浙江大学计算机学院研究生人工智能引论课件

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
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)
ห้องสมุดไป่ตู้
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
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。
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
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
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。
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 */
38
BDI结构
愿 望 目 标 意 识 念 图 划
知
信
规
39
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）
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
24
13.4.3 RAO逻辑框架
目标：以一种自然的方式描述多Agent 系统中关于别的Agent的状态的推理 过程。 系统的分类：由于多Agent系统太复杂， 建立一种通用的推理模式的想法是不 现实的，有必要对系统分类以便区别 对待。 常识的获得：和单个Agent情形一样， 常识问题是阻碍推理的大难题。
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。
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
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。
25
13.4.4 换位推理
思想：模仿语言学中的虚拟语气，即为 了对某个Agent在某种场景下的状态或 行为进行推测，设想自己处于那种场 景时的状态或行为，再把这种设想结 果作为被猜测Agent的状态或行为。 作用：使得一Agent对其它Agent的状态 和行为的推理过程变得简单明了。
26
13.4.5 动作理论
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
environment ← Update-WorldModel(environment,percept) state ← Update-Mental-State(environment,state) action ← Decision-Making(state,kb) environment ← Update-WorldModel(environment,action) return action
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
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)
协 作
通
信
44
Agent通信中的主要问题
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>
黑箱软件Agent
31
智能Agent的工作过程
感知
交互
信息融合
环境 信息处理
作用
作用 交互
32
Agent骨架程序
function Skeleton-Agent(percept) return action static: memory /* Agent的世界记忆 */ memory ← UpdateMemory(memory,percept) action ← Choose-Best-Action(memory) memory ← Update-Memory(memory,action) 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
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
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
2
13.1 概述
分布式人工智能（DAI）主要研 究在逻辑上或物理上分散的智能系统 如何并行的、相互协作地实现问题求 解。
两种解决问题的方法： 自顶向下：分布式问题求解 自底向上：基于Agent的方法
3
DAI系统的特色
1) 系统中的数据、知识, 以及控制不但在 逻辑上, 而且在物理上是分布的, 既没 有全局控制, 也没有全局的数据存储。 2) 各个求解机构由计算机网络互连, 在问 题求解过程中, 通信代价要比求解问题 的代价低得多。 3) 系统中诸机构能够相互协作, 来求解单 个机构难以解决, 甚至不能解决的任务。