맨위로가기

다중 에이전트 시스템

"오늘의AI위키"는 AI 기술로 일관성 있고 체계적인 최신 지식을 제공하는 혁신 플랫폼입니다.
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.
목차

1. 개요

다중 에이전트 시스템은 여러 에이전트와 이들의 환경으로 구성되며, 에이전트는 소프트웨어, 로봇, 인간 또는 인간 팀을 포함할 수 있다. 이러한 시스템은 자율성, 지역적 관점, 분산화를 특징으로 하며, 가상/실제, 이산/연속, 접근 가능성, 결정론적/비결정론적, 정적/동적 환경에서 작동할 수 있다. 에이전트는 수동적 또는 능동적이며, 반응형, 목표 기반, 유틸리티 기반, 인지 에이전트로 분류될 수 있다. 다중 에이전트 시스템은 미들웨어를 사용하여 에이전트 간 통신, 디스커버리 서비스, 상호 운용성, 보안 및 트랜잭션 관리를 지원한다. 시스템은 자기 조직화 및 자기 지시 기능을 가질 수 있으며, 지식 공유를 위해 KQML 또는 ACL과 같은 통신 프로토콜을 사용한다. 다중 에이전트 시스템은 도전-응답-계약 방식 및 페로몬 방식을 사용하여 상호 작용하며, 최적화, 내결함성을 특징으로 한다. 연구 분야는 에이전트 지향 소프트웨어 엔지니어링, BDI, 협력 및 조정, DCOPs, 조직, 통신, 협상, 분산 문제 해결, 다중 에이전트 학습, 에이전트 마이닝, 과학 커뮤니티, 신뢰성 및 고장 허용, 로봇 공학, 언어 모델 기반 다중 에이전트 시스템 등을 포함한다. FIPA 및 OMG MASIF 표준, JADE, CAMEL과 같은 프레임워크가 MAS 개발을 지원하며, 컴퓨터 게임, 영화 제작, 네트워킹, 교통, 물류, 제조, 전력 시스템, 스마트 그리드, 사회 시뮬레이션, 자율 주행 차량, GIS 등 다양한 분야에 적용된다.

더 읽어볼만한 페이지

  • 다중 에이전트 시스템 - 봇넷
    봇넷은 악성 소프트웨어에 감염되어 제3자의 통제를 받는 다수의 기기 네트워크로, 분산 서비스 거부 공격, 스팸 메일 발송, 정보 유출 등 사이버 범죄에 활용되며, 탐지와 차단을 어렵게 하기 위해 지속적으로 진화하고 있다.
  • 다중 에이전트 시스템 - 떼 지능
    떼 지능은 단순한 에이전트들의 상호작용을 통해 복잡한 집단 행동을 모델링하여 최적의 해를 찾는 계산 기법 및 알고리즘으로, 최적화, 군중 시뮬레이션, 데이터 분석 등 다양한 분야에 응용되며 인공 떼 지능 기술로 발전하고 있다.
다중 에이전트 시스템
개요
유형분산 인공 지능
분야컴퓨터 과학
관련 주제다중 에이전트 시뮬레이션
에이전트 지향 프로그래밍
분산 인공 지능
멀티 에이전트 경로 탐색
멀티 에이전트 계획
멀티 에이전트 강화 학습
자율 추진 입자
군집 로봇
일반적인 정보
정의상호 작용하는 지능형 에이전트들의 집합
목표복잡한 문제를 해결하거나 분산된 환경에서 작업을 수행
주요 특징
자율성각 에이전트는 독립적으로 결정하고 행동함
상호 작용에이전트들은 서로 통신하고 협력하거나 경쟁함
분산시스템 제어가 중앙 집중화되지 않고 분산됨
적응성시스템은 변화하는 환경에 적응할 수 있음
응용 분야
교통 제어교통 흐름 최적화 및 사고 예방
로봇 공학협력적인 로봇 팀 구성 및 작업 수행
경제 모델링시장 행동 시뮬레이션 및 예측
사회 시뮬레이션사회 현상 이해 및 예측
위기 관리재난 상황 대응 및 복구
에이전트 기반 모델링
설명다중 에이전트 시스템을 사용하여 복잡한 시스템을 모델링하고 시뮬레이션함
응용 분야에이전트 기반 계산 경제학
생물학에서의 에이전트 기반 모델
에이전트 기반 사회 시뮬레이션
에이전트 지향 프로그래밍
설명에이전트 개념을 사용하여 소프트웨어 시스템을 개발하는 프로그래밍 패러다임
예시Auto-GPT
봇넷
FIPA
소프트웨어 에이전트
관련 기술 및 개념
분산 인공 지능다중 에이전트 시스템의 이론적 토대
멀티 에이전트 경로 탐색여러 에이전트의 경로를 계획하는 문제
멀티 에이전트 계획여러 에이전트가 협력하여 목표를 달성하는 계획
멀티 에이전트 강화 학습여러 에이전트가 상호 작용하며 학습하는 방법
자율 추진 입자간단한 규칙에 따라 움직이는 입자들의 집합
군집 로봇여러 로봇이 협력하여 작업을 수행하는 시스템
주요 연구 분야
협상 및 합의에이전트 간의 합의 도출 메커니즘 연구
협력 및 팀워크에이전트 간의 협력 전략 및 팀 구성 연구
학습 및 적응에이전트가 경험을 통해 학습하고 환경에 적응하는 방법 연구
조직 및 사회에이전트들의 조직 구조 및 사회적 행동 연구

2. 개념

다중 에이전트 시스템(MAS)은 자율적으로 행동하는 여러 에이전트와 이들이 상호작용하는 환경으로 구성된 시스템이다. 일반적으로 다중 에이전트 시스템 연구는 소프트웨어 에이전트를 대상으로 하지만, 로봇, 인간, 또는 인간으로 구성된 팀 역시 에이전트가 될 수 있으며, 인간과 에이전트가 함께 팀을 이루는 시스템도 가능하다.

