多智能体系统(MAS)纵览
===================================================
Part 1
1.介绍
分布式人工智能(DAI)
- ①平行AI:并行解决问题;
- ②分布式解决问题:划分为子问题;
- ③多智能体系统:智能体与邻近智能体或与环境互动来学习上下文或动作
================================================
Part 2 智能体的介绍
2.智能体
智能体定义
- ①通过传感器感知外界环境的实体;
- ②能够在环境内部做出动作的封闭计算系统
环境
环境的特征
- 可进入性
- 确定性
- 动态性:环境独立于智能体采取的动作
- 连续性:环境的连续性与离散性
参数:智能体从环境感知获得的数据
** 智能体在一些条件约束下通过下述方法完成分配的任务: **
智能体的特征
- 社会性(Sociability): 去其他智能体分享知识及请求信息
- 自主性:独立执行决策过程,并采取行动
- 积极主动性:智能体利用自身的历史信息、感知参数、及其他智能体的信息进行预测未来的活动
================================================
Part 3 MAS
MAS:多智能体写作解决任务
中间智能体
分为促进者(facilitator) 与 中介物(mediator)
3.MAS特征
- 领导性:智能体领袖给其他无人机分配任务;智能体领袖可以是预先定义的,也可以是智能体共同选出来的
- 决策函数:基于决策函数的输出变化与其输入变化的比例将MAS分成 线性MAS、非线性MAS、
- 线性MAS:智能体的决策与感知参数成比例
- 非线性MAS:智能体的决策与感知参数不成比例
- 异质性:基于智能体的异质性将智能体分为 同质MAS、异质MAS。
- 同质MAS:具有相同特性及功能
- 异质MAS:具有不同特征
- 协议参数:智能体之间需要就特定参数达成一致,这些参数称为度量标准
** 根据度量标准的个数,将MAS分为First、Second、Higher **
- First:只有一个度量标准
- Second:两个度量标准,如位置、速度
- Higher
- 延迟考虑:根据执行任务的延迟性,分为 有延迟的MAS,无延迟的MAS
- 有延迟的MAS:考虑延迟源
- 无延迟的MAS:无交流及处理延迟
- 动态拓扑性:随着智能体在MAS的运动,智能体的位置及关系也发生运动
- 数据传输频率:数据传输方式分为 时间触发方式、事件触发方式
- 移动性:分为 静态智能体、动态智能体
- 静态智能体在环境的位置不变
- 动态智能体在环境的位置一直变化。动态智能体能够监视其他智能体、利用它们的资源、从它们的位置感知环境,从而做出动作
4.MAS与其他同类系统(专家系统、面向对象编程)的区别
- ①MAS的各个智能体能够相互通信,专家系统能够与预先定义的实体进行通信及交换数
据; - ②MAS与专家系统都使用决策函数,但参数不同。
- MAS:智能体使用感知数据、自身知识库、自身目标
- 专家系统:使用感知数据、自身知识库
- ③MAS:智能体做完决策后,直接对环境作出动作,专家系统:控制器独立执行动作
================================================
Part 4 MAS的应用
计算机网络
MAS在网络的应用范围广,分为四部分:
云计算
- 基于智能体的框架(agent-based framework)用来执行一系列独立任务
- broker智能体收集可用资源,也收集可选的云提供者,并为每个智能体匹配合适的云服务者
社交网络
安全性
- MAS可以有效地解决网络安全问题,因为他们能够学习,然后检测新的安全问题
- 例如入侵侦测系统(IDS)
路由
机器人学
- 机器人学的两大挑战: 1.合作与协调;2.运动轨迹规划
- 有效的解决方法:三个智能体:通信智能体、图像处理智能体、决策智能体。通信智能体拍照并将照片传送到图像处理智能体,图像处理智能体找机器人当前的位置,及环境的障碍物,再将这些信息传送给决策智能体,由决策智能体寻找有最少障碍物的路径
建模——构造复杂系统
城市建造环境
- 应用:消费者发送购物请求给商品供应者,商品供应者收到请求后,到数据库查询所
需商品,商品由快递智能体携带到消费者。网络智能体对最优路径作出决策。 - 建筑物加热管理应用:
智能电网
- 智能电网:平衡产生及所需的电量;协商电费、电力存储等
Part 5 MAS的挑战
协调控制:管理智能体协作完成任务
挑战如下:
- 一致性:一致性的例子之一,即为聚集(flocking)。聚集,即智能体之间为了协作完成任务而需做的集体行为。聚集模型的三大原则:
- 可控性:智能体从初始状态控制到特定状态。两大衡量标准:
- 同步性:智能体动作的操作时间上要与其他智能体保持一致
- 连接性:智能体之间有时需要持续保持连续。联系性的挑战在:
- 1.智能体的移动性;
- 2.环境的噪声;
- 3.MAS拓扑结构的有限视角,使得定位智能体以实现最大程度的连接有难度
- 构造性:有时智能体需要组织成特定的结构。如UAV需要构成特定的队形去获取环境参数
学习:智能体利用机器学习算法来发现及预测环境的变化,以适应未知的情况。
因此需要形成多智能体学习(MAL, Muiti-Agent Learning)。MAL的挑战如下:
- 1.学习方式的处理及交流花销;
- 2.MAS环境的动态性;
- 3.MAS的拓扑结构可能会发生变化;
- 4.防止智能体收到错误信息
MAL里的两个主要的机器学习方法包括: - 1.强化学习RL:RL是一种试验-错误法。所有智能体都改变自身的状态,观察它从环境或其他智能体接受的奖励或惩罚。每个智能体要避免重复采取负向作用的动作,而要重复采取正向作用的动作。
- 2.遗传编程GP:GP是演化算法(EA)的一种形式。
故障探测:故障智能体可能会感染与它合作的智能体。因此要检测及隔离故障智能体。
任务分配:任务分配分为集中式及非集中式。
智能体任务分配的两个衡量标准:
- 1.智能体能力:即智能体的资源总数。智能体所分配的任务
要与自身的资源数相对应。若任务负载过大,智能体的响应
时间就会延长。 - 2.智能体位置:智能体的位置影响交流延迟及负载。
定位
智能体能否被定位基于
- 1.是否拥有特定资源(资源本地化)
- 2.是否允许特定服务
- 3.是否拥有特定身份
智能体组织构架
安全性:
MAS安全性的挑战源于MAS的分布性、社交性及移动性
- 社交性:智能体要从其他临近的智能体获得信息或知识库,或者在决策过程中从外界环境获取信息。所以,智能体对向它发送会影响它的决策的有害实体缺少抵抗性。
- 分布性:由于分布的性质,缺少中央权威中心,核实智能体的身份及在智能体之间创造信任变得高度困难。
- 移动性:一旦某智能体被恶意智能体影响,由于它自身的移动性,它会散布错误信息给其他智能体