JP2000501531A - マルチプルエージェント・ハイブリッド制御アーキテクチャ - Google Patents

Abstract

(57)【要約】 マルチプルエージェント・ハイブリッド制御アーキテクチャ（ＭＡＨＣＡ）は、分布されたプロセスのインテリジェントな制御を解析、設計および実行するためにエージェントを使用する。単一のエージェントは局部プロセスを制御するように構成でき、エージェントのネットワークはより複雑な分布されたプロセスを制御するように構成できる。各エージェントはユーザからの手動の入力を支持する知識ベースビルダ(22)と、システムの所望の性質を存在的に定量化された論理方程式として表したステートメントを生成するプランナ(24)と、このステートメントが知識ベース(28)において現在活性の定理であるかどうかを決定し、そうである場合には現在の制御アクションスケジュールを発生する推定手段(26)と、知識ベースの現在の状態に従わないステートメントを置換あるいは変更するアダプタ(30)と、他のエージェントからの自動的な入力を支持する知識デコーダ(32)とを含んでいる。マルチプルエージェントはメッセージを通して対話し、それは永久的あるいは一時的のいずれかにすることができる。

Description

【発明の詳細な説明】 マルチプルエージェント・ハイブリッド制御アーキテクチャ 発明の背景 発明の分野 本発明は、一般に小規模のシステムおよび大規模のシステムの両方のリアルタ イムの知識に基づいた制御に関する。特に、本発明は、エージェントの集合によ ってその論理（セットのベース）および展開（連続ベース）の性質が制御される 素子で構成され、空間的および／または時間的に分布されたシステムのコンピュ ータベースの制御に関する。本発明は、各エージェントによるソフトウェアのオ ンライン生成を通してシステムを増分的に応答的に構成するための方法を提供す る。生成されたソフトウェアは、個々のエージェントの性質を管理し、局部的お よび全体的なシステムの目標、センサ値および動作特性に関する宣言された論理 および展開の制約に従った最適に近い適合を与える。従来技術の説明 コンピュータ制御されたシステムは、その制御の責務を実行する際に人間にア ドバイスを与えるため、あるいは適切な制御動作を自律的に実行するためのいず れかの場合に使用される素子の集合である。コンピュータ制御されたシステムは また、アドバイスを与える素子および自律素子の両方を組合わせたものを有して いてもよい。 分布されたリアルタイムのコンピュータ制御されたシステムの代表的な素子に は、コンピュータ、通信ネットワーク、ソフトウェア、センサ（アナログ−デジ タル変換器）およびアクチュエータ（デジタル−アナログ変換器）が含まれてい る。システムは、一般に所望の性質としてしばしば表される所望の高レベルのイ ベントベースの目標（安全性の目標あるいは品質の目標）を達成するために制御 され、また、しばしば微分あるいは微分方程式として表される所望の低レベルの 展開ベースの目標（角度位置の変化の正確な割合あるいは変位速度の正確な制御 等）を達成するために制御される。 現在の工学環境によって、種々の制御機構の実験的試みを行うための広範な実 験が支持される。システムの制約のより一層正確なステートメントと、考慮され た制御機構の故障モードを発見するようにより広範に組み合わされた実験を行う ための一層パワフルなシミュレーション環境とを提供するために、過去数十年に わたって多数の試みが行われてきた。システムが解析され、設計され、実行され 、維持されると、工学環境において行われたこれらの広範な実験は、分布された システムの自律あるいは（人間がループ中にいる）半自律制御を達成するために コンピュータ制御されたシステムによって使用されたモデルおよびアルゴリズム の証明、確認および信任を行うために使用される。 既存の技術的試みは、小規模のシステムに対しては大きな成功を収めた。しか しながら、米国商務省によると、リアルタイムのシステムの７０乃至９０％がそ の目標への到達および配置に失敗している。さらに、配置されたこれらのシステ ムの場合、ソフトウェアに起因する初期のシステムのコストの割合は上昇し続け 、初期の獲得のコストの３０乃至９０％になる。大規模の分布したシステムを構 成する際の主な失敗の原因は、リアルタイムのプロセスを同期させることが困難 なことである。 最良の既存の技術は、システム性質に関する論理的制約、地理的制約および展 開の制約を組合わせるコンピュータ制御システムを構成するための工学的経験お よび発見的学習に依存している。これらのシステムの証明、確認および信任は、 一連のシミュレーションあるいはべンチマーク実験を通してシステムの故障モー ドを発見および補正し、それに続いて発見された故障モードを補正するという高 価で決定的でない開発努力によって達成される。上述のように、リアルタイムで 大規模に制御を行う試みはしばしば失敗し、著しくリソースを消耗した後にその 計画は放棄されてしまう。成功したものでも更新が困難であり、その理由は、証 明、確認および信任の一連の実験はシステムが変えられる都度反復されなければ ならないからである。 本発明は、宣言された制約を満足させる制御ソフトウェアの生成によって現在 の技術を改良する。この技術は厳密な数学上の結果に基づいており、それによっ て、試みが打診され（知識ベースでの断定と矛盾する定理は証明しない）、完了 する［知識ベースによって説明された点の範囲内の任意の点にシステム状態が（ 宣言された近さの規範内で）到達するようにするアクションを生じさせる定理を 証明する］。この形式的な理論的な結果と、本発明において実際に実行された場 合の結果によって、分布された大規模のリアルタイムの制御システムを信頼され た素子から増分的に構成することができる。従って、既存の素子が信頼度を得る 程度まで、本発明は、先の実験を繰返さずに一層規模の大きいシステム中にその 素子を含むことを可能にする。さらに、従来からの、生産ラインのアプリケーシ ョンから構成された良く理解された小規模のシステムの場合、本発明によってシ ステムパラメータを広い範囲で信頼可能に変更することができる。 現在、マルチプルエージェント・ハイブリッド制御アーキテクチャ（ＭＡＨＣ Ａ）に類似した製品は存在していない。ＭＡＨＣＡの特徴は次のようなものであ る。 １．ＭＡＨＣＡは、システム性質における論理および展開の制約を組合わせるシ ステム状態の一般的な記述を使用する。最良の商業的にシミュレートされた製品 は、長年の間システム性質のそのような組み合わされた記述を支持してきた。商 業的シミュレーションシステムの例にはＳＩＭＮＯＮおよびＡＣＳＬが含まれて おり、それらは両方とも非線形システムの記述、システムの平衡点の発見および 線形制御装置の設計のために平衡なシステムの線形化を支持する。最良の実験の プロトタイプは、コーネル大学のＤＳＴＯＯＬであり、それはＭＡＨＣＡのもの に最も近いシステム記述を使用する。Lund Institute of TecnologyのMats Ande rsson氏による最近の博士論文において、ハイブリッドシステムのシミュレーシ ョンについて論じられている。その論文において、システムモデリング言語Ｏｍ ｏｌａと、シミュレーションシステムＯｍＳｉｍについて説明されている。これ らの製品および実験用システムは、故障モードの発見を含むシステム性質の発見 を含むが、それらは不所望な性質を補償するための制御装置の生成を支持しては いない。 ２．ＭＡＨＣＡのシステムの性質の論理および展開の記述によって、累加的な制 御の解が与えられる。制御システムの設計のための商業的製品が存在し、それは 実験から制御コードを生成するものを含む。最良の商業的システムはＭＡＴＬＡ Ｂ、ＭＡＴＲＩＸ−ＸおよびＢＥＡＣＯＮである。最良の実験用プロトタイプは ドイツのＡＮＤＥＣＳと、ハネウェル(Honeywell)社のＨＯＮＥＹ−Ｘと、ウォ ータールー大学(University of Waterloo)のＭＥＴＬである。ＭＥＴＬは、シス テム性質の論理および展開の記述の両方と、論理および展開の制約と合致する制 御解とを与えることを支持する。しかしながら、ＭＥＴＬは、現在入手可能な全 ての他の制御設計ツールのように、故障モードの実験上の発見と、組み合わされ た解を構成するための工学上の発見的学習のアプリケーションとに依存している 。 ３．ＭＡＨＣＡは、イベントの線形および非線形スケジューリングの両方を解決 するためにシステムを支持する。商業製品は、イベントのディスクリートなシー ケンスのスケジューリングを行うために存在している。ディスクリートな製造の ための最適なスケジューリングパッケージとして、GENSYM 社の製品Ｇ２を拡張 したものが現在市場に出ている。この製品は、他のスケジューリングパッケージ と同様に、非線形問題として知られているものに対する線形の近似の解に依存し ている。ＭＡＨＣＡは、その線形近似と同様に非線形のスケジューリングの問題 を解決する。 ４．ＭＡＨＣＡは汎用のアーキテクチャのデスクリプタを使用する。大規模のリ アルタイムのシステムのための汎用のアーキテクチャは、かなり長い間開発され てきた。米国の国家標準局とアメリカ航空宇宙局が共同開発したＮＡＳＲＥＭア ーキテクチャは、１９８９年に公開標準として発行物に記載された。リアルタイ ムで分布された制御を行うためのこの文献のアーキテクチャは、幾つかの大規模 のシステムの開始点ならびに次世代制御装置プロジェクトの開始、および先行研 究プロジェクト機関（ＡＲＰＡ）の領域特定ソフトウェアアーキテクチャ（ＤＳ ＳＡ）プロジェクトによって支持された素子ベースのプログラミングにおける２ つのプロジェクトの開始として使用されている。これらのプロジェクトの１つは 、宣言のシステムアーキテクチャ、すなわちＡＲＤＥＣＴＥＫＮＯＷＬＥＤＧＥ （ＡＲＴＥＫ）モデルのための最良の実験用プロトタイプを有している。しかし ながら、ＮＡＳＲＥＭおよびＡＲＴＥＫのいずれも、それらのアーキテクチャの シンタクスによって記述されたシステムのための制御プログラムの開発を支持し ない。ＭＨＡＣＡは、大規模のシステムのための基準アーキテクチャを記述する ためにＮＡＳＲＥＭあるいはＡＲＴＥＫシンタクスのいずれかを使用することが でき、また、アーキテクチャのアプリケーションの設計の目標と合致するのに必 要なアクションを実行するために制御ソフトウェアを生成することができる。ま た、ＮＡＳＲＥＭおよびＡＲＴＥＫは両方とも、大規模の分布されたシステムに 対する同期の要求の宣言を支持するが、どちらも要求された同期を達成する制御 を解する構成を支持しない。 ＭＡＨＣＡは、（ＮＩＳＴ）およびアメリカ航空宇宙局（ＮＡＳＡ）によって 文献“NASA/NBS Standards Reference Model for Telerobot Control System Ar chitecture（NASREM）”（NIST(NBS の前身)Technical Note 1235，April 1989) において記載されたリアルタイムの制御アーキテクチャの能力を実質的に拡張す る異種システムをフレキシブルに構成するための技術を提供する。ＮＡＳＲＥＭ の実験に基づいたアーキテクチャは、インテリジェントでリアルタイムのコンピ ュータ制御されたシステムを実験的に開発するための最も論理的な構成のツール を表している。ＮＡＳＲＥＭアーキテクチャは、大規模のシステムのための最も 幅広く実行されたアーキテクチャの１つであり、アメリカ国防省によって行われ たリアルタイムの素子ベースの制御リサーチの開始点であった。ＮＡＳＲＥＭは 、幾つかの非常に有効な特徴を含んでおり、それらは次のようなものである。 １．ＮＡＳＲＥＭは、速いタイムスケールで実行される階層の低いレベルと、遅 いタイムスケールで実行される階層の高いレベルとに基づいて、複雑なリアルタ イムのシステムを固定の階層に分割するのを支持する。タイムスケールは、最も 遅いタイムスケールでのシステムの展開の数時間の観察から最も速いタイムスケ ールでのシステムの展開の数ミリ秒間の観察へ名目上変化する。 ２．ＮＡＳＲＥＭはさらに、階層の各層において複雑なリアルタイムのシステム を固定された階層的区画に分割するのを支持し、それは次のような感知・決定・ 動作の模範例に従って各層を制御する固定の閉ループによる方法のための素子に 対応する。感知・決定・動作の例は以下の通りである。 ａ．階層における各層（タイムスケール）においてシステムの状態を感知する。 階層中の最も低いレベルにおいて自動的に入力を感知および提供するためにアナ ログ−デジタル変換器が使用され、一方、階層中の最も高いレベルにおいて人間 による照合、システム照合に対する応答、あるいは決定を得るためにユーザイン ターフェイスが使用される。 ｂ．どのアクションあるいはプランが実行されるかを決定する。階層中の最も低 い層においてどのアクションが行われるかを決定するために、ディスクリートな イベントシステムに対して使用される順次連続したマシンのためのスケジューリ ング・アルゴリズムと、異なる動作モードに適切な閉ループ制御アルゴリズムに 対して、あるいは定義の明確な動作点の周囲での使用に適切な適応性のある制御 アルゴリズムに対して利得スケジューリングを達成するために実験用に作られた スイッチング・テーブルとが使用される。 ｃ．階層中の各層におけるシステムの現在の状態に対して適切なアクションを行 うように機能する。階層において低いレベルは高いレベルよりも速いタイムスケ ールで動作するため（最も低いレベルのタイムスケールは最も高いレベルよりも 数桁速い）、高いレベルで行われたそれぞれのアクションと比較して低いレベル では多くのアクションが行われる。 各階層の区画は、それが制御するレベルに対して感知・決定・動作サイクルを 実行するために固定速度で進行する。速度は、ユーザの性能の要求に基づいてシ ステムに合わせることができ、あるいは、速度は既存のプロセスの物理的な要求 に基づいて実験的に決定されてもよい。各層は、システムの現在の状態および次 のサイクルに対して行われる決定に関する制約に関する知識を含む全体的な知識 ベースにアクセスする。 ３．ＮＡＳＲＥＭは、システムの性質をシステムのタイムスケールに従った名目 上の区画に基づいて実行された主要な論理的活動に分割する。これによって、複 雑なシステムが増分的に設計され、プロトタイプにされ、組み立てられ、試験さ れ、実用されるように、層における高レベルの論理的機能を最も簡単なものから 最も複雑なものへ加える意図的な設計が支持される。 複雑な大規模のシステムを実行するための広範囲に行われた実験に基づいたＮ ＡＳＲＥＭおよびその他のアーキテクチャは、成功を収めた工学的方法であった 。しかしながら、システムの寸法および複雑さが増加するにつれ、この技術は、 成 功を収めようとする試みにおいて次第に効果が無くなってきた。 発明の概要 本発明の目的は、非線形であり、時間的に変化し、時間的および空間的に分布 された小規模および大規模のシステムをリアルタイムで制御するほぼ正確で最適 に近いシステムを増分的に構成するための汎用アーキテクチャを提供することで ある。本発明は、最初にシステム記述の最適に近い解が存在することを証明し、 次にシステムの所定の非線形性、妨害、不確定性、および時間の経過と共に生じ る変化にも関わらず最適に近い性能を達成する自動制御を生成することによって 、非線形性でリアルタイムの分布されたプロセスを閉ループで最適に近い状態で 自律制御を行うためのコンピュータの使用に適した方法を提供する。 本発明の別の目的は、ハイブリッドシステムの性質における論理および展開の 制約の宣言を可能にするクローズの言語を構成することである。システムアーキ テクチャに対するこの断言的な試みによって、サブシステムの相互作用する素子 間の関係に関して複雑なシステムが定義される。 本発明の別の目的は、大規模の、分布されたシステムに適した解を得るための コストを実質的に減少するために、最適に近い解の“十分に近い”特性の技術を 利用する宣言の構造を明示的に支持することである。これは、論理および展開の モデルの近さの規範と合致する制約の自動緩和を通して行われる。自動緩和は、 制約の統語論的(syntactical)変換を通して達成される。 本発明の関連した目的は、１組の工学ツールを提供し、システムと、エージェ ントのネットワークを通して性質を同期するシステムのシステムとに素子を組み 入れるための適切なクローズの宣言を決定する際にシステムエンジニアを助ける ことである。 本発明の関連した目的は、別のアプリケーションの信頼できる素子を宣言によ り新しいシステムのアーキテクチャに含むことによって再使用されることをエー ジェントのネットワークが支持することである。宣言により含むことによって、 従来からの素子を新しいシステムの信頼できる素子の部品として証明、確認、お よび信任するのに必要な実験が減少される。 本発明の関連した目的は、システム性質に関する論理および展開の制約と合致 するオートマタをオンラインで生成することによって、宣言による制約および最 適性の規範に従ったスケジュールおよび計画の生成および修正が支持されるよう にすることである。 本発明のこれらおよびその他の目的は、本発明の技術に従って、論理および展 開の素子ならびに従来からのあるいは新しい素子を含む異種の素子をオンライン で集積して時間的あるいは空間的に分布された非線形で、大規模で、リアルタイ ムのシステムの構築および同期をするためのアーキテクチャおよび方法の形態の ソフトウェアおよびハードウェア工学的ツールを提供することによって達成され る。この工学的ツールは、システム性質の宣言と一致するオートマタの生成を通 して異種の素子のフレキシブルなオンラインの集積を達成する。これらのオート マタは、エージェントのネットワーク中の局部エージェントによって実行され、 それによってシステムの機能およびシステム動作の時間的および空間的規模の増 分的な拡張を支持する。この工学的ツールは、個々のエージェントのための基礎 アーキテクチャと、エージェントのネットワークのための基礎アーキテクチャを 含んでいる。このツールは、幅広い種類の分布されたリアルタイムのアプリケー ションに既に適用されたモジュール式の能力のセットを含んでおり、ハイブリッ ドシステムの設計、解析および実行のための工学的能力の最初のセットとして与 えられる。 従って、ＭＡＨＣＡは、エージェントの層、ソフトウェアアプリケーション、 データベースシステム、広範囲および局部的な通信ネットワーク、センサ、アク チュエータおよび物理的ネットワーク素子を設計し、構成するための多層アーキ テクチャを提供する。ＭＡＨＣＡはまた、分布されたプロセスの動作を同期させ るために、多層アーキテクチャを通じて動作するマルチプルエージェント論理的 通信ネットワーク用のアーキテクチャを提供する。ＭＡＨＣＡはまた、個々の素 子間の性質の協働的および非協働的な戦略ならびにシステムの性質の集合および 分解を支持するように構成できる。 ＭＡＨＣＡの最上のレベルはエージェントのネットワークである。このエージ ェントのネットワークは、現在のシステム状態の制限に従うオンラインでの応答 的なコードの生成によって異種素子の同期を応答的に支持する協働的に動作する システムであると考えることができる。異種素子は、多くのタイムスケールで動 作するように時間的に分布でき、多くの場所で動作するように空間的に分布でき る。局部的な素子の性質は、局部的に定義された最適性の規範と、全体的に定義 された最適性の規範と、局部的な性質に関する論理的制約と、素子の展開に関す る局部的な制約と、連続性に関する全体的な制約と、局部エージェントに対して ハイブリッドシステム状態で捕捉された際の局部的および全体的なシステム状態 とに合致するようにローカルエージェントによって制御される。全体的なシステ ムの性質の展開は、ローカルエージェントの制御性質と、性質がローカルエージ ェントによって制御される素子の展開から発生する。 