Actor modeling of real-time cognitive systems: ontological basis and software-mathematical implementation

Cover Page

Cite item

Full Text

Abstract

The article is devoted to the study of the problem of increasing the reliability of modeling of cognitive systems, to which the authors refer not only human intelligence, but also artificial intelligence systems, as well as intelligent control systems for production, technological processes and complex equipment. It is shown that the use of cognitive systems for solving control problems causes very high rapidity requirements for them. These requirements combined with the necessity to simplify modeling methods as the modeling object becomes more complex determine the choice of an approach to modeling cognitive systems. Models should be based on the use of simple algorithms in the form of trend detection, correlation, as well as (for solving intellectual problems) on the use of algorithms based on the application of various patterns of forms and laws. In addition, the models should be decentralized. An adequate representation of decentralized systems formed from a large number of autonomous elements can be formed within the framework of agent-based models. For cognitive systems, two models are the most elaborated: actor and reactor models. Actor models of cognitive systems have two possible realizations: as an instrumental model or as a simulation. Both implementations have the right to exist, but the possibilities of realizing a reliable description when using the tool model are higher, because it provides incommensurably higher rapidity, and also assumes variability of the modeled reality. The actor model can be realized by means of a large number of existing programming languages. The solution to the problem of creating simulative actor models is available in most languages that work with actors. Realization of instrumental actor models requires rapidity, which is unattainable in imperative programming. In this case, the optimal solution is to use actor metaprogramming. Such programming is realizable in many existing languages.

References

  1. Философия: Энциклопедический словарь / Под ред. А.А. Ивина. М.: Гардарики, 2004. 1072 с.
  2. Микрюков А.А. Когнитивные технологии в системах поддержки принятия решений в цифровой экономике // Инновации и инвестиции, 2018, №6, с. 127-131.
  3. Зеленский А.А., Грибков А.А. Онтологические аспекты проблемы реализуемости управления сложными системами // Философская мысль, 2023, №12, с. 21-31.
  4. Грибков А.А. Эмпирико-метафизический подход к построению общей теории систем // Общество: философия, история, культура, 2023, №4, с. 14-21.
  5. Грибков А.А. Определение вторичных законов и свойств объектов в общей теории систем. Часть 1. Методологический подход на основе классификации объектов // Контекст и рефлексия: философия о мире и человеке, 2023, том 12, №5-6A, с. 17-30.
  6. Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: «Мир», 1976. 165 с.
  7. Грибков А.А. Определение вторичных законов и свойств объектов в общей теории систем. Часть 2. Методологический подход на основе классификации паттернов // Контекст и рефлексия: философия о мире и человеке, 2023, том 12, №9A, с. 5-15.
  8. Малявкина Л.И., Думчина О.А., Саввина Е.В. Методы и техники анализа больших данных (Big Data) // Инфраструктура цифрового развития образования и бизнеса: Сборник научных трудов национальной научно-практической конференции, Орел, 01-30 апреля 2021 года. Орёл: Орловский государственный университет экономики и торговли, 2021, с. 34-39.
  9. Duin R.P.W. The Origin of Patterns // Frontiers in Computer Science, November 2021, vol. 3, article 747195.
  10. Бурилина М.А., Ахмадеев Б.А. Анализ многообразия архитектур и методов моделирования децентрализованных систем на основе агент-ориентированного подхода // Креативная экономика, 2016, т. 10, №7, с. 829-848.
  11. Railsback S.F., Grimm V. Agent-Based and Individual-Based Modeling: A Practical Introduction, Second Edition. Princeton University Press, 2019. 360 p.
  12. Burgin M. Systems, Actors and Agents: Operation in a multicomponent environment. 2017, 28 p. URL: arXiv:1711.08319.
  13. Rinaldi L., Torquati M., Mencagli G., Danelutto M., Menga T. Accelerating Actor-based Applications with Parallel Patterns // 27th Euromicro International Conference on Parallel, Distributed and Network-Based Processing. 2019, pp. 140-147.
  14. Shah V., Vaz Salles M.A. Reactors: A case for predictable, virtualized actor database systems // International Conference on Management of Data. 2018, pp. 259-274.
  15. Lohstroh М., Menard С., Bateni S., Lee E. Toward a Lingua Franca for Deterministic Concurrent Systems // ACM Transactions on Embedded Computing Systems. 2021. Vol. 20. No. 4, pp. 1-27.
  16. Хорошевский В.Г. Распределённые вычислительные системы с программируемой структурой // Вестник СибГУТИ, 2010, №2, с. 3-41.
  17. Грибков А.А., Зеленский А.А. Определение сознания, самосознания и субъектности в рамках информационной концепции // Философия и культура, 2023, №12, с. 1-14.
  18. Зеленский А.А., Илюхин Ю.В., Грибков А.А. Память-центрические модели систем управления движением промышленных роботов // Вестник Московского авиационного института, 2021, т. 28, №4, с. 245-256.
  19. Федоров А. Квантовые вычисления: от науки к приложениям // Открытые системы. СУБД, 2019, №3, с. 14.
  20. Batko P., Kuta M. Actor model of Anemone functional language // The Journal of Supercomputing. 2018, Vol. 74, pp. 1485-1496.
  21. Скрипкин С.К., Ворожцова Т.Н. Современные методы метапрограммирования и их распределенные системы технологии разработки перспективы // Вестник ИрГТУ, 2006, №2 (26), с. 90-97.
  22. Neuendorffer S. Actor-Oriented Metaprogramming. PhD Thesis, University of California, Berkeley, December 21, 2004. URL: https://ptolemy.berkeley.edu/publications/papers/04/StevesThesis/
  23. Зеленский А.А., Ивановский С.П., Илюхин Ю.В., Грибков А.А. Программирование доверенной память-центрической системы управления движением робототехнических и мехатронных систем // Вестник Московского авиационного института, 2022, т. 29, № 4, с. 197-210.
  24. Каляев И., Заборовский В. Искусственный интеллект: от метафоры к техническим решениям // Control Engineering Россия, 2019, №5 (83), с. 26-31.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).