人工智能 Artificial Intelligence 第九章

人工智能 Artificial Intelligence 第九章
分布式人工智能与智能体 Distributed AI & Agent 史忠植中国科学院计算技术研究所 2017/3/7 史忠植人工智能：DAI与智能体

内容提要 9.1 概述 9.2 分布式问题求解 9.3 智能体理论 9.4 智能体结构 9.5 智能体通信语言ACL 9.6 协调和协作
9.1 概述 9.2 分布式问题求解 9.3 智能体理论 9.4 智能体结构 9.5 智能体通信语言ACL 9.6 协调和协作 9.7 移动智能体 9.8 多智能体环境MAGE 9.9 小结 2017/3/7 史忠植人工智能：DAI与智能体

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：
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：基于智能体的方法 2017/3/7 史忠植人工智能：DAI与智能体

分布智能系统的特色系统中的数据、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。
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。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。 2017/3/7 史忠植人工智能：DAI与智能体

多智能体系统 20世纪90年代，多智能体系统（multi-agent systems多智能体系统)的研究成为分布式人工智能研究的热点。多智能体系统主要研究自主的智能智能体之间智能行为的协调，为了一个共同的全局目标，协作进行问题求解。基于智能智能体的概念，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智能体”。所以，智能智能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：“智能的计算机智能体既是人工智能最初的目标，也是人工智能最终的目标。” 2017/3/7 史忠植人工智能：DAI与智能体

多智能体系统关于智能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：“基于智能体的计算（Agent-Based Computing，简称ABC）, 将成为软件开发的下一个重要的突破。” 2017/3/7 史忠植人工智能：DAI与智能体

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
2017/3/7 史忠植人工智能：DAI与智能体

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。 2017/3/7 史忠植人工智能：DAI与智能体

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 2017/3/7 史忠植人工智能：DAI与智能体

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 2017/3/7
史忠植人工智能：DAI与智能体

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 2017/3/7

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 2017/3/7 史忠植人工智能：DAI与智能体

分布式问题求解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 2017/3/7 史忠植人工智能：DAI与智能体

智能体多智能体（agent 智能体，主体）系统主要研究在逻辑上或物理上分离的多个智能体协调其智能行为，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。 The agent function maps from percept histories to actions: [f: P*  A] 2017/3/7 史忠植人工智能：DAI与智能体

智能体的定义在计算机和人工智能领域中，智能体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。 An agent is anything that can be viewed as perceiving its environment through sensors and acting upon that environment through actuators 2017/3/7 史忠植人工智能：DAI与智能体

智能体的特性智能体弱概念：自治性交互性协作性可通信性长寿性 2017/3/7 史忠植人工智能：DAI与智能体

智能体的特性智能体强概念：知识、信念、意图、承诺等心智状态其它属性：移动性推理能力规划能力学习和适应能力诚实、善意、理性

智能体理论智能智能体的理论模型研究主要从逻辑、行为、心理、社会等角度出发，对智能智能体的本质进行描述，为智能智能体系统创建奠定基础。

理性智能体（BDI智能体） Belief——信念，智能体对环境的基本看法。 Desire——愿望，智能体想要实现的状态，即目标。
Intention——意图，目标的子集。 2017/3/7 史忠植人工智能：DAI与智能体

BDI智能体模型 BDI智能体模型可以通过下列要素描述：一组关于世界的信念；智能体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，描述智能体当前怎样达到它的目标和改变信念。 2017/3/7 史忠植人工智能：DAI与智能体

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 2017/3/7 史忠植人工智能：DAI与智能体

智能体结构智能体结构需要解决的问题包括：智能体由那些模块组成，模块之间如何交互信息，智能体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。 2017/3/7 史忠植人工智能：DAI与智能体

智能体基本结构环境智能体感知作用黑箱软件智能体 2017/3/7 史忠植人工智能：DAI与智能体

智能智能体的工作过程交互感知环境信息融合信息处理作用作用交互 2017/3/7 史忠植人工智能：DAI与智能体

智能体骨架程序 function Skeleton-Agent(percept) return action
　static: memory /* 智能体的世界记忆 */ 　memory ← Update-Memory(memory,percept) 　action ← Choose-Best-Action(memory) 　memory ← Update-Memory(memory,action) 　return action 2017/3/7 史忠植人工智能：DAI与智能体

智能体的分类根据人类思维的层次模型，可以将智能体分成四类：反应智能体形象思维智能体抽象思维智能体复合式智能体
形象思维智能体和抽象思维智能体也可以合称为认知智能体 2017/3/7 史忠植人工智能：DAI与智能体

