UIN3052 Agents and Multi-Agents Systems I

Faculty of Philosophy and Science in Opava
Winter 2015
Extent and Intensity
2/0/0. 4 credit(s). Type of Completion: zk (examination).
Teacher(s)
RNDr. Miroslav Langer, Ph.D. (lecturer)
Mgr. Marek Menšík, Ph.D. (lecturer)
Guaranteed by
Mgr. Marek Menšík, Ph.D.
Institute of Computer Science – Faculty of Philosophy and Science in Opava
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
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.
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
Teaching methods
Interactive lecture
Lecture with a video analysis
Assessment methods
Exam
Language of instruction
Czech
Further comments (probably available only in Czech)
The course can also be completed outside the examination period.
Teacher's information
Project presentation max. 30 points, Final exam test max 70 points(min 36 points). To pass - 51points.
The course is also listed under the following terms Winter 1993, Winter 1994, Winter 1995, Winter 1996, Winter 1997, Winter 1998, Winter 1999, Winter 2000, Winter 2001, Winter 2002, Winter 2003, Winter 2004, Winter 2005, Winter 2006, Winter 2007, Winter 2008, Winter 2009, Winter 2010, Winter 2011, Winter 2012, Winter 2013, Winter 2014, Winter 2016, Winter 2017, Winter 2018, Winter 2019, Winter 2020, Winter 2021, Winter 2022, Winter 2023.
  • Enrolment Statistics (Winter 2015, recent)
  • Permalink: https://is.slu.cz/course/fpf/winter2015/UIN3052