sistemas multiagente-inteligencia artificial

7/24/2019 sistemas multiagente-inteligencia artificial

1/19

La manera tan impresionante en que los enjambres dehormigas, abejas, grillos, langostas, insectos en general y losgrupos de animales, peces, pjaros, elefantes y lobos, entreotros, actan formando con su comportamiento individualuna especie de cerebro colectivo, una inteligencia de grupodonde emergen propiedades como la coordinacin, lacooperacin, la integracin y la autorganizacin resultaninteresante de estudiar y reflexionar, no slo por el conjuntode aplicaciones que tienen en diversas reas tales como:inteligencia artificial, economa, sociologa e ingeniera, entreotras sino tambin por el aprendizaje que puede dejar a losseres humanos a nivel de su comportamiento individual ycolectivo. Niriaska Perozo

AA

PP

LL

IICCAA

CC

IIOO

NN

EE

SS

DD

EE

LL

OO

SS

SS

IISS

TT

EE

MM

AA

SS

MMUULLTTIIAAGGEENNTTEE

Prof. Niriaska Perozo G

UUNNIIVVEERRSS

LLIISSAANNDD

IIDDAADDCCEENNTTRROOCCCCIIDDEENNTTAALLRROOAALLVVAARRAADDOO


2/19

Aplicaciones de los Sistemas Multiagente Prof. Niriaska PerozoUCLA - Mayo 2008

2

APLICACIONES DE LOS SISTEMAS

MULTIAGENTE

Prof. Niriaska Perozo G.

Trabajo Presentado Como Requisito Para Optar a laCategoria de Agregado en el Escalafon del Personal Docente

y de Investigacin

CONTENIDO:

1.

BASAMENTO LEGAL2.

INTRODUCCIN

3.

SISTEMAS MULTIAGENTE

4.

INTELIGENCIA COLECTIVA

5.

LA INTELIGENCIA COLECTIVA EN EL DESARROLLO DE APLICACIONES

MULTIAGENTE

6.

CONCLUSIONES

7.

REFERENCIAS

MAYO 2008


3/19


3

1. BASAMENTO LEGAL

El presente trabajo de ascenso se sustenta en el Reglamento de Clasificacin yAscenso de los miembros del Personal Docente y de Investigacin de la

Universidad Centroccidental

Lisandro Alvarado

, aprobado el 9 de mayo del2007 en sesin extraordinaria del Consejo Universitario N 1.772, publicado enGaceta Universitaria 101.

As, en el Capitulo 1, se encuentra el artculo N 10, donde se describe losrequisitos para ascender al escalafn de Agregado, especficamente en el tem ese trata lo concerniente a la presentacin y aprobacin de un trabajo de ascenso,de conformidad a lo establecido en este Reglamento.

Adems, en el Capitulo 3, de los Trabajos de Ascenso, especficamente en elartculo 35, se detallan las caractersticas que debe poseer dicho trabajo; y en elartculo 40, se mencionan las modalidades en que puede ser presentado el mismo,

donde se seala entre otros, en el literal a: los trabajos de investigaciny en el literald: las publicaciones cientficas.

Con respecto a ste trabajo, presentado para su aprobacin como requisito deascenso, tenemos que aplica tanto al literal a, segn lo establecido en el artculo43, como al literal d, segn lo establecido en el artculo 46, del reglamento enreferencia. En este sentido, confo al jurado la aplicacin del Reglamento encuestin.

