CC BY
34
- © А.Н. Гончаренко, 2015
УДК 65.011.56
А.Н. Гончаренко
ВОЗМОЖНОСТИ УПРАВЛЕНИЯ ТРАНСПОРТНОЙ СЕТЬЮ ГОРНОПРОМЫШЛЕННОГО ПРЕДПРИЯТИЯ НА ОСНОВЕ МУЛЬТИАГЕНТНЫХ СИСТЕМ
Рассмотрены перспективы и возможности использования мультиагентных систем и технологий в транспортной сети горнопромышленного предприятия, где за основу построения берется большая сенсорная сеть, а программная реализация осуществляется с применением современных средств разработки мультиагентных систем. В дальнейшем данная система позволит решать большинство задач управления транспортной сетью в условиях динамических и стохастических процессов горнопромышленного предприятия, которое будет осуществляться на основе принципов коллективного управления, что позволит быстро принимать наиболее оптимальные решения.
Ключевые слова: горнопромышленное предприятие, мультиагентная система, интеллектуальные агенты, транспортная сеть, сенсорная сеть, коллективное управление.
Опыт последнего десятилетия по решению некоторых практических задач функционирования горнопромышленных предприятий показал, что интеллектуальные технологии оказываются наиболее востребованными и экономически оправданными при разработке современных систем автоматизированного управления. На сегодняшний день интеллектуализация промышленных предприятий является основным направлением развития современных технологий. А большинство информационно-управляющих систем горнопромышленных предприятий уже имеют возможности использования элементов искусственного интеллекта. Практический опыт работы ведущих промышленных фирм и компаний, занимающихся проблемами автоматизации управления, показывает большие возможности использования интеллектуальных систем в горном транспорте предприятия.
Это позволит на транспортной сети горнопромышленного предприятия решить следующие задачи управления:
• достижение консенсуса или согласования характеристик, в которых каждый агент транспортной сети стремится уменьшить отклонение своей целевой переменной от соответствующих переменных своих соседей. Если речь идет об отклонении от среднего арифметического состояний соседей, то ставится задача достижения усредненного консенсуса. Задача по переводу группы агентов в не которое общее состояние называется задачей о рандеву (англ. rendezvous). В ней требуется, чтобы все агенты оказались в заданном месте в заданное время [6].
• управление формациями (англ. formation control) управление локально взаимодействующими агентами транспортной сети, образующими некоторые геометрические конфигурации. Такие задачи обычно решаются применительно такого взаимодействия как экскаватор - самосвал, самосвал - самосвал и т.д. Задачи группового управления (управления формациями) сводятся к задачам частичной координатной синхрониза-
ции с помощью метода виртуального лидера. [7]
• задачи диспетчеризации (англ. scheduling), которые сводятся к задаче достижения консенсуса.
Согласованность взаимодействия всех агентов мультиагентной системы возможно реализовать с помощью принципов коллективного управления, которое заключается в том, что каждый агент транспортной сети самостоятельно управляет процессом своего функционирования и определяет свои действия, а также согласовывает эти действия с действиями других агентов, для того чтобы наиболее эффективно, с минимальными затратами и максимальной выгодой для группы, решить целевую задачу.
Основные принципы коллективного управления [8]:
• каждый член коллектива группы самостоятельно формирует свое управление (определяет свои действия) в текущей ситуации;
• формирование управлений (выбор действий) каждым членом коллектива осуществляется только на основе информации о коллективной цели, стоящей перед группой, ситуации в среде в предыдущей отрезок и в текущий момент времени, своем текущем состоянии и текущих действиях других членов коллектива;
• в качестве оптимального управления (действия) каждого члена коллектива в текущей ситуации понимается такое управление (действие), которое вносит максимально возможный вклад в достижение общей (коллективной) цели или, иными словами, дает максимально возможное приращение целевого функционала при переходе системы «коллектив среда» из текущего состояния в конечное;
• оптимальное управление реализуется членами коллектива в течение ближайшего отрезка времени в будущем, а затем определяется новое управление;
• допускается принятие компромиссных решений, удовлетворяющих всех членов коллектива, то есть каждый член коллектива может отказываться от действий, приносящих ему максимальную выгоду, если эти действия приносят малые выгоды или даже ущерб коллективу в целом [9].
В отличие от групповою управления, которое может быть как централизованным, так и децентрализованным, коллективное управление группой агентов всегда децентрализованное по своей сути. Поэтому описанный метод коллективного управления агентами транспортной сети горнопромышленного предприятия наиболее эффективен при реализации в мультиагентных системах. Основное преимущество относительно низкая вычислительная сложность алгоритмов, что позволяет быстро принимать если не оптимальные, то близкие к ним решения в условиях динамически изменяющейся ситуации на горнопромышленном предприятии [10].
В итоге, цель функционирования мультиагентной транспортной системы необходимо определить как необходимость более полного и своевременного удовлетворения потребностей в перевозке грузов.
На открытых горных разработках данная мультиагентная система позволит оперативно управлять горнотранспортным процессом и решать следующие задачи:
• планирование выемки и погрузка горной массы по условиям оптимального ведения горных работ и наилучшего усреднения полезного ископаемого, планирование работы железнодорожных составов по критерию наилучшего использования горного и транспортного оборудования;
• оперативное управление движением с выбором маршрутов следования и моментов отправления каждого состава по выбору очередного адреса
Рис. 1. Схемы построения программного обеспечения
назначения каждого автосамосвала после выполнения им предыдущего рейса.
В настоящее время существуют десятки примеров действующих и вновь разрабатываемых интеллектуальных систем на транспорте:
1. Интеллектуальный поезд со встроенной системой автоведения и самодиагностики [1].
2. Автоматизированная система управления перевозками с решением задач оптимизации на основе интеллектуальных логистических систем [2].
3. Комплексная многофункциональная микропроцессорная система интервального регулирования и обеспечения безопасности движения поездов с использованием СПУТНИКОВОЙ навигации системы «ГЛОНАСС» [3].
4. Высокотехнологичная российская система управления горнотранспортными комплексами - «КАРЬЕР».
5. Интегрированная интеллектуальная система горной автоматизации «КГМ ПК» [3].
6. Интегрированная система диспетчерского управления с интеллектуальными функциям поддержки принятия решений «ДЦ ЮГ с РКП» [2].
7. Интеллектуальные системы диагностирования состояния земляного полотна железнодорожных путей [4].
Возможность применения некоторых из них на горнопромышленном
предприятии видится весьма перспективным.
Дальнейшая перспектива использования интеллектуальных систем в горном транспорте заключается в принципиально новом методе решения задач. В отличие от классического способа, когда проводится поиск некоторого четко определенного (детерминированного) алгоритма, позволяющего найти наилучшее решение проблемы, в мультиагентных технологиях решение получается автоматически в результате взаимодействия множества самостоятельных целенаправленных программных модулей - так называемых агентов (рис. 1), что позволяет системе принять наиболее правильное решение в условиях неопределенности и непредсказуемой динамичной обстановке функционирования горнопромышленного предприятия.
В таких системах агенты способны взаимодействовать друг с другом путем переговоров и демонстрировать коллективный интеллект, возникающий в системе в форме спонтанных цепочек согласованных изменений планов агентами.
Обычно такие системы легко интегрируются с существующими коммуникаторами, учетно-контрольными системами предприятия, электронными картами, средствами GPS навига-
ции. RFID-чипами, что помогает успешному внедрению мультиагентных систем (МАС) в горном транспорте. Там неопределенность присутствует, когда существует набор альтернатив, и невозможно предсказать, какой из вариантов окажется лучшим по прошествии достаточно длительного времени. Например, при осуществлении движения горных самосвалов, существует выбор между несколькими, перевозящими руду и незагруженными грузовиками, дорогами, которые могут быть использованы для достижения разных точек назначения, а также водителями, либо автономными самосвалами. Каждый из ресурсов (самосвал, дорога и водитель) имеют различные свойства. Неопределенность возрастает в ситуациях, когда возможны непредсказуемые события, такие как изменения в условиях погрузки и разгрузки руды, аварии самосвалов, незапланированная поломка оборудования, экскаваторов и т.д.
Развитие агентно-ориентирован-ного подхода к построению интеллектуальных транспортных систем горнопромышленного предприятия предполагает рассмотрение интеллектуальной системы как сообщества естественных и искусственных агентов. В качестве естественных агентов на горном транспорте выступают индивидуальные агенты в лице работников, менеджеров, руководителей подразделений и групповые агенты в лице отдельных коллективов групп, подразделений и служб. В качестве искусственных агентов выступают такие физические единицы, как самосвалы, экскаваторы погрузочно-раз-грузочные устройства и другое транспортное оборудование [5].
Рис. 2. Основные функции транспортного агента
интеллектуального
На рис. 2 представлены основные функции интеллектуального транспортного агента горнопромышленного предприятия, как открытой системы. Понятно, что основой любого агента является сочетание трех понятий: «Ресурсы - Восприятие - Действие».
