浙江大学计算机学院研究生人工智能引论课件
合集下载
人工智能课件
前景展望
随着技术的不断进步和应用场景的不断拓展，人工智能的发展前景非常广阔。未来，人工智能将在更多领域发挥 重要作用，如智能制造、智慧农业、智慧教育等。同时，随着算法和计算能力的不断提升，人工智能的智能化水 平也将不断提高，更加贴近人类智能。
02
CATALOGUE
机器学习原理及算法
监督学习算法
线性回归（Linear Regression）
01
02
逻辑回归（Logistic Regression）
支持向量机（Support Vector Machines ）
03
04
决策树（Decision Trees）
随机森林（Random Forests）
05
06
梯度提升树（Gradient Boosting Trees ）
非监督学习算法
01
02
AI监管和治理机制
随着AI技术的广泛应用，各国政府正在建立AI监管和治理 机制，以确保AI技术的合法、公正和透明使用。这些机制 包括AI技术的审查、评估和监管等方面，旨在防止AI技术 的滥用和误用。
AI对社会经济和生活方式的影响
要点一
自动化和劳动力市场 的变革
随着AI技术的不断发展，越来越多的 工作被自动化。这可能导致大量失业 和劳动力市场的变革。同时，AI技术 也创造了新的工作机会和职业领域， 如数据分析师、机器学习工程师等。
前向传播算法
解释神经网络如何根据输 入数据和权重计算输出结 果。
反向传播算法
阐述如何通过计算损失函 数的梯度来更新神经网络 的权重。
卷积神经网络（CNN）
征，并介绍卷积核、步长
和填充等概念。
池化层
02
介绍池化操作如何降低数据的维度，减少计算量，并提高模型
随着技术的不断进步和应用场景的不断拓展，人工智能的发展前景非常广阔。未来，人工智能将在更多领域发挥 重要作用，如智能制造、智慧农业、智慧教育等。同时，随着算法和计算能力的不断提升，人工智能的智能化水 平也将不断提高，更加贴近人类智能。
02
CATALOGUE
机器学习原理及算法
监督学习算法
线性回归（Linear Regression）
01
02
逻辑回归（Logistic Regression）
支持向量机（Support Vector Machines ）
03
04
决策树（Decision Trees）
随机森林（Random Forests）
05
06
梯度提升树（Gradient Boosting Trees ）
非监督学习算法
01
02
AI监管和治理机制
随着AI技术的广泛应用，各国政府正在建立AI监管和治理 机制，以确保AI技术的合法、公正和透明使用。这些机制 包括AI技术的审查、评估和监管等方面，旨在防止AI技术 的滥用和误用。
AI对社会经济和生活方式的影响
要点一
自动化和劳动力市场 的变革
随着AI技术的不断发展，越来越多的 工作被自动化。这可能导致大量失业 和劳动力市场的变革。同时，AI技术 也创造了新的工作机会和职业领域， 如数据分析师、机器学习工程师等。
前向传播算法
解释神经网络如何根据输 入数据和权重计算输出结 果。
反向传播算法
阐述如何通过计算损失函 数的梯度来更新神经网络 的权重。
卷积神经网络（CNN）
征，并介绍卷积核、步长
和填充等概念。
池化层
02
介绍池化操作如何降低数据的维度，减少计算量，并提高模型
浙江大学人工智能PPT1
1．2 人工智能研究的发展
• 1956年夏季，麦卡锡(McCarthy)等美国年轻学者 发起首次人工智能研讨会 •发展历程大致可划分为四个阶段：
• • • • 形成、 成长、 快速发展、 稳步增长
1 形成期（1956-1961）
这一时期，基于前人数学逻辑和形式推理方面取得的成果，建立在卡内基-梅 隆大学、麻省理工学院和IBM公司的研究组开始了AI的早期研究工作。这个时 期的成果主要是定理证明程序、GPS（General Problem Solving）、下棋程序、 LISP语言和模式识别系统等。这些早期成果充分表明，AI作为一门新兴的学科 正在茁壮成长。
课程安排
三、教学要求
• 重点掌握： 问题求解的基本方法、 知识表示方法、 KB系统设计、 智能规划的实现方法、 机器学习的实现方法。 • 课程难点 搜索算法、 演绎推理的实现方法、 结构化知识表示、 KB系统的设计、 自动规划技术、 机器学习技术。
课程安排
四、教材
• 人工智能基础，高济等，02年，高教出版社，新世纪计算机学科系列教材之一。 校门口科海书店 • 参考资料：人工智能原理和方法，王永庆，98年，西安交通大学。
• 80年代中期——AI热特别是专家系统热大大降温。
• 人工智能技术的不成熟性，对AI经济效益的期望值太高，结果不免令人失 望； • 更糟糕的是大部分草率上马的专家系统项目均未达实用化程度； • 对AI前景持悲观态度，甚至有人提出AI的冬天已经来临。
发展历程
4 稳步增长期（80年代后期以来）
• • • • 大部份AI研究者都还保持着清醒的头脑，扎实的研究工作； AI技术和方法论的发展始终保持了较高的速度； AI研究进入稳健的线性增长时期； 而人工智能技术的实用化进程也步入成熟时期。
人工智能概述ppt课件
加密技术
使用加密算法保护数据传 输和存储过程中的隐私安 全。
安全性挑战及防范措施
人工智能系统的脆弱性
AI系统可能受到恶意攻击和欺骗，导致系统失效或被利用。
数据安全与保护
防止数据泄露、篡改和破坏，确保AI系统的数据完整性和可用性。
人工智能监管与政策
制定相关法规和政策，规范AI技术的研发和应用，保障社会安全和 公共利益。
符号系统与连接主义结合可以充分发挥各自优势，实现更高效、更智能 的人工智能系统。例如，在深度学习模型中融入符号处理机制，可以提 高模型的可解释性和泛化能力。
05
伦理、隐私和安全问 题探讨
伦理道德问题在AI中体现
数据偏见与歧视
01
算法训练数据可能包含社会和文化偏见，导致不公平的决策和
歧视。
人工智能的决策透明度
人才培养与生态建设
加强人工智能人才培养与引进，构建良好创新生 态，推动人工智能持续发展与进步。
THANKS
感谢观看
均方误差、均方根误差 用于评估回归模型的性能，衡量模型 预测值与实际值之间的差距。
时间复杂度和空间复杂度 用于评估算法的运行效率和存储开销， 是选择算法时需要考虑的重要因素之 一。
04
数据驱动与知识表示 方法
数据驱动思想在AI中体现
数据驱动是人工智能的重要思想，强 调从数据中学习规律，挖掘潜在知识。
06
未来发展趋势与挑战
技术创新方向预测
深度学习
进一步探索神经网络结构与优化算法，提升 模型性能与泛化能力。
迁移学习
实现跨领域、跨任务的知识迁移，降低人工 智能应用门槛。
强化学习
研究更高效的探索与利用策略，拓展在复杂 决策问题中的应用。
浙江大学研究生人工智能引论课件ppt课件 47页PPT文档
贝叶斯网络的语义公式计算示例：
试计算：报警器响了，但既没有盗贼闯入，也 没有发生地震，同时John和Mary都给你打电话 的概率。
解：
P(j,m,a,~b,~e) = P(j|a)P(m|a)P(a|~b,~e) P(~b) P(~e)
= 0.9×0.7×0.001×0.999×0.998 = 0.00062
= 0.062%
贝叶斯网络的特性：
作为对域的一种完备而无冗余的表示，贝叶 斯网络比全联合概率分布紧凑得多
BN的紧凑性是局部结构化(Locally structured, 也称稀疏, Sparse)系统一个非常普遍特性的 实例
BN中每个节点只与数量有限的其它节点发 生直接的相互作用
假设节点数n=30, 每节点有5个父节点，则 BN需30x25=960个数据，而全联合概率分布 需要230= 10亿个！
贝叶斯网络中的条件独立关系：
给定父节点，一个节点与它的非后代节点是 条件独立的
给定一个节点的父节点、子节点以及子节点 的父节点——马尔可夫覆盖(Markov blanket)， 这个节点和网络中的所有其它节点是条件独 立的
“But his delight is in the law of the LORD, and on his law he meditates day and night.” From Psalms 1:2 NIV
7.1 何谓贝叶斯网络？
A. 贝叶斯网络的由来 B. 贝叶斯网络的定义 C. 贝叶斯网络的别名 D. 独立和条件独立 E. 贝叶斯网络示例
“Above all else, guard your heart, for it is the wellspring of life.” from Proverbs 4:23 NIV
浙江大学SVM(支持向量机)PPT课件
概率论与数理统计 泛函分析
“For God so loved the world that he gave his one and only Son, that whoever believes in him shall not perish but have eternal life. For God did not send his Son into the world to condemn the world, but to save the world through him.”