2. INTRODUCCIN

Como miembro de la Unidad de Investigacin en Inteligencia Artificial delDecanato de Ciencias y Tecnologa de la Universidad Centroccidental LisandroAlvarado, mi trabajo de investigacin y los artculos publicados presentanaportes al rea de Inteligencia Artificial, especficamente, a la subrea relacionadaa los sistemas multiagente e inteligencia colectiva, as tenemos que en el anexo 1,se presenta el diseo de una arquitectura multiagente para un sistema operativoWeb que soporta y maneja un conjunto de servicios en un contexto heterogneo,dinmico y adaptativo, bajo el enfoque de reconfiguracin de aplicaciones; elSistema Operativo Web (SOW) est conformado por cuatro subsistemas,representados por agentes que llevan a cabo una serie de funciones coordinadas,

para permitir el uso eficiente de los recursos sobre Internet. Adems, en el anexo2, se define un mtodo de verificacin para el diseo de un sistema multiagentebasado en MASINA [2]. Este mtodo de verificacin consiste en evaluar ciertoscriterios en el sistema como coherencia, autonoma y robustez, entre otros para


4/19


4

verificar la arquitectura del sistema multiagente desde diferentes niveles deabstraccin (nivel macro), y a travs del cruce de los modelos (nivel micro).

Por otra parte, en el marco del desarrollo del Proyecto: Diseo de un ModeloAutorganizativo para un Sistema Manejador de Comunidades en un Sistema Operativo Web,utilizando Inteligencia Artificial, cdigo del C.D.C.H.T. UCLA: 005-RCT-2005,ejecutado en el perodo 2005-2008, se logr obtener un prototipo funcional deun modelo autorganizativo para un sistema manejador de comunidades en unsistema operativo web utilizando inteligencia colectiva y dos publicaciones:Diseo de un Sistema Manejador de Comunidades para un Sistema Operativo Web(anexo 3) y el Modelo de un Sistema Manejador De Comunidades Autorganizativo paraun Sistema Operativo Web Multiagente(anexo 4) enviadas a la Revista Publicacionesen Ciencias y Tecnologa de nuestro Decanato. En estos artculos se describepor un lado, el diseo multiagente de un sistema manejador de comunidades paraun sistema operativo Web, como un sistema de agrupamiento de recursos y

servicios dinmico y autorganizado y por otro lado, el modelo funcional de estesistema con el anlisis, calibracin y evaluacin de los parmetros claves en lasimulacin.

Debido a que los trabajos realizados son aplicaciones basadas o desarrolladassiguiendo el paradigma de agentes, y con la intencin de facilitar la comprensinde los artculos anexados, en las secciones 3, 4 y 5 es presentado un marcoterico con los conceptos bsicos relacionados al rea de los sistemas multiagentee inteligencia colectiva respectivamente.

3.

SISTEMAS MULTIAGENTE

En esta seccin se presenta una visin general sobre los aspectos tericos msrelevantes en el rea de la inteligencia artificial distribuida (IAD).

Los sistemas distribuidos han ganado importancia en los ltimos aos, debidopor una parte al incremento de los recursos disponibles en las redes cada vez msrpidas y extensas, y por otra parte a la gran capacidad de clculo que tienen losnodos de dichas redes. Esta situacin ha favorecido la distribucin de lasaplicaciones hasta ahora consideradas monolticas, y con esta distribucin hanaparecido nuevos servicios y productos. La Inteligencia Artificial (IA) no ha sido

ajena a esta evolucin, dando una nueva dimensin a las soluciones dadas aproblemas existentes [5].

Dicha distribucin, segn [5], ha dado lugar a la IAD, como un subcampo de laIA que se encarga del estudio y el modelado de las acciones y el conocimiento de


5/19


5

sistemas colaborativos. A su vez, la IAD se divide en dos reas de estudio; laResolucin de Problemas Distribuidos(RPD) y los Sistemas Multiagente(SMA). La RPDconsidera que un problema puede ser dividido en varios mdulos, o nodos, quecooperan y comparten el conocimiento de que disponen, quedando toda lainteraccin entre los nodos prefijada en tiempo de desarrollo como parteintegrante del sistema. Por otra parte, un SMA se puede definir como una red desolucionadores de problemas (agentes) con un nivel muy bajo de acoplamiento,que trabajan conjuntamente, lo que posibilita que se enfrenten a problemas mscomplejos que los abordables de forma individual.