Используя данный принцип, можно представить простейшую схему интеллектуального агента транспортной сети горнопромышленного предприятия. Это машина оснащается комплектом датчиковой аппаратуры, необходимой для получения данных о состоянии узлов и агрегатов транспортного средства и параметров технологического процесса, в котором она задействована (рис. 3).
На этом принципе ключевую позицию в организации работы интеллектуального агента занимает «бортовой вычислитель» (работомер), совмещающий функции контроля, диагностики, автономного сбора, обработки и хранения технологической информации с регистрацией маршрутов следования.
Бортовой вычислитель обеспечивает регистрацию параметров работы автосамосвала, непрерывность сбора, обобщения показаний датчиков и хранение технологической информации.
Рис. 3. Схема расположения бортового оборудования интеллектуального агента транспортной сети горнопромышленного предприятия
Во время работы автосамосвалов бортовой комплекс представляет собой «черный ящик», который автоматически записывает в оперативную память все события технологического процесса, происходящие «на борту», а также осуществляет контроль над состоянием важнейших узлов и агрегатов транспортного средства (температуры охлаждающей жидкости двигателя, режима его работы, наработки машины, расхода топлива, массы перевезенного груза и многого другого).
Развитие мультиагентных технологий позволяет решать целый комплекс задач по хранению и обработке информации в области стохастических процессов транспортной сети горнопромышленного предприятия. В этом плане многообещающей является перспектива использования больших сенсорных сетей, представляющих из себя распределенную, самоорганизующуюся сеть множества датчиков (сенсоров) и исполнительных устройств, объединенных между собой посредством радиоканала. Об-
ласть покрытия подобной сети может составлять от нескольких метров до нескольких километров за счет способности ретрансляции сообщений от одного элемента к другому. Типовыми сенсорами являются датчики местоположения, температуры, давления, освещенности, уровня вибрации и пр. Каждый узел сенсорной сети может содержать различные датчики для контроля внешней среды, микрокомпьютер и радиоприемопередатчик. Использование данного сенсорного оборудования позволить создать мультиагентную систему управления транспортом горнопромышленного предприятия (рис. 4).
Реализация таких систем на сегодняшний день возможна с применением современных средств разработки MAC (таблица).
Достижение цели при решении вышеперечисленных задач может быть достигнута при определенном критерии, который необходимо определить как показатель, экстремальное значение которого характеризует степень соответствия хода функционирова-
ния мультиагентной транспортной системы поставленной цели и может быть оценен достигнутым значением функционала. Для этого необходимо отделить агента и среду.
Пусть в распоряжении агента имеются некоторое множество действий A(a1, a2... an). Действия агента влияют на среду, и агент в состоянии определить, в каком состоянии он находится в данный момент и получает то или иное вознаграждение от среды за свои действия R(a, s).
Для построения среды важно определить все множество возможных состояний среды 5^, s2... sn). А также матрицу переходов Т^, а, которая содержит вероятности достижения состояния s', если в состоянии
s было выполнено действие а. Предполагается, что эти переходы являются марковскими в том смысле, что вероятность достижения состояния s' из э зависит только от s, а не от истории пребывания в предыдущих состояниях. На данный момент запись Т^, а, может рассматриваться как большая трехмерная таблица, содержащая вероятности. Список возможных внешних событий и объектов, влияющих на поведение агента: динамические препятствия (люди, другие роботы и т.д.), статические препятствия (стены, рельеф и т.д.), препятствия, которые нельзя предвидеть (источники света, звука и т.д.).
Задачей агента является найти наилучшею стратегию. В данном случае
I_____________________J
Рис. 4. Реализация беспроводных сенсорных сетей горнопромышленного пред-
приятия
Средства разработки мультиагентных систем, которые возможно использовать на горнопромышленных предприятиях
№ Наименование Краткое описание
1 JADE (Java Agent Development Framework) Широко используемая программная среда для со здания мультиагентных систем и приложений, поддерживающая FIPA-стандарты для интеллектуальных агентов. Включает в себя среду выполнения агентов (агенты регистрируются и работают под управлением среды), библиотеку классов, которые используются для разработки агентных систем, набор графических утилит для администрирования и наблюдения за жизнедеятельностью активных агентов. Программная среда JADE подключается к любому проекту на языке Java. Агенты JADE могут быть совершенно разными от простых только реагирующих, до сложных ментальных.
2 JACK Intelligent Agents Java Платформа для создания мультиагентных систем. Так же как и JADE, расширяет Java своими классами. JACK одна из немногих платформ, где используются модель логики агентов, основанная убеждениях, желаниях-намерениях, и встроенные формально-логические средства планирования работы агентов.
