1. Самоорганизация и многоагентные системы
Городецкий В.И.
Санкт-Петербургский институт информатики
и автоматизации РАН
Лаборатория интеллектуальных систем
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

2. Приложения, определяющие направления развития
информационных технологий
– Предсказание аварийных и чрезвычайных ситуаций, мониторинг и снижение
вредных последствий
– Мобильные телекоммуникационные системы
– Управление ресурсами ГРИД
– Задачи логистики глобального масштаба (на транспорте и др.)
– Управление крупными производствами
– Сенсорные сети и интеллектуальные
встроенные системы
– Безопасность, анти - терроризм,
защита компьютерных сетей
– Машинный интеллект для управления
автономными объектами и операциями
– и многие другие
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

3. В чем сходны современные критические
приложения?
― Автономность и крупномасштабность: Системы состоят из
огромного числа автономные сущностей, каждая из которых имеет
собственные цели, возможно, отличные от целей системы в целом;
― Открытость: автономные сущности образуют сетевую структуру и
могут в любой момент уходить из системы и присоединяться к ней;
― Распределенное взаимодействие в сети с динамической
топологией (из-за открытости систем и возможной мобильности
узлов);
― Динамичность внешней среды и наличие неопределенности в ней;
― Ограниченность знаний каждой автономной сущности о внешней
среде (только локальная информация) и также о других автономных
сущностях;
Традиционные архитектуры и методы управления не годятся в
рассматриваемом классе приложений. control of such systems is a
Efficient and effective management and
Для эффективного управление такими системами необходимоand
challenging task. New ideas, management and control principles,
привлечение новых needed to cope withархитектур управления.
architectures are идей, принципов и the associated problems
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

4. Самоорганизующиеся многоагентные системы –
современный путь решения проблемы
В настоящее время в качестве единственного
физически реализуемого решения, которое может
позволить преодолеть указанные трудности
рассматривается делегирование управление самой
системе на основе принципов самоорганизации с
использованием архитектуры многоагентных систем.
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

5. Содержание Содержание
1. Введение: Самоорганизация, эмерджентность и
многоагентные системы
2. Классификация механизмов самоорганизации
3. Биологические прототипы механизмов самоорганизации и
примеры их использования
4. Другие примеры приложений
5. Самоорганизация при управлении процессами в
компьютерных сетях
6. Заключение
7. Избранные публикации лаборатории ИС СПИИРАН в 2008–
2009, связанные с тематикой самоорганизации в МАС
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

6. 1. Введение: Самоорганизация, эмерджентность и
многоагентные системы
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

7. Что такое самоорганизация?
Самоорганизация есть явление, понятие, свойство или процесс,
который изучается и исследуется не только в кибернетике, но также
и в физике, химии, биологии, экономике, искусственных системах и
др. областях.
Далее обсуждается только одно «измерение» явления
самоорганизации: самоорганизация как метод и средство
управления в распределенных сложных системах и ее
использование для построения многоагентных программных
систем.
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

8. Что такое самоорганизация?
Термин “само” означает, что некоторые «внутренние» процессы системы являются движущими
силами управления и адаптации системы. В частности, в самоорганизующихся МАС такими
движущими силами являются локальные взаимодействия распределенных автономных
сущностей (агентов) системы.
Термин “организация” понимается как (1) множество сущностей, составляющих систему и (2)
структура, заданная на этом множестве, а также (3) взаимодействия между ними.
“Самоорганизация” есть динамический адаптивный процесс, в котором структура
системы и взаимодействия компонент возникают и поддерживаются без всякого
внешнего вмешательства
R. Descartes был первым, кто ввел этот термин.
В кибернетике этот термин был введен R.Ashby (1947), который определил
самоорганизующуюся систему как систему, которая способна изменять свою организацию
без внешнего вмешательства.
P.P.Grassé (1959), используя аналогию с биологическими системами, ввел понятие
самоорганизации в терминах “стигмерджи” (“stigmergy”) как явление, которое возникает
благодаря косвенному взаимодействию автономных сущностей, когда они воспринимают
внешний мир и изменения в нем, обусловленные воздействием на него других автономных
сущностей (биологическая аналогия: массовые взаимодействия насекомых, в которых среда
выступает в качестве посредника).
И.Пригожин (1976) дал иную интерпретацию самоорганизации, рассматривая ее в терминах
термодинамики : открытая система уменьшает свою энтропию, когда в нее извне поступает
энергия, увеличивая «порядок» в системе (когда возникает порядок из хаоса).
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

9. Как развивалась и развивается сейчас теория и
практика самоорганизующихся МАС ?
Конец 1990-х – возрастание практического интереса к
самоорганизующимся МАС.
2000–2005 – Европейские проекты программ FP3-5 “AgentLink”:
Вычисления на основе агентов, в рамках которых была создана
рабочая группа “Самоорганизующиеся МАС”, которая дала мощный
импульс исследованиям и разработкам в этой области. В процессе
исследований по проектам и после их завершения по настоящее
время проведено много специализированных международных
семинаров, целиком посвященных проблемам и решениям в области
самоорганизующихся МАС. В издательстве Springer опубликовано
несколько специальных выпусков на эту тему, например, LNAI 2977
(2004), LNAI 3910 (2006), LNAI 5918 (2009).
В настоящее время данная область исследований является
областью повышенного интереса в многоагентных системах
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

10. Свойства самоорганизации
“Самоорганизация есть динамический адаптивный процесс,
приводящий в возникновению и поддержке структуры
системы и взаимодействий без внешнего вмешательства”
Еще одно более длинное, но, по сути, такое же определение
дано в работе [Camazine et al., 2001 ]
“Самоорганизация есть процесс, котором на глобальном
уровне системы появляются паттерны, причем они
появляются только вследствие большого числа
взаимодействий между низкоуровневыми компонентами
системы. Более того, правила, описывающие
взаимодействия между компонентами системы используют
только локальную информацию без ссылок на глобальные
паттерны”.
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