反应智能体环境智能体传感器当前世界条件-动作规则动作效应器 2017/3/7 史忠植人工智能：DAI与智能体

反应智能体程序 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 2017/3/7 史忠植人工智能：DAI与智能体

认知智能体环境智能体传感器内部状态信息融合知识库规划目标动作效应器 2017/3/7
规划目标动作效应器 2017/3/7 史忠植人工智能：DAI与智能体

认知智能体程序 function Cognitive-Agent(percept) returns action
static: environment, /* 描述当前世界环境 */ kb, /* 知识库 */ environment ← Update-World-Model(environment,percept) state ← Update-Mental-State(environment,state) action ← Decision-Making(state,kb) environment ← Update-World-Model(environment,action) return action 2017/3/7 史忠植人工智能：DAI与智能体

BDI结构愿望知识信念规划目标意图 2017/3/7 史忠植人工智能：DAI与智能体

复合式智能体规划协作与协商其他预测智能智能体建模通信决策生成一请求或应答信息紧急情般况和简情单情况况
规划反射建模通信感知行动其他智能智能体外部世界预测协作与协商动作请求或应答信息一般情况紧急情况和简单情况 2017/3/7 史忠植人工智能：DAI与智能体

规划模块经验库目标集合世界的模型（包括其他智能体的模型）规划局部规划器规划重新规划目标决策生成
经验库目标集合世界的模型（包括其他智能体的模型）规划局部规划器规划重新规划目标决策生成 2017/3/7 史忠植人工智能：DAI与智能体

建模模块建模世界的模型（包括其他智能体的模型）规划模型库决策生成模型生成和维护预测感知通信
模型库决策生成模型生成和维护预测感知通信 2017/3/7 史忠植人工智能：DAI与智能体

通信模块语言生成词法库语法库词义库物理通信通信语言理解 2017/3/7 史忠植人工智能：DAI与智能体

智能体通信协作策略协议通信黑板对话消息协议 2017/3/7 史忠植人工智能：DAI与智能体

智能体通信中的主要问题语义：全部有关的智能体必须知道通信语言的语义，消息的语义内容知识是分布式问题求解的核心部分。
言语行为：通信语言也是一种动作，说话是为了使世界的状态发生改变。交互协议：智能体之间消息交换的典型模式通信语言：传递消息的标准语法。 Foundation for Intelligent Physical Agents 2017/3/7 史忠植人工智能：DAI与智能体

智能体间的消息传递 Agent i Agent i 目标G 意图I 言语行为消息M 消息M 从传输格式转换转换到传输格式
消息发送/传输服务器 2017/3/7 史忠植人工智能：DAI与智能体

言语行为有关言语行为理论的研究主要集中在如何划分不同类型的言语行为。
在智能体通信语言的研究中，言语行为理论主要用来考虑智能体之间可以交互的信息类型。 2017/3/7 史忠植人工智能：DAI与智能体

通信语言 KQML：由美国ARPA的知识共享计划中提出，规定了消息格式和消息传送系统，为多智能体系统通信和协商提供了一种通用框架。
ACL：由FIPA制定的一种规范。与KQML非常相似 2017/3/7 史忠植人工智能：DAI与智能体

KQML 一个例子： (ask-all : sender A : receiver B : in-reply-to ido
: reply-with idl : language Prolog : ontology foo : content “bar (X, Y)”) 2017/3/7 史忠植人工智能：DAI与智能体

FIPA ACL (inform : sender agent1 : receiver hpl-auction-server
: content (price (bid good02) 150) : in-reply-to round-4 : reply-with bid04 : language s1 : ontology hpl-auction ) 消息内容表达式消息结构开始通信动作类型参数表达式消息参数 2017/3/7 史忠植人工智能：DAI与智能体

FIPA通信动作库 Accept Proposal 接受提议 Agree 同意 Cancel 取消
Call for Proposal 要求提议 Confirm 确认 Disconfirm 确认为否定 Failure 失败 Inform 通知 Inform If 通知是否 Inform Ref 通知有关对象 Not Understood 不理解 2017/3/7 史忠植人工智能：DAI与智能体

FIPA通信动作库 Propagate 传播 Propose 提议 Proxy 代理 Query If 询问是否
Query Ref 询问有关对象 Refuse 拒绝（请求） Reject Proposal 拒绝提议 Request 请求 Request When 请求某个条件下执行 Request Whenever 请求一旦某个条件成立就执行 Subscribe 预定详细说明： 2017/3/7 史忠植人工智能：DAI与智能体

