AIA7分布式人工智能概要.docx
- 文档编号:6015851
- 上传时间:2023-01-03
- 格式:DOCX
- 页数:9
- 大小:57.55KB
AIA7分布式人工智能概要.docx
《AIA7分布式人工智能概要.docx》由会员分享,可在线阅读,更多相关《AIA7分布式人工智能概要.docx(9页珍藏版)》请在冰豆网上搜索。
AIA7分布式人工智能概要
《人工智能及其应用》
教学讲义
第七章分布式人工智能
《人工智能及其应用》教学讲义
§7.1分布式人工智能系统
一、什么是分布式人工智能·7-1·
分布式人工智能(DistributedArtificialIntelligence),简称DAI,它是人工智能和分布式计算相结合的产物。
DAI的提出,适应了设计并建立大型复杂智能系统以及计算机支持协同工作(CSCW)的需要。
其目的主要研究在逻辑或物理上实现分散的智能群体Agent的行为与方法,研究协调、操作它们的知识、技能和规划,用以完成多任务系统和求解各种具有明确目标的问题。
目前,DAI的研究大约可划分为两个基本范畴:
一是分布式问题求解(DistributedProblemSolving,DPS);另一个是关于多智能体系统(MultiAgentSystem,MAS)实现技术的研究。
所谓分布式问题求解,往往针对待解决的总问题,将其分解为若干子任务,并为每个子任务设计一个问题求解的子系统。
这里,首先需要智能地确定一个分配的策略:
如何把总工作任务在一群模块(Module)或者节点(Node)之间进行子任务分配;其次需要智能地确定一个工作任务协同的策略:
要在基于分散、松耦合知识源的基础上,实现对问题的合作求解。
这里所谓“分散”的概念是指任务的控制操作和可利用的信息都是分布的,没有全局控制和全局数据;知识源分布在不同的处理节点上,数据、信息、知识和问题的答案可以按照某种规则予以共享。
多智能体系统又常称为多Agent系统或简称为MAS,主要研究不同的智能体之间的行为协调和进行工作任务协同。
即在一群自治的Agent之间,通过协调它们的知识、目标、技能和系统规划,以确定采取必要的策略与操作,达到求解多任务系统及解决各种复杂问题的目标。
MAS是单个的Agent技术和分布式系统相结合的发展产物,也是分布式人工智能研究的一个前沿领域。
目前,MAS的研究重点是:
如何协调多个Agent的行为,从而协同地完成大型复杂的工作任务。
二、分布式人工智能系统的特点
分析分布式人工智能系统,主要具有如下特性:
其一,具有分布的特性。
无论从逻辑上还是在物理上,系统中的数据和知识的布局都以分布式表示为主,既没有全局控制,也没有全局的数据存储;系统中各路径和节点既能并发地完成信息处理,又能并行地求解问题,从而提高了全系统的求解效率。
其二,具有独立、连接、开放的特性。
在系统中,既可把要求解的总任务划分为几个相对独立的子任务,降低各独立节点及子系统的复杂度,降低开发与处理的复杂性;同时又通过节点及子系统的连接和网络的分布式互连,方便于系统规模的扩充,使系统具有了比单个系统更大的开放性和灵活性。
其三,具有高效、容错、协同的特性。
分布式求解机构由计算机网络互连,使系统通信的代价小于求解问题的代价,并因此降低了问题求解总代价;分布式系统具有较多的冗余度和调度处理的知识,能够使系统在出现故障时,仅仅通过调度冗余路径或降低响应速度的代价,就可以保障系统正常工作,提高系统可靠性。
尤其可依靠系统中诸机构的相互协同支持,以便解决单个机构难以或无法解决的困难问题。
比起传统的集中式结构来,DAI强调的是分布式智能处理,克服了集中式系统中心部件负荷太重,
《人工智能及其应用》教学讲义·7-2·
知识调度困难等弱点,因而极大地提高了系统知识的利用程度,提高了问题的求解能力和效率。
同时,分布式人工智能系统具有并行处理或者协同求解能力,可以把复杂的问题分解成多个较简单的子问题,从而各自分别“分布式”求解,降低了问题的复杂度,改善了系统的性能。