단순히 동일한 특징을 가진 요소들의 상호 작용을 시뮬레이션하는 것과는 달리, 다중 에이전트 시스템은 다양한 개성을 가진 인간 사회와 같이 예측하기 어려운 현상을 모델링하여, 실제로 발생할 수 있는 복잡한 상황을 재현하고 분석하는 것을 목표로 한다. 각 에이전트는 주어진 환경 내에서 각자의 목표나 규칙에 따라 행동하며, 이러한 개별 에이전트들의 상호작용이 전체 시스템의 동적인 변화를 만들어낸다.

2. 1. 에이전트

다중 에이전트 시스템은 개별 에이전트와 이들이 상호작용하는 환경으로 구성된다. 일반적으로 다중 에이전트 시스템 연구에서 에이전트는 소프트웨어 에이전트를 의미하는 경우가 많지만, 로봇, 인간, 또는 인간으로 구성된 팀 역시 에이전트가 될 수 있다. 인간과 에이전트가 함께 팀을 이루는 시스템도 가능하다.

에이전트는 그 복잡성 수준에 따라 여러 유형으로 나눌 수 있다.

에이전트 유형
유형설명예시
수동 에이전트[11]특별한 목표 없이 환경 내에 존재하는 에이전트단순 시뮬레이션에서의 장애물, 아이템(사과, 열쇠 등)
능동 에이전트[11]간단한 목표를 가지고 행동하는 에이전트Lotka–Volterra 포식자-피식자 모델에서의 새 무리나 늑대-양 개체
인지 에이전트복잡한 계산 능력과 의사결정 과정을 통해 행동하는 에이전트-


2. 2. 환경

에이전트가 상호작용하는 환경은 여러 기준으로 나눌 수 있다.

기본적으로 환경은 다음과 같이 분류될 수 있다.

  • 가상 환경: 물리적인 실체가 없는 컴퓨터 시뮬레이션 등으로 구현된 환경.
  • 이산 환경: 시간이나 상태 변화가 단계적으로 이루어지는 환경.
  • 연속 환경: 시간이나 상태 변화가 연속적으로 이루어지는 환경.


또한, 환경은 다음과 같은 다양한 속성에 따라 특징지어질 수 있다.[12]

  • 접근성: 에이전트가 환경에 대한 완전한 정보를 수집할 수 있는지 여부. 완전히 정보를 얻을 수 있으면 '완전 접근 가능', 그렇지 않으면 '부분 접근 가능' 환경이다.
  • 결정론: 에이전트의 특정 행동이 항상 동일하고 예측 가능한 결과를 가져오는지 여부. 결과가 확실하면 '결정론적', 그렇지 않으면 '비결정론적' 환경이다.
  • 역학: 환경 자체가 시간에 따라 변하는지, 아니면 에이전트의 행동에 의해서만 변하는지 여부. 환경이 변하지 않으면 '정적', 변하면 '동적' 환경이다. 동적 환경은 에이전트의 행동과 무관하게 변할 수도 있고, 다른 에이전트의 행동에 의해 변할 수도 있다.
  • 이산성: 환경 내에서 에이전트가 취할 수 있는 행동이나 인식할 수 있는 상태의 수가 유한한지 여부. 유한하면 '이산적', 무한하면 '연속적' 환경이다. (위의 이산/연속 환경 분류와는 다른 관점일 수 있다.)
  • 에피소드성: 에이전트의 경험이 독립적인 '에피소드'들로 나뉘는지 여부. 각 에피소드에서 에이전트의 행동은 해당 에피소드 내에서만 영향을 미치고 다음 에피소드에는 영향을 주지 않으면 '에피소드적' 환경이다. 그렇지 않으면 '순차적' 환경이다.
  • 차원성: 공간적 특성이 환경의 중요한 요소이며, 에이전트가 의사 결정 과정에서 공간 정보를 고려하는지 여부.[13]


에이전트들의 작업은 일반적으로 적절한 미들웨어를 통해 중재된다. 이 미들웨어는 다중 에이전트 시스템 설계를 위한 상위 수준의 추상화를 제공하며, 자원 접근 및 에이전트 간의 조정을 관리하는 수단을 제공한다.[14]

2. 3. 미들웨어

다중 에이전트 시스템에서 에이전트의 작업은 일반적으로 적절한 미들웨어를 통해 중재된다. 이 미들웨어는 다중 에이전트 시스템 설계를 위한 높은 수준의 추상화를 제공하며, 리소스 접근과 에이전트 조정을 관리하는 역할을 한다.[14]

3. 특징

다중 에이전트 시스템의 에이전트는 다음과 같은 몇 가지 중요한 특징을 가진다.[15][16]


  • '''자율성''': 에이전트는 부분적으로 독립적이고 자율적으로 행동한다.
  • '''지역적 관점''': 각 에이전트는 시스템 전체가 아닌 제한된 정보만을 가진다.
  • '''분산화''': 특정 에이전트가 시스템 전체를 통제하지 않는다.


