Sidney de Castro. Simulador Multiagentes para a Coordenação de Agentes Heterogêneos no Domínio de Futebol

Transcrição

1 Sidney de Castro Simulador Multiagentes para a Coordenação de Agentes Heterogêneos no Domínio de Futebol Santo André, SP - Brasil Julho

2 Sidney de Castro Simulador Multiagentes para a Coordenação de Agentes Heterogêneos no Domínio de Futebol Dissertação apresentada ao Programa de Pós- Graduação em Engenharia da Informação da Universidade Federal do ABC, como requisito parcial para obtenção do título de Mestre em Engenharia da Informação, Área Sistemas Inteligentes, Linha de Pesquisa Inteligência Artificial. Orientador: Prof a. Dr a. Maria das Graças Bruno Marietto UNIVERSIDADE FEDERAL DO ABC Santo André, SP - Brasil Julho

3 i Dissertação de Mestrado sob o título Simulador Multiagentes para a Coordenação de Agentes Heterogêneos no Domínio de Futebol, defendida por Sidney de Castro. Avaliada em Julho , pela seguinte Banca Examinadora: Prof a. Dr a. Maria das Graças Bruno Marietto Orientadora Prof a. Dr a. Vera Lúcia da Silva Instituto Federal de Educação, Ciência e Tecnologia de São Paulo Prof. Dr. Edson Pinheiro Pimentel Universidade Federal do ABC

4 ii Resumo A proposta desta pesquisa consiste em: (i) modelar um SMA para o domínio do Futebol; (ii) escrever o simulador SMA do domínio modelado; e (iii) analisar o comportamento dos agentes jogadores no ambiente simulado. O simulador proposto é uma ação de desenvolvimento da área de Inteligência Artificial e, principalmente de Sistemas Multiagentes. O simulador permite desenvolver agentes jogadores que demonstrem um nível considerável de competência para a realização de suas tarefas, como percepção, ação, cooperação, estratégias pré-definidas, decisão e previsão. Os agentes estão agrupados representando papeis no jogo: o goleiro, os zagueiros, os jogadores de meio campo e os atacantes. Os papeis por sua vez estão, subordinados à tática adotada no momento da partida. O simulador desenvolvido neste trabalho é composto por módulos independentes: o módulo de ambiente de jogo, que é formalmente modelado como um SMA; o módulo comportamental, composto pelos jogadores e demais papeis em uma partida de futebol (Jogadores, Técnico, Juiz e Estatística); o módulo da interface gráfica, que apresenta a tela do jogo. Palavras-chave: Simulação Multiagentes (SMA), Domínio do Futebol, Arquitetura de Agentes, Ambiente Formalmente Simulado.

5 iii Abstract The purpose of this research is to: (i) model a SMA for the domain of Soccer, (ii) write the simulator as an SMA of the modeled domain, and (iii) analyze the behavior of players agents in the simulated environment. The proposed simulator is a development action in the field of Artificial Intelligence, and particularly for Multiagent Systems. The simulator allows gamers to develop agents that demonstrate a considerable level of competence to perform tasks such as perception, action, cooperation, pre-defined strategies, decision making and forecasting. The simulator developed in this work consists of independent modules: the game s module of the environment, that is formally modeled as a MAS, the behavioral module of the agents components of the game (Players, Coach, Referee e and Statistics) which is also an SMA, and the graphical interface module.. Keywords: multiagent systems (MAS), the Football Domain, Architecture Agents Formally Simulated Environment.

6 iv Dedicatória Dedico este trabalho a minha professora e orientadora Maria das Graças Bruno Marietto. Durante a escrita foram muitos os momentos em que não sabia por onde seguir, a sua orientação sempre me levava pelo caminho certo. Cara professora muito obrigado pela paciência e companheirismo nesta jornada.

7 v Agradecimentos Agradeço a todos os colegas e professores da Universidade Federal do ABC, que durante este período estiveram sempre presentes nas intensas atividades acadêmicas. Agradecimentos à Fundação Santo André que apoia os professores que estão se qualificando. Agradeço também pela paciência de minha esposa Sara e o filho Gustavo, a quem peço desculpas pela ausência de corpo pressente durante as intermináveis leituras das pesquisas.

8 vi Sumário Lista de Figuras x Lista de Tabelas xii 1 Introdução Definição do Escopo Objetivos Principais Contribuições Organização do Trabalho Computação Social: Sistemas Multiagentes, Simulação Multiagentes Sistemas Multiagentes Definição de Agente Sistemas Intencionais Arquitetura BDI Desenvolvimento de Sistemas Multiagentes Simulação Multiagentes Conceitos de Modelagem Multiagentes Processos de Verificação e Validação Descrição de Trabalhos Relacionados Ambientes de Sistemas Multiagentes Formalmente Modelados Integrating Environments with Organizations (AGRE)

9 Sumário vii An Environment Description Language for Multi-agent Simulation (ELMS) Trabalhos Relacionados ao Domínio de Futebol A Versão 2006 da Equipe POTI de Futebol de Robôs Planejamento Cooperativo de Tarefas em um Ambiente de Futebol de Robôs Simulação Multiagentes na Modelagem do Domínio do Futebol Arquitetura em Três Camadas Camada Ambiente Sistema Multiagentes do Ambiente Simulado Módulo de Agregação Base de Informação Camada Modelo Agente Técnico Agente JUIZ Sistema Multiagentes JOGADORES Camada Observação Inicialização da Camada Ambiente Inicialização da Camada Modelo Inicialização da Camada Observação Comunicação entre Camadas Detalhamento da Posição dos Jogadores no Campo Modelo Computacional e Analise de Resultados Descrição Técnica Descrição Técnica da Camada Observação Descrição Técnica das Camadas Modelo e Ambiente Comportamento e Sentidos

