2. AGENT INTELIGENTNY

© F.A. Dul 2007

Agent inteligentny

W tym rozdziale przedstawimy agenta
inteligentnego i zdefiniujemy jego

inteligentnego i zdefiniujemy jego
racjonalno

ść

.

racjonalno

ść

.

Omówimy ró

ż

ne rodzaje

ś

rodowisk

w których mo

ż

e działa

ć

.

w których mo

ż

e działa

ć

.

Przedstawimy te

ż

ró

ż

ne typy agentów.

© F.A. Dul 2007

2.1. Agent inteligentny

Plan rozdziału

• Agenci i

ś

rodowiska.

• Racjonalno

ść

działa

ń

.

• Racjonalno

ść

działa

ń

.

• PEAS: miara jako

ś

ci,

ś

rodowisko, mechanizmy

wykonawcze, czujniki.

wykonawcze, czujniki.

• Rodzaje

ś

rodowisk.

• Typy agentów.

• Typy agentów.

© F.A. Dul 2007

2.1. Agent i

ś

rodowisko

W niniejszym kursie podstawowym obiektem sztucznej

W niniejszym kursie podstawowym obiektem sztucznej
inteligencji agent inteligentny (racjonalny).

Agent jest to obiekt który postrzega i działa.

Definicja formalna agenta

Agent jest to funkcja f przekształcaj

ą

ca postrzeganie

P

*

na działanie

A

,

na działanie

A

,

f

:

P

*

→

→

→

→

A

Inteligencja (racjonalno

ść

) agenta:

f

:

P

→

→

→

→

A

Inteligencja (racjonalno

ść

) agenta:

dla okre

ś

lonego

ś

rodowiska (otoczenia) oraz

wyznaczonego celu poszukuje si

ę

agenta (lub ich klasy)

© F.A. Dul 2007

wyznaczonego celu poszukuje si

ę

agenta (lub ich klasy)

realizuj

ą

cego wyznaczone zadanie w najlepszy sposób.

2.1. Agent i

ś

rodowisko

Agent jest to obiekt który postrzega

ś

rodowisko

Definicja fizyczna agenta

Agent jest to obiekt który postrzega

ś

rodowisko

za pomoc

ą

czujników oraz wykonuje działania

przy pomocy mechanizmów wykonawczych.

Postrzeganie

Czujniki

przy pomocy mechanizmów wykonawczych.

Ś

rodowisko

Ś

rodowisko

Mechanizmy

Działanie

Mechanizmy

wykonawcze

Decyzje i działania agenta mog

ą

zale

ż

e

ć

od całej historii

Decyzje i działania agenta mog

ą

zale

ż

e

ć

od całej historii

obserwacji (percepcji),

...,p

-n

, p

-n+1

,..., p

-1

, p

0

© F.A. Dul 2007

...,p

-n

, p

-n+1

,..., p

-1

, p

0

Przykłady agentów:

2.1. Agent i

ś

rodowisko

• Człowiek („agent ludzki”)

– czujniki: oczy, uszy, pozostałe organy zmysłów, r

ę

ce,

powierzchnia ciała;

Przykłady agentów:

powierzchnia ciała;

– mechanizmy wykonawcze: r

ę

ce, nogi, inne cz

ęś

ci ciała...

• Robot (agent sztuczny człekokształtny)

• Robot (agent sztuczny człekokształtny)

– czujniki: kamery, czujniki podczerwieni, mikrofony,

termometry, akcelerometry i inne;

– mechanizmy wykonawcze: silniki i siłowniki.

– mechanizmy wykonawcze: silniki i siłowniki.

• Program komputerowy (agent sztuczny stacjonarny)

– czujniki: klawiatura, mysz, joystick, czytnik dysku;

– czujniki: klawiatura, mysz, joystick, czytnik dysku;
– mechanizmy wykonawcze: ekran, drukarka, element

zapisuj

ą

cy.