이러한 특징을 가진 에이전트들의 상호 작용을 통해, 다중 에이전트 시스템은 인간 사회와 같이 복잡하고 예측 불가능한 현상을 모델링하고 시뮬레이션하여 실제 발생 가능한 상황을 연구하는 데 사용된다.

3. 1. 자율성

다중 에이전트 시스템의 에이전트는 적어도 부분적으로 독립적이며, 자각적이고, 자율적이다.[15]

3. 2. 지역적 관점

다중 에이전트 시스템에서 각 에이전트는 전체 시스템에 대한 완전한 정보를 가지지 못한다. 즉, 각 에이전트는 자신이 속한 환경의 일부 정보만을 파악하는 지역적 관점을 가진다. 이는 시스템 전체가 매우 복잡하여 개별 에이전트가 모든 정보를 파악하고 활용하는 것이 현실적으로 어렵기 때문이다.[15] 이러한 제한된 정보 하에서 각 에이전트는 의사 결정을 내리고 행동하게 된다.

3. 3. 분산화

다중 에이전트 시스템은 분산화된 구조를 가진다. 이는 시스템 내에 특정 에이전트가 전체를 제어하는 중앙 통제 역할을 맡지 않는다는 것을 의미한다.[16] 만약 특정 에이전트가 제어권을 가지게 되면, 그 시스템은 사실상 단일 에이전트 시스템과 유사하게 작동하게 될 수 있다.

4. 자기 조직화 및 자기 지시

다중 에이전트 시스템은 개별 에이전트의 전략이 단순하더라도, 시스템 전체적으로는 자기 조직화나 자기 지시와 같은 복잡한 행동 양상을 보일 수 있다. 이는 다른 제어 패러다임 및 관련 복잡한 동작에서도 나타나는 특징이다.

이는 동일한 특성을 가진 여러 요소(노드)들의 단순한 상호 작용만을 다루는 시뮬레이션과는 구별된다. 다중 에이전트 시스템은 예를 들어 다양한 개성을 가진 인간 사회처럼 예측하기 어려운 현상을 모델링하여, 실제로 발생 가능한 상황을 재현하려는 시스템이다.

4. 1. 지식 공유

다중 에이전트 시스템 내의 에이전트들은 정해진 통신 규약(프로토콜) 안에서 서로 약속된 언어를 사용하여 지식을 주고받을 수 있다. 이렇게 에이전트 간에 지식을 공유하는 것은 시스템 전체의 성능을 개선하는 데 중요한 역할을 한다. 이러한 지식 공유를 위해 사용되는 대표적인 언어로는 지식 질의 조작 언어(KQML)나 에이전트 통신 언어(ACL)가 있다.

5. 시스템 패러다임

다수의 다중 에이전트 시스템(MAS)은 컴퓨터 시뮬레이션으로 구현되며, 시스템을 이산적인 "시간 단계"로 진행시킨다. MAS 구성 요소는 일반적으로 가중 요청 행렬과 가중 응답 행렬을 사용하여 서로 통신한다.

예를 들어, 가중 요청 행렬은 다음과 같은 형식을 가질 수 있다:


  • '''속도''': 매우 중요 (최소 45mph)
  • '''경로 길이''': 중요도 중간 (최대 약 96.56km, 예상 최대 약 64.37km)
  • '''최대 가중치''': 중요하지 않음
  • '''계약 우선 순위''': 정규


이에 대한 가중 응답 행렬의 예시는 다음과 같다:

  • '''속도''': 최소 50mph (단, 날씨가 맑은 경우)
  • '''경로 길이''': 맑음 시 약 40.23km / 비 올 시 약 74.03km
  • '''계약 우선 순위''': 정규 (단, 구급차는 이 우선 순위를 무시하고 기다려야 함)


MAS에서는 에이전트 간 상호작용을 위해 특정 방식들이 주로 사용되는데, 대표적으로 '''도전-응답-계약''' 방식과 주변에 정보를 남기는 '''페로몬''' 방식이 있다. 이러한 방식들은 에이전트들이 작업을 분담하고 협력하는 과정을 효율적으로 만든다.

5. 1. 도전-응답-계약 방식

다중 에이전트 시스템(MAS)에서 에이전트 간의 상호작용 및 계약 설정을 위해 일반적으로 사용되는 방식 중 하나는 '''도전-응답-계약''' 방식이다. 이 방식은 다음과 같은 단계로 진행된다.

  • '''도전 (Challenge)''': 먼저 시스템 내에 '''누가 이 작업을 수행할 수 있는가?'''라는 질문, 즉 일종의 작업 요청이 배포된다. 이는 특정 작업을 수행할 수 있는 에이전트를 찾는 단계이다.
  • '''응답 (Response)''': 해당 작업을 수행할 능력이 있고 의향이 있는 에이전트들만이 이 도전에 응답한다. 응답에는 보통 '''"이 가격(조건)으로 수행할 수 있습니다"'''와 같은 내용이 포함된다.
  • '''계약 (Contract)''': 마지막으로, 도전을 제기한 에이전트와 응답한 에이전트 간에 세부 조건을 조율하는 과정이 이루어진다. 일반적으로 여러 차례의 짧은 통신을 통해 양측이 합의하는 '계약'이 설정되며, 이 계약 과정에서는 관련된 다른 에이전트들의 상황, 계속해서 변화할 수 있는 계약 조건, 그리고 각 에이전트가 가진 알고리즘상의 제약 조건 등이 종합적으로 고려된다.