11. Основные свойства самоорганизующихся
процессов [Di Marzo Serugendo et al., 2005]
1. Автономность – взаимодействие с внешним миром допустимо,
но управление извне недопустимо.
2. Глобальный порядок – он возникает в системе только благодаря
локальным взаимодействиям ее компонент.
3. Наличие эмерджентных свойств, которые не могут быть
выведены из наблюдения индивидуального поведения
автономных сущностей; они видимы только на мета – уровне.
4. Нелинейная динамика, неустойчивость и чувствительность к
вариациям начального состояния и малым вариациям
параметров системы; это свойство не может быть выведено из
свойств отдельных компонент и их локальных взаимодействий;
5. Множественность устойчивых состояний системы
(аттракторов)
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

12. Основные свойства самоорганизующихся
процессов [Di Marzo Serugendo et al., 2005](прод.)
6. Избыточность – это обеспечивает нечувствительность к отказам
или разрушениям отдельных элементов
7. Адаптивность –это способность самоорганизующейся системы
изменять свое поведение и переходить в новое устойчивое
состояние со сменой организационной структуры
8. Сложность – она вызывается тем, что такая система, как правило,
состоит из огромного числа взаимодействующих компонент
9. Простота правил, которые используются компонентами системы в
процессах взаимодействия; в итоге это ведет к сложному
поведению системы в целом
10. Иерархическая структура – самоорганизующаяся система
описывается, по крайней мере, на двух уровнях, а именно, на
уровне локальных компонент системы и на мета – уровне, где
проявляются эмерджентные свойства системы
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

13. Эмерджентность
Что такое эмерджентность?
Говорят, что система проявляет эмерджентность, если, на макро – уровне
динамически появляются новые свойства, паттерны, процессы или
структуры и эти свойства появляются в результате локальных
взаимодействий компонент системы. Как уже отмечалось, эти свойства,
процессы, паттерны или структуры не могут быть выражены в терминах
свойств микро – уровня.
Каковы необходимые условия возникновения эмерджентности?
–Система должна быть, по крайней мере, двухуровневой структуры,
состоящей из множества локально взаимодействующих компонент микро -
уровня и макро уровня, на котором проявляется эмерджентность
– Нелинейность – на микро уровне компоненты взаимодействуют в
нелинейной манере
– Обратная связь – локальные взаимодействия должны содержать
положительную обратную связь
– Динамическая устойчивость – эмерджентные свойства возникают и
проявляются только в динамике. Эмерджентность не может существовать
без динамики
– “Остенсивность” – эмерджентность демонстрирует себя явно
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

14. “Остенсивность” эмерджентности
Косяк рыб
Мгновенный снимок химической реакции
Белоусова - Жаботинского
A.Omicini & L.Gardelli. Self-Organisation & MAS An Introduction.
http://unibo.lgardelli.com/teaching/2007-selforg-mas.pdf
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

15. Еще один пример остенсивности
Термитник (Южная Африка)
A.Omicini & L.Gardelli. Self-Organisation & MAS An Introduction.
http://unibo.lgardelli.com/teaching/2007-selforg-mas.pdf
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

16. Сходство и различие понятий эмерджентности и
самоорганизации
Сходство понятий эмерджентности и самоорганизации
динамические процессы,
 характеризуются возрастанием порядка,
 обусловлены локальными взаимодействиями на микроуровне,
 а проявляются на макроуровне.
Различие этих понятий состоит в том, что
 эмерджентность робастна по отношению к множеству
компонент, чьи взаимодействия вызывают это явление
(отдельные компоненты могут возникать и исчезать, но
паттерн эмерджентности сохраняется), а
 самоорганизация, в отличие от этого, – адаптивный процесс.
Заметим, что адаптивность выражается в том, что система
переходит в новое устойчивое состояние, изменяя свое
поведение и организацию при изменениях в системе и/или во
внешнем мире.
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

17. Почему МАС - технология является удобной для
программной реализации самоорганизующихся систем?
Базовые требования самоорганизующихся систем к ИТ:
–автономность - способность управлять своим целенаправленным
поведением без внешнего вмешательства
–способность воспринимать внешнюю среду и воздействовать не нее
–наличие инфраструктуры, поддерживающей распределенное
взаимодействие автономных сущностей (агентов) или физически (через
коммуникации), или виртуально, т.е. путем обмена сообщениями
–способность поддерживать различные отношения между
распределенными автономными сущностями, т.е. поддерживать
структуру (организацию) системы с помощью локальных
взаимодействий
В настоящее время МАС является единственной ИТ, которая имеет все
средства для программной реализации самоорганизующихся систем. .
По этой причине теория и практика самоорганизации сейчас является
областью исследований и разработок, главным образом, в области МАС.
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

18. 2. Классификация механизмов самоорганизации
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

19. Классификация механизмов самоорганизации
1. Механизмы, основанные на прямых взаимодействиях
агентов. В этих механизмах локальные взаимодействия
осуществляются непосредственно между агентами
2. Механизмы, основанные на косвенных взаимодействиях
агентов организации, когда каждый агент воздействует на
внешнюю среду, изменяя ее, а другие агенты воспринимают
эти изменения и на этой основе модифицируют свое
поведение в соответствии с некоторыми правилами.
Пример такого механизма – самоорганизации в колонии
муравьев при поиске пищи, которая является одним их
биологических прототипов для широкого класса механизмов
самоорганизации типа стигмержи, который уже ранее
упоминался и известен под названием.
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