XML可扩展标记语言 XML是用于标记电子文件使其具有结构性的标记语言。XML文件本身只是将文件资料结构化。 (inform
例如：下面的ACL消息 (inform :sender jklabrou :receiver grosof :content (CPU libretto50 pentium) :ontology laptop :language kif) 2017/3/7 史忠植人工智能：DAI与智能体

转换为XML格式 <?xml version="pre-1.0"?>
<!DOCTYPE fipa_acl SYSTEM "fipa_acl.dtd"> <message> <messagetype> inform </messagetype> <messageparameter> <sender link=" jklabrou </sender> </messageparameter> <receiver link=" grosof </receiver> 2017/3/7 史忠植人工智能：DAI与智能体

转换为XML格式 <messageparameter>
<ontology link=" laptop </ontology> </messageparameter> <content> (CPU libretto50 pentium) </content> <language link=" kif </language> </message> 2017/3/7 史忠植人工智能：DAI与智能体

智能体的协调与协作协调(coordination)与协作(cooperation)是多智能体研究的核心问题之一。
协调是指一组智能智能体完成一些集体活动时相互作用的性质。协作是非对抗的智能体之间保持行为协调的一个特例。 2017/3/7 史忠植人工智能：DAI与智能体

协调多智能体系统中的协调是指多个智能体为了以一致、和谐的方式工作而进行交互的过程。进行协调是希望避免智能体之间的死锁或活锁。
协调　多智能体系统中的协调是指多个智能体为了以一致、和谐的方式工作而进行交互的过程。进行协调是希望避免智能体之间的死锁或活锁。死锁指多个智能体无法进行各自的下一步动作；活锁指多个智能体不断工作却无任何进展。 2017/3/7 史忠植人工智能：DAI与智能体

协作目前针对智能体协作的研究大体上可分为两类：将其它领域研究多实体行为的方法和技术用于智能体协作的研究。如对策论和力学研究。
　目前针对智能体协作的研究大体上可分为两类：将其它领域研究多实体行为的方法和技术用于智能体协作的研究。如对策论和力学研究。从智能体的目标、意图、规划等心智态度出发来研究多智能体间的协作。 2017/3/7 史忠植人工智能：DAI与智能体

协作协作的动机：某个智能体相信通过协作能带来好处（如提高效率，完成以往单独无法完成的任务）
多个智能体在交流的过程中，发现它们能够通过协作来实现更大的目标。 2017/3/7 史忠植人工智能：DAI与智能体

协作过程产生需求、确定目标协作规划、求解协作结构寻求协作伙伴选择协作方案实现目标评估结果 2017/3/7

协作模式从社会心理学的角度看，多智能体之间的协作情形大致可分为： ·协作型：同时将自己的利益放在第二位。 ·自私型：同时将协作放在第二位。
·完全自私型：不考虑任何协作。 ·完全协作型：不考虑自身利益。 ·协作与自私相混合型。 2017/3/7 史忠植人工智能：DAI与智能体

协作策略 ·计算生态学 ·对策论 ·规划 2017/3/7 史忠植人工智能：DAI与智能体

计算生态学 80年代末，在计算机中出现了一个崭新的学科---计算生态学(the ecolog of computation)。计算生态学是研究关于开放系统中诀定计算结点的行为与资源使用的交互过程的学科。它摒弃了封闭、静止地处理问题的传统算法，将世界看作是开放的、进化的、并发的, 通过多种协作处理问题的＂生态系统＂(ecosystem)加以研究。它的进展与开放信息系统的研究息息相关。 2017/3/7 史忠植人工智能：DAI与智能体

计算生态学计算生态学将计算系统看作是一个生态系统，它引进了许多生物的机制，如变异(mutation)即物种的变化。这些变化导致生命基因的改变，从而形成物种的多样性，增强了适应环境的能力。这类变异策略成为人工智能系统提高其自身能力的一种方法。Lenat与Brown成功地将变异机制引入他们的AM与Eurisko系统中, 通过小型Lisp程序的语法变异发现数学概念。他们认为未来成功的系统应该是一系列进化的、自组织的符号知识结构的``社会"系统。 2017/3/7 史忠植人工智能：DAI与智能体

生物生态模型这是最著名的生态系统，具有典型的进化特征和层次性。这种特性反映在“食物链”中。对于复杂的生物生态系统而言，各物种组成了紧密相连的网络－食物网。这个系统的主要角色是捕食者与被食者。生命依赖于生命，共同进化，由小的生态环境组成大的生态系统。 2017/3/7 史忠植人工智能：DAI与智能体