ＭＡＨＣＡの次のレベルはアプリケーション層であり、その高レベルの論理的 インターフェイスはエージェントのネットワークによって同期される。ネットワ ーク中の単一のエージェント、あるいは多数のエージェントの集合は、制御され るアプリケーションあるいはアプリケーションのセットにおいて別のプロセスの 高レベルの論理を使用する１または複数の展開プロセスの同期に適合するように 構成できる。 ＭＡＨＣＡの次のレベルはデータベース層であり、その入力および出力はアプ リケーション層によって名目上制御されるが、個々のエージェントはデータベー スの動作を直接制御するように構成できる。 ＭＡＨＣＡの次のレベルはネットワーク制御装置およびスケジュール装置レベ ルであり、それは論理通信ネットワークを横切ってメッセージを送信するための 通信プロトコルを実行する。 ＭＡＨＣＡの最も低い層は物理ネットワーク層である。この層は、送信および 受信装置のハードウェアと、ローカルエリアネットワークおよびワイドエリアネ ットワークに使用される送信媒体とを含んでいる。これはまた、リアルタイムの 制御アプリケーションのためのセンサおよびアクチュエータに対する層である。 現在の明細およびパラメータ値に応じたソフトウェアを生成するためにエージ ェントによって行われたステップのシーケンスは次のようなものである。 １．システム状態のキャリアマニホルドにおける変化の計算法の問題として元の 問題を再度公式化する。キャリアマニホルドは、ネットワークのシミュレーショ ンモデルとノードにおけるシミュレーションモデルとを結合したものである。状 態の軌跡およびそれらの展開はこのキャリアマニホルドにおいて生じる。この方 法は、全体的および局部的な問題に対するシステムの状態の制御関数を捜し、そ の制御関数は、分布されたリアルタイムの制御の問題に関して要求された全ての 目標を完全に達成するように状態の軌跡においてネガチブでないコスト関数を最 小にする。 ２．最小にされているコスト関数を表すラグランジュ方程式Ｌ（ｘ，ｕ）を状態 速度（割合）ｕに関して凸にすることによって変化の計算法の問題が凸の問題と 置換される。凸の問題は、元の問題と比較すると、測定された値の解（ときとし て弱い、あるいはＬ．Ｃ．Ｙｏｕｎｇと呼ばれる）を有している。この解は、元 の問題の全体の極小に近くなるように本来の問題の局部の極小の間で適切にチャ ターするチャタリング制御を行うことである。しかしながら、この解は単なる抽 象的なものであり、時間の局部的および全体的な制御関数を与えるだけである。 ３．代りに状態の制御関数を得るために、凸の問題を適切なハミルトン・ヤコー ビ・ベルマンの方程式に変換する。適切な境界条件に対するこの方程式の“ε解 ”は、フィードバック制御の生成子を表している状態空間に関して有効な無限小 変換を与える。 ４．所定の状態において可能である制御関数は、タンジェント平面において円錐 形であり、タンジェント平面と共に移動する。その状態において移動しながら最 適な制御を行うと、必要とされている最適に近い制御が行われる。制御は、アフ ィン接続のクリストッフェル記号によって代数的に表される。クリストッフェル 記号によって、先に述べられた目標と合致するために通信ネットワークおよびノ ードにおける近似を管理するのに必要な全体的および局部的なオートマタすなわ ち制御プログラムのリアルタイムの計算が行われる。全体的なプログラムは、ノ ード間でのメッセージの受渡しに責任がある。全体的なシステムの要求された運 動力学（ダイナミック）は、各ノードにおいて全体的に連続条件を実行すること によって、分布されたシステムの中央制御（全体的な裁定）なしに達成される。 ＭＡＨＣＡがＮＡＳＲＥＭ等の実験に基づいたアーキテクチャによって提供す る最も重要な利点は、実行のためのアーキテクチャにおける新しい素子の証明、 確認、および信任を行うのに必要な実験が実質的に少なくなることである。これ は、オートマタのオンラインでの生成を通して達成され、それによって、分布さ れたプロセスを応答的に同期させる。応答的な同期は、宣言されたシステム性質 に従うことを確実にする証明プロセスを通して達成される。これらの性質は、安 全性および品質の制約に関連した論理的な断言ならびに性能および正確の制約に 関連した展開の断定を含むことができる。ＭＡＨＣＡは、次のような幾つかの非 常に有効な特徴を有している。 １．ＭＡＨＣＡは、速いタイムスケールで実行される階層の低いレベルと遅いタ イムスケールで実行される階層の高いレベルとに基づいて複雑なリアルタイムの システムを名目上の階層に分割することを支持し、また、中間のタイムスケール で応答するオートマタのオンラインの生成を支持し、それによって、実効的に、 連続した階層が支持される。タイムスケールは、最も遅いタイムスケールでシス テムの展開を観察する数時間から、最も速いタイムスケールでシステムの展開を 観察するミリ秒まで名目上変化する。さらに、ＭＡＨＣＡは、名目上の階層にお ける層の間でリンクを生成するために応答するように構成され、それによって、 めったに起こらないイベントに対するタイミングの制約がそのイベントが生じた ときに満足される。 ２．ＭＡＨＣＡはさらに、複雑なリアルタイムのシステムを階層の各層における 固定された階層の区画に分離することを支持し、それはＮＡＳＲＥＭシーケンス に類似した感知・決定・動作の例に従って各層を制御するための固定の閉ループ 法のための素子に対応する。階層の各区画は、それが制御するレベルに対して感 知・決定・動作サイクルを実行するために固定速度で進行する。しかしながら、 ＭＡＨＣＡはまた、中間のタイムスケールで応答するオートマタをオンラインで 生成するのを支持し、それによって実効的に連続した階層が支持される。例えば 、通常の工学的活動は、複雑なプロセスを中間ステップに分離し、ステップのシ ーケンスを、人間が介在して、あるいは人間が介在せずに実行される活動のシナ リオにアレンジすることである。 ＭＡＨＣＡは、階層あるいは階層的な方法でアレンジされた論理的イベントと しての活動のシナリオの構成および増分的な変化を支持する。実行の速度は、ユ ーザによる性能に関する要求に基づいたシステムに設計され、または、既存のプ ロセスの物理的な要求に基づいて実験的に決定される。各層は、システムの現在 の状態と、次のサイクルに対して行われる決定に関する制約を含んでいてもよい 全体的知識ベースにアクセスする。 ３．ＭＡＨＣＡは、システムの性質をシステムのタイムスケールに従って名目上 の区画に基づいて行われた主要な論理的活動に分割することを支持する。これは 複雑なシステムが増分的に設計され、プロトタイプにされ、組立てられ、試験さ れ、実用されたときに、層における高レベルの論理的ファンクショナリティを最 も簡単なものから最も複雑なものへ付加する意図的な設計を支持する。従って、 ＭＡＨＣＡが実験に基づいたアーキテクチャをよりフレキシブルに実行するよう に構成することができる。しかしながら、ＭＡＨＣＡはまた、エージェントの決 定の性質に基づいたより一般的な素子の組立てを支持し、それによって、予めア レンジされた緩和の規範に従ってオンラインで修正されることができる。 前述のＮＡＳＲＥＭアーキテクチャに対する議論と同様に、ＭＡＨＣＡは汎用 のリアルタイムの（あるいはリアルタイムでない）アーキテクチャの動作を厳密 に模倣するように構成されるか、あるいは、固定されたアーキテクチャを増分的 に改良するための組込まれたフレキシビリティを有するように構成されるかのい ずれかにすることができる。従って、大きいシステムにおいて従来からあるシス テムを含み、ファンクショナリティの増分的な拡張を支持することができる。し かしながら、ＭＡＨＣＡがリアルタイムシステムのための既存のアーキテクチャ よりも優れている最も重要な改良点は、ハイブリッドシステムのモデルおよび現 在のシステムの入力に従って最適に近い解をオンラインで生成することにより一 層少ないコストで安全性が高く確実性の高い動作を達成する能力である。図面の簡単な説明 図１ａは、マルチプルエージェント・ハイブリッド制御アーキテクチャの高い レベルの層の素子と低いレベルの素子の構造を示す積層アーキテクチャ全体を示 している。 図１ｂは、論理的エージェントネットワークの個々のエージェントを示してお り、それはエージェントに関連したフローを変更する無限小のアクションのスケ ジュールを実行する。 図２は、単一のエージェントの素子を示しており、論理的エージェントネット ワーク中のノードに対する応答性制御装置を有するソフトウェアおよびハードウ ェア素子の構造を示している。 図３は、１群のエージェントを有しているエージェントのネットワークを示し ている。 図４は、永久的なエージェントと一時的なエージェントの両方を有するエージ ェントのネットワークの評価を示している。 図５ａは、階層の関係に配置された１組の式関連クローズとして配置された知 識ベースを示している。 図５ｂは、式関連クローズとしての単一のエージェントの知識ベースの基本的 素子を示している。 図５ｃは、ソフトウェアプロセスの連続を示している。 図６ａは、分布されたリアルタイムのシステムを同期させるために個々のエー ジェントによって行われた動作を示している。 図６ｂは、数学上のエンティティとしてのキャリアマニホルドを示しており、 それによって、システム状態の統一モデルが構成され、そこにおいて、システム の解に必要な不変の変換が実行される。 図７は、現在のシステムの目標のセットと、システム性質における現在の論理 および展開の制約のセットと、ユーザからの現在の入力の組と、現在のセンサ値 が与えられた次のオートマトンを生成する際のマルチプルエージェント・ハイブ リッド制御アーキテクチャの動作の基本的な方法を示している。 図８は、個々のアクションの間のチャタリングを通してハイブリッドシステム の問題ｉに関する最適に近い解を達成するプロセスを示している。 図９は、推定手段によって構成されたオートマトンに対して可能なアクション のシーケンスを説明する証明オートマトンの概念的アーキテクチャを示している 。 図１０は、ダイポールネットワークの等価物を示しており、それはマルチプル エージェント・ハイブリッド制御アーキテクチャの公式化の有効な結果を説明し ている。 図１１は、ディスクリートな製造プラントの計画、スケジューリングおよび制 御に対してマルチプルエージェント・ハイブリッド制御アーキテクチャを適用し た一例を示している。 図１２は、ディスクリートな製造アプリケーションに対するエージェントが２ つのマルチプルエージェント・ネットワークの一例を示している。 図１３は、ディスクリートな製造アプリケーションに対するエージェントが５ つのマルチプルエージェント・ネットワークの一例を示している。 実施例 図１ａは、全米情報基盤等のネットワークあるいはネットワークの集合の積層 アーキテクチャ10全体を示しており、高い方の層の素子が通常ソフトウェア中に 設置され、低い方のレベルの素子が通常ハードウェア接続ＭＡＨＣＡ中で設置さ れるアーキテクチャを示している。アーキテクチャの最も低いレベルは常にハー ドウェアで構成される。ＭＡＨＣＡは、分布された古いあるいは新しいアプリケ ーションを同期させるためにリアルタイムの“ミドルウェア”として機能する。 ＭＡＨＣＡは論理的エージェントネットワーク11における多数のエージェント の集合であり、それは、アプリケーション層、マルチメディアデータベースシス テム層、ネットワーク制御装置およびスケジュール装置層ならびに物理的通信ネ ットワーク層を含んでいることが好ましい、マルチメディアプロセスのためのク ライアントサーバ・・アプリケーションのような分布されたアプリケーションの 通常の多層構造12を通して実行されたシステム性質を同期させる。このフレキシ ブルなアーキテクチャによって、異種分布プロセスを同期させるためのオープン アーキテクチャが提供される。分布されたアプリケーションの多層構造12は、製 造、 通信、連邦あるいは州政府、軍事指令および制御、銀行業務ならびに医療プロセ ス等の多数の分布されたプロセスのアプリケーションの都合のよいモデルである 。マルチプルエージェントの集合11は、複雑でリアルタイムの分布されたプロセ スがシステム素子の活動の同期を通して都合よく制御されるようにするハイブリ ッドシステム制御パラダイムを実行する。 ＭＡＨＣＡによって実行された計算モデル、式の応答推定によって、ハイブリ ッドシステムのコンピュータベースの制御のための新しいパラダイムをオンライ ンで実行し、それによって、最初に現在の制御問題に対する解が存在することを 証明し、次に、成功の証明プロセスの結果から制御オートマタを発生するか、あ るいは不成功の証明プロセスの故障モードを承認された緩和の規範に従って修復 するように応答する。 この証明プロセスは２つの自由度を支持し、それらは、（１）設計者あるいは ユーザによる問題のステートメントの高レベルの意味論のオフラインでの調整、 ならびに厳密なシンタクス変換を通した論理的制約のオンラインでの調整を支持 する論理的自由度と、（２）固定動作点周囲で正確な結果を達成するのに適した 展開の関係の明快な宣言を支持する展開自由度である。好ましい実施形態によれ ば、オープンアーキテクチャは、マルチプルエージェントネットワークおよび式 の応答推定におけるエージェント間を通るメッセージに基づいている。 ＭＡＨＣＡは、ソフトウェアおよびハードウェアの素子12の階層として構成さ れ、そのトポロジーは、新しい素子の追加と古い素子の削除を通して時間と共に 変化する。素子の追加および削除は、諭理的エージェントネットワーク中のエー ジェントの生成および消去を通して同期される。そのアーキテクチャは、固有の 領域モデルのテンプレートおよびアプリケーションの製造ラインのための基準ア ーキテクチャをフレキシブルに構成することと、特定のアプリケーションのため の領域モデルおよびアプリケーションアーキテクチャを特定するためにこれらの 領域モデルおよび基準アーキテクチャを特定化することを支持する。 計算モデルによって、システム性能において信頼度を達成するのに必要な実験 の数の減少を通してシステム素子の構成の証明、確認、および信任が容易になる 。この実験の減少は、素子の動作を集積するためのオートマタのほぼ正確な生成 を 通して可能となり、それによって、既に実行されて個々の素子に関して信頼を得 た実験は、構成されたシステムに対して繰返される必要はない。 図１ａの論理的エージェントネットワーク11のモデルの場合、ｉ＝１，・・・， Ｎ（ｔ）とすると、Ａ_iは現在の時間ｔにおいて活性のエージェントを示す。こ のモデルにおいて、ｔは実線上の値をとる。各時間ｔにおいて、ネットワーク中 の各エージェントのステータスは、局部的に微分可能なマニホルドＭ中の点によ って与えられる。ネットワークの目標は、１組のマルチメディアの分布された対 話型プロセスをほぼ最適に制御することであることが好ましく、ネットワークの 基本的な目標は、マルチメディアサービスに対する不満足な要求を最小にするこ とである。アクティブなエージェントＡ_iの要求は連続関数 Ｄ_iによって次 のように与えられる。 Ｄ_i:ＭｘＴ→Ｒ⁺ （１） ここにおいてＴは実線（時間−空間）であり、Ｒ⁺は正の実線である。分布され た対話型シミュレーションに使用されたマルチメディアプロセスの同期を達成す るように構成された論理的エージェントネットワーク11について考えてみる。次 に、マニホルドＭの点ｐが次のデータアーキテクチャによって表される。 p(id,proc(proc_data),sim(sim_data), in(synch_data),mp(mult_data)) （２） ここにおいて、ｉｄは有限のセットＩＤ中の値をとる識別子であり、ｐｒｏｃ（ ）は分布された対話型シミュレーション（ＤＩＳ）プロセスステータスを特徴付 ける関係であり、その関係はｐｒｏｃ＿ｄａｔａと表記されたパラメータのリス トに依存し、そのパラメータは含まれたプロセスのロードおよびタイミング特性 を定め（既存の各シミュレーションプロセスは通常異なるデータアーキテクチャ を有していることに注意）、ｓｉｍ（）は表されたマルチメディアプロセスの特 性を得る関係であり、その関係はｓｉｍ＿ｄａｔａと表記されたパラメータのリ ストに依存し、それは論理的エージェントネットワーク11と両立するアブスト ラクションのレベルにおいて示されたプロセスのその点における制約のインスタ ンスを特徴付ける。 また、式（２）において、（）の中身は、図１ａの階層的組織に関して論理ネ ットワーク11の同期情報が得られる関係である。特にそれは動作点におけるプロ トコルを特徴付ける。これは、優先レベル、連結度および時定数等の情報を含ん でいる。最終的に、式（２）において、関係ｍｐ（）によって多重度情報が伝送 され、すなわちそれはこの点におけるネットワークの利用度のレベルを表す。関 連したパラメータのリストであるｍｕｌｔ＿ｄａｔａは、ネットワークのロード を反映する統計的パラメータで構成されている。 マニホルドＭの点のデータアーキテクチャにおけるパラメータのリストは、整 数（ユーザの数等）、実数（トラフィックロード等）およびディスクリート値（ プロセス識別子あるいはスイッチ等）で構成できる。それらはネットワークおよ び活性プロセスのステータスを特徴付ける。時間の経過に従ってこれらのパラメ ータの展開を計算することは、ＭＡＨＣＡの中心的な役割である。 論理的エージェントネットワーク11のダイナミックスは、マニホルドＭに関す る所定の軌跡によって特徴付けられる。これらの軌跡は、ネットワークおよびそ のステータスを通る情報の流れを特徴付ける。デマンド関数の生成子は次の式で 定義され、 ｛D_i(p,t)｜ｉ∈I(t),ｐ∈Ｍ｝ （３） ここにおいて、Ｉ（ｔ）は時間ｔおける活性のエージェントと、ＤＩＳ制御装置 におけるエージェントによって発せられたアクションのセットである。これらの アクションは、マニホルドＭにおいて定義された極小変換として実行される。時 間ｔにおける活性エージェントｉに対する式（３）中の関数の一般的なアーキテ クチャは、次の式（４）から与えられ、 Ｄ_i(p,t)＝Ｆ_i(Ｃ_i ^u,Ｄ,α_i）(p,t) （４） ここにおいて、Ｆ_iはスムース関数であり、Ｄはデマンド関数のベクトルであり 、Ｃ_i ^uは不満足なデマンド関数であり、α_iはｉ番目のエージェントによって発 せられた指令アクションである。 一般的に、マニホルドＭは、以下の３つのアイテムで構成された（トポロジー Θを有する）位相空間であり、それら３つのアイテムとは、 １．Ｒ^Kの同相写像であり、ｋは整数である、式（２）の形式の点のセット。 分的に開いたサブセット。 ３．一群のスムース関数｛ψ_j｛ψ_j：Ｕ_j→Ｖ_j｝であり、各ｊに対して、Ｖ_jは Ｒ^kにおける開いたセットである。セットＵ_jは、文章において座標の近傍あるい はチャートとして示されている。各チャートに対して、対応する関数ψ_jはその 座標チャートと呼ばれている。“スムース”関数は、任意に多数の連続的な導関 数を所有している。 ４．座標チャート関数は、以下の付加的な状態を満足させ、すなわち、 Ｕ_j∩Ｕ_i≠φ となるように任意のチャートＵ_j，Ｕ_iが与えられた場合、関 数ψｏψ_j ^-1：（Ｕ_j∩Ｕ_i）→（Ｕ_j∩Ｕ_i）はスムースである。 マニホルドＭの一般的な定義は、制御システムアプリケーションめに特別に行 われる。マニホルドＭに関連したトポロジーΘを検討するとき、Ｍの点は、ｐｒ ｏｃ＿ｄａｔａ、ｓｉｍ＿ｄａｔａ、ｓｙｎｃｈ＿ｄａｔａおよびｍｕｌｔ＿ｄ ａｔａのリストにおけるパラメータの値の間隔によってアーキテクチャが特徴付 けられる限定的なアーキテクチャ（式（２）を参照）を有することが注目される 。これらのパラメータの数はｋに等しい。これらのパラメータに関する“知識” は、Ｒ^kに関するトポロジーΩを定めることによってモデルに含められる。 Ωにおける開いたセットは、パラメータについての既知の事実をコード化する クローズ(clause)から構成される。