当然,也应该看到,分布式人工智能在某种程度上带来了技术的复杂性和系统实现的难度。
总之,分布式人工智能在于它能以时空协同系统的利用,克服单个智能机器资源贫乏和功能单一的局限性,具备并行、分布、开放和容错等优势,因而获得快速发展和越来越广泛的应用。
§7.2分布式问题求解(DPS)
在分布式问题求解系统中,由于系统中没有一个节点拥有足够的数据和知识来求解整个问题,因此,要求各个节点能够共享问题的知识源及其答案,必要时节点间需要交换与问题有关的求解状态信息,以便协同工作。
一、DPS系统的协同方式
分布式问题求解系统有两种协同工作方式,其一是任务分担,其二是结果共享。
在任务分担系统中,节点之间通过分担执行总任务的子任务而相互协作,系统中的控制以目标为指导,各节点的处理目标是求解整个问题的一部分。
在结果共享系统中,各节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,各节点在任何时刻进行的求解取决于当时它所拥有的或从其他节点得到的数据和知识。
任务分担方式适合于求解具有层次结构的任务,如数字逻辑电路设计、医疗诊断等。
结果共享方式适合于求解与总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最终解的问题,如分布式运输调度系统、分布式车辆监控实验系统等。
总之,在分布式问题求解系统中,一方面要求从系统整体目标出发,采用自顶向下的规划方法,分解为各个子任务;另一方面要求通过交互作用策略,集成各个子任务的子目标,以保证子任务处理系统能够协同满足顶部给定的总体要求。
二、DPS系统的分类与组织
分布式问题求解系统的组织结构,是指节点之间信息与控制关系以及问题求解能力在节点中的分布模式。
组织结构可分为层次、平行、混合三大类型。
(1)层次类型层次类型的系统中,任务是分层的,即每个任务由若干下层子任务组成。
但同层子任务之间在逻辑上或物理上是分布的。
(2)平行类型平行类型的系统中,任务是平行的,即每个任务由性质类似、具有平行关系的若干子任务组成。
但各个子任务在时间或空间上往往是分布的。
(3)混合类型混合类型的系统中,任务是分层次的,而每层中的任务是并行的。
同时,各个子任务是分布的。
针对分布式问题的求解,依据现代分布式智能系统协同地求解问题的方法,可按照分布式问题子系统来进行组织协作求解。
根据子系统间协作量的多少,可分为全协作系统、无协作系统、半协作系统三种类型;相应常用的通信方式有共享全局存储器方式、信息传递方式、黑板模型方式等。
一般来说,分布式问题求解过程大致可分为任务分解、任务分配、子任务求解、结果综合共4步,
《人工智能及其应用》教学讲义
分别由任务分解器、任务分配器、求解器和协作求解系统来完成。
·7-3·
任务分解器按一定的算法将接受的任务分解为若干相对独立、又相互联系的子任务;任务分配器按一定的分配算法将各个子任务分配到合适的节点;各求解器接到子任务后,借助通信系统进行协作求解;然后,各子任务求解器将各自完成的局部解提交给协作求解系统,由协作求解系统将局部解综合,得到完成总任务的最终解。
§7.3Agent技术概述
早些年的人工智能学者曾把“Agent”技术称之为软件Agent,简称SA。
认为它是人工智能、计算机软件和计算机网络相结合而发展的技术。
随着网络技术的发展,多个应用程序间相互作用的模式正从单一的集中式系统向分布式系统演化。
一个在物理上和地理上分布的应用程序之间通信与合作的网络底层基础结构正逐渐建立起来。
分布式对象技术(如CORBA或DCOM技术)则进一步使分布式且异构的应用程序之间能以一种共同的方式提供和获得服务,实现了在分布状态下的“软集成”。
智能化和网络化的发展促成了Agent技术的发展,Agent技术正是为解决复杂、动态分布式智能应用而提供的一种新的计算手段。
甚至一些软件学者曾信心十足地宣称:
“Agent技术将成为21世纪软件技术发展的又一次革命!
