Публикационная активность
(сведения по итогам 2021 г.)
2-летний импакт-фактор РИНЦ: 0,441
2-летний импакт-фактор РИНЦ без самоцитирования: 0,408
Двухлетний импакт-фактор РИНЦ с учетом цитирования из всех
источников: 0,704
5-летний импакт-фактор РИНЦ: 0,417
5-летний импакт-фактор РИНЦ без самоцитирования: 0,382
Суммарное число цитирований журнала в РИНЦ: 9837
Пятилетний индекс Херфиндаля по цитирующим журналам: 149
Индекс Херфиндаля по организациям авторов: 384
Десятилетний индекс Хирша: 71
Место в общем рейтинге SCIENCE INDEX за 2021 год: 196
Место в рейтинге SCIENCE INDEX за 2021 год по тематике "Автоматика. Вычислительная техника": 4
Место в рейтинге SCIENCE INDEX за 2021 год по тематике "Кибернетика" 2
Больше данных по публикационной активности нашего журнале за 2008-2021 гг. на сайте РИНЦ
Добавить в закладки
Следующий номер на сайте
Планирование поведения агентов на основе приобретенных знаний
Аннотация:
Abstract:
Авторы: Виноградов Г.П. (wgp272ng@mail.ru) - Тверской государственный технический университет (профессор), Тверь, Россия, доктор технических наук, Лазырин М.Б. () - | |
Ключевое слово: |
|
Ключевое слово: |
|
Количество просмотров: 9254 |
Версия для печати Выпуск в формате PDF (1.11Мб) |
При практической реализации агентных систем, а особенно систем с использованием интеллектуальных агентов, основной задачей является обеспечение их интеллектуального поведения. Поведение агентов основывается на механизмах принятия решений, в свою очередь, принятие решений может происходить рефлекторно и описываться программой или на основе логического вывода при помощи некоторых данных [2]. Наиболее близко к интеллектуальному адаптивное поведение, реализованное на основе накопленных знаний. В работе предлагается модификация метода планирования поведения агентов. В основу обучающейся планирующей системы автономного агента взят метод планирования автономных агентов команды PSI [1] . Представим агента команды PSI как множество: Полное состояние агента может быть представлено как: Идея выработки планов [1] строится на понятиях расширенного плана и планирующей функции, а также на определении элементарного плана как четверки 1. 2. Если план 3. Если элементарные планы В [1] расширенный план определен как слово языка планов 1. 2. Если 3. Если 4. Если Планирующая функция в [1] определена как отображение: Правила работы планирующей функции [1]: 1. Если 2. Если 3. 4. Во всех остальных случаях Очевидно, что модель обучающегося агента будет отличаться от модели агента Представим обучающегося агента как множество: Обучение агента производится за счет изменения нечетких показателей отношения Обучение агента происходит в соответствии со следующими правилами. 1. Если 2. Если 3. Если Предварительная настройка системы ложится на разработчиков, в частности назначение первоначальных значений нечетких показателей отношений прерываемости и приоритетов в базе знаний агента, но предлагаемый подход предполагает их подстройку в процессе функционирования. Дальнейшим развитием системы может являться динамическое расширение семейств частичных приоритетов за счет представления их как Список литературы 1. Кожушкин А.Н. Метод планирования автономных агентов команды PSI // Тр. Междунар. конф.: Интеллектуальное управление: новые интеллектуальные технологии в задачах управления (ICIT'99) (декабрь 1999, Переславль-Залесский). – www.raai.org. 2. Клышинский Э.С. Одна модель построения агента // Там же. 3. Поспелов Д.А. Многоагентные системы – настоящее и будущее // Информационные технологии и вычислительные системы. – 1998. – № 1. – С.14 – 21. 4. Чекинов Г.П., Чекинов С.Г. Применение технологии многоагентных систем для интеллектуальной поддержки принятия решения (ИППР) //Сетевой электрон. науч. журн. "Системотехника". – 2003. – № 1. |
Постоянный адрес статьи: http://swsys.ru/index.php?page=article&id=462 |
Версия для печати Выпуск в формате PDF (1.11Мб) |
Статья опубликована в выпуске журнала № 3 за 2006 год. |
Возможно, Вас заинтересуют следующие статьи схожих тематик:
- Новый подход к проблеме коллективного выбора на базе удовлетворения взаимных требований сторон
- Эвристические и точные методы программной конвейеризации циклов
- Место XML-технологий в среде современных информационных технологий
- Построение маршрута с максимальной пропускной способностью методом последовательного улучшения оценок
- Параллельная обработка в алгоритмах визуализации с трассировкой лучей
Назад, к списку статей