20. 1. Механизмы, основанные на обучении с
подкреплением
Движущей силой процесса самоорганизации является функция
полезности, или функция поощрения (reward function), а агенты
стремятся изменить свое поведение так, чтобы величина
получаемого поощрения была бы как можно больше.
Обычно локальной функцией полезности является некоторая
виртуальная плата, величина которой зависит от поведения агента,
и он стремится ее максимизировать.
Если система работает в динамической внешней среде, то поведение
агентов со временем меняется, поэтому процесс самоорганизации –
непрерывный процесс изменения организации системы.
Примером является система P2P обучения далее).
Обучение с подкреплением (reinforcement learning) является
также самостоятельной областью исследования в теории
машинного обучения.
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

21. 2. Механизмы, основанные на кооперации
Самоорганизация достигается посредством локальных актов
взаимодействия агентов с целью кооперации
Adaptive Multi-agent system (AMAS-теория)
Предполагается, что агенты обладают умениями, способностью к
коммуникациям, знаниями о некоторых других агентах (соседях) и
имеют критерии для обнаружения ситуаций, в которых возникают
конфликты, разрешение которых требует специальных механизмов
кооперации агентов (Non Cooperative Situation – NCS).
Эти ситуации делятся на три группы:
1) от внешней среды получена непонятная информация;
2) полученная информация не стимулирует агента на действия;
3) действие агента бесполезно для других агентов.
Все NCS должны быть определены заранее, а отвечающие им
действия должны быть предусмотрены на стадии проектирования
системы.
(пример –система предсказания наводнений STAFF)
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

22. 3. Механизмы, основанные на использовании
градиентных полей (1)
Примеры градиентных полей в физике: гравитационные, электрические и др.
В биологии прототипом является морфогенез, когда поведение организма,
основанное на локальных взаимодействиях большого числа идентично
запрограммированных клеток управляется химической субстанцией,
характеристики которой зависят, например, от расстояния до источника,
генерирующего ее, или градиента концентрации субстанции.
В агентских системах, использующих этот механизм самоорганизации,
аналогом поля и его градиента является некоторая структура данных,
представляющая вычислительное (цифровое) поле градиента.
Градиентное поле характеризуется именем, необходимой контекстуальной
информацией (например, местом нахождения в пространстве и числовым
значением силы поля в соответствующем месте), а также правилом
распространения поля, которое задает изменение силы поля в этом
пространстве.
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

23. 3. Механизмы, основанные на использовании
градиентных полей (2)
Поле инициируется некоторым источником, которым является либо
место в среде, где находятся агенты, либо иные сущности системы.
Ответственность за распространение поля может быть также
возложена на агентов. В этом случае агенты обеспечивают
ретрансляцию поля соседям, модифицируя его силу. Этот процесс
ретрансляции поля повторяется до тех пор, пока сила поля не станет
меньше некоторого порога, когда она полагается равной нулю.
. Таким способом в пространстве формируется некоторая форма поля,
которая несет контекстную информацию, необходимую для
координации.
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

24. 3. Механизмы, основанные на использовании
градиентных полей (3)
В общем случае ключевыми понятиями этой модели являются [27]:
1) вычислительное поле, представляющее контекст; оно
распространяется агентами или инфраструктурой, а агенты должны
быть в состоянии воспринимать это поле; Оно представляется
распределенной структурой данных с уникальным
идентификатором и числовым значением, зависящим от позиции, и
правилом распространения по сети, определяющим, каким образом
численное значение поля изменяется от узла к узлу
2) политика координации, которая позволяет агентам использовать
форму поля для координации своего движения (в общем случае, для
координации своего поведения); Координация движения (динамики
системы, в общем случае) выполняется формой поля и ее
изменением.
3) координация, обусловленная спецификой приложения, которая
реализуется агентами в глобальном контексте. Для учета
специфического контекста приложения используются специальные
поля, значения которых воспринимаются агентами.
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

25. 4. Рыночные механизмы самоорганизации (1)
Рыночная модель механизма самоорганизации рассматривает
распределение ограниченных ресурсов как способ самоорганизации в
условиях высокой динамики, когда агенту доступна лишь локальная
информация, а потому единственно возможным вариантом решения
глобальной задачи распределения ресурсов является
децентрализованная координация.
Первой ключевой задачей в построении многоагентной модели
приложения в терминах самоорганизующегося рынка является выбор
понятий покупателя и продавца (производителя), а разного рода
предпочтения агентов и ограничения реальной задачи могут быть
введены в модель алгоритмически путем выбора стратегии поведения
агентов в процессе торговли.
Второй ключевой задачей построения модели – сопоставление
(мэтчинг) продавцов и покупателей, представляющих интерес друг
для друга с точки зрения возможной сделки. Этот механизм должен
быть явно описан.
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

26. 4. Рыночные механизмы самоорганизации (2)
Содержательно рыночная модель самоорганизации может
описываться как аукцион, в котором группы агентов ведут
переговоры с целью продажи/покупки дефицитных ресурсов.
Агенты взаимодействуют локально с помощью обмена сообщениями,
которые содержат предложения, сделки, обязательства и платежи за
ресурсы. В модели предполагается, что в начальном состоянии
агенты обладают определенной суммой денег, а каждый ресурс в
любой момент является предметом либо владения, либо
использования некоторого агента (бесхозных ресурсов нет).
Некоторые агенты имеют потребность в каком-то количестве
определенных ресурсов (выступают в роли их потребителей или
покупателей) и готовы заплатить за них определенную цену в
пределах своего бюджета. Их цель – заплатить как можно меньше.
Другие агенты действуют как производители или поставщики,
располагают определенными количествами некоторых ресурсов и
хотят продать их за определенную цену. Их цель состоит в том,
чтобы максимизировать свой доход.
ПВ-сети – тому один из примеров.
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