物种进化模型物种进化的“复制者”是基因。从门德尔的植物遗传研究到现代遗传学的成果，都说明了在物种进化过程中，基因的组合与变异起着关键作用。在一个物种的某一群体中基因的集合称为基因池。生物组织是基因的载体。如果环境变化，选择的机制就会改变。这种变化必然引起基因池的变化。特定种群的基因变化称为基因流。一个物种总是不断地经历隔绝、基因流动、变化的循环。开始时，一组地理上隔绝的群体自己孤立地发展，基因在内部快速地流动。随着开放，通过交流和竞争，优胜劣汰。 2017/3/7 史忠植人工智能：DAI与智能体

经济模型经济系统在某种意义上类似于生物生态系统。在商品市场和理想市场中，进化决定于经济实体的决策。选择机制是市场奖励机制。进化是快速的，企业与消费者之间、企业之间主要是一种互相依赖的合作关系。决策者为了追求长远利益，可以采取各种有效的方法，甚至可以暂时做赔本买卖。 2017/3/7 史忠植人工智能：DAI与智能体

协商模型 Zlotkin的面向领域的协商理论 Zlotkin的协商理论假设：  各智能体追求本身效用最大。  知识完备。
 各智能体追求本身效用最大。  知识完备。  无历史信息。  目标集固定。  协商在两智能体之间同时进行。  智能体操作集相同。  世界仅当智能体操作之后发生变化。 2017/3/7 史忠植人工智能：DAI与智能体

面向领域的协商理论在协商过程中，若存在一个双方满意的分配，可以得到一个联合规划, 使协商终止的条件是：
(1) 达成协议：如果 Utility(P(i,t))  Utility(P(i,t-1)), 这一协商过程将在有限步内结束。 (2) 冲突：如果 Utility(P(i,t)) = Utility(P(i,t-1)), 则无法达成协议。 2017/3/7 史忠植人工智能：DAI与智能体

最佳平衡传统的协商是基于Nash平衡的,它的缺点是Nash 平衡产生多个平衡点, 对结果约束较少。Kraus使用Rubinstein的“最佳”平衡(Perfect Equilibrium, 简称P.E.)理论, 建立了一种基于P.E.的协商方法, 需要在协商的任一阶段都产生平衡, 即在协商的任一阶段, 假设智能体 A 使用P.E. 策略, 则智能体 B 除了自己的 P.E., 策略外没有更好的策略可遵循。故若有唯一的 P.E., 并假定智能体要使用该策略, 则它在协商的每一阶段都只用这一策略。可证明, 存在唯一的 P.E.,在第一阶段后就可以终止协商。Kraus 还将对时间的偏好引入这一理论中。结果表明, 时间偏好可以提高协商效率, 并仅对某一智能体有利。这一理论对于智能体的构造和智能体之间的协作很有用处, 如果为智能体提供唯一的P.E.策略, 并通知其他智能体, 则其他智能体的最佳选择也是 P.E. 策略。该理论的缺陷是:缺乏动态性特色,应用面窄,因为尽管存在唯一的P.E, 但如何求出仍未得到解决。 2017/3/7 史忠植人工智能：DAI与智能体

集中式协商方法 Ephrati使用了一种集中式的协商方法, 用一个“ master agent ”或组投票机制以达成协议。在这种方法中, 一组智能体的协作与组规划进程相关。 Ephrati使用一种动态的、迭代的搜索过程, 通过一组约束,使智能体递增式地构成一个最大“社会效用”规划。在每一步, 各智能体对于组规划的下一个联合行动投票。使用这一技术,智能体无需完整地展示其偏好, 可选状态集在投票之前产生。 2017/3/7 史忠植人工智能：DAI与智能体

开放环境多智能体协作方法 (2) 空闲智能体向公告板智能体申请一个RFP (3) 公告板将RFP发到提出申请的空闲智能体
Osawa (1) 需求者(requestor)向公告板智能体发送需求建议RFP (2) 空闲智能体向公告板智能体申请一个RFP (3) 公告板将RFP发到提出申请的空闲智能体 (4) 空闲智能体产生个体规划 (5) 空闲智能体将其规划发给需求者 (6) 需求者调查协作的可能 (7) 需求者发送协作奖励 (8) 申请者组成协作规划 2017/3/7 史忠植人工智能：DAI与智能体