10 Sumário viii Regras Comuns Aos Jogadores Regras de Comportamentos Programados Analise de Comportamento do Goleiro Analise de Comportamento dos Zagueiros Analise de Comportamentos dos Jogadores de Meio Campo Analise de Comportamentos dos Atacantes Comportamentos Emergentes Conclusões Dificuldades Encontradas na Construção do Simulador Multiagentes Trabalhos Futuros Apêndice A -- Regras dos Agentes da Camada Ambiente 80 A.1 Regras dos Agentes do SMA do Ambiente Simulado A.1.1 Agentes AMBIENTAIS A.1.2 Agentes Integrantes do Jogo A.2 Regras do Módulo de Agregação Apêndice B -- Regras dos Agentes da Camada Modelo 92 B.1 Regras do Agente Técnico B.2 Regras do Agente Juiz B.3 Regras Comuns aos Agentes Jogadores B.4 Regras do Agente GOLEIRO B.5 Regras do Agente ZAGUEIRO B.6 Regras do Agente MEIO CAMPO B.7 Regras do Agente ATACANTE Apêndice C -- Regras dos Agentes da Camada Observação 110

11 Sumário ix Referências 116

12 x Lista de Figuras 1 Arquitetura BDI. Fonte: [Reis 2003] Arquitetura Funcional da Plataforma JADE Representação dos Agentes, Grupos, Comunidades e Servidores para a Modelagem AGRE. Fonte: [Ferber 2012] Arquitetura da Equipe Poti. Fonte: [Cerqueira et al. 2006] Camadas de Decisão da Modelagem. Fonte: [Yamamoto 2005] Arquitetura em Três Camadas do Simulador de Futebol Robótico Arquitetura da CAMADA AMBIENTE Posicionamento dos Agentes da CAMADA AMBIENTE no Campo de Jogo Medidas Oficiais de um Campo de Futebol. Fonte: [IPEM 2012] Arquitetura da CAMADA MODELO Hierarquia de Decisão do Agente TÉCNICO Posicionamento dos Sistemas Táticos das Equipes. Fonte: [Melo 1999] Área de Atuação da Posição de um Jogador Região de Atuação das Posições e Separação das Áreas do Campo para a Formação Região de Atuação das Posições e Separação das Áreas do Campo para a Formação Região de Atuação das Posições e Separação das Áreas do Campo para a Formação Definição das Áreas do Campo Sequência da Aplicação das Regras Comuns Exemplo de Aplicação das Regras Comuns aos Jogadores

13 Lista de Figuras xi 20 Comportamentos do Agente GOLEIRO: [Yamamoto 2005] Comportamentos do Agente ZAGUEIRO Sequência de Disparo do Comportamento dos Zagueiros e Comportamento do agente MEIO CAMPO Sequência de Disparo do Comportamento dos Jogadores de Meio Comportamento dos Agentes ATACANTES Sequência de Disparo do Comportamento dos Jogadores Atacantes Ordem da Carga dos Processo na CAMADA OBSERVAÇÃO Posicionamento Inicial do Time na CAMADA OBSERVAÇÃO Reposicionamento dos Times Preto a Esquerda em e vermelho a Direita em Arquitetura em Três Camada - Ênfase na Tecnologia Aplicada Direções Posíveis de Deslocamento jo Jogador Analise do Comportamento da Regra DISTÂNCIA BOLA Determinação da Direção da Bola Definição de Bloqueio no Deslocamento de um Jogador Definição do Perímetro de Ataque de Cada Posição Comportamento Programado do Goleiro Comportamento Programado dos Zagueiros Comportamento Programado dos Jogadores de Meio Campo Comportamento Programado dos Atacantes Direções Possíveis para o Deslocamento da Bola Invasão da Área de Ação do Adversásio

14 xii Lista de Tabelas 1 Limite de Atuação dos Jogadores para o Sistema Tático Limite de Atuação dos Jogadores para o Sistema Tático Limite de Atuação dos Jogadores para o Sistema Tático Definição das Áreas do Campo

15 1 1 Introdução O começo de todas as ciências é o espanto de as coisas serem o que são. Aristóteles Como resultado da revolução informacional, mais e melhores recursos computacionais permitem a abertura de novos campos de pesquisa e desenvolvimento. Dentre eles cita-se os ambientes virtuais, desenvolvimento de sistemas com técnicas de Inteligência Artificial. A Inteligência Artificial (IA) está na intersecção de áreas como a Matemática, a Psicologia ou a Economia. Os Sistemas Multiagente (SMA) são um esforço de síntese que se centra na ideia de colocar os agentes no seu contexto, permitindo uma abordagem mais realista da complexidade associada à dinâmica das interações. Neste contexto a área de modelagem computacional tem se deparado com novas abordagens e desafios. Um desafio a ser destacado é como modelar sistemas inter-disciplinares e complexos, envolvendo áreas variadas como Psicologia, Ciências Sociais, Física, Biologia, etc. Tal integração para a modelagem de sistemas complexos é, inclusive, estabelecida pela Sociedade Brasileira de Computação como uma das grandes áreas de interesse de pesquisa [LUCENA et al. 2006]. Dentre as novas formas de modelagem computacional tem-se o uso de Sistemas Multiagentes para a construção de simulações, criando-se a área de Simulação Multiagentes. Para que os agentes atuem de maneira esperada em uma simulação é necessário que tenham características tais como: (i) autonomia, no sentido de que devem poder operar sem a direta intervenção de humanos ou outros sistemas, tendo algum tipo de controle sobre suas ações e estados internos, (ii) iniciativa, quando agentes não somente agem em resposta aos seus ambientes, mas também são capazes de exibir comportamento orientado a objetivos e (iii) habilidade social, interagindo com outros agentes através de uma linguagem de comunicação de agentes, ou de forma indireta no ambiente.