27. 3. Биологические прототипы механизмов самоорганизации
и примеры их использования
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

28. Интеллект колонии муравьев (swarm Intelligence-1)
Эта модель самоорганизации имеет 4 стадии развития:
1. В начальный момент муравьи блуждают случайно в
окрестности муравейника в поисках пищи.
2. Если муравей находит источник пищи, то он маркирует
это место и обратный путь к муравейнику с помощью
химической субстанции, называемой феромоном.
3. Другие муравьи привлекаются запахом феромона и
выбирают путь, помеченный им, с вероятностью,
пропорциональной интенсивности запаха феромона на
нем. Достигнув источника пищи, они оставляют в этом
месте и на обратном пути к муравейнику дополнительную
порцию феромона, увеличивая таким способом
вероятность выбора этого пути другими муравьями. Со
временем феромон испаряется.
4. Если источник пищи истощается, то муравьи, достигшие A.Omicini & L.Gardelli. Self-
его, уже не оставляют феромон в этом месте и на Organisation & MAS An
обратном пути к муравейнику. Через некоторое время Introduction.
http://unibo.lgardelli.com/
феромон, ассоциированный с данным источником пищи, teaching/2007-selforg-mas.pdf
испаряется, и путь к нему исчезает.
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

29. Интеллект колонии муравьев (swarm Intelligence-2)
Принципы “интеллекта роя” (swarm Intelligence) [Bonabeau,1999]
1. Множественность косвенных взаимодействий (через среду) индивидуумов
2. Положительная обратная связь (e.g., увеличение количества феромона,
оставляемого насекомыми, в месте источника пищи и на обратном пути к
муравейнику)
3. Отрицательная обратная связь (обеспечивается испарением феромона)
4. Увеличение модификации поведения насекомых, пропорциональное
увеличению количества феромона в источнике пищи и на обратном пути к
муравейнику)
5. Отсутствие прямых коммуникаций между автономными сущностями,
которые взаимодействую через изменения, которые они оставляют в среде.
Интеллект роя (swarm intelligence), хотя он очень прост, порождает большое
количество конкретных механизмов самоорганизации, которые широко
используются в многоагентных системах (например, в задачах маршрутизации
в P2P и ad-hoc сетях и мн. других)
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

30. Самоорганизующаяся модель планирования в
производственных (ПП) системах
В качестве механизма самоорганизации используется модель интеллекта роя.
Основная идея управления ПП состоит в прогнозировании загрузки ресурсов на
короткий период, и в оценке состояния исполнения заказов с поиском для них
лучшего продолжения на основании периодического обновления информации о
доступных ресурсах в режиме реального времени.
Компоненты системы
агент продукта –обладает знаниями о том, как продукт должен производиться и как
должно обеспечиваться качество его производства.
агент заказа – он управляет физическим процессом производства продукта,
отслеживает состояние исполнения этого процесса и ответственен за логистику
обработки информации, связанной с производством продукта.
агент ресурса – он ставится в соответствие конкретному физическому ресурсу в
производственной системе. Он содержит информацию о доступности ресурса и о
функциях его использования и эту информацию он делает доступной для всех
агентов окружения. Знания этого агента ограничены мониторингом собственного
ресурса и управления им. С агентом связаны конкретные типы и экземпляры
ресурса и агент знает о них. Он обладает общедоступной памятью (доской
объявлений), к которой могут иметь свободный доступ другие агенты, которые
могут помещать информацию на доску объявлений, читать ее и модифицировать
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

31. Самоорганизующаяся модель планирования в
производственных (ПП) системах (2)
Для координации агенты используют модель косвенного взаимодействия. На досках
объявлений агентов ресурсов они оставляют информацию, помеченную цифровым
феромоном, и эта информация доступна другим агентам для чтения и модификации.
При формирования своих решений о последовательности операций, связанных с
выполнением заказа, агенты заказа используют механизмы координации двух типов:
исследование состояния ресурсов и распространение намерений.
Фаза изучения
Механизм улучшения решения: Цикл
Фаза распространения намерения взаимодействия агента заказа и агента ресурса
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

32. Самоорганизующаяся модель планирования в
производственных (ПП) системах (3)
Механизм исследования ресурсов имеет целью поиск вариантов исполнения
заказа с привлечением конкретных ресурсов.
Агент заказа генерирует мобильного агента муравей – исследователь и
посылает его анализировать состояния ресурсов. Мобильный агент-
исследователь определяет возможности исполнения заказа путем изучения
его текущего состояния исполнения и посещения досок объявлений всех
агентов ресурсов для сбора и обработки них информации. Все данные он
записывает в свою память (e.g., имена ресурсов, периоды доступности,
стоимость ресурса и др.), формирует решение той задачи, для которой он
был создан, и возвращается к агенту заказа. Информация доставляется
агенту заказа, после чего агент муравей–исследователь уничтожается.
Агент заказа выбирает наилучший варианта изготовления продукта, в котором
указывается последовательность шагов производства, привязка их ко
времени и потребности в ресурсах с указанием количества и/или периодов
времени их использования и т.д.. Это решение называется намерением
агента заказа. После этого он доводит намерение до системы в целом с
помощью механизма распространения намерений, выполняя
резервирование нужных ресурсов в нужном количестве и в нужное время.
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