マニホルドＭのトポロジーΘは、次のように Ωの項で定義される：Ωにおける各開いたセットＷに対して、Ｗ⊆Ｖ_j⊆＝Ｒ^kと なるようにセットψ_j ^-1（Ｗ）はΘになければならない。これらのセットは、各 ｐ∈Ｕに対してＵに含まれたこのフォームに近傍がある場合のみＵ⊂Ｍとなるよ うにΘに対するベースを形成し、すなわち、Ｐ∈ψ_j ^-1（Ｗ）⊂Ｕとなるような Ｗ⊆Ｕ_jであり、ψ_j：Ｕ_j→Ｖ_jであり、チャートはｐを含んでいる。 ＭＡＨＣＡのインリジェントＤＩＳ制御装置によって指令されたアクション を特徴付けるために、マニホルドＭに関する導関数が導入される。Ｆ_pをマニホ ルドＭの点ｐの近くに定められた実数値のスムース関数の空間とする。ｆおよび ｇをＦ_pにおける関数とする。Ｆ_pの導関数ｖは次のような写像であり、 ｖ：F_p→F_p これは次の２つの特性、すなわち、 v(f＋g)(p)＝(v(f)+v(g))(p) (線形性) v(f・g)(p)＝（v(f)・g＋f・v(g))(p) （ライプニッツの法則） を満足させる。 導関数は、マニホルドＭにおけるベクトルフィールドと、関連した積分曲線のク ラスとを定める。Ｃは、ＩをＲのサブインターバルとした場合にφ：Ｉ→Ｍによ ってパラメータ化されたマニホルドＭ上のスムース曲線であるとする。局部座標 において、ｐ＝（ｐ^l，・・・，ｐ^k）であると、Ｃは、ｔに関する導関数がφ（ｔ ）＝（φ^l（ｔ），・・・，φ^k（ｔ））で表されるｋ個のスムース関数φ（ｔ）＝ （φ^l（ｔ），・・・，φ^k（ｔ））によって与えられる。Ｍにおける曲線上の等価 の関係は、マニホルドＭ中の点における接線ベクトルの定義の基礎として導入さ れる。ｐを通過する２つの曲線φ₁（ｔ）およびφ₂（ｔ）は、次の２つの仮定、 すなわち、 あるｔに対して、τがＩ⊂Ｒにある場合、 φ₁(t)＝φ₂(τ)＝ｐ であり、 φ₁(t)＝φ₂(τ) である を満足させる場合、ｐ（表記：φ₁〜φ₂）において等価であると言われる。 明らかに、〜はｐを通過するマニホルドＭにおける曲線のクラスにおける等価値 関係を定める。［φ］はφを含む等価のクラスであるとする。［φ］に対する接 線べクトルは導関数ｖｌ_pであり、局部座標（ｐ^l，・・・， ｐ^k）において次の式 によって定義される。 ｆ：Ｍ→Ｒをスムース関数とすると、 ｐにおける全ての等価なクラスに関連した接線ベクトルのセットは、ｐにおける 接線ベクトル空間と呼ばれるベクトル空間を定義し、それはＴＭ_pで表される。 マニホルドＭに関連した接空間のセットは一緒に“接着”されて接線束と呼ばれ るマニホルドを形成し、それは次の式によるＴＭで表される。 この接着がどのように行われるかを明確に特定することが重要である。ベクトル フィールドの概念を導入し、モデル中のその関連を議論した後に、接着の実行が 特定される。 マニホルドＭ上のベクトルフィールドは、ｖ｜_pが点から点へスムースに変化 する状態のＭ：Ｖ｜_p∈ＴＭ_pの各点への導関数ｖの割当てである。このモデルで はベクトルフィールドは局部座標中で表される。接線ベクトルは選択された局部 座標に関して表されるが、この定義は選択された局部座標とは関係がない。 (ｐ^l，・・・， ｐ^k）を局部座標とすると、 式（５）と（６）とを比較すると、ｐ＝φ（ｔ）が、任意の点における接線ベク トルが同じ点の値ｖと一致するマニホルドＭにおけるパラメータ化された曲線で ある場合、全てのｔに対して、 φ(t)＝ｖ|_φ(t) であることは注意される。局部座標において、ｐ＝（φ^l（ｔ），・・・，φ^k（ｔ ））は、通常の微分方程式の自律系に対する解でなければならず、すなわち、 ｊ＝１，・・・，ｋに対して、 である。 マルチメディア分布対話型シミュレーションアプリケーションにおいて、ＤＩ Ｓ制御装置によって発せられた各指令は、マニホルドＭのベクトルフィールドと して実行される。制御装置における各エージェントは、“原始的”な予め定めら れたべクトルフィールドの組合わせとして指令フィールドを構成する。マニホル ドＭに対して選択されたトポロジーΘは、距離空間と同相な位相を与えらること ができないために初期の条件を与えられ、方程式（７）に特有の解は古典的な意 味では保証できない。しかしながら、それらは緩和曲線と呼ばれるＭにおける連 続的軌跡のクラスにおいて解を有している。このクラスにおいて、式（７）に対 する解は特有のものである。緩和曲線がプロセス制御の公式および実行に適用さ れたときの緩和曲線の基本的な特徴は後に説明される。緩和曲線がＤＩＳプロセ ットモデルおよび制御に関連したときの緩和曲線の特性を説明するために、Ｍに おけるフローの概念が導入されなければならない。 ｖをベクトルフィールドとすると、マニホルドＭにおける点ｐを通過する任意 のパラメータ化された曲線φ（ｔ）は、ｐ＝φ（ｔ）であり、局部座標において ｖ｜_pが式（５）を満足させる場合には、ｖに関連した積分曲線と呼ばれる。ベ クトルフィールドｖに関連し、Ψ（ｔ，ｐ）で表された積分曲線は、次の特性、 すなわち、 Ψ(t,Ψ(τ,p))＝Ψ(t＋τ,p) （セミグループ特性） Ψ(0,p)＝p; （初期状態） および を満足させる場合には、ｖによって発生された“フロー”と呼ばれる。 ＭＡＨＣＡに対してこの概念を特別化するために、通信ネットワーク中のエー ジェントｉは活性であるとする。現在の定められたインターバルの幅［ｔ，ｔ＋ Δ）においてΔ＞０であるとする。Ｕ_i（ｐ，ｔ）とすると、ｐ∈Ｍはインター バルの始まりにおける満足されないデマンドである。エージェントｉは、次のよ うな原始的なアクションのセットを有している。 ［各ｐ∈Ｍに対して、ｖ_ij｜ｊ＝１，…，ｎ_i，ｖ_ij｜_p∈ＴＭ ］ （９） エージェントｉは、インターバル［ｔ，ｔ＋Δ）中に１以上のこれらのアクシ ョンのスケジュールを定め、現在のサービス要求Ｓ_ri（ｔ，ｐ）と論理的エージ ェントネットワーク中の活性のエージェントのデマンドＤ（ｐ，ｔ）＝［Ｄ₁ (ｐ，ｔ），・・・，Ｄ_N(t)（ｐ，ｔ）］の関数としてアクションv_ijが実行されな ければならないΔのフラクションα_ij（ｐ，ｔ）を決定する。 図１ｂは、３つの原始部分を含むアクションのスケジュールを概念的に示して いる。図１ｂは、図１ａに示された論理的エージェントネットワーク11における 個々のエージェントを示しており、それによってエージェントに関連したフロー を変更する無限小のアクションのスケジュールが実行される。個々のエージェン トは、宣言的な知識を与えるために構成され、式の論理言語で書込まれ、それに よって、制御されたシステムは、システムの目標を満足させる実際の最適な軌道 と比較して、最適に近い軌道である連続的軌跡（エージェントｉのアクションに 関連したフローΨ）を辿る。式の論理言語のフォーマットは、より一般的なホー ン(Horn)クローズフォーマットの限定されたバージョンである。 ローカルエージェントｉのアクションに関連したフローΨ_i13は、時間t_njにお いて行われ、時間インターバルΔ_i,njの期間続くアクションに従って時間ｎ_jに おいてインターバルΔ18を通じて変化する。スムースな線のセグメント17をロー カルエージェントｉの最適な軌道εと考えると、ＭＡＨＣＡによって発生された アクションは、時間インターバルを通じてシステムの状態を最適に近い軌跡上に 維持する。長時間にわたる全体的な同期は、システムの状態が最適に近い軌道に 戻るように適切なアクションを行うために最適な状態からの逸脱に反応するオー トマタをオンラインで生成することによって達成される。このオンラインでの発 生プロセスは、システムに関連したフィンスラーマニホルドに対するアフィン接 続を計算することによって達成される。アフィン接続によって、全体の最終的な 目標の状況を最適な軌道に沿って現在のインスタンスに並列に移動することがで き、また、システムの状態を最適に近い方法でその現在の状態から最終的な目標 の状態に移すために現在のアクションを実行することができる。 図１ｂのスケジュールに関連したフローΨ_i13は、各アクションに関連したフ ローから次のように計算されることができる。 Ψ_vi,n1(τ,p) となり、 Ψ_i(τ,p）＝Ψ_vi,n2(τ,Ψ_vi,n1(t＋Δ_i,n1,p))となり、 Δ_i,n1＋Δ_i,n2＋Δ_i,n320＝Δ18 であり、α_i,n1＋α_i,n2＋α_i,n319＝１で ある場合に、 Ψ_vi,n3(τ,Ψ_vi,n2(t＋Δ_i,n1＋Δ_i,n2,Ψ_vi,n1(t＋Δ_i,n1,p))) （１０） となる。 式（１０）によって与えられたフローΨ_i13は、エージェントｉによって観察 された際にプロセスの展開を特徴付ける。フローΨ_i13に関連したベクトルフィ ールドv_i｜_p16は、微分および式（８）でのフロー発生アイデンティティによっ て得られる。ｐ14において与えられたこのベクトルフィールドv_i｜_p16は次の式 、すなわち、 ｖ_i|_p16＝[ｖ_i,ni,[ｖ_i,n2,ｖ_i,n3]] （１１） に比例し、ここにおいて、［．，．］はリー・ブラケットである。リー・ブラケ ットは次のように定義される。ｖ，ｗをマニホルドＭにおける導関数とし、ｆを 任意の実数値のスムース関数ｆ：Ｍ→Ｒとする。ｖ，ｗのリー・ブラケットは、 ［ｖ，ｗ］ （ｆ）＝ｖ（ｗ（ｆ））−ｗ（ｖ（ｆ））によって定められた導関 数である。従って、プロセスを制御するためにｉ番目のエージェントによって発 生された複合のアクションｖ_i｜_pは、式（１１）の形式を組合わせたものである 。さらに、チャタリングの補助定理および双対関係のバージョンから、このアク ションはエージェントに使用可能な原始的アクションの線形の組合わせとして次 のように表すことができ、 ここにおいて、係数γ_j ⁱは時間のフラクション(α)_ij（ｐ，ｔ）19によって定め られ、そのそれぞれの原始的アクションｖ_ij16はエージェントｉによって使用さ れる。 スムース関数について複合のアクションｖ_i｜_pによって定められたフィールド の効果は、テイラー級数で式（１０）の右側を展開することによって計算される 。特に、マルチメディア分布相互作用シミュレーションアプリケーションの制 御に使用されるＭＡＨＣＡの場合、点ｐにおいて開始するインターバル［ｔ，ｔ ＋Δ）を通じたフローΨ_i１３による不満足なデマンドの展開は次の式によって 与えられる。 C_i ^u(t＋Δ,p")＝C_i ^u(t,Ψ_i(t＋Δ,P)) （１３） (ｐ，ｔ）近くのテイラー級数で方程式（１３）の右側を展開すると、次のよう な式が生成され、 ここにおいて、 (v_i|_p(・))^j＝v_i|_p((v_i|p)^j-1(・)) であり、 (v_i|_p)^o(・)＝アイデンティティ演算子である。 マニホルドＭのトポロジーは論理的クローズによって生成されるので、式（１４ ）の右側の級数は有限の多数の非ゼロの項のみを有する。直観的に、導関数の計 算検出力において、このＭＡＨＣＡは異なる近傍点の間で区別することだけが必 要であるために前述のようになる。マニホルドＭのトポロジーΘの公式化におい て、これはクローズの情報によってのみ与えられる。各エージェントの知識ベー スは有限の多項だけを有しているため、導関数の検出力がゼロとなる級数を展開 する項がある。これは、その項によって式（１４）の右側の級数が局部的に有限 のオートマトンによって効果的に発生できるために重要である。このオートマト ンの構成は後に展開される。原始的アクションのセットが各エージェントに使用 可能である場合、複合アクションｖ_i｜_pはフラクション関数α_iのベクトルによ って決定される。 等式（４）において公式化されたモデルの特定の特性が以下に記載される。時 間ｔおよび点ｐ∈Ｍ において、エージェントｉの満足されないデマンド関数 は次のように表され、 ここにおいて、ｔは先の更新インターバルの終了点であり、Ｓ_riはエージェント ｉに対するサービス要求関数であり、Q_i,kはエージェントｋの現在のデマンドの どれだけがエージェントｉに割当てられるかを決定する乗数である。この割当て は、両方のエージェントが制御しているプロセスの特性と、エージェントの知識 ベースにおいてコード化されたプロセスの説明から決定される。従って、エージ ェントｋからエージェントｉへのサービスのための実際の要求は、項Ｑ_i,k・Ｄ_k （ｐ，ｔ）である。エージェントｋによってエージェントｉに送られた情報は、 先のインターバルの終りにおけるデマンドＤ_kである。最後に、点ｐ∈Ｍは、式 （１５）おいて現れるエージェントによって制御されたプロセスの現在のステー タスを伝送し、エージェントｋはＱ_i,k≠０である場合にはプロセスを制御する 。 式の応答椎定、すなわちＭＡＨＣＡの計算モデルは、図２に示された標準素子 のセットを通して各エージェントにおいて実行される。ＭＡＨＣＡはエージェン トの集合であり、図２は単一のエージェントの素子を示している。単一のエージ ェント20は、６個の素子、すなわち、知識ベースビルダ22（ユーザからの手動の 入力を支持する）、プランナ24、椎定手段26、知識ベース28、アダプタ30、およ び知識デコーダ32（別のエージェントからの自動入力を支持する）から構成され ている。計算モデルは、現在のシステム状態を捕捉するためにキャリアマニホル ドにおける点を使用し、システム状態が発展するときに制御間でチャタリングを 行うことによって最適に近い結果を得る。必要とされる最適に近い制御は、アフ ィン接続のクリストッフェルの記号によって代数的に表される。 知識ベースビルダ22は、システムの宣言のブロック図による表示のツールであ り、式の論理言語のフォーマットに制約を与える。プランナ24は、システムの所 望の性質を表すステートメントを存在的に定量化された論理式として発生し、そ れは本明細書においては性質ステートメントと呼ばれる。推定手段26は、このス テートメントが知識ベース28において現在活性である定理であるかどうかを決定 する。現在の定理は、現在のインスタンス化による知識ベース中の活性のクロー ズの集合である。性質ステートメントが知識ベース28の現在の状態から論理的に 導かれた場合、椎定手段26は、この性質ステートメントが真実であることが証明 された場合の副作用として、現在の制御アクションスケジュールを発生する。知 識ベース28は、エージェントによって制御された動作あるいはプロセスの要求を 記憶する。それはまた、システムの制約、エージェント間のプロトコルおよび制 約、センサのデータ、動作および論理的原理、ならびに式の項のドメインにおい て定められた原始的推論動作のセットをコード化する。 性質ステートメントが知識ベース28の現在の状態から論理的に導かれない場合 、すなわち、所望の性質が実現可能でない場合、推定手段26は、置換あるいは修 正のために故障の項をアダプタ30に送る。最終的に、知識デコーダ32は、別のエ ージェントからのデータを翻訳し、それらをそのエージェントの知識ベース28に 組み入れる。 図３を参照すると、好ましい実施形態は制御エージェントと協働するネットワ ークを構築するために図２において定められたような個々のエージェントのセッ トを使用する。ネットワークは階層として構成できるが、より一般的にそれはエ ージェント間の関係の方向グラフとして構成される。協働する制御エージェント の現在のネットワークは、宣言可能な制御装置エージェント34、境界線制御装置 エージェント33および通信路35を含んでいる。エージェントは、複雑なアーキテ クチャにおいてユーザあるいは別の主要な素子とインターフェイスする境界線制 御装置エージェント33として構成でき、あるいは、単一のエージェントは制御さ れる素子のドメインにおける境界制御装置エージェント33および別の宣言可能な 制御装置エージェントと相互作用する宣言可能な制御装置エージェント34として 構成できる。エージェントの論理ネットワークは、設定された通信路35に沿って メッセージを渡す。 図４は、永久的なエージェントおよび一時的なエージェントの両方を有するエ ージェントのネットワークの展開を示している。ネットワークは、新しいエージ ェントの活性化と古いエージェントの不活性化を通して時間ｔからｔ＋Δに渡っ て展開する。それぞれの個々のエージェントは、全体的および局部的な制約、局 部センサ入力、および接続されたエージェントからの入力に従って局部的なアク ションを行う。制御エージェントと協働するネットワークは、全体的な目標の達 成を同期させるために局部的な制御アクションを行う。局部的なエージェントは 最適さに関する局部的な規範を設け、それは同じ最適さの戦略（Ｍiｎ−Ｍａｘ 、Ｔｅａｍ、パレート、シュタッケルベルグ、あるいはナッシュ）あるいは異な った最適さの戦略のいずれも使用できるが、全て全体的な最適さの規範および全 体的な保存則に一致しなければならない（平衡の制約）。同期性は、個々のエー ジェントの応答性の使用によって達成および維持され、それによって、全体的な アプリケーションを有する共用されたデータ素子の値に対して位相のコヒーレン スが維持される（すなわち、エージェントは全体的な保存則あるいは全体的な規 範と一致する各エージェントに基づいた合意を達成するように応答する）。 論理的エージェントネットワークは、永続的なタスクを実行する永久的エージ ェントと、活性リンク48によって結合された一時的なタスクを実行する一時的エ ージェントとによって構成されている。ネットワークの展開は、誕生した新しい エージェント44と、不活性な古いエージェント42と、現在のシステムの状態およ び現在のエージェントのアクションに関連したフローが最適に近い軌道を辿るよ うに適切なアクションを行うために要求されたような不活性化リンク46とで構成 されている。ＭＡＨＣＡのこの特徴の２つの結果、（１）大きいシステムを徐々 に構成および強化することが支持され、（２）システムのタイムスケールあるい は転位スケールに従ってシステムの機能を階層に分離することを支持する工学的 設計を有するリアルタイムのシステムのための連続階層の設置が支持される。 多重エージェントハイブリッド制御アーキテクチャは、時間ｔ＋Δにおいて新 しいエージェント44の自律的生成を支持する。新しいエージェントが誕生すると 、一時的なエージェントによる一時的なタスクの一時的な受入れ、あるいは、永 久的なエージェントの生成による長期間にわたるシステム位相の変更が支持され る。展開の間、そのアーキテクチャによって古いエージェント42およびエージェ ント40からのリンク46の自律的な不活性化が支持される。古いエージェントの不 活性 化によって、もはや必要とされないプロセスを終了させるためのシステムの変更 が支持される。 図５ａは、式関連クローズのセットとして構成された図２に示 された知識ベース28の詳細を示している。式関連クローズは、システム展開に関 する論理および展開の両方の制約を宣言するために使用される。知識ベースは、 階層に重ね合わされて構成された下部の種々の法則45、一般的制御明細46、プロ セス表示47、ゴールクラス表示48、制御性能明細49、ダイナミック制御明細50、 およびモデルビルダ実現51を有している。ドメイン知識のこの構成は、素子の代 数的宣言からより複雑な記述のシステム性能の要求を生成する手段である。宣言 は、式の論理言語で式関連クローズとして記載されることができる。 この階層の底部は、マニホルドＭの代数的およびトポロジカルな構造を特徴付 ける種々の法則45の式を含んでいる。これらは、関連した形態のタームで表され る。代数的な観点から、それらは代数的なをモデルとする。マニホルドを種々の 等価の変形としてモデル化することによって、ＭＡＨＣＡが推論することができ る等価なクローズでＤＩＳプロセスに含まれたシミュレーションの状態ダイナミ ックを得る。ＭＡＨＣＡ中の各エージェントの知識ベースはこの知識のコピーを 含んでいる。しかしながら、動作中には対応するクローズは異なった例示の状態 であり、何故ならば、それらが知覚データに依存しているからである。 一般的制御明細46は、プロセス表示47およびゴールクラス表示48と共に階層の 次のレベルにある。