多代理B2B系统

文：鼎捷ERP

作者：鼎捷数智 | 发布时间：2012-11-30 14:50:34

4．10 多代理系统和基于代理的模型
    货物运输系统、图书分销中心、视频游戏市场、一次流感的流行以及一个蚂蚁群有什么共同之处吗?他们都是复杂的适应性系统，因而拥有某种共同的特征。通过观察生态系统的一部分，像蚂蚁群或蜜蜂群，人工智能科学家使用硬件与结合了昆虫特性和行为的软件模型能够做到：(1)学习基于人类的系统是如何运行的：(2)预测在给定的一系列环境下，他们将如何行动，(3)改进人类系统，使其更富效率和效果。学习生态系统并将它们的特性用于人和组织，这一概念称为仿生。
    复杂的组织，类似于人和蚂蚁的，是由单独的群体构成，每个群体由一些个体组成。这些群体有着不同的角色，遵守着自己特定的规则，并对变化的环境做出反应：而且，群体中每一个个体的行为方式都不尽相同。
    我们以一个简化的视频游戏零售市场为例进行分析。第一个群体的人设计游戏并编写程序代码(在这个群体内还有更小的子群体)，第二个群体的人生产光盘或数字化视频光盘，并分销给零售商店(第三个群体)，较后一个群体的人(顾客)选择是否购买这些游戏。每一个群体的行为都会影响到其他的群体。
    研究类似这样一个OA系统的传统方法是审视每一个群体，然后按照那个群体的习惯和行为方式建立模型。不过，这类研究方法存在着严重的局限性，因为一个群体与另一个或更多群体之间的交互作用必须被忽略掉，或是分别研究。将系统作为一个整体进行研究的困难之处在于系统非常复杂，想追踪所有的变量和它们之间的交互作用异常艰难。传统模型很快变得无法管理了。
    较近几年，人工智能研究领域借助多代理系统在将复杂系统作为整体建模方面取得了很大的进展。在一个多代理系统中，智能代理组成的群体能独立地工作，并且相互之间可以交互作用。这种使用多代理系统对人类组织的模拟称为基于代理建模。基子代理建模是一种使用多个智能代理模拟人类组织的方法，其中每个智能代理都遵循一套简单的规则并能适应变化的环境。
    基于代理建模系统正在一些领域大显身手：为股票市场的波动建模，预测人们在燃烧建筑物中的逃生路线，估计利率对有不同类型负债的客户的影响，预期哪些环境变化将影响供应链管理，等等。在图4-9中列出了一些使用基于代理建模来提升竞争优势的公司的例子。

4．10．1蚁群和群体智能
    在模拟研究商业问题时较广泛采用的模拟类型之一是蚂蚁的生态系统。如果你曾经尝试过从家中移走蚂蚁，你就会知道蚂蚁群是多么的坚定和高效。每一个个体蚂蚁都是独立自主的，它独立地行动和做出反应(如果在一群蚂蚁的中间撒点面包屑，它们会沿着不同的方向散开)。不过，蚂蚁仍然是不寻常的昆虫，因为它们具有社会性(只有不到2％的昆虫具有社会性，除了某些种类的蜜蜂和黄蜂，白蚁是唯一完全社会化的昆虫)“社会性”一词意味着一个群体中的所有成员共同工作来创建和维持一个有效的、稳定的全局系统。因此，尽管蚂蚁们是独立自主的，但每一只蚂蚁都为系统做出贡献。蚂蚁已经在地球上生存了4 000万年，与之相比人类只有短短的10万年，蚂蚁在进化中非凡的成功得益于集体性行为，即所谓的群体智能。
    群体或累积智能是由简单代理组成的群体的集体性行为，这些简单代理在问题产生时能够想出办法解决问题，并较终产生条理分明的全局性模式。更确切地说，复杂的集体性行为可以产生于在系统中始终遵循少量简单规则的个体。群体智能使得具有以下四种特性的系统得以创建和维持：
    (1)柔性化，所以系统能够响应周围环境中的大、小变化。例如，如果在一个蚂蚁群中移动食物，蚂蚁们很快就能再次找到这一食物。
    (2)强壮，所以即使系统中的某些个体成员不能取得成功，工作也能完成。例如，如果从蚂蚁群中移走一些蚂蚁，那么其他的蚂蚁会插手帮忙，继续做那项工作。
    (3)分权化，因为每一个个体都有一项相对简单的工作，并且是在没有监督的情况下完成工作的。在一个蚂蚁群中会有搜索食物的工蚁、保卫蚁巢的兵蚁、生产下一代的蚁后、照料和喂养茧的保育蚁，等等。
    (4)自组织化，因为解决问题的方法不是由一个中央权力机构规定的，而是由在集体中负责完成工作的个体作为解决问题的战略开发出来的。例如，如果某只蚂蚁发现了一块较大的、一只蚂蚁无法搬动的食物，那么其他的蚂蚁会赶来帮助，它们围绕着食物不断地变换位置直到找到合适的平衡点来一起搬走这块食物。

