人工智能 课件 第七章 分布式人工智能与多智能体系统.pdfVIP

Chap 7分布式人工智能与多Agent系统 口分布式人工智能( Distributed Artificial 口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 √ Distributed Problem Solving, DPS √ Multi-Agent System, MAS Intelligence,DAl ) 解 分布式问题求解 多智能体系统 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 口多智能体系统 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 口共同点 都要研究对资源、知识、控制等的划分 口不同点 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 口分布性 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。 口连接性 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 口协作性 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。 口开放性 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 口容错性 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。 口独立性 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 口求解的问题逐渐变得庞大和复杂起来 口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。 口将问题分解成多个子问题来进行求解 口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 口没有一个结点拥有足够的数据和知识来求解整个 问题 口系统中的信息是分布在系统的各结点上