3 MadKIT модульная и масштабируемая мультиагентная платформа, написанная на Java. Поддерживает агентов на разных языках: Java. Python, .Jess, Scheme, BeanSchell. Красиво визуализирует и позволяет управлять этими агентами.
4 AgentBuilder Большой коммерческий продукт, выпускаемый так же и в Academic Edition. Агенты достаточно интеллектуальны и общаются на языке KQML (Knowledge Query and Manipulation Language) и обладают ментальной моделью. Платформа является Java-ориентированной
5 Cougaar (Cognitive Agent Architecture) Java-ориентированная платформа для построения распределенных мультиагентных систем. Включает не только исполняющую систему (run-time engine), но и некоторые средства для визуализации, управления данными и др.
6 Net Log Кроссплатформенное программируемое окружение для программирования мультиагентных систем
7 VisualBots Бесплатный мультагентный симулятор в Microsoft Excel с Visual Basic синтаксисом
8 MASON Java библиотека для моделирования мультиагентных систем
9 REPAST Набор инструментов для создания систем, основанных на агентах.
она будет описываться 0-значениями, которые определяют полезность выполняемого действия в соответствующем состоянии. Для обозначения стоимости выполнения действия а в состоянии э будет использоваться запись Q(a, э). Процесс обучения позволит определить список интересов робота, и список ситуаций, которых он будет избегать. Причем обучение будет происходить автоматически, со-
гласно принципам работы нейронных сетей [6].
Один из вариантов реализации алгоритма управления роботом, основанного на нейросетевом математическом аппарате, является использование алгоритмов теории обучения с подкреплением [3]. Обучение с подкреплением представляет класс задач, в которых автономный агент, действуя в определенной среде, должен найти
оптимальную стратегию взаимодействия с ней. Одним из популярных методов, используемых для решения таких задач, является О-Ьеагшпд.
Информация для обучения автономного агента предоставляется в форме «награды» которая имеет определенное количественное значение для каждого перехода агента из одного состояния в другое. Никакой другой дополнительной информации для обучения агенту не предоставляется.
0(х(, а() ^ гх + у • maxQ(xt+1, а)
где г( - награда, полученная при переходе системы из состояния х( в состояние х(+1, а у - дисконт-фактор 0 < у < 1, а( - действие, выбранное в момент времени t из множества всех возможных действий А. Таким образом, Q представляет дисконтированную сумму награды, которую получит система с момента времени t. Данная сумма зависит от последовательности выбираемых действий, определяемой политикой управления. Системе требуется найти политику управления, которая максимизирует Q для каждого состояния.
Важным свойством использования нейросетевого аппарата для реализации управления агентом и, в частности, использование алгоритма Q-Learning является возможность его
применения даже в тех случаях, когда агент не имеет предварительных знаний о среде. Также достоинство данного метода - автоматическое обучение агента. Недостатком могут служить появление ошибок, зацикливаний при обучении, сложность реализации.
Таким образом, анализ производственных технологий и производственных транспортных систем горнопромышленных предприятий показал перспективу и возможности построения мультиагентных систем, так как это позволяет принимать наиболее правильное решение в условиях неопределенности и непредсказуемой динамичной обстановке функционирования горнопромышленного предприятия. Одной из форм построения таких систем является перспектива использования больших сенсорных сетей, а программная реализация возможна с применением современных средств разработки MAC, что позволит решить большинство задач управления транспортной сетью горнопромышленного предприятия, которое будет осуществляться на основе принципов коллективного управления. А разработанная модель мультиагент-ной системы повысить пропускную способность транспортной системы горнопромышленного предприятия.
1. Гончаренко А.Н. Системный анализ взаимодействия интеллектуальных агентов мультиагентных систем // Горный иформа-ционно-аналитический бюллетень. - 2014. -№ 1. - С. 231-237.
2. Гончаренко С.Н. Оценка влияния эффективности использования технологического оборудования на результаты производственно - хозяйственной деятельности горнодобывающего предприятия // Горный информационно-аналитический бюллетень. - 2007. - № 10. - С. 194-202.
3. Гончаренко С.Н., Ярощук И.В., Ши-ринкин М.С. Модели и методы выбора структуры информационных комплексов
- СПИСОК ЛИТЕРАТУРЫ
горнопромышленного предприятия с учетом факторов риска // Горный информационно-аналитический бюллетень. - 2009. - ОВ2 (специальный выпуск). Информатизация и управление. - С. 147-156.