5. 2. 페로몬 방식

다중 에이전트 시스템(MAS)에서 일반적으로 사용되는 또 다른 방식으로는 페로몬 방식이 있다. 이는 시스템 내의 구성 요소(에이전트)가 주변 환경이나 다른 구성 요소에게 정보를 남기는 것을 의미한다. 이렇게 남겨진 정보, 즉 페로몬은 시간이 지남에 따라 그 효과가 약해지거나(증발) 강해질(농축) 수 있으며, 이는 페로몬 값의 감소 또는 증가로 나타난다.

6. 속성

다중 에이전트 시스템(MAS)은 여러 에이전트의 상호 작용을 통해 복잡한 문제를 해결하는 시스템이다. 이 시스템은 외부의 직접적인 개입 없이 스스로 문제에 대한 최적의 해결책을 찾아가는 경향(최적화)을 보이며, 구성 요소의 중복성을 통해 오류 발생 시에도 시스템 전체의 안정성을 유지하는 내결함성을 갖추는 특징이 있다.

또한, 동일한 특성을 가진 개체들의 단순한 상호 작용을 모사하는 시뮬레이션과는 달리, 다양한 개성을 가진 인간 사회처럼 예측하기 어려운 현상을 모델링하여 실제 발생 가능한 상황을 탐구하는 데 활용될 수 있다.

6. 1. 최적화

다중 에이전트 시스템(MAS)은 외부의 개입 없이 문제에 대한 최상의 해결책을 스스로 찾아가는 경향을 보인다. 이는 물리적 객체가 가장 낮은 에너지 상태를 지향하는 에너지 최소화 현상과 유사하다. 예를 들어, 아침에 대도시로 진입하는 많은 차량의 흐름은 저녁에 도시를 빠져나가는 흐름과 자연스럽게 균형을 이루는 것과 같다.

또한, 이러한 시스템은 구성 요소의 중복성 덕분에 오류의 전파를 막고, 스스로 문제를 해결하며(자기 수리), 내결함성을 갖추는 경향이 있다.

6. 2. 내결함성

다중 에이전트 시스템은 구성 요소가 중복되어 있기 때문에 오류의 전파를 막고 스스로 복구하는 내결함성을 가지는 경향이 있다.

7. 연구

다중 에이전트 시스템 연구는 단일 에이전트 및 다중 에이전트 시스템 모두에 대한 정교한 AI 문제 해결 및 제어 아키텍처의 개발 및 분석을 다룬다.[17] 주요 연구 주제는 다음과 같다.


  • 에이전트 지향 소프트웨어 엔지니어링
  • 신념, 욕구 및 의도 (BDI)
  • 협력 및 조정
  • 분산 제약 최적화 (DCOPs)
  • 조직
  • 통신
  • 협상
  • 분산 문제 해결
  • 다중 에이전트 학습[18]
  • 에이전트 마이닝
  • 과학 커뮤니티 (예: 생물학적 무리, 언어 진화, 경제)[19][20]
  • 신뢰성 및 고장 허용
  • 로봇 공학,[21] 다중 로봇 시스템(MRS), 로봇 클러스터
  • 마이크로로봇 공학 응용[22]
  • 언어 모델 기반 다중 에이전트 시스템

7. 1. 에이전트 지향 소프트웨어 엔지니어링

다중 에이전트 시스템 연구의 주요 주제 중 하나로 에이전트 지향 소프트웨어 엔지니어링이 있다.

7. 2. BDI (신념, 욕구, 의도)

다중 에이전트 시스템 연구의 주요 주제 중 하나로 신념(Belief), 욕구(Desire), 의도(Intention)를 나타내는 BDI가 있다.

7. 3. 협력 및 조정

다중 에이전트 시스템 연구는 단일 에이전트 및 다중 에이전트 시스템 모두에 대한 정교한 AI 문제 해결 및 제어 아키텍처의 개발 및 분석을 다룬다.[17] 이 연구 분야에서 에이전트 간의 협력 및 조정과 관련된 주요 주제는 다음과 같다.

  • 협력 및 조정
  • 분산 제약 최적화 (DCOPs)
  • 조직 (Organization)
  • 통신 (Communication)
  • 협상 (Negotiation)
  • 분산 문제 해결 (Distributed Problem Solving)

7. 4. 분산 제약 최적화 (DCOPs)

분산 제약 최적화 (Distributed Constraint Optimization Problems, DCOPs)는 다중 에이전트 시스템의 주요 연구 분야 중 하나이다.[17] 이는 분산된 환경에서 여러 에이전트가 각자 또는 공유된 제약 조건들을 만족시키면서 특정 목표 함수를 최적화하는 문제를 해결하는 방법을 연구하는 분야이다. 각 에이전트는 제한된 정보만을 가지고 다른 에이전트와 협력하여 전체 시스템의 최적 해를 찾아야 한다.

7. 5. 조직

다중 에이전트 시스템 연구는 단일 에이전트 및 다중 에이전트 시스템 모두에 대한 정교한 AI 문제 해결 및 제어 아키텍처의 개발 및 분석을 다룬다.[17] 이 연구의 다양한 주제 중 하나로 에이전트들의 조직 구성 및 운영 방식에 대한 연구가 포함된다.