R()Remp()(nh)
在训练样本有限的情况下,学习机器的VC维越 高,则置信范围就越大,导致实际风险与经验风险 之间可能的差就越大。
.
31
推广性的界（续2）
在设计分类器时, 不但要使经验风险最小化, 还要使VC维尽量小,从而缩小置信范围,使期 望风险最小。
寻找反映学习机器的能力的更好参数，从 而得到更好的界是SLT今后的重要研究方向 之一。
.
7
8.2 SLT中的基本概念
统计方法 —— 从观测自然现象或者专门 安排的实验所得到的数据去推断该事务 可能的规律性。
统计学习理论 —— 在研究小样本统计估 计和预测的过程中发展起来的一种新兴 理论。
【注意】：这里所说的“小样本”是相对于无穷样本而 言的，故只要样本数不是无穷，都可称为小样本，更 严格地说，应该称为“有限样本”。
.
8
统计学习理论中的基本概念（续）
机器学习
主要研究从采集样本出发得出目前尚不能通过 原理分析得到的规律,并利用这些规律对未来数 据或无法观测的数据进行预测。
模式识别
对表征事务或现象的各种形式(数值、文字及 逻辑关系等)信息进行处理和分析,以对事务或 现象进行描述、辨认、分类和解释的过程。
“For God so loved the world that he gave his one and only Son, that whoever believes in him shall not perish but have eternal life. For God did not send his Son into the world to condemn the world, but to save the world through him.”
R()Remp()(nh)
在训练样本有限的情况下,学习机器的VC维越 高,则置信范围就越大,导致实际风险与经验风险 之间可能的差就越大。
.
31
推广性的界（续2）
在设计分类器时, 不但要使经验风险最小化, 还要使VC维尽量小,从而缩小置信范围,使期 望风险最小。
寻找反映学习机器的能力的更好参数，从 而得到更好的界是SLT今后的重要研究方向 之一。
.
7
8.2 SLT中的基本概念
统计方法 —— 从观测自然现象或者专门 安排的实验所得到的数据去推断该事务 可能的规律性。
统计学习理论 —— 在研究小样本统计估 计和预测的过程中发展起来的一种新兴 理论。
【注意】：这里所说的“小样本”是相对于无穷样本而 言的，故只要样本数不是无穷，都可称为小样本，更 严格地说，应该称为“有限样本”。
.
8
统计学习理论中的基本概念（续）
机器学习
主要研究从采集样本出发得出目前尚不能通过 原理分析得到的规律,并利用这些规律对未来数 据或无法观测的数据进行预测。
模式识别
对表征事务或现象的各种形式(数值、文字及 逻辑关系等)信息进行处理和分析,以对事务或 现象进行描述、辨认、分类和解释的过程。
人工智能概论课件-第1章 计算机技术与计算思维基础
我国第三代计算机的研制受到文化大革命 的冲击。IBM公司1964年推出360系列大 型机是美国进入第三代计算机时代的标志 ，我国到1970年初期才陆续推出大、中 、小型采用集成电路的计算机。1973年 ，北京大学与北京有线电厂等单位合作研 制成功运算速度每秒100万次的大型通用 计算机。进入80年代，我国高速计算机， 特别是向量计算机有新的发展。1983年 中国科学院计算所完成我国第一台大型向 量机－757机，计算速度达到每秒1000万 次。
、
1.1 计算机技术
1.1.1 计算机的发展 计算机的分代 （4）第4代 • CPU：LSI、VLSI（大规模、超大规模集成电路） • 体积更小
（4）第4代 （7•0年速代度中上期千至万今次）/ 秒~数十万亿次/秒 • 软件丰富 • 应用范围扩大：各个领域
1.1计算机技术
1.1.2 计算机的特点
1.1.1 计算机的发展
(1) ENIAC（埃尼阿克） 世界上第一台电子计算机诞生于 1946年，美国宾夕法尼亚大学； (2)规模 18000多个电子管，170平 方米，30吨,功率140千瓦； (3)速度 5000次/秒。
1.1 计算机技术
1.1.1 计算机的发展 • 70多年来发展速度之快大大超出人们的预料： – 性能、体积、价格、··· – 应用领域 – 软件技术和软件产品
1.1 计算机技术
1.1.5 中国计算机发展简史 第二代晶体管计算机研制(1965-1972年)
哈军工（国防科大前身）于1965年2 月成功推出了441B晶体管计算机并小 批量生产了40多台。
1.1 计算机技术
1.1.5 中国计算机发展简史
第三代基于中小规模集成电路的计算机研制(1973-80年代初)
第四代基于超大规模集成电路的计算机研制(80年代中期至今)
、
1.1 计算机技术
1.1.1 计算机的发展 计算机的分代 （4）第4代 • CPU：LSI、VLSI（大规模、超大规模集成电路） • 体积更小
（4）第4代 （7•0年速代度中上期千至万今次）/ 秒~数十万亿次/秒 • 软件丰富 • 应用范围扩大：各个领域
1.1计算机技术
1.1.2 计算机的特点
1.1.1 计算机的发展
(1) ENIAC（埃尼阿克） 世界上第一台电子计算机诞生于 1946年，美国宾夕法尼亚大学； (2)规模 18000多个电子管，170平 方米，30吨,功率140千瓦； (3)速度 5000次/秒。
1.1 计算机技术
1.1.1 计算机的发展 • 70多年来发展速度之快大大超出人们的预料： – 性能、体积、价格、··· – 应用领域 – 软件技术和软件产品
1.1 计算机技术
1.1.5 中国计算机发展简史 第二代晶体管计算机研制(1965-1972年)
哈军工（国防科大前身）于1965年2 月成功推出了441B晶体管计算机并小 批量生产了40多台。
1.1 计算机技术
1.1.5 中国计算机发展简史
第三代基于中小规模集成电路的计算机研制(1973-80年代初)
第四代基于超大规模集成电路的计算机研制(80年代中期至今)
人工智能概论课件完整版
自然语言处理
研究如何让计算机理解和生成人类自然语言 文本。
深度学习
研究如何构建和训练深度神经网络模型，以 模拟人脑处理信息的方式。
人工智能的应用领域
智能家居
通过人工智能技术实现家庭设备 的自动化和智能化控制，提高生
活便利性和舒适度。
智能交通
利用人工智能技术提高交通系统 的效率和安全性，如自动驾驶汽 车、智能交通信号控制等。
05
人工智能伦理与安全问题
数据隐私保护问题
01
数据采集与使用的透明度不足
在人工智能应用中，大量个人数据被采集和使用，但很多时候用户并不
清楚自己的数据是如何被使用的，于网络安全威胁和技术漏洞的存在，人工智能系统所处理的数据可能
面临泄露和滥用的风险，对个人隐私造成侵害。
人工智能概论课件完整版
目录
• 人工智能概述 • 人工智能基础知识 • 人工智能算法与模型 • 人工智能技术应用 • 人工智能伦理与安全问题 • 人工智能发展趋势与挑战
