Calculating optimal decision using Meta-level agents for Multi-Agents in Networks

Anne Hkansson Ronald Hartung

Department of Information Science, Computer Science,Uppsala University Department of Computer Science, Franklin University 2007
Presentado por:MasterAngel Orozco Lpez Click to edit Miguel subtitle style

8/14/12

Introduccin
En un grafo con demasiados nodos, es difcil calcular una solucin para Problemas de Optimizacin de Grafos. Para esto se plantea usar una aproximacin usando MetaLevels Agents para una red de Multi-Agents.

Una red cualquiera cuenta con nodos y aristas las cuales la conforman, en ella los agentes pueden viajar y acarrear informacin entre los diferentes nodos. Para obtener una mejor solucin al problema.

8/14/12

Introduccin.
Un reto en los problemas de redes, es encontrar y extraer informacin en una red dentro de un aceptable tiempo acotado. Se tienen varias soluciones hoy en dia que son efectivas estrategias de busqueda. Por ejemplo tenemos la heuristica A*, Best-first search,depth-first search, Dijkstra's algorithm, Kruskal's algorithm, entre otros. Pero sigue siendo un gran reto ya que al considerar una red con un gran numero de nodos y enlaces, el algoritmo toma demasiado tiempo.

8/14/12

Introduccin
Problemas que son considerados como NP-Hard. Por ejemplo encontrar un Clique en un grafo, el problema del vendedor viajero. Ciclo Hamiltoniano, Grafos Isomorfos. Este articulo se enfoca en el problema del Vendedor Viajero. La solucin que se propone es el uso de Meta-Levels sobre una red Multi-Agents. La bsqueda inicia con una bsqueda en amplitud seguida de asignacin de pesos a los arcos, para eliminar Aristas.

8/14/12

Introduccin
Estas herramientas se pueden utilizar para diferentes objetivos, ya se encontrar el camino mas corto entre dos ciudades, encontrar diferentes clases de rutas, Pasar por un conjunto de ciudades solo una vez. Pero el problema sigue siendo al momento de que se consideran un espacio grade para explorar esto sigue siendo un problema vigente. Como una solucin optima se sugiere el uso de Meta-Levels sobre una red de Multi-Agents.

8/14/12

Introduccin
Se tendrn agentes de alto nivel (Agentes Meta-levels) los cuales tendrn informacin acerca del tiempo del viaje. Una caractersticas de estos agentes es que operan de manera autnoma, perciben el ambiente, se adaptan al cambio, y pueden compartir metas con otros agentes. Los agentes tienen informacin a priori acerca de las caractersticas estaticas del ambiente, tales como que nodos estn conectados y la distancia.

8/14/12

Introduccin
Los agentes pueden percibir su entorno considerando limitantes u obstculos en el camino y bajo esa informacin efectuar cambios en el comportamiento del agente. Por ejemplo en el mundo real saber si un camino tiene trafico, se encuentra en mantenimiento, etc. Los agentes continuamente estn revisando las caractersticas dinmicas. En la practica siempre se consideran el uso de varios agentes y cada agente contar con una meta en especifico.
8/14/12

Introduccin.
Nosotros contamos con dos clases de Agentes, que son los agentes a nivel de piso que se encargan de recolectar informacin acerca del ambiente y drsela a agentes de nivel superior Meta-Levels. Cada agente a nivel de piso tiene informacin acerca de las rutas y movimientos que se pueden realizar en el camino para alcanzar una meta. A travs de los mensajes los Meta-Levels tienen la informacin ambiental por parte de los Agentes a nivel de piso Los agentes sern desarrollados para que sean 8/14/12 independientes de otros agentes y as poder realizar clculos de manera paralela. Para el mapa se utilizara un

Trabajos Relacionados
Entre los trabajos relacionados se tiene el Sistema de Colonia de hormigas, es un sistema distribuido que a sido aplicado para resolver el problema del vendedor viajero. Los agentes cooperan usando una forma indirecta de comunicacin, se depositan feromonas en las aristas que utiliza el Vendedor viajero en su ruta. Adems de usar varios agentes por cada arista. En este trabajo lo que utilizaron en lugar de un deposito de feromonas utilizan informacin acerca las circunstancias actuales. Por ejemplo: Condiciones ambientales, velocidad, 8/14/12 condiciones del camino, etc.

Trabajo Relacionado.
Cada arista cuenta con un agente que recolecta informacin que es enviada entre los nodos. Los Meta-Levels cuentan con informacin a un nivel global, por ejemplo el plan, schedule y coordinacin, para la negociacin inter-Agentes. En este trabajo no se utilizan los Meta-Levels para el control sino se utilizan para la recoleccin de informacin para los agentes de nivel de piso. Los agentes Meta-levels se utilizan para dar salto en la red haciendo caso omiso de algunos nodos sin ninguna perdida de informacin significativa. 8/14/12

Multiagentes en una red

El sistema multiagentes tiene varios agentes a nivel de piso operando entre nodos en una red. En la red, los agentes actan de acuerdo a la informacin de lleva y recoge durante su ejecucin (Mientras pasa de un nodo a otro). La informacin que se tienen de estos dos nodos, es la unica informacin que se tiene al inicio de la ejecucin, durante la ejecucin se trabajara con las condiciones del ambiente. Las condiciones afectaran el tiempo de ejecucin del agente. Este tiempo es la mas importante caracterstica, ya que afecta el desempeo de los otros agentes en la red.

8/14/12

Multiagentes en una red

Un evento har que un agente pare de funcionar hasta que finalice la condicin cumplida. Al inicio los agentes no saben que nodo es el inicial y el terminal. Los nodos iniciales y terminales pueden ser introducidos por un usuario en la red o un agente.

8/14/12

Recoleccin de la informacin.
Los agentes asociados con el punto Inicial ejecuta la tarea de llevar informacin a lo largo de las aristas donde los agentes estn trabajando. Estos agentes perciben su entorno, conociendo los nodos iniciales y finales junto con las restricciones en los arcos, as como los obstculos. El agente no puede iniciar la ejecucin hasta que reciba informacin acerca de los tiempos de la red, por parte de los otros agentes. Todos los agentes comunican los costos de su camino, hasta que se logre obtener la informacin completa de la red y se tenga informacin acerca del Nodo Final. Todos los nodos seguiran en ejecucin hasta que se obtenga informacin del nodo final o hasta que sus costos excedan 8/14/12 los costos estimados

Ejemplo
Es mostrara un grafo que representa un mapa. En el mapa los nodos son la ciudades y las aristas son las carreteras entre las ciudades. La cuidad con la letra S ser la ciudad de partida y la ciudad con la letra F ser la cuidad Destino (Final).

8/14/12

Ejemplo de Una red con agentes.

8/14/12

Ejemplo.
Cada agente mantiene informacin acerca de los agentes con los que trabaja, por ejemplo: Se tiene el Agente S-A y el Agente A-D. El Agente S-A lleva informacin acerca de la ciudad A y D. Los Agentes A-D y D-F llevan informacin acerca de las ciudades A, D y F. Con ese informacin podramos tener un camino del nodo inicial al nodo final. Claro que tambin se puede construir una ruta usando A -> D -> E. Pero ahora utilizaremos informacin de los caminos para obtener la ruta optima.

8/14/12

Ejemplo
En cada calculo se pueden desechar informacin de algunos nodos para no tener grandes cantidades de informacin y alentar los clculos. Por lo tanto aplicamos a los Meta-Levels sobre los agentes a nivel de piso, ya que mantienen informacin acerca de la ejecucin de agentes en la red. Los Meta-Levels recolecta calculos ya ejecutados y guarda los resultados a fin de presentar la solucin optima al usuario.

8/14/12

Ejemplo
Tambin los agentes pueden mantener informacin local. Hay es cuando el agente puede buscar informacin de caminos ptimos de los vecinos. Esto se puede construir como efecto de otros clculos.

8/14/12

Agentes en un MetaNivel
Estos agentes construyen son los encargados de construir una solucin optima. Usando la informacin de los agentes a nivel del piso. El con base a un conjunto de condiciones y la informacin obtenida realiza la decision de cual es el mejor camino a seguir.

