novtexmechМехатроника, автоматизация, управлениеMekhatronika, Avtomatizatsiya, Upravlenie1684-64272619-1253Commercial Publisher «New Technologies»10.17587/mau.22.171-180novtexmech-972Research ArticleСИСТЕМНЫЙ АНАЛИЗ, УПРАВЛЕНИЕ И ОБРАБОТКА ИНФОРМАЦИИSYSTEM ANALYSIS, CONTROL AND INFORMATION PROCESSINGИнструментальные средства управления целесообразным поведением самоорганизующихся автономных интеллектуальных агентовInstrumental Means for Managing the Rational Behavior of Self-Organizing Autonomous Intelligent AgentsМелехинВ. Б.MelekhinV. B.

д-р техн. наук, проф.

г. Махачкала

D. Sc., Professor

Makhachkala, 367015

pashka1602@rambler.ruХачумовМ. В.KhachumovM. V.

канд. физ.-мат. наук, ст. науч. сотр.

Москва

Moscow, 117312117198, Moscow

khmike@ribox.ruДагестанский государственный технический университетРоссияDagestan State Technical UniversityRussian FederationФедеральный исследовательский центр "Информатика и управление" Российской Академии наук; Российский университет дружбы народовРоссияFederal Research Center "Informatics and Control" Russian Academy of Sciences; People’s Friendship University of RussiaRussian Federation202105042021224171180Copyright © Commercial Publisher «New Technologies», 20212021Commercial Publisher «New Technologies»Commercial Publisher «New Technologies»https://mech.novtex.ru/jour/about/submissions#copyrightNoticehttps://mech.novtex.ru/jour/article/view/972

Сформулированы основные принципы построения знакосигнального управления целесообразным поведением автономных интеллектуальных агентов в априори неописанных условиях проблемной среды. Уточнено понятие самоорганизующегося автономного интеллектуального агента как системы, способной к автоматическому целеполаганию при появлении в проблемной среде определенного вида условных и безусловных сигналов — знаков. Разработаны процедуры планирования целесообразного поведения автономных интеллектуальных агентов, предусматривающие имитацию отработки пробных действий в условиях неопределенности в процессе изучения закономерностей преобразования ситуаций проблемной среды, что позволяет избежать не связанных с достижением заданной цели изменений среды в процессе самообучения. Определены граничные оценки сложности предложенных процедур планирования целесообразного поведения, подтверждающие возможность их эффективной реализации на бортовом вычислителе автоматической системы управления целесообразной деятельностью автономных интеллектуальных агентов. Проведена имитация на персональном компьютере предложенных процедур планирования целенаправленного поведения, подтвердившая эффективность их использования для построения интеллектуальных решателей проблем автономных интеллектуальных агентов в целях наделения их способностью адаптироваться к априори неописанным условиям функционирования. Структурированы основные виды связей между различными условными и безусловными сигналами — знаками проблемной среды, что позволяет автономным интеллектуальным агентам приспосабливаться к сложным априори неописанным, нестабильным условиям функционирования.

We formulate the basic principles of constructing a sign-signal control for the expedient behavior of autonomous intelligent agents in a priori undescribed conditions of a problematic environment. We clarify the concept of a self-organizing autonomous intelligent agent as a system capable of automatic goal-setting when a certain type of conditional and unconditional signal — signs appears in a problem environment. The procedures for planning the expedient behavior of autonomous intelligent agents have been developed, that imitate trial actions under uncertainty in the process of studying the regularities of transforming situations in a problem environment, which allows avoiding environmental changes in the process of self-learning that are not related to the achievement of a given goal. Boundary estimates of the proposed procedures complexity for planning expedient behavior are determined, confirming the possibility of their effective implementation on the on-board computer of the automatic control system for the expedient activity of autonomous intelligent agents. We carry out an imitation on a personal computer of the proposed procedures for planning purposeful behavior, confirming the effectiveness of their use to build intelligent problem solvers for autonomous intelligent agents in order to endow them with the ability to adapt to a priori undescribed operating conditions. The main types of connections between various conditional and unconditional signal — signs of a problem environment are structured, which allows autonomous intelligent agents to adapt to complex a priori undescribed and unstable conditions of functioning.