33. Самоорганизующаяся модель планирования в
производственных (ПП) системах (4)
Для решения этой задачи агент заказа генерирует мобильного агента намерений
и поручает ему задачу резервирования ресурсов.
Агент намерений запрашивает и резервирует у агентов ресурсов выбранные
ресурсы в необходимые агенту заказа слоты времени.
Агент ресурса проверяет свой график использования ресурсов и фиксирует эту
информацию на своей доске объявлений. Но к этому моменту времени
состояние ресурсов могло уже измениться, например, некоторые ресурсы могут
оказаться занятыми, но могут появиться и новые ресурсы. Поэтому агент
ресурса обеспечивает агента намерений наиболее свежей информацией о
состоянии ресурсов, о времени возможного начала их использования, времени
ожидания ресурсов и продолжительности исполнении операций.
Резервированные слоты использования ресурса снабжаются цифровым
феромоном, который испаряется со временем, так что зарезервированные
ранее ресурсы через некоторое время становятся вновь доступными для
других заказов. Поэтому агент заказа, который все же намерен получить
зарезервированный ресурс, должен повторять резервацию с какой-то
периодичностью.
Агенты ничего не знают друг о друге и не обязаны взаимодействовать для
координации использования ресурсов. В системе нет специальных средств
синхронизации процессов использования ресурсов, кроме феромона.
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

34. Строительство гнезда
Идея самоорганизации при коллективном строительстве гнезда (например,
термитника) при отсутствии централизованного управления со стороны
"мастера" реализуется с помощью очень простых правил локальных
взаимодействий в соответствии со следующей схемой [17]:
 индивиды создают небольшие комочки ("кирпичики"), обычно из мусора на
поверхности земли и метят их феромоном;
 с ними они бродят случайно, однако предпочитают двигаться к местам с
большей концентрацией феромона;
 на каждом шаге индивиды решают с помощью случайного механизма оставить
"кирпичик" в текущем положении или продолжать движение с ним;
 вероятность того, что они решают положить "кирпичик" в текущей позиции,
возрастает с ростом интенсивности феромона.
Сначала "кирпичики" случайным образом разбрасываются индивидами по
поверхности земли. Они привлекают других индивидов и увеличивают
вероятность того, что они тоже положат свои "кирпичики" в этом месте. При этом
каждый индивид стремится положить свой кирпичик в центре образующейся
кучи. В результате формируемая куча растет больше вертикально, чем
горизонтально, и постепенно приобретает форму колонны, (весом в 5-10 т).
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

35. Морфогенез
Относится к классу механизмов, использующих градиентное поле. Во всех
вариантах его реализации представители биологического вида используют
градиент, формируемый специальной субстанцией, называемой морфогеном,
которая используется каждой клеткой для определения своей позиции
относительно источника морфогена и направления на него.
Механизм реализуется клетками в процессе самоорганизации для получения
позиционной информации, а также информации о направлении при развитии
эмбриона. На одном конце эмбриона клетки испускают морфоген, который
распространяется по длине эмбриона с постепенным уменьшением
концентрации, а потому значение концентрации может использоваться как
источник информации о расстоянии клетки от начальной позиции эмбриона.
Например, по этой информации клетки определяют, находятся ли они в районе
головы, грудной клетки или в районе брюшной области эмбриона.
Процесс развития эмбриона управляется несколькими разными морфогенами,
которые несут информацию о расстояниях от различных позиций до текущей
позиции клетки, воспринимающей концентрации этих морфогенов.
Информация о направлении получается путем оценки изменения концентрации
морфогена по различным направлениям
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

36. Управление дорожным трафиком в мегополисе (1)
Особенности модели
конкретные автомобили - представлены их посредниками – программными
агентами автомобилей (АА–агентами),
средства управления – светофоры - представлены их посредниками –
программными агентами светофоров (АС–агентами).
Цель – совместное управление индивидуальным автомобилем, направленное
на избегание пробок, и светофорами, направленное на минимизацию
пробок.
Число агентов в такой системе может исчисляться сотнями тысяч и даже
миллионами. Например, число основных перекрестков в Варшаве более чем
64000, а число одновременно присутствующих на дорожной сети
автомобилей исчисляется сотнями тысяч.
Существующие аналогичные решения – это (1) многоагентное управления
светофорами и (2) многоагентное управление автомобилями. .Далее
рассматривается модель, в которой обе эти модели рассматриваются
совместно на основе взаимодействия АА-агентов и АС-агентов с
использованием модели самоорганизации, когда управление автомобилями
и светофорами реализуется в конкретном текущем контексте, который
задается множеством градиентных полей.
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

37. Управление дорожным трафиком в мегополисе (2)
В качестве механизма самоорганизации используется модель вычислительных
полей
Все поля генерируются сетью АС-агентов, которые поддерживают их
распространение и обновление. Эти поля задают модель дорожной сети и
кратчайшие расстояния между перекрестками, а также текущее состояние
локального трафика. АС-агенты кооперируются на основе механизма
самоорганизации при выборе продолжительностей включения красного и
зеленого светов.
Предполагается, что каждый автомобиль имеет вычислительное устройство,
которое способно связываться и взаимодействовать с компьютерной
сетью АС–агентов, встроенной в городскую инфраструктуру улиц и
перекрестков.
АА-агенты воспринимают некоторые поля, генерируемые сетью АС–агентов, и
конкретный АА-агент автоматически выбирает маршрут движения в
соответствии с принятой им стратегией. Благодаря восприятию цифровых
полей АА–агенты могут получать очень полезную информацию о пробках
и очередях на перекрестках и на ее основе предлагать водителям
альтернативные варианты движения.
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

