Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouÁgatha Caldeira Alterado mais de 9 anos atrás
1
MultiAgent Planning Ismênia Galvão Lourenço da Silva igls@cin.ufpe.br PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO CENTRO DE INFORMÁTICA UNIVERSIDADE FEDERAL DE PERNAMBUCO
2
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I2 Roteiro Motivação Resolução Distribuída de Problemas Compartilhamento de Tarefas Compartilhamento de Resultados Planejamento Distribuído Representações de Planos Distribuídos Execução e Planejamento Distribuídos Conclusões Referências
3
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I3 Motivação Lidar com problemas onde: É necessário usar recursos distribuídos concorrentemente, dependendo do seu grau de paralelismo; Muitas vezes é necessário empregar capacidades de vários especialistas para chegar à uma solução; Crenças e dados podem estar distribuídos, mas as suas interpretações podem ser realizadas localmente; Os resultados de sua resolução ou de seu planejamento podem ser distribuídos para serem influenciados por outros agentes.
4
Resolução Distribuída de Problemas
5
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I5 Introdução Na Resolução Distribuída de Problemas (RDP), os agentes envolvidos trabalham juntos para resolver problemas que requerem um esforço coletivo; Em Sistemas Abertos, os agentes não são necessariamente cooperativos e podem ingressar e sair do sistema de maneira dinâmica; Dentro desta segunda classificação, estão inseridos os Sistemas Multi-agentes : Conjunto de agentes autônomos Possivelmente pré-existentes Solução de um problema que está além da capacidade de um único agente.
6
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I6 Relação entre RDP e SMA RDP Ênfase na solução de um ou mais problemas, com o esforço de múltiplos agentes com interesse em propriedades extrínsecas como: Competência de grupo Robustez Uso eficiente de recursos SMA Ênfase na existência de múltiplos agentes com interesse em propriedades intrínsecas como: Revelação da verdade Manipulação Coerência de grupo
7
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I7 Resolução Distribuída de Problemas Presume a existência de problemas que precisam ser resolvidos; Existe uma expectativa sobre o que pode constituir soluções; Exemplo: time de agentes para projetar um artefato A solução deve satisfazer requisitos gerais (motor, rodas,...); O problema já existe em alguma forma particular (um documento com a estrutura do carro); Cada agente do time formula soluções para os subproblemas, que em seguida são sintetizadas para uma solução geral.
8
Compartilhamento de Tarefas
9
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I9 Compartilhamento de tarefas Princípio: quando um agente tiver muitas tarefas para fazer, ele deve solicitar ajuda; Principais passos: Decomposição da tarefa Alocação da tarefa Realização da tarefa Síntese do resultado
10
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I10 Problema: encontrar figuras escondidas em uma determinada área 1.Decomposição : dividir a área ou as figuras para a busca; 2.Alocação : distribuir as sub- tarefas entre os agentes; 3.Execução : cada agente deve procurar as figuras atribuídas a ele, ou fazer uma busca na área destinada a ele; 4.Síntese : cada agente apresenta as figuras encontradas. Exemplo 1: Figuras Escondidas
11
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I11 Exemplo 2: Torres de Hanoi Problema: mover todos os discos da estaca inicial para outra estaca determinada, movendo um disco por vez e sem colocar um disco maior sobre um menor 1.Decomposição : se preocupa em sempre mover o maior disco para o seu destino; 2.Alocação : escolha randômica dos agentes; 3.Execução : as tarefas são recursivamente decompostas até que o estado inicial e final sejam o mesmo; 4.Síntese : quando um agente resolve um problema, ele passa a solução para outro, que irá utilizá-la para encontrar sua própria solução.
12
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I12 Compartilhamento em Sistemas Heterogêneos O compartilhamento em sistemas heterogêneos aplica-se quando: As atribuições de subproblemas para agentes não são simples: Os agentes podem ter diferentes habilidades; Os subproblemas precisam de diferentes habilidades; As decisões são baseadas em informações mais dinâmicas. Ex: Contract Net Protocol
13
Compartilhamento de Resultados
14
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I14 Compartilhamento de Resultados Uma mesma tarefa pode ter resultados diferentes se executada por agentes diferentes; Agentes podem resolver problemas via integração de resultados locais; O compartilhamento de resultados pode ser proativo ou reativo ; Solucionadores de problemas podem aumentar o desempenho do grupo se combinarem as seguintes características: Confiança Completude Precisão Rapidez
15
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I15 Compartilhamento de Resultados Complicações: Os agentes devem saber o que fazer com os resultados compartilhados ! A comunicação de um grande volume de resultados pode ser custosa. Técnicas: Cooperação funcionalmente precisa Repositórios compartilhados e busca negociada Busca heurística para CSP distribuída (DCHS) Estruturação organizacional
16
Planejamento Distribuído - Planejamento Centralizado para Planos Distribuídos - Planejamento Distribuído para Planos Centralizados - Planejamento Distribuído para Planos Distribuídos
17
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I17 Planejamento Distribuído Especialização da RDP, onde o problema sendo resolvido é o projeto de planos. Um modelo de Planejamento Distribuído (PD) deve considerar: A concorrência existente entre os agentes em um ambiente compartilhado; As alterações ocorridas no ambiente entre o planejamento e a execução dos planos resultantes deste; Possibilidades de ajustes nos planos.
18
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I18 Planejamento Multi-Agente (PMA) Estende o planejamento clássico para domínios onde vários agentes podem planejar e agir juntos ; Em ambientes multi-agentes, os agentes não são indiferentes às intenções dos demais; A construção de um plano eficiente é útil, mas não garante o sucesso: os agentes precisam concordar em usar o mesmo plano; Algumas formas de coordenação, possivelmente usando comunicação, são requeridas; Suas aplicações incluem: ambientes multi-robôs, agentes cooperativos na internet, logística, produção, tarefas militares,...
19
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I19 Problema da dupla de tênis Agents (A,B) Init (At (A, [Left,Baseline]) ^ At (B, [Right,Net]) ^ Approaching (Ball, [Right, Baseline])) ^ Partner (A,B) ^ Partner (B,A) Goal (Returned(Ball) ^ At (agent, [x,Net])) Action (Hit(agent, Ball)), PRECOND : Approaching (Ball, [x,y]) ^At (agent, [x,y]) ^ Partner (agent, partner) ^¬ At (partner, [x,y]) EFFECT : Returned (Ball)) Action (Go (agent, [x,y]), PRECOND : At (agent, [a,b]), EFFECT : At (agent, [x,y]) ¬ At (agent, [a,b]) Problema da dupla de tênis: Dois agentes jogam tênis no mesmo time e podem estar em uma das 4 localizações: [Left,Baseline], [Left,Net], [Right,Baseline], [Right,Net]. A bola só pode ser retornada se exatamente um jogador estiver na posição correta.
20
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I20 Planos conjuntos Uma solução para um problema de PMA é o uso de planos conjuntos, consistindo de ações para cada agente. Um plano conjunto é uma solução se o objetivo for atingido quando cada agente realizar as tarefas que lhe foram atribuídas. A existência de planos conjuntos corretos não significa que objetivo será alcançado. Os agentes precisam de um mecanismo de coordenação e de conhecimentos comuns para que o objetivo do plano conjunto seja alcançado.
21
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I21 ABAB Planos conjuntos Plan 1: A: [Go (A, [Right, Baseline]), Hit (A,Ball)] B: [NoOp (B), NoOp (B)] ●●● Plan 2: A: [Go (A, [Left, Net]), NoOp (A)] B: [Go (B, [Right, Baseline]), Hit (B, Ball)] A1 / B1A2 / B2A1 / B2A2 / B1Início A AABBB ●●
22
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I22 Ações conjuntas Go (A, [Left, Net]), Go (B, [Right, Baseline]) NoOp(a), Hit(B, Ball) Ações conjuntas são agrupamentos de ações concorrentes, executadas cada uma por um único agente; Um plano conjunto consiste de um grafo parcialmente ordenado de ações conjuntas; Usar POP torna-se intratável a nível de pré-condições e efeitos à medida que aumenta o conjunto de ações possíveis; B ● A A B ●
23
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I23 Listas de Ações Concorrentes Uma solução para o problema de sincronização é adicionar listas de ações concorrentes às descrições das ações em STRIPS ou ADL; Essas listas descrevem as ações que podem ou não ser executadas concorrentemente; Action (Hit(A, Ball)), CONCURRENT: ¬ (Hit(B, Ball)) PRECOND: Approaching (Ball, [x,y]) ^ At (A, [x,y]) EFFECT : Returned (Ball))
24
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I24 Listas de Ações Concorrentes É possível criar um planejador parecido com o POP, com 3 diferenças: Além da relação de ordenação temporal A B, permite-se A=B (concorrente) e A B (anterior ou concorrente) Quando uma nova ação requer ações concorrentes, deve-se instanciar essas ações usando ações novas ou já existentes As ações concorrentes proibidas são uma fonte adicional de restrições...