El agente meta-level se encuentra en el tope de la imagen.

8/14/12

Ejemplo 2

Hasta la izquierda es el primer Agente S-A que es activado por el usuario. Este agente alcanza al Agente A lo cual provoca que inicien su ejecucin los agentes A-D, D-E, D-F y E-F El agente D-F nos es capturado por el agente Meta-level ya que tiene un mayor costo que el otro camino D-E / E-F

8/14/12

Conclusiones.
En este articulo se presento una aproximacin para dar respuestas a problemas con grafos utilizando Agentes Meta-Levels sobre una red Multi-Agentes. Los agentes inteligentes toman decision acerca del camino a seguir con base a la informacin recolectada, informacin acerca del estado del camino, tiempo o cualquier otro aspecto que podamos calcular un costo o podremos evaluar. El tiempo de calculo es el aspecto mas significativo para encontrar la solucin. Los agentes Meta-Level mantienen informacin obtenida de los agentes a nivel del piso, eso ayuda en el tiempo del calculo de soluciones posteriores. Adems de que los agentes a nivel de piso puede ser ejecutados de manera paralela
8/14/12

Referencias.
1. Attoui, A: Real-Time and Multi-Agent Systems, 1th edition, Springer ISBN: 1-85233-252-2 (2000) 2. Berman, K. and Paul, J.: Algorithms: Sequential, Parallel, and Distributed. Course Technology; 1 th edition, ISBN-10: 0534420575 (2004) 3. Cormen, T. Leiserson, C. Rivest, L. and Stein, C.: Introduction to Algorithms. Second Edition. MIT Press and McGraw-Hill, 2001. ISBN 0-262-03293-7 (2001) 4. Dorigo, M. Maniezzo, V. and Colorni, A.: Ant System: Optimization by a Colony of Cooperating Agents. IEEE Transactions on Systems, Man, and Cybernetics, Part B, 26 (1): (1996) pp. 2941 5. Dorigo, M., and Gambardella, L.M.: Ant colony system: a cooperative learning approach to the traveling salesman problem. IEEE Transactions on Evolutionary Computation, ISSN: 1089-778X Apr 1997, Volume: 1, Issue: 1. (1997) pp. 53-66 6. Ferber, J.: Multi-Agent Systems Addison Wesley Co. ISBN 0201-36048-9 (2002) 7. He, J-m., Min, R. and Wang, Y-y.: Implementation of Ant Colony Algorithm Based-On Multi-agent System. ICCNMC 2005 (2005) pp. 1234-1242 8. Hkansson, A., and Hartung, R. L. Using Meta-Agents for Multi-Agents in Networks. (ICAI'07) The 2007 International Conference on Artificial Intelligence, WORLDCOMP'07, Las Vegas, USA, June 25th -28th, (2007)

9. Raja, A. and Lesser, V.: A Framework for Meta-level Control in Multi-Agent Systems. Autonomous Agents and Multi-Agent Systems, Springer Online. January (2007) 10. Russell, S., and Norvig, P.: Artificial Intelligence - a Modern Approach, Prentice Hall (2003) pp. 32-752. 11. Roth, V.: Mutual protection of co--operating agents, in Vitek J. and Jensen C., editors, Secure Internet Programming: Security Issues for Mobile and Distributed Objects, LNCS 1603, New York, NY, USA: Springer-Verlag, (1999) pp. 275-285. 12. Skiena, S.: The Algorithm Design Manual. Springer; 1 edition, ISBN-10: 0387948600 (1998) 13. Turban, E., Aronson, J. and Ting-Peng Liang: Decision Support Systems and Intelligent Systems. 7th edition. Pearson Prentice Hall. ISBN: 0-13123013-1 (2005) 14. Wooldridge M. and Jennings N. Intelligent agents: Theory and practice. Knowledge Engineering Review 10(2), (1995) 15. Wooldridge, M. An Introduction to MultiAgent Systems, John Wiley & Sons Ltd, ISBN 0471-49691-X. (2002)

8/14/12