01
人工智能概述
人工智能的定义与发展
人工智能的定义
人工智能（AI）是计算机科学的一个分支，旨在研究、开发能够模拟、延伸和 扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学。
恶意使用风险
人工智能技术可能被恶意使用，如用于网络攻击、欺诈行为或制造虚假信息，这对社会和个 人都构成了安全威胁。
人工智能与人类未来关系探讨
劳动力市场变革
人工智能的发展将导致劳动力市 场的深刻变革，一些传统职业可 能会消失，而新的职业和就业机 会将出现。
社会伦理挑战
随着人工智能技术的广泛应用， 社会将面临一系列伦理挑战，如 人类与机器的权利关系、责任归 属以及道德准则的制定等。
浙江大学研究生人工智能引论课件运功第五讲DS证据理
5.1 证据理论的发展简况
1、证据理论的名称
证据理论(Evidential Theory) Dempster-Shafer理论 Dempster-Shafer证据理论 DS (或D-S)理论
其它叫法：
Dempster规则 Dempster合成规则 Dempster证据合成规则
2、证据理论的诞生和形成
[4] Barnett, J. A. Computational methods for a mathematical theory of evidence. In: Proceedings of 7th International Joint Conference on Artificial Intelligence(IJCAI-81), Vancouver, B. C., Canada, Vol. II, 1981: 868-875. 【第一篇将证据理论引入AI领域的标志性论文】
[7] Shafer, G. Rejoinder to comments on “Perspectives on the theory and practice of belief functions”. International Journal of Approximate Reasoning, 1992, 6: 445-480.
本章的主要参考文献（续3）
[15] Josang, A. The consensus operator for combining beliefs. Artificial Intelligence, 2002, 141(1-2): 157-170.
[16] Yang, Jian-Bo, Xu, Dong-Ling. On the evidential reasoning algorithm for multiple attribute decision analysis under uncertainty. IEEE Transaction on Systems, Man, and Cybernetics – Part A: Systems and Humans, 2002, 32(3): 289-304.
浙江大学研究生人工智能课件-PowerPointPre
•[8] Voorbraak, F. On the justification of Dempster’s rule of combination. Artificial Intelligence, 1991, 48:171-197.
•[9] Smets, P. The combination of evidence in the transferable model. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1990, 12(5): 447-458.
•
• 3、证据理论的核心、优点及适用领域
• 核心：Dempster合成规则，这是Dempster在研究
统计问题时首先提出的，随后Shafer把它推广到更为一 般的情形。
• 优点：由于在证据理论中需要的先验数据比概率 推理理论中的更为直观、更容易获得，再加上Dempster 合成公式可以综合不同专家或数据源的知识或数据，这 使得证据理论在专家系统、信息融合等领域中得到了广 泛应用。
•
• 2、证据理论的诞生和形成
• 诞生：源于20世纪60年代美国哈佛大学数学家A. P.
Dempster在利用上、下限概率来解决多值映射问题方面的 研究工作。自1967年起连续发表了一系列论文，标志着证 据理论的正式诞生。
• 形成：Dempster的学生G. Shafer对证据理论做了进一 步的发展，引入信任函数概念，形成了一套基于“证据”和“ 组合”来处理不确定性推理问题的数学方法，并于1976年 出版了《证据的数学理论》(A Mathematical Theory of Evidence)，这标志着证据理论正式成为一种处理不确定性 问题的完整理论。
人工智能导论课件第1章人工智能概述
1.6.6 自动程序设计 自动程序设计就是让计算机设计程序。具体来讲，就
是只要给出关于某程序要求的非常高级的描述，计算机就 会自动生成一个能完成这个要求目标的具体程序。所以， 这相当于给机器配置了一个“超级编译系统”，它能够对高 级描述进行处理，通过规划过程，生成所需的程序。但这 只是自动程序设计的主要内容，它实际是程序的自动综合 。自动程序设计还包括程序自动验证，即自动证明所设计 程序的正确性。
但在现有机器上无法实施或无法完成的困难问题，包括 智力性问题中的难题和现实中复杂的实际问题和工程问 题。在这些难题中，有些是组合数学理论中所称的NP（ Nondeterministic Polynomial 非确定型多项式）问题或 NP完全（Nondeterministic Polynomial Complete, NPC ）问题。NP问题是指那些既不能证明其算法复杂度超出 多项式界，但又未找到有效算法的一类问题。而NP完全 问题又是NP问题中最困难的一种问题。
1.1.5 统计智能和交互智能 1. 统计智能（Statistical Intelligence） 利用样例数据并采用统计、概率和其他数学方法
而实现的人工智能称为统计智能。 2. 交互智能（Interactional Intelligence） 通过交互方式而实现的人工智能称为交互智能。
1.2 为什么要研究人工智能
从人脑的宏观心理层面入手，以智能行为的心理模型为依据，将 问题或知识表示成某种逻辑网络，采用符号推演的方法，模 拟人脑的逻辑思维过程，实现人工智能。
1.5.2 生理模拟，神经计算
从人脑的生理层面，即微观结构和工作机理入手，以智能行 为的生理模型为依据，采用数值计算的方法，模拟脑神经网 络的工作过程，实现人工智能。
人工智能PPT课件(共12章)第3章确定性推理
正向推理，但并不能推导出最终目标；另一方面
从某假设出发进行逆向推理，但并不能推至原始
事实，而是让由正向推理所得到的中间结论恰好
与逆向推理所要求的证据相遇，此时推理结束。
逆向推理时所作的假设就是推理的最终结论。
3.1.