• Agent internetowy (agent sztuczny w

ę

druj

ą

cy)

• Agent internetowy (agent sztuczny w

ę

druj

ą

cy)

– czujniki: funkcja czytaj

ą

ca dane, odbiornik pakietów;

– mechanizmy wykonawcze: funkcja zapisuj

ą

ca dane,

© F.A. Dul 2007

– mechanizmy wykonawcze: funkcja zapisuj

ą

ca dane,

nadajnik pakietów.

Przykład: agent - odkurzacz

2.1. Agent i

ś

rodowisko

• Postrzeganie: poło

ż

enie i status czysto

ś

ci, np.

[ A,

ś

mieci ]

, [ B, czysto ]

[ A,

ś

mieci ]

, [ B, czysto ]

• Działania:

– w lewo,

– w lewo,
– w prawo,
– odkurzaj,
– nic nie rób.

– nic nie rób.

• Stan:

[ Poło

ż

enie agenta ; A(Czysto

ść

) , B(Czysto

ść

) ]

[A;A(

ś

),B(

ś

)] , [A;A(

ś

),B(c)] , [A;A(c),B(

ś

)] , [A;A(c),B(c)],

© F.A. Dul 2007

[A;A(

ś

),B(

ś

)] , [A;A(

ś

),B(c)] , [A;A(c),B(

ś

)] , [A;A(c),B(c)],

[B;A(

ś

),B(

ś

)] , [B;A(

ś

),B(c)] , [B;A(c),B(

ś

)] , [B;A(c),B(c)]

Tablica działa

ń

agenta - odkurzacza

2.1. Agent i

ś

rodowisko

Ci

ą

gi obserwacji

Działanie

[ A , czysto ]

W PRAWO

[ A , czysto ]

W PRAWO

[ A ,

ś

mieci ]

ODKURZAJ

[ B , czysto ]

W LEWO

[ B , czysto ]

W LEWO

[ B ,

ś

mieci ]

ODKURZAJ

[ A , czysto ] , [ A , czysto ]

W PRAWO

[ A , czysto ] , [ A ,

ś

mieci ]

ODKURZAJ

. . .

. . .

© F.A. Dul 2007

Tablica działa

ń

agenta mo

ż

e by

ć

niesko

ń

czona.

Program działa

ń

agenta - odkurzacza

2.1. Agent i

ś

rodowisko

function REFLEX-AGENT-ODKURZACZ ( [location, status] ) return DZIAŁANIE

if status ==

Ś

MIECI then return ODKURZAJ

if status ==

Ś

MIECI then return ODKURZAJ

else if location == A then return W PRAWO
else if location == B then return W LEWO

Program agenta pozwala wi

ę

c na radykalne zmniejszenie

ilo

ś

ci danych koniecznych do opisania jego zachowania.

ilo

ś

ci danych koniecznych do opisania jego zachowania.

© F.A. Dul 2007

2.2. Racjonalno

ść

agenta

Dla okre

ś

lonego

ś

rodowiska (otoczenia) oraz

wyznaczonego celu poszukuje si

ę

agenta (lub ich klasy)

realizuj

ą

cego wyznaczone zadanie w najlepszy sposób.

• Agent powinien stara

ć

si

ę

wykona

ć

dobrze zadanie,

realizuj

ą

cego wyznaczone zadanie w najlepszy sposób.

• Agent powinien stara

ć

si

ę

wykona

ć

dobrze zadanie,

opieraj

ą

c si

ę

na tych obserwacjach

ś

rodowiska,

które mo

ż

e przeprowadzi

ć

.

• Działanie wła

ś

ciwe to takie, które zapewnia

agentowi uzyskanie najlepszych rezultatów.

• Miara jako

ś

ci: obiektywne kryterium oceniaj

ą

ce

działanie agenta.

• Przykład: miarami jako

ś

ci agenta-odkurzacza mog

ą

by

ć

: ilo

ść

zassanych

ś

mieci, czas odkurzania, ilo

ść

zu

ż

ytej energii, hałas podczas pracy, etc.

© F.A. Dul 2007

zu

ż

ytej energii, hałas podczas pracy, etc.

