изменения в производственные расписания на этапе их выполнения. Для эффективного решения критичных по времени задач система оперативного управления производством дополняется компонентом интеллектуального анализа потоков данных, обеспечивающим принятие управляющих решений в режиме близком к реальному времени (концепция Business Intelligence 2.0). Такая система интеллектуального анализа потоков данных, функционирующая совместно с операционной системой, должна постоянно в режиме реального времени адаптировать параметры обучаемой системы к вариациям генерируемого нестационарной средой входного сигнала.

Предметом данной работы является разработка метода непрерывного динамического метода кластерного анализа потоков данных, способного обеспечить быстрый отклик на изменения среды исполнения и событийное инкрементное улучшение результатов анализа. В работе так же уделяется особое внимание технико-экономическому анализу эффективности внедрения системы интеллектуального анализа потоков данных на предприятии с количественной оценкой преимуществ от использования непрерывного, управляемого событиями режима планирования в реальном времени с реакцией на непредвиденные события.

Система управления производством в процессе своего функционирования в сложной динамической среде в условиях неопределенности не располагает информацией о том, каковым является определение понятия правильного действия или желаемого состояния. Для формирования вероятностной теории о среде исполнения интеллектуальная система на основании полученного опыта в процессе обучения решает задачу обучения с неконтролируемым типом обратной связи, что является процессом выявления определенных закономерностей во входных данных при условии отсутствия априорных выходных значений. Алгоритмы кластеризации, решающие одну из задач неконтролируемого обучения, основаны на оптимизации некоторой целевой функции, определяющей оптимальное в определенном смысле разбиение множества объектов данных на кластеры, что в общем случае является сложной задачей оптимизации.

Существующие классические методы кластерного анализа являются централизованными (алгоритмы предполагают единый централизованный источник данных с доступом к общим структурам данных, таким как матрицы подобия), статичными (алгоритмы предполагают неизменность входного набора данных и матриц подобия на протяжении своего выполнения) и ориентированными на пакетную обработку данных (результаты анализа доступны только после полного завершения выполнения алгоритмов, которые необходимо полностью перезапускать при любом изменении среды исполнения) [1]. Предлагаемый в работе мультиагентный алгоритм кластеризации потоков данных отличается от классических подходов тем, что является распределенным (обеспечивается поддержка гетерогенных источников данных без необходимости введения централизованного алгоритма агрегирования частичных результатов анализа), динамическим (как входной набора данных, так и функции подобия могут изменяться во времени распределенных источников данных) и непрерывным (процесс кластеризации является непрерывным и обеспечивает событийное инкрементное улучшение результатов анализа без необходимости его перезапуска при вариации входных данных).

Используя свойство псевдостационарности в стохастических процессах, классические методы обучения в нестационарной среде учитивыют вариация входных данных посредством периодического переучивания модели [2]. В отличие от данного централизованного подхода предлагаемый в работе метод непрерывного динамического обучения изначально является чувствительным к изменениям среды и обеспечивает событийное инкрементное улучшение результатов анализа.

Мультиагентный подход к кластеризации реализует концепцию распределенного размещения ресурсов, при котором поиск решения осуществляется посредством асинхронного квазипараллельного процесса переговоров агентов записей и кластеров, распределено работающих над одним для всех агентов онтологическим объектом [3]. Поведение автономных агентов в виртуальном мире кластеризации является целенаправленным и поддерживается разработанными моделями логики принятия решений, которые определяют для каждого агента его индивидуальные цели, критерии и функции предпочтения. Управляемый данными (data-driven) процесс самоорганизации мультиагентной системы основывается на постоянном поиске и поддержании динамического баланса интересов между всеми участниками взаимодействия посредством экономического децентрализованного метода координации поведения агентов. Автономные агенты в виртуальном мире участвуют в процессах переговоров с другими агентами с целью повышения своего уровня удовлетворенности при минимальных затратах посредством установления с ними семантических связей наибольшей полезности. В процессе поиска наиболее прибыльных вариантов своего размещения агенты записей и кластеров непрерывно устанавливают и пересматривают онтологические связи с другими агентами, тем самым осуществляя динамическое формирование многоуровневых мультикультурных сообществ агентов [4]. Для выполнения иерархической агломеративной кластеризации выделяют следующие четыре типа переговоров агентов: вхождение агента записи в существующий кластер, формирование агентами записи и кластера нового кластера верхнего уровня, формирование агентами записей нового кластера верхнего уровня, и формирование агентами кластеров нового кластера верхнего уровня.


Список литературы

  1. Aggarwal С.С. (Ed.), “Data Streams: Models and Algorithms”. New York: Springer, 2006.

  2. Russell S.J., Norvig P., “Artificial Intelligence: Modern Approach”. New Jersey: Prentice Hall, 2003.

  3. Andreev M.V., Glashenko A.V., Inozemtsev S.V., Kiselev I.P., Safronov A.V., Skobelev P.O. "The logic of dynamically balancing trade-offs of autonomous agents for building interdependent schedules in real-time transportation logistics". Samara: ICCS RAS, 2006.

  4. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. - М.: Эдиториал УРСС, 2002.




ISBN 978-5-7262-0883-1. НАУЧНАЯ СЕССИЯ МИФИ-2008. Том 14

Похожие:

Разработка мультиагентной системы адаптивного анализа потоков данных в сложных динамических средах iconРабочая программа по дисциплине " Методы анализа динамических систем " для специальности 230102 «Автоматизированные системы обработки информации и управления»
Изучение методов анализа различных типов динамических систем, описываемых линейными и нелинейными, детерминированными и стохастическими,...
Разработка мультиагентной системы адаптивного анализа потоков данных в сложных динамических средах iconЛекция: Этапы проектирования ис с применением uml: Основные типы uml-диаграмм, используемые в проектировании информационных систем.
ИС: моделирование бизнес-прецедентов, разработка модели бизнес-объектов, разработка концептуальной модели данных, разработка требований...
Разработка мультиагентной системы адаптивного анализа потоков данных в сложных динамических средах iconДиденко Юрий Александрович Личные данные
Обязанности: разработка и поддержка информационного хранилища данных. Разработка системы хранения, системы отчетности, документооборота...
Разработка мультиагентной системы адаптивного анализа потоков данных в сложных динамических средах iconСоколовская Т. Б., вед библиотекарь хнтусх им. П. Василенко Лингвистическое обеспечение баз данных на основе саб ирбис
Абис. Эти средства образуют не только комплекс ипя для индексирования документов и запросов, но и комплекс расширенных средств ввода...
Разработка мультиагентной системы адаптивного анализа потоков данных в сложных динамических средах iconМетоды анализа динамических систем
Познакомить студентов с качественными методами исследования динамических систем на плоскости
Разработка мультиагентной системы адаптивного анализа потоков данных в сложных динамических средах iconКафедра системного программирования Разработка кроссплатформенного средства кластерного анализа данных с использованием рандомизированных алгоритмов
Разработка кроссплатформенного средства кластерного анализа данных с использованием рандомизированных алгоритмов
Разработка мультиагентной системы адаптивного анализа потоков данных в сложных динамических средах iconРазработка системы адаптивного управления процессом роторного бурения нефтяных и газовых скважин
Д 212. 100. 04 при Кубанском государственном технологическом университете по адресу: 350072, г. Краснодар
Разработка мультиагентной системы адаптивного анализа потоков данных в сложных динамических средах iconНазвание курса
Обсуждаются вопросы хранения данных, построения многомерных моделей данных, решения задач оперативного и интеллектуального анализа...
Разработка мультиагентной системы адаптивного анализа потоков данных в сложных динамических средах iconРазработка системы var pro integrator, обеспечивающей интеграцию бд си “ультрафлоу” и штатной бд нефтяного месторождения с использованием онтологии предметной области и метамоделей
Целью работы является разработка программы, обеспечивающей интеграцию базы данных системы измерений параметров нефте-водо-газовой...
Разработка мультиагентной системы адаптивного анализа потоков данных в сложных динамических средах iconР. М. Алгулиев, М. Ш. Гаджирагимова некоторые аспекты организации и реализации мультиагентной системы поиска информации в распределенной информационной среде
Некоторые аспекты организации и реализации мультиагентной системы поиска информации в распределенной информационной среде
Разместите кнопку на своём сайте:
Библиотека


База данных защищена авторским правом ©lib.znate.ru 2014
обратиться к администрации
Библиотека
Главная страница