”。
一、Agent概念、BDI模型与特性
1.Agent在人工智能中的定义
Agent一词直译为“代理”,或翻译为“智能代理”、“智能主体”等。
国内许多学者有把Agent译为代理、媒体、主体或智能代理、智能主体,或沿用英文原文“Agent”的名称,或按照读音、含义相兼顾译为“艾真体”等。
广义上,Agent是指具有智能的任何实体,包括人类、智能硬件(如Robot)和智能软件。
在信息技术中,人们可把Agent看作为能通过传感器感知环境信息,能自主进行信息处理,作出行动决策,再借助执行器作用于环境的一种智能事物。
例如,对于人类Agent,其传感器可为眼睛、耳朵或其他器官,其执行器可为手、腿、嘴或其他执行部件;对于机器人Agent,其传感器为摄像机、语音感受器、红外检测器等,而各种电动机则为其执行器;对于软件Agent,则通过编码位的字符串完成感知和作用。
图7-1表示了Agent通过传感器和执行器与环境的交互作用。
图7-1Agent与环境的交互作用
《人工智能及其应用》教学讲义·7-4·
事实上,Agent思想的诞生可归功于JohnMcCarthy。
早在20世纪50年代末,McCarthy提出了“TheAdviceTake”系统,该系统被设想为具有目标性。
系统内实体间用人类的术语进行交流,它们从用户利益来考虑从事各种人物。
到目前为止,许多研究者分别提出了各自对Agents的理解和定义,以至迄今没有一个大多数人认可的统一的Agents定义。
针对不同的研究领域,考虑各自领域的学术特点,学者们对Agent大致给出了两种典型的定义:
定义一:
Agent是驻留于环境中的实体,它可以解释为在环境中所发生的作用过程,并能反映环境中所发生的事件及所获得的数据,进而执行对环境产生影响的行动。
这一定义出自(FoundationForIntelligentPhysicalAgents),它是一个致力于Agent技术标准化的组织。
在这个定义中,Agent被看作是一种在环境中“生存”的实体,它既可以是硬件(如机器人),也可以是软件。
定义二:
结合应用领域,凡具有自主性智能行为,并能与外部环境进行交互特征的分布式实体称之为Agent。
在定义二的假设下,人类、机器人、智能嵌入式设备、计算机智能软件程序都是Agent。
这样,Agent仅代表了具有自主性的分布式智能软件实体。
正如许多Agent研究者所认为的那样:
智能Agent能为用户执行特定的任务,具有一定程度的智能,允许自主执行部分任务,并以一种合适的方式作用于环境的软件程序。
2.Agent的要素
1987年,布拉特曼(Bratman)从哲学的角度对比人类的心理状态,研究了Agent的行为意图,认为只有保持信念、愿望和意图的理性平衡,才能有效地实现问题求解。
因此,他认为,Agent必须利用知识修改其内部状态,如同知识能改变人类的心理状态一样,Agent行为必须以适应环境变化作为驱动力,实现其状态变迁,从而达到问题协作求解的目标。
研究人类的心理状态,其主要包括认识、情感和意图三要素。
所谓认识,即通过学习知识的过程而建立起来的信念(Belief);情感则可表述为对某些事物的特有兴趣、爱好的愿望(Desire);意图(Intention)就是依据规则或按照承诺,要求实现某个目标的愿望。
若把Agent行为虚拟为人类的行为受其心理状态驱动原理那样,人们就要重点着眼于研究信念、愿望和意图的关系及其形式化描述,逐步建立起关于Agent行为的信念、愿望和意图的BDI原始模型。
这就使得BDI的研究,已演变为当前Agent理论模型研究的主要方向。
综上所述,信念、愿望、意图与Agent行为构成了一种因果关系,如图7-2所示。
图7-2BDI因果关联模型关系图
其中,信念描述Agent对环境的认识,表示发生的初始状态;愿望则直接从信念推理得出,描述Agent对发生状态情景的判断;而意图来自愿望。
BDI的共同作用指向行为目标,形成Agent因果关联
《人工智能及其应用》教学讲义
制约关系。
3.Agent的特性·7-5·
从Agent的定义可以知道:
首先,Agent具有智能性。
此外,它应具有对环境的自主性、响应性、结构分布性、社会性及其合作协调性等。
下面针对这些属性进行解释。
(1)自主性(Autonomy)一个Agent能够控制它的自身行为,其行为是自主的、主动的、自发的、有目标和意图的。
它能根据目标和环境要求对短期行为作出规划;能在没有与环境的相互作用或来自环境的命令的情况下自主执行命令。