2.2. Racjonalno

ść

agenta

Racjonalno

ść

agenta zale

ż

y od czterech czynników:

Racjonalno

ść

agenta zale

ż

y od czterech czynników:

• miary jako

ś

ci definiuj

ą

cej sukces działa

ń

agenta,

• wiedzy pocz

ą

tkowej agenta o

ś

rodowisku,

• wiedzy pocz

ą

tkowej agenta o

ś

rodowisku,

• działa

ń

które agent mo

ż

e wykona

ć

,

• sekwencji obserwacji dokonanych przez agenta

a

ż

do chwili bie

żą

cej.

a

ż

do chwili bie

żą

cej.

Dla wszystkich mo

ż

liwych ci

ą

gów obserwacji agent

racjonalny powinien wybra

ć

taki sposób działania, który

racjonalny powinien wybra

ć

taki sposób działania, który

maksymalizuje miar

ę

jako

ś

ci na podstawie ci

ą

gu

uzyskanych obserwacji oraz wszelkiej wiedzy, któr

ą

agent posiada.

uzyskanych obserwacji oraz wszelkiej wiedzy, któr

ą

agent posiada.

Problem: zło

ż

ono

ść

idealnego działania racjonalnego

Problem: zło

ż

ono

ść

idealnego działania racjonalnego

i ograniczenia obliczeniowe czyni

ą

to zadanie

praktycznie niewykonalnym.

© F.A. Dul 2007

• Racjonalno

ść

ró

ż

ni si

ę

od wiedzy absolutnej (omniscience).

2.2. Racjonalno

ść

agenta

• Racjonalno

ść

ró

ż

ni si

ę

od wiedzy absolutnej (omniscience).

Wszechwiedza umo

ż

liwiłaby idealne wykonanie zadania;

Racjonalno

ść

umo

ż

liwia najlepsze wykonanie zadania

w danych warunkach.

w danych warunkach.

• Agent mo

ż

e wykona

ć

działania maj

ą

ce na celu popraw

ę

obserwacji wykonywanych w przyszło

ś

ci (zbieranie

obserwacji wykonywanych w przyszło

ś

ci (zbieranie

informacji, eksploracja).

• Agent jest

autonomiczny

je

ż

eli jego zachowanie jest

okre

ś

lone przez jego własne do

ś

wiadczenie

okre

ś

lone przez jego własne do

ś

wiadczenie

(wykorzystuj

ą

ce

zdolno

ść

uczenia si

ę

i adaptacji).

© F.A. Dul 2007

2.3.

Ś

rodowisko zadania - struktura PEAS

Opracowanie agenta racjonalnego nale

ż

y rozpocz

ąć

od zdefiniowania elementów zadania (tzw. PEAS):

od zdefiniowania elementów zadania (tzw. PEAS):

– Miara jako

ś

ci działania agenta (

P

erformance measure),

–

Ś

rodowisko agenta (

E

nvironment),

–

Ś

rodowisko agenta (

E

nvironment),

– Mechanizmy wykonawcze agenta (

A

ctuators),

– Czujniki agenta (

S

ensors).

– Czujniki agenta (

S

ensors).

Zdefiniowanie powy

ż

szych elementów zadania

pozwala łatwiej opracowa

ć

wła

ś

ciw

ą

struktur

ę

pozwala łatwiej opracowa

ć

wła

ś

ciw

ą

struktur

ę

agenta.
Wa

ż

ne jest przy tym prawidłowe rozpoznanie cech

Wa

ż

ne jest przy tym prawidłowe rozpoznanie cech

poszczególnych elementów.

© F.A. Dul 2007

2.3.

Ś

rodowisko zadania - struktura PEAS

Przykłady

ś

rodowisk zada

ń

• Miara jako

ś

ci: bezpieczna, szybka, legalna,

Automatyczny taksówkarz

• Miara jako

ś

ci: bezpieczna, szybka, legalna,

wygodna podró

ż

; maksymalny zysk;

•

Ś

rodowisko: ulice, ruch uliczny, przechodnie,

•

Ś

rodowisko: ulice, ruch uliczny, przechodnie,

klienci;

• Mechanizmy wykonawcze: kierownica, pedał

• Mechanizmy wykonawcze: kierownica, pedał

gazu, hamulec,

ś

wiatła, klakson;

• Czujniki: kamery, sonar, pr

ę

dko

ś

ciomierz,

• Czujniki: kamery, sonar, pr

ę

dko

ś

ciomierz,

przy

ś

pieszeniomierz, GPS, hodometr, czujniki

silnika, klawiatura;

silnika, klawiatura;

© F.A. Dul 2007

Przykłady

ś

rodowisk zada

ń

2.3.

Ś

rodowisko zadania - struktura PEAS

• Miara jako

ś

ci: zdrowie pacjenta, minimalny koszt

System diagnostyki medycznej

• Miara jako

ś

ci: zdrowie pacjenta, minimalny koszt

leczenia, sprawy s

ą

dowe;

•

Ś

rodowisko: pacjent, szpital, personel, sprz

ę

t, leki;

•

Ś

rodowisko: pacjent, szpital, personel, sprz

ę

t, leki;

• Mechanizmy wykonawcze: pytania, badania,

diagnozy, przebieg leczenia, skierowania;

diagnozy, przebieg leczenia, skierowania;

• Czujniki: klawiatura (wprowadzanie objawów,

odpowiedzi pacjenta, wyniki bada

ń

)

odpowiedzi pacjenta, wyniki bada

ń

)

© F.A. Dul 2007

Przykłady

ś

rodowisk zada

ń

2.3.

Ś

rodowisko zadania - struktura PEAS

• Miara jako

ś

ci: udział procentowy cz

ęś

ci

Robot sortuj

ą

cy elementy

• Miara jako

ś

ci: udział procentowy cz

ęś

ci

w odpowiednich pojemnikach;

•

Ś

rodowisko: ruchoma ta

ś

ma z cz

ęś

ciami,

•

Ś

rodowisko: ruchoma ta

ś

ma z cz

ęś

ciami,

pojemniki;

• Mechanizmy wykonawcze: rami

ę

robocze,

• Mechanizmy wykonawcze: rami

ę

robocze,

chwytak;

• Czujniki: kamery, czujniki poło

ż

enia ramienia,

• Czujniki: kamery, czujniki poło

ż

enia ramienia,

czujniki siły chwytaka;

© F.A. Dul 2007

Przykłady

ś

rodowisk zada

ń

2.3.

Ś

rodowisko zadania - struktura PEAS

• Miara jako

ś

ci: maksymalizacja wynuków studenta

Interaktywny nauczyciel j

ę

zyka angielskiego

• Miara jako

ś

ci: maksymalizacja wynuków studenta

uzyskanych na egzaminie;

•

Ś

rodowisko: studenci;

•

Ś

rodowisko: studenci;

• Mechanizmy wykonawcze: monitory (

ć

wiczenia,

wyja

ś

nienia, poprawki);

wyja

ś

nienia, poprawki);

• Czujniki: klawiatura (odpowiedzi);

© F.A. Dul 2007

Ś

rodowisko agenta

2.3.

Ś

rodowisko zadania - struktura PEAS

• Całkowicie obserwowalne (vs. cz

ęś

ciowo

obserwowane): czujniki agenta mog

ą

w ka

ż

dej

chwili obserwowa

ć

kompletny stan

ś

rodowiska;

chwili obserwowa

ć

kompletny stan

ś

rodowiska;

• Deterministyczne (vs. stochastyczne): nast

ę

pny

stan

ś

rodowiska jest całkowicie okre

ś

lony stanem

stan

ś

rodowiska jest całkowicie okre

ś

lony stanem

bie

żą

cym i działaniem agenta. Je

ż

eli

ś

rodowisko

jest deterministyczne za wyj

ą

tkiem działa

ń

innych

jest deterministyczne za wyj

ą

tkiem działa

ń

innych

agentów, to jest ono strategiczne.

• Chwilowe (vs. sekwencyjne): działanie agenta

• Chwilowe (vs. sekwencyjne): działanie agenta

jest podzielone na kroki; ka

ż

dy krok polega na

dokonaniu obserwacji i wykonaniu działania;
wybór działania w ka

ż

dym kroku zale

ż

y tylko

wybór działania w ka

ż

dym kroku zale

ż

y tylko

od tego kroku;

© F.A. Dul 2007

Ś

rodowisko agenta

2.3.

Ś

rodowisko zadania - struktura PEAS

• Statyczne (vs. dynamiczne):

ś

rodowisko jest

niezmienne w trakcie działania agenta;

Ś

rodowisko jest semidynamiczne, je

ż

eli jest

Ś

rodowisko jest semidynamiczne, je

ż

eli jest

niezmienne, ale zmienia si

ę

miara jako

ś

ci agenta.

• Dyskretne (vs. ci

ą

głe): składa si

ę

z przeliczalnej

• Dyskretne (vs. ci

ą

głe): składa si

ę

z przeliczalnej

liczby obserwacji i działa

ń

.

• Pojedynczy agent (vs. wielu agentów):

• Pojedynczy agent (vs. wielu agentów):

w

ś

rodowisku działa tylko jeden agent;

© F.A. Dul 2007

Ś

rodowisko agenta - przykłady

2.3.

Ś

rodowisko zadania - struktura PEAS

Cecha

ś

rodowiska

Szachy

z zegarem

Szachy bez

zegara

Taksówkarz

Obserwowalne

Tak

Tak

Nie

Obserwowalne

Obserwowalne

Deterministyczne

Chwilowe

Tak

Tak

Nie

Strategiczne

Strategiczne

Nie

Nie

Nie

Nie

Obserwowalne

Deterministyczne

Chwilowe

Chwilowe

Statyczne

Dyskretne

Nie

Nie

Nie

Semistatyczne

Tak

Nie

Tak

Tak

Nie

Chwilowe

Statyczne

Dyskretne

Pojedynczy agent

• Rodzaj i własno

ś

ci

ś

rodowiska wpływaj

ą

w sposób

Nie

Nie

Nie

Pojedynczy agent

• Rodzaj i własno

ś

ci

ś

rodowiska wpływaj

ą

w sposób

zasadniczy na struktur

ę

agenta;

• Najprostsze

ś

rodowisko jest: obserwowalne, deterministy-

czne, chwilowe, statyczne, dyskretne i z jednym agentm.

czne, chwilowe, statyczne, dyskretne i z jednym agentm.

•

Ś

wiat rzeczywisty jest: cz

ęś

ciowo obserwowalny,

stochastyczny, sekwencyjny, dynamiczny, ci

ą

gły

© F.A. Dul 2007

stochastyczny, sekwencyjny, dynamiczny, ci

ą

gły

i wieloagentowy.

2.4. Struktury agentów

Elementy zadania: miara jako

ś

ci

działania (P),

ś

rodowisko (E),

działania (P),

ś

rodowisko (E),

mechanizmy wykonawcze (A) oraz

mechanizmy wykonawcze (A) oraz
czujniki (S) okre

ś

laj

ą

struktur

ę

agenta

inteligentnego.

inteligentnego.

© F.A. Dul 2007

2.4. Struktury agentów

• Agent jest całkowicie okre

ś

lony przez funkcj

ę

agenta,

odwzorowuj

ą

c

ą

obserwacje na działania

f

:

P

*

→

→

→

→

A

.

• Funkcja agenta jest (z zało

ż

enia) racjonalna.

• Funkcja agenta jest (z zało

ż

enia) racjonalna.

• Cel: opracowanie mo

ż

liwie zwi

ę

złej implementacji

racjonalnej funkcji agenta.

racjonalnej funkcji agenta.

Sposoby realizacji funkcji agenta

• Funkcja agenta dana w postaci tablicy działa

ń

,

• Funkcja agenta dana w postaci tablicy działa

ń

,

• Funkcja agenta realizowana za pomoc

ą

algorytmu.

