分布式人工智能
合集下载
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)。
该系统对市区内行驶的车辆轨迹进行监控, 并以此环境为基础, 对分布式问题求解 系统中许多技术问题进行研究。DVMT是以 分布式传感网络数据解释为背景，对复杂 的黑板问题求解系统之间的相互作用进行 了研究，提供了抽象和模型化分布式系统 行为的方法。
ACTOR模型
1983年Hewitt 和他的同事们研制了基于 ACTOR模型的并发程序设计系统。
分布式人工智能系统的主要优点
1) 提高问题求解能力。 2) 提高问题求解效率。 3) 扩大应用范围。 4) 降低软件的复杂性。
分布式人工智能
分布式人工智能的研究可以追溯到70 年代末期。早期分布式人工智能的 研究主要是分布式问题求解，其目 标是要创建大粒度的协作群体，它 们之间共同工作以对某一问题进行 求解。
MACE中每一个计算单元都称作主体，它们具有知识表示和 推理能力，主体之间通过消息传送进行通信。MACE是 一个类面向对象环境，但避开了并发对象系统中难于 理解和实现的继承问题。MACE的各个机构并行计算, 并提供了描述机构的描述语言, 具有跟踪的demons 机制。 该课题研究的重点是在实际并行环境下运行 分布式人工智能系统，保持概念的清晰性。
分布式人工智能系统的特色
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。
分布式问题求解
两种协作方式： ▪ 任务分担 ▪ 结果共享
任务分担
Smith 和Davis 提出了任务分担方式。 在任务分担系统中, 结点之间通过分担 执行整个任务的子任务而相互协作, 系统 中的控制以目标为指导, 各结点的处理 目标是为了求解整个任务的一部分。
任务分担的问题求解方式适合于求解具有层 次结构的任务, 如工厂联合体生产规划、 数 字逻辑电路设计、 医疗诊断。
多主体系统
关于主体的研究不仅受到了人工智能研究人 员的关注，也吸引了数据通信、人机界面 设计、机器人、并行工程等各领域的研究 人员的兴趣。有人认为：“基于主体的计 算（Agent-Based Computing， 简称ABC）
将成为软件开发的下一个重要的突破。”
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。
分布式运输调度系统DTDS-I
1989年清华大学石纯一等主持研制了分布式 运输调度系统DTDS-I(石纯一 1989)。
该系统以运输调度为背景，提出了分布式问 题求解系统的体系结构，对问题分解、任 务分布算法和基于元级通信的协作机制等 方面进行了探讨。
分布式知识处理系统DKPS
1990中国科学院计算技术研究所史忠植等研 究了分布式知识处理系统DKPS。
合同网
1980年Davis 和 Smith提出了合同网 (CNET) CNET使用投标---合同方式实现任务在多 个节点上的分配。合同网系统的重要贡献 在于提出了通过相互选择和达成协议的协 商过程实现分布式任务分配和控制的思想。
分布式车辆监控测试系统 DVMT
1980年麻萨诸塞大学的Lesser, Corkill 和 Durfee 等人主持研制DVMT
分布式问题求解系统分类
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
பைடு நூலகம்
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
任务分解
▪ 合同网络 ▪ 动态层次控制 ▪ 自然分解, 固定分配 ▪ 部分全局规划
基于智能主体的概念，人们提出了一种新的人工智能定义：“人工智能是计算机科学 的一个分支，它的目标是构造能表现出一定智能行为的主体”。
所以，智能主体的研究应该是人工智能的核心问题。斯坦福 大学计算机科学系的 Hayes-Roth在IJCAI'95的特邀报告中谈到：“智能的计算机主体既是
人工智能最初的目标，也是人工智能最终的目标。”
该系统采用逻辑------对象知识模型，研究 了知识共享和协作求解等问题。
多主体系统
90年代，多主体系统Multiagent systems)的研究成为分布式人工智能研究的热点。多 主体系统主要研究自主的智能主体之间智能行为的协调，为了一个共同的全局目标， 也可能是关于各自的不同目标，共享有关问题和求解方法的知识，协作进行问题求 解。
结果共享
Lesser 和 Corkill 提出了结果共享方式。在 结果共享方式的系统中, 各结点通过共享部分结果 相互协作, 系统中的控制以数据为指导, 各结点在 任何时刻进行的求解取决于当时它本身拥有或从其它 结点收到的数据和知识。
结果共享的求解方式适合于求解与任务有关的各 子任务的结果相互影响, 并且部分结果需要综合才能 得出问题解的领域。如分布式运输调度系统、分布式 车辆监控实验系统DVMT
分布式人工智能
内容
1 概述 2 分布式问题求解 3 主体 4 主体理论 5 主体结构 6 主体通信 7 主体的协调与协作 8 多主体环境MAGE
1 概述
分布式人工智能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：基于主体的方法
ACTOR模型提供了分布式系统中并行计算理论 和一组专家或ACTOR获得智能行为的能力。 在1991年Hewitt提出开放信息系统语义, 指出竞争、承诺、协作、协商等性质应作 为分布式人工智能的科学基础，试图为分 布式人工智能的理论研究提供新的基础。