25
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I25 Planejamento Distribuído Existem três classes de planejamento distribuído: Planejamento centralizado para planos distribuídos Planejamento distribuído para planos centralizados Planejamento distribuído para planos distribuídos
26
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I26 Planejamento Centralizado para Planos Distribuídos Contexto: Um problema a ser resolvido e vários agentes disponíveis; Agente coordenador Objetivo: Encontrar, dentro de todos os planos possíveis, aquele que pode ser decomposto e distribuído mais eficientemente
27
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I27 Planejamento Centralizado para Planos Distribuídos Dado a descrição do objetivo, um conjunto de operadores e um estado inicial, o coordenador deve: Gerar um plano parcialmente ordenado Decompor este plano em sub-planos Restrições de ordenação devem ficar dentro e não entre os sub-planos Inserir sincronização Atribuir sub-planos a agentes
28
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I28 Planejamento Centralizado para Planos Distribuídos Alocação de tarefas pode ser: Estática : a coordenação é utilizada apenas para sincronizar os planos Dinâmica : a coordenação serve para sincronizar e alocar os planos Algumas considerações: Nem sempre o plano que pode ser mais decomposto e mais distribuído é o melhor; A infra-estrutura de comunicação tem grande impacto na decisão de como os planos são decompostos e distribuídos.
29
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I29 Planejamento Centralizado para Planos Distribuídos C D A B A D B C PutDownTable (D) PutDown (A,D) PutDownTable (C) PutDown (B,C)
30
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I30 Planejamento Centralizado para Planos Distribuídos PutDownTable (D) PutOn (A,D) PutDownTable (C) PutOn (B,C) Pliers
31
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I31 Planejamento Distribuído para Planos Centralizados Contexto: Tarefa muito complexa que requer o auxílio de especialistas em cada sub-tarefa Objetivo: Utilizar a expertise de cada agente para formular sub-planos especializados
32
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I32 Planejamento Distribuído para Planos Centralizados O planejamento pode ser feito em uma das duas formas: Síncrona : a ordenação é feita durante o processo de planejamento Assíncrona : somente durante o compartilhamento de resultados os conflitos com relação à ordem são resolvidos
33
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I33 Planejamento Distribuído para Planos Centralizados Exemplos: Manufatura : especialistas em geometria, encaixe, pintura, etc; Logística : especialistas em planejamento de caminho, carregamento de veículos e despache; Comunicação fim-a-fim: especialistas no roteamento de mensagens.
34
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I34 Planejamento Distribuído para Planos Centralizados PutDownTable (B) PutDownTable (A) PutDownTable (E) PutDownTable (D) PutDown (C,A) Goal R1 B A F B C A E D C F E D R1 R2 Goal R1 P1
35
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I35 Planejamento Distribuído para Planos Centralizados PutDownTable (B) PutDownTable (A) PutDownTable (E)PutDownTable (D) PutDown (F,E) Goal R2 PutDown (E,D) PutDownTable (B) PutDownTable (A) PutDownTable (E)PutDownTable (D) PutDown (F,E) Goal R2 PutDown (E,D) Goal R1 PutDown (C,A) P2
36
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I36 Planejamento Distribuído para Planos Distribuídos Não existe um plano global da tarefa em nenhum ponto do sistema, apenas planos parciais de relevância local; Compatibilidade global entre esses planos parciais deve ser mantida para: Evitar conflitos durante a execução ; Fomentar ajuda mútua. Troca de mensagens e/ou temporização são usados para resolver interações negativas entre os agentes.
37
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I37 Delayed work Look after Hector Delayed work Go to cinema Public Transport Car Go to meeting Put Hector to bed Julian Helen Look after Hector Planejamento Distribuído para Planos Distribuídos
38
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I38 Planejamento Distribuído para Planos Distribuídos Técnicas: Fusão de planos Construção iterativa de planos Negociação de planejadores distribuídos
39
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I39 Fusão de Planos Cada agente, individualmente, formula planos, que podem ser executados separadamente sem conflitos; Um agente coleta os planos individuais e analisa os planos para descobrir que seqüências de ações podem levar a conflitos; Consiste de três estágios: Análise de interação Análise de segurança Resolução de interação
40
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I40 Construção Iterativa de Planos Problema das abordagem anterior: às vezes, decisões locais dependem das ações de outros agentes Espaço de Planos x Plano Único Cada agente, ao invés de propor um único passo, propõe um conjunto de alternativas e, a cada iteração, escolhe-se a que melhor se ajusta para o bem de todos
41
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I41 Busca por Combinação de planos Dadas proposições iniciais sobre o mundo: Agentes formam estado sucessores propondo mudanças causadas por uma ação; É escolhido o melhor estado sucessor e esta escolha é expandida (heurística A*); O processo é repetido até que nenhum agente queira propor mais mudanças.
42
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I42 Planejamento Distribuído Contínuo Planejamento e execução intercalados Um agente deve planejar continuamente quando: Aspectos do mundo podem mudar dinamicamente; Aspectos do mundo são revelados incrementalmente; Pressão do tempo faz com que a execução comece antes do plano ter sido totalmente gerado; Os objetivos podem evoluir com o tempo.
43
Representações de Planos Distribuídos
44
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I44 Representações de Planos Distribuídos Planejamento e resolução de problemas distribuídos geralmente lidam com agentes com capacidade de comunicar tarefas, soluções, objetivos, planos,... Alguns protocolos de propósito geral têm sido desenvolvidos para lidar com interação em alto-nível; Em linguagens baseadas nos atos de fala, o envio de uma mensagem pode ser interpretado como a invocação de um comportamento do agente receptor; Os agentes precisam entender não apenas o ato de fala, mas também o conteúdo da mensagem.
45
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I45 Representações de Planos Distribuídos Um plano pode ser visto como um conjunto de vários campos que representam diferentes tipos de informações relacionadas; Diferentes agentes necessitam acessar e modificar diferentes combinações de campos de um plano. Os agentes precisam: Ser capazes de encontrar as informações que querem, podendo interpretar, modificar e executar o plano; Saber como modificar o plano de maneira que seja interpretado corretamente pelos demais agentes e tenha efeitos desejáveis;
46
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I46 Representações de Planos Distribuídos Todos os campos de um plano devem estar numa linguagem de conteúdo compreensível pelos agentes que podem utilizá-lo; Padrões para especificação de planos para agentes inteligentes: STRIPS c/ operador Cypress ACT Lógica temporal Formalismos operacionais (Redes de Petri, Graphcet)
47
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I47 Representações de Planos Distribuídos Estrutura do ACT em um formalismo Cypress: CAMPODESCRIÇÃO Name Rótulo único para identificar o ACT Cue Metas que o ACT é capaz de atingir Precondition Características do estado do mundo que precisam ser validadas para o ACT ser aplicável Setting Características do estado do mundo que são ligadas a variáveis do ACT Resources Recursos requeridos pelo ACT durante a sua execução Properties Outras propriedades associadas ao ACT Comment Informações de documentação Plot Especificação do procedimento a ser executado (seqüências parcialmente ordenadas de objetivos/ ações)
48
Planejamento e Execução Distribuídos - Mecanismos de Coordenação - Coordenação Pós-Planejamento - Coordenação Pré-Planejamento - Planejamento, Coordenação e Execução Intercalados - Coordenação de Planos em Tempo de Execução sem Comunicação
49
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I49 Mecanismos de Coordenação Uma convenção ou norma é qualquer restrição na seleção de planos conjuntos relacionada aos padrões de comportamento dos agentes; Leis sociais são normas amplamente adotadas, como por exemplo dirigir em determinado lado da rua; Estabelecer normas prévias é um método pelo qual um grupo de agentes pode garantir acordos entre planos conjuntos; Comportamentos emergentes são aqueles onde não há necessidade de que cada agente possua o plano conjunto que modela as ações de outros agentes;
50
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I50 Mecanismos de Coordenação As normas podem ser específicas ou independentes de um determinado domínio; Na ausência de normas aplicáveis, os agentes podem utilizar comunicação (verbal ou não-verbal) para atingir um conhecimento comum sobre um plano conjunto viável; A B ● A ● B É minha !!! Uhuu !!!
51
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I51 Mecanismos de Coordenação Reconhecimento de planos é um método de coordenação que ocorre quando uma ação (ou pequena seqüência de ações) é suficiente para determinar um plano conjunto sem ambigüidade; A garantia do reconhecimento de planos pode ser dada pelo projetista ou pelos agentes em si.
52
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I52 Planejamento e Execução Distribuídos O produto do planejamento distribuído precisa ser executado... Coordenar é garantir que uma seqüência de planos, com determinadas restrições, seja atingida; A coordenação de planejamento e execução de planos distribuídos é um desafio da IA; Algumas estratégias: Coordenação Pós-Planejamento Coordenação Pré-Planejamento Planejamento, Coordenação e Execução Intercalados Coordenação de Planos em Tempo de Execução sem Comunicação
53
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I53 Coordenação Pós-Planejamento Durante a execução de um plano, pode ocorrer alguma falha inesperada e o conjunto de planos coordenados pode falhar por inteiro; Uma solução é utilizar planos de contingência : cada agente além de formular seus planos esperados, pode formular planos alternativos para atender às contingências; Esses planos com suas ramificações podem ser consolidados e coordenados em tempo de execução, o que torna o processo mais complicado;
54
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I54 Coordenação Pós-Planejamento Outra solução é usar monitoramento e replanejamento ; Cada agente monitora a execução de seu plano, se houver algum desvio, ele pára sua execução e repete o ciclo planejar- coordenar-executar ; Algumas estratégias podem reduzir o esforço e aumentar a gerenciabilidade do processo: Consertar planos anteriores; Acessar uma biblioteca de planos reusáveis...
55
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I55 Coordenação Pré-Planejamento Assumindo-se restrições de coordenação aceitáveis, os agentes podem garantir previamente a coordenação de seus planos com os dos outros agentes; A estrutura organizacional pode permitir que um agente escolha seu trabalho numa parte qualquer de um problema que se encaixe em suas responsabilidades; O uso de leis sociais pode auxiliar na coordenação pré- planejamento uma vez que ajuda a prever estados indesejáveis.
56
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I56 Planejamento, Coordenação e Execução Intercalados Tipos diferentes de coordenação podem ser realizados dependendo do nível de abstração com que o plano é representado; Planejamento Parcial Global (PPG) é um método que assume que decisões de planejamento e coordenação devem ser continuamente revistas e revisadas; PPG permite que algumas atividades sem coordenação sejam toleradas e submetidas; PPG é aplicável a domínios onde a garantia de coordenação não precisa ser feita antes de qualquer execução.
57
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I57 Planejamento, Coordenação e Execução Intercalados Coordenação via PPG: Cada agente decide seus objetivos e gera planos de curto prazo para atingí-los; Agentes trocam informações; Agentes alteram planos locais para melhor coordenar suas atividades;
58
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I58 Planejamento, Coordenação e Execução Intercalados Decomposição de tarefas Formulação de planos locais Abstração de planos locais Identificação de objetivos globais parciais Ação em planos globais parciais Modificação em andamento Re-alocação de tarefas
59
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I59 Coordenação de Planos em Tempo de Execução sem Comunicação Em algumas aplicações, re-coordenação em tempo real precisa ser realizada quando os agentes não podem ou não devem se comunicar; Coordenação sem comunicação explícita: Permitir que os agentes façam inferências dos demais planos, baseados em observações ( Coordenação de planos baseada em observações ); Permitir que os agentes façam inferências sobre as escolhas que os demais vão fazer, baseados em hipóteses sobre suas racionalidades ou visão do mundo ( pontos focais ).
60
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I60 Competição Agentes com funções de utilidade conflitantes estão em competição uns com os outros; Um agente em um ambiente competitivo deve: Reconhecer a existência de outros agentes no ambiente; Computar alguns dos possíveis planos dos outros agentes; Computar como os planos dos outros agentes interagem com os seus planos; Decidir sobre a melhor ação de acordo com essas interações. Competição requer o modelo dos planos dos outros agentes, entretanto, não há compromisso com planos conjuntos.
61
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I61 Taxonomia da Coordenação COORDENAÇÃO COOPERAÇÃOCOMPETIÇÃO PLANEJAMENTO NEGOCIAÇÃO PLANEJAMENTO DISTRIBUÍDO PLANEJAMENTO CENTRALIZADO
62
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I62 Conclusões Planejamento multi-agente é necessário quando há outros agentes no ambiente com os quais cooperar, competir ou coordenar; Um dos principais desafios do planejamento distribuído é identificar quando e como aplicá-lo; Representações e estratégias de propósito geral para RDP ainda são evasivas; A coordenação é um fator vital para o funcionamento de um SMA, mantendo os benefícios advindos da RDP.
63
17.11.2003Tópicos Avançados em Inteligência Artificial Simbólica I63 Referências [1] An Introduction to MultiAgent Systems, M. J. Wooldridge, 2002, John Wiley and Sons. [2] Multiagent Systems – A Modern Approach to Distributed Artificial Intelligence, G. Weiss, 2000, The MIT Press. [3] Multi-Agent Systems – An Introduction to Distributed Artificial Intelligence, J. Ferber, 1999, Addison-Wesley. [4] Artificial Intelligence – A Modern Approach (2 nd Edition), S. Russel & P. Norvig, 2002, Prentice-Hall.
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.