A continuacin se muestra la IAD desde ambos puntos de vistas. Adems, seseala algunas diferencias entre ambos enfoques.

a) Sistemas Multiagente (SMA)

La teora de agentes puede ser vista como una evolucin de la inteligencia

artificial en la bsqueda de aportar autonoma a los sistemascomputacionales. De hecho, aun cuando la definicin de agente ha sidomotivo de un amplio debate entre la comunidad de investigacin de laInteligencia Artificial Distribuida, existe el acuerdo de que la autonoma es lacaracterstica principal que describe a un agente, entendiendo comoautonoma la capacidad del agente de actuar sin la intervencin de un usuarioo de otro sistema. Una definicin de agente ampliamente aceptada es citadapor [6]: Un agente es un sistema computacional que est situado en un ambiente, y quees capaz de tomar acciones autnomas en ese ambiente con el fin de cumplir sus objetivos dediseo. As, los agentes inteligentes, adems de atributos y mtodos(propiedades del paradigma de orientacin por objetos), poseen creencias,

deseos e intenciones que los vinculan con su entorno y les proveen estadosmentales de los cuales depende su comportamiento. Cada agente posee unaserie de propiedades, entre las que se cuentan autonoma, movilidad,racionalidad, reactividad, sociabilidad y proactividad. Adems, pueden estardotados de mecanismos de razonamiento que les permiten abordarsituaciones de manera inteligente y evolucionar por medio de la experiencia.En ese caso los agentes se denominan agentes inteligentes.

Los SMA son sistemas que describen a los agentes en un entorno social, en elque dichos agentes cooperan para lograr tanto sus metas individuales comolas metas colectivas de la comunidad multiagente [6]. Un SMA posee unlenguaje de agente que permite que los agentes se relacionen o interacten.

Las caractersticas ms representativas de los SMA, segn [5], son:! Cada agente tiene informacin incompleta, o no es capaz de resolver los

problemas completos, es decir, tiene conocimiento limitado delproblema.


6/19


6

! No existe un sistema de control global.! Los datos estn descentralizados.! El procesamiento de la informacin es asncrono.

Con respecto a la coordinacin en los SMA, tenemos que las acciones en unentorno multiagente necesitan ser coordinadas por cuatro razones principales[1]:

I. Los agentes necesitan informacin y resultados que otros agentespueden suministrar.

II. Los recursos son limitados. La coordinacin llega a ser realmenteimportante cuando los recursos disminuyen, ya que los recursostienen que ser compartidos de tal forma que permita optimizar lasacciones a ser ejecutadas.

III. Para tratar de optimizar costos. La coordinacin de acciones hace

que se evite la realizacin de acciones redundantes y sin sentido.IV.

Para permitir que ciertos agentes tengan objetivos diferentes perointerdependientes, lo que permitir realizar trabajos en conjunto.

Bsicamente, la coordinacin de acciones en un SMA puede ocurrir ensituaciones de cooperacin(objetivos compatibles, deben asistirse unos a otrospara alcanzar sus metas)y de competicin (objetivos incompatibles, las metasde uno contradice las de otro) [1].

b) Resolucin de Problemas Distribuidos

Segn [3], la RPD estudia los sistemas inteligentes distribuidos con una

funcionalidad global. Los agentes cumplen unas caractersticas mnimas de:Benevolencia(los agentes cooperan con los dems siempre que les sea posible;no pueden mentir, ni esconder informacin); Objetivos Compartidos(todos losagentes valoran el resultado de la actividad del grupo con la misma escala ydesean contribuir para maximizar su calidad); Diseo Central(todos los agentesse disean para que se integren en un sistema inteligente, capaz de resolverun problema; el diseador debe asegurar que los agentes utilicen el mismolenguaje, que cada agente desempee un papel que influya en la consecucindel objetivo global, entre otros).

El proceso de razonamiento en un grupo de agentes de un sistema RPD se

puede subdividir en cuatro diferentes etapas: Descomposicin de tareas(una tarease descompone en tareas menos complejas o ms pequeas); Asignacin detareas y recursos entre agentes (se determina qu agentes tendrn que resolver quetareas y los recursos de los que disponen); Resolucin de subproblemas (cada


7/19


7

agente resuelve las tareas que le han sido asignadas) e Integracin de soluciones(para componer y conseguir una solucin a la tarea inicial).

El dilema bsico de la RPD consiste en realizar tal proceso de formaglobalmente coherente, ya que las decisiones globales se toman localmentepues ningn componente dispone de una visin completa del proceso deresolucin del problema.

Los diferentes mecanismos de coordinacin en la RPD se pueden clasificaren tres grandes grupos [4]:

I. Estructuras de organizacin: En el contexto de la RPD lasestructuras de organizacin se conciben como patrones estticos derelaciones de informacin y de control entre los agentes. Por ejemplo,se definen reas de inters para cada agente, en las que se especificanlas tareas de las que el agente es responsable, y se definen estructuras de

autoridad para resolver los conflictos en caso que las reas de inters sesolapen.

II. Planificacin multiagente: Antes de comenzar el proceso deresolucin del problema los agentes generan un plan en el que seespecifican todas sus futuras interacciones. La planificacinse realiza deforma centralizada, todos los agentes mandan sus intenciones deactuacin a un agente coordinador. Este coordinador detecta lasrelaciones conflictivas y sinrgicas entre las acciones potenciales, y lascoordina para generar el plan del grupo. En el caso de planificacindistribuida, ningn agente dispone de conocimiento sobre todas las

actividades del grupo, lo cual dificulta considerablemente el proceso deplanificacin.

III. Intercambio de informacin a metanivel:Este mecanismo facilita lacoordinacin dinmica, es decir, articula el proceso de resolucin deproblemas con el de planificacin. Los agentes mantienen los modelossobre los dems intercambiando informacin en un metanivel referentea su percepcin del estado de resolucin del problema. De este modopredicen localmente las acciones de los dems y eligen las accioneslocales compatibles.

Las arquitecturas clsicas de la RPD son los actores, la red de contratos y laarquitectura de pizarra. La RPD asume un enfoque constructivo, donde losagentes resuelven subproblemas y se coordinan para alcanzar la funcionalidadglobal (metodologa bottom-up) [3].


8/19


8

c) RPD vs SMA

Segn [7] hay algunos aspectos que pueden ser contrastados paraestablecer claramente cuando es posible usar un enfoque u otro.

!

En los sistemas RPD se parte de un problema bien definido, divididoapriori, para cuya solucin un controlador ejerce una distribucin de lastareas estticas, presuntamente ptima, asignndolas a nodos que creapara la ocasin segn criterios de eficacia general, mientras que en losSMA los agentes con creencias, objetivos e intenciones propiasconstruyen conjuntamente el plan para solucionar el problema.

! En la RPD se mantiene una visin monoltica de la representacin deplanes, mientras que en los SMA lo que interesa es la coordinacin deplanes. Las tcnicas de planificacin asociadas a los SMA son,planificacin centralizada de planes (distribuidos y centralizados) y

planificacin distribuida de planes (distribuidos y centralizados), mientrasque en la RPD se asocian generalmente con Planificacin Centralizada.Vemos como los SMA tienen una diversidad de formas de planificacinque forman parte de su riqueza, adems que slo en los SMA puedeexistir un conocimiento amplio de su entorno.

! En la RPD se enfoca el problema de la coordinacin de arriba a abajo(top-down), ya que los agentes son diseados para cumplir los requisitosespecificados en la definicin del problema; en los SMA se hace de abajoa arriba (bottom-up) ya que, en principio, los agentes se disean enprimer lugar, y la estrategia de solucin para un problema determinado seespecifica ms tarde. As, los sistemas RPD, se especializan en la tarea

(task oriented), mientras que los SMA adoptan un punto de vistacentrado en el agente (agent oriented).

