مطالعه جدید سیستم های چند عاملی را برای بهینه سازی و تصمیم گیری از طریق بازی ها توصیف می کند

10 مه 2022 -توسط انجمن اتوماسیون چین

مطالعه جدید سیستم های چند عاملی را برای بهینه سازی و تصمیم گیری از طریق بازی ها توصیف می کند.

در هوش مصنوعی، سیستم‌های چند عاملی را می‌توان جامعه‌ای متشکل از افراد (عامل) در نظر گرفت که از طریق تبادل دانش و مذاکره با یکدیگر برای دستیابی به یک هدف فردی/جهانی تعامل دارند. در زندگی واقعی، سیستم های چند عاملی در بسیاری از زمینه های مختلف مانند مدیریت منابع استفاده می شود. امنیت اطلاعات؛ برنامه ریزی، برنامه ریزی و کنترل تولید؛ نظارت، تشخیص و کنترل؛ تجارت الکترونیک؛ زیست پزشکی؛ و شرکت مجازی با توجه به سودمندی بسیار زیاد آنها، محققان به طور مداوم در تلاش هستند تا راه های جدیدی برای استفاده از این سیستم ها در تنظیمات دنیای واقعی بیابند.

در مقابل این پیشینه، گروهی از محققان به رهبری پروفسور یانگ تانگ، از دانشگاه علم و صنعت شانگهای، چین، به همراه پروفسور چینگ-لونگ هان، عضو Academia Europaea و عضو IEEE از دانشگاه Swinburne فناوری، ملبورن، استرالیا، و پروفسور یورگن کورتس، عضو Academia Europaea از موسسه تحقیقات تاثیرات آب و هوای پوتسدام، آلمان، با هم کار کردند تا مسائل مربوط به سیستم‌های چند عاملی را بررسی کنند. آنها ماهیت رفتارهای مشارکتی/غیر مشارکتی سیستم‌های چند عاملی از بهینه‌سازی تا بازی‌ها را به عنوان رویکردی برای حل مسائل پیچیده دنیای واقعی بررسی کردند. آنها یافته های خود را در شماره ماه مه مجله IEEE/CAA Journal of Automatica Sinica منتشر کردند.

سیستم‌های چند عاملی اغلب شامل بهینه‌سازی چند هدفه با اهداف متضاد هستند و هر شی ناگزیر تحت‌تاثیر عدم قطعیت قرار می‌گیرد. بنابراین، نظریه بازی‌ها می‌تواند راه‌حل‌های بیشتری را به سیستم‌های چند عاملی ارائه دهد و ابزاری برای یکپارچگی بین‌رشته‌ای،  بازی ها و کنترل، هوش مصنوعی، ریاضیات و سایر رشته ها بکار می روند .

آنها نظریه بازی را به دلیل بسیار مهمی در نظر گرفتند. به بیان ساده، بازی ها، به خصوص بازی های استراتژی نوبتی، همه جا در اطراف ما هستند. بازی‌ها مختص موقعیت‌های دارای وابستگی متقابل هستند و می‌توان آن‌ها را به بازی‌های مشارکتی و بازی‌های غیرهمکاری تقسیم کرد یا با توجه به رفتارها و توالی عمل عوامل به بازی‌های ایستا و بازی‌های پویا طبقه‌بندی کرد. محققان این دو طبقه بندی را برای دید جامع تری از سناریوهای پیچیده دنیای واقعی ادغام کرده اند.

در بررسی خود، نویسندگان از نظریه بازی برای ایجاد مدل‌هایی از رفتارهای مشارکتی یا رقابتی برای اهداف بهینه‌سازی فردی یا جهانی استفاده کردند. تمرکز بر سه جنبه همکاری و رقابت در سیستم‌های چند عاملی بود: بهینه‌سازی مشارکتی، بازی‌های مشارکتی و بازی‌های غیرهمکاری. “برای مشکلات مربوط به بازی، بازی غیرهمکاری زمانی شکل می‌گیرد که هدف یک عامل ممکن است متفاوت یا کاملاً مخالف هدف سایر عوامل باشد؛ برعکس، بازی تعاونی زمانی شکل می‌گیرد که یک عامل به طور مطلق با عوامل دیگر همکاری کند و منافع مشترک را در نظر بگیرد.

وانگ و هونگ می گویند : این نظرسنجی زوایای متعددی را بررسی می‌کند: اول، بر بهینه‌سازی آنلاین توزیع‌شده، بهینه‌سازی فدرال، و کاربردهای آنها در حفاظت از حریم خصوصی تمرکز دارد. سپس با تمرکز بر بازی‌های ایستا و پویا به ترتیب با عوامل مشارکتی و رقابتی، این مطالعه به شیوه‌ای بدیع، گذر از بهینه‌سازی مشارکتی به بازی‌های مشارکتی را متصل می‌کند.

پس کجا می توان از این یافته ها استفاده کرد؟ به گفته نویسندگان، برنامه ها چندگانه هستند.

پروفسور هان با استفاده از یک مثال گویا به خصوص می گوید که “در شهرهای هوشمند، این یافته ها را می توان برای ساختن یک سیستم تصمیم گیری ترافیکی هوشمند با تکیه بر داده های بزرگ شهری استفاده کرد. این بدان معنی است که مدت زمان چراغ های راهنمایی در تقاطع ها را می توان بهینه کرد. به طوری که می توان جریان ترافیک را تنظیم کرد، بار شبکه راه را متعادل کرد و راندمان استفاده از منابع جاده را بهبود بخشید.”

برنامه ها همچنین در زمینه های دیگر نیز گسترده هستند. در اقتصاد، رقابت بازار را می توان به عنوان یک مشکل بازی مدل کرد. در حوزه امنیت اطلاعات، بازی‌های دفاعی-تهاجمی غیرهمکاری را می‌توان ساخت تا با شناسایی قصد اطلاعات تعاملی و پیش‌بینی رفتار تهاجمی، استراتژی دفاعی بهینه را پیدا کند. حتی در توسعه دارو، بازی‌های مشارکتی می‌توانند برای به دست آوردن حداکثر کاربرد ساختار ماکرومولکولی ساخته شوند.