Multiagentensystem

Ein Multiagentensystem ( MAS ) oder „selbstorganisiertes System“ ist ein Rechensystem, das aus mehreren interagierenden intelligenten Agenten besteht . ^{[ 1 ] [ 2 ] [ 3 ]} Multiagentensysteme können Probleme lösen, die für einen einzelnen Agenten oder ein monolithisches System schwierig oder unmöglich zu lösen sind. ^{[ 4 ]} Intelligenz kann methodische , funktionale , prozedurale Ansätze, algorithmische Suche oder bestärkendes Lernen umfassen . ^{[ 5 ]} Mit den Fortschritten bei großen Sprachmodellen (LLMs) haben sich LLM-basierte Multiagentensysteme als neues Forschungsgebiet etabliert, das komplexere Interaktionen und eine bessere Koordination zwischen den Agenten ermöglicht. ^{[ 6 ]}

Trotz erheblicher Überschneidungen ist ein Multiagentensystem nicht immer mit einem agentenbasierten Modell (ABM) gleichzusetzen. Ziel eines ABM ist es, Erklärungsansätze für das kollektive Verhalten von Agenten (die nicht notwendigerweise „intelligent“ sein müssen) zu finden, die einfachen Regeln folgen, typischerweise in natürlichen Systemen, und nicht zur Lösung spezifischer praktischer oder ingenieurtechnischer Probleme. Die Terminologie ABM wird tendenziell häufiger in den Naturwissenschaften verwendet, während MAS eher in den Ingenieurwissenschaften und der Technologie zum Einsatz kommt. ^{[ 7 ]} Anwendungsgebiete, in denen die Forschung zu Multiagentensystemen einen geeigneten Ansatz bieten kann, sind beispielsweise Online-Handel ^{[ 8 ]} , Katastrophenhilfe ^{[ 9 ] [ 10 ]} , Zielüberwachung ^{[ 11 ]} und die Modellierung sozialer Strukturen ^{[ 12 ] .}

Multiagentensysteme bestehen aus Agenten und ihrer Umgebung . In der Forschung zu Multiagentensystemen werden üblicherweise Softwareagenten betrachtet . Die Agenten in einem Multiagentensystem können jedoch ebenso gut Roboter, Menschen oder Teams aus Menschen sein und auch aus kombinierten Mensch-Agenten-Teams bestehen.

Agenten lassen sich in verschiedene Typen unterteilen, von einfach bis komplex. Zu den Kategorien gehören:

• Passive Agenten ^{[ 13 ]} oder „Agenten ohne Ziele“ (wie etwa ein Hindernis, ein Apfel oder ein Schlüssel in einer einfachen Simulation)
• Aktive Agenten ^{[ 13 ]} mit einfachen Zielen (wie Vögel im Schwarmverhalten oder Wolf und Schaf im Räuber-Beute-Modell )
• Kognitive Agenten, deren Überzeugungen, Wünsche, Absichten und Verpflichtungen durch logische, probabilistische und neuronale Netzwerk-basierte Schlussfolgerungen verarbeitet werden

Agentenumgebungen lassen sich unterteilen in:

• Virtuell
• Diskret
• Kontinuierlich

Agentenumgebungen lassen sich auch anhand von Eigenschaften wie Zugänglichkeit (ob vollständige Informationen über die Umgebung verfügbar sind), Determinismus (ob eine Aktion eine eindeutige Wirkung hat), Dynamik (wie viele Entitäten die Umgebung im jeweiligen Moment beeinflussen), Diskretität (ob die Anzahl möglicher Aktionen in der Umgebung endlich ist), Episodizität (ob Agentenaktionen in bestimmten Zeiträumen andere Zeiträume beeinflussen) ^{[ 14 ]} und Dimensionalität (ob räumliche Merkmale wichtige Faktoren der Umgebung darstellen und der Agent den Raum in seine Entscheidungsfindung einbezieht) ^{[ 15 ]} organisieren. Agentenaktionen werden typischerweise über eine geeignete Middleware vermittelt. Diese Middleware bietet eine erstklassige Designabstraktion für Multiagentensysteme und ermöglicht die Steuerung des Ressourcenzugriffs und die Agentenkoordination. ^{[ 16 ]}

Die Agenten in einem Multiagentensystem weisen mehrere wichtige Eigenschaften auf: ^{[ 17 ].}

