分布式人工智能系统特点.docVIP

分布式人工智能系统的特点 分布式人工智能是近十年来才兴起的 的、松散耦合的智能机构如何协调和组织一门新学科,是人工智能、知识工程、分 其知识、技能、目标和规划以进行高效联布式计算、并行处理、计算机网络和通讯 合求解.其研究包括并行人工智能、分布技术交叉发展的产物。分布式人工智能运 式知识系统二大部分(如图所示)。用人工智能技术,研究一组在地理上分散 分布式人工智能 xe 分布式知识系统 并行人工智能/1\ 神经网络、并行分布处理等 分布式知识 分布式 分布式 库管理系统 问题求解 专家系统 图 分布式人工智能的研究范畴 分布式人工智能系统具有潜在的并行 何时中断其现行工作,以满足来自其它智处理能力,单个智能机构具有较高的自治 能机构的请求,或何时接受其它任务。在性,整个系统具有较大的可扩展性和较高 交替活动方面,智能机构应用有效的方法的可靠性,具有共享知识和资源的能力,来交替完成这些活动。在信息采集方面,对知识的处理速度快能力强等特点. 分布式人工智能（Distributed Artificial Intelligence），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（Distributed Problem Solving，DPS）；另一个是关于多智能体系统（Multi Agent System，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。 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，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。 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。 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