16 1 Introdução 2 A área de Simulação Computacional de forma geral, e Simulação Multiagentes de forma específica, oferecem um arcabouço que permite confrontar teorias com experimentação, de antecipar resultados experimentais ou de realizar experiências de outro modo inacessível. A prática de juntar simulações em computador com experiências reais de laboratório está se tornando cada vez mais importante. Um exemplo é a simulação da relações de confiança entre agentes que transformada em métrica podem estabelecer novas forma de se estabelecer relações comercias, escolha estratégica e a formação da coalizão [Castelfranchi, Falcone e Marzo 2009]. Um fator que contribui para o crescimento do interesse em sistemas multiagentes, é que pode-se aplica-los em áreas diversas do conhecimento, como redes e robótica, nos chamados sistemas multirobôs. Sistemas multirobôs são usados em situações reais como exploração aérea, terrestre, aquática ou espacial, trabalhos em ambientes hostis ou procura de sobreviventes em desastres. As principais característica destes sistemas multiagentes é são a coordenação e a cooperação. Para que se possa tirar máximo proveito de uma situação onde vários agentes devam de realizar o mesmo objetivo, os agentes, primeiramente não podem atrapalhar um ao outro (coordenação), e se possível ajudar um ao outro (cooperação). O objetivo da cooperação entre agentes é montar um grupo que possa realizar tarefas mais rapidamente que um único agente ou até tarefas que um agente sozinho não conseguiria cumprir. O domínio modelado neste trabalho será o de um simulador multiagentes para o Futebol. Jogo de Futebol é um domínio de aplicação utilizado no desenvolvimento de pesquisas em diversas áreas, tais como: visão computacional, aprendizado de máquinas, planejamento de caminhos, controle e automação, dentre outras [Melo e Romero 2009]. Um jogo de futebol é um exemplo típico de um sistema multiagentes. Dois times, cada um composto por onze (11) jogadores, os quais devem organizar-se de modo a tentar garantir que seu time vença o jogo, como no futebol humano. Vence o time que marcar mais gols. Esse ambiente inclui coordenação, cooperação com os companheiros de time, e competição com os adversários. Neste trabalho foi desenvolvido métodos de cooperação de futebol com a ideia de papel que um agente assume. O papel de um jogador rege suas ações em cada momento do jogo. Os agente jogadores nas mesmas posições e em condições semelhantes podem tomar ações distintas dependendo de seu papel no jogo. Os quatro papeis assumidos pelos jogadores são: Goleiro, Defensor, Meio Campo e Atacante. Estes papeis são apresentados na Seção A coordenação entre os jogadores foi obtida com dois aspectos, o uso do limite de atuação do jogadores (ver Figura 13), e o sistema tático adotado (ver Seção 14). Para o primeiro caso assume-se que o jogador está inserido em uma porção retangular do campo, que é sua região de atuação. A distribuição destas regiões no campo de jogo está depende do papel do jogador e

17 1.1 Definição do Escopo 3 do sistema tático adotado. O sistema tático avança ou recua o time, bem como amplia ou limita os movimentos dos jogadores restringindo ou alargando a região de atuação. Esta variações em conjunto com o papel do jogador tem por objeto ocupar todo do espaço do campo de jogo. Além das diversas linhas de pesquisa que o domínio do futebol pode proporcionar como campo de pesquisa, a escolha deste domínio tem alguns ponto chaves: A quantidade de bons trabalhos nos quais será possível fazer uma comparação com o simulador proposto nesta pesquisa; O domínio permite uma rápida assimilação de suas regras, que são bem definidas e conhecidas; O uso de Sistemas Multiagentes é indicado para a aplicação no domínio, por que os agentes podem ser modelados para agirem de forma colaborativa, facilitando a programação de comportamento dos jogadores. Neste trabalho propõe-se a modelagem explícita do ambiente onde o SMA está inserido. Segundo Helleboogh et ali [Helleboogh et al. 2007], o ambiente de um SMA deve ser modelado de maneira explícita, considerando seus componentes e suas regras de interação e funcionamento. De fato, na literatura há trabalhos que já modelam formalmente o ambiente, conforme descrito na Seção 3.1. Entretanto, Helleboogh et ali [Helleboogh et al. 2007] vão mais além, propondo que o formalismo do ambiente de uma simulação multiagentes seja feito também por um SMA. Considerando a importância da proposta de [Helleboogh et al. 2007], neste trabalho o ambiente da simulação multiagentes será modelado de forma explícita via um SMA. A descrição formal do ambiente permitirá, dentre outras contribuições: (i) representar de maneira explícita os componentes do ambiente, suas relações e regras gerais de funcionamento, modelando assim o dinamismo que ocorre no ambiente, (ii) especificar como o dinamismo no ambiente influencia os agentes (iii) definir a forma com os agentes agem e influenciam o ambiente. 1.1 Definição do Escopo Este trabalho enquadra-se na área de Simulação baseada em Sistemas Multiagentes. Essa área de pesquisa é composta de duas campos científicos, a saber, computação baseada em agentes e simulação computacional [David et al. 2004].

18 1.2 Objetivos 4 Mais especificamente, a atuação desse trabalho envolve a computação baseada em agentes e como produto final um simulador baseado em multiagentes. Trata-se, então, do uso da tecnologia de agentes para a simulação de um jogo de futebol, com entidades autônomas interagindo entre si. O trabalho esta focado no fluxo das informações que ocorrem durante a disputa de uma partida de futebol. O modelo deve ser flexível o suficiente para a introdução de pequenas, variações no ambiente ou comportamento dos jogadores. Estas varições permitirão analisar a emergência de comportamento coletivos durante a disputa. A rede de relacionamento dinâmica que se forma durante a partida entre os jogadores, é o principal objeto deste estudo. 1.2 Objetivos Este trabalho tem como objetivo geral o desenvolvimento de um modelo teórico para o domínio de futebol. Com base no modelo teórico proposto, o próximo objetivo geral é a concepção de um modelo computacional multiagentes que implemente o modelo teórico definido. A concepção de um modelo teórico e um modelo computacional sob o viés macro foi um desafio vencido com êxito neste trabalho. Não foram encontrados na literatura trabalhos de simulação que atuem na abstração explícita multiagentes, especificando a estrutura comportamental da simulação multiagentes do domínio de futebol. Desta forma justifica-se a necessidade da criação de um novo simulador para o deste domínio, com o foco na modelagem dos comportamento dos jogadores. 1.3 Principais Contribuições As principais contribuições deste trabalho estão destacadas a seguir: Modelagem e implementação de um simulador multiagentes para o domínio de Futebol; Explicitação do campo de futebol na forma de um Sistema Multiagentes. Vale ressaltar que o campo de futebol é o ambiente onde atuarão os agentes jogadores do simulador; Definição dos papeis e da tática de jogo para os agentes autônomos. Para a modelagem e implementação do simulador o ambiente é modelado de forma explicita, o que é uma importante contribuição para a pesquisa. O modelo explicito do ambiente

