UINA353 Agents and Multi-Agent Systems II

Filozoficko-přírodovědecká fakulta v Opavě
léto 2018
Rozsah
2/2/0. 6 kr. Ukončení: zk.
Vyučující
Mgr. Marek Menšík, Ph.D. (přednