Мультиагентная нейрокогнитивная модель системы управления согласованным поведением коллектива автономных агентов
И. А. Пшенокова, С. А. Канкулов, Б. А. Аталиков, А. З. Энес
Загрузить полный текст
Аннотация: Основная цель исследования состоит в разработке децентрализованной системы управления согласованным поведением коллектива автономных агентов на основе мультиагентной нейрокогнитивной архитектуры. Задача разработки децентрализованной системы управления решается на основе самоорганизации мультиагентных нейрокогнитивных архитектур автономных агентов в составе единой когнитивной архитектуры и формирования общего графа миссии. Вершинами графа будут сложные состояния, представляющие собой объединения состояний всех агентов в составе коллектива, а дугами – совокупности действий участников коллектива, ведущие из одних сложных состояний в другие.Представленная модель позволит создавать децентрализованные, гибкие и масштабируемые системы управления коллективом интеллектуальных агентов для решения сложных задач и может применяться в робототехнике.
Ключевые слова: система управления, мультиагентные системы, децентрализованные системы, интеллектуальный агент
Для цитирования. Пшенокова И. А., Канкулов С. А., Аталиков Б. А., Энес А. З. Мультиагентная нейрокогнитивная модель системы управления согласованным поведением коллектива автономных агентов // Известия Кабардино-Балкарского научного центра РАН. 2024. Т. 26. № 5. С. 138–146. DOI: 10.35330/1991-6639-2024-26-5-138-146
Список литературы
- Li Q., Gama F., Ribeiro A., Prorok A. Graph neural networks for decentralized multi-robot path planning. IEEE/RSJ international conference on intelligent robots and systems (IROS). Pp. 11785–11792. DOI: 10.1109/iros45743.2020.9341668
- Desaraju V., How J. Decentralized path planning for multi-agent teams with complex constraints. Autonomous Robots, 2012. No. 32(4). Pp. 385–403. DOI: 10.1007/s10514-012-9275-2
- Patwardhan A., Murai R., Davison A.J. Distributing collaborative multi-robot planning with gaussian belief propagation. IEEE Robotics and Automation Letters, 2023. No. 8(2). Pp. 552–559. DOI: 10.1109/LRA.2022.3227858
- Sharon G., Stern, R., Felner A., Sturtevant N.R. Conflict-based search for optimal multiagent pathfinding. Artificial Intelligence, 2012. 219. Pp. 40–66. DOI: 10.1016/j.artint.2014.11.006
- Gulati R., Wohlgezogen F., Zhelyazkov P. The two facets of collaboration: Cooperation and coordination in strategic alliances. Academy of Management Annals. 2012. No. 6(1). Pp. 531–583.
- Lumineau F., Wang W., Schilke O. Blockchain governance – A new way of organizing collaborations? Organization Science. 2021. No. 32(2). Pp. 500–521. DOI: 10.1287/orsc.2020.1379
- Fragapane G., de Koster R., Sgarbossa F., Strandhagen J. Planning and control of autonomous mobile robots for intralogistics: Literature review and research agenda. European Journal of Operational Research. 2021. Vol. 294 (2). Pp. 405–426. DOI: 10.1016/j.ejor.2021.01.019
- Turner J., Meng G., Schaefer G. et al. Distributed task rescheduling with time constraints for the optimization of total task allocations in a multirobot system. IEEE transactions on cybernetics. 2017. 48(9). Pp. 2583–2597. DOI: 10.1109/TCYB.2017.2743164
- Mkiramweni M.E. et al. A survey of game theory in unmanned aerial vehicles communications. IEEE Communications Surveys & Tutorials. 2019. 21(4). Pp. 3386–3416.
- Zhu X., Vanegas F., Gonzalez F. Decentralised multi-UAV cooperative searching multitarget in cluttered and GPS-denied environments. 2022 IEEE Aerospace Conference (AERO). IEEE, 2022. Pp. 1–10.
- Tkach I., Blackwell T. On the Optimization of systems using AI metaheuristics and evolutionary algorithms. International Conference on Production Research. Cham: Springer International Publishing, 2021. Pp. 253–271.
- Keskin M.O., Cantürk F., Eran C. et al. Decentralized multi-agent path finding framework and strategies based on automated negotiation. Auton Agent Multi-Agent Syst. Vol. 38. No. 10. DOI: 10.1007/s10458-024-09639-8
- Пшенокова И. А., Апшев А. З. Модель энергообмена между агнейронами в составе мультиагентной нейрокогнитивной архитектуры // Известия Кабардино-Балкарского научного центра РАН. 2023. № 5(115). С. 32–40. DOI: 10.35330/1991-6639-2023-5-115-32-40
- Nagoev Z., Pshenokova I., Nagoeva O., Kankulov S. Situational analysis model in an intelligent system based on multi-agent neurocognitive architectures. Journal of Physics: Conference Series. 2021. Vol. 2131. Article No. 022103. DOI: 10.1088/1742-6596/2131/2/022103
- Pshenokova I., Bzhikhatlov K., Kankulov S. et al. Simulation model of the neurocognitive system controlling an intellectual agent displaying exploratory behavior in the real world. In: Alexei V. Samsonovich. Tingting Liu Proceedings of the 14th Annual Meeting of the BICA Society. BICA 2023. Studies in Computational Intelligence (SCI). Vol. 1130. DOI: 10.1007/978-3-031-50381-8_76
Информация об авторах
Пшенокова Инна Ауесовна, канд. физ.-мат. наук, зав. лаб. «Интеллектуальные среды обитания», Институт информатики и проблем регионального управления – филиал Кабардино-Балкарского научного центра РАН;
360000, Россия, г. Нальчик, ул. И. Арманд, 37-а;
pshenokova_inna@mail.ru, ORCID: https://orcid.org/0000-0003-3394-7682, SPIN-код: 3535-2963
Канкулов Султан Ахмедович, мл. науч. сотр. лаборатории «Нейрокогнитивные автономные интеллектуальные системы», Кабардино-Балкарский научный центр РАН;
360000, Россия, г. Нальчик, ул. И. Арманд, 37-а;
skankulov@mail.ru, ORCID: https://orcid.org/0000-0002-2996-7376, SPIN-код: 4342-5381
Аталиков Борис Анзорович, мл. науч. сотр. лаборатории «Нейрокогнитивные автономные интеллектуальные системы», Кабардино-Балкарский научный центр РАН;
360000, Россия, г. Нальчик, ул. И. Арманд, 37-а;
atalikov10@gmail.com
Энес Ахмед Зюлфикар, мл. науч. сотр. лаборатории «Нейрокогнитивные автономные интеллектуальные системы», Кабардино-Балкарский научный центр РАН;
360000, Россия, г. Нальчик, ул. И. Арманд, 37-а;
ahmedenes@mail.ru, ORCID: https://orcid.org/0000-0003-3633-4910, SPIN-код: 3643-1808