4
冲 突 消 解 策 略
在推理过程中，系统要不断地用自己当前已知的事实与知识
库中的知识进行匹配，匹配过程中会出现3种情况。
越来越接近最终目标分类，推理可分为单调推理和非单调推理。
（1）单调推理是指在推理的过程中随着推理的向前推进及新知识的加入，推出的
结论呈单调增加的趋势，并且结论越来越接近最终目标。单调推理在推理的过程
中不会出现反复的情况，如基于经典逻辑的演绎推理。
（2）非单调推理是指在推理过程中由于新知识的加入，不仅没有加强已推出的结
来，因此它不能增殖新知识。
归纳推理所推出的结论是没有包含在前提内容中的，这种由个别
事物或现象推出一般性知识的过程，是增殖新知识的过程。
例如，一位计算机维修员从书本学习知识到通过大量实例积累经验，
是一种归纳推理方式。计算机维修员运用这些一般性知识去维修计算
机的过程则属于演绎推理。
（3）默认推理又称为缺省推理，是在知识不完全的情况下假设某些条
（1）从用户提供的初始已知事实出发，在知识库KB中找出当前适
用的知识，构成知识集KS。
（2）按某种冲突消解策略从KS中选出一条知识进行推理，并将推
出的新事实加入数据库DB中，作为下一步推理的已知事实。
（3）在知识库中选取可适用知识进行推理，如此重复这一过程，
直到求得了问题的解或者知识库中再无可适用的知识为止。
题逻辑和一阶谓词逻辑，它们的真值都是确定的。因此，
从某假设出发进行逆向推理，但并不能推至原始
事实，而是让由正向推理所得到的中间结论恰好
与逆向推理所要求的证据相遇，此时推理结束。
逆向推理时所作的假设就是推理的最终结论。
3.1.
4
冲 突 消 解 策 略
在推理过程中，系统要不断地用自己当前已知的事实与知识
库中的知识进行匹配，匹配过程中会出现3种情况。
越来越接近最终目标分类，推理可分为单调推理和非单调推理。
（1）单调推理是指在推理的过程中随着推理的向前推进及新知识的加入，推出的
结论呈单调增加的趋势，并且结论越来越接近最终目标。单调推理在推理的过程
中不会出现反复的情况，如基于经典逻辑的演绎推理。
（2）非单调推理是指在推理过程中由于新知识的加入，不仅没有加强已推出的结
来，因此它不能增殖新知识。
归纳推理所推出的结论是没有包含在前提内容中的，这种由个别
事物或现象推出一般性知识的过程，是增殖新知识的过程。
例如，一位计算机维修员从书本学习知识到通过大量实例积累经验，
是一种归纳推理方式。计算机维修员运用这些一般性知识去维修计算
机的过程则属于演绎推理。
（3）默认推理又称为缺省推理，是在知识不完全的情况下假设某些条
（1）从用户提供的初始已知事实出发，在知识库KB中找出当前适
用的知识，构成知识集KS。
（2）按某种冲突消解策略从KS中选出一条知识进行推理，并将推
出的新事实加入数据库DB中，作为下一步推理的已知事实。
（3）在知识库中选取可适用知识进行推理，如此重复这一过程，
直到求得了问题的解或者知识库中再无可适用的知识为止。
题逻辑和一阶谓词逻辑，它们的真值都是确定的。因此，
人工智能导论全套课件
计算机视觉技术的挑战与未来发展
挑战
计算机视觉技术面临的挑战包括光照变 化、噪声干扰、遮挡问题、运动模糊等 。
VS
未来发展
随着深度学习技术的不断发展，计算机视 觉技术将更加成熟和高效。未来，计算机 视觉技术将更加注重实时性、鲁棒性和自 适应性，同时将更加广泛地应用于各个领 域。
06
人工智能伦理、法律与社会影响
01
各国政府正在制定相关法律和监管政策，以确保人工智能技术
的合法、合规和安全使用。
知识产权保护
02
对于人工智能技术和应用，知识产权保护是一个重要问题，需
要建立相应的法律制度。
跨国合作与国际法规
03
随着人工智能技术的全球化发展，跨国合作和国际对社会的影响与未来趋势
1 2
应用场景
如图像识别、语音识别、自然语言处理、推 荐系统等。
深度学习原理与框架介绍
神经网络模型
通过模拟人脑神经元之间的连接 方式，构建多层神经网络模型。
反向传播算法
通过计算输出层与目标值之间的误 差，反向调整每个神经元的权重， 使整个网络的输出结果更加准确。
深度学习框架
如TensorFlow、PyTorch等，提供 了丰富的深度学习算法和工具，方 便用户进行模型训练和部署。
深度学习
神经网络结构、反向传播 算法、卷积神经网络等。
03
机器学习与深度学习
机器学习算法与应用场景
监督学习算法
如线性回归、逻辑回归、支持向量机等，用 于根据输入特征预测输出结果。
非监督学习算法
如聚类分析、关联规则挖掘等，用于发现数 据中的模式和结构。
强化学习算法
通过与环境的交互来学习策略，适用于机器 人控制、游戏等领域。
浙江大学研究生人工智能引论课件-PowerPointP
证据理论方法
1967年Dempster首次提出，1976年Shafer完善 可表示并处理“不知道”等不确定性信息
关于不确定性推理方法的说明（续2）
模糊推理方法
可表示并处理由模糊性引起的不确定性 已广泛应用于不确定性推理
粗糙集理论方法
1981年Z. Pawlak首次提出 一种新的可表示并处理“含糊”等不确定性的数学方
4. 3 不确定性推理方法的分类
4.3.1 不确定性推理的两条研究路线 模型方法
在推理一级上扩展确定性推理 不确定证据和知识与某种度量标准对应 给出更新结论不确定性的算法 构成相应的不确定性推理模型
控制方法
在控制策略一级上处理不确定性 无统一的不确定性处理模型，其效果依赖于控制策略
(1) B() = 0, B(X) = 1;
(2) 对于X中任意子集A1，A2，…，An有
n
B( Ai)
(1)|I|1B( Ai)
i1
I{1,2,...,n}
iI
I
如果仅仅满足，对于X中任意两个子集A1及A2有
B ( A 1 A 2 ) B ( A 1 ) B ( A 2 ) B ell, S., Norvig, P. Artificial Intelligence: A Modern Approach. 人民邮电出版社, 2002. pp413-522. （偏重贝叶 斯网络及其应用）
“Blessed is the nation whose God is the LORD, the people he chose for his inheritance.” From PSALMS 33:12 NIV
本章的主要参考文献
[1] 王永庆. 人工智能原理与方法. 西安交通大学出版社, 1998. pp156-252. (偏重基本概念)
1967年Dempster首次提出，1976年Shafer完善 可表示并处理“不知道”等不确定性信息
关于不确定性推理方法的说明（续2）
模糊推理方法
可表示并处理由模糊性引起的不确定性 已广泛应用于不确定性推理
粗糙集理论方法
1981年Z. Pawlak首次提出 一种新的可表示并处理“含糊”等不确定性的数学方
4. 3 不确定性推理方法的分类
4.3.1 不确定性推理的两条研究路线 模型方法
在推理一级上扩展确定性推理 不确定证据和知识与某种度量标准对应 给出更新结论不确定性的算法 构成相应的不确定性推理模型
控制方法
在控制策略一级上处理不确定性 无统一的不确定性处理模型，其效果依赖于控制策略
(1) B() = 0, B(X) = 1;
(2) 对于X中任意子集A1，A2，…，An有
n
B( Ai)
(1)|I|1B( Ai)
i1
I{1,2,...,n}
iI
I