这是Agent区别于普通软件程序的基本属性。
(2)响应性(Reactivity)Agent能够感知它所处的环境,对来自环境的影响和信息做出适当的响应。
并且能够把新建立的Agent集成到系统中而无须对原有的Agent群体系统进行重新设计,因而具有很强的适应性和可扩展性。
也可把这一特点称为开放性。
(3)结构分布性(ConfigurationDistributing)Agent群体系统(常称之为Agent系统)具有分布式结构。
诸如数据库、知识库、感知器和执行器等系统中的实体,在物理及逻辑上表现出具有分布和异构的特点。
因此,多Agent系统又有便于资源共享、性能优化、技术集成和系统整合的优势。
(4)社会性(Sociality)单个Agent以社会角色(Character)存在于由多个Agent组成的社会大家庭中,它们相互通信交换信息、交互作用。
各Agent在社会活动中出于对安全性、风险、信任、诚信等因素的考虑,由社会职责承诺与推理,实现社会分工、意向和目标。
(5)通信/合作/协调性(Communication/Cooperation/Coordination)这些特性充分体现了Agent群体具有的社会属性。
各Agent在交互通信中,在工作中进行合作与协调。
各Agent依据要求,各自引入不同机制和各种新的算法进行协同,从而能够求解单个Agent原本无法处理的问题,极大地加强了系统处理问题的能力。
(6)主动性/面向目标(Activity/Goaloriented)Agent不仅对环境变化做出反应,而且能够表现出某种目标指导下的行为,为实现其内在的目标而采取主动行为。
在特定情况下采取主动行为,这种自身采取主动的能力特性,一方面要求对Agent完成目标进行严格定义,另一方面为面向Agent的软件设计提供了重要基础。
(7)推理/学习/自适应能力(Reasoning/Learning/Adaptation)Agent的智能主要由3个重要部件协作完成,即内部知识库、学习与自适应能力以及基于知识库内容的推理能力。
(8)可移动性(Mobility)一个Agent在计算机网络中具有漫游的能力。
总之,可把Agent作为描述机器智能、动物智能和人类智能的统一模型,它强调理性作用,具有较高智能,每个Agent还可看作是构成社会智能的一部分。
二、Agent的结构及分类
1.Agent的系统结构及其技术标准化
Agent系统是一个对环境具有自主、开放的智能系统,其结构直接影响到该系统的性能与智能水平。
如同一个在未知环境中自主移动的机器人,它需要面对各种复杂情况,做出实时感知和决策。
为了实现诸如避开障碍行走、跟踪、越野、导航等具体功能,需要对运动场所的地形、地貌、道路通达状况以及气象等环境影响因素深入了解与分析,在保证机器人处于最佳工作状态的同时,要求控制执行机构能完成必要的行为操作。
这就要求Agent系统必须有一个基本适宜的体系结构配置,使得组成该系统的各个Agent能够有一个合理的任务分担、高效率的信息共享和任务协同,保证各Agent在自主地完成局部问题求解的同时,具有高度的自治和系统之间协同求解能力,从而通过各Agent间的共同协作完成全局任
《人工智能及其应用》教学讲义
务。
·7-6·
这样看来,实现分布式人工智能的关键在于:
如何正确设计Agent程序,即实现Agent从感知、决策到执行操作的映射函数。
由于Agent程序需要在一种特殊结构的计算系统中运行,因此,Agent系统既可以是一个机器人、一台计算机,也可以是一种仪器或装备,还可以是某个网络环境甚至小到能执行某种特定任务的Agent硬件或软件。
具体说来,在人工智能信息系统中,Agent相当于一个独立自主的功能模块。
通常Agent系统结构具有以下特性:
1)应用型Agent相当于一个独立的计算机应用系统,含有独立的外部设备、输入输出驱动模块,其次能满足各种功能操作处理程序、数据结构和交互信息要求。
2)Agent程序的核心功能是决策,故该结构部分又称为决策生成器。
它负责接受全局状态、任务和时序等信息,其着主导作用,指挥相应的功能操作程序模块工作,并根据Agent内部工作状态、跟踪调整运行参数,记录所获得的重要执行结果,存放于全局数据库中,提供系统总体协调使用。
3)Agent可在分布于不同领域的计算机或多个CPU上并行运行,由体系结构提供运行环境支持。
而在每个局部体系中,Agent的运行又可以是一个或多个进程,无论系统工作状态随环境变化还是任务变更时,要求各Agent都要接受总体调度。