一般的制御明細46は、システムの一般的な所望された性質を 表すクローズである。それらは、宣言する理性的な制御装置のクラスに特有の安 定性、複雑さおよび頑丈さに関するステートメントを含んでいる。一般的制御明 細46は、式の論理言語形式で種々の法則を組合わせることによって構成される。 プロセス表示47は、ダイナミックな性質およびプロセスの構造を特徴付けるク ローズによって与えられ、それはセンサおよびアクチュエータを含んでいる。こ れらのクローズは、ダイナミックな性質のための保存原理として、および構造の ための不変原理として記載されている。 ゴールクラス表示48は、ドメイン中の所望の動作点（マニホルドＭ中の点）の セットを特徴付けるクローズを含んでいる。これらのクローズはソフト制約とし て表され、すなわち、有限の時間インターバルの間、侵害することができる制約 である。それらは制御装置の究極的な目的を表しているが、時間の経過に応じた 性質を表してはいない。目標（ゴール）のクローズはエージェントに依存してい る。ゴールクラス表示のクローズもまた、式の論理言語形式で種々の法則を組合 わせることによって構成される。 制御性能明細49は、問題依存およびエージェント依存の規範および制約を表す ために使用されるクローズを含んでいる。制御性能明細クローズは、知識ベース が重ね合わされた階層における次の層を備えている。それらは応答の速度および 時間等の特有の制約と、状態の軌跡の質的な特性とを含んでいる。制御性能明細 クローズもまた、式の論理言語形式で種々の法則を組合わせることによって構成 される。 ダイナミック制御明細50は、センサおよび目標指令の関数として本体が変更さ れるクローズである。ダイナミック制御明細クローズは、知識ベースが重ね合わ された階層において次の層を備えている。ダイナミック制御明細クローズもまた 、式の論理言語形式で種々の法則を組合わせることによって構成される。 モデルビルダ実現51は、証明のための可変の例および定理を生成するための手 順モデル（オートマトン）を構築する手段を構成するクローズを含んでいる。モ デルビルダ実現51のクローズは、知識ベースの階層中の最上層を構成する。 図５ｂは、式関連クローズとして図２において示されたような単一のエージェ ントの知識ベース28の基本的な要素を示している。エージェントの知識ベースに 記憶されたクローズは、システム性質に関する１組の論理および展開の制約に従 うオートマタを生成するために使用される。式関連クローズ52は、システム性質 に関する知識の基本ユニットである。基本的な式関連クローズのシンタクスはホ ーン(Horn )クローズのシンタクスである。すなわち、そのクローズはシンタク スを有しており、それらはヘッド53、含意関数（ＩＦ）54およびボディ56である 。 知識ベースは、２次の拡張を有する等しい１次論理クローズのセットで構成さ れている。クローズのシンタクスは前置言語のものに類似している。各クローズ は次のような形式のものであり、 ヘッド＜ボディ （１６） ここにおいて、ヘッド53は２進［真、偽］における値をとる関数形式ｐ（ｘ1， ｘ2，・・・，ｘn）であり、ｘ1，ｘ2，・・・，ｘnは制御装置のドメインＤにおける 変数あるいはパラメータである。クローズのヘッド部に現れる変数は普遍的に定 量化されると仮定される。記号＜は、論理的含意関数（ＩＦ）54を表している。 クローズのボディ56はサブボディ60の諭理和62であり、各サブボディは論理項 64の論理積66である。各論理項は、式68、オーダー70および名称72である。項ｅ_i の論理積は次の形で表され、 e₁∧e₂∧...∧e_m （１７） ここにおいて、∧は論理的“アンド”66である。式（１７）における各項は関係 式である。関係式は次のうちの１つであり、すなわち、等式、不等式、カバー形 式、あるいはクローズヘッドのいずれかである。これらの式のそれぞれの論理値 は真あるいは偽のいずれかである。関係式ｅ_iは、その関係形式が満足されたと きに変数がとったドメインＤの値のＳ_iの組のセットに対しては真であり、その セットの補数に対しては偽である。すなわち、ｅ_i＝ｅ_i(ｘ_l，・・・，ｘ_n）の場合 、Ｓ_iはＤⁿの空の部分集合である可能性もあり、 Ｓ_i＝｛(x₁,...,ｘ_n)∈Ｄⁿ|e_i(x₁,...,x_n)＝真｝であり、 (ｘ₁...,ｘ_n)∈Ｄⁿ|Ｓ_iである場合、 e_i(ｘ₁,...,ｘ_n)＝偽である。 関係式の基本的な構造が表１に与えられている。 表１において、ｗおよびｖは、定義および特性公理が知識ベースに含まれている 動作の有限のセットに関連した多項式である。多項式ｖは、次の式の対象であり 、 ここにおいて、Ω' は直積演算で変数記号｛ｘ₁，・・・，ｘ_n｝によって生成され たフリーモノイドである。項（ｖ，ω）は、ω∈Ω' においてのｖ係数と呼ば れる。多項式ｖの係数は、クローズの定義域中の値をとる。このドメインは以後 、手短に説明される。 式（１６）と（１７）の論理的解釈は、ボディの項の論理積がクローズのヘッ ドの変数の例に対して共通に真である場合、ヘッドは真であることを意味してい る。クローズのヘッドにおける変数が値をとるドメインはマニホルドＭである。 マニホルドＭは次のようなデカルト積に含まれており、 Ｍ⊆Ｇ×Ｓ×Ｘ×Ａ （１８） ここにおいてＧは目標の空間であり、Ｓは感知データの空間であり、Ｘは制御装 置の状態の空間であり、Ａは制御アクションの空間である。Ｇ，Ｓ，Ｘ，Ａはそ れ自体でそのトポロジカルな構造が知識ベース中の特定化されたクローズによっ て定められるマニホルドである。アプリケーションに依存するこれらのクローズ は、制御の下でプロセスの閉ループ性質における要求をコード化する。事実、変 動的な公式の項において後に定義される閉ループ性質は、マニホルドＭにおける 値を有する連続曲線によって特徴付けられる。この連続状態は中央であり、何故 ならば、それは閉ループ性質によって要求が満足されるようにするアクションを システムが探すように要求することと等しいからである。 図５ｃは、連続75のアルゴリズムを介してハイブリッド表示76に埋め込まれた プロセス74を示している。そのアルゴリズムは、ドメイン77からキャリアマニホ ルド79への不変の写像78を構成する。知識ベースのドメインにおいて知識を宣言 するドメイン（知識のルール）77である式関連クローズは、キャリアマニホルド 中にチャート（開かれたセット）79を有する１対１の写像78を有する。一般的な 制御の問題の場合、図５ａに示された知識ベース管理機構は、宣言の階層を種々 の法則の要素からドメインのモデルを構成するレベルへ提供する。知識ベース管 理機構はまた、最適化のフレームワークにおいて含むためのディスクリートなプ ロセスの連続を助ける。この試みはまた、一般的なディスクリートプロセス（例 えば、販売員の選別および巡回の問題等）にも適用できる。連続の表示における 手順の埋め込みは、最適に近い軌道の決定に使用できる関数を展開するためにシ ステムの状態の統一された表示を与える際の基本的なステップである。 知識ベース中の各クローズの表示的意味論は、（１）保存原理、（２）不変原 理、あるいは（３）制約原理のいずれかである。保存原理は、システムあるいは 計算リソースのダイナミックスにおける特定のプロセスのバランスについての１ または複数のクローズである。保存則は、制御された物理的あるいは論理的装置 がその性能特性を満足させるときに当てはまる。例えば、クローズとしてコード 化された式（１５）は論理的通信ネットワークにおけるデマンドの保存を表す。 説明のために、この法則が以下に示される。 conservation_of_unsatisfied_demand(p,t,[Ｑ_i,k],S_ri,[Ｄ_k],Δ,Ｃ_i ^u) （ １９） ∧process_evolution(p,t,p″) （式（１３）のコード化） ∧ｔ₊＝ｔ＋Δ ∧conservation_of_unsatisfied_demand(p″,t₊,[Ｑ_i,k],Ｓ_ri,[Ｄ_k],Δ,C_i ^u++ )式（１９）において、第１の式の項は、現在の時間におけるエージェントｉ に対する不満足なデマンドを過去の不満足なデマンドならびにｉにおいてｉに接 続された他のエージェントの正味の現在のデマンドに関連させる。法則の最後の 項は回帰を行う。 別の例として、計算リソースの保存を表す以下のクローズを考慮すると、 comp(Load,Process Op_count,Limit) ＜process(process_count) ∧process_count・Load1-Op_count Load ∧Loadl＜Limit ∧comp(Load1,Process,Op_count,Limit) ここにおいて、“Ｌｏａｄ”はＶＩＰＳ（可変の例示／秒）において測定された 現在の計算上の負荷に対応し、“ｐｒｏｃｅｓｓ”は実行のために考慮されたク ローズであり、“Ｏｐ＿ｃｏｕｎｔ”はプロセス中の現在の項の数である。保存 則は常に、上述の例のように、範囲が単一のクローズである必要がない回帰を含 んでいるが、幾つかのクローズを通した連鎖を有していてもよい。 不変原理は、一般的な意味において一定の運動を確立する１または複数のクロ ーズである。これらの原理は定常状態を含み、それは構造および測地線によって 証明された定理の公式化においてきわめて重要な役割を演じる。ＤＩＳプロセス の制御において、不変原理は品質の応答の要求を特定する。すなわち、それらは システムが満足させなければならないトラフィックロードの関数として性能のレ ベルを特定する。不変原理の重要性は、それらが予期しない事象を検出するため に提供する基準にある。例えば、ＤＩＳプロセスにおいて、要求が満たされた後 の更新時間は、通常の動作状態の下では一定である。この不変性を指定する式ク ローズは一定のグラウンド形態を有しており、この値からの逸脱は正常状態から の逸脱を表す。 制約原理は、アクチュエータあるいはセンサ、および最も重要なことに性質の ポリシーに対する工学的制限を表すクローズである。例えば、ＤＩＳプロセスに おいて、入力のフローの大きさあるいはアクセスの速度を制御する値の応答の速 度の特性は、システムのリレーショナルベース中に記憶された経験上のグラフ（ 例えば、トラフィックボリュームをパラメータとした場合のバイト数対速度等） によって与えられる。このアプリケーションにおける別の例は、マニホルドＭに ディスクリートな可変の軌跡を埋め込むためのリフト戦略を定めるクローズによ って与えられる（補間の規則）。クローズの知識ベースは、図５ａによって先に 示されたような重ね合わされた階層構造において組織されている。 図６ａは、分布されたリアルタイムのシステムを同期させるために個々のエー ジェントによって行われるアクションを示している。アクションは、式関連クロ ーズに含まれた制約と、センサからの入力および論理エージェントネットワーク 中の別のエージェントからの入力に従う各エージェントにより生成されたオート マタによって実行される。単一のエージェントは、キャリアマニホルド中の点に おいて変換を行うことによってオートマタを生成する。この図は、キャリアマニ ホルド中の点において適切に変換を実行する単一のエージェントの素子から生じ たデータフローを示している。データフロー図は、ユーザからの入力、論理エー ジェントネットワーク中の別のエージェントからの入力、先の決定サイクルから の現在のエージェントの状態118、または先の決定サイクルにおいて行われたア クションから感知された結果を使用して、知識ベースが更新される(80)毎にシス テムの状態がどのように更新されるかを示している。システムの状態はキャリア マニホルド中の点の値で維持され、それは論理および展開の特性である。単一の エージェントのデータフロー図は、各更新インターバルにおいて論理および展開 の制約に従うオートマトンの抽出の際にキャリアマニホルド中の点の値がどのよ うに変更されるかを示す。 データフロー図はプランインスタント化84のアーキテクチャを示しており、そ れは、知識ベース86（図２において参照番号２８で示されている）における現在 の更新80の項の統一82を通して図２に示されたプランナ24によって達成され、ア イテムポテンシャルは図２に示された推定手段26から受け取られた故障項102か ら図２に示されたアダプタによって構成される。アクティブな関係88は、図２に 示されたプランナ24から性質の規範を受け取り、緩和の規範を構成するために緩 和の原理を適用した結果である。正準方程式92は、ダイナミックプログラミング 式を構成するために（線形化、等化、防護およびフリーズ９０を使用して）緩和 された規範に対してレヴィ・チヴィタ接続原理を適用した結果である。推定オー トマトンは、推定ブループリントコンストラクタ94（演繹および展開、転移出力 関係）を使用して構成される(96)。その後、推定手順（一体の接頭辞ループ分解 トリマー）98を使用してオートマトンが構成される。推定オートマトンの実行10 0が目標の規範との一致に失敗した場合、故障項102は図２に示されたアダプタ30 に送られ、そこにおいて、緩和（コンミュテータルール不活勢緩和）104のシン タクスの規則が適応化106を行うために適用される。プランの項は、ラグランジ ュの構成部108を使用してポテンシャルとして再度公式化され(110)、システムの 故障を補正するために応答ループ120として例84のために図２に示されたプラン ナ24に送られる。構成された推定オートマトンの実行100が目標の規範の最適に 近い制約と一致する場合、指令アクションが出力され(112)、エージェント間の 要求が出力され(114)、システムの状態は標準応答ループ118として更新される(1 16)。 個々のエージェントの実行インターバルにわたる個々の（無限小の）アクショ ンのセットは通常、実行ループ（標準応答ループ）118を通して識別され、選択 され、実行される。個々のエージェントに対するＭＡＨＣＡの実行ループは、局 部的な制約に対する個々のエージェントのためのシステム性質の論理および展開 の両方の制約とスムースに一致させる手段である。論理エージェントネットワー クのエージェントによってアクションインターバルセットを通じて実行されたア クションのセットは、分布されたシステムに対して、多数のタイムスケールおよ び多数の変位距離に対するシステムの性質の論理的および展開制約の両方とスム ースに一致させる手段である。 複合された問題に対する解の証明に失敗した場合、個々のエージェントの知識 ベース中のクローズは、制約のシンタクスの緩和の規則に従って故障を補正され る。この制約の緩和に続いて、個々のエージェントの実行インターバルにわたる １組の個々の（無限小の）アクションは、故障（故障ループ）120を補正するた めに応答ループを通して識別され、選択され、実行される。ＭＡＨＣＡの故障ル ープは、アーキテクチャ中の論理および展開の両方の自由度を強固に得るための 手段である。安全性および品質の制約等の論理的制約に対する許容可能な緩和規 範は、展開の制約の正確な動作規範の緩和のための一般的なフレームワークにお いて支持される。これらの許容可能な自由度は、個々の非線形プロセスの頑強な 制御を支持するために局部レベルで動作し、また、大規模な分布されたシステム の頑強な制御を支持するために全体レベルで動作する。 連続表示における論理の制約の埋め込みは、最適に近い軌道を決定するために 使用できる関数を展開するようにシステム状態の統一された表示を適用する際の 基礎的なステップである。キャリアマニホルドはシステム状態の統一された宣言 を形成するための手段であり、それは論理および展開のパラメータを含んでいる 。論理的ラグランジュの方程式（式２０）は、論理の制約および展開の制約をシ ステム性質の連続表示に埋め込む手段である。図２に示された知識デコーダ32は 、ユーザ入力、センサ入力、および連続表示における他のエージェントからの入 力に対してディスクリート値および展開値を位置付けるように機能する。 図６ｂは、システム状態の統一モデルを構成し、システムの解に必要な不変変 換を実行する数学的エンティティとしてキャリアマニホルドを示している。ＭＡ ＨＣＡは、新しい方法で変数を計算するアプリケーションに基礎を置いている。 個々のエージェントにより構成されたオートマタによって生成された制御のため の記号による公式は、最適な制御の問題の変形を公式のためのパラメータ計算に 関連した適切なフィンスラーマニホルドに関するカルタン接続の係数のための式 と見なすことができる。キャリアマニホルド121は、適切なフィンスラーマニホ ルドのＭＡＨＣＡバージョンである。Wolf Kohn氏等による文献“Hybrid System as Finsler Manifolds：Finite State Control as Approximation to Connecti ons″(Wolf Kohn et al.eds.，Springer Verlag 1995)に示されたような以下の カラテオドリのリードは、制約によって定められた微分可能マニホルドにおいて 生じたときにハイブリッドシステムの状態の展開を説明する。フィンスラーマニ ホルドの重要な特性は、所定の点におけるマニホルドの接線空間上でノルムを定 めるために使用されるフィンスラー長の計算のための計測グラウンド形態を導入 することである。このフィンスラー計測の使用は、各更新インターバルにおける ε最適制御法則を計算するために重要である。 キャリアマニホルド121は、システム性質における論理、幾何学および展開の 制約の統一のための基礎的な数学的エンティティである。キャリアマニホルド中 の点ｐ122は、式（２）において先に説明されたような論理および展開のパラメ ータを有している。従来のシステムの表示はシステムモデルを論理モデルと展開 モデル123とに分割したが、プロセスモデルの連続性のコーン・ネローデの定義1 24は論理モデルと展開モデルを連続表示に融合するためにキャリアマニホルドの 使用を支持する。 図７は、現在のシステムの目標のセット、システム性質に関する現在の論理お よび展開の制約のセット、現在のユーザからの入力のセット、および現在のセン サ値のセットが与えられた次のオートマトンの生成の際のＭＡＨＣＡの動作の基 本的な方法を示している。これらのパラメータは全て宣言され、図２に示された 推定手段26に対する式関連クローズとして生じる。この図は、システムの目標を 達成し、一方、論理および展開の制約ならびに現在のシステムの入力に従うよう にするために最適に近いアクションを提供するオートマトンを発生するように推 定手段によって行われる動作のシーケンスを示している。 推定手段は、図２に示されたプランナ24から定理を取出し、コスト関数に関し て最適に近いアクションを実行するオートマトンを生成するか、あるいは、図２ に示されたアタプタ30が新しい定理を構成するために図２に示されたプランナ24 に緩和された規範を供給できるように故障項を生成するかのいずれかを行う。ハ イブリッド制御システムアーキテクチャおよび推定手段の動作によって、結果的 に目標の規範に到達するように最適に近い軌道を辿るようにアクションを実行す るオートマタが生成される。緩和された規範126は、図２に示されたプランナ24 から展開の規範125を受取り、緩和の原理146を適用した結果得られる。アクショ ンの式であるダイナミックプログラミング式127は、レヴィ・チヴィタ接続原理1 44を緩和された規範126に適用した結果得られる。正準方程式128は、推定ブルー プリント（青写真）構成子142を使用してダイナミックプログラミング式127から 構成される。推定オートマトン130は、オートマタ構成子140を使用して正準方程 式128から構成される。次に、オートマトンを構成するために図６ａに示された 推論方法（一体接頭辞ループ分解トリマー）98が使用される。構成された推定オ ートマトン130のオートマタの実行138が目標の規範134との合致に失敗した場合 、故障項およびエージェント状態が図２に示されたアダプタ30に送られ、そこに おいて、適応を実行するために緩和のためのシンタクスルールが適用される。