Program agenta realizuje funkcj

ę

agenta na okre

ś

lonej

Program agenta realizuje funkcj

ę

agenta na okre

ś

lonej

architekturze agenta.

agent = architektura + program

© F.A. Dul 2007

2.4. Struktury agentów

Funkcja agenta w postaci tablicy działa

ń

function TABLE-DRIVEN_AGENT( percept ) returns an action

static: percepts, a sequence initially empty

static: percepts, a sequence initially empty

table, a table of actions, indexed by percept sequence

append percept to the end of percepts

append percept to the end of percepts

action

←

LOOKUP(percepts, table)

return action

return action

Wady:

• tablice s

ą

zazwyczaj wielkie,

• długi czas budowy tablic,

• długi czas “uczenia” tablicy,

• brak autonomii agenta.

© F.A. Dul 2007

Funkcja agenta w postaci algorytmu

2.4. Struktury agentów

function SIMPLE-REFLEX-AGENT(percept) returns an action

static: rules, a set of condition-action rules

static: rules, a set of condition-action rules
state

←

INTERPRET-INPUT(percept)

rule

←

RULE-MATCH(state, rule)

rule

←

RULE-MATCH(state, rule)

action

←

RULE-ACTION[rule]

return action

Wady:

• algorytm działa tyko w całkowicie obserwowalnym

ś

rodowisku,

• gdy

ś

rodowisko jest obserwowalne cz

ęś

ciowo,

• gdy

ś

rodowisko jest obserwowalne cz

ęś

ciowo,

program mo

ż

e si

ę

„zap

ę

tli

ć

”.

© F.A. Dul 2007

Typy agentów

2.4. Struktury agentów

Ś

ro

d

o

w

is

k

o

Agent

Czujniki

Postrzeganie

Ś

ro

d

o

w

is

k

o

?

ro

d

o

w

is

k

o

Mechanizmy

wykonawcze

Działanie

Istniej

ą

cztery podstawowe typy agentów:

wykonawcze

Element decyzyjny ”?” okre

ś

la typ agenta.

• agent refleksowy (simple reflex agent),
• agent z refleksowy modelem

ś

wiata (model-based reflex

Istniej

ą

cztery podstawowe typy agentów:

• agent z refleksowy modelem

ś

wiata (model-based reflex

agent),

• agent celowy (goal-based agent),
• agent u

ż

yteczny (utility-based agent).

© F.A. Dul 2007

• agent u

ż

yteczny (utility-based agent).

Agent ka

ż

dego typu mo

ż

e si

ę

uczy

ć

.

Agent refleksowy

Agent refleksowy podejmuje działania wył

ą

cznie na

2.4. Struktury agentów

Agent refleksowy podejmuje działania wył

ą

cznie na

podstawie aktualnych obserwacji oraz wbudowanych reguł.

Ś

ro

d

o

w

is

k

o

Agent

Jak wygl

ą

da

ś

wiat

Czujniki

Ś

ro

d

o

w

is

k

o

ś

wiat

Jakie działanie

ro

d

o

w

is

k

o

Mechanizmy

wykonawcze

Jakie działanie

nale

ż

y podj

ąć

Zasady

warunek-działanie

•

Wybór działania tylko na podstawie aktualnych obserwacji.

– Przykład - agent-odkurzacz

wykonawcze

– Przykład - agent-odkurzacz

•

Refleks umo

ż

liwia znaczn

ą

redukcj

ę

liczby mo

ż

liwych sytuacji.

•

Realizacja przy pomocy zasad typu WARUNEK-DZIAŁANIE

© F.A. Dul 2007

•

Realizacja przy pomocy zasad typu WARUNEK-DZIAŁANIE

– je

ż

eli

Ś

MIECI to ODKURZAJ

Agent refleksowy z modelem

ś

wiata

Agent refleksowy z modelem słu

żą

cym do symulacji nie

2.4. Struktury agentów

Agent refleksowy z modelem słu

żą

cym do symulacji nie

w pełni obserwowalnego

ś

rodowiska.