19 1.4 Organização do Trabalho 5 garante a flexibilidade na introdução de pequenas mudanças, e consequentemente, a exploração de um maior número de combinações de comportamento em busca de padrões emergente. 1.4 Organização do Trabalho Este texto está organizado e seis Capítulos e três Apêndices. No Capítulo 2 (Sistemas Multiagentes e Simulação Multiagentes), é apresentado o estado da arte em simulação multiagentes. No Capítulo 3 (Descrição de Trabalhos Relacionados), são apresentação trabalhos de onde se busca-se a inspiração na construção desta pesquisa. No Capítulo 4 (Simulação Multiagentes na Modelagem do Domínio de Futebol de Robôs), é feita a apresentação do modelo do simulador do futebol multiagente. No Capítulo 5 (Modelo e Analise de Resultados), descreve-se tecnicamente os módulos funcionais do simulador, e as dificuldades da implementação. No Capítulo 6 (Conclusões), tem-se a apresentação dos resultados obtidos com a pesquisa. Os apêndices apresentam o detalhamento, e neste caso os pseudocódigos dos comportamentos apresentado no Capítulo 4. O Apêndice A traz o detalhamento da Camada Ambiente. O Apêndice B traz o detalhamento do da CAMADA MODELO. O Apêndice C traz o detalhamento do da CAMADA OBSERVAÇÃO.

20 6 2 Computação Social: Sistemas Multiagentes, Simulação Multiagentes O sucesso é uma consequência e não um objetivo. Ésquilo Uma possível abordagem para a modelagem de processos tais como inteligência e cognição é considerar indivíduos em um contexto social. Isto é, considerando o indivíduo, suas interações, a emergência de sistemas sociais e a influência de tais sistemas no comportamento individual. Novas teorias e métodos científicos que adotam uma abordagem multidisciplinar partem do pressuposto de que os comportamentos são uma construção coletiva, resultando de decisões localizadas, e que são tomadas a partir de um repertório global de possíveis seleções. Neste contexto, um dos desafios da área de Computação Social é entender e modelar processos nos níveis micro e macro para responder questões tais como: como decisões individuais podem afetar comportamentos coletivos e vice-versa? [Albert e Barabási 2002, Angelis 2005] Neste contexto a área de Inteligência Artificial Distribuída (IAD) apresenta uma base teóricotécnica adequada para a modelagem e implementação de aspectos sociais de sistemas computacionais, apresentando novas e mais abrangentes formas para a resolução de problemas, representação do conhecimento, etc. Neste trabalho duas sub-áreas da IAD serão consideradas como referencial teórico, quais sejam: Sistemas Multiagentes e Simulação Multiagentes [Axelrod e Tesfatsion 2006]. Sistemas Multiagentes (SMAs) é uma área de pesquisa da IAD em que a modelagem e a implementação de sistemas computacionais estão sob a metáfora da inteligência social. Esta abordagem parte do pressuposto de uma construção coletiva da solução, onde comportamentos emergem como resultados das interações de seus elementos, seguindo regras locais. Aqui, agentes trabalham de forma autônoma na medida que são capazes de desempenhar determinadas ações de maneira independente. Durante o desenvolvimento dos agentes, o projetista não leva em conta o problema ou a estrutura no qual o agente estará inserido. Este trabalha de modo que

21 2.1 Sistemas Multiagentes 7 cada agente seja capaz de realizar ações, em suas especializações, de acordo com um conjunto de conhecimento e habilidades. Assim, os agentes são construídos de maneira independente do problema e, por meio da sociedade, tornam-se capazes de resolver problemas que não foram previstos, caracterizando um comportamento emergente. Na Seção 2.1 tem-se a descrição dos principais princípios de SMAs. A área de Simulação Multiagentes é formada pela intersecção das áreas de IAD e Simulação Computacional, utilizando o arcabouço oferecido pela IAD na modelagem, implementação e análise de simulações que levem a um melhor entendimento dos sistemas simulados. Neste contexto, a infra-estrutura teórico-técnica da área de Simulação Multiagentes possibilita modelar e entender processos complexos relacionados a fenômenos que envolvem interações sociais tais como ações de coordenação, cooperação, formação de coalizões e grupos, relacionamento micro-macro, intencionalidade, dentre outros [David et al. 2004]. Na Seção 2.2 tem-se a descrição dos principais princípios de simulações multiagentes. 2.1 Sistemas Multiagentes No início da década de 1960 a Inteligência Artificial (IA) foi definida como um sistema baseado no modelo de Von Neumann (com um único centro de controle) e os conceitos da Psicologia tradicional. No final dos anos 1970 a ideia do comportamento do indivíduo foi modelado de várias maneiras, sempre procurando entender e investigar o controle distribuído entre os atores. Por exemplo, o trabalho relacionado a blackboards [Fennel e Lesser 1977] e actors [Hewitt 1977] permitiram a modelagem de problemas clássicos considerando conceitos tais como cooperação, comunicação e distribuição. Desta maneira, pesquisadores começaram a investigar a interação entre sistemas, tentando resolver problemas distribuídos em uma perspectiva mais social. Objetivando encontrar soluções para sistemas distribuídos, a área de Inteligência Artificial Distribuída (IAD) teve início no começo da década de 80. A IAD combina conceitos teóricos e práticos das áreas de IA e Sistemas Distribuídos. Sistemas Multiagentes (SMA) é uma das áreas de pesquisa da IAD que utiliza agentes autônomos em suas ações e comportamentos. Os agentes em um SMA são projetados para atuar como especialistas em determinada área. A característica principal é controlar seu próprio comportamento e, se necessário, agir sem qualquer intervenção dos humanos ou outros sistemas. O foco em um projeto de SMA é desenvolver agentes que trabalhem de forma autônoma e social, bem como sistemas de comunicação e cooperação/colaboração, de modo que a solução surja a partir das interações. Esta abordagem de