7. 6. 통신

다중 에이전트 시스템 연구의 주요 주제 중 하나로 에이전트 간의 통신이 포함된다. 이는 시스템 내 에이전트들이 효과적으로 상호작용하고 목표를 달성하기 위해 정보를 교환하고 작업을 조율하는 방식을 연구하는 분야이다.

7. 7. 협상

다중 에이전트 시스템 연구는 단일 에이전트 및 다중 에이전트 시스템 모두에 대한 정교한 AI 문제 해결 및 제어 아키텍처의 개발 및 분석을 다루며,[17] 협상은 이러한 연구의 주요 주제 중 하나이다.

7. 8. 분산 문제 해결

다중 에이전트 시스템 연구는 단일 에이전트 및 다중 에이전트 시스템 모두에 적용될 수 있는 정교한 AI 기반의 문제 해결 및 제어 구조를 개발하고 분석하는 것을 목표로 한다.[17] 이 연구는 여러 세부 주제를 포함하는데, 그중 하나가 바로 분산 문제 해결이다. 이는 여러 에이전트가 지리적으로 또는 기능적으로 분산된 환경에서 서로 협력하여 공동의 목표나 문제를 해결하는 과정을 연구하는 분야이다. 분산 문제 해결은 에이전트 간의 협력 및 조정, 분산 제약 최적화 (DCOPs), 통신, 협상 등 다중 에이전트 시스템의 핵심적인 상호작용 메커니즘과 밀접하게 연관되어 있다.[18]

7. 9. 다중 에이전트 학습

다중 에이전트 시스템 연구의 주요 주제 중 하나로 다중 에이전트 학습[18]이 있다. 이 분야는 여러 에이전트가 서로 상호작용하며 학습하는 방법과 과정에 대한 연구를 다룬다.

7. 10. 에이전트 마이닝

에이전트 마이닝은 다중 에이전트 시스템의 주요 연구 주제 중 하나이다. 이는 에이전트 시스템 내에서 생성되거나 관련된 대량의 데이터를 분석하여 숨겨진 패턴, 경향, 지식 등 유용한 정보를 발견하고 추출하는 기법 및 방법론을 연구하는 분야이다. 데이터 마이닝 기술을 에이전트 환경에 적용하여 시스템의 행동을 이해하고 예측하거나, 효율성을 개선하는 데 활용될 수 있다.

7. 11. 과학 커뮤니티

다중 에이전트 시스템 연구는 다양한 과학 커뮤니티 현상을 모델링하는 데 활용된다. 대표적인 예로는 생물학적 무리의 움직임, 언어 진화 과정, 경제 현상 등이 있다.[19][20] 이는 단순히 동일한 특징을 가진 개체들의 상호 작용을 시뮬레이션하는 것을 넘어, 예를 들어 다양한 개성을 가진 인간 사회처럼 예측하기 어려운 현상을 모델링하여 실제 발생 가능한 상황을 재현하려는 목적을 가진 시스템이다.

7. 12. 신뢰성 및 고장 허용

다중 에이전트 시스템 연구의 주요 주제 중 하나로 신뢰성 및 고장 허용이 포함된다.[17]

7. 13. 로봇 공학

다중 에이전트 시스템 연구는 로봇 공학 분야에도 적용된다.[21] 특히 다중 로봇 시스템(MRS)이나 로봇 클러스터와 같이 여러 로봇이 협력하는 시스템에 대한 연구가 이루어진다. 또한, 다중 에이전트 시스템은 마이크로로봇 공학 분야에서도 응용될 가능성이 있다.[22] 이 분야에서는 에이전트(로봇) 간의 물리적 상호 작용을 활용하여 수동 부품의 조작이나 조립과 같은 복잡한 작업을 수행하는 방안을 연구한다.

7. 14. 마이크로로봇 공학

다중 에이전트 시스템은 마이크로로봇 공학 분야에서도 응용될 수 있다.[22] 이 분야에서는 에이전트(마이크로로봇) 간의 물리적인 상호 작용을 이용하여 수동 부품을 다루거나 조립하는 등 복잡한 작업을 수행하는 연구가 진행된다.

7. 15. 언어 모델 기반 다중 에이전트 시스템

대규모 언어 모델(LLM)을 기반으로 하는 다중 에이전트 시스템에 대한 연구가 다중 에이전트 시스템 연구의 한 분야로 다루어진다.

8. 프레임워크

다중 에이전트 시스템(MAS) 개발을 지원하고 표준화하기 위한 여러 프레임워크가 등장했다. 초기에는 FIPA나 OMG의 MASIF와 같은 표준화 노력이 있었으며,[23] 이를 기반으로 한 JADE 등의 프레임워크는 개발 시간을 단축하고 표준화하는 데 기여했다.[24]

현재 FIPA나 OMG의 표준은 적극적으로 유지 관리되지 않고 있으며, 산업 환경에서의 소프트웨어 에이전트 개발은 IEEE 산업전자학회(IES) 기술 위원회 등에서 이어지고 있다.[25]

최근에는 ChatGPT와 같은 대규모 언어 모델(LLM)의 발전에 힘입어, CAMEL과 같은 LLM 기반의 다중 에이전트 프레임워크가 새로운 개발 패러다임으로 부상하고 있다.[26][4]

