人工智能 课件 第七章 分布式人工智能与多智能体系统.ppt

多Agent系统的特点 Agent个体是自治的，能够自主推理，选择恰当的策略解决分配的问题。 具有良好的模块性、易于扩展，有效的降低了系统总成本 采用面向对象的方法构建系统模型，有效降低了系统的复杂度。 各Agent并行地求解问题，有效地提高了问题求解的效率 MAS中的Agent可以是异构的，提高了系统解决问题的能力 多Agent系统的体系结构 多Agent系统主要有三种形式结构 集中式、分布式和混合式 多Agent系统的协作机制 在多Agent系统中，每个Agent都具有自主性，依据自己的知识和能力来求解问题，如果不加以协调，往往会产生矛盾与冲突。 多Agent协作（Cooperation） 多个Agent通过协调各自的行为，完成共同的目标。协作可看作是一种特殊类型的协调。 针对不同的应用已有多种协作机制，如合同网协议、黑板结构、市场机制等。 协作机制 合同网协议 模拟人类商业活动中招投标的决策过程，在节点之间通过“招标-投标-中标”机制进行任务的分配，使系统以较低的代价、较高的质量完成分布式任务 黑板模式 黑板是多Agent系统的公共空间 市场机制 建立分布式资源分配的计算经济，以使Agent间通过最少的直接通信来协调多个Agent间的活动 Chap 7 分布式人工智能与多Agent系统 分布式人工智能 ( Distributed Artificial Intelligence， DAI ) 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 分布式问题求解 Distributed Problem Solving, DPS 多智能体系统 Multi-Agent System, MAS 分布式人工智能 分布式问题求解 如何在多个知识共享的模块、节点或子系统之间划分任务，并进行求解 多智能体系统 如何在一个多Agent系统中，协调各个Agent的行为，以达到求解复杂问题的目标 分布式人工智能 共同点 都要研究对资源、知识、控制等的划分 不同点 DPS需要有全局的问题、概念模型和评价标准，而MAS则包含多个局部的问题、概念模型和评价标准； DPS采用自顶向下的设计方法，建立大粒度的协作群体，通过各群体的协作实现问题求解，而MAS则采用自底向上的设计方法，首先定义各个自主的Agent，然后在此基础上，实现复杂问题的求解。 MAS的各个Agent之间并不一定是协作的关系，也可能是竞争或对抗关系。 分布式人工智能特点 分布性 整个系统的数据、知识和控制等信息，无论是在逻辑上还是物理上都是分布的。既没有全局的控制，也没有全局的数据存储。 连接性 各个子系统或求解机构通过计算机网络相互连接，在求解问题的过程中，通讯代价要比求解问题的代价低很多。 分布式人工智能特点 协作性 各子系统或求解机构能够协调工作，从而求解单个机构难以解决或者无法解决的问题。 开放性 通过网络互连和系统的分布，可以更加方便的扩充系统规模，使系统具有比单个系统更好的开放性和灵活性。 分布式人工智能特点 容错性 系统具有较多的兀余处理结点、通信路径和知识，在系统出现故障时，可以通过降低响应速度或求解精度，保证系统的正常工作，提高系统的可靠性。 独立性 系统把求解任务归约为几个相对独立的子任务，从而降低了各个处理节点和子系统问题求解的复杂性，也降低了软件设计开发的复杂性。 分布式问题求解 求解的问题逐渐变得庞大和复杂起来 采用传统的方法直接对这类问题求解的代价比较高 如需要更快的计算速度、更多的数据存储空间等，甚至是不可实现的。 将问题分解成多个子问题来进行求解 如何分解问题并协调各个子问题的求解与交互是DPS中研究的主要问题 DPS系统 没有一个结点拥有足够的数据和知识来求解整个问题 系统中的信息是分布在系统的各结点上 各结点通过交换部分数据、知识、问题求解状态等信息，相互协调来对复杂问题进行求解。 DPS系统中有两种协作方式： 任务分担 结果共享 DPS系统 任务分担系统 结点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 任务分担的求解方式比较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、医疗诊断等。 DPS系统 结果共享系统 各结点通过共享部分结果来实现相互协作 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在该时刻它本身拥有或从其它结点收到的数据和知识 结果共享的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、分布式车辆监控系统等 DPS系统的结构 层次结构 系统中的任务是分层的，每个任务由若干个子任务组成，每个子任务又由若干个下层子任务组