38. Управление дорожным трафиком в мегополисе (3):
Модели полей
Поле расстояний генерируется каждым АC–агентом, и оно не изменяется во
времени. В узле H i , в котором установлен агент АСi , генерируемое им
поле имеет значение нуль, а в любом другом узле H j оно равно
минимальному расстоянию D( H j ) (вдоль дорожной сети) до узла –
источника поля. АА–агент может воспринимать поле расстояний всех
источников.
Поле трафика представляет интенсивность трафика в заданной точке карты.
При этом оно равно числу автомобилей на полосе движения перед
светофором, деленному на длину полосы между перекрестками. Значение
этого поля в каждом узле является переменным, что отражает динамику
трафика.
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

39. Управление дорожным трафиком в мегополисе (4):
Управление автомобилями
Если автомобиль находится в районе узла Hi H j , то он
и имеет целью узел
оценивает комбинированное поле как линейную комбинацию значения D(H j )
поля расстояний, генерируемого узлом , и значения воспринятого им
поля трафика TRF :
CF = D ( H j ) -  TRF ,   0
где CF – функция интенсивности цифрового поля. Первое слагаемое этой
формулы в конечном узле имеет минимальное значение, равное нулю. Этим
полем осуществляется управление движением автомобиля в желаемую
точку.
Второе слагаемое, отражающее интенсивность трафика, стремится отклонить
автомобиль от тех участков, где эта интенсивность велика, так что весовой
коэффициент  определяет стратегию автомобиля. Если он мал, то
автомобиль движется ближе к кратчайшему пути, не обращая внимания на
пробки. Иначе он будет выбирать более длинный, но менее загруженный
путь
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

40. Управление дорожным трафиком в мегополисе (5):
Управление светофорами
Локальное поле GF (Green Field) светофора TL0 задается как сумма числа
автомобилей в его очереди и числа автомобилей, ожидающих в очередях у
светофоров TL1,…, , TL n ,которые могут инициировать движение по
направлению к нему. Пусть n0 , n1 ,..., nk –длины очередей у светофоров с
теми же индексами. Тогда поле светофора задается следующим образом:
n0 n n n
GF ( n 0 )    ( 1  2  ...  k ),
l0 l1 l2 lk
где li – длина участка, регулируемого светофором TLi . Коэффициент
задает важность учета условий движения по направлениям от соседних
светофоров, которые управляют движением к светофору (обычно это
светофоры, непосредственно предшествующие светофору TL0 ). Иначе,
этот коэффициент задает степень координации работы светофора TL0 с
соседними светофорами. Очевидно, что при   0 координации нет
. Интенсивность поля GF ( n0 ) может служить мерой предпочтения установки
светофора в режим зеленого цвета. Поэтому на каждом перекрестке
зеленым будет свет в направлении с наибольшим значение интенсивности
поля , а другие будут переключены на красный свет.
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

41. An Example: Motion Coordination Case Study
Objective:
Supporting tourists in planning their movements across a large and unfamiliar museum
and in coordinating such movements with other, unknown tourists.
Applications
Scheduling attendance, helping to avoid crowds, letting a group of tourists meet at a
location, search for guide, and even helping tourists find emergency exits.
Assumptions
► Each tourist has a software agent running on a wireless handheld device, such as
a cellular phone, suggesting the tourist where to move according to the goal
► Museum has an adequate computer network and infrastructure to spread multiple
digital gradient fields. Each network node is capable of communicating with each
other and with the mobile devices located in its proximity via short-range wireless
link.
► Embedded network topology mimics the topology of the museum plan, and devices
have a localization mechanism (e.g., GPS-based)
► An agent is capable to retrieve and communicate with some services providing the
museum map, discover which other tourists are currently populating the museum,
► etc. M. Mamei, F. Zambonelli, and L. Leonardi. Co-fields: A physically inspired
approach to motion coordination. IEEE Pervasive Computing, 3(2), 2004
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

42. Examples of Motion Coordination Case Study-1
1. Guide search
Let the guides stay as far as possible from each other and their CFs increase when
the distance from the guide increase. Jointly they generate a guide presence CF

n
CF ( guids )  i 1
CF ( quide ) i
M. Mamei, F. Zambonelli, and L. Leonardi. Co-fields: A physically inspired
approach to motion coordination. IEEE Pervasive Computing, 3(2), 2004
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

43. Examples of Motion Coordination Case Study-2
2. Meeting service
Objective: To help a group of tourists or museum guides dynamically meet with
each other (other scenario emergency evacuation situations).
Solution: If each member i of the group generates a presence-I field, then each
tourist can evaluate its coordination field by taking the maximum presence field of
all the other tourists:
CF ( guids )  i 1 CF (quide) i
n
and then following such coordination fields downhill.
All the CF are different and dynamically changed , but nevertheless, all group members
gradually approach the same point.
Case study description and
Simulation results are
borrowed from
M. Mamei, F. Zambonelli, and L.
Leonardi. Co-fields: A physically
inspired approach to motion
coordination. IEEE Pervasive
Computing, 3(2), 2004
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

44. Examples of Motion Coordination Case Study-3
3. Path selection and avoiding crowds (main ideas)
a) Let’s assume that each room in a museum generates a room field whose
value increases with the hop-distance from the generating room. An
agent following a room field downhill will inevitably reach the source
room.
b) To visit a specific set of rooms in the most efficient way, it simply has to
follow the minimum value of combined coordination field of all the room
fields. If an agent follows the coordination field downhill, it enters the
closest room of its visit schedule.
c) To take into account crowd conditions, the infrastructure nodes could
locally generate a crowd value to measure the amount of crowding in the
museum rooms: the total number of local presence fields with value 1,
normalized to the room’s dimensions to better represent how much a
particular room is crowded.
M. Mamei, F. Zambonelli, and L. Leonardi. Co-fields: A physically inspired
approach to motion coordination. IEEE Pervasive Computing, 3(2), 2004
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

45. 4. Другие примеры приложений
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