22 2.1 Sistemas Multiagentes 8 baixo para cima geralmente leva a uma arquitetura aberta, onde os agentes podem ser inseridos, excluídos e reutilizados. Segundo [Sawyer 2003], a Internet é um exemplo de SMA, pois é constituída por milhares de computadores independentes, cada um na execução de programas de software autônomos que são capazes de comunicação com um programa rodando em qualquer outro nó da rede. Agentes possuem comportamento imprevisível em diferentes graus de intensidade. Por exemplo, as formigas parecem comportarem-se como em um passeio aleatório em sua busca por comida. Seu comportamento começa a tornar-se previsível, quando o feromônio lançado pelas formigas que encontram o seu objetivo passam a guiar o caminho das demais. Portanto, um agente pode variar de ser totalmente previsível à completamente imprevisível [Odell 2002, Batista et al. 2010]. Pelo o que foi exposto até o momento percebe-se que SMAs apresentam características tais como: São sistemas abertos; Agentes agem de forma autônoma, tentando alcançar seus objetivos (dialeticamente, mantendo uma relação com seu ambiente); Possuem comportamento dinâmico e agregado; A ação de cada agente afeta as ações subseqüentes da sociedade; O funcionamento do sistema é socialmente construído e ocorre de maneira emergente; Apresentam um elevado grau de imprevisibilidade em seu funcionamento. Para a apresentação dos principais conceitos de SMAs, esta seção está organizada como se segue. Na Subseção tem-se a definição do termo agente. A descrição de sistemas intencionais e da arquitetura BDI encontram-se na Subseção Por fim, o desenvolvimento de SMAs utilizando a plataforma multiagentes JADE está descrito na Subseção Definição de Agente O termo agente tem sido utilizado de diversas maneiras na área de IAD. Algumas noções são essencialmente intuitivas, outras bastante formais. Mas de forma geral, quando os investigadores definem um agente, referem-se a uma entidade que funciona continuamente e de forma

23 2.1 Sistemas Multiagentes 9 autônoma em um ambiente em que outros processos ocorrem. A autonomia dos agentes permite que tomem suas próprias decisões para o alcance de seus objetivos, sem a necessidade de orientação ou intervenção humana constante [Shoham 1993, Batista et al. 2010]. Sendo assim, agentes podem entrar e sair da sociedade, podem alterar suas regras, papéis, relações de interdependência com outros agentes, etc. Esta característica leva a uma nova geração de sistemas e aplicações distribuídas intrinsecamente dinâmica, aberta e complexa. Segundo [Wooldridge e Jennings 1995] é difícil obter uma definição universalmente aceita do termo agente. Mas a autonomia é a idéia central do conceito de um agente. Estes autores também explicam que a dificuldade para encontrar uma definição geral é porque o termo é amplamente utilizado por muitos pesquisadores, trabalhando nas mais diversas áreas. Assim, eles definem dois usos do termo geral: a noção fraca e a noção forte de agência. A noção fraca considera um conjunto de propriedades que um software apresenta para ser considerado um agente. As seguintes propriedades são definidas: Autonomia: os agentes são capazes de decidir suas ações sem a intervenção direta dos seres humanos e/ou outros sistemas; Habilidade social: agentes comunicam-se através de algum tipo de linguagem com outros agentes (humanos ou computacionais), a fim de resolver um problema; Reatividade: os agentes percebem seus ambientes (que pode ser o mundo físico, um usuário através de uma interface gráfica, outros agentes, etc) e respondem às mudanças que ocorrem nos mesmos; Pró-atividade: os agentes têm iniciativa, eles não agem somente em resposta ao seu ambiente. Na noção forte as mesmas propriedades da noção fraca estão presentes, e outras propriedades são consideradas. Essas propriedades são mais aplicadas a características humanas, tais como conhecimento, crença, intenção, obrigação, emoção, antropomorfismo, etc. Desde o início da área de IAD, pelo menos um consenso pode ser percebido na comunidade científica: a divisão dos agentes em reativos e cognitivos. Essa visão binária permite focar a análise nos pontos-chave de cada uma dessas classes. Agentes Reativos Os agentes reativos são geralmente modelados seguindo a metáfora das organizações biológicas e etológicas, tais como: formigueiro, populações de insetos, bactérias, anticorpos, etc.

