FPF:UIN3053 Agenty a multiagent. syst. II - Informace o předmětu
UIN3053 Agenty a multiagentové systémy II
Filozoficko-přírodovědecká fakulta v Opavěléto 2020
- Rozsah
- 2/2/0. 6 kr. Ukončení: zk.
- Vyučující
- Mgr. Marek Menšík, Ph.D. (přednášející)
RNDr. Miroslav Langer, Ph.D. (cvičící)
Mgr. Marek Menšík, Ph.D. (cvičící)
Mgr. Daniel Valenta, Ph.D. (cvičící) - Garance
- Mgr. Marek Menšík, Ph.D.
Ústav informatiky – Filozoficko-přírodovědecká fakulta v Opavě - Rozvrh
- Čt 11:25–13:00 LEI
- Rozvrh seminárních/paralelních skupin:
- Omezení zápisu do předmětu
- Předmět je nabízen i studentům mimo mateřské obory.
- Mateřské obory/plány
- Informatika a výpočetní technika (program FPF, N1801 Inf)
- Cíle předmětu
- Studenti jsou seznámeni s teorií agentů a agentových systémů, od jednoduchých reaktivních agentů přes deligerativní, sociální a hybridní agenty k multiagentovým systémům. Jsou představeny způsoby učení agentů a gentových systémů, způsoby komunikace mezi agenty. Jsou představeny způsoby reálných agentových systémů.
- Osnova
- 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 vytváře
- 1.
- Literatura
- doporučená literatura
- Wooldridge, M. An Introduction to MultiAgent Systems (second edition). John Willey and Sons Ltd:, 2009. ISBN 978-0-470-51946-2. info
- KUBÍK, A. Inteligentní agenty. Tvorba aplikačního software na bázi multiagentových systémů. Brno: Computer press, 2004. ISBN 80-251-0323-4. info
- KUBÍK, A. Tvorba aplikačního software na bázi multiagentových systémů. Brno: Computer press, 2004. ISBN 80-251-0323-4. info
- KELEMEN, J. Strojovia a agenty. Bratislava: Archa, 1994. info
- Výukové metody
- Přednáška s aktivizací
Přednáška s analýzou videozáznamu
Prezentace seminární práce - Metody hodnocení
- Zkouška
Zápočet - Informace učitele
- Teoretické a praktické zvládnutí témat předmětu, podmínky budou upřesněny na začátku výuky.
Zápočet: aspoň 20 z 40 bodů, zkouška: aspoň 31 z 60 bodů.
- Další komentáře
- Studijní materiály
Předmět je dovoleno ukončit i mimo zkouškové období.
- Statistika zápisu (léto 2020, nejnovější)
- Permalink: https://is.slu.cz/predmet/fpf/leto2020/UIN3053