Beherrschung komplexer Systeme dank verteilter Intelligenz
Multiagentensysteme sind in der Lage, neue betriebliche Probleme zu lösen.
Der Multiagentenansatz ermöglicht die Entwicklung komplexer Lösungen, die Interaktionen zwischen mehreren Einheiten erfordern.
KI und Multiagentensysteme nach Scalian
Unser Ansatz
Sei es für die für die Koordination von Drohnen, Nanosatelliten oder IoT-Systemen, die Simulation von Epidemien, Menschenmengen, des Verkehrs in Großstädten oder von Veränderungen im menschlichen Verhalten – der Multiagentenansatz ermöglicht die Entwicklung komplexer Lösungen, die Interaktionen zwischen mehreren Einheiten erfordern.
In der Natur gibt es viele kollektive Systeme, die mit einfachen individuellen Verhaltensweisen komplexe globale Aufgaben lösen können. Diese Phänomene kollektiver Intelligenz entstehen durch lokale Interaktionen zwischen mehreren einfachen, autonomen Individuen. Dies ist z.B. bei sozialen Insekten (Ameisen, Termiten, Bienen usw.) der Fall, die in der Lage sind, Pheromonwege zu legen, komplexe 3D-Strukturen zu bauen oder eine Arbeit untereinander aufzuteilen.
Diese kollektiven Verhaltensweisen haben die KI-Forschung inspiriert und zur Entwicklung von Multiagentensystemen geführt. Unser Ansatz basiert auf der Fähigkeit dieser aus mehr oder weniger einfachen Agenten zusammengesetzten Computersysteme, schwierige Aufgaben flexibel und adaptiv zu lösen und ihre Aktivitäten in sich ständig ändernden (manchmal unbekannten und/oder feindlichen) Umgebungen aufrechtzuerhalten.
Unsere Methode
Multiagentensysteme
Die Multiagenten-Optimierung besteht darin, ein System zu optimieren, indem seine Bestandteile in Form von Agenten modelliert werden, deren Interaktionen zum Entstehen einer globalen Dynamik führen. Der Begriff des Agenten, der aus der verteilten künstlichen Intelligenz stammt, ist definiert als eine (Computer-)Einheit mit eigenen Eigenschaften und eigenem Verhalten. Die Verwendung von agentenbasierten Algorithmen für die Untersuchung und Optimierung räumlicher Phänomenen hat sich im letzten Jahrzehnt weitläufig durchgesetzt.
Die Berücksichtigung räumlicher Phänomene erfordert (oder fördert zumindest) die Kopplung der Entwicklungsumgebung an ein Geoinformationssystem (GIS). Dies ist bei der Simulation von Mobilität oder Epidemien der Fall; diese Kopplung ermöglicht die Schaffung einer Simulationsumgebung und realitätsnäherer Situationen. Die Unterstützung von Koordinaten und geografischen Layern (z. B. Raster oder Shapefiles) ermöglicht es, die Lösung in realen Umgebungen (z. B. einer existierenden Stadt) und nicht an „Attrappen“ zu testen. Dies was den Wert und die Glaubwürdigkeit des Demonstrators deutlich erhöht (da er in realistischen Umgebungen evaluiert wird).
Asynchrone Agenten
IoT-Sensoren, Drohnen oder Nanosatelliten werden durch Kommunikation gesteuert. Selbst wenn die Optimierung zentralisiert ist, bedeutet die Berücksichtigung dieses Aspekts, dass die Möglichkeit asynchroner Agenten in Betracht gezogen werden muss. Dies ermöglicht die Entwicklung realitätsnäherer Lösungen, die sich besser an die Gefahren anpassen lassen
Setzen Sie mit Scalian Ihre Potenziale frei
Schließen Sie sich leidenschaftlichen Männern und Frauen an.
Entwickeln Sie sich in einer Organisation, in der Professionalität und Unternehmergeist mit Freundlichkeit und Fürsorge einhergehen.