24 2.1 Sistemas Multiagentes 10 Tais sistemas fornecem provas de inteligência emergente. Seguindo esta metáfora, agentes reativos tendem a ser estruturalmente mais simples, uma vez que não têm uma representação explícita de seu ambiente, bem como não são capazes de realizar raciocínio lógico sofisticado. Seus comportamentos são baseados apenas no estímulo-resposta. Em uma sociedade de agentes reativos a comunicação ocorre indiretamente, por meio do ambiente externo. Além disso, suas decisões ocupam-se da situação atual, já que nenhuma ação da história é armazenada. Geralmente, esses agentes não planejam suas ações futuras e também não comunicam-se diretamente com outros agentes. Normalmente, conhecem as ações de outros agentes pela mudança do ambiente. Em [Gottifredi et al. 2010] uma arquitetura reativa é proposta para a implementação de uma equipe de futebol de robôs. Na camada reativa as ações básicas são implementadas. Ela inclui o hardware básico e suporte de software que são fornecidos para o campeonato. Trata-se de meios físicos, tais como transmissores de infravermelho, câmara de vídeo, rede de comunicações software comum. Agentes Cognitivos Agentes cognitivos são inspirados na metáfora da organização social humana, de grupos e hierarquias. Sociedades de agentes cognitivos são geralmente compostas por um pequeno número de participantes. Eles têm modelos explícitos do mundo externo e estruturas de memória que permitem manter o histórico de ações passadas, utilizadas para resolver os problemas atuais [Bittencourt 2006]. Além disso, comunicam-se uns com os outros diretamente, usando os seus sistemas de percepção (para sentir o ambiente) e do sistema de comunicação (troca de mensagens). Agentes cognitivos normalmente apresentam uma certa complexidade computacional e caracterizam-se por apresentar um comportamento inteligente, tanto em uma comunidade de agentes quanto isoladamente Sistemas Intencionais As teorias de agentes abordam quais conceitos devem ser utilizados para conceituar e especificar agentes. Tais modelos teóricos auxiliam a estruturar e a raciocinar sobre os comportamentos dos agentes individuais e sociais. Entre tais modelos teóricos pode-se citar a teoria dos sistemas intencionais proposto em [Dennett 1987], bem como a Lógica. Em muitas situações é útil entender e interagir com dispositivos e sistemas assumindo-os como tendo uma postura intencional. Isto é, considerando que é possível descrevê-los com atributos mentais tais como crenças, preferências, desejos, intenções, objetivos, etc. O filósofo

25 2.1 Sistemas Multiagentes 11 Daniel Dennett [Dennett 1987] usou o termo sistemas intencionais para designar tais sistemas, descrevendo sistemas que podem ser descritos e/ou previstos através de atributos mentais tais como crenças, preferências, desejos, intenções, livre arbítrio, metas, etc. Esses atributos são chamados por [Wooldridge e Jennings 1995] como noções intencionais. Portanto, o que caracteriza o sistema intencional é a possibilidade de ser interpretado como um sistema com suas noções intencionais. Para Dennett, o desejo especifica preferências com relação a estados futuros do mundo. Desejos podem ser inconsistentes, ou não alcançáveis. Os objetivos são os desejos que um agente considera alcançáveis em um determinado momento. Na intenção há uma medida associada de comprometimento, que direciona e controla as atividades futuras do agente, para que o mesmo possa atingir sua meta. As crenças são a expressão dos estados do mundo visto pelo agente. Agentes podem ser visualizados como sistemas intencionais, possuindo estados mentais de informação e que manipulam o conhecimento. Isto porque sistemas intencionais aparecem como metáfora para explicar comportamentos complexos, atuando como uma ferramenta de abstração para a construção destes sistemas complexos. As noções intencionais (crenças, desejos, etc) são ferramentas abstratas que permitem de forma conveniente descrever, explicar e prever o comportamento de sistemas complexos. Um agente, mais especificamente o comportamento de um agente, também pode ser descrito como um sistema intencional Arquitetura BDI A implementação de um agente requer uma especificação dos componentes que o integrarão. Componentes, comportamentos, conhecimento sobre o ambiente são elucidados em suas arquiteturas, onde são explícitos da forma abstrata. A arquitetura de um agente mostra como ele está implementado em relação as suas propriedades, sua estrutura e como os módulos que o compõem podem interagir, garantindo sua funcionalidade. Ela vem especificar a estrutura e o funcionamento de um agente. A arquitetura BDI (Belief Desire Intention) é provavelmente o modelo de arquitetura de agentes cognitivo mais conhecido. Foi proposto pelo [Bratman 1987] como uma teoria de raciocínio prático humano. Várias arquiteturas de agentes cognitivos seguem o modelo BDI, cuja ênfase é dada nos estados mentais primitivos (que lhe dão o nome) e nos mecanismos que os relacionam. A arquitetura genérica de um agente BDI definida por [Wooldrigde e Jennings 1995] é constituída por sete componentes: conjunto de crenças, função revisão de crenças, função gera-

26 2.1 Sistemas Multiagentes 12 ção de opções, conjunto de opções, função de filtragem, conjunto de intenções e função seleção de ação, mostradas na Figura 1. Figura 1: Arquitetura BDI. Fonte: [Reis 2003]. Estes componentes podem ser descritos, segundo [Reis 2003], da seguinte forma: Conjunto de crenças: representa a informação que o agente possui sobre o ambiente em cada instante; Função de revisão de crenças: função que atualiza o conjunto de crenças de acordo com novas percepções e comunicações recebidas pelo agente, tendo em conta as crenças atuais do agente; Função de geração de opções: função que determina as opções (desejos) disponíveis para o agente, com base nas suas crenças e intenções atuais. É o processo que permite o agente decidir a linha de ação a selecionar em cada instante, de forma a satisfazer suas intenções. Algumas das opções resultantes da aplicação desta função se tornarão intenções, e servirão de feedback para geração de novas opções, resultando em opções mais concretas;