構 成された推定オートマトンの実行138が目標の規範の最適に近い制約と上手く合 致した場合、指令アクションが出力され(132)、エージェント間の要求が出力さ れ、システムの状態が通常の応答ループとして更新される。 ドメインが特定されている図２に示された定理プランナ24の機能は、各更新イ ンターバルの間にそのインターバルを通してエージェント（例えばエージェント ｉ等）によって観察されたように、システムの所望の展開の記号によるステート メントを生成することである。それが生成する定理ステートメントは以下の形式 を有している。 原始的アクションのセットが与えられた場合、式（１２）の形態の制御スケジ ュールｖ_i ｜_pと、制御インターバル［ｔ，ｔ＋Δ）におけるフラクション関数 の微分ｄα_i （・） （図１ｂ参照）が存在し、それによってｄα_i （・）は 次の汎関数 を最小にし、以下の制約を受ける： Ｇ_i(Ｓ_i,Ψ_i(t＋Δ,p))＝G(t,X_i) （そのインターバルに対する局部的な目標）、 式（２０）においてＬ_iは現在の制御インターバル［ｔ，ｔ＋Δ）に対してエー ジェントｉによって観察されるシステムの局部的緩和ラグランジュ方程式と呼ば れる。その状態のデカルト積および制御空間を知識ベース中のクローズによって 定められたトポロジーを有する実線に写像するこの関数は、ダイナミックス、制 約およびエージェントｉによって観察されるシステムの要求を捕捉する。緩和さ れたラグランジュの方程式の関数Ｌ_iは、システムを全体として特徴付ける全体 的なラグランジュの方程式の関数Ｌの座標中のｉ番目のエージェントの座標にお いて知識ベースによって定められたトポロジーにおける連続的な投影である。 式（１５）から得られた式（２１）において、ｐ∈Ｍは、エージェントによっ て観察される制御下のプロセスの状態を表し、Ｇ_iは現在のインターバルに目標 をもたらす並列移動演算子である。演算子Ｇ_iは、複合フロー（式（１０）参照 ）をマニホルドにリフトすることによって構成される。複合フローおよびアクシ ョンスケジュールは、一度フラクション関数（測度 ）α_iがわかると決定され 、 この関数は最適化の式（２０）および（２１）の結果である。特に、アクション スケジュールは、原始的アクション（式（１２）を参照）の線形結合として構成 される。 式（２１）の表現は、エージェントによって解かれる緩和された最適化の問題 に課される３つの制約を構成する。第１の制約は現在のインターバルの終わりに おいて状態の一般値を表す局部的な目標の制約である。第２の制約は、ネットワ ーク中の別のエージェントによってエージェントに課せられた制約を表している 。最後に、第３の制約は、ｄα_i（・）が確率測定であることを示している。 緩和し、ドメインを適切に選択した場合、式（２０）および（２１）において 述べられた最適化の問題は、凸の最適化の問題である。これは重要であり、それ は、解が存在する場合、それが特有であることが保証され、また、定理を証明す るためにエージェントが使用する推定方法の計算上の効果が保証されるからであ る。 式（２０）における項ｄα_i（・）は、エージェントがインターバル［ｔ，ｔ ＋Δ）の間に実行できる原始的指令あるいは制御アクションのセットにおけるラ ドン確率測定である。それは、そのインターバルの期間中、原始的アクションの それぞれにかかる時間の比率を測定する。制御エージェントの中心機能は、各制 御インターバルに対してこのアクションの混合を決定することである。この機能 は、現在の定理によって述べられた最適化の問題の解が存在するかどうかを知識 ベースの現在の状態から推論することによって実行され、それが存在する場合に は、対応するアクションの生成および状態の更新を行う。 式（２０）および（２１）によって与えられた定理のステートメントの構成は 、図２に示されたプランナ24において実行される中心的なタスクである。それは 、現在のインターバル中にエージェントによって観察される所望のプロセスの展 開を特徴付け、それによって、その要求は満足され、システムは最適な方法でそ の目標に向かって“移動”する。 式（２０）において積分された関数は、“キャッチ・オール”ポテンシャルと 呼ばれる項を含み、それは図２に示された知識ベース28中のどのクローズにも関 係がない。その機能は、モデル化されていないダイナミックイベントを測定する ことである。この監視機能は図２に示されたアダプタ30によって実行され、それ は前述のリーブラケットに類似した一般の交換子の原理を実行する。この原理の 下では、キャッチ・オールポテンシャルの値が空である場合、現在の定理のステ ートメントはシステムの状態を適切にモデル化する。反対に、その定理が当ては まらない場合、それはその定理の現在のステートメントとシステムの状態との間 が不整合であり、キャッチ・オールポテンシャルが故障の原因となった定理の式 の項を実行していることを示している。これらの項は無効にされ、（図２に示さ れた知識ベース28における式のクローズによってそれ自体定義された）交換原理 に従って図２に示された推定手段26によって一緒に共役され、適合ダイナミック クローズとして知識ベースに記憶される。その後、図２に示されたアダプタ30は 、ポテンシャル記号を発生し、それは適合クローズおよび対応する同調の制約に よって特徴付けられる。 新しいポテンシャル記号と同調の制約は、図２に示されたプランナ24に送られ 、それは修正された局部規範と目標の制約とを生成する。このようにして構成さ れた新しい定理は、システムの適合された性質を表す。これは、このモデルにお ける応答性の構造の適合に不可欠なものである。 同期は次のようなアクションを行うオートマタの生成を通して達成される。す なわち、それは（１）ハイブリッドシステム状態の統一されたステートメントを 生成し、システム状態の展開がトポロジカルな連続性の制約を破ったことを決定 し、その証明手順を故障にし、連続性を取り戻すように応答を要求するためのベ ースであるハイブリッドシステムに対する連続性のコーン・ネローデの定義と、 （２）最適に近い性能を達成するために結果的に個々の（無限小の）アクション の適切なチャタリング結合を選択するコーン・ネローデ・ジェームスの最適性と を与えるアクションである。全体的および局部的な目標を満足させるために諭理 および展開の両方の制約を受ける分布されたプロセスを制御するためのアクショ ンの、スムースで最適に近い同期は、ハイブリッド制御アーキテクチャを適用し た主な結果である。ＭＡＨＣＡはダイナミックな分布されたプロセスを最適に近 い形で制御するのに効果的であるため、それはまたスタティックシステムの最適 に近い解に適切である。 図８は、個々のアクション間のチャタリングを通してハイブリッドシステムの 問題ｉ156の最適に近い解を得るプロセスを示している。図８は、原始的アクシ ョンｖ_i146およびΔ150のフラクションΔ_i152がインターバル［ｔ，ｔ＋Δ）148 ,154においてアクティブとなるような両者の関係を示している。チャタリングと は、更新インターバルΔ150のサブインターバルΔ_i152における無限小の制御ア クションｖ_iの間のスイッチングを言うものである。エージェントのアクション は、各エージェントに適切な時間Δ150の有限のインターバルの間に行われる。 最適に近いアクションを行うオートマタは、各インターバルに対して更新される 。 この点において、頑丈さの問題にアドレスしなければならない。かなりの程度 まで、各制御装置のエージェントの図２に示されたアダプタ30は、故障あるいは 予想不可能なイベントから回復するための一般的で計算上有効な手段をシステム に提供する。定理の故障は、エージェントにとってシステムがどのようなもので あるかを想定したものと、その実際に観察したものとの間の不整合の徴候である 。適合クローズは、回復の戦略を表すエージェントの知識ベース中に知識を組み 込む。次に説明される推定手段は、その通常動作の一部としてこの戦略を行う。 図２に示された推定手段26は、オンラインの式の定理の証明手段である。それ が証明できる定理のクラスは、式（２０）および（２１）の形態のステートメン トによって表され、次の形態の式の項の存在的に定量化されたの論理積によって 表され、 ∃Ｚ|Ｗ₁(Ｚ,ｐ)rel₁,V₁(Z,p)∧...∧Ｗ_n(Z,p)rel_nＶ_n(Z,p) （２２） ここにおいて、Ｚは、それぞれがドメインＤ中の値をとる変数の組であり、ｐは Ｄ＝Ｇ×Ｓ×Ｘ×Ａにおけるパラメータのリストであり（すなわち、マニホルド Ｍの一点）、｛Ｗ_i，Ｖ_i｝はセミリング多項式代数の項であり、 Ｄ〈Ω〉 （２３） Ｄ＝｛Ｄ，＜＋，・，１，０＞｝は、加算の単位が０であり、乗算の単位が１で あるセミリング代数である。 式（２２）において、ｒｅｌ_i，ｉ＝１，・・・，n，は、多項式代数において２ あるか、あるいは部分的順序関係のいずれかである。所定の定理において、１以 上の部分的順序関係が現れてもよい。各定理において、項の少なくとも１つの項 は、代数において完備束を定める部分的順序であり、それは最適化の問題に対応 する。この完備束は、最適化の問題が最少である場合には、有している成分が最 少である。 式（２２）の定理のステートメントと、式のクローズの知識ベースが与えられ ると、推定手段は、ステートメントが論理的に知識ベースにおけるクローズに従 うかどうかを決定し、そうである場合、証明の副作用として、Ｚに値を与えるＤ 中のエントリを有する空でないサブセットを生成する。これらのエントリは、エ ージェントのアクションを決定する。従って、副作用は、エージェントの決定変 数の例示である。式（２３）いて、Ωは原始的単項演算｛ｖ_i｝のセットである 。各ｖ_iは、セミリング代数を写像し、その要素は、Ｚに関するそれ自体の演算 子の合成を含むベキ級数である。 ｖ_i:Ｄ≪Ｚ≫→Ｄ≪Ｚ≫ （２４） これらの演算子は知識ベース中の公理によって特徴付けられ、プロセスに依存 する。形式的論理において、実行された推論原理は次のように述べることができ る。Σを知識ベース中のクローズのセットとする。→は示唆を表す。定理を証明 することは、それが論理的にΣに従うことを示すことであり、すなわち、 Σ→定理 （２５） 証明は、次の推論公理の適用のシーケンスによって達成される。 ・等式の公理 ・収斂の公理 ・不等式の公理 ・知識ベースの公理 ・部分的順序の公理 ・制限の公理 ・適合の公理 推論原理のそれぞれは、デカルト積における演算子として次のように表され、 Ｄ≪Ｗ≫×Ｄ≪Ｗ≫ （２６） 各推論演算子は、関連した項を別の関連した項に変換する。推定手段は、定理 の式の項に推論演算子のシーケンスを適用した後、初めてこれらの項を式（２７ ）の形式の基礎式のセットに減少するか、あるいはそのような基礎の形態が存在 しないと定義するかのいずれかである。 Z_i=α_i,α_i∈D （２７） 推定手段が上述の手順を実行する機構は、可変の目標のインスタント化のための 手順、すなわち、局部的に有限のオートマトン（証明オートマトンと呼ばれる） を構成することである。この重要な特徴は、本発明のアプローチに特有のもので ある。証明手順は、特定の定理のステートメントおよび現在扱っている例示的な 知識ベースに注文によって特定される。 図９は、図２に示され、図７にさらに詳細に示された推定手段26によって構成 されたオートマトンに可能なアクションのシーケンスを説明する証明オートマト ンの概念的構造を示している。エージェントは、択一の有限集合から選択された 無限小のアクション間のチャタリングによってインターバルにわたって最適な制 御を達成する。無限小のアクションは、図８に示されたアクション更新インター バルΔ150のサブインターバルにわたって続く。アクションは、制御の問題に対 する最適に近い解を得ることができることを証明する際の副作用として生成され た証明オートマタによって実行される。 推定手段によって生成された証明オートマトンの構造が図９に示されている。 図９において、初期状態160は、定理に関連した式158を表している。一般的に、 以下のそれぞれの状態162,164は、一続きの推論ルールa_i，ｂ_i，ｃ_i，ｄ_i，ｅ_i を次の経路、すなわち、 によって表された初期状態に適用することによって得られた定理の等式に対応す る。オートマトンの各エッジは、可能な推論の１つに対応する。ある状態は、そ の式が同じ繰返しである場合、あるいは知識ベース中に解が記憶されている正準 方程式に対応する場合には終了である。 オートマトンの状態のグラフを横断する際に、値あるいは式が変数に割り当て られる。終了状態において式の項は全てグラウンド状態（式(27)参照）である。 初期状態で開始し、終了状態で終わる少なくとも１つの経路をオートマトンが含 んでいる場合、定理は所定の知識ベースに関して真であり、結果的な可変のイン スタント化は有効である。そうでない場合、定理は間違いである。 推定手段によって証明可能な各定理の論理積中にある完全な部分的順序の項の 機能は、証明オートマトンを構成するためのガイドを提供することである。これ は、定理の式の項を、クリーン・シュッツェンベルガーの式(Kleene-Schutzenbe rger Equation）（ＫＳＥ）と呼ばれ、証明オートマトンの構成のためのブルー プリントを構成する正準固定点の式に変換することによって行われる。この固定 点は、それが解を有する場合には、式（２０）および（２１）において公式化さ れた最適化の問題の解と一致する。ＫＳＥの一般的な形式は次のようなものであ る。 Ｚ＝Ｅ(p)・Ｚ＋Ｔ(p) （２８） 式（２８）において、Ｅは各エントリが上述の推論演算子のベースから構成され た合理的形態である方形マトリックスであり、Ｔは知識ベースからの式の形態の ベクトルである。Ｅにおける空でないエントリＥ_ijのそれぞれは、状態ｉとｊと を接続している証明オートマトンにおけるエッジに対応する。Ｅ（ｐ）とＺとの 間の２進演算子は、演算子に“推論を適用する”ことを表している。終了状態は 、Ｔの空でない項によって判断され決定される。ｐ項は、Ｅ（・）における推論 演算子の項の注文されたパラメータ値である。推定手段によって実行された方法 の要約は図７に示されている。 オートマトンの構成は正準方程式から実行され、推論ルールを非決定的に適用 することによって実行されるのではない。このアプローチは正準方程式の計算の 複雑さを減少し（低い多項式）、推論ルールを直接適用する（指数的）よりもは るかに良い。オートマトンは、ｎ ｌｏｇ₂ ｎ 時間を要求するオートマトン アクションおよび評価変数のインスタンスを生成するようにシミュレートされる 。この“分解および克服”方式は、オートマトンを並列の一体のものの継続（１ つ の初期状態および１つの終了状態）オートマタに帰納的に分解する。この分解に よって結果的に生じたオートマタのそれぞれは、その他のものから独立して実行 される。結果的なオートマタのネットワークの性質は、本来のオートマタから得 られた性質と同一であるが、時間の複雑さは実現可能なものである。 各制御エージェントに対する図２に示された推定手段26は２つの機能を満足さ せる。すなわち、プランナ（式（２０）および（２１））によって生成された各 エージェントのシステム性質の定理に対する証明を生成し、知識デコータの中心 的素子として機能する。性質定理を証明するためのその機能が以下説明される。 後に、その機能は知識デコーダの一部として示される。 プランナの定理、式（２０）、（２１）を証明するためにどのように推定手段 が使用されるかを示すために、最初にこの定理が式（２２）のパターンに変換さ れる。式（２０）、（２１）は凸の最適化の問題を公式化するため、最適にする ために必要かつ十分な条件が次のダイナミックプログラミング公式によって与え られ、 式（２９）において、最適な実行のためのコスト関数と呼ばれる関数Ｖ_iは、現 在のインターバル内の任意の点から開始している最小を特徴付ける。第２の式は 、式（２０）、（２１）において説明された問題に対する対応するハミルトン・ ヤコビ・べルマンの式であり、ここにおいて、Ｈは緩和された問題に対するハミ ルトン関数である。この公式によって、証明する演繹的定理と最適な制御理論と の間で形式的な結合が行われる。推定手段によって形式的な制御の問題をリアル タイムで最適に解を得ることができ、結果的に、インテリジェントに分布された 形のリアルタイム制御でマルチプルエージェントシステムを制御することを可能 にする。式（２９）に対する解を推論するための中心的な着想は、代数の合理的 ベキ級数で次のように実行のためのコスト関数Ｖ（．，．）を展開することであ る。 Ｄ≪(Ｙ，τ)≫ （３０） Ｖを式（２９）における第２の式のＶiと置き換えると、２つのアイテム、すな わち、Ｖの係数に対する多項式のセットおよび最適さを表すための部分的順序式 が与えられる。Ｖが凸であり、合理的であるため、Ｖの係数を特徴付けるのに必 要な式の数は有限である。係数の式の論理積の結果的なストリングおよび最適さ の部分的順序式は式（２２）にある。 要約すると、各エージェントに対して、図２に示された推定手段26は、以下の 方式に従って動作する。 ステップ１：現在の定理の式（２０）および（２１）をロードし、 ステップ２：式（２９）を介して定理を式（２２）に変換し、 ステップ３：先に説明された図７に示されたチャートに従って証明を実行す る。 定理が論理的に知識ベースに従う場合（すなわち、それが真である場合）、推 定手段の手順はステップ３においてアクションα_i（）で終了する。定理が論理 的に知識ベースに従わない場合、図２に示されたアダプタ30が付勢され、定理は 先に概略を述べられた戦略に従って図２に示された定理プランナ24によって変更 される。この機構は、エージェントにおける応答性には不可欠のものである。緩 和および凸のために、この機構によってドメインの制御可能なセットがこの補正 戦略のない機構よりも大きいことが確実とされる。 図２に示された知識デコーダ32は、知識ベースのエージェント間の特定化クロ ーズを更新することによってネットワークからの知識データをエージェントの知 識ベースに変換する。これらのクローズは、式（２９）における第２の制約を特 徴付ける。特に、それらは各エージェントにおける残りのネットワークによって 課せられた制約を表す。それらはまた、全体から局部への変換を特徴付ける。最 後に、それらはエージェント間の制約を完全に制約のない規範に組み込むための 一般化された乗数を構成するための規則を提供し、その後それは、式（２９）に おける最初の式の非線形最適化問題のための実行のためのコスト関数を構成する ために使用される。一般化された乗数は、制約をポテンシャル項に変換する演算 子である。次に、このポテンシャルは本来のラグランジュ方程式に組み込まれ、 それは制約の原因を明確に示する。 図２に示された知識デコーダ32は、式（１４）に対して説明されたものに類似 した手順で乗数の構造および変換を推定するために使用される組込まれた推定手 段を有している。特に、乗数および変換は、式（３０）において定義された代数 の合理的ベキ級数で展開される。その後、式（２２）の形式の定理を構成するの に必要な式と部分的順序の式の論理積とを決定するために二重性に必要な条件が 使用され、式（２２）の形式の定理の証明は、制約を別のポテンシャルとしてエ ージェントのラグランジュ方程式に結び付けるための乗数を生成する。 全体から局部へそれぞれ変換するための式の論理積は、以下のような不変の埋 め込みの原理を適用することによって構成される。すなわち、各エージェントに 対して、現在のインターバルにおける所定の時間ｔにおけるアクションは、式（ ２９）に従って計算されたように、公式が先行、現在、および次のインターバル を含むように拡張されたときにｔにおいて計算されたアクションと同じである。 規範の移動性および凸の性質によって、原理は水平方向全体に解析的に拡大さ れる。