1、第9章 分布式人工智能及其应用,人工智能柴玉梅 张坤丽 主编机械工业出版社 2012,概述,分布式人工智能（Distributed Artificial Intelligence，DAI）主要研究逻辑或物理上分散的智能Agent群体的行为，以完成多任务系统的求解。DAI分为三个基本范畴：多Agent 系统（MAS）分布式问题求解（DPS）并行人工智能（PAI）,提纲,9.1 DAI的特点9.2 多Agent系统9.3 分布式问题求解9.4 并行人工智能9.5 分布式人工智能的应用,9.1 DAI的特点,9.1.1 Agent及其特性9.1.2 Agent分类9.1.3 Agent的BDI模型9
2、.1.4 Agent联盟9.1.5 DAI系统特性,9.1.1 Agent及其特性（1）,Agent是能通过传感器感知环境信息、能自主进行信息处理并作出行动决策、再借助执行器作用于环境的一种智能事物。,图9-1 Agent通过传感器和执行器与环境的交互示意图,9.1.1 Agent及其特性（2）,众多学者给出了Agent的定义Wooldridge和Jennings总结了前人在Agent领域的一些工作后，于1995年提出了Agent定义：弱定义：Agent是一个基于软件（在较多情况下）或硬件的计算机系统，它拥有以下特性：自治性（Autonomy）、社会性（social）、响应性（responsi
3、ve）和主动性（proactive）。强定义：Agent在弱定义的特性基础上，还应该具有某些人类特性，如目的、信念、意图、义务、承诺等。,9.1.1 Agent及其特性（3）,（1）自治性（Autonomy）（2）响应性（Reactivity）（3）结构分布性（Configuration Distributing）（4）社会性（Sociality）（5）通信/合作/协调性（Communication/Cooperation/Coordination）（6）主动性/目的性（Activity/Goal oriented）（7）推理/学习/自适应能力Reasoning/Learning/Adapta
4、tion）：（8）可移动性（Mobility）,9.1.2 Agent分类（1）,根据Agent的工作环境软件Agent人工生命Agent 按控制机制分类按照构成性质分类人类Agent、硬件Agent软件Agent,9.1.2 Agent分类（2）,按照其应用领域，分为：工业应用、商业应用、医疗应用、娱乐应用 按功能分为：信息型Agent、界面型Agent、任务型Agent按属性分类：响应式Agent、慎思式Agent,9.1.3 Agent的BDI模型,一个BDI模型包括三种基本成分一组关于世界的信念；Agent打算达到的一组目标（愿望）一个意图结构，描述Agent当前一定要达到的目标和为这
5、个目标要改变的信念一个意图结构将对应一个规划库，描述怎样达到目标和怎样改变相关信念。,图9-5 BDI结构示意图（信念，愿望，意图）,9.1.4 Agent联盟,Agent之间可以通过协商形成Agent组，称之为Agent联盟（Coalition），来共同承担该任务。联盟：是一组合作的、共同完成某一任务并共享任务收益的Agent集合。Agent联盟形成过程步1 联盟划分的产生；步2 求解联盟值，将联盟划分每一个可能的联盟资源和任务进行组合分配，求得相应的联盟值；步3 将联盟值在成员之间进行分配，求得一个稳定的U。,9.1.5 DAI系统特性,1.系统数据和知识的分布性2.系统模型的独立、连接、
6、开放特性3.系统求解的高效、容错、协同特性,9.2 多Agent系统（1）,特点（1）每一Agent具有有限信息资源和问题求解能力，缺乏实现协作的全局观点。（2）系统不存在全局控制，即控制分布。（3）知识与数据都是分散的。（4）计算是异步执行的。,9.2 多Agent系统（2）,9.2.1 多Agent系统分类9.2.2 Agent的学习9.2.3 多Agent通信,9.2.1 多Agent系统分类,1.按系统拓扑结构分类 （1）系统拓扑结构不变（2）系统拓扑结构改变2.按系统功能结构分类 （1）同构型系统（2）异构型系统3.按控制结构分类 （1） 集中控制（2） 层次控制（3） 网络控制,9
7、.2.2 Agent的学习,Agent学习可以定义为：“学习是一种能力，包括新知识和认知技能的获取能力，以及将所获取的知识和认知技能应用于未来活动中的应用能力。这样的获取和应用是Agent自发进行的，并且可以提高Agent的性能。” Agent学习可以根据学习过程的反馈以及对反馈的处理情况分为三大类：1.监督学习2.监督学习3.强化学习,9.2.3 多Agent通信（1）,1.多Agent通讯逻辑结构,图9-5 Agent通讯,9.2.3 多Agent通信（2）,多Agent的通讯模式有以下两种：（1）使用TELL和ASK通讯：以这种通讯形式进行通讯的Agent分享相同的内部表示，并通过接口T
8、ELL和ASK直接访问相关知识库。 （2）使用形式语言KQML或KIF通讯：大多数Agent的通讯是通过一种外部语言来实现的。每种模式下，多Agent间的通讯方法可以采用直接通讯（对话/消息的方式）黑板通讯,9.2.3 多Agent通信（3）,Agent通讯语言 （1）KQML（Knowledge Query And Manipulation Language，知识查询与操纵语言）（2）KIF（Knowledge Interchange Format，知识交换格式）从Agent间相互交互的角度看，通讯的作用有：（1）预测（2）控制：,9.3 分布式问题求解,9.3.1 多Agent联合求解过程
9、9.3.2 合同网,9.3.1 多Agent联合求解过程,联合求解过程包括1.联合动机的产生2.任务分解与分配3.团队和规划最终形成4.执行规划,9.3.2 合同网（1）,合同网是用于分布式联合求解环境下各Agent进行通讯和协作的协议。它引入市场中的招标-投标-中标机制，对系统的任务进行委托分配，从而解决资源、知识的冲突等问题。,图9-7 合同网结构示意图,9.3.2 合同网（2）,合同网协商过程,9.4 并行人工智能,9.4.1 并行人工智能的软件支持9.4.2 并行人工智能的硬件支持,9.4.1 并行人工智能的软件支持,1.并行模块的支持2.分布式知识库的支持3.并行算法和并行语言的支持
10、,9.4.2 并行人工智能的硬件支持,对并行人工智能的硬件支持，主要体现在计算机硬件并行运算的出现。在多CPU的环境下，各Agent可以在不同的CPU上运算，或者在同一个CPU环境下的多线程并行执行。在硬件的并行上主要由时间和空间并行来实现。时间并行空间并行,9.5 分布式人工智能的应用,9.5.1 多Agent在军事作战指挥系统中的应用9.5.2 多Agent在智能交通中的应用9.5.3 多Agent在智能大厦中的应用,9.5.1 多Agent在军事作战指挥系统中的应用（1）,9.5.1 多Agent在军事作战指挥系统中的应用（2）,9.5.2 多Agent在智能交通中的应用（1）,道路交通管理子系统,9.5.2 多Agent在智能交通中的应用（2）,9.5.2 多Agent在智能交通中的应用（3）,交通控制子系统,9.5.3 多Agent在智能大厦中的应用（1）,9.5.3 多Agent在智能大厦中的应用（2）,The End！,
