ㅁ 멀티에이전트 협업

ㅇ 정의:
여러 개의 독립적인 에이전트가 상호작용하며 공동의 목표를 달성하기 위해 협력하는 방식. 각 에이전트는 자율적으로 의사결정을 내리지만, 전체 시스템의 성능을 극대화하기 위해 정보와 자원을 공유함.

ㅇ 특징:
– 분산형 구조로 중앙 통제 없이 동작 가능
– 환경 변화에 대한 높은 적응력
– 개별 에이전트의 고장에도 전체 시스템이 유지되는 내결함성
– 통신 지연, 자원 경쟁 등의 문제 발생 가능

ㅇ 적합한 경우:
– 로봇 군집 제어(드론, 자율주행 차량 군집)
– 대규모 분산 센서 네트워크
– 협업형 검색 및 구조 작업

ㅇ 시험 함정:
– 멀티에이전트 협업을 반드시 중앙집중식 제어로 착각하게 하는 보기
– 에이전트 간 통신이 항상 필수라는 오답 유도

ㅇ 시험 대비 “패턴 보기” 예시:
O: “분산 환경에서 개별 에이전트가 자율적으로 행동하면서도 공동 목표를 달성하는 구조”
X: “모든 에이전트가 중앙 서버의 명령만을 따르는 구조”

================================

1. Multi-Agent Swarm

ㅇ 정의:
다수의 단순한 에이전트가 지역적 규칙에 따라 움직이며 집단적으로 복잡한 행동을 나타내는 시스템. 개별 에이전트는 제한된 인지와 통신 능력을 가지지만, 전체적으로는 지능적인 패턴이 나타남.

ㅇ 특징:
– 중앙 통제 없이 자율적으로 동작
– 단순한 규칙 기반의 행동
– 개체 수가 많아질수록 집단 지능이 강화됨
– 환경 변화에 대한 빠른 적응

ㅇ 적합한 경우:
– 드론 군집 비행
– 해양 탐사 로봇 집단
– 대규모 환경 모니터링

ㅇ 시험 함정:
– Swarm을 고성능 개별 AI 로봇 집합으로 오해하게 하는 보기
– Swarm이 항상 복잡한 개별 의사결정 알고리즘을 사용한다고 하는 문장

ㅇ 시험 대비 “패턴 보기” 예시:
O: “단순한 개별 규칙이 집단적으로 복잡한 행동을 만들어내는 멀티에이전트 시스템”
X: “중앙 서버가 모든 개체의 이동 경로를 실시간으로 계산하여 지시하는 방식”

ㅁ 추가 학습 내용

시험 대비를 위해 다음 내용을 정리한다.

Swarm Intelligence 개념: 다수의 개체가 단순한 규칙을 따르면서 상호작용하여 집단적으로 지능적인 행동을 보이는 현상.

대표 알고리즘:
– Boids 모델: 개체 간의 근접 유지, 속도 정렬, 중심 유지 규칙을 기반으로 군집 행동을 시뮬레이션.
– Particle Swarm Optimization(PSO): 입자들이 해 공간을 탐색하며 최적 해를 찾는 최적화 알고리즘.
– Ant Colony Optimization(ACO): 개미의 페로몬 경로 형성을 모방하여 최적 경로를 찾는 알고리즘.

통신 방식:
– 직접 통신: 개체 간 직접 메시지 교환.
– 간접 통신(Stigmergy): 환경에 남긴 흔적을 통해 간접적으로 정보 전달.

주요 이슈:
– 확장성 문제: 개체 수 증가에 따른 성능 저하.
– 병목 현상: 특정 개체나 경로에 부하 집중.
– 로버스트 설계: 일부 개체 고장에도 전체 시스템이 기능 유지.

산업 적용 사례:
– 물류 로봇
– 농업 드론
– 군사 정찰

Swarm 시스템의 장단점 비교:
– 장점: 유연성, 확장성, 고장 허용성.
– 단점: 제어 복잡성, 예측 어려움.

중앙집중식 제어와의 차이:
– 중앙집중식: 중앙에서 모든 개체를 제어.
– 분산형 Swarm: 개체들이 자율적으로 행동하며 집단 지능 형성.

분산 합의 알고리즘과의 관계:
– Swarm 시스템에서 개체들이 상태나 의사결정에 합의하기 위해 사용되는 기법.