不変の埋め込み式は式（２９）で与えられたダイナミックプログラミング 式と同じ構造を有しているが、対応する局部的なものの代わりに全体的な規範お よび全体的なハミルトニアンを使用する。 局部的から全体的への変換は、不変の埋め込み式を式（２２）の形の式の定理 として表すことによって得られた全体的から局部的への変換を反転させることに よって得られる。これらの反転は、緩和されたラグランジアンの凸の性質および べキ級数の合理性のために存在する。 図１０は、各エージェントが行うことに関して図２に示された知識デコーダ32 の機能を示している。上述の乗数は、現在のエージェント165によって観察され る、システムの相互作用およびエージェントの相互作用169を通してシステムの 残りおよび別のエージェントを等しいものの仲間のシステム167および仲間のエ ージェント168に集合させる効果を有している。図１０に示された集合モデルは 、各エージェント166がどのようにしてネットワークの残りを認めるかを説明す る。 この特有の特徴によって、特有の方法でアーキテクチャの計量性を特徴付けるこ とができる。すなわち、アプリケーションの計算上の複雑さを決定するために、 最も複雑なエージェント166 （すなわち、最も複雑な規範を有する局部的エー ジェント）とその仲間168だけが考慮される。 図１１は、ＭＡＨＣＡをディスクリートな製造プラント172の計画、スケジュ ーリング、および制御に適用する一例を示している。図１に示されたような論理 的エージェントネットワーク11は、イベントベースの素子の論理演算を故障した スケジュール180の修復等の連続ベースの素子の展開演算と同期させることがで き、それによって、プログラム可能な論理制御装置（ＰＬＣ）182によって実行 されるアクションの最適に近いスケジュールを達成するために高レベルのディス クリートな製造プラニング関数178の出力の実行を同期させる。ＰＬＣ素子に要 求されたアクションは、展開の制約と一致しなければならない。そのようなシス テムは、通常の商業的なプラニングソフトウェアおよび商業的なプログラム可能 な論理的制御装置を使用して構成された高レベルのプランナ178と低レベルの制 御182との間のハイブリッドシステムスケジューラーの“接着体”として機能す る単一のエージェントであるスケジューラ180を設けることができ、すなわち、 エージェントとしてプランナ、スケジューラおよび制御装置が設けられているマ ルチプルエージェントシステムである。制御装置182は、プラント172、入力170 および製品174の状態を検出する感知／試験176の素子を通して物理的プラントに インターフェイスする。制御装置は、制御アクション183によってプラントの動 作を管理する。 図１２は、図１１に示されたようなディスクリートな製造プラントのための、 ２つのエージェントのマルチプルエージェントネットワークの一例を示している 。生産者190、ノード制御装置エージェント196、消費者192およびノード制御装 置エージェント200は、設定された優先頃位および生産の制約に従って生産要求 の実行を同期させるように、動作セルのアクションの最適に近いスケジュールを 生成および修正のために使用できる。この同期は、システムの目標を、エージェ ント通信198を介してメッセージを生産者ノード制御装置エージェント196に送る 消費者ノード制御装置エージェント200に導入させることによって達成される。 エージェントは、センサ202を使用して生産者190および消費者192の状態を感知 し、指令されたアクション204を使用してシステムの状態を変化させる。生産者 および消費者の相互作用は、物理的相互作用194によって制約される。２つのエ ージェントのネットワークによって生成されたアクションは、プラントの動作と 同期する。 図１３は、図１１に示されたようなディスクリートな製造アプリケーションの ための５つのエージェントのマルチプルエージェントネットワークの一例を示し ている。（図１および図７に示されているような）マルチプルエージェントネッ トワークは、ディスクリートな製造プラントの制御のために５個のセルを同期す るように構成することができる。図１３は、モールドされたプラスティックの製 品の製造プロセスを制御する５つの永久的エージェントを有するＡＨＣＡを示し ている。そのプラントは、５つの機能セルで構成されている。 セル１の210は、出荷および受取り機能を実行し、また、工場を通して材料お よび製品を輸送できるオートメーション化されたフォークリフト220も含んでい る。セル１の機能は、出荷および受取りＭＡＨＣＡエージェント221によって制 御され、スケジュールを作成される。このセルにおけるエージェントは、人間の オペレータ222と対話することに注意すべきである（ＭＡＨＣＡは半自律のタス クを実行することができる）。 セル２の212、すなわち、経理のエージェントは、経理およびプラントの調整 機能を実行する。このエージェントはまた、セル３の素子、すなわち、オートメ ーション化された倉庫の貯蔵所213において在庫目録作成および制御機能を実行 する。 セル３の214は、未加工の材料を混合し、最終的な製品において使用される樹 脂混合物を生成するブレンダ230で構成されている。ブレンダは、ブレンダ制御 エージェント224によって制御される。 セル４の216は、モールダ226およびモールド制御エージェント228で構成され ている。このエージェント228はまた、セル５の処理素子に対する制御機能を行 う。 包装装置234を含んでいるセル５の218はまた、ＭＡＨＣＡの包装制御エージェ ント232によって制御されている。 さらに、ＭＡＨＣＡのフレームワークは、これらの機能を並列な解に適した表 示に変換することによって、通常の手順がより迅速に動作するようにできる。こ れは微分方程式でディスクリートなプロセスを変換するための記号によるアルゴ リズムである連続化によって達成され、その解はそのプロセスによって計算され た値を含んでいる。連続化は、実行する減少された命令セットコンピュータ（Ｒ ＩＳＣ）手順を実行する代わりに、選択されたサンプリング点における解がその 手順の出力値と一致するような微分方程式を解く一般的な方法である。そのアル ゴリズムの重要な要素は、通常の微分方程式の展開への帰納を符号化する一般的 な方法である。第２の重要な要素は、そのプログラムを１組の制約のセットとし て見なし、また、終了のためのプログラムの実行を、制約によって定められたフ ィンスラーマニホルドにおける対応するラグランジュの方程式の問題に対する最 適に近い解の発見として見なすことである。 この問題に対して対応するハミルトン・ヤコビ・べルマンの式をオンラインで 解く際に、元のプログラムの個々のデジタル命令は、マニホルドにおけるべクト ルフィールドの無限小の生成子として符号化する。デジタルの解を与える最適に 近いチャタリング解は、これらのベクトルフィールドのチャタリングの組合わせ である。チャタリングは任意の順序に行われることができ、すなわち、各デジタ ル命令のベクトルフィールドはチャターの所定の部分の期間中に注目されるが、 順番は関係がないことを意味している。これは、デジタルプログラムを連続的に 実行する際の急激な並列化の原因となる。チャターはマニホルドのデカルト接続 の接続係数を介して発見される。これは任意のデジタルプログラムを事実上加速 するために使用され、また、わずかな変更で永久的に処理するために適用される 。ＭＡＨＣＡのこの変更されたアプリケーションにおいて、ラグランジュの方程 式の問題の公式化はＭＡＨＣＡ公式化であり、フィンスラー空間はＭＡＨＣＡキ ャリアマニホルドであり、無限小はＭＡＨＣＡにおいて計算されたものである。 各ＭＡＨＣＡエージェントは個々の方法の速度を速めることができ、エージェン トのネットワークは手順のアンサンブルの速度を速めることができる。 以上のことから、分布された非線形性のプロセスのインテリジェントでリアル タイムの制御と、通常の機能のリアルタイムの制御とを行うためにマルチプルエ ージェント・ハイブリッド制御アーキテクチャを使用することができる。本発明 はもちろん、本発明の意図および技術的範囲から逸脱せずに本明細書に説明され た以外の特定の方法で実行されてもよい。それ故、本明細書に表された実施形態 は、全ての見地において例示として考慮されるべきであり、制限を受けないもの と見なされ、添付された請求の範囲およびそれに等価の範囲内の全ての変更がそ の中に含まれていることが意図されている。

【手続補正書】特許法第１８４条の８第１項 【提出日】１９９７年１０月１４日（１９９７．１０．１４） 【補正内容】 ここにおいて、Ω′は直積演算で変数記号｛ｘ₁，・・・，ｘ_n｝によって生成され たフリーモノイドである。項（ｖ，ω）は、ω∈Ω′においてｖの係数と呼ばれ る。多項式ｖの係数は、クローズの定義域中の値をとる。このドメインは以後、 手短に説明される。 式（１６）と（１７）の論理的解釈は、ボディの項の論理積がクローズのヘッ ドの変数の例に対して共通に真である場合、ヘッドは真であることを意味してい る。クローズのヘッドにおける変数が値をとるドメインはマニホルドＭである。 マニホルドＭは次のようなデカルト積に含まれており、 Ｍ⊆Ｇ×Ｓ×Ｘ×Ａ （１８） ここにおいてＧは目標の空間であり、Ｓは感知データの空間であり、Ｘは制御装 置の状態の空間であり、Ａは制御アクションの空間である。Ｇ，Ｓ，Ｘ，Ａはそ れ自体でそのトポロジカルな構造が知識ベース中の特定化されたクローズによっ て定められるマニホルドである。アプリケーションに依存するこれらのクローズ は、制御の下でプロセスの閉ループ性質における要求をコード化する。事実、変 動的な公式の項において後に定義される閉ループ性質は、マニホルドＭにおける 値を有する連続曲線によって特徴付けられる。この連続状態は中央であり、何故 ならば、それは閉ループ性質によって要求が満足されるようにするアクションを システムが探すように要求することと等しいからである。 図５ｃは、連続75のアルゴリズムを介してハイブリッド表示76に埋め込まれた プロセス74を示している。そのアルゴリズムは、ドメイン77からキャリアマニホ ルド79への不変の写像78を構成する。知識ベースのドメインにおいて知識を宣言 するドメイン（知識のルール）77である式関連クローズは、キャリアマニホルド 中にチャート（開かれたセット）79を有する１対１の写像78を有する。これは測 地線が接続通路を形成するマニホルドの地図の隣接したチャートをメモリアクセ スに近接して配置することによってリアルタイムのプロセスに対してアフィン接 続を実行できるようにするメモリマップ設計によって容易にされる。メモリマッ プ設計は、メモリ位置のアクセスの近さに従って分類された特別なデータタイプ を含んでいる。一般的な制御の問題の場合、図５ａに示された知識ベース管理機 構は、宣言の階層を種々の法則の要素からドメインのモデルを構成するレベルへ 提供する。知識ベース管理機構はまた、最適化のフレームワークにおいて含むた めのディスクリートなプロセスの連続を助ける。この試みはまた、一般的なディ スクリートプロセス（例えば、販売員の選別および巡回の問題等）にも適用でき る。連続の表示における手順の埋め込みは、最適に近い軌道の決定に使用できる 関数を展開するためにシステムの状態の統一された表示を与える際の基本的なス テップである。 知識ベース中の各クローズの表示的意味論は、（１）保存原理、（２）不変原 理、あるいは（３）制約原理のいずれかである。保存原理は、システムあるいは 計算リソースのダイナミックスにおける特定のプロセスのバランスについての１ または複数のクローズである。保存則は、制御された物理的あるいは諭理的装置 がその性能特性を満足させるときに当てはまる。例えば、クローズとしてコード 化された式（１５）は論理的通信ネットワークにおけるデマンドの保存を表す。 説明のために、この法則が以下に示される。 conservation_of_unsatisfied_demand(p,t,[Ｑ_i,k],Ｓ_ri,[Ｄ_k］,Δ,C_l ^u) （ １９） ∧process_evolution(p,t,p″) （式（１３）のコード化） ∧ｔ₊＝ｔ＋Δ ∧conservation_of_unsatisfied_demand(p″,t₊,[Ｑ_i,k],Ｓ_ri,[Ｄ_k],Δ,C_i ^{u+ +} ) 式（１９）において、第１の式の項は、現在の時間におけるエージェントｉに対 る不満足なデマンドを過去の不満足なデマンドならびにｉにおいてｉに接続され た他のエージェントの正味の現在のデマンドに関連させる。法則の最後の項は回 帰を行う。 別の例として、計算リソースの保存を表す以下のクローズを考慮すると、 comp(Load,Process Oｐ_count,Limit) ＜process(process_count) ∧process_count・Load1-Oｐ_count Load ∧Load1＜Limit ∧comp(Load1,Process,Oｐ_count,Ｌimit) ここにおいて、“Ｌｏａｄ”はＶＩＰＳ（可変の例示／秒）において測定された 現在の計算上の負荷に対応し、“ｐｒｏｃｅｓｓ”は実行のために考慮されたク ローズであり、“Ｏｐ＿ｃｏｕｎｔ”はプロセス中の現在の項の数である。保存 則は常に、上述の例のように、範囲が単一のクローズである必要がない回帰を含 んでいるが、幾つかのクローズを通した連鎖を有していてもよい。 不変原理は、一般的な意味において一定の運動を確立する１または複数のクロ ーズである。これらの原理は定常状態を含み、それは構造および測地線によって 証明された定理の公式化においてきわめて重要な役割を演じる。ＤＩＳプロセス の制御において、不変原理は品質の応答の要求を特定する。すなわち、それらは システムが満足させなければならないトラフィックロードの関数として性能のレ ベルを特定する。不変原理の重要性は、それらが予期しない事象を検出するため に提供する基準にある。例えば、ＤＩＳプロセスにおいて、要求が満たされた後 の更新時間は、通常の動作状態の下では一定である。この不変性を指定する式ク ローズは一定のグラウンド形態を有しており、この値からの逸脱は正常状態から の逸脱を表す。 制約原理は、アクチュエータあるいはセンサ、および最も重要なことに性質の ポリシーに対する工学的制限を表すクローズである。例えば、ＤＩＳプロセスに おいて、入力のフローの大きさあるいはアクセスの速度を制御する値の応答の速 度の特性は、システムのリレーショナルベース中に記憶された経験上のグラフ（ 例えば、トラフィックボリュームをパラメータとした場合のバイト数対速度等） によって与えられる。このアプリケーションにおける別の例は、マニホルドＭに ディスクリートな可変の軌跡を埋め込むためのリフト戦略を定めるクローズによ って与えられる（補間の規則）。クローズの知識ベースは、図５ａによって先に 示されたような重ね合わされた階層構造において組織されている。 図６ａは、分布されたリアルタイムのシステムを同期させるために個々のエー ジェントによって行われるアクションを示している。アクションは、式関連クロ ーズに含まれた制約と、センサからの入力および論理エージェントネットワーク 中の別のエージェントからの入力に従う各エージェントにより生成されたオート マタによって実行される。単一のエージェントは、キャリアマニホルド中の点に おいて変換を行うことによってオートマタを生成する。この図は、キャリアマニ ホルド中の点において適切に変換を実行する単一のエージェントの素子から生じ たデータフローを示している。データフロー図は、ユーザからの入力、論理エー ジェントネットワーク中の別のエージェントからの入力、先の決定サイクルから の現在のエージェントの状態118、または先の決定サイクルにおいて行われたア クションから感知された結果を使用して、知識ベースが更新される(80)毎にシス テムの状態がどのように更新されるかを示している。システムの状態はキャリア マニホルド中の点の値で維持され、それは論理および展開の特性である。単一の エージェントのデータフロー図は、各更新インターバルにおいて論理および展開 の制約に従うオートマトンの抽出の際にキャリアマニホルド中の点の値がどのよ うに変更されるかを示す。 データフロー図はプランインスタント化84のアーキテクチャを示しており、そ れは、知識ベース86（図２において参照番号28で示されている）における現在の 更新80の項の統一82を通して図２に示されたプランナ24によって達成され、アイ テムポテンシャルは図２に示された推定手段26から受け取られた故障項102から 図２に示されたアダプタによって構成される。アクティブな関係88は、図２に示 されたプランナ24から性質の規範を受け取り、緩和の規範を構成するために緩和 の原理を適用した結果である。正準方程式92は、ダイナミックプログラミング式 を構成するために（線形化、等化、防護およびフリーズ90を使用して）緩和され た規範に対してレヴィ・チヴィタ接続原理を適用した結果である。推定オートマ トンは、推定ブループリントコンストラクタ94（演繹および展開、転移出力関係 ）を使用して構成される(96)。その後、推定手順（一体の接頭辞ループ分解トリ マー）98を使用してオートマトンが構成される。推定オートマトンの実行100が 目標の規範との一致に失敗した場合、故障項102は図２に示されたアダプタ30に 送られ、そこにおいて、緩和（コンミュテータルール不活勢緩和）104のシンタ クスの規則が適応化106を行うために適用される。プランの項は、ラグランジュ の構成部108を使用してポテンシャルとして再度公式化され(110)、システムの故 障を補正するために応答ループ120として例84のために図２に示されたプランナ2 4に送られる。構成された推定オートマトンの実行100が目標の規範の最適に近い 制約と一致する場合、指令アクションが出力され(112)、エージェント間の要求 が出力され(114)、システムの状態は標準応答ループ118として更新される(1 16）。 個々のエージェントの実行インターバルにわたる個々の（無限小の）アクショ ンのセットは通常、実行ループ（標準応答ループ）118を通して識別され、選択 され、実行される。個々のエージェントに対するＭＡＨＣＡの実行ループは、局 部的な制約に対する個々のエージェントのためのシステム性質の論理および展開 の両方の制約とスムースに一致させる手段である。論理エージェントネットワー クのエージェントによってアクションインターバルセットを通じて実行されたア クションのセットは、分布されたシステムに対して、多数のタイムスケールおよ び多数の変位距離に対するシステムの性質の論理的および展開制約の両方とスム ースに一致させる手段である。 複合された問題に対する解の証明に失敗した場合、個々のエージェントの知識 ベース中のクローズは、制約のシンタクスの緩和の規則に従って故障を補正され る。この制約の緩和に続いて、個々のエージェントの実行インターバルにわたる １組の個々の（無限小の）アクションは、故障（故障ループ）120を補正するた めに応答ループを通して識別され、選択され、実行される。ＭＡＨＣＡの故障ル ープは、アーキテクチャ中の論理および展開の両方の自由度を強固に得るための 手段である。安全性および品質の制約等の論理的制約に対する許容可能な緩和規 範は、展開の制約の正確な動作規範の緩和のための一般的なフレームワークにお いて支持される。これらの許容可能な自由度は、個々の非線形プロセスの頑強な 制御を支持するために局部レベルで動作し、また、大規模な分布されたシステム の頑強な制御を支持するために全体レベルで動作する。 連続表示における論理の制約の埋め込みは、最適に近い軌道を決定するために 使用できる関数を展開するようにシステム状態の統一された表示を適用する際の 基礎的なステップである。キャリアマニホルドはシステム状態の統一された宣言 を形成するための手段であり、それは論理および展開のパラメータを含んでいる 。論理的ラグランジュの方程式（式２０）は、論理の制約および展開の制約をシ ステム性質の連続表示に埋め込む手段である。