• Autonomie: Agenten sind zumindest teilweise unabhängig, selbstbewusst und autonom.
• Lokale Sichtweisen: Kein Agent verfügt über eine vollständige globale Sicht, oder das System ist zu komplex, als dass ein Agent solches Wissen nutzen könnte.
• Dezentralisierung: Kein Akteur wird als Kontrollinstanz bestimmt (oder das System wird effektiv auf ein monolithisches System reduziert) ^{[ 18 ].}

Multiagentensysteme können Selbstorganisation , Selbststeuerung und andere Kontrollparadigmen sowie damit verbundene komplexe Verhaltensweisen zeigen, selbst wenn die individuellen Strategien aller Agenten einfach sind. Wenn Agenten Wissen mithilfe einer vereinbarten Sprache innerhalb der Grenzen des Kommunikationsprotokolls des Systems austauschen können, kann dies zu einer gemeinsamen Verbesserung führen. Beispiele für solche Sprachen sind Knowledge Query Manipulation Language (KQML) oder Agent Communication Language (ACL).

Entscheidungsprotokolle in Multiagentensystemen bezeichnen die strukturierten Regeln und Verfahren, die Agenten befolgen, um kollektive Entscheidungen oder Vereinbarungen zu treffen. Diese Protokolle legen fest, wie Agenten Informationen austauschen, verhandeln und Konflikte lösen, um koordiniertes Verhalten und effektive gemeinsame Aktionen zu gewährleisten. Entscheidungsprotokolle reichen von Abstimmungsmechanismen bis hin zu Konsensfindungsalgorithmen und beeinflussen die Effizienz und Zuverlässigkeit der Interaktionen zwischen den Agenten maßgeblich. ^{[ 19 ]}

Viele Multiagentensysteme (MAS) werden in Computersimulationen implementiert, wobei das System in diskreten „Zeitschritten“ abläuft. Die MAS-Komponenten kommunizieren typischerweise über eine gewichtete Anforderungsmatrix, z. B.

Geschwindigkeit – SEHR WICHTIG: Mindestens 45 mph, Pfadlänge - MITTLERE_WICHTIGKEIT: max=60 erwartetMax=40, Maximalgewicht - UNWICHTIG Vertragspriorität – REGULÄR 

und eine gewichtete Antwortmatrix, z. B.

Geschwindigkeit-min:50, aber nur bei sonnigem Wetter. Weglänge: 25 bei Sonnenschein / 46 bei Regen Vertragspriorität – REGULÄR Hinweis: Der Krankenwagen hat Vorrang vor dieser Priorität, Sie müssen also warten. 

Ein Challenge-Response-Vertragsschema ist in MAS-Systemen üblich, wo

• Zuerst wird die Frage „ Wer kann? “ verteilt.
• Nur die relevanten Komponenten antworten: " Ich kann, zu diesem Preis . "
• Schließlich wird ein Vertrag aufgesetzt, üblicherweise in mehreren kurzen Kommunikationsschritten zwischen den Parteien.

auch unter Berücksichtigung anderer Komponenten, sich entwickelnder "Verträge" und der Einschränkungsmengen der Komponentenalgorithmen.

Ein weiteres, häufig im Zusammenhang mit MAS verwendetes Paradigma ist das „ Pheromon “, bei dem Komponenten Informationen für andere, nahegelegene Komponenten hinterlassen. Diese Pheromone können mit der Zeit verdunsten oder sich konzentrieren, d. h. ihre Konzentration kann abnehmen (oder zunehmen).

Multiagentensysteme (MAS) finden tendenziell selbstständig die beste Lösung für ihre Probleme. Dies ähnelt physikalischen Phänomenen wie der Energieminimierung, bei der physikalische Objekte innerhalb ihrer physikalischen Grenzen den niedrigstmöglichen Energiebedarf anstreben. Beispielsweise stehen viele der Autos, die morgens in eine Großstadt einfahren, abends noch zur Verfügung, um dieselbe Stadt zu verlassen.

Die Systeme neigen außerdem dazu, die Ausbreitung von Fehlern zu verhindern, sich selbst zu reparieren und fehlertolerant zu sein, hauptsächlich aufgrund der Redundanz der Komponenten.