46. STAFF: Самоорганизующаяся система
предсказания наводнений
Среда: Бассейн реки Garonne (Франция). Содержит несколько станций,
выполняющих мониторинг уровня реки и управление процессом
предсказания наводнений
Агенты нижнего уровня: Каждому физическому сенсору, измеряющему
вариации уровня реки, ставится в соответствие агент нижнего уровня.
Агенты макро – уровня: Интегрируют измерения, поступающие от агентов
нижнего уровня и реализуют предсказание наводнения на основе само –
организации с дискретностью 1 час
Самоорганизующийся процесс: Кооперативное рекурсивное обновление
прогноза с использованием обучения с подкреплением
Экспериментальные результаты: Разработанная модель самоорганизации и
реализующая ее систем предсказания наводнений корректно отражает
прогноз уровня реки даже в том случае, когда имеется минимальный объем
данных обучения, если эти данные, при этом, содержат ошибки и
пропущенные значения, когда более или менее адекватная гидрологическая
модель дает большие ошибки (оказалось достаточным использование
данных одной недели для корректного прогноза). Систем эффективно
работает уже около 10 лет.
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

47. STAFF: Самоорганизующаяся система
предсказания наводнений
Двухуровневая архитектура системы STAFF
МАС, установленная
на станции
«Агент
часа»
G.- P.Gorge, B.Edmonds, P.Glize. Making Self-Organizing Multi-agent System Work:
Towards the Engineering of Emergent Multi-agent Systems.
ftp://ftp.irit.fr/pub/IRIT/SMAC/DOCUMENTS/ PUBLIS/MSEASBookChap16_George.pdf
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

48. STAFF: Алгоритм работы системы предсказания
наводнений
Цель системы Staff : Предсказание наводнения в любой части бассейна реки на
основе измерений изменений уровня реки в соответствующих местах (с
дискретностью в 1 час)
Каждому сенсору (в целом их около тысячи в районе каждой станции) поставлен
в соответствие агент нижнего уровня, цель которого снять текущую
информацию с сенсора в момент времени t и предсказать изменение уровня
реки в будущем, например, в момент времени t+3.
Агент макро – уровня (“Агент часа” ) собирает предсказания “своих” агентов и
обрабатывает и с целью уточненного предсказания изменения уровня реки в
будущем. На каждой станции имеется 4 таких агента.
Модель предсказания:
Пусть Si есть измерение i-го сенсора, i –вес, с которым это измерение подается
на вход агента макро – уровня, Δ  - модуль изменения веса, которое может
быть сделано за одну итерацию
Тогда прогноз изменения уровня реки, вычисляется агентом макро – уровня по
такой формуле:
F j forecast (t k )  i:   0 i (t k 1 )  S i (t k 1 )
i
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

49. STAFF: Самоорганизация в системе предсказания
наводнений
Самоорганизация состоит в уточнении весов ωi , используя кооперацию
агентов макро – уровня. Эти агенты используют кооперацию для того, чтобы
определить моменты времени, когда необходимо запустить алгоритм
обновления весов ωi .
Существо кооперации состоит в том, чтобы скомбинировать величины изменения
уровня реки, которые рассчитаны всеми четырьмя агентами макро – уровня,
принимая во внимание обратную связь по значению ошибки его предсказания в
текущий момент времени, полученной ранее, и инициировать процесс
обновления значений весов измерений сенсоров:
if | F j forecast ( t k )  F jreal ( t k ) |  F j then update weights
i  i  sign[ F jист (t k )  F jпредск (t k )]  
Обновление весов выполняется по следующим правилам:
1 . if  i  0 & [ F j forecast (t k ) and F jreal (t k ) have different signs ]
then  i :  i   
2. if F j forecast ( t k ) and F jreal ( t k ) have same signs then  i :  i   
3. if F j forecast (t k ) and F jreal (t k ) have same signs
and | F j forecast (t k )  Si (t k ) | F j then i : i  
4 . otherwise    0
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

50. Самоорганизующаяся МАС для оптимизации
землепользования (распределения ресурсов)
Ресурс: множество сельскохозяйственных угодий (участков) с их характеристиками
(площадь, тип почвы, расстояния до ближайших селений, характеристики транспортной
инфраструктуры и др.).
Каждому экземпляру сельскохозяйственного участка поставлен в соответствие агент,
обладающий знаниями о нем.
Агенты объединены в группы: Агенты каждой группы заинтересованы в “захвате” участков
одного о того же назначения (для использования под одну и ту же культуру). Каждая
группа агентов имеет целью получить в свое распоряжение сельскохозяйственные
угодья не менее, чем заданной общей площади (с заданными свойствами почвы,
средним значением минимальных расстояний до определенных селений и др. ).
Модель поведения агента: Агент группы борется с агентами других групп за обладание
участком с заданными свойствами, и если агент “побеждает”, то он вносит свой вклад в
функцию полезности “своей” группы агентов. Каждый участок обладает какой-то
“привлекательностью” для агента и он стремится “занять” наиболее привлекательный”
для него участок. Когда агент находит такой участок, и он еще свободен, то он
“захватывает” его. Если же он уже “захвачен” другим агентом, то агент пытается
вытеснить агента другой группы. Это ему удается в том случае, если он “сильнее”
агента, занявшего участок ранее, а его “сила” определяется по простому правилу: он
сильнее, если сильнее его группа в целом. В свою очередь, сила группы больше, если
она в целом имеет меньший процент удовлетворения своей потребности в общей
площади сельскохозяйственных угодий.
Этот механизм самоорганизации адаптивен и динамически устойчив : Если в процессе
работы алгоритма состав доступных участков изменяется или изменяются потребности
группы агентов, то такой механизм обеспечивает сходимость к суб – оптимальному
решению (показано, что находит то же самое решение, что и эвристический алгоритм
оптимизации на основе симуляции отжига).
Этот механизм реализует алгоритм типа any time.
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