4.

INTELIGENCIA COLECTIVA

Segn [8], la inteligencia de enjambre (Swarm Intelligence) o tambin llamadainteligencia colectiva la podemos definir como un rea de investigacin que seencarga del diseo de algoritmos y de sistemas de resolucin de problemas,inspirados en el comportamiento de las sociedades de insectos. Los sistemasrealizados bajo el enfoque de la inteligencia colectiva se caracterizan por exhibircaractersticas que hacen a las sociedades de insectos exitosas en su entorno, tales

como: flexibilidad, robustez, control descentralizado y autorganizacin.Cuando hablamos de inteligencia colectiva en las sociedades de insectos debemostratar dos aspectos claves [8]: la autorganizacin y la interaccin indirecta.


9/19


9

a) Autorganizacin. Segn [9], la autorganizacin es un proceso en el que elpatrn (arreglo organizado particular de objetos en espacio o tiempo) en el nivel globalde un sistema emerge solamente de las interacciones numerosas entre los componentes denivel inferior del sistema. Por otra parte, las reglas que especifican lasinteracciones entre los componentes del sistema se ejecutan usandosolamente informacin local, sin referencia al patrn global. Porejemplo, las estructuras emergentes en el caso de la bsqueda de comida(forrajeo) en las hormigas incluyen redes organizadas espacial ytemporalmente de rastros de feromona (sustancia qumica excretada poralgunos animales que influye en el comportamiento de los de su mismaespecie). La esencia de la autorganizacin es que un sistema adquiere unaestructura espacial, temporal o funcional sin interferencia especfica delexterior. La organizacin puede desarrollarse o en tiempo o espacio,puede mantenerse en una forma estable o puede mostrar fenmenostransitorios. La caracterstica principal de estos sistemas autorganizativoses su capacidad de lograr tareas colectivas complejas con

comportamientos individuales simples, sin un control central o estructurajerrquica. Esta capacidad para resolver problemas complejos se debe alcomportamiento emergente (un comportamiento nuevo y estable) que esproducido por el sistema y, que es ms complejo que el comportamientode componentes individuales del sistema.

La autorganizacin requiere de cuatro insumos [8]:

I. Retroalimentacin Positiva. Est constituida por reglas decomportamiento simple que promueven la creacin de estructuras.Por ejemplo, el reclutamiento y el reforzamiento realizado en las

hormigas a travs del rastro dejado con la feromona o por la danzaen el caso de las abejas.

II. Retroalimentacin Negativa. Permite equilibrar con laretroalimentacin positiva y ayuda a estabilizar el patrn colectivo:puede tomar la forma de saturacin, agotamiento o competicin.En el ejemplo de forrajeo, la retroalimentacin negativa provienedel nmero limitado de hormigas disponibles, satisfaccin,agotamiento de la fuente de alimento, multitud en la fuente dealimento o competicin entre las fuentes de alimento.

III. Amplificacin de las Fluctuaciones (Aleatoriedad).No slo lasestructuras emergen a pesar de la aleatoriedad sino que laaleatoriedad es frecuentemente crucial, ya que permite eldescubrimiento de nuevas soluciones y fluctuaciones que puedenactuar como semillas para que nuevas estructuras se desarrollen y sefortalezcan. Por ejemplo, una hormiga que se pierda siguiendo elrastro de sus compaeras. Aunque ste fenmeno puede parecer


10/19


10

ineficiente, esto favorece la exploracin de nuevas reas, poderencontrar fuentes de alimento no explotadas y el reclutamiento decompaeras para esas nuevas fuentes de alimento.