Ś

ro

d

o

w

is

k

o

Agent

Jak wygl

ą

da

ś

wiat

Czujniki

Stan

Jak ewoluuje

ś

wiat

Ś

ro

d

o

w

is

k

o

ś

wiat

Jakie działanie

Jak ewoluuje

ś

wiat

Efekt mojego działania

ro

d

o

w

is

k

o

Mechanizmy

wykonawcze

Jakie działanie

nale

ż

y podj

ąć

Zasady

warunek-działanie

•

Agent dysponuje modelem

ś

wiata pozwalaj

ą

cym wyznaczy

ć

przybli

ż

ony

wykonawcze

stan

ś

rodowiska.

•

Model

ś

wiata umo

ż

liwia uzupełnienie brakuj

ą

cych informacji o

ś

rodowisku.

•

Model pozwala te

ż

przewidzie

ć

zmiany w

ś

rodowisku wywołane

© F.A. Dul 2007

•

Model pozwala te

ż

przewidzie

ć

zmiany w

ś

rodowisku wywołane

działaniem agenta.

Agent celowy

Agent ma wyznaczony cel który okre

ś

la, jakie stany s

ą

2.4. Struktury agentów

Agent ma wyznaczony cel który okre

ś

la, jakie stany s

ą

po

żą

dane.

Ś

ro

d

o

w

is

k

o

Agent

Stan

Jak ewoluuje

ś

wiat

Czujniki

Jak wygl

ą

da

ś

wiat

Ś

ro

d

o

w

is

k

o

Jak ewoluuje

ś

wiat

Efekt mojego działania

Jaki b

ę

dzie po

wykonaniu
działania A

ś

wiat

ro

d

o

w

is

k

o

Mechanizmy

wykonawcze

Jakie działanie

nale

ż

y podj

ąć

Cel-działania

•

Wa

ż

ne ulepszenie - agent bierze pod uwag

ę

przyszło

ść

.

wykonawcze

•

Agent celowy jest bardziej wszechstronny i elastyczny, gdy

ż

posiada

wiedz

ę

której mo

ż

e u

ż

y

ć

do ulepszenia działania.

•

Agent celowy jest najcz

ęś

ciej wykorzystywany w zadaniach poszukiwania

© F.A. Dul 2007

•

Agent celowy jest najcz

ęś

ciej wykorzystywany w zadaniach poszukiwania

i planowania.

Agent u

ż

yteczny

Je

ż

eli cel mo

ż

e by

ć

osi

ą

gni

ę

ty ró

ż

nymi sposobami,

2.4. Struktury agentów

Je

ż

eli cel mo

ż

e by

ć

osi

ą

gni

ę

ty ró

ż

nymi sposobami,

to agent u

ż

yteczny mo

ż

e wybra

ć

najlepszy z nich.

Agent

Stan

Czujniki

Jak wygl

ą

da

ś

wiat

Ś

ro

d

o

w

is

k

o

Jak ewoluuje

ś

wiat

Efekt mojego działania

Jaki b

ę

dzie po

wykonaniu
działania A

ś

wiat

ro

d

o

w

is

k

o

Jak u

ż

yteczny

jest ten stan

U

ż

yteczno

ść

Jakie działanie

Mechanizmy

wykonawcze

Jakie działanie

nale

ż

y podj

ąć

•

Agent u

ż

yteczny mo

ż

e wybiera

ć

pomi

ę

dzy sprzecznymi celami.

•

Funkcja u

ż

yteczno

ś

ci odwzorowuje ci

ą

gi stanów na zbiór liczb

© F.A. Dul 2007

•

Funkcja u

ż

yteczno

ś

ci odwzorowuje ci

ą

gi stanów na zbiór liczb

rzeczywistych.

2.4. Struktury agentów

Ka

ż

dy z przedstawionych agentów:

refleksowy, refleksowy z modelem

refleksowy, refleksowy z modelem

ś

wiata, celowy i u

ż

yteczny ma

ś

wiata, celowy i u

ż

yteczny ma

ustalon

ą

struktur

ę

, która nie zmienia

si

ę

w trakcie prowadzonych działa

ń

.

si

ę

w trakcie prowadzonych działa

ń

.