27 2.1 Sistemas Multiagentes 13 Desejos: representam os possíveis cursos de ação (opções) disponíveis para o agente; Função de filtro: esta função realiza o processo de deliberação do agente, que determina suas intenções com base nas crenças e desejos atuais e nas suas intenções prévias. É o processo onde o agente decide o que fazer e atualiza suas intenções. Esta atualização implica, por vezes, a desistência de intenções que deixam de ser atingíveis ou apresentam um custo elevado; e ainda a adoção de novas intenções que resultaram da adoção de novas opções; Intenções: Representa o conjunto de intenções, i.e., os estados que o agente está atualmente comprometido a tentar obter; Função seleção de ação: esta função determina qual ação a realizar em cada momento com base nas intenções atuais do agente Desenvolvimento de Sistemas Multiagentes Devido ao fato de que muitas das características dos SMAs serem independentes de aplicação, começaram a surgir frameworks para SMAs com o objetivo de facilitar o desenvolvimento destes sistemas. Tais frameworks oferecem as funcionalidades básicas de um SMA, o que permite ao desenvolvedor do sistema preocupar-se apenas com o desenvolvimento do agente. Essa abordagem é denominada horizontal, ou seja, esses frameworks oferecem uma biblioteca de nível relativamente alto, porém genérica e independente de aplicação. A organização FIPA é responsável pelas normas que muitos desenvolvedores usam para assegurar a interoperabilidade entre estes SMAs, desenvolvidos com frameworks genéricos. FIPA é o acrônimo para Foundation for Intelligent Physical Agents. Trata-se de uma fundação internacional sem fins lucrativos situada em Genebra, na Suíça. Foi fundada em 1996 pela junção dos esforços de diversas empresas, universidades e centros de pesquisas com atividades neste campo de pesquisa [Agents 2008]. Um de seus objetivos principais é a criação de padrões que tornem possível a implementação de agentes abertos e interoperáveis. Para atingir seus objetivos a FIPA cria, divulga e gera especificações que visam maximizar a interoperabilidade entre estes sistemas heterogêneos de agentes. Com base na visão de interoperabilidade entre sistemas com diferentes fabricantes e operadores, FIPA lançou o padrão de referência FIPA. Com o padrão FIPA foi possível o desenvolvimento de frameworks genéricos, garantindo a interoperabilidade de SMAs. Dentre os frameworks genéricos mais utilizados cita-se a plataforma JADE, descrita na próxima subseção.

28 2.1 Sistemas Multiagentes 14 Plataforma JADE O IDE de desenvolvimento de sistemas multiagentes JADE foi criado de acordo com os padrões da FIPA, e implementado em JAVA pela Universidade de Parma, Itália [Bellifemine et al. 2008], com o objetivo de facilitar o desenvolvimento de sistemas multiagentes. JADE é um desenvolvimento segundo as regra do software livre. O desenvolvimento se dá através de um conjunto de ferramentas gráficas que suportam a depuração no processos de desenvolvimento. O IDE permite a configuração e o controle dos agentes através de uma interface gráfica remota. A configuração pode ser alterada, mesmo em tempo de execução, movendo agentes de uma máquina para outra, como e quando necessário. JADE é completamente implementada na linguagem Java. Algumas características da plataforma de desenvolvimento de sistemas multiagentes JADE são listadas a seguir [Bellifemine et al. 2008]: A plataforma de desenvolvimento de agentes JADE pode ser implementada em diversos servidores simultaneamente. Os agentes são desenvolvidos em threads da linguagem JAVA, e podem ser agrupados em repositórios de agentes; A interface gráfica de usuário da plataforma JADE auxilia o desenvolvimento do agente e de seu comportamento nas agências; Roda múltiplos agentes simultaneamente, oferecendo recursos de programação que permitem o escalonamento dos comportamentos dos agentes em tempo de excussão. Arquitetura da Plataforma JADE A arquitetura JADE baseia-se na coexistência de várias Máquina Virtuais JAVA (JVMs) que podem ser distribuídas por vários computadores, independentemente do sistema operacional. A Figura 2 apresenta os componentes arquiteturais da plataforma JADE rodando em diversos servidores. Cada servidor executa seus agentes JADE, e estes agentes formam uma agência. Estas agências são coordenadas pela agência principal da plataforma. Cada máquina roda sua própria JVM, independentemente da plataforma operacional. Em cada JVM tem-se os agentes em um ambiente de execução completo. Os agentes rodam simultaneamente no mesmo servidor. A coordenação da execução da plataforma JADE ocorre na agência principal, e as demais máquinas executam seus agentes registrados na agência central.

29 2.2 Simulação Multiagentes 15 Figura 2: Arquitetura Funcional da Plataforma JADE. 2.2 Simulação Multiagentes Uma simulação computacional é uma transposição das principais características e comportamentos de um ambiente, real ou virtual, para um ambiente digital controlado [Banks 1999]. Este modelo incorpora as mudanças que ocorrem ao longo do tempo, representando a dinâmica do ambiente que está sendo simulado [Carson e John 2004]. Um modelo de simulação é um tipo particular de modelo, que procura representar um determinado sistema alvo. Este modelo difere dos demais na medida em que permite (i) estudar como o sistema modelado se comporta sob determinadas condições, e (ii) examinar as consequências de alterações internas no comportamento geral do sistema. De forma mais específica, define-se que o modelo de simulação multiagentes está baseado na idéia do relacionamento de um indivíduo com um programa, sendo possível simular um mundo artificial formado por entidades computacionais interativas. A simulação ocorre quando há a transposição da população de um sistema alvo para um modelo conceitual equivalente, seguido da codificação deste modelo para um modelo computacional. Neste caso, um agente equivale a uma entidade do sistema alvo, ou um grupo delas [Marietto et al. 2002]. Com o desenvolvimento do paradigma da programação multiagentes, o papel da simulação baseada em agentes vem adquirindo relevância em uma variedade de disciplinas científicas. Em particular, na definição de modelos que fazem analogias entre o agente cibernético e modelos de sistemas sociais. Esforços para lidar com tais sistemas complexos, através do uso da infraestrutura teórico-técnica da área de Simulação, criaram este intenso esforço interdisciplinar que fornece terreno para o advento da área de Simulação Baseada em Sistema Multiagentes (do Inglês Multi-Agent Based Simulation - MABS). Como resultado do crescimento e amadurecimento da área de MABS, interfaces foram criadas entre diversas disciplinas sob a égide de uma abordagem multidisciplinar, isto porque

