Techniki wnioskowania z użyciem rozproszonej bazy wiedzy


Budowa Systemów Wieloagentowych



Pobieranie 347.22 Kb.
Strona3/10
Data24.10.2017
Rozmiar347.22 Kb.
1   2   3   4   5   6   7   8   9   10

Budowa Systemów Wieloagentowych

Rozproszona sztuczna inteligencja (Distributed artificial intelligence - DAI) jest dziedziną wiedzy, która bada zachowanie się sztucznej inteligencji w programowaniu rozproszonym. W DAI można wyróżnić dwa główne obszary badań:



  • rozproszone rozwiązywanie problemu (Distributed problem solving - DPS)

  • systemy wieloagentowe (Multiagent systems - MAS)

 

Pierwsza z nich (DPS) zajmuje się tym, jak jeden duży problem obliczeniowy można podzielić na mniejsze podproblemy i przydzielić je poszczególnym węzłom rozproszonego systemu do rozwiązania. Węzły te dzielą wiedzę dotyczącą rozwiązania całkowitego problemu.

Druga (MAS) koncentruje się przede wszystkim na poszczególnych modułach wykonujących podzadania. Każde z nich jest przydzielone suwerennemu autonomicznemu programowi (agentowi). Takie programy często bywają heterogeniczne, ponieważ z natury różnorodność zadań zmusza do tego, aby każdy agent posiadał specyficzne zdolności. Naturalną cechą takich systemów jest ich rozproszenie. Rozproszenie takie może być przestrzenne, jak w przypadku specjalnych grup robotów, które mają za zadanie wychwycenie informacji wysyłanych przez czujniki umiejscowione w określonych miejscach. Inne rozproszenia są funkcjonalnie; wtedy programy‑eksperci mają za zadanie rozwiązać określone problemy w różnych środowiskach programowych.

MAS charakteryzuje się szybszym rozwiązywaniem problemów przez ich rozproszenie, mniejszą ilością wymiany informacji dzięki transmisji jedynie komunikatów istotnych pomiędzy poszczególnymi agentami. W systemach centralistycznych dane są dostarczane masowo do specjalnego programu dokonującego obliczeń, co stanowi znaczne obciążenia obliczeniowe. Kolejną cechą charakterystyczną MAS jest umiejętność dynamicznego dostosowywania się agentów z różnymi zdolnościami do poszczególnych typów problemów oraz większa niezawodność. Jest ona wynikiem ich rozproszenia oraz możliwości uczenia się jednych agentów na błędach popełnionych przez innych.

Rozproszona sztuczna inteligencja stanowi szerokie pole do badań. Istnieją dwie główne perspektywy spojrzenia na DAI:


  • agent - jednostka w MAS (rodzaje agentów, struktura wiedzy, zdolności rozumowania, zdolności przystosowania i uczenia się, architektura)

  • grupa - organizacja zrzeszająca pewną ilość agentów (koordynacja, kooperacja, negocjacje, planowanie, komunikacja, organizacja i struktura, grupy grup)


Agent jako autonomiczma jednostka w MAS


 W systemach wieloagentowych można rozróżnić wiele stopni heterogenności poszczególnych agentów. Mogą być identyczne, różniąc się jedynie zasobami dostępnymi - low heterogenity. Mogą posiadać różne metody rozwiązywania problemów - medium heterogenity. A kiedy posiadają tylko wspólny język do wymiany informacji, wtedy mówi się o dużym zróżnicowaniu.

W systemach tych można także wyszczególnić dwa rodzaje agentów:



  • sztucznych agentów (artificial agents)

  • użytkowników-agentów (human agents)

 

Czasami wyszczególnia się tzw. superagenta, składającego się nawet z kilku sztucznych agentów, który staje się reprezentantem całej grupy agentów.


Rodzaje agentów


Inteligentne programy możemy podzielić według wielu zdolności: spostrzegania otoczenia, interpretacji nadchodzących danych i komunikatów, rozumowania, podejmowania decyzji, planowania i realizacji planów.

Moulin i Chaib-Draa wyszczególnili trzy klasy programów agentowych:



  • agenci reakcyjni (reactive agents)

  • agenci intencjonalni (intentional agents)

  • agenci socjalni (social agents)

 

Agenci reakcyjni należą do grupy prostszych agentów reagujących na zmiany w środowisku otaczającym oraz na komunikaty nadsyłane przez innych agentów. Programy tego rodzaju nie potrafią przewidywać przyszłości, raczej stosują się ściśle do swoich reguł i na ich podstawie generują swoje stereotypowe plany, rozszerzają bazę wiedzy i wysyłają komunikaty do otoczenia. Pierwsza generacja systemów ekspertowych jest typowym przykładem tej grupy agentów.

Agenci intencjonalni należą do grupy inteligentnych programów zdolnych do wytwarzania nowych planów i ich wykonywania. Agenci intencjonalni mogą być uważani za systemy planowania. Programy te są zdolne do stawiania sobie własnych celów, tworzenia nowych planów, dostrzegania konfliktów pomiędzy nimi, wykonywania bądź wstrzymywania ich w razie potrzeby. W systemach wieloagentowych agenci intencjonalni współdziałają między sobą na drodze wymiany komunikatów, celów, wiedzy oraz akcji.