8. 1. FIPA 및 OMG MASIF 표준

다중 에이전트 시스템(MAS) 개발의 표준을 구현하는 프레임워크가 등장했다. 대표적인 예로 FIPA 및 OMG MASIF 표준이 있다.[23] 이러한 프레임워크, 예를 들어 JADE는 MAS 개발의 시간 절약 및 표준화에 도움을 준다.[24]

현재 FIPA 또는 OMG에서는 표준이 적극적으로 유지 관리되지 않고 있다. 산업 환경에서 소프트웨어 에이전트의 추가 개발 노력은 IEEE 산업전자학회(IES) 기술 위원회에서 수행하고 있다.[25]

8. 2. JADE (자바 에이전트 개발 프레임워크)

다중 에이전트 시스템(MAS) 개발의 표준을 구현하기 위한 노력으로 FIPA나 OMG의 MASIF 같은 표준이 등장했다.[23] JADE는 이러한 표준을 구현한 대표적인 프레임워크 중 하나로, MAS 개발 시간을 단축하고 표준화하는 데 도움을 준다.[24]

현재 FIPA나 OMG의 표준은 더 이상 적극적으로 유지 관리되지 않고 있으며, 산업 환경에서의 소프트웨어 에이전트 개발 노력은 IEEE 산업전자학회(IES) 기술 위원회에서 이어가고 있다.[25]

8. 3. LLM 기반 프레임워크 (CAMEL 등)

ChatGPT와 같은 대규모 언어 모델 (LLM)의 발전과 함께, CAMEL과 같은 LLM 기반 다중 에이전트 프레임워크가[26][4] 다중 에이전트 애플리케이션 개발의 새로운 패러다임으로 떠오르고 있다.

9. 적용 사례

다중 에이전트 시스템(MAS)은 학술 연구뿐만 아니라 다양한 산업 분야에 걸쳐 적용되고 있다.[27] 대표적으로 그래픽 응용 프로그램이나 영화 제작,[28] 네트워킹 및 모바일 기술 분야에서의 부하 분산 및 네트워크 관리,[27] 교통 시스템 제어,[30] 물류 최적화,[31] 제조 공정 관리, 전력 시스템[32] 및 스마트 그리드 운영,[33] GIS[33] 활용 등 다양한 사례가 있다. 또한, 조정된 방어 시스템 구축이나[27] 사회 현상 시뮬레이션,[34] 자율 주행 자동차 기술 개발[35][36][37][38] 등에도 MAS가 활용된다. 재해 발생 시 대피 유도 방침 결정 시스템 역시 응용 분야 중 하나이다.

9. 1. 그래픽 응용 프로그램

다중 에이전트 시스템(MAS)은 컴퓨터 게임과 같은 그래픽 응용 프로그램에 실제로 적용되고 있다.[27] 또한 영화 제작 과정에서도 에이전트 시스템이 활용된 사례가 있다.[28]

9. 2. 네트워킹 및 모바일 기술

다중 에이전트 시스템(MAS)은 네트워크 및 모바일 기술 분야에서 자동적이고 동적인 부하 분산, 높은 확장성 및 자가 복구 네트워크를 달성하기 위해 널리 사용이 권장된다.[27]

9. 3. 교통

다중 에이전트 시스템(MAS)은 교통 분야에도 응용된다.[30] 특히 자율 주행 자동차로 제어되는 차량 교통 시스템을 모델링하는 데 활용될 수 있으며, 이는 군중 역학을 포함하는 복잡한 시스템 분석에 도움을 준다.[35]

자동 주행 시스템의 개발 및 검증 과정에서 시험 차량의 디지털 트윈과 독립적인 에이전트를 기반으로 한 미시적 교통 시뮬레이션을 적용하는 연구가 진행되었다.[36] 또한, 구글의 자회사인 웨이모는 자율 주행 자동차 알고리즘을 테스트하기 위해 다중 에이전트 시뮬레이션 환경인 'Carcraft'를 개발했다.[37][38] Carcraft는 실제 인간 운전자, 보행자, 그리고 자율 주행 차량 간의 복잡한 교통 상호작용을 시뮬레이션하며, 이때 인간의 행동은 실제 데이터를 기반으로 모델링된 인공 에이전트에 의해 모방된다. 이러한 시뮬레이션은 교통 시스템을 최적화하고 교통 흐름을 효과적으로 제어하는 데 기여할 수 있다.

9. 4. 물류

다중 에이전트 시스템(MAS)은 학술 연구뿐만 아니라 다양한 산업 분야에도 적용되고 있으며,[27] 특히 물류 분야[31]를 비롯하여 교통,[30] 그래픽, 제조, 전력 시스템,[32] 스마트 그리드,[33] GIS 등 여러 응용 분야에서 활용된다.

9. 5. 제조

(해당 섹션 제목과 관련된 내용이 원본 소스에 존재하지 않아 내용을 작성할 수 없습니다.)

9. 6. 전력 시스템 및 스마트 그리드

다중 에이전트 시스템(MAS)은 다양한 산업 분야에 적용되고 있으며, 그중 하나로 전력 시스템[32] 관리 및 스마트 그리드[33] 운영이 있다.

9. 7. 지리 정보 시스템 (GIS)

다중 에이전트 시스템(MAS)은 다양한 분야에 응용되며, 그중 하나로 GIS가 있다.