    那么，蚂蚁群的工作方式是如何同现代商业中的信息技术发生联系的呢?在集体系统中，由个体组成的群体有着确定的目标，并在没有集中控制或共同计划的情况下解决问题和制定决策。群体智能提供了一种分析这种集体系统的方法。想一想视频游戏市场，没有人指挥整个B2B系统来让顾客购买特定的游戏，或指示生产者销售某一数量的游戏或仅在某一特定地区销售。这些市场参与者组成的不同的群体，按照他们自己认为的有利于目标实现的方式行动着，而他们之间交互作用的结果就是一个具有自我特征的、在供应和需求之间寻找平衡的系统。
对工蚁的行为和西南航空公司搬运货物的机械臂的行为进行比较，是说明生态系统和人类组织相似性的一个显著例子，我们将简短地研究一下，其中一些离奇的相似之处会让西南航空公司的管理层感到惊奇。首先，让我们来仔细考察蚂蚁。
    工蚁的唯一职责是为蚁群提供食物。它们没有委员会，不讨论战略，也不指望某个中央权威机构的领导。它们仅仅是找到食物，然后把食物带回巢，并且在这一过程中遵循着一个简单的步骤(见图4—10)。
    假定两只蚂蚁从同一个点出发去寻找食物。图4-10中的画面1显示蚂蚁A因为走了一条较短的路线而首先发现了食物。确定食物位置后，蚂蚁A开始返回巢中(图4-10中的画面2)，并在身后留下一条信息素的痕迹(像面包屑一样的生物学痕迹)，这样蚂蚁A和其他蚂蚁就能知道走哪条路可以找到食物了。返回的第一只蚂蚁首先“铺设痕迹’指引其他蚂蚁，然后其他的蚂蚁在它们的返回途中会通过留下自己的信息素来强化这条痕迹(见图4-10的画面3)。
    与此同时，蚂蚁B在较短路径已经被建立的情况下返回蚁巢。其他已经在搬运食物的蚂蚁不会改变它们的路线。另外，留在未被选择的路径上的信息素痕迹经过一段时间后会蒸发掉，这样它就被系统有效地删除，不再作为通向食物的适当路径了。蚂蚁的方法直接而有效，可以被归纳为下述的规则：
·规则1：如果已经存在一条痕迹，则沿着痕迹走，否则，创建一条新痕迹。
·规则2：发现食物。
·规则3：返回巢中，并在返回途中留下一条信息素痕迹。
    如果情况发生变化(例如，假定食物被移动了)，蚂蚁就会停止回到食物曾经放置的地方，并且痕迹也消失了。然后，前述的过程重新开始，并不屈不挠地继续下去，直到工蚁发现新的食物并留下指路的信息素通道。
    蚂蚁刚才解决的问题只是人类(像蚂蚁一样)面临的较古老的问题之一，它被称为“较短路径问题”或“旅行推销员问题’。某些工作中存在着相同类型的问题，例如为卡车安排装、卸货顺序，或为工厂的生产车间安排任务，甚至是给地图涂颜色确保相邻的两个区域颜色不同。从事这些工作的人员不得不寻找解决这类问题的方法。
    从自然界中得到启迪，人工智能研究人员构造了几套机器人和控制机器人遵循规则并像蚂蚁一样以基本方式互相影响的合成软件。他们还创造了无需实物形态的、由小的自治代码块组成的虚拟蚂蚁，我们称之为智能代理。每一个代码块都能遵循特定的规则、相互作用和适应环境。接下来，研究人员将这些虚拟蚂蚁安排在多代理系统中，多代理系统被进一步改善后将形成基于代理的模型。西南航空公司是一个合适的例子。
    尽管货物运输只是西南航空公司业务中很小的一部分，但是它却让管理层头疼并成为繁忙机场的瓶颈。西南航空公司咨询了群体智能专家，专家们使用一个工蚁的虚拟模型来模拟货物的搬运过程。公司的管理者们惊奇地发现，真的存在着比把货物放在正确航线的第一架航班上更好的搬运货物的方法。令人惊奇的地方在于，计算机群体智能模型显示将货物委托给错误航线的飞机上很有可能是个更好的办法。例如，从芝加哥运往波土顿的货物较好先委托给一架由芝加哥飞往亚特兰大的航班，然后再转装载在一架飞往波士顿的飞机上，这样卸载和再装载能更少。按照蚂蚁模型，西南航空公司的货物运输率下降了80％，货物处理人员的工作量减轻了20％，以前总是装得满满的飞机上也能找到空闲的空间了，这使得公司能接更多的业务。西南航空公司总的利润增加是每年1 000万美元。更多的例子请看行业透视：自行制定进度的自动卡车喷漆亭。
行业透视
自行制定进度的自动卡车喷漆亭
    蜜蜂们有一套柔性的协同工作分配系统。例如，当食物缺乏时，那些平常被安排从事像照料幼蜂等其他任务的蜜蜂将转换角色，也去帮助寻找食物。同样的原理可以适用于新卡车的喷漆。在工厂中，当一辆卡车离开装配生产线后，某个喷漆亭就开始实施喷漆。喷漆亭能