© F.A. Dul 2007

Agenci ucz

ą

cy si

ę

Agent ucz

ą

cy si

ę

modyfikuje swoj

ą

wiedz

ę

o

ś

rodowisku

2.4. Struktury agentów

Agent ucz

ą

cy si

ę

modyfikuje swoj

ą

wiedz

ę

o

ś

rodowisku

i po

żą

danych sposobach działania.

Czujniki

Krytyka

Standard jako

ś

ci

Ś

ro

d

o

w

is

k

o

Mouł

ucz

ą

cy si

ę

Moduł jako

ś

ci

Sprz

ęż

enie

zwrotne

Zmiany

Wiedza

ro

d

o

w

is

k

o

Generator

problemów

Wiedza

Cel uczenia

Agent

Mechanizmy

wykonawcze

•

Uczenie si

ę

zwi

ę

ksza mo

ż

lwo

ś

ci działania agenta w pocz

ą

tkowo

nieznanym

ś

rodowisku.

•

Uczy

ć

mo

ż

e si

ę

agent ka

ż

dego typu.

© F.A. Dul 2007`

•

Uczy

ć

mo

ż

e si

ę

agent ka

ż

dego typu.

Uczy

ć

mo

ż

e si

ę

agent ka

ż

dego typu.

2.4. Struktury agentów

Uczy

ć

mo

ż

e si

ę

agent ka

ż

dego typu.

Uczenie mo

ż

e zmienia

ć

parametry

Uczenie mo

ż

e zmienia

ć

parametry

modelu agenta lub nawet jego
struktur

ę

.

modelu agenta lub nawet jego
struktur

ę

.

Uczenie jest cz

ę

sto jedyn

ą

drog

ą

Uczenie jest cz

ę

sto jedyn

ą

drog

ą

zapewniaj

ą

c

ą

agentowi racjonalno

ść

działania w nieznanym lub niepewnym

działania w nieznanym lub niepewnym

ś

rodowisku.

ś

rodowisku.

© F.A. Dul 2007

Podsumowanie

• Podstawowym obiektem sztucznej inteligencji w uj

ę

ciu

• Podstawowym obiektem sztucznej inteligencji w uj

ę

ciu

działania racjonalnego jest agent inteligentny (racjonalny).

• Agent inteligentny jest to obiekt który obserwuje

ś

rodowisko

• Agent inteligentny jest to obiekt który obserwuje

ś

rodowisko

i stosownie do posiadanej wiedzy podejmuje działania
okre

ś

lone przez cel.

• Zachowanie agenta okre

ś

la funkcja agenta

f

odwzorowuj

ą

ca

• Zachowanie agenta okre

ś

la funkcja agenta

f

odwzorowuj

ą

ca

histori

ę

obserwacji

P

*

na działanie

A

,

[ f : P

*

→

→

→

→

A ].

• Struktura agenta okre

ś

lona jest przez cztery cechy (PEAS):

• Struktura agenta okre

ś

lona jest przez cztery cechy (PEAS):

miar

ę

jako

ś

ci (P),

ś

rodowisko (E), mechanizmy wykonawcze

(A) i czujniki (S).

•

Ś

rodowisko okre

ś

lone jest przez: obserwowalno

ść

, losowo

ść

,

•

Ś

rodowisko okre

ś

lone jest przez: obserwowalno

ść

, losowo

ść

,

sekwencyjno

ść

, dynamik

ę

, ci

ą

gło

ść

oraz liczb

ę

agentów.

• Wyró

ż

nia si

ę

cztery typy agentów: prosty (z „refleksem”),

• Wyró

ż

nia si

ę

cztery typy agentów: prosty (z „refleksem”),

z modelem, celowy i u

ż

yteczny; ka

ż

dy agent mo

ż

e si

ę

uczy

ć

.

• Uczenie jest niezb

ę

dne, gdy agent ma działa

ć

w nie znanym

mu a priori

ś

rodowisku lub gdy własno

ś

ci

ś

rodowiska istotnie

© F.A. Dul 2007

• Uczenie jest niezb

ę

dne, gdy agent ma działa

ć

w nie znanym

mu a priori

ś

rodowisku lub gdy własno

ś

ci

ś

rodowiska istotnie

zmieniaj

ą

si

ę

w czasie.