Agenci socjalni stoją na najwyższym poziomie inteligencji spośród wszystkich typów programów. Ich sposób rozumowania jest najbardziej zbliżony do sposobu rozumowania człowieka. Agenci socjalni posiadają oprócz zdolności tworzenia nowych planów także umiejętność brania pod uwagę zachowań innych agentów. Mają zatem zdolność do otrzymywania danych od sąsiednich agentów na temat ich planów, celów, intencji itd. To wszystko daje im możliwość respektowania otoczenia i generowania o wiele mniej konfliktów.

 

 


Struktury wiedzy oraz zdolność jej utrzymywania 


Każdy agent posiada pewną strukturę wiedzy, która może być w różnym stopniu skomplikowana. W terminologii systemów ekspertowych struktura wiedzy jest zbudowana raczej na faktach, natomiast w terminologii systemów planowania składa się z intencji, planów, celów do wykonania, motywacji itd. Cohen i Perrault, zaproponowali strukturę wiedzy dla swoich agentów - systemów planowania, która zawiera intencje oraz cele danego agenta w odniesieniu do innych agentów. Allen zdefiniował wiedzę agenta jako rezultat realizacji planów i rozpoznania w nich przeszkód. Natomiast Cohen i Levesque zdefiniowali wiedzę jako równowagę pomiędzy przypuszczeniami, intencjami oraz działaniem agentów.

Konolige i Pollack zauważyli, że model logiczny bazy nie jest zbyt optymalny co do teorii intencji i planów, więc zaproponowali alternatywny model jej reprezentowania.

Shoham zaproponował nową specyfikację programowania zorientowanego agentowo, naśladującą programowanie obiektowe. W tym systemie wewnętrzne komponenty agenta są nazwane: intencjami, wyborami oraz zdolnościami. Programy agentowe kontrolują poszczególnych agentów za pomocą prymitywów komunikacyjnych. W tym systemie agent jest uważany za względnie prosty składnik, z którego można zbudować bardziej zaawansowany system MAS za pomocą podejścia programowania obiektowego.

Zdolność rozumowania


Każdy inteligentny system powinien posiadać zdolność do rozumowania. Agent powinien rozwijać pewne hipotezy przed podjęciem właściwych decyzji (hypothetical reasoning). Pojęcie czasu powinno także mieć wpływ na przebieg realizacji pewnych zadań (temporal logic). Agent także powinien liczyć się z pewnymi nakazami, zakazami, czy prawami dostępu (deontic logic).

Poza swoimi własnymi przekonaniami agent powinien się liczyć także z innymi agentami. Znajomość wiedzy, intencji innych agentów jest potrzebna między innymi do prowadzenia negocjacji z otoczeniem. McCarty i Hades argumentowali, że agent powinien mieć jasny pogląd na temat swoich możliwości przeprowadzenia pewnych akcji. Moore rozszerzył ten problem o powiązanie pomiędzy wiedzą i możliwością przeprowadzenia akcji. Uważał, że wiedza jest niezbędna do przeprowadzania różnych akcji. Stworzył on logikę z semantyką dopuszczalnych słów, która pozwala rozumować w ramach wiedzy oraz podejmować decyzje a następnie automatycznie generować dedukcje w ramach tej logiki.

Galliers opisał strategię, która umożliwia dynamiczne zmiany intencji agenta podczas jego wymiany komunikatów z otoczeniem. Intencje są akceptowane przy jasnych zamiarach, zaś odrzucane przy ich zmianach.

Niektórzy autorzy umiejętność rozumowania programów agentowych opierają na teorii gier. Gmytrasiewicz zaproponował rekursywną metodę, opierającą się na teorii gier. Metoda ta pozwala na modelowanie rekursywne kolejnych decyzji opartych na probabilistycznych generowaniach sytuacji.


Zdolność uczenia się oraz przystosowywania


Każdy program agentowy powinien mieć możliwość przystosowania się do swego środowiska oraz do intencji sąsiednich agentów. Hayes-Roth zaproponował parę możliwości przystosowywania. W projekcie MINDS Huhns rozwinął rozproszony system pozyskiwania informacji, w którym programy agentowe współdzielą razem wiedzę oraz zadania, ażeby współpracować w pozyskiwaniu dokumentów dla użytkowników.

Architektura


Każdy program agentowy składa się z poszczególnych modułów przetwarzających sukcesywnie informacje z wejścia, kierując je do innych modułów, w których dochodzi do analizy możliwych planów a następnie wykonywania ich.

Do bardziej skomplikowanych rodzajów agentów zalicza się agenta socjalnego, który różni się od innych agentów przede wszystkim większą złożonością wynikającą ze  zdolności do liczenia się z intencjami innych programów.



Rys. 3. Schemat działania agenta socjalnego.



Pobieranie 347.22 Kb.

Share with your friends:
1   2   3   4   5   6   7   8   9   10




©operacji.org 2020
wyślij wiadomość

    Strona główna