Die Erforschung von Multiagentensystemen befasst sich mit der Entwicklung und Analyse komplexer KI- Problemlösungs- und Steuerungsarchitekturen für Einzelagenten- und Mehragentensysteme. ^{[ 20 ]} Zu den Forschungsthemen gehören:

• agentenorientierte Softwareentwicklung
• Überzeugungen, Wünsche und Absichten ( BDI )
• Zusammenarbeit und Koordination
• verteilte Optimierung mit Nebenbedingungen (DCOPs)
• Organisation
• Kommunikation
• Verhandlung
• verteilte Problemlösung
• Multiagentenlernen ^{[ 21 ]}
• Agenten-Mining
• wissenschaftliche Gemeinschaften (z. B. zu biologischem Schwarmverhalten, Sprachentwicklung und Ökonomie) ^{[ 22 ] [ 23 ]}
• Zuverlässigkeit und Fehlertoleranz
• Robotik, ^{[ 24 ]} Multi-Robotersysteme (MRS), Robotercluster
• Multiagentensysteme bieten auch mögliche Anwendungen in der Mikrorobotik ^{[ 25 ]} , wo die physikalische Interaktion zwischen den Agenten genutzt wird, um komplexe Aufgaben wie die Manipulation und Montage passiver Komponenten auszuführen.
• Sprachmodellbasierte Multiagentensysteme ^{[ 6 ]}

Ein Multiagentensystem (MAS) umfasst mehr als nur die Entwicklung eines intelligenten Systems. Es liefert auch Erkenntnisse über die Interaktionen zwischen Menschen, die sich in verschiedenen Gruppen, Gremien, Gesellschaften und Wirtschaftssystemen organisieren, um ihr Leben zu verbessern. So untersuchen Ökonomen beispielsweise seit Adam Smith im 18. Jahrhundert, also seit über zweihundert Jahren, Multiagentensysteme mit dem Ziel, Wirtschaftssysteme zu verstehen und vorherzusagen. Die Wirtschaftswissenschaften bieten Methoden zur Charakterisierung von Massen von Akteuren, die für die Entwicklung digitaler künstlicher Systeme (DAI) nützlich sind. Umgekehrt ermöglicht DAI die Konstruktion künstlicher Wirtschaftssysteme, mit denen sich ökonomische Theorien vor ihrer Anwendung testen lassen.

Es haben sich Frameworks herausgebildet, die gemeinsame Standards implementieren (wie die FIPA- und OMG -MASIF-Standards). ^{[ 26 ]} Diese Frameworks, z. B. JADE , sparen Zeit und tragen zur Standardisierung der MAS-Entwicklung bei. ^{[ 27 ]}

Derzeit wird jedoch kein Standard von FIPA oder OMG aktiv gepflegt. Die Weiterentwicklung von Softwareagenten im industriellen Kontext wird im technischen Komitee für Industrieagenten des IEEE IES vorangetrieben. ^{[ 28 ]}

Mit den Fortschritten bei großen Sprachmodellen (LLMs) wie ChatGPT haben sich LLM-basierte Multiagenten-Frameworks wie CAMEL [29, ^{6 ] als neues Paradigma für} die Entwicklung von Multiagentenanwendungen etabliert. Jüngste Arbeiten haben gezeigt, dass sich solche diskussionsorientierten Systeme in ihrer Orchestrierung unterscheiden (z. B. Diskussionsparadigmen ^{[ 30 ]} ). Das MALLM-Framework dient der systematischen Evaluierung möglicher Framework-Konfigurationen ^{[ 31 ] .}

Multiagentensysteme (MAS) finden nicht nur in der akademischen Forschung, sondern auch in der Industrie Anwendung. ^{[ 32 ]} Sie werden in der Praxis beispielsweise in Computerspielen eingesetzt. Auch in Filmen kommen Agentensysteme zum Einsatz. ^{[ 33 ]} Ihr Einsatz in Netzwerk- und Mobiltechnologien wird weithin befürwortet, um automatische und dynamische Lastverteilung, hohe Skalierbarkeit und selbstheilende Netzwerke zu realisieren. Sie werden auch für koordinierte Verteidigungssysteme verwendet.

Weitere Anwendungsgebiete ^{[ 34 ]} sind Transportwesen , ^{[ 35 ]} Logistik, ^{[ 36 ]} Grafik, Fertigung, Energiesysteme , ^{[ 37 ]} intelligente Stromnetze , ^{[ 38 ]} und GIS .

Auch Multiagentensysteme der Künstlichen Intelligenz (MAAI) werden zur Simulation von Gesellschaften eingesetzt, wobei deren Zweck in den Bereichen Klima, Energie, Epidemiologie , Konfliktmanagement , Kindesmissbrauch usw. hilfreich ist. ^{[ 39 ]}

Zu den Organisationen, die sich mit der Anwendung von Multiagentensystemmodellen beschäftigen, gehören das Center for Modelling Social Systems ^{[ 40 ]} , das Centre for Research in Social Simulation ^{[ 41 ] , das Centre for Policy Modelling und die Society for Modelling and Simulation International [ 39 ]} .