4. Гончаренко С.Н., Дементьева Е.В. Обзор отечественных и зарубежных исследований по анализу риска возникновения аварийных ситуаций на горном предприятии // Горный информационно-аналитический бюллетень. - 2010. - № 10. - С. 177-185.
5. Ковалев С.М., Тарасов В.Б. Проблемы развития интеллектуальных технологий на транспорте и производстве / Автоматизация и механизация технологических процессов
на сортировочных станциях: Труды Международной научно-практической конференции - М., 2010.
6. Темкин И.О., Гончаренко А.Н. Проблемы моделирования взаимодействия интеллектуальных агентов на горнопромышленном предприятии // Научно-технические ведомости СПбГПУ. - 2013. - № 4-2 (183). -С. 252-258.
7. Темкин И.О., Бондаренко И.С., Баранникова И.В. Оценка параметров проекта на основе нейросетевых моделей // Горный информационный аналитический бюллетень. - 2012 - № 6 - С. 95-101.
8. Цветков В.Я. Интеллектуальная транспортная логистика // Железнодорожный транспорт. - 2011. - № 4.
9. Швецов А.Н., Яковлев С.А. Распределенные интеллектуальные информационные системы.- СПб.: Изд-во СПбГЭТУ «ЛЭТИ», 2013.
10. Федунец Н.И., Гончаренко С.Н. Оценка возможности управления производственными параметрами основных технологических циклов горнодобывающего предприятия // Горный информационно-аналитический бюллетень. - 2007. - № 9. -С. 230-239. ЕИЗ
КОРОТКО ОБ АВТОРЕ_
Гончаренко Алексей Николаевич - кандидат технических наук, доцент, e-mail: arw2001@ngs.ru, МГИ НИТУ «МИСиС».
UDC 65.011.56
POSSIBILITIES OF TRANSPORT NETWORK AT THE MINING ENTERPRISE MANAGEMENT ON A BASIS THE MULTIAGENTNY SYSTEMS
Goncharenko A.N., Candidate of Technical Sciences, Assistant Professor, e-mail: arw2001@ngs.ru, Moscow Mining Institute, National University of Science and Technology «MISiS».
In article prospects and use possibilities multiagentny systems and technologies in a transport network at the mining enterprise where the big touch network is taken as a construction basis are considered, and the program realization is enabled with application modern development tools the multiagentny systems. Further the given system will allow solving management the transport network majority problems in the conditions of dynamic and stochastic processes at the mining enterprise which will be carried out on the basis of the collective management principles that will allow making the most optimum decisions quickly.
Key words: mining enterprise, multiagentny system, intellectual agents, transport network, touch network, collective management.
REFERENCES
1. Goncharenko A.N. Gornyi iformatsionno-analiticheskii byulleten'. 2014, no 1, pp. 231-237.
2. Goncharenko A.N. Gornyi iformatsionno-analiticheskii byulleten'. 2007, no 10, pp. 194-202.
3. Goncharenko S.N., Yaroshchuk I.V., Shirinkin M.S. Gornyi informatsionno-analiticheskii byulleten'. 2009, special issue 2, Informatizatsiya i upravlenie, pp. 147-156.
4. Goncharenko S.N., Dement'eva E.V. Gornyi informatsionno-analiticheskii byulleten'. 2010, no 10, pp. 177-185.
5. Kovalev S.M., Tarasov V.B. Avtomatizatsiya i mekhanizatsiya tekhnologicheskikh protsessov na sortiro-vochnykh stantsiyakh: Trudy Mezhdunarodnoi nauchno-prakticheskoi konferentsii (Automation and Mechanization of Process Flows at Terminal Stations: International Conference Proceedings), Moscow, 2010.
6. Temkin I.O., Goncharenko A.N. Nauchno-tekhnicheskie vedomosti SPbGPU. 2013, no 4-2 (183), pp. 252-258.
7. Temkin I.O., Bondarenko I.S., Barannikova I.V. Gornyi informatsionnyi analiticheskii byulleten'. 2012, no 6, pp. 95-101.
8. Tsvetkov V.Ya. Zheleznodorozhnyi transport. 2011, no 4.
9. Shvetsov A.N., Yakovlev S.A. Raspredelennye intellektual'nye informatsionnye sistemy (Distributing intelligent information systems), Saint-Petersburg, Izd-vo SPbGETU «LETI», 2013.
10. Fedunets N.I., Goncharenko S.N. Gornyi informatsionno-analiticheskii byulleten'. 2007, no 9, pp. 230-239.