図２に示された知識デコーダ32は 、ユーザ入力、センサ入力、および連続表示における他のエージェントからの入 力に対してディスクリート値および展開値を位置付けるように機能する。 図６ｂは、システム状態の統一モデルを構成し、システムの解に必要な不変変 換を実行する数学的エンティティとしてキャリアマニホルドを示している。ＭＡ ＨＣＡは、新しい方法で変数を計算するアプリケーションに基礎を置いている。 個々のエージェントにより構成されたオートマタによって生成された制御のため の記号による公式は、最適な制御の問題の変形を公式のためのパラメータ計算に 関連した適切なフィンスラーマニホルドに関するカルタン接続の係数のための式 と見なすことができる。キャリアマニホルド121は、適切なフィンスラーマニホ ルドのＭＡＨＣＡバージョンである。Wolf Kohn氏等による文献“Hybrid System as Finsler Manifolds：Finite State Control as Approximation to Connecti ons”(Wolf Kohn et al.eds.，Springer Verlag 1995)に示されたような以下の カラテオドリのリードは、制約によって定められた微分可能マニホルドにおいて 生じたときにハイブリッドシステムの状態の展開を説明する。フィンスラーマニ ホルドの重要な特性は、所定の点におけるマニホルドの接線空間上でノルムを定 めるために使用されるフィンスラー長の計算のための計測グラウンド形態を導入 することである。このフィンスラー計測の使用は、各更新インターバルにおける ε最適制御法則を計算するために重要である。 キャリアマニホルド121は、システム性質における論理、幾何学および展開の 制約の統一のための基礎的な数学的エンティティである。キャリアマニホルド中 の点ｐ122は、式（２）において先に説明されたような論理および展開のパラメ ータを有している。従来のシステムの表示はシステムモデルを論理モデルと展開 モデル123とに分割したが、プロセスモデルの連続性のコーン・ネローデの定義1 24は論理モデルと展開モデルを連続表示に融合するためにキャリアマニホルドの 使用を支持する。 図７は、現在のシステムの目標のセット、システム性質に関する現在の論理お よび展開の制約のセット、現在のユーザからの入力のセット、および現在のセン サ値のセットが与えられた次のオートマトンの生成の際のＭＡＨＣＡの動作の基 本的な方法を示している。これらのパラメータは全て宣言され、図２に示された 推定手段26に対する式関連クローズとして生じる。この図は、システムの目標を 達成し、一方、論理および展開の制約ならびに現在のシステムの入力に従うよう にするために最適に近いアクションを提供するオートマトンを発生するように推 定手段によって行われる動作のシーケンスを示している。 推定手段は、図２に示されたプランナ24から定理を取出し、コスト関数に関し て最適に近いアクションを実行するオートマトンを生成するか、あるいは、図２ に示されたアダプタ30が新しい定理を構成するために図２に示されたプランナ24 に緩和された規範を供給できるように故障項を生成するかのいずれかを行う。ハ イブリッド制御システムアーキテクチャおよび推定手段の動作によって、結果的 に目標の規範に到達するように最適に近い軌道を辿るようにアクションを実行す るオートマタが生成される。緩和された規範126は、図２に示されたプランナ24 から展開の規範125を受取り、緩和の原理146を適用した結果得られる。アクショ ンの式であるダイナミックプログラミング式127は、レヴィ・チヴィタ接続原理1 44を緩和された規範126に適用した結果得られる。正準方程式128は、推定ブルー プリント（青写真）構成子142を使用してダイナミックプログラミング式127から 構成される。推定オートマトン130は、オートマタ構成子140を使用して正準方程 式128から構成される。次に、オートマトンを構成するために図６ａに示された 推論方法（一体接頭辞ループ分解トリマー）98が使用される。構成された推定オ ートマトン130のオートマタの実行138が目標の規範134との合致に失敗した場合 、故障項およびエージェント状態が図２に示されたアダプタ30に送られ、そこに おいて、適応を実行するために緩和のためのシンタクスルールが適用される。構 成された推定オートマトンの実行138が目標の規範の最適に近い制約と上手く合 致した場合、指令アクションが出力され(132)、エージェント間の要求が出力さ れ、システムの状態が通常の応答ループとして更新される。 ドメインが特定されている図２に示された定理プランナ24の機能は、各更新イ ンターバルの間にそのインターバルを通してエージェント（例えばエージェント ｉ等）によって観察されたように、システムの所望の展開の記号によるステート メントを生成することである。それが生成する定理ステートメントは以下の形式 を有している。 原始的アクションのセットが与えられた場合、式（１２）の形態の制御スケジ ュールｖ_i｜_pと、制御インターバル［ｔ，ｔ＋Δ）におけるフラクション関数の 微分ｄα_i（・）（図１ｂ参照）が存在し、それによってｄα_i（・）は次の汎関 数 を最小にし、以下の制約を受ける： Ｇ_i(Ｓ_i,Ψ_i(t＋Δ,p))＝G(t,X_i) （そのインターバルに対する局部的な目標）、 式（２０）において、Ｌ_iは現在の制御インターバル，[ｔ，ｔ＋Δ）に対してエ ージェントｉによって観察されるシステムの局部的緩和ラグランジュ方程式と呼 ばれる。その状態のデカルト積および制御空間を知識ベース中のクローズによっ て定められたトポロジーを有する実線に写像するこの関数は、ダイナミックス、 制約およびエージェントｉによって観察されるシステムの要求を捕捉する。緩和 されたラグランジュの方程式の関数Ｌ_iは、システムを全体として特徴付ける全 体的なラグランジュの方程式の関数Ｌの座標中のｉ番目のエージェントの座標に おいて知識ベースによって定められたトポロジーにおける連続的な投影である。 式（１５）から得られた式（２１）において、ｐ∈Ｍは、エージェントによっ て観察される制御下のプロセスの状態を表し、Ｇ_iは現在のインターバルに目標 をもたらす並列移動演算子である。演算子Ｇ_iは、複合フロー（式（１０）参照 ）をマニホルドにリフトすることによって構成される。複合フローおよびアクシ ョンスケジュールは、一度フラクション関数（測度 ）α_iがわかると決定され 、 この関数は最適化の式（２０）および（２１）の結果である。特に、アクション スケジュールは、原始的アクション（式（１２）を参照）の線形結合として構成 される。 式（２１）の表現は、エージェントによって解かれる緩和された最適化の問題 に課される３つの制約を構成する。第１の制約は現在のインターバルの終わりに おいて状態の一般値を表す局部的な目標の制約である。第２の制約は、ネットワ ーク中の別のエージェントによってエージェントに課せられた制約を表している 。最後に、第３の制約は、ｄα_i（・）が確率測定であることを示している。 緩和し、ドメインを適切に選択した場合、式（２０）および（２１）において 述べられた最適化の問題は、凸の最適化の問題である。これは重要であり、それ は、解が存在する場合、それが特有であることが保証され、また、定理を証明す るためにエージェントが使用する推定方法の計算上の効果が保証されるからであ る。 式（２０）における項ｄα_i（・）は、エージェントがインターバル［ｔ，ｔ ＋Δ）の間に実行できる原始的指令あるいは制御アクションのセットにおけるラ ドン確率測定である。それは、そのインターバルの期間中、原始的アクションの それぞれにかかる時間の比率を測定する。制御エージェントの中心機能は、各制 御インターバルに対してこのアクションの混合を決定することである。この機能 は、現在の定理によって述べられた最適化の問題の解が存在するかどうかを知識 ベースの現在の状態から推諭することによって実行され、それが存在する場合に は、対応するアクションの生成および状態の更新を行う。 式（２０）および（２１）によって与えられた定理のステートメントの構成は 、図２に示されたプランナ24において実行される中心的なタスクである。それは 、現在のインターバル中にエージェントによって観察される所望のプロセスの展 開を特徴付け、それによって、その要求は満足され、システムは最適な方法でそ の目標に向かって“移動”する。 式（２０）において積分された関数は、“キャッチ・オール”ポテンシャルと 呼ばれる項を含み、それは図２に示された知識ベース28中のどのクローズにも関 係がない。その機能は、モデル化されていないダイナミックイベントを測定する ことである。この監視機能は図２に示されたアダプタ30によって実行され、それ は前述のリーブラケットに類似した一般の交換子の原理を実行する。この原理の 下では、キャッチ・オールポテンシャルの値が空である場合、現在の定理のステ ートメントはシステムの状態を適切にモデル化する。反対に、その定理が当ては まらない場合、それはその定理の現在のステートメントとシステムの状態との間 が不整合であり、キャッチ・オールポテンシャルが故障の原因となった定理の式 の項を実行していることを示している。これらの項は無効にされ、（図２に示さ れた知識ベース28における式のクローズによってそれ自体定義された）交換原理 に従って図２に示された推定手段26によって一緒に共役され、適合ダイナミック クローズとして知識ベースに記憶される。その後、図２に示されたアダプタ30は 、ポテンシャル記号を発生し、それは適合クローズおよび対応する同調の制約に よって特徴付けられる。 新しいポテンシャル記号と同調の制約は、図２に示されたプランナ24に送られ 、それは修正された局部規範と目標の制約とを生成する。このようにして構成さ れた新しい定理は、システムの適合された性質を表す。これは、このモデルにお ける応答性の構造の適合に不可欠なものである。 同期は次のようなアクションを行うオートマタの生成を通して達成される。す なわち、それは（１）ハイブリッドシステム状態の統一されたステートメントを 生成し、システム状態の展開がトポロジカルな連続性の制約を破ったことを決定 し、その証明手順を故障にし、連続性を取り戻すように応答を要求するためのベ ースであるハイブリッドシステムに対する連続性のコーン・ネローデの定義と、 （２）最適に近い性能を達成するために結果的に個々の（無限小の）アクション の適切なチャタリング結合を選択するコーン・ネローデ・ジェームスの最適性と を与えるアクションである。全体的および局部的な目標を満足させるために論理 および展開の両方の制約を受ける分布されたプロセスを制御するためのアクショ ンの、スムースで最適に近い同期は、ハイブリッド制御アーキテクチャを適用し た主な結果である。ＭＡＨＣＡはダイナミックな分布されたプロセスを最適に近 い形で制御するのに効果的であるため、それはまたスタティックシステムの最適 に近い解に適切である。 図８は、個々のアクション間のチャタリングを通してハイブリッドシステムの 問題ｉ156の最適に近い解を得るプロセスを示している。図８は、原始的アクシ ョンｖ_i146およびΔ150のフラクションΔ_i152がインターバル［ｔ，ｔ＋Δ）148 ,154においてアクティブとなるような両者の関係を示している。チャタリングと は、更新インターバルΔ150のサブインターバルΔ_i152における無限小の制御ア クションｖ_iの間のスイッチングを言うものである。エージェントのアクション は、各エージェントに適切な時間Δ150の有限のインターバルの間に行われる。 最適に近いアクションを行うオートマタは、各インターバルに対して更新される 。 この点において、頑丈さの問題にアドレスしなければならない。かなりの程度 まで、各制御装置のエージェントの図２に示されたアダプタ30は、故障あるいは 予想不可能なイベントから回復するための一般的で計算上有効な手段をシステム に提供する。定理の故障は、エージェントにとってシステムがどのようなもので あるかを想定したものと、その実際に観察したものとの間の不整合の徴候である 。適合クローズは、回復の戦略を表すエージェントの知識ベース中に知識を組み 込む。次に説明される推定手段は、その通常動作の一部としてこの戦略を行う。 図２に示された推定手段26は、オンラインの式の定理の証明手段である。それ が証明できる定理のクラスは、式（２０）および（２１）の形態のステートメン トによって表され、次の形態の式の項の存在的に定量化されたの論理積によって され、 ∃Ｚ|Ｗ₁(Ｚ,ｐ)rel₁Ｖ₁(Ｚ,ｐ)∧...∧Ｗ_n(Ｚ,ｐ)re1_nＶ_n(Ｚ,Ｐ) （２２） ここにおいて、Ｚは、それぞれがドメインＤ中の値をとる変数の組であり、ｐは Ｄ＝Ｇ×Ｓ×Ｘ×Ａにおけるパラメータのリストであり（すなわち、マニホルド Ｍの一点）、｛Ｗ_i，Ｖ_i｝はセミリング多項式代数の項であり、 Ｄ〈Ω〉 （２３） Ｄ＝｛Ｄ，＜＋，・，1，０＞｝は、加算の単位が０であり、乗算の単位が１で あるセミリング代数である。 式（２２）において、ｒｅｌ_i， ｉ＝1，・・・，ｎ，は、多項式代数において ２ あるか、あるいは部分的順序関係のいずれかである。所定の定理において、１以 上の部分的順序関係が現れてもよい。各定理において、項の少なくとも１つの項 は、代数において完備束を定める部分的順序であり、それは最適化の問題に対応 する。この完備束は、最適化の問題が最少である場合には、有している成分が最 少である。 式（２２）の定理のステートメントと、式のクローズの知識ベースが与えられ ると、推定手段は、ステートメントが論理的に知識ベースにおけるクローズに従 うかどうかを決定し、そうである場合、証明の副作用として、Ｚに値を与えるＤ 中のエントリを有する空でないサブセットを生成する。これらのエントリは、エ ージェントのアクションを決定する。従って、副作用は、エージェントの決定変 数の例示である。式（２３）において、Ωは原始的単項演算｛ｖ_i｝のセットで ある。各ｖ_iは、セミリング代数を写像し、その要素は、Ｚに関するそれ自体の 演算子の合成を含むベキ級数である。 ｖ_i:Ｄ≪Ｚ≫→Ｄ≪Ｚ≫ （２４） これらの演算子は知識ベース中の公理によって特徴付けられ、プロセスに依存 する。形式的論理において、実行された推論原理は次のように述べることができ る。Σを知識ベース中のクローズのセットとする。→は示唆を表す。定理を証明 することは、それが論理的にΣに従うことを示すことであり、すなわち、 Σ→定理 （２５） 証明は、次の推論公理の適用のシーケンスによって達成される。 ・等式の公理 ・収斂の公理 ・不等式の公理 ・知識ベースの公理 ・部分的順序の公理 ・制限の公理 ・適合の公理 推論原理のそれぞれは、デカルト積における演算子として次のように表され、 Ｄ≪Ｗ≫×Ｄ≪Ｗ≫ （２６） 各推論演算子は、関連した項を別の関連した項に変換する。推定手段は、定理 の式の項に推論演算子のシーケンスを適用した後、初めてこれらの項を式（２７ ）の形式の基礎式のセットに減少するか、あるいはそのような基礎の形態が存在 しないと定義するかのいずれかである。 推定手段が上述の手順を実行する機構は、可変の目標のインスタント化のための 手順、すなわち、局部的に有限のオートマトン（証明オートマトンと呼ばれる） を構成することである。この重要な特徴は、本発明のアプローチに特有のもので ある。証明手順は、特定の定理のステートメントおよび現在扱っている例示的な 知識ベースに注文によって特定される。 図９は、図２に示され、図７にさらに詳細に示された推定手段26によって構成 されたオートマトンに可能なアクションのシーケンスを説明する証明オートマト ンの概念的構造を示している。エージェントは、択一の有限集合から選択された 無限小のアクション間のチャタリングによってインターバルにわたって最適な制 御を達成する。無限小のアクションは、図８に示されたアクション更新インター バルΔ150のサブインターバルにわたって続く。アクションは、制御の問題に対 する最適に近い解を得ることができることを証明する際の副作用として生成され た証明オートマタによって実行される。 推定手段によって生成された証明オートマトンの構造が図９に示されている。 図９において、初期状態160は、定理に関連した式158を表している。一般的に、 以下のそれぞれの状態162,164は、一続きの推論ルールａ_i，ｂ_i，ｃ_i，ｄ_i，ｅ_i を次の経路、すなわち、 によって表された初期状態に適用することによって得られた定理の等式に対応す る。オートマトンの各エッジは、可能な推論の１つに対応する。ある状態は、そ の式が同じ繰返しである場合、あるいは知識ベース中に解が記憶されている正準 方程式に対応する場合には終了である。 オートマトンの状態のグラフを横断する際に、値あるいは式が変数に割り当て られる。終了状態において式の項は全てグラウンド状態（式（２７）参照）であ る。初期状態で開始し、終了状態で終わる少なくとも１つの経路をオートマトン が含んでいる場合、定理は所定の知識ベースに関して真であり、結果的な可変の インスタント化は有効である。そうでない場合、定理は間違いである。 推定手段によって証明可能な各定理の論理積中にある完全な部分的順序の項の 機能は、証明オートマトンを構成するためのガイドを提供することである。これ は、定理の式の項を、クリーン・シュッツェンベルガーの式(K1eene-Schutzenbe rger Equation）（ＫＳＥ）と呼ばれ、証明オートマトンの構成のためのブルー プリントを構成する正準固定点の式に変換することによって行われる。この固定 点は、それが解を有する場合には、式（２０）および（２１）において公式化さ れた最適化の問題の解と一致する。ＫＳＥの一般的な形式は次のようなものであ る。 Ｚ=E(p)・Z＋T(p) （２８） 式（２８）において、Ｅは各エントリが上述の推論演算子のベースから構成され た合理的形態である方形マトリックスであり、Ｔは知識ベースからの式の形態の べクトルである。Ｅにおける空でないエントリＥ_ijのそれぞれは、状態ｉとｊと を接続している証明オートマトンにおけるエッジに対応する。Ｅ（ｐ）とＺとの 間の２進演算子は、演算子に“推論を適用する”ことを表している。終了状態は 、Ｔの空でない項によって判断され決定される。ｐ項は、Ｅ（・）における推論 演算子の項の注文されたパラメータ値である。推定手段によって実行された方法 の要約は図７に示されている。 オートマトンの構成は正準方程式から実行され、推論ルールを非決定的に適用 することによって実行されるのではない。このアプローチは正準方程式の計算の 複雑さを減少し（低い多項式）、推論ルールを直接適用する（指数的）よりもは るかに良い。オートマトンは、ｎ ｌｏｇ₂ ｎ 時間を要求するオートマトン アクションおよび評価変数のインスタンスを生成するようにシミュレートされる 。この“分解および克服”方式は、オートマトンを並列の一体のものの継続（１ つ の初期状態および１つの終了状態）オートマタに帰納的に分解する。この分解に よって結果的に生じたオートマタのそれぞれは、その他のものから独立して実行 される。結果的なオートマタのネットワークの性質は、本来のオートマタから得 られた性質と同一であるが、時間の複雑さは実現可能なものである。 各制御エージェントに対する図２に示された推定手段26は２つの機能を満足さ せる。すなわち、プランナ（式（２０）および（２１））によって生成された各 エージェントのシステム性質の定理に対する証明を生成し、知識デコータの中心 的素子として機能する。性質定理を証明するためのその機能が以下説明される。 後に、その機能は知識デコーダの一部として示される。 プランナの定理、式（２０）、（２１）を証明するためにどのように推定手段 が使用されるかを示すために、最初にこの定理が式（２２）のパターンに変換さ れる。