9. 8. 사회 시뮬레이션

다중 에이전트 시스템 인공 지능 (MAAI)은 사회 현상을 시뮬레이션하는 데 중요하게 활용된다. 이는 기후 변화, 에너지 문제, 질병의 역학, 갈등 관리, 아동 학대와 같은 복잡한 사회 문제들을 이해하고 해결책을 찾는 데 도움을 준다.[34]

다중 에이전트 시스템 모델을 이용한 사회 시뮬레이션 연구는 여러 전문 기관에서 활발하게 연구하고 있다. 대표적인 연구 기관으로는 모델링 사회 시스템 센터, 사회 시뮬레이션 연구 센터, 정책 모델링 센터, 모델링 및 시뮬레이션 국제 협회 등이 있다.[34]

이러한 방식의 시뮬레이션은 단순히 동일한 특징을 가진 여러 개체(노드)들의 상호 작용을 모방하는 것과는 차이가 있다. 예를 들어, 다양한 개성을 가진 사람들이 모여 이루는 인간 사회처럼 예측하기 어려운 현상을 모델링하여, 실제로 일어날 수 있는 상황을 현실에 가깝게 재현하는 것을 목표로 한다. 이를 통해 사회 문제에 대한 깊이 있는 분석과 효과적인 대응 방안을 마련하는 데 기여한다.

9. 9. 자율 주행 차량

자율 주행 차량으로 제어되는 차량 교통은 군중 역학을 포함하는 다중 에이전트 시스템으로 모델링될 수 있다.[35]

Hallerbach 등은 시험 중인 차량의 디지털 트윈과 독립적인 에이전트를 기반으로, 개별 차량의 움직임을 상세하게 모방하는 교통 시뮬레이션을 통해 자동 주행 시스템의 개발 및 검증에 에이전트 기반 접근 방식을 적용하는 방안을 논의했다.[36] 웨이모는 자율 주행 자동차 알고리즘을 테스트하기 위해 다중 에이전트 시뮬레이션 환경인 '카크래프트'(Carcraft)를 만들었다.[37][38] 이 시뮬레이션은 인간 운전자, 보행자 및 자동 차량 간의 교통 상호 작용을 모방한다. 사람들의 행동은 실제 인간 행동 데이터를 기반으로 하는 인공 에이전트에 의해 모방된다.

10. 처리계 (멀티 에이전트 시뮬레이터)

다양한 다중 에이전트 시뮬레이터가 개발되어 사용되고 있다. 주요 시뮬레이터와 그 특징은 다음과 같다. 각 시뮬레이터에 대한 자세한 내용은 해당 하위 섹션에서 확인할 수 있다.

시뮬레이터 이름가격 정보개발/판매처
artisoc유료 (교육용 무료)구조계획연구소
KK-MAS유료 (교육용 무료)구조계획연구소
Legion유료유덱 주식회사
Scenargie유료주식회사 스페이스 타임 엔지니어링
Repast무료 (오픈 소스)-
StarLogo무료MIT (과거 배포)
Swarm무료 (오픈 소스)-
Soars무료-


10. 1. artisoc

artisoc는 구조계획연구소에서 판매하는 다중 에이전트 시스템 시뮬레이터이다. 유료 소프트웨어이지만, 교육용 버전은 무료로 제공된다. 공식 웹사이트 [http://mas.kke.co.jp/]를 통해 배포된다.

10. 2. KK-MAS

KK-MAS는 구조계획연구소에서 판매하는 다중 에이전트 시스템 시뮬레이터이다. 기본적으로 유료이지만 교육용 버전은 무료로 제공된다. 배포는 공식 웹사이트에서 이루어진다.

10. 3. Legion

Legion은 유덱 주식회사에서 판매하는 유료 다중 에이전트 시스템 시뮬레이터이다. 관련 정보는 유덱 주식회사의 [http://www.udec.co.jp 공식 웹사이트]에서 확인할 수 있다.

10. 4. Scenargie

Scenargie는 주식회사 스페이스 타임 엔지니어링에서 판매하는 유료 다중 에이전트 시스템 시뮬레이터이다. 공식 웹사이트에서 더 자세한 정보를 확인할 수 있다.

10. 5. Repast Agent Simulation Toolkit

Repast Agent Simulation Toolkit은 무료이며 오픈 소스로 제공되는 다중 에이전트 시스템 시뮬레이션 툴킷이다. 배포는 공식 웹사이트를 통해 이루어진다.
StarLogo는 다중 에이전트 시스템을 위한 시뮬레이터 중 하나이다. 무료로 제공되며, 과거 MIT의 에듀케이션 아케이드에서 배포하였다. [https://web.archive.org/web/20061115214729/http://education.mit.edu/starlogo/ StarLogo 웹사이트 (보존됨)]

10. 7. Swarm

Swarm은 무료이며 오픈 소스로 개발되는 다중 에이전트 시스템 시뮬레이터이다. 배포는 공식 웹사이트([http://www.swarm.org/wiki/Main_Page])에서 이루어진다.

10. 8. Soars

Soars는 무료 다중 에이전트 시스템 시뮬레이터이다. 배포처는 [http://www.soars.jp/ja/ Soars 공식 웹사이트]이다.