如果仅仅满足，对于X中任意两个子集A1及A2有
B ( A 1 A 2 ) B ( A 1 ) B ( A 2 ) B ell, S., Norvig, P. Artificial Intelligence: A Modern Approach. 人民邮电出版社, 2002. pp413-522. （偏重贝叶 斯网络及其应用）
“Blessed is the nation whose God is the LORD, the people he chose for his inheritance.” From PSALMS 33:12 NIV
本章的主要参考文献
[1] 王永庆. 人工智能原理与方法. 西安交通大学出版社, 1998. pp156-252. (偏重基本概念)
浙江大学计算机学院研究生《人工智能引论》课件.ppt
动作 效应器
2019-9-15
感谢你的欣赏
环 境
35
反应Agent程序
function Reactive-Agent(percept) returns action static: rules, /* 一组条件-动作规则 */
state ← Interpret-Input(percept) rule ← Rule-Match(state,rules) action ← Rule-Action[rule] return action
1
内容
1. 概述 2. 分布式问题求解
3. Agent 4. Agent理论 5. Agent结构 6. Agent通信 7. Agent的协调与协作 8. 多Agent环境MAGE 9. 面向Agent的软件技术
10. Mobile Agent 11. 若干前沿问题讨论
2019-9-15
感谢你的欣赏
2019-9-15
感谢你的欣赏
18
可能世界模型(Possible Worlds Model)
地位：Agent理论基础的开创性工作之一。 思想：将Agent的知识、信念等特征化为一 系列“可能世界”，在可能世界模型中包 括对象、属性及其关系。
优点：理论基础（特别是模态逻辑）比较 完善。
缺点：存在“逻辑万能”(Logical Omniscience)问题。
2019-9-15
感谢你的欣赏
26
13.4.5 动作理论
情景演算是描述动作的主要的形式框 架。 在情景演算中引入了状态和动作 的概念，并利用两条逻辑公理来描述 动作与状态的关系。一条公理描述一 个动作在满足什么条件的状态之下可 能发生，另外一条描述在一个状态之 下某个动作发生以后当前状态如何改 变。
2019-9-15
感谢你的欣赏
环 境
35
反应Agent程序
function Reactive-Agent(percept) returns action static: rules, /* 一组条件-动作规则 */
state ← Interpret-Input(percept) rule ← Rule-Match(state,rules) action ← Rule-Action[rule] return action
1
内容
1. 概述 2. 分布式问题求解
3. Agent 4. Agent理论 5. Agent结构 6. Agent通信 7. Agent的协调与协作 8. 多Agent环境MAGE 9. 面向Agent的软件技术
10. Mobile Agent 11. 若干前沿问题讨论
2019-9-15
感谢你的欣赏
2019-9-15
感谢你的欣赏
18
可能世界模型(Possible Worlds Model)
地位：Agent理论基础的开创性工作之一。 思想：将Agent的知识、信念等特征化为一 系列“可能世界”，在可能世界模型中包 括对象、属性及其关系。
优点：理论基础（特别是模态逻辑）比较 完善。
缺点：存在“逻辑万能”(Logical Omniscience)问题。
2019-9-15
感谢你的欣赏
26
13.4.5 动作理论
情景演算是描述动作的主要的形式框 架。 在情景演算中引入了状态和动作 的概念，并利用两条逻辑公理来描述 动作与状态的关系。一条公理描述一 个动作在满足什么条件的状态之下可 能发生，另外一条描述在一个状态之 下某个动作发生以后当前状态如何改 变。
浙江大学研究生《人工智能引论》课件
属性子集 ： VpAVP， 是属性的域 ： × → 是总函数，使得 对每个 , , 有(, )
一个关系数据库可看作一个信息系统，其“列” 为“属性”，“行”为“对象”。
基本概念（续）
基本集合（ ） 原子() 关系的等价类( ) 表示近似空间上所有的基本集合（原子）
U7 No
H ig h
Yes
U8 No
Very-high N o
{, .} : {}, {}, {}, {}, {, }, {, }.
{ () } {, , , }
{ () } {, , , }
{, } {, , , , , }
RX1
{, }
RX2
{, , , , , }
上、下近似集的图示：
{, .} { {}, {}, {}, {}, {, }, {, { () } {} { () } {}
集合的上近似 下近似
在信息系统 {, , , }中，设 是个体全域 上的子集， 则的下和上近似集及边界区 域分别为P ：X { Y U /P :Y X }
P X { Y U /P :Y X }
Bn P (X d )P XP X
• 是 上必然被分类的那些元素的集合，即包含在内的最大可定义集； • P 是上可能被分类的那些元素的集合，即包含的最小可定义集。 • ()是既不能在 上被分类，又不能在上被分类的那些元素的集合。
参考史忠植编著的《高级人工智能》、《知识发现》 等教材中讨论粗糙集的有关章节。【注】：国内王国 胤、刘清、张文修、曾黄麟等人先后出版了关于 的教 材，也可适当参考。
快速入门方法（续）
认真研读如下篇典., .
.
,:,
粗糙集理论的基本原理
一个关系数据库可看作一个信息系统，其“列” 为“属性”，“行”为“对象”。
基本概念（续）
基本集合（ ） 原子() 关系的等价类( ) 表示近似空间上所有的基本集合（原子）
U7 No
H ig h
Yes
U8 No
Very-high N o
{, .} : {}, {}, {}, {}, {, }, {, }.
{ () } {, , , }
{ () } {, , , }
{, } {, , , , , }
RX1
{, }
RX2
{, , , , , }
上、下近似集的图示：
{, .} { {}, {}, {}, {}, {, }, {, { () } {} { () } {}
集合的上近似 下近似
在信息系统 {, , , }中，设 是个体全域 上的子集， 则的下和上近似集及边界区 域分别为P ：X { Y U /P :Y X }
P X { Y U /P :Y X }
Bn P (X d )P XP X
• 是 上必然被分类的那些元素的集合，即包含在内的最大可定义集； • P 是上可能被分类的那些元素的集合，即包含的最小可定义集。 • ()是既不能在 上被分类，又不能在上被分类的那些元素的集合。
参考史忠植编著的《高级人工智能》、《知识发现》 等教材中讨论粗糙集的有关章节。【注】：国内王国 胤、刘清、张文修、曾黄麟等人先后出版了关于 的教 材，也可适当参考。
快速入门方法（续）
认真研读如下篇典., .
.