30 2.2 Simulação Multiagentes 16 a área de MABS envolve pesquisadores de diversas áreas tais como Psicologia, Sociologia, Economia e Ciência da Computação. Considerando o aspecto multidisciplinar da área, grandes desafios podem ser divisados pois há a necessidade de um corte em todos os limites tradicionais das escolas de pensamento, misturando-se diferentes teorias, metodologias e técnicas. Em uma simulação multiagentes, a execução ao longo do tempo é ditada pelas regras presentes em agentes situados em um ambiente simulado. Os agentes são a representação dos atores do mundo real ou virtual, e o ambiente simulado representa o ambiente real onde os atores estão alocados. Os agentes em uma simulação podem apresentar comportamentos reativos ou cognitivos. No primeiro caso, apesar da autonomia de ações, estas ações dependem de estímulos do ambiente. Assim, um agente reativo pode ser considerado parte do ambiente em que está inserido, só manifestando-se quando provocado. Já os agentes cognitivos possuem vontade própria, não apenas representam objetos inanimados, mas modificam o ambiente por ações que modificam-se em relação a um desejo próprio, ou em resposta ao ambiente [David, Sichman e Coelho 2001, Silva 2011]. De forma geral, o ambiente onde estão inseridos os agentes em uma simulação é dinâmico, alterando-se conforme transcorre o tempo da simulação. O dinamismo do ambiente ocorre em decorrência de suas próprias características e leis reguladoras, bem como via o relacionamento dialético com os agentes. Adicionalmente, como o dinamismo dos agentes e do ambiente ocorrem simultaneamente, resultados emergentes inesperados podem ocorrer neste sistema complexo [Helleboogh et al. 2007]. Na Seção são apresentados os conceitos principais de modelos de simulação multiagentes. Um aspecto importante a ser considerado em sistemas de simulação é a garantia de que tanto o modelo conceitual, quanto o modelo computacional representem com precisão o sistema a ser modelado. Esta fidelidade da representação pode ser obtida através de dois processos: verificação e validação. Ambos processos estão descritos na Subseção Conceitos de Modelagem Multiagentes Modelagem Ascendente A modelagem de sistemas complexos através de uma abordagem descendente (top-down) não é apropriada, pois os sistemas complexos apresentam um número muito grande de interações e com comportamentos emergentes socialmente construídos (não pré-determinados). Uma abordagem analítico/reducionista também não é adequada para a modelagem de sistemas complexos, uma vez que os comportamentos não podem ser entendidos através da análise de suas partes em separado.

31 2.2 Simulação Multiagentes 17 Assim, um modelo ascendente (bottom-up) é mais adequado para criação de sistemas complexos, como os aplicados na área de Vida Artificial. Como a abordagem ascendente concentrase em regras simples de comportamento do agente, e como eles interagem uns com os outros para simular um grande número desses agentes e suas interações, padrões emergentes podem ser observados e estudados. O modelo pode, então, ser manipulado em termos de adição ou remoção de propriedades em seu nível micro, e como estas alterações podem afetar os fenômenos em nível macro. Por exemplo, um modelo ascendente para uma colônia de formigas poderia descrever as formigas em um nível micro, em termos de seu comportamento como indivíduos na colônia, e como elas comunicam-se umas com as outras. A ferramenta de simulação, então, pode ser usada para imitar o ambiente da colônia onde várias formigas são colocadas para comunicarem-se e executarem tarefas, permitindo que um observador possa estudar o surgimento de fenômenos sociais. Comportamento Emergente De acordo com Axelrod [Axelrod 1997], propriedades emergentes de sistemas simulados com agentes surgem quando a simulação ocorre em grande escala. Esta propriedades emergem como o efeito dos agentes interagindo, e em decorrência das regras do agente para esta interação. A seguir tem-se uma lista das principais situações em que modelos baseados em agentes são úteis para a captura de comportamento emergente: As interações entre os agentes não são lineares, ou seja, não existe uma relação direta de causa e efeito de um determinado comportamento. O agente pode interromper e reiniciar um interação a qualquer momento. Desta forma, uma relação é considerada descontínua entre os indivíduos e este comportamento complexo é de difícil implementação, levandose em conta os métodos tradicionais de análise matemática (por exemplo, equações diferenciais); As populações de indivíduos são heterogêneas. Ao se modelar agentes que representem esta populações, se faz necessário a modelagem de diferentes conjuntos de racionalidades; A topologia de interações de redes sociais é complexa e heterogênea. A transposição desta liberdade de interação entre os agentes aumenta a complexidade do modelo proposto. Em alguns modelos, as propriedades emergentes podem ser formalmente deduzidas, mas também estas propriedades podem ser imprevisíveis e inesperadas. As previsões das consequências, de mesmo simples interações locais, demonstra ser uma tarefa difícil. Por exemplo,

32 2.2 Simulação Multiagentes 18 [Axelrod 1997], destaca que fenômenos emergentes podem ser visto em um modelo onde os agentes representam consumidores, e as regras de comportamentos locais lhes permitem escolher e comprar de acordo com a disponibilidade dos produtos. Axelrod percebe que, somente através da análise das regras locais do agente, não se pode afirmar que os agentes da simulação terão preferência por um determinado produto. Além disso, a análise matemática pode ser limitada em sua capacidade de derivar as consequências dinâmicas em modelos onde, por exemplo, os agentes têm um comportamento adaptativo influenciado por suas experiências passadas. Para este tipo de situação, um modelo de simulação é um dos métodos mais indicados para modelar e representar o sistema alvo. Sistemas Abertos e Auto-Organização Auto-organização é um processo onde a organização de um sistema não é guiada ou gerida por uma fonte externa. Sistemas auto-organizados normalmente aparecem em modelagens de sistemas abertos e podem exibir propriedades emergentes. Sistemas abertos, por sua vez são descritos como sistemas com adaptação ambiental elevada através da incorporação rápida de novos elementos, informações e idéias. Por outro lado, um sistema fechado resiste à incorporação de novas idéias e corre o risco de atrofia, deixando de servir adequadamente ao ambiente em que está inserido. A auto-organização é considerada uma abordagem eficaz para modelar a complexidade de sistemas, permitindo o desenvolvimento de sistemas com dinâmica complexa e adaptável a perturbações ambientais, sem o conhecimento completo das condições futuras.