автономный интеллектуальный агентцелесообразное поведениеусловия неопределенностизакономерности проблемной средысамообучениеэлементарный акт поведенияautonomous intelligent agentpurposeful behaviorconditions of uncertaintypatterns of problem environmentself-learningelementary act of behaviorИсследование выполнено при частичной финансовой поддержке РФФИ в рамках научных проектов № 17-29-07003 офи_м , №18-07-00025 а.The study was carried out with partial financial support from the Russian Foundation for Basic Research within the framework of scientific projects no 17-29-07003 ofi_m; no 18-07-00025 a.ReferencesПоддьяков Н. Н. Мышление дошкольника. М.: Педагогика, 1977. 277 с.Podd’yakov N. N. Preschooler thinking, Moscow, Pedagogika, 1977, 277 p. (in Russian).Анохин П. К. Системные механизмы высшей нервной деятельности. М.: Наука, 1979. 454 с.Anohin P. K. Systemic mechanisms of higher nervous activity, Moscow, Nauka, 1979, 454 p. (in Russian).Поспелов Д. А. Моделирование рассуждений. Опыт анализа мыслительных актов. М.: Радио и связь, 1989. 184 с.Pospelov D. A. Modeling reasoning. Experience in the analysis of mental acts, Moscow, Radio i svyaz’, 1989, 184 p. (in Russian).Kober J., Peters J. Learning Motor Skills: From Algorithms to Robot Experiments. Cham: Springer, 2014. 201 p.Kober J., Peters J. Learning Motor Skills: From Algorithms to Robot Experiments, Cham, Springer, 2014, 201 p.Kelly A. Mobile Robotics: Mathematics, Models, and Methods. Cambridge: Cambridge University Press, 2013. 808 p.Kelly A. Mobile Robotics: Mathematics, Models, and Methods, Cambridge, Cambridge University Press, 2013, 808 p.Мелехин В. Б. Модель представления и получения новых знаний автономным интеллектуальным роботом на основе логики условно-зависимых предикатов // Известия РАН. Теория и системы управления. 2019. № 5. С. 87—107.Melekhin V. B. Model of Representation and Acquisition of New Knowledge by an Autonomous Intelligent Robot Based on the Logic of Conditionally Dependent Predicates, Izvestiya Rossijskoj akademii Nauk. Teoriya i Sistemy Upravleniya, 2019, no 5, pp. 87—107.Берштейн Л. С., Мелехин В. Б. Организация знакосигнального принципа управления целесообразным поведением интегрального робота // Автоматика и телемеханика. 1991. № 12. С. 118—127.Bershtejn L. S., Melekhin V. B. Organization of a sign-signal principle for controlling the expedient behavior of an integral robot, Avtomatika i Telemekhanika, 1991, no 12, pp. 118—127 (in Russian).Шингаров Г. Х. Условные рефлексы и проблема знака и значения. М.: Наука, 1986. 200 с.Shingarov G. H. Conditioned reflexes and the problem of sign and meaning, Moscow, Nauka, 1986, 200 p. (in Russian).Берштейн Л. С., Мелехин В. Б. Планирование поведения интеллектуального робота. М.: Энегоатомиздат, 1994. 240 с.Bershtejn L. S., Melekhin V. B. Planning the behavior of an intelligent robot, Moscow, Enegoatomizdat, 1994, 240 p. (in Russian).Кулинич А. А., Карпов В. Э., Карпова И. П. Социальные сообщества роботов. М.: URSS, ООО "ЛЕНАНД", 2019. 352 с.Kulinich A. A., Karpov V. E., Karpova I. P. Social communities of robots, Moscow, URSS, LENAND, 2019, 352 p. (in Russian).Саймон Д. Алгоритмы эволюционной оптимизации. М.: ДМК Пресс, 2020. 940 с.Sajmon D. Algorithms of evolutionary optimization, Moscow, DMK Press, 2020, 940 p. (in Russian).Берштейн Л. С., Мелехин В. Б. Планирование полифазного поведения самоорганизующихся интеллектуальных систем // Известия РАН. Теория и системы управления. 2000. № 5. С. 62—65.Bershtejn L. S., Melekhin V. B. Planirovanie polifaznogo povedeniya samoorganizuyushchihsya intellektual’nyh system, Izvestiya Rossijskoj akademii Nauk. Teoriya i Sistemy Upravleniya, 2000, no 5, pp. 62—65 (in Russian).Мелехин В. Б., Хачумов М. В. Нечеткие семантические сети как адаптивная модель представления знаний автономных интеллектуальных систем // Искусственный интеллект и принятие решений. 2020. № 3. С. 61—72.Melekhin V. B., Hachumov M. V. Fuzzy semantic networks as an adaptive model for representing knowledge of autonomous intelligent systems, Iskusstvennyj Intellekt i Prinyatie Reshenij, 2020, no 3, pp. 61—72 (in Russian).Растригин Л. А., Риппа К. К. Автоматная теория случайного поиска. Рига: Зинатне, 1973. 340 с.Rastrigin L. A., Rippa K. K. Automata theory of random search, Riga, Zinatne, 1973, 340 p.Брайнес С. Н., Напалков А. Н., Свечинский В. Б. Нейрокибернетика. М.: Госмедиздат, 1962. 172 с.Brajnes S. N., Napalkov A. N., Svechinskij V. B. Neurocybernetics, Moscow, Gosmedizdat, 1962, 172 p. (in Russian).Норвиг П. Искусственный интеллект. Современный подход. Руководство. М.: Вильямс. 2015. 1408.Norvig P. Artificial intelligence. Modern approach, Leadership, Moscow, Vil’yams. 2015, 1408 p. (in Russian).Kilani Y., Bsoul M., Alsarhan A., Al-Khasawneh A. A. Survey of the Satisfiability-Problems Solving Algorithms // Intern. J. Advanced Intelligence Paradigms. 2013. Vol.5, N.3. P. 233—256.Kilani Y., Bsoul M., Alsarhan A., Al-Khasawneh A. A. Survey of the Satisfiability-Problems Solving Algorithms, Intern. J. Advanced Intelligence Paradigms, 2013, no. 3, vol. 5, pp. 233—256.La Valle S. M. Planning Algorithms. Cambridge: Cambridge University Press, 2006. 844 p.La Valle S. M. Planning Algorithms, Cambridge, Cambridge University Press, 2006, 844 p.

The authors declare that there are no conflicts of interest present.