,:,
粗糙集理论的基本原理
人工智能讲稿ppt课件
第一节 问题求解与问题表示
二、状态空间法 1、图的概念与术语
图，父辈结点与后继结点
nr
nh
np
路径， 树
ni
nq
nj
ns
nl3
nl1
nl2
第一节 问题求解与问题表示
2、状态空间表示 一个问题求解系统，问题的状态可由图中的结点代表，
它的所有可能的状态就成结点的集合，构成了状态空间， 或称状态图。
状态空间图中： 有向弧线代表操作，反应状态间的转移关系； 节点代表问题的状态。
第二节 人工智能的学科范畴
一、研究目标
AI是一门研究：如何使机器具有智能，如何设计智能 机器的学科，即使机器具有象人那样的
（1）感知能力 （2）思维能力 （3）行为能力 （4）学习、记忆能力
四种能力：
感知能力 听、看、闻
行为能力
将作出的结论付之于行 动，即去说、写、画，
进行操作、处理等。
思维能力
讨论
如果设d(n)反映搜索层次或深度， 当w(n)=0，
f(n)=d(n)，即同一层代价相同，就全部要扩展，挨个判 断是否为目标——宽度优先搜索 当d(n)=0，极好地反映被解问题的特性，使搜索完全向 目标结点进行——深度优先搜索。
283
1644
7
5
283 164
75
6
2 18
76
5
283
1
44
部分成果： 1、1984年完成了串行推理机PSI和操作系统SIMPOS
2、1988年完成了并行推理机Multi-PSI和操作系统
PIMOS ！
80年代末期ANN飞速发展给AI发展注入新血液：
1、80年代Hopfield模型及B-P反向传播模型的提出使 ANN兴起了一个热潮
《人工智能课件》.pptx
策略梯度方法
一种基于策略迭代的方法，直接优化策略参数以最大化期望回报。通过计算梯度并更新策 略参数来实现策略改进。
Actor-Critic 方法
结合了值迭代和策略迭代的方法。Actor 负责根据当前策略选择动作，Critic负责评估当前 策略的性能并指导Actor进行改进。两者相互促进，共同优化智能体的行为。
03 深度学习技术与应用
神经网络基本原理
01
神经元模型
神经网络的基本单元，模 拟生物神经元的结构和功
能。
前向传播
输入信号经过神经元处理 后向前传递的过程。
反向传播
根据误差信号调整神经元 权重的过程。
卷积神经网络 (CNN)
卷积层
通过卷积操作提取输入数 据的特征。
池化层
降低数据维度，减少计算
量。
06
人工智能伦理、法律和社会影
响
数据隐私和安全问题
数据隐私泄露
人工智能系统通常需要大量数据进行训练和学习，其中可能包含用户的个人隐 私信息。如果这些数据没有得到妥善保护，就可能导致隐私泄露事件。
网络安全问题
人工智能系统可能成为网络攻击的目标，例如黑客利用漏洞攻击人工智能系统， 获取敏感信息或者破坏系统的正常运行。
将数据划分为K个簇，每个簇的中心由簇内所有样本的均值表示。通过
迭代更新簇中心和重新划分样本，使得每个样本与其所属簇中心的距离
之和最小。
层次聚类
通过计算样本之间的距离，将距离近的样本合并为一个簇，然后不断重 复该过程，直到达到预设的簇数量或满足其他停止条件。
03
主成分分析 (PCA)
通过正交变换将原始特征空间中的线性相关变量转换为线性无关的新变
深度学习在图像识别与分类中的应用 通过训练深度神经网络模型，学习从原始图像数据中提取有用 的特征，进而实现图像的高效识别和分类。
一种基于策略迭代的方法，直接优化策略参数以最大化期望回报。通过计算梯度并更新策 略参数来实现策略改进。
Actor-Critic 方法
结合了值迭代和策略迭代的方法。Actor 负责根据当前策略选择动作，Critic负责评估当前 策略的性能并指导Actor进行改进。两者相互促进，共同优化智能体的行为。
03 深度学习技术与应用
神经网络基本原理
01
神经元模型
神经网络的基本单元，模 拟生物神经元的结构和功
能。
前向传播
输入信号经过神经元处理 后向前传递的过程。
反向传播
根据误差信号调整神经元 权重的过程。
卷积神经网络 (CNN)
卷积层
通过卷积操作提取输入数 据的特征。
池化层
降低数据维度，减少计算
量。
06
人工智能伦理、法律和社会影
响
数据隐私和安全问题
数据隐私泄露
人工智能系统通常需要大量数据进行训练和学习，其中可能包含用户的个人隐 私信息。如果这些数据没有得到妥善保护，就可能导致隐私泄露事件。
网络安全问题
人工智能系统可能成为网络攻击的目标，例如黑客利用漏洞攻击人工智能系统， 获取敏感信息或者破坏系统的正常运行。
将数据划分为K个簇，每个簇的中心由簇内所有样本的均值表示。通过
迭代更新簇中心和重新划分样本，使得每个样本与其所属簇中心的距离
之和最小。
层次聚类
通过计算样本之间的距离，将距离近的样本合并为一个簇，然后不断重 复该过程，直到达到预设的簇数量或满足其他停止条件。
03
主成分分析 (PCA)
通过正交变换将原始特征空间中的线性相关变量转换为线性无关的新变
深度学习在图像识别与分类中的应用 通过训练深度神经网络模型，学习从原始图像数据中提取有用 的特征，进而实现图像的高效识别和分类。
浙江大学研究生《人工智能引论》课件-文档资料
t t f f
t f t f
0.95 0.94 0.29 0.001JohnCalls NhomakorabeaA
P(J)
t f
0.90 0.05
MaryCalls
A
P(M)
t f
0.70 0.01
7.2 贝叶斯网络的语义
贝叶斯网络的两种含义
对联合概率分布的表示
— 构造网络 对条件依赖性语句集合的编码 — 设计推理过程
贝叶斯网络的语义
P(x1,..., xn) = P(x1|parent(x1)) ... P(xn|parent(xn))
贝叶斯网络的语义公式计算示例：
试计算：报警器响了，但既没有盗贼闯入，也 没有发生地震，同时John和Mary都给你打电话 的概率。 解：
P(j,m,a,~b,~e) = P(j|a)P(m|a)P(a|~b,~e) P(~b) P(~e)
已知：P(~fever | cold, ~flu, ~malaria) = 0.6 P(~fever | ~cold, flu, ~malaria) = 0.2 P(~fever | ~cold, ~flu, malaria) = 0.1， 可利用“噪声或”（Noisy-OR）关系得到下表：
Cold F F F F T T T T Flu F F T T F F T T Malaria F T F T F T F T P(Fever) 0.0 0.9 0.8 0.98 0.4 0.94 0.88 0.988 P(~Fever) 1.0 0.1 0.2 0.02 = 0.2 X 0.1 0.6 0.06 = 0.6 X 0.1 0.12 = 0.6 X 0.2 0.012 = 0.6 X 0.2 X 0.1
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
情景演算是描述动作的主要的形式框 架。 在情景演算中引入了状态和动作 的概念，并利用两条逻辑公理来描述 动作与状态的关系。一条公理描述一 个动作在满足什么条件的状态之下可 能发生，另外一条描述在一个状态之 下某个动作发生以后当前状态如何改 变。
27
13.4.6 “言语行为”理论(Speech Acts Theory) 地位：这是多Agent交互（通信）的重要 理论基础之一。 思想： 任何行为都可以等价地表示为 言语行为 （既任何行为的含义都可用 言语来表达），甚至认为所有的行为 都是言语行为。 作用：大大简化了Agent之间交互的复杂 度。
协 作
通
信
44
Agent通信中的主要问题
38
BDI结构
愿 望 目 标 意 识 念 图 划
知
信
规
39
Hale Waihona Puke 13.5.3 复合式Agent
规 划
预测 决策生成 紧急情 况和简 单情况 协作与协商 通 信 请求或应答信息 反 射 其他 智能Agent
建 模 一 般 情 况
动作
行 动 智能Agent
感 知
外部世界
40
规划模块
经 验 库
目标集合
世界的模型 （包括其他 Agent的模型）
33
Agent的分类