참조

[1] 서적 Multiagent Systems: Algorithmic, Game-Theoretic, and Logical Foundations. http://www.masfounda[...] Cambridge University Press
[2] 논문 Robust Formation Coordination of Robot Swarms with Nonlinear Dynamics and Unknown Disturbances: Design and Experiments https://ieeexplore.i[...]
[3] 서적 Multi-Agent Reinforcement Learning: Foundations and Modern Approaches. https://www.marl-boo[...] MIT Press
[4] 논문 Camel: Communicative agents for "mind" exploration of large language model society https://proceedings.[...]
[5] 논문 Agent-based Computing from Multi-agent Systems to Agent-Based Models: A Visual Survey https://www.research[...]
[6] 논문 The Effects of Proxy Bidding and Minimum Bid Increments within eBay Auctions https://web.archive.[...] 2008-03-18
[7] 웹사이트 The Future of Disaster Response: Humans Working with Multiagent Teams using DEFACTO https://aaai.org/pap[...] 2024-01-08
[8] 서적 Intelligent Systems for Crisis Management 2013
[9] 논문 Distributed Adaptive Time-Varying Group Formation Tracking for Multiagent Systems With Multiple Leaders on Directed Graphs 2020
[10] 논문 Simulating Organizational Decision-Making Using a Cognitively Realistic Agent Model http://jasss.soc.sur[...] 2004-06-30
[11] 간행물 Everything can be Agent! http://www.lifl.fr/S[...]
[12] 간행물 Artificial Intelligence: A Modern Approach http://aima.cs.berke[...] Prentice Hall
[13] 서적 Design of Agent-Based Models http://www.designofa[...] Bruckner Publishing
[14] 논문 Environment as a first-class abstraction in multiagent systems
[15] 서적 An Introduction to MultiAgent Systems John Wiley & Sons
[16] 논문 Cooperative Multi-Agent Learning: The State of the Art http://cs.gmu.edu/~e[...]
[17] 웹사이트 The Multi-Agent Systems Lab http://mas.cs.umass.[...] University of Massachusetts Amherst 2009-10-16
[18] 간행물 IJCAI-17 conference http://www.cs.utexas[...]
[19] 논문 The Mathematics of Emergence http://ttic.uchicago[...] 2008-06-09
[20] 논문 Cucker–Smale Flocking under Hierarchical Leadership http://scitation.aip[...] 2008-06-09
[21] 간행물 2007 IEEE International Conference on Electro/Information Technology http://eprints.utp.e[...]
[22] 논문 Motion control in magnetic microrobotics: From individual and multiple robots to swarms
[23] 웹사이트 OMG Document – orbos/97-10-05 (Update of Revised MAF Submission) https://www.omg.org/[...] 2019-02-19
[24] 웹사이트 A development framework for collaborative robots using feedback control https://www.research[...] 2024-01-08
[25] 웹사이트 IEEE IES Technical Committee on Industrial Agents (TC-IA) https://tcia.ieee-ie[...] 2019-02-19
[26] 웹사이트 CAMEL: Finding the Scaling Law of Agents. The first and the best multi-agent framework. https://github.com/c[...]
[27] 서적 Industrial agents : emerging applications of software agents in industry 2015-03-26
[28] 웹사이트 Film showcase http://www.massiveso[...] MASSIVE 2012-04-28
[29] 논문 Smart Agents in Industrial Cyber–Physical Systems http://urn.kb.se/res[...] 2016
[30] 간행물 Schedule-driven coordination for real-time traffic network control http://www.wiomax.co[...]
[31] 논문 Can agents measure up? A comparative study of an agent-based and on-line optimization approach for a drayage problem with uncertainty
[32] 서적 2018 Smart Grid Conference (SGC) 2024-01-08
[33] 논문 Distributed Multi -Agent System Based Load Frequency Control for Multi- Area Power System in Smart Grid https://www.research[...] 2024-01-08
[34] 웹사이트 AI can predict your future behaviour with powerful new simulations https://www.newscien[...]
[35] 논문 Crowd Dynamics: Modeling and Control of Multiagent Systems 2023-05-03
[36] 논문 Simulation-Based Identification of Critical Scenarios for Cooperative and Automated Vehicles https://www.research[...] SAE International 2018
[37] 뉴스 Inside Waymo's Secret World for Training Self-Driving Cars https://www.theatlan[...] 2020-08-14
[38] 논문 Cyber Synthetic Modeling for Vehicle-to-Vehicle Applications Academic Conferences International Limited 2018
[39] 서적 Multiagent Systems: Algorithmic, Game-Theoretic, and Logical Foundations. http://www.masfounda[...] Cambridge University Press 2009
[40] 간행물 Robust Formation Coordination of Robot Swarms with Nonlinear Dynamics and Unknown Disturbances: Design and Experiments https://ieeexplore.i[...] 2021
[41] 서적 Multi-Agent Reinforcement Learning: Foundations and Modern Approaches. https://www.marl-boo[...] MIT Press 2024
[42] 저널 Agent-based Computing from Multi-agent Systems to Agent-Based Models: A Visual Survey https://www.research[...]
[43] 저널 The Effects of Proxy Bidding and Minimum Bid Increments within eBay Auctions https://web.archive.[...] 2008-03-18
[44] 웹인용 The Future of Disaster Response: Humans Working with Multiagent Teams using DEFACTO https://aaai.org/pap[...] 2024-01-08
[45] 서적 Intelligent Systems for Crisis Management 2013
[46] 저널 Distributed Adaptive Time-Varying Group Formation Tracking for Multiagent Systems With Multiple Leaders on Directed Graphs 2020
[47] 저널 Simulating Organizational Decision-Making Using a Cognitively Realistic Agent Model http://jasss.soc.sur[...] 2004-06-30


본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다.
모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다.
따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.

문의하기 : help@durumis.com