开放环境多智能体协作方法其效用值可用下式计算： utility(a,g)=worth(a,g)-cost(plan(a,g))
效用的平均是协作的原则。尽管Osawa在一定程度上解决了开放环境中智能体协作的问题, 但将各智能体效用简单相加再平均的方法仍然太弱, 因为智能体效用仅是智能体本身对目标偏好的一种排序关系, 不同智能体效用一般不能用数值比较。 2017/3/7 史忠植人工智能：DAI与智能体

交互协议智能体之间的会话常常形成典型模式，这种情况下某些消息序列是可知的，这些消息交换的典型模式称为协议。
智能体间交互的理想情况：智能体充分地理解消息的含意和意图，然后根据自身的信念、目标等心智状态，做出相应的回答比较实际的实现：预先规范这些协议，规定好消息的顺序。 2017/3/7 史忠植人工智能：DAI与智能体

交互协议 FIPA 英国拍卖协议 2017/3/7 史忠植人工智能：DAI与智能体

规划规划是智能体对动作进行推理的一种主要形式，它很大程度上体现了智能体的智能性。同时，规划也是描述智能体行为的主要方式。
规划是为了建立一个控制算法，使智能智能体能够为实现目标，对动作过程进行综合。 2017/3/7 史忠植人工智能：DAI与智能体

经典规划问题经典的规划理论认为规划要解决的问题（即规划的输入）是：用某种形式语言描述的初始世界状态用某种形式语言描述的智能体目标
用某种形式语言描述的智能体可能采用的动作，通常也叫做领域知识输出是：可以在某个满足初始状态描述的世界中执行并达到智能体目标的一个动作序列 2017/3/7 史忠植人工智能：DAI与智能体

移动智能体随着Internet应用的逐步深入，特别是信息搜索、分布式计算以及电子商务的蓬勃发展，人们越来越希望在整个Internet范围内获得最佳的服务，渴望将整个网络虚拟成为一个整体，使软件智能体能够在整个网络中自由移动，移动智能体的概念随即孕育而生。移动智能体可以看成是软件智能体技术与分布式计算技术相结合的产物，它与传统网络计算模式有着本质上的区别。 2017/3/7 史忠植人工智能：DAI与智能体

移动智能体系统虽然目前不同移动智能体系统的体系结构各不相同，但几乎所有的移动智能体系统都包含移动智能体（简称MA）和移动智能体服务设施（简称MAE）两个部分。MAE负责为MA建立安全、正确的运行环境，为MA提供最基本的服务（包括创建、传输、执行），实施针对具体MA的约束机制、容错策略、安全控制和通信机制等。MA的移动性和问题求解能力很大程度上取取于MAE所提供的服务 2017/3/7 史忠植人工智能：DAI与智能体

移动智能体系统移动智能体服务设施MAE至少应包括以下基本服务：（1）事务服务：实现移动智能体的创建、移动、持久化和执行环境分配；
（2）事件服务：包含智能体传输协议和智能体通信协议，实现移动智能体间的事件传递；（3）目录服务：提供移动智能体的定位信息，形成路由选择；（4）安全服务：提供安全的执行环境；（5）应用服务：提供面向特定任务的服务接口。 2017/3/7 史忠植人工智能：DAI与智能体

移动智能体系统 Java-based: Others: Odyssey. General Magic Inc.
Concordia. Mitsubishi’s Aglets. IBM Voyager. ObjectSpace Others: Tacoma: Univ.of Tromso and Cornell Univ. Agent TCL: Dartmouth College 2017/3/7 史忠植人工智能：DAI与智能体

移动智能体系统—Voyager Voyager 的最大特点是以Voyager ORB作为核心，将Agent和分布式计算紧密结合在一起的。但Voyager 只支持纯Java的对象的通信，与CORBA和MASIF不兼容，它还支持异步或同步的通信，动态消息机制和单向多点发送。在容错服务方面，Voyager支持任意时间的显式地存储，其安全机制主要是通过Voyager Security类进行编程设置。 2017/3/7 史忠植人工智能：DAI与智能体

移动智能体系统— Aglet Aglet是由IBM公司用纯Java开发的移动Agent技术，并提供着实用的平台—Aglet Workbench,让人们开发或执行移动Agent系统。Aglet是一个较为成功和全面的系统，主要表现在：它提供了一个简单而全面的移动Agent编程模型；它为Agent间提供了动态和有效的通信机制；它还提供了一套详细且易用的安全机制。 2017/3/7 史忠植人工智能：DAI与智能体