式（２０）、（２１）は凸の最適化の問題を公式化するため、最適にする ために必要かつ十分な条件が次のダイナミックプログラミング公式によって与え られ、 式（２９）において、最適な実行のためのコスト関数と呼ばれる関係Ｖ_iは、現 在のインターバル内の任意の点から開始している最小を特徴付ける。第２の式は 、式（２０）、（２１）において説明された問題に対する対応するハミルトン・ ヤコビ・ベルマンの式であり、ここにおいて、Ｈは緩和された問題に対するハミ ルトン関数である。この公式によって、証明する演繹的定理と最適な制御理論と の間で形式的な結合が行われる。推定手段によって形式的な制御の問題をリアル タイムで最適に解を得ることができ、結果的に、インテリジェントに分布された 形のリアルタイム制御でマルチプルエージェントシステムを制御することを可能 にする。式（２９）に対する解を推論するための中心的な着想は、代数の合理的 ベキ級数で次のように実行のためのコスト関数Ｖ（．，．）を展開することであ る。 Ｄ≪（Ｙ,τ）≫ （３０） Ｖを式（２９）における第２の式のＶ_iと置き換えると、２つのアイテム、すな わち、Ｖの係数に対する多項式のセットおよび最適さを表すための部分的順序式 が与えられる。Ｖが凸であり、合理的であるため、Ｖの係数を特徴付けるのに必 要な式の数は有限である。係数の式の論理積の結果的なストリングおよび最適さ の部分的順序式は式（２２）にある。 要約すると、各エージェントに対して、図２に示された推定手段26は、以下の 方式に従って動作する。 ステップ１：現在の定理の式（２０）および（２１）ロードし、 ステップ２：式（２９）を介して定理を式（２２）に変換し、 ステップ３：先に説明された図７に示されたチャートに従って証明を実行す る。 定理が論理的に知識ベースに従う場合（すなわち、それが真である場合）、推 定手段の手順はステップ３においてアクションα_i（）で終了する。定理が論理 的に知識ベースに従わない場合、図２に示されたアダプタ30が付勢され、定理は 先に概略を述べられた戦略に従って図２に示された定理プランナ24によって変更 される。この機構は、エージェントにおける応答性には不可欠のものである。緩 和および凸のために、この機構によってドメインの制御可能なセットがこの補正 戦略のない機構よりも大きいことが確実とされる。 図２に示された知識デコーダ32は、知識ベースのエージェント間の特定化クロ ーズを更新することによってネットワークからの知識データをエージェントの知 識ベースに変換する。これらのクローズは、式（２９）における第２の制約を特 徴付ける。特に、それらは各エージェントにおける残りのネットワークによって 課せられた制約を表す。それらはまた、全体から局部への変換を特徴付ける。最 後に、それらはエージェント間の制約を完全に制約のない規範に組み込むための 一般化された乗数を構成するための規則を提供し、その後それは、式（２９）に おける最初の式の非線形最適化問題のための実行のためのコスト関数を構成する ために使用される。一般化された乗数は、制約をポテンシャル項に変換する演算 子である。次に、このポテンシャルは本来のラグランジュ方程式に組み込まれ、 それは制約の原因を明確に示する。 図２に示された知識デコーダ32は、式（１４）に対して説明されたものに類似 した手順で乗数の構造および変換を推定するために使用される組込まれた推定手 段を有している。特に、乗数および変換は、式（３０）において定義された代数 の合理的ベキ級数で展開される。その後、式（２２）の形式の定理を構成するの に必要な式と部分的順序の式の論理積とを決定するために二重性に必要な条件が 使用され、式（２２）の形式の定理の証明は、制約を別のポテンシャルとしてエ ージェントのラグランジュ方程式に結び付けるための乗数を生成する。 全体から局部へそれぞれ変換するための式の論理積は、以下のような不変の埋 め込みの原理を適用することによって構成される。すなわち、各エージェントに 対して、現在のインターバルにおける所定の時間ｔにおけるアクションは、式（ ２９）に従って計算されたように、公式が先行、現在、および次のインターバル を含むように拡張されたときにｔにおいて計算されたアクションと同じである。 規範の移動性および凸の性質によって、原理は水平方向全体に解析的に拡大さ れる。不変の埋め込み式は式（２９）で与えられたダイナミックプログラミング 式と同じ構造を有しているが、対応する局部的なものの代わりに全体的な規範お よび全体的なハミルトニアンを使用する。 局部的から全体的への変換は、不変の埋め込み式を式（２２）の形の式の定理 として表すことによって得られた全体的から局部的への変換を反転させることに よって得られる。これらの反転は、緩和されたラグランジアンの凸の性質および ベキ級数の合理性のために存在する。 図１０は、各エージェントが行うことに関して図２に示された知識デコーダ32 の機能を示している。上述の乗数は、現在のエージェント165によって観察され る、システムの相互作用およびエージェントの相互作用169を通してシステムの 残りおよび別のエージェントを等しいものの仲間のシステム167および仲間のエ ージェント168に集合させる効果を有している。図１０に示された集合モデルは 、各エージェント166がどのようにしてネットワークの残りを認めるかを説明す る。 この特有の特徴によって、特有の方法でアーキテクチャの計量性を特徴付けるこ とができる。すなわち、アプリケーションの計算上の複雑さを決定するために、 最も複雑なエージェント166 （すなわち、最も複雑な規範を有する局部的エー ジェント）とその仲間168だけが考慮される。 図１１は、ＭＡＨＣＡをディスクリートな製造プラント172の計画、スケジュ ーリング、および制御に適用する一例を示している。図１に示されたような論理 的エージェントネットワーク11は、イベントベースの素子の論理演算を故障した スケジュール180の修復等の連続ベースの素子の展開演算と同期させることがで き、それによって、プログラム可能な諭理制御装置（ＰＬＣ）182によって実行 されるアクションの最適に近いスケジュールを達成するために高レベルのディス クリートな製造プラニング関数178の出力の実行を同期させる。ＰＬＣ素子に要 求されたアクションは、展開の制約と一致しなければならない。そのようなシス テムは、通常の商業的なプラニングソフトウェアおよび商業的なプログラム可能 な論理的制御装置を使用して構成された高レベルのプランナ178と低レベルの制 御182との間のハイブリッドシステムスケジューラーの“接着体”として機能す る単一のエージェントであるスケジューラ180を設けることができ、すなわち、 エージェントとしてプランナ、スケジューラおよび制御装置が設けられているマ ルチプルエージェントシステムである。制御装置182は、プラント172、入力170 および製品174の状態を検出する感知／試験176の素子を通して物理的プラントに インターフェイスする。制御装置は、制御アクション183によってプラントの動 作を管理する。 図１２は、図１１に示されたようなディスクリートな製造プラントのための、 ２つのエージェントのマルチプルエージェントネットワークの一例を示している 。生産者190、ノード制御装置エージェント196、消費者192およびノード制御装 置エージェント200は、設定された優先順位および生産の制約に従って生産要求 の実行を同期させるように、動作セルのアクションの最適に近いスケジュールを 生成および修正のために使用できる。この同期は、システムの目標を、エージェ ント通信198を介してメッセージを生産者ノード制御装置エージェント196に送る 消費者ノード制御装置エージェント200に導入させることによって達成される。 エージェントは、センサ202を使用して生産者190および消費者192の状態を感知 し、指令されたアクション204を使用してシステムの状態を変化させる。生産者 および消費者の相互作用は、物理的相互作用194によって制約される。２つのエ ージェントのネットワークによって生成されたアクションは、プラントの動作と 同期する。 図１３は、図１１に示されたようなディスクリートな製造アプリケーションの ための５つのエージェントのマルチプルエージェントネットワークの一例を示し ている。（図１および図７に示されているような）マルチプルエージェントネッ トワークは、ディスクリートな製造プラントの制御のために５個のセルを同期す るように構成することができる。図１３は、モールドされたプラスティックの製 品の製造プロセスを制御する５つの永久的エージェントを有するＡＨＣＡを示し ている。そのプラントは、５つの機能セルで構成されている。 セル１の210は、出荷および受取り機能を実行し、また、工場を通して材料お よび製品を輸送できるオートメーション化されたフォークリフト220も含んでい る。セル１の機能は、出荷および受取りＭＡＨＣＡエージェント221によって制 御され、スケジュールを作成される。このセルにおけるエージェントは、人間の オペレータ222と対話することに注意すべきである（ＭＡＨＣＡは半自律のタス クを実行することができる）。 セル２の212、すなわち、経理のエージェントは、経理およびプラントの調整 機能を実行する。このエージェントはまた、セル３の素子、すなわち、オートメ ーション化された倉庫の貯蔵所213において在庫目録作成および制御機能を実行 する。 セル３の214は、未加工の材料を混合し、最終的な製品において使用される樹 脂混合物を生成するブレンダ230で構成されている。ブレンダは、ブレンダ制御 エージェント224によって制御される。 セル４の216は、モールダ226およびモールド制御エージェント228で構成され ている。このエージェント228はまた、セル５の処理素子に対する制御機能を行 う。 包装装置234を含んでいるセル５の218はまた、ＭＡＨＣＡの包装制御エージェ ント232によって制御されている。 さらに、ＭＡＨＣＡのフレームワークは、これらの機能を並列な解に適した表 示に変換することによって、通常の手順がより迅速に動作するようにできる。こ れは微分方程式でディスクリートなプロセスを変換するための記号によるアルゴ リズムである連続化によって達成され、その解はそのプロセスによって計算され た値を含んでいる。連続化は、実行する減少された命令セットコンピュータ（Ｒ ＩＳＣ）手順を実行する代わりに、選択されたサンプリング点における解がその 手順の出力値と一致するような微分方程式を解く一般的な方法である。そのアル ゴリズムの重要な要素は、通常の微分方程式の展開への帰納を符号化する一般的 な方法である。第２の重要な要素は、そのプログラムを１組の制約のセットとし て見なし、また、終了のためのプログラムの実行を、制約によって定められたフ ィンスラーマニホルドにおける対応するラグランジュの方程式の問題に対する最 適に近い解の発見として見なすことである。 この問題に対して対応するハミルトン・ヤコビ・ベルマンの式をオンラインで 解く際に、元のプログラムの個々のデジタル命令は、マニホルドにおけるベクト ルフィールドの無限小の生成子として符号化する。デジタルの解を与える最適に 近いチャタリング解は、これらのベクトルフィールドのチャタリングの組合わせ である。チャタリングは任意の順序に行われることができ、すなわち、各デジタ ル命令のベクトルフィールドはチャターの所定の部分の期間中に注目されるが、 順番は関係がないことを意味している。これは、デジタルプログラムを連続的に 実行する際の急激な並列化の原因となる。チャターはマニホルドのデカルト接続 の接続係数を介して発見される。これは任意のデジタルプログラムを事実上加速 するために使用され、また、わずかな変更で永久的に処理するために適用される 。ＭＡＨＣＡのこの変更されたアプリケーションにおいて、ラグランジュの方程 式の問題の公式化はＭＡＨＣＡ公式化であり、フィンスラー空間はＭＡＨＣＡキ ャリアマニホルドであり、無限小はＭＡＨＣＡにおいて計算されたものである。 各ＭＡＨＣＡエージェントは個々の方法の速度を速めることができ、エージェン トのネットワークは手順のアンサンブルの速度を速めることができる。 以上のことから、分布された非線形性のプロセスのインテリジェントでリアル タイムの制御と、通常の機能のリアルタイムの制御とを行うためにマルチプルエ ージェント・ハイブリッド制御アーキテクチャを使用することができる。本発明 はもちろん、本発明の意図および技術的範囲から逸脱せずに本明細書に説明され た以外の特定の方法で実行されてもよい。それ故、本明細書に表された実施形態 は、全ての見地において例示として考慮されるべきであり、制限を受けないもの と見なされ、添付された請求の範囲およびそれに等価の範囲内の全ての変更がそ の中に含まれていることが意図されている。

───────────────────────────────────────────────────── フロントページの続き (81)指定国 ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＤＥ， ＤＫ，ＥＳ，ＦＩ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，ＩＴ，Ｌ Ｕ，ＭＣ，ＮＬ，ＰＴ，ＳＥ)，ＯＡ(ＢＦ，ＢＪ，ＣＦ ，ＣＧ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＭＬ，ＭＲ，ＮＥ， ＳＮ，ＴＤ，ＴＧ)，ＡＰ(ＫＥ，ＬＳ，ＭＷ，ＳＤ，Ｓ Ｚ，ＵＧ)，ＵＡ(ＡＭ，ＡＺ，ＢＹ，ＫＧ，ＫＺ，ＭＤ ，ＲＵ，ＴＪ，ＴＭ)，ＡＬ，ＡＭ，ＡＴ，ＡＵ，ＡＺ ，ＢＡ，ＢＢ，ＢＧ，ＢＲ，ＢＹ，ＣＡ，ＣＨ，ＣＮ， ＣＵ，ＣＺ，ＤＥ，ＤＫ，ＥＥ，ＥＳ，ＦＩ，ＧＢ，Ｇ Ｅ，ＨＵ，ＩＬ，ＩＳ，ＪＰ，ＫＥ，ＫＧ，ＫＰ，ＫＲ ，ＫＺ，ＬＣ，ＬＫ，ＬＲ，ＬＳ，ＬＴ，ＬＵ，ＬＶ， ＭＤ，ＭＧ，ＭＫ，ＭＮ，ＭＷ，ＭＸ，ＮＯ，ＮＺ，Ｐ Ｌ，ＰＴ，ＲＯ，ＲＵ，ＳＤ，ＳＥ，ＳＧ，ＳＩ，ＳＫ ，ＴＪ，ＴＭ，ＴＲ，ＴＴ，ＵＡ，ＵＧ，ＵＺ，ＶＮ， (72)発明者 ジェイムズ、ジョン アメリカ合衆国、バージニア州 22039、 フェアーファックス・ステーション、アー メテイル・レーン 8327

Claims (1)

1. 【特許請求の範囲】 １．分布されたプロセスを同期させるための論理的エージェントネットワークと 、 論理的エージェントネットワークに接続されたアプリケーション層とを備えて いるハイブリッド制御システムアーキテクチャ。 ２．さらに、アプリケーション層に接続されたデータベース層を備えている請求 項１記載の構造。 ３．さらに、データベース層に接続されたネットワーク制御装置およびスケジュ ーラ層を備えている請求項２記載の構造。 ４．さらに、ネットワーク制御装置およびスケジューラ層に接続された物理的通 信ネットワーク層を備えている請求項３記載の構造。 ５．前記論理エージェントネットワークは協働するエージェントのセットを備え ている請求項１記載の構造。 ６．前記協働するエージェントのセットは永久的なエージェントを含んでいる請 求項５記載の構造。 ７．前記協働するエージェントのセットは一時的なエージェントを含んでいる請 求項５記載の構造。 ８．前記一時的なエージェントは活性化および不活性化させることができる請求 項７記載の構造。 ９．前記論理的エージェントネットワークは時間の経過と共に展開する請求項５ 記載の構造。 １０．協働するエージェントはメッセージを通して対話することができる請求項 ５記載の構造。 １１．局部プロセスの要求を記憶するための知識ベースと、 システムの制約の情報を獲得するために知識ベースに接続された知識ベースビ ルダと、 他のエージェントから知識ベースに情報を挿入するための知識デコーダと、 システムの所望の性質を存在している定量化された論理式として表すステート メントを発生するためのプランナと、 知識ベースにおいてステートメントが現在活性であるか否かを決定するための 推定手段と、 ステートメントが知識ベースにおいて現在活性でない場合にそのステートメン トを変更するために推定手段に接続されたアダプタとを備えている分布されたハ イブリッドシステムの局部プロセスを制御するためのエージェント。 １２．前記知識ベースはシステム性質に関する論理的制約および展開の制約の両 方を支持する言語で記載された１組の宣言的なクローズを備えている請求項１１ 記載のエージェント。 １３．前記システムの制約の情報は局部的な制約を含んでいる請求項１１記載の エージェント。 １４．前記システムの制約の情報は全体的な制約を含んでいる請求項１１記載の エージェント。 １５．前記知識ビルダはシステム要求情報を受けるためのユーザに対するインタ ーフェイスを備えている請求項１１記載のエージェント。 １６．前記インターフェイスはオフラインのシステム要求情報を受信する請求項 １５記載のエージェント。 １７．前記インターフェイスはオンラインのシステム要求情報を受信する請求項 １５記載のエージェント。 １８．物理的または論理的装置を制御するための汎用ソフトウェアエージェント プロセスと、 システムに関連したマニホルドに対するアフィン接続を計算することによって エージェントの現在の最適な制御を抽出するためのエージェントのサブプロセス と、 エージェントによって使用されたラグランジュの式に対する補正を計算するよ うに保存法則の侵害を使用するためのエージェントにおけるフィードバックルー プと、 測地線が接続通路を伝送するマニホルドの地図の隣接したチャートがメモリア クセスにおいて近くなるように配置することによってリアルタイムのプロセスに 対するアフィン接続を行うことができるようにするメモリマップ設計とを備えて いる分布されたリアルタイムの計算システムの制御を行うためのアーキテクチャ 。 １９．エージェントプロセスはラグランジュの式のコスト関数に関連したそのエ ージェントプロセスのために記号による計算によって緩和された最適な制御ポリ シーを抽出し、また、最適に近い性質を確実にするために物理的あるいは論理的 装置に対してチャタリング制御を発する局部的な有限の状態制御オートマトンを 抽出する請求項１８記載の構造。 ２０．メモリマップ設計はメモリ位置のアクセスの近さに従って分類された特別 なデータタイプを有している請求項１８記載の構造。 ２１．エージェントプロセスは従来からのソフトウェア素子を有するマルチプル エージェント・ハイブリッド制御システムを増分的に構築することを含んでいる 請求項１８記載の構造。 ２２．エージェントプロセスは従来からのネットワーク素子を有するマルチプル エージェント・ハイブリッド制御システムを増分的に構築することを含んでいる 請求項１８記載の構造。 ２３．エージェントプロセスは従来からのハードウェア素子を有するマルチプル エージェント・ハイブリッド制御システムを増分的に構築することを含んでいる 請求項１８記載の構造。 ２４．エージェントプロセスは新しい素子を有するマルチプルエージェント・ハ イブリッド制御システムを増分的に構築することを含んでいる請求項１８記載の 構造。 ２５．エージェントプロセスは制約を有している請求項１８記載の構造。 ２６．制約は論理的な制約を含んでいる請求項２５記載の構造。 ２７．制約は展開の制約を含んでいる請求項２５記載の構造。 ２８．マニホルドはフィンスラーマニホルドである請求項１８記載の構造。 ２９．分布されたリアルタイムの計算システムのディスクリプションを生成し、 システムに対する解が存在することを証明し、 システムの性能の規範と合致するように補償されたシステム状態が最適に近い 軌跡を辿るようにするために現在のシステム状態に従ってアクションを行うオー トマタを生成するステップを含んでいる、分布されたリアルタイムの計算システ ムの制御方法。 ３０．ディスクリートなソフトウェア手順を、解がそのソフトウェア手順によっ て計算された値を含むような微分方程式に変換し、 微分方程式をハミルトン・ヤコビ・ベルマン方程式に変換し、 ハミルトン・ヤコビ・ベルマン方程式の展開への回帰を符号化し、 オンラインでハミルトン・ヤコビ・べルマン方程式を解くステップを含んでい るソフトウェア手順の変換方法。