51. 5. Самоорганизация при управлении процессами в компьютерных
сетях
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

52. T-Man протокол для управления топологией
оверлейной сети
Рассмотрим задачу оптимизации топологии ad –hoc сети, используя некоторую
ранжирующую функцию, значение которой пропорционально величине
коммуникационной нагрузки на сеть. Пусть каждый узел сети имеет ограниченное
число соседей, а ранжирующая функция выбрана соответствующим образом.
Значение этой функции вычисляется локально каждым узлом по отношению к своим
соседям, которые ранжированы в убывающей манере.
Механизм самоорганизации рекурсивен. На каждом шаге каждый узел, используя
Gossip – протокол, запрашивает у своих соседей атрибуты “их соседей” , которые
позволяют ему вычислить значение ранжирующей функции для них. Далее,
используя полученные данные, обновляет свой список соседей, выбирая те,
которым отвечает ее наименьшие значения. Алгоритм быстро сходится к “хорошей”
топологии. Он обладает адаптивностью и эффективно работает в сетях большой
размерности. Рассчитан на оптимизацию топологии ГРИД систем.
M. Jelasity and O. Babaoglu. T-man: Gossip-based overlay topology management. In LNAI 3910, 2006, 1-15.
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

53. Самоорганизация в оверлейной сети прикладных
агентов
Ma1 Ma2
Ma3 Ma2
C.Bernon, V.Chevrier, V.Hilaire, P.Marrow. Applications of Self-Organising Multi-
Agent Systems: An Initial Framework for Comparison. Informatica 30 (2006) 73–82.
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

54. Самоорганизация в оверлейной сети прикладных
агентов
Пусть в узлах сети установлено множество прикладных агентов {Ai} с
архитектурой, ориентированной на сервисы. Каждый агент обладает какими – то
сервисами, которые могут быть предоставлены другим агентам по их запросам. В
сети имеются также агенты {Mak}, которые являются посредниками между
владельцами сервисов и потребителями сервисов (прикладные агенты могут
играть обе роли сразу). Каждый агент множества {Ai} зарегистрирован на одном
или нескольких агентах – посредниках множества {Mak } .
Агент Ma имеет полную информацию о сервисах агентов, зарегистрированных на
нем. Если агент Ai нуждается в некотором сервисе, он шлет запрос “своему”
посреднику Ma, который пытается сначала найти этот сервис у “своих” агентов, и
если это не удается, то пересылает запрос другим посредникам множества {Mak}.
Затем агент Ma запрашивает агента Ai о качестве сервиса, полученного от агента
Aj . Если он адекватен запросу, то агент Ma добавляет паре агентов < Ai, Aj >
положительную метку, иначе – отрицательную метку.
Когда пара < Ai, Aj > таких агентов получит определенное количество “+” меток,
посредник Ma просит владельца агента Aj зарегистрировать последнего у себя и
предлагает за это “компенсацию”. Но владелец агента Aj ведет учет таких же
меток для своих агентов и и потому может согласиться или нет.
После определенного периода работы прикладные агенты {Ai} группируются
новым способом, чем в начальный момент, и эта группировка такова, что она
снижает нагрузку на коммуникационную компоненту сети.
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

55. Самоорганизация в оверлейной сети прикладных
агентов
Такая модель самоорганизации хорошо работает даже в том случае,
когда множество прикладных агентов сети или ее узлов динамически
меняется за счет ухода агентов из сети и появления новых агентов, за
счет выхода узлов сети из строя, причем эффективность работы
обеспечивается даже в случае, когда размерность сети огромна.
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

56. Самоконфигурация оверлейной P2P сети
прикладных агентов
P2P провайдер P2P
коммуникаций провайдер
коммуникаций P2P
P2P
AP-1 AP-2
Агенты могут присоединяться к Белые и желтые страницы агентской
сети или покидать ее платформы обновляются автоматически
P2P P2P
AP-3 AP-4
P2P провайдер P2P провайдер
коммуникаций коммуникаций
Оверлейная (виртуальная) сеть прикладных P2P агентов использует самоорганизацию
для того, чтобы уменьшить накладные расходы коммуникационной компоненты
(инфраструктуры) на обмен сообщениями между агентами сети прикладных агентов)
В.И. Городецкий, О.В. Карсаев, В.В. Самойлов, Серебряков, С.В. Инструментальные средства для открытых
сетей агентов. Известия РАН. "Теория и Системы Управления", Москва: Наука,2008. №. 3, 106-124
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.

57. Постановка задачи управления нагрузкой на
компьютеры ГРИД на основе самоорганизации
1. Заявки поступают на узлы (компьютеры) ГРИД
случайно и добавляются в очереди узлов
2. Задачи могут иметь различную трудоемкость,
компьютеры – различную производительность
(мощность). Рассматривается единственный
ресурс ГРИД – вычислительный.
3. Узлы ГРИД могут свободно покидать систему и
присоединяться к ней в любое время, либо узлы могут быть
мобильными
4. ГРИД имеет ad-hoc архитектуру, и каждый узел может
пересылать свои заявки для выполнения соседям для
балансировки загрузки
5. Цель управления – обеспечить качество сервиса (QoS)
обработки заявок настолько, насколько возможно (QoS
определяется средним временем ожидания заявок в очереди
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.
каждого узла) и обеспечить равномерную нагрузку на

58. Архитектура самоорганизующейся P2P МАС
В.Городецкий (СПИИРАН). Самоорганизация и многоагентные системы Екатеринбург, 25 ноября 2011 г.