IV. Mltiples Interacciones.Un simple individuopuede generar una

estructura autorganizada tal como un rastro estable provisto de untiempo de vida feromonal suficiente. Sin embargo, laautorganizacin generalmente requiere de una densidad mnima deindividuos tolerantes mutuamente. Adems, los individuos debenser capaces de hacer uso de los resultados de sus propias actividadestambin como de las actividades de los otros. Por ejemplo, redes derastro pueden autorganizarse y ser usadas colectivamente si losindividuos usan la feromona de los otros.

b) Interaccin Indirecta(Stigmergy). En el caso de Stigmergy, es unmecanismo de retroalimentacin usado para reflejar las interacciones indirectas entre los

agentes y el entorno. Permite alcanzar formas emergentes de comportamientocoordinado a nivel de la sociedad[10] adems, fue introducido por el estudiode las sociedades biolgicas de insectos y sus conceptos de interaccin eintercambio de informacin. Stigmergy describe una forma deinteraccin e intercambio de informacin asncrona entre agentesmediado por un ambiente activo es decir, un ambiente que es modificadoy a su vez, capaz de modificar el comportamiento de los agentesinvolucrados. Las investigaciones de algunas sociedades biolgicas deinsectos demuestran que se coordinan produciendo un campo disipante ode accin en su ambiente. Por ejemplo, la interaccin de las hormigas sebasa en la existencia de feromona que es depositada en el ambiente porlas hormigas durante sus actividades. Tal deposicin de feromonamodifica el ambiente para otras hormigas y determina sus actividades decierta manera. Un cambio en el ambiente es detectado por las hormigas ypuede accionar cambios en su comportamiento. En el mundo biolgico,stigmergy permite que los animales bastante simples alcancen uncomportamiento inesperado altamente ordenado a nivel de la sociedad.

5. LA INTELIGENCIA COLECTIVA EN EL DESARROLLODE APLICACIONES MULTIAGENTE

Un SMA necesita operar en ambientes heterogneos y dinmicos, capaces de

manejar frecuentemente los cambios requeridos, para ello deben ser flexible,robustos y adaptables a las circunstancias. Actualmente muchas aplicaciones querequieren cierto grado de autorganizacin y un comportamiento emergente, sondiseadas bajo el enfoque de un sistema multiagente que utiliza mecanismos decomunicacin y coordinacin, por ejemplo basados en el comportamiento de


11/19


11

algunas sociedades de insectos para aprovechar por un lado, las ventajasinherentes a los SMA como: autonoma, robustez, flexibilidad, reactividad, localidad,entre otras [1, 6] y por otro lado, el comportamiento colectivo, autorganizado yemergente de algunas sociedades de insectos.

Las arquitecturas de un agente estigmrgico son reactivas y manejadas a travsdel ambiente. Los principios de este enfoque son:

! Los agentes son simples, reactivos, e inconscientes de otros agentes o de lasactividades complejas que emergen de la sociedad de agentes.

! El ambiente es un mecanismo importante para dirigir actividades de estosagentes y para acumular informacin sobre las actividades en curso de lasociedad entera de agentes.

! La coordinacin de actividades a travs de la comunicacin directa esremplazada por interacciones indirectas que permiten tener agentes mssimples y reducir los requerimientos de comunicacin entre agentes.

Los beneficios de la inteligencia colectiva basada en el comportamiento de lassociedades de insectos son ilustrados por una variedad de aplicaciones descritasen [8, 9]. Estas aplicaciones incluyen el enrutamiento del trafico de la red ensistemas de telecomunicaciones, problemas de transporte multi-robot, anlisis yclasificacin de datos y bsquedas de soluciones aproximadas a problemascomplejos computacionalmente, entre otras.

6.

CONCLUSIONES

En este trabajo de ascenso se presentan 4 publicaciones donde se describendetalladamente los aportes de cada uno, destacando los siguientes: el diseomultiagente de dos subsistemas de un SOW, un mtodo para verificar el diseode un SMA basado en MASINA y el prototipo funcional de un modeloautorganizativo para un sistema manejador de comunidades en un SOWutilizando inteligencia colectiva. Adems, se presenta un marco terico acerca delos sistemas multiagente e inteligencia colectiva para facilitar la comprensin deltrabajo presentado.

