FPF:UIN3053 Agents and Multi-Agent Systems - Course Information

UIN3053 Agents and Multi-Agent Systems II

Extent and Intensity

2/2/0. 6 credit(s). Type of Completion: zk (examination).

Teacher(s)

Mgr. Marek Menšík, Ph.D. (lecturer)
RNDr. Miroslav Langer, Ph.D. (seminar tutor)

Guaranteed by

Mgr. Marek Menšík, Ph.D.
Institute of Computer Science – Faculty of Philosophy and Science in Opava

Prerequisites (in Czech)

UINA352 Agents and Multi-Agents System || UIN3052 Agents and Multi-Agents System

Course Enrolment Limitations

The course is also offered to the students of the fields other than those the course is directly associated with.

fields of study / plans the course is directly associated with

• Computer Science and Technology (programme FPF, M1801 Inf)
• Computer Science and Technology (programme FPF, N1801 Inf)

Course objectives

The course deals with the theory of agents and multi-agent systems. The goal of the subject is to introduce methods of agents' communication and learning by experience. Particular kinds of agents are considered, from simple reactive agents, up to deliberative, social, hybrid agents, and finally multi-agent systems in general. The students should also be able to create a real multi-agent system. There are presented the ways of real multi-agent systems.

Syllabus (in Czech)

• 1.
  Sociální agenty - rozšíření agentů s BDI architekturou o modely ostatních agentů (adresy, jména, specifikace jejich činností a schopností).
  GRATE - architektura agenta se sociálním modelem.
  2.
  Závislosti mezi agenty - vznikají v důsledku čekání na zdroje či výsledky.
  Sociální konvence a společné záměry - definování pravidel, které předpisují akce agentů, změnil-li se závazek některého z nich ke společným cílům. PGP - princip vylepšování vlastních cílů agenta, které jsou součástí řešení globálního problému na základě stavu řešení podproblémů ostatními agenty.
  3.
  Hybridní architektury agentů - zahrnují v sobě komponenty pro reaktivitu, deliberativnost i sociální model.
  Architektura InteRRaP - vhodný příklad hybridní architektury agentů.
  Konceptuální model architektury InteRRaP.
  4.
  Vlastní architektura InteRRaP.
  Reaktivní vrstva. Vzory chování. Řídící cyklus reaktivní vrstvy. Rozhraní reaktivní vrstvy.
  Vrstva lokálního plánování. Řídící cyklus vrstvy kooperativního (lokálního) plánování.Rozhraní vrstvy lokálního plánování.
  5.
  Vrstva kooperativního plánování. Řídící cyklus vrstvy kooperativního plánování.
  Společné plány. Definice problému multiagentového plánování. Definice společného plánu. Transformace společných plánů na individuální.
  6.
  Strojové učení - posun funkcionality agentů od vykonávání zadaných úkolů podle daného algoritmu k efektivnějšímu řešení (za použití méně zdrojů, modifikace a použití existujícího postupu řešení na nové problémy na základě podobnosti s již řešenými problémy).
  Metody strojového učení -
  1. způsob klasifikace? - učení s učitelem nebo bez učitele; induktivní učení; učení s použitím analogie; učení za použítí příkladů; učení vyjmenováním příkladů objektů z dané třídy; řešení problému na základě podobnosti s řešením problému v minulosti; učení metodou pokus - omyl se zpětnou vazbou z prostředí;
  2. způsob klasifikace? -
  a) tradiční proud umělé inteligence - modifikace poznatků v bázi pravidel;
  b) modifikace celé struktury kooperujících součástí systému;
  c) učení multiagentového systému - učení vzniká vzájemnou interakcí agentů s prostředím;
  Všeobecný rámec učení - kategorie algoritmů strojového učení: - tréningová data; - cíl učení; - reprezentace poznatků; - množina operátorů;
  7.
  Příklad učení deliberativních agentů - způsob učení novým pojmům s využitím symbolické reprezentace poznatků o světě. Definování a využití vhodných příkladů a vhodných protipříkladů pro jasné vysvětlení konkrétního pojmu, vytvoření pojmové mapy agenta, proces generalizace a specializace, závěrečná fáze učení.
  Učení reaktivních agentů - vysvětlení metody učení reaktivních agentů - učení posilováním - rozdíl oproti strojovému učení s využitím reprezentací světa. Vysvětlení postupu jednotlivých fází učení posilováním, nastínění jiných metod učení posilováním
  8.
  Učení reaktivních agentů v multiagentových systémech - způsob učení celého multiagentového společenství. Metody: Umělá ekonomika agentů, Hayekův stroj - vysvětlení principů, rozdělení a chování agentů. Metaučení - rozšíření metody Hayekova stroje.
  9.
  Rozhodovací stromy - využití při klasifikaci příkladů do dvou nebo více tříd podle hodnot určitých atributů.
  Shlukování objektů - vytvoření určitého rozdělení objektů na základě jejich podobnosti, avšak již bez znalosti příkladů a definované klasifikace. Agent musí klasifikaci vytvářet sám.
  10.
  Případové učení - využití pro rozšiřování báze p

Language of instruction

Czech

Further Comments

The course can also be completed outside the examination period.

• Enrolment Statistics (Summer 2012, recent)
  
• Permalink: https://is.slu.cz/course/fpf/summer2012/UIN3053