MACE系统
是一个实验型的分布式人工智能系统开发环境 (Gasser 1987)。
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
ACTOR模型
1983年Hewitt 和他的同事们研制了基于 ACTOR模型的并发程序设计系统。
分布式人工智能系统的主要优点
1) 提高问题求解能力。 2) 提高问题求解效率。 3) 扩大应用范围。 4) 降低软件的复杂性。
分布式人工智能
分布式人工智能的研究可以追溯到70 年代末期。早期分布式人工智能的 研究主要是分布式问题求解，其目 标是要创建大粒度的协作群体，它 们之间共同工作以对某一问题进行 求解。
MACE中每一个计算单元都称作主体，它们具有知识表示和 推理能力，主体之间通过消息传送进行通信。MACE是 一个类面向对象环境，但避开了并发对象系统中难于 理解和实现的继承问题。MACE的各个机构并行计算, 并提供了描述机构的描述语言, 具有跟踪的demons 机制。 该课题研究的重点是在实际并行环境下运行 分布式人工智能系统，保持概念的清晰性。
分布式人工智能系统的特色
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。
分布式问题求解
两种协作方式： ▪ 任务分担 ▪ 结果共享
任务分担
Smith 和Davis 提出了任务分担方式。 在任务分担系统中, 结点之间通过分担 执行整个任务的子任务而相互协作, 系统 中的控制以目标为指导, 各结点的处理 目标是为了求解整个任务的一部分。
任务分担的问题求解方式适合于求解具有层 次结构的任务, 如工厂联合体生产规划、 数 字逻辑电路设计、 医疗诊断。
多主体系统
关于主体的研究不仅受到了人工智能研究人 员的关注，也吸引了数据通信、人机界面 设计、机器人、并行工程等各领域的研究 人员的兴趣。有人认为：“基于主体的计 算（Agent-Based Computing， 简称ABC）
将成为软件开发的下一个重要的突破。”
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。
分布式运输调度系统DTDS-I
1989年清华大学石纯一等主持研制了分布式 运输调度系统DTDS-I(石纯一 1989)。
该系统以运输调度为背景，提出了分布式问 题求解系统的体系结构，对问题分解、任 务分布算法和基于元级通信的协作机制等 方面进行了探讨。
分布式知识处理系统DKPS
1990中国科学院计算技术研究所史忠植等研 究了分布式知识处理系统DKPS。
合同网
1980年Davis 和 Smith提出了合同网 (CNET) CNET使用投标---合同方式实现任务在多 个节点上的分配。合同网系统的重要贡献 在于提出了通过相互选择和达成协议的协 商过程实现分布式任务分配和控制的思想。
分布式车辆监控测试系统 DVMT
1980年麻萨诸塞大学的Lesser, Corkill 和 Durfee 等人主持研制DVMT
分布式问题求解系统分类
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
பைடு நூலகம்
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
任务分解
▪ 合同网络 ▪ 动态层次控制 ▪ 自然分解, 固定分配 ▪ 部分全局规划
基于智能主体的概念，人们提出了一种新的人工智能定义：“人工智能是计算机科学 的一个分支，它的目标是构造能表现出一定智能行为的主体”。
所以，智能主体的研究应该是人工智能的核心问题。斯坦福 大学计算机科学系的 Hayes-Roth在IJCAI'95的特邀报告中谈到：“智能的计算机主体既是
人工智能最初的目标，也是人工智能最终的目标。”
该系统采用逻辑------对象知识模型，研究 了知识共享和协作求解等问题。
多主体系统
90年代，多主体系统Multiagent systems)的研究成为分布式人工智能研究的热点。多 主体系统主要研究自主的智能主体之间智能行为的协调，为了一个共同的全局目标， 也可能是关于各自的不同目标，共享有关问题和求解方法的知识，协作进行问题求 解。
结果共享
Lesser 和 Corkill 提出了结果共享方式。在 结果共享方式的系统中, 各结点通过共享部分结果 相互协作, 系统中的控制以数据为指导, 各结点在 任何时刻进行的求解取决于当时它本身拥有或从其它 结点收到的数据和知识。
结果共享的求解方式适合于求解与任务有关的各 子任务的结果相互影响, 并且部分结果需要综合才能 得出问题解的领域。如分布式运输调度系统、分布式 车辆监控实验系统DVMT
分布式人工智能
内容
1 概述 2 分布式问题求解 3 主体 4 主体理论 5 主体结构 6 主体通信 7 主体的协调与协作 8 多主体环境MAGE
1 概述
分布式人工智能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：基于主体的方法
ACTOR模型提供了分布式系统中并行计算理论 和一组专家或ACTOR获得智能行为的能力。 在1991年Hewitt提出开放信息系统语义, 指出竞争、承诺、协作、协商等性质应作 为分布式人工智能的科学基础，试图为分 布式人工智能的理论研究提供新的基础。
MACE系统
是一个实验型的分布式人工智能系统开发环境 (Gasser 1987)。
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