Der Fahrzeugverkehr mit gesteuerten autonomen Fahrzeugen kann als Multiagentensystem unter Einbeziehung der Dynamik von Menschenmengen modelliert werden. ^{[ 42 ]}

Hallerbach et al. diskutierten die Anwendung agentenbasierter Ansätze zur Entwicklung und Validierung automatisierter Fahrsysteme mittels eines digitalen Zwillings des Testfahrzeugs und einer mikroskopischen Verkehrssimulation auf Basis unabhängiger Agenten. ^{[ 43 ]} Waymo hat mit Carcraft eine Multiagenten-Simulationsumgebung entwickelt, um Algorithmen für autonome Fahrzeuge zu testen . ^{[ 44 ] [ 45 ]} Sie simuliert die Interaktionen zwischen menschlichen Fahrern, Fußgängern und automatisierten Fahrzeugen im Straßenverkehr. Das Verhalten von Verkehrsteilnehmern wird durch künstliche Agenten anhand von Daten realen menschlichen Verhaltens nachgebildet.

• Wooldridge, Michael (2002). Einführung in Multiagentensysteme . John Wiley & Sons . S. 366. ISBN 978-0-471-49691-5Die
• Shoham, Yoav; Leyton-Brown, Kevin (2008). Multiagentensysteme: Algorithmische, spieltheoretische und logische Grundlagen . Cambridge University Press . S. 496. ISBN 978-0-521-89943-7Die
• Mamadou, Tadiou Koné; Shimazu, A.; Nakajima, T. (August 2000). „Der Stand der Technik bei Agentenkommunikationssprachen (ACL)“ . Knowledge and Information Systems . 2 (2): 1–26 .
• Hewitt, Carl; Inman, Jeff (November–Dezember 1991). „DAI Betwixt and Between: From "Intelligent Agents" to Open Systems Science“ (PDF) . IEEE Transactions on Systems, Man, and Cybernetics . 21 (6): 1409–1419 . doi : 10.1109/21.135685 . S2CID  39080989. Archiviert vom Original (PDF) am 31. August 2017.
• Das Journal of Autonomous Agents and Multi-Agent Systems (JAAMAS)
• Weiss, Gerhard (Hrsg.). (1999). Multiagentensysteme: Ein moderner Ansatz für verteilte künstliche Intelligenz . MIT Press. ISBN 978-0-262-23203-6Die
• Ferber, Jacques (1999). Multiagentensysteme: Eine Einführung in die Künstliche Intelligenz . Addison-Wesley. ISBN 978-0-201-36048-6Die
• Weyns, Danny (2010). Architekturbasierter Entwurf von Multiagentensystemen . Springer. ISBN 978-3-642-01063-7Die
• Sun, Ron (2006). Kognition und Multiagenten-Interaktion . Cambridge University Press . ISBN 978-0-521-83964-8Die
• Keil, David; Goldin, Dina (2006). Weyns, Danny; Parunak, Van; Michel, Fabien (Hrsg.). Indirekte Interaktion in Umgebungen für Multiagentensysteme . LNCS 3830. Band 3830. Springer . S.  68–87 . doi : 10.1007/11678809_5 . ISBN 978-3-540-32614-4Die{{cite book}}: |journal=ignoriert ( Hilfe )
• Whitestein-Reihe zu Software-Agententechnologien und autonomem Rechnen , herausgegeben von Springer Science+Business Media Group
• Salamon, Tomas (2011). Entwurf agentenbasierter Modelle: Entwicklung von Computersimulationen zum besseren Verständnis sozialer Prozesse . Bruckner Publishing. ISBN 978-80-904661-1-1Die
• Russell, Stuart J.; Norvig , Peter (2003), Künstliche Intelligenz: Ein moderner Ansatz (2. Aufl.), Upper Saddle River, New Jersey: Prentice Hall, ISBN 0-13-790395-2
• Fasli, Maria (2007). Agententechnologie für den E-Commerce . John Wiley & Sons . S. 480. ISBN 978-0-470-03030-1Die
• Cao, Longbing, Gorodetsky, Vladimir, Mitkas, Pericles A. (2009). Agent Mining: Die Synergie von Agenten und Data Mining , IEEE Intelligent Systems, Bd. 24, Nr. 3, 64-72.