此外,结构还能提供必要的共享资源,例如,共享知识、全局数据库、共享黑板系统等。
为了使各Agent在统一目标下并行、协调、高效率地工作,体系结构同时还提供Agent间的通信接口与手段,要求遵从共同协议,服从系统统一指派与调配。
随着Agent技术的发展,Agent技术的标准化被提到议事日程。
为了确定Agent技术应该具备什么样的功能,并在怎样提供这些功能等方面达成一致,为了保证异构Agent的可交互性,由IBM、NHK、BT等公司和政府、学术机构组成了一个权威的Agent标准化组织FIPA(FoundationforIntelligentPhysicalAgents)。
目前,该组织正致力于以下3个主要领域的标准制订:
1)Agent管理需要认同和发现Agent白、黄页服务,需要定义它们的各种状态以及哪些角色能与它们相互作用。
2)需要覆盖最高层Agent间相互作用的标准,包括Agent间传递的信息的意义、命令、请求、义务等。
3)Agent与软件的接口标准。
此外,FIPA还制定了若干参考应用领域的标准,包括个人旅行助手、个人助手、声/视娱乐和广播、网络管理等。
正在制订的标准还包括人类Agent的相互作用、产品设计与制造Agent和Agent安全管理、支付移动性的Agent管理、Ontology(共享语汇)服务、Agent消息传送、Agent命名、内容语言库等。
目前,FIPA标准仍在制订和发展之中。
随着越来越多组织的加入,一个不容忽视的事实是FIPA标准正在成为促进软件Agent应用和发展的主要推动力。
2.Agent的结构模型
智能Agent描述依据其体系结构和特性,通常包括以下功能模块:
(1)用户界面用以接受用户信息输入或输出信息给用户。
(2)通信接口用来与其他软件Agent或应用进行通信。
(3)感知模块对输入进行过滤与分类。
(4)推理模块根据Agent自身知识对信息进行推理。
(5)决策模块对推理结果进行评价和决策。
《人工智能及其应用》教学讲义
(6)计划模块根据决策制订行动计划。
(7)执行模块按照计划来执行动作。
(8)知识库对推理、决策、计划等提供支持。
·7-7·
也有学者把智能Agent的基本结构概括为6大模块组成:
Agent内核(Kernel)、基本能力模块(BasicCapabilities)、感知器(Sensor)、通信器(Communicator)、功能构件接口(FunctionModules)以及知识库(KnowledgeBase)。
3.Agent的结构分类
不同领域的研究者应用Agent的目的不同,要求的功能、属性不一致,对Agent的定义也就不统
一。
为了总结并综合各个领域关于分布式人工智能及其Agent的研究成果,这里根据Agent的不同功能和特性进行结构分类研究,则十分必要。
例如,按照一般Agent的构成性质,可分为人类Agent、硬件Agent和软件Agent。
若按功能划分,Agent可分为如下几类:
(1)信息型Agent它支持用户在分布式系统或在Internet网络环境中进行研究。
(2)界面型Agent有人称之为个人助手,其主要任务是协助用户完成乏味而重复性的工作。
(3)任务型Agent这是一类能帮助人类进行复杂决策和其他知识处理的软件Agent。
根据人类思维的不同层次,按属性进行划分,又有如下几类Agent:
(1)反应式Agent是一种具备对当时处境的实时反应能力的Agent,尤其适应于危急情况处理。
(2)审慎式Agent又名慎思式、认知式Agent,是一种由目标驱动的具备自主行动能力的Agent。
(3)协作式Agent是一种具备社会交互协作能力的Agent。
(4)复合式Agent是指具有实时反应、基于目标指导下自主行动及合作等综合能力的Agent。
又称混合式Agent。
还有一些特殊类型的Agent,其中包括:
移动Agent、可信Agent等。
三、Agent的应用
随着Agent技术的发展,其应用已不仅仅局限在人工智能领域,它在计算机应用的各个方面都发挥着越来越重要的作用。
1.智能信息检索
2.工业智能控制系统
3.系统与网络管理
4.电子商务
5.协同工作
6.教育
7.娱乐
《人工智能及其应用》教学讲义
·7-8·
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- AIA7 分布式 人工智能 概要