Aglet的系统框架 2017/3/7 史忠植人工智能：DAI与智能体

ATP的示意图 2017/3/7 史忠植人工智能：DAI与智能体

Aglet对象模型 Aglet系统首先提供一个上下文环境（context）来管理Aglet的基本行为：如创建（create）Aglet,复制（clone）Aglet,或分派（dispatch）Aglet到远程机器，召回（retract）远端的Aglet,或暂停（deactive）,唤醒（active）Aglet,以及清除（dispose）Aglet等。 2017/3/7 史忠植人工智能：DAI与智能体

Aglet 生命周期模型基本操作: Creation Cloning Dispatching Retraction
Activation and deactivation Disposal Dispose Context A Context B Clone Dispatch Aglet Aglet Retract Create Deactivate Activate Disk storage Class File 2017/3/7 史忠植人工智能：DAI与智能体

Aglet的对象模型 2017/3/7 史忠植人工智能：DAI与智能体

Aglet之间的通信 Aglet与Aglet之间的通信，则可用消息传递的方法来传递消息对象。此外，基于安全上的考虑，Aglet并非让外界直接存取其信息，而是透过一个代理（proxy）提供相应的接口与外界沟通。这样做的好处，Aglet的所在位置会透明化，也就是Aglet想要与远端的Aglet沟通时，只在本地主机上的上下文环境中产生对应远端Aglet的代理，并与此代理沟通即可，不必直接处理网络连接与通讯的问题。 2017/3/7 史忠植人工智能：DAI与智能体

Aglet安全性 Aglet系统中的安全主要涉及主机对Aglet的攻击，Aglet之间的攻击，Aglet对主机的攻击，以及来自底层网络的攻击。Aglet Workbench目前主要支持前面两种攻击的预防。以下简要分析Aglet系统的安全对策。 2017/3/7 史忠植人工智能：DAI与智能体

Aglet安全性对用户和域的认证：数据完整性检查：另外还有类似jdk安全模型的授权。 2017/3/7

多智能体环境MAGE 多智能体环境MAGE Multi-AGent Environment 目标面向智能体的软件开发、集成和运行环境功能
实现基于智能体的应用集成（软件重用的最佳解决方案）主要特点分布式计算平台多种软件重用方案多种智能体生成方式图形用户界面、强大的管理功能丰富的行为模板、智能体行为调度模型 2017/3/7 史忠植人工智能：DAI与智能体

MAGE的总体结构智能体统一建模平台AUMP 可视化智能体开发环境VAStudio MAGE 运行环境系统部署、运行需求分析系统设计
系统开发 / 智能体生成行为层智能体层智能体社会系统部署、运行 2017/3/7 史忠植人工智能：DAI与智能体

可视化开发环境VAStudio 2017/3/7 史忠植人工智能：DAI与智能体

MAGE智能体系统结构 Agent kernel Sensor Function Module Interface
Resource Database Engine Communicator Scheduling Function Component Plug-INs Reasoning Negotiation Co-Operation others Plug-in Manager Task Database 2017/3/7 史忠植人工智能：DAI与智能体

小结分布式人工智能的研究目标在于构造描述自然系统、社会系统以及人机物三元世界的概念模型，研究由多个实体组成的系统中，各实体间如何交互作用、知识和动作如何分布与协作，以提高系统的整体性能，推动以新制造技术、新能源和智能城市为代表的“第三次工业革命”的发展。智能体是人工智能的实用化和分布式计算环境下智能软件的重要技术，它们具有社会知识和领域知识，能依据心智状态自治工作，并具有领域互操作和协作能力。本章首先介绍智能体的基本概念，然后介绍智能体的体系结构、通信语言、协调和协作、移动智能体。最后介绍多智能体环境MAGE。 2017/3/7 史忠植人工智能：DAI与智能体

Thank You 人工智能 http://www.intsci.ac.cn/ 2017/3/7 史忠植人工智能：DAI与智能体 NN 1
10-00 Thank You 人工智能 2017/3/7 史忠植人工智能：DAI与智能体 Elene Marchiori

人工智能 Artificial Intelligence 第九章

Similar presentations

Presentation on theme: "人工智能 Artificial Intelligence 第九章"— Presentation transcript:

Similar presentations

About project

反馈

请登录

Auth with social network:

人工智能 Artificial Intelligence 第九章

Similar presentations

Presentation on theme: "人工智能 Artificial Intelligence 第九章"— Presentation transcript:

Similar presentations

About project

反馈