초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

분산문제해결(Distributed Problem Solving)은 분산인공지능의 한분야로써, 문제해결자인 에이전트들이 상호작용하고 서로 협동하면서 문제를 해결해간다. 여기서 에이전트는 해결해야할 문제에 대한 부분적인 정보만을 가지고 있으며, 혼자서 전체 문제를 해결할 능력은 없다. 분산문제해결은 분산처리 분야의 구조와 인공지능 분야의 규칙표현 개념을 도입하고 있다. 많은 분산문제해결 시스템들이 이러한 개념을 이용하여 개발되고 있다. 그러나 이 시스템들은 형식론을 적용한 경우가 아주 드물고, 또한 융통성 및 재사용성이 낮다. 분산문제해결은 ...

분산문제해결(Distributed Problem Solving)은 분산인공지능의 한분야로써, 문제해결자인 에이전트들이 상호작용하고 서로 협동하면서 문제를 해결해간다. 여기서 에이전트는 해결해야할 문제에 대한 부분적인 정보만을 가지고 있으며, 혼자서 전체 문제를 해결할 능력은 없다. 분산문제해결은 분산처리 분야의 구조와 인공지능 분야의 규칙표현 개념을 도입하고 있다. 많은 분산문제해결 시스템들이 이러한 개념을 이용하여 개발되고 있다. 그러나 이 시스템들은 형식론을 적용한 경우가 아주 드물고, 또한 융통성 및 재사용성이 낮다. 분산문제해결은 이산사건 시스템의 특성을 가지고 있으므로, 우리는 이산사건 시스템 형식론(Discrete Event System Specification)으로 설계된 분산문제해결 방법론을 제안한다. 이 방법론은 또한 DEVSim++ 환경으로 구현되었다. 이것은 팀 형태와 중앙집중식 형태가 합쳐진 복합형 구조이고, 이것의 모델들은 에이전트의 성질에 따라서 행동과 구조가 구분되었다. 그러므로 에이전트 모델의 동작은 여러 표현요소에 의해 다양하게 운용할 수 있다. 그리고 이 방법론은 초기화 과정에서 구성형태를 정할 수 있고, 또한 모듈화 및 계층적 방u}컥막? 융통성 있게 만들 수 있다. 이것의 모델들은 응용에 따라서 재사용할 수 있다. 이방법론을 이용하여 우리는 세개의 제조공장 시스템에 대하여 실험하였다. 이 실험에서의 관심사항은 분산제어, 고장 및 수리 동작, 그리고 중복동작의 정도에 대한것 이었다. 결과에 의하면 이 방법론은 세개의 시스템을 융통성 있게 만들수 있었고, 요구사항에 따라 여러 모델들을 재사용하여 고장이 허용되는 새로운 모델을 만들 수 있었다. 분산문제해결에서 에이전트의 지식소스(knowledge source)는 중요한 요소이다. 문제해결 능력은 바로 지식소스에 의해서 결정된다. 요사이 지식소스의 지식표현을 위해서 신경 회로망을 이용하고 있다. 역전파 신경 회로망은 신경 회로망의 일종으로써, 역전파 신경 회로망으로 이루어진 지식소스를 획득함에 있어서 교육 능률이 중요한 문제이다. 효과적으로 지식소스를 획득하기 위해서, 이 논문에서는 이 신경 회로망을 위한 두가지 교육방법을 제안한다. 이 방법들은 진화 프로그래밍(Evolutionary Programming) 기술을 응용하였다. 진화 프로그래밍 알고리즘에 있는 목적함수와 동요인자가 역전파 신경 회로망의 요소들에 의해서 수정되었다. 두개의 벤치마크와 하나의 모듈러스 문제의 실험에서 우리의 방법은 다른 세개의 적응성 있는 교육 방법들보다 우수했다. 특히 신경 회로망 구조가 복잡해짐에 따라 우리의 방법이 더욱 능률적이었다.

Abstract ▼ AI-Helper

Distributed Problem Solving(DPS), as a part of Distributed Artificial Intelligence(DAI), deals with the interactions of group of agents attempting to solve problems together. The agent which is a problem solver has only partial information for global environment, and cannot solve a whole problem by ...

Distributed Problem Solving(DPS), as a part of Distributed Artificial Intelligence(DAI), deals with the interactions of group of agents attempting to solve problems together. The agent which is a problem solver has only partial information for global environment, and cannot solve a whole problem by itself. The DPS takes the concept from architecture in distributed processing and rule representation in AI. Many DPS systems have been developed using these ideas. But a few systems take formalism-based approach. The systems have lower flexibility and re-usability. As the DPS maintains discrete event system property, we propose a DPS framework which is modeled by Discrete Event System Specification(DEVS) formalism and implemented in DEVSim++ environment. The framework has the combined architecture including team and centralized organization. The models of the framework classify both behavior and structure according to the character of the agent. Therefore, the operational meaning of an agent model can be exchanged by some representations. A DPS system employing the framework is organized at initial phase, and flexibly constructed in modular, hierarchical manner. Its model can be reused according to applications. Using the framework, we tested three manufacturing systems with respect to distributed control, failure/repair operation and a degree of redundancy. The framework can flexibly make the three systems, and reuse several models for failure-prone agent. In the DPS, the knowledge source of the agent is an important element. The capability of problem-solving is determined by it. Recently, neural network has been employed to the rule representation of knowledge sources. Back-propagation neural network is a kind of neural network. A significant problem is the training efficiency for acquiring knowledge source with the back-propagation neural network. In order to effectively acquire knowledge source, we suggest two training methods(on-line and window control) of the neural network. These methods are applied to evolutionary programming technique. The objective function and perturbation factor of evolutionary programming algorithm is modified by the parameters of the network. During two benchmark and one modulus problem tests, our methods were superior to some adaptive training methods: quasi-newton, steepest-descent and weight-average methods. Specially, as the complexity of structure increases, our methods become more and more efficient.

주제어