7. REFERENCIAS


12/19


12

[1] Ferber, J. Multi-Agent Systems, An introduction to Distributed Artificial Intelligence. Addison-Wesley, 1.999.

[2] Aguilar, J., Cerrada, M., Hidrobo, F. MASINA: A Methodology to Specify MultiagentSystems. Lecture Notes in Computer Science, Springer Berlin / Heidelberg, ISBN: 978-3-540-72829-0, Volume 4496/2007, pp. 92-101, 2007.

[3] Ossowski, S., Garca, A., (1998). Inteligencia Artificial Distribuida y Sistemas Multiagentes.Inteligencia Artificial, Revista Iberoamericana de Inteligencia Artificial 6: 1-12.

[4] Nwana, H. S. and Lee, L. C. and Jennings, N. R. (1996). Coordination in Software AgentSystems.The British Telecom Technical Journal, 14 (4). pp. 79-88.

[5] Universidad Pontificia Comillas de Madrid (2003). Sistemas Multiagente. Disponible en:[http://www.iit.upco.es/~gustavop/sma.htm].

[6] Weiss, G. Multiagent Systems. Modern Approach to Distributed Artificial Intelligence. MITPress, Cambridge, MA (USA), 1.999.

[7] Alonso, E. Inteligencia Artificial Distribuida: Cmo Entenderla y Usarla. Disponible en:[http://perso.wanadoo.es/jjreina/divulgacion/100tifica/articulo/iad/iad.htm]

[8] Bonabeau E., Dorigo M., Theraulaz G.Swarm Intelligence: from Natural to ArtificialSystems. Oxford University Press, 1999.

[9] Camazine, S., Deneubourg, J., Franks, N., Sneyd, J., Theraulaz, G. and Bonabeau, E.Self-Organisation in Biological Systems. Princeton University Press, Princeton, NJ, USA,2001.

[10] Hadeli, P. Valckenaers, C. Bala Z., H. Van Brussel, B. Saint G., T. Holvoet, E.Steegmans. 2003. Self-Organising in Multi-Agent Coordination and Control Using Stigmergy.K.U. Leuven Clestijnenlaan.


13/19


13

ANEXO 1

Architecture of a Web Operating System based onMultiagent Systems

Lecture Notes in Artificial Intelligence, Springer-Verlag, Vol. 3681, pp. 700-706, 2005

http://apps.isiknowledge.com/ISIP_GeneralSearch.do
http://apps.isiknowledge.com/ISIP_GeneralSearch.do


14/19


14

ANEXO 2

Definition of a Verification Method for the MASINA

Methodology

International Journal of Information

Technology Vol 12, No.3, 2006http://www.icis.ntu.edu.sg/scs-ijit/1203/1203_12.pdf
http://www.icis.ntu.edu.sg/scs-ijit/1203/1203_12.pdf


15/19


15

ANEXO 3

Design of a Community Manager System for aMultiagent Web Operating System

Enviadas para revisin a la Revista:Publicaciones en Ciencias y Tecnologa.

Decanato de Ciencias y Tecnologa,Universidad Centroccidental Lisandro

Alvarado


16/19


16

ANEXO 4

Modelo de un Sistema Manejador de ComunidadesAutorganizativo para un Sistema Operativo Web

MultiagenteEnviadas para revisin a la Revista:

Publicaciones en Ciencias y Tecnologa.Decanato de Ciencias y Tecnologa,

Universidad Centroccidental LisandroAlvarado


17/19


17

ANEXO 5

Constancia de Trabajo


18/19


18

ANEXO 6

Constancia de Proyecto Inscrito en el CDCHT


19/19


19

ANEXO 7

Constancia de Lnea de Investigacin

sistemas multiagente-inteligencia artificial

Documents