根据人类思维的层次模型，可以将 Agent分成四类： 反应Agent 形象思维Agent 抽象思维Agent 复合式Agent 形象思维Agent和抽象思维Agent也可 以合称为认知Agent
34
13.5.1 反应Agent
Agent 传感器 当前世界 条件-动作 规则 环 境
4
DAI系统的主要优点
1) 2) 3) 4) 提高问题求解能力 提高问题求解效率 扩大应用范围 降低软件的复杂性
5
13.2 分布式问题求解
特点： 数据、知识、控制均分布在系统的各节 点上，既无全局控制，也无全局数据和 知识存储。 两种协作方式： 任务分担 结果共享
6
13.2.1 分布式问题求解系统分类
19
“意图系统”(Intentional System)
作用：用于描述其行为可用信念、愿望等 理性智慧来预测的实体。分为：一阶和二 阶两种形式。对象、属性及其关系。
20
“意图姿态”(Intentional Stance)
意义：启发AI学者将信念(Belief)、愿望 (Desire)、承诺(Commitment)等人类特有 的思想和概念应用于Agent。
36
13.5.2 认知Agent
Agent 内部状态 传感器 信息融合 环 知识库 规 划 境 目标 动 作 效应器
37
认知Agent程序
function Cognitive-Agent(percept) returns action static: environment, /* 描述当前世界环境 */ kb, /* 知识库 */
11
Agent概念的出现
面向过程的方法
面向实体的方法
面向对象的方法
面向Agent的方法
软件开发方法的进化
12
Agent的定义
在计算机和人工智能领域中， Agent可以看作是一个实体，它通过传 感器感知环境，通过效应器作用于环境。
13
Agent的强定义
基于某种场景，并具有灵活、自主 的行为能力，以满足设计目标的计算机 系统。
14
Agent的弱定义
满足如下特征的基于硬件或（更经 常是）软件的计算机系统： 自主性(Autonomy) 社会性(Social ability) 反应性(Reactivity) 主动性(Pro-activeness)（或称“前 瞻性”） 基于场景性(Situatedness) 灵活性(Flexibility)
15
移动性(Mobility) 理性(Rationality) 此外，许多学者还提出一些其它特性： 诚实性(Veracity) 友好性(Benevolence) 长寿性（或时间连贯性） 自适应性(Adaptability)
16
Agent的特性
Agent弱概念： 自治性、社会能力（可通信性）、反 应能力、自发行为 Agent强概念： 知识、信念、意图、承诺等心智状态 其它属性： 长寿性、移动性、推理能力、规划能 力、学习和适应能力、诚实、善意、 理性
28
规划库的形式化表示
环境状态： State = { P1, P2, … Pn } 目标： Goal=<State, weightiness> 动作模板： Act_template = <name, roles, preconditions, effects, resources> Agent能力： Ability=<Act_template, role, cost>
局部规划器
规划
重新 规划
规划
决策生成
目标
41
建模模块
建模 模 型 库 世界的模型 （包括其他 Agent的模型）
规划
模 型 生 成 和 维 护
预 测
决策生成
感 知
通 信
42
通信模块
语言生成
词 法 库
语 法 库
词 义 库
物理通信
语言理解
通信
43
13.6 Agent通信
策 略 协 议 对 话 黑 板 消 息 协 议
21
13.4.1 理性Agent（BDI模型）
思想：认为Agent行为可由信念、愿望和意 图来表达 作用：已成为经典模型，并被广泛采用
Belief——信念，Agent对环境的基本看法。 Desire——愿望，Agent想要实现的状态， 即目标。 Intention——意图，目标的子集。
22
13.4.2 BDIAgent模型
动 作
效应器
35
反应Agent程序
function Reactive-Agent(percept) returns action static: rules, /* 一组条件-动作规则 */
state ← Interpret-Input(percept) rule ← Rule-Match(state,rules) action ← Rule-Action[rule] return action
29
13.5 Agent结构
Agent结构需要解决的问题包括： Agent由那些模块组成， 模块之间如何交互信息， Agent感知到的信息如何影响它的行 为和内部状态， 如何将这些模块用软件或硬件的方式 组合起来形成一个有机的整体。
30
Agent基本结构
感知 环境 作用 Agent
BDIAgent模型可以通过下列要素描述： 一组关于世界的信念； Agent当前打算达到的一组目标； 一个规划库，描述怎样达到目标和怎 样改变信念； 一个意图结构，描述Agent当前怎样 达到它的目标和改变信念。
23
BDI解释器
BDI-Interpreter initialize-state(); do options := option-generator(event-queue, B, G, I); selected-options := deliberate(options, B, G, I); update-intentions(selected-options, I); execute(I); get-new-external-events(); drop-successful-attitudes(B,G,I); drop-impossible-attitudes(B,G,I); until quit
浙江大学计算机学院研究生《人工智能引论》课件
第13讲 智能Agent及多Agent系统
Chapter 13 Intelligent Agent & MultiAgent Systems
徐从富
浙江大学人工智能研究所
2003年第一稿 2005年10月修改补充 2007年10月第二次修改
1
内容
1. 概述 2. 分布式问题求解 3. Agent 4. Agent理论 5. Agent结构 6. Agent通信 7. Agent的协调与协作 8. 多Agent环境MAGE 9. 面向Agent的软件技术 10. Mobile Agent 11. 若干前沿问题讨论
根据组织结构，分布式问题求解系统可 以分为三类： 层次结构类 平行结构类 混合结构类
7
13.2.2 分布式问题求解过程
分布式问题求解过程可以分为四步： 任务分解 任务分配 子问题求解 结果综合
8
分布式问题求解系统中协作的分类
按节点间协作量的多少，协作分为三类： 全协作系统 无协作系统 半协作系统 常用的通信方式有： 共享全局存储器 信息传递 黑板模型
9
13.3 智能Agent及多Agent系统
多Agent系统主要研究在逻辑上或 物理上分离的多个Agent协调其智能行 为，即知识、目标、意图及规划等，实 现问题求解。可以看作是一种由底向上 设计的系统。
10
Agent的思想
智能Agent的几个典型的实例： Microsoft的Office助手 计算机病毒（破坏Agent） 计算机游戏或模拟中的智能角色 贸易和谈判Agent（如Ebay的拍卖Agent） 网络蜘蛛Web Spider（搜索引擎中的数据 搜集和索引Agent，如Google）
17
13.4 Agent理论
智能Agent的理论模型研究主要从 逻辑、行为、心理、社会等角度出发， 对智能Agent的本质进行描述，为智能 Agent系统创建奠定基础。
18
27
13.4.6 “言语行为”理论(Speech Acts Theory) 地位：这是多Agent交互（通信）的重要 理论基础之一。 思想： 任何行为都可以等价地表示为 言语行为 （既任何行为的含义都可用 言语来表达），甚至认为所有的行为 都是言语行为。 作用：大大简化了Agent之间交互的复杂 度。
协 作
通
信
44
Agent通信中的主要问题
38
BDI结构
愿 望 目 标 意 识 念 图 划
知
信
规
39
Hale Waihona Puke 13.5.3 复合式Agent
规 划
预测 决策生成 紧急情 况和简 单情况 协作与协商 通 信 请求或应答信息 反 射 其他 智能Agent
建 模 一 般 情 况
动作
行 动 智能Agent
感 知
外部世界
40
规划模块
经 验 库
目标集合
世界的模型 （包括其他 Agent的模型）
33
Agent的分类
根据人类思维的层次模型，可以将 Agent分成四类： 反应Agent 形象思维Agent 抽象思维Agent 复合式Agent 形象思维Agent和抽象思维Agent也可 以合称为认知Agent
34
13.5.1 反应Agent
Agent 传感器 当前世界 条件-动作 规则 环 境
4
DAI系统的主要优点
1) 2) 3) 4) 提高问题求解能力 提高问题求解效率 扩大应用范围 降低软件的复杂性
5
13.2 分布式问题求解
特点： 数据、知识、控制均分布在系统的各节 点上，既无全局控制，也无全局数据和 知识存储。 两种协作方式： 任务分担 结果共享
6
13.2.1 分布式问题求解系统分类
19
“意图系统”(Intentional System)
作用：用于描述其行为可用信念、愿望等 理性智慧来预测的实体。分为：一阶和二 阶两种形式。对象、属性及其关系。
20
“意图姿态”(Intentional Stance)
意义：启发AI学者将信念(Belief)、愿望 (Desire)、承诺(Commitment)等人类特有 的思想和概念应用于Agent。
36
13.5.2 认知Agent
Agent 内部状态 传感器 信息融合 环 知识库 规 划 境 目标 动 作 效应器
37
认知Agent程序
function Cognitive-Agent(percept) returns action static: environment, /* 描述当前世界环境 */ kb, /* 知识库 */
11
Agent概念的出现
面向过程的方法
面向实体的方法
面向对象的方法
面向Agent的方法
软件开发方法的进化
12
Agent的定义
在计算机和人工智能领域中， Agent可以看作是一个实体，它通过传 感器感知环境，通过效应器作用于环境。
13
Agent的强定义
基于某种场景，并具有灵活、自主 的行为能力，以满足设计目标的计算机 系统。
14
Agent的弱定义
满足如下特征的基于硬件或（更经 常是）软件的计算机系统： 自主性(Autonomy) 社会性(Social ability) 反应性(Reactivity) 主动性(Pro-activeness)（或称“前 瞻性”） 基于场景性(Situatedness) 灵活性(Flexibility)
15
移动性(Mobility) 理性(Rationality) 此外，许多学者还提出一些其它特性： 诚实性(Veracity) 友好性(Benevolence) 长寿性（或时间连贯性） 自适应性(Adaptability)
16
Agent的特性
Agent弱概念： 自治性、社会能力（可通信性）、反 应能力、自发行为 Agent强概念： 知识、信念、意图、承诺等心智状态 其它属性： 长寿性、移动性、推理能力、规划能 力、学习和适应能力、诚实、善意、 理性
28
规划库的形式化表示
环境状态： State = { P1, P2, … Pn } 目标： Goal=<State, weightiness> 动作模板： Act_template = <name, roles, preconditions, effects, resources> Agent能力： Ability=<Act_template, role, cost>
局部规划器
规划
重新 规划
规划
决策生成
目标
41
建模模块
建模 模 型 库 世界的模型 （包括其他 Agent的模型）
规划
模 型 生 成 和 维 护
预 测
决策生成
感 知
通 信
42
通信模块
语言生成
词 法 库
语 法 库
词 义 库
物理通信
语言理解
通信
43
13.6 Agent通信
策 略 协 议 对 话 黑 板 消 息 协 议
21
13.4.1 理性Agent（BDI模型）
思想：认为Agent行为可由信念、愿望和意 图来表达 作用：已成为经典模型，并被广泛采用
Belief——信念，Agent对环境的基本看法。 Desire——愿望，Agent想要实现的状态， 即目标。 Intention——意图，目标的子集。
22
13.4.2 BDIAgent模型
动 作
效应器
35
反应Agent程序
function Reactive-Agent(percept) returns action static: rules, /* 一组条件-动作规则 */
state ← Interpret-Input(percept) rule ← Rule-Match(state,rules) action ← Rule-Action[rule] return action
29
13.5 Agent结构
Agent结构需要解决的问题包括： Agent由那些模块组成， 模块之间如何交互信息， Agent感知到的信息如何影响它的行 为和内部状态， 如何将这些模块用软件或硬件的方式 组合起来形成一个有机的整体。
30
Agent基本结构
感知 环境 作用 Agent
BDIAgent模型可以通过下列要素描述： 一组关于世界的信念； Agent当前打算达到的一组目标； 一个规划库，描述怎样达到目标和怎 样改变信念； 一个意图结构，描述Agent当前怎样 达到它的目标和改变信念。
23
BDI解释器
BDI-Interpreter initialize-state(); do options := option-generator(event-queue, B, G, I); selected-options := deliberate(options, B, G, I); update-intentions(selected-options, I); execute(I); get-new-external-events(); drop-successful-attitudes(B,G,I); drop-impossible-attitudes(B,G,I); until quit
浙江大学计算机学院研究生《人工智能引论》课件
第13讲 智能Agent及多Agent系统
Chapter 13 Intelligent Agent & MultiAgent Systems
徐从富
浙江大学人工智能研究所
2003年第一稿 2005年10月修改补充 2007年10月第二次修改
1
内容
1. 概述 2. 分布式问题求解 3. Agent 4. Agent理论 5. Agent结构 6. Agent通信 7. Agent的协调与协作 8. 多Agent环境MAGE 9. 面向Agent的软件技术 10. Mobile Agent 11. 若干前沿问题讨论
根据组织结构，分布式问题求解系统可 以分为三类： 层次结构类 平行结构类 混合结构类
7
13.2.2 分布式问题求解过程
分布式问题求解过程可以分为四步： 任务分解 任务分配 子问题求解 结果综合
8
分布式问题求解系统中协作的分类
按节点间协作量的多少，协作分为三类： 全协作系统 无协作系统 半协作系统 常用的通信方式有： 共享全局存储器 信息传递 黑板模型
9
13.3 智能Agent及多Agent系统
多Agent系统主要研究在逻辑上或 物理上分离的多个Agent协调其智能行 为，即知识、目标、意图及规划等，实 现问题求解。可以看作是一种由底向上 设计的系统。
10
Agent的思想
智能Agent的几个典型的实例： Microsoft的Office助手 计算机病毒（破坏Agent） 计算机游戏或模拟中的智能角色 贸易和谈判Agent（如Ebay的拍卖Agent） 网络蜘蛛Web Spider（搜索引擎中的数据 搜集和索引Agent，如Google）
17
13.4 Agent理论
智能Agent的理论模型研究主要从 逻辑、行为、心理、社会等角度出发， 对智能Agent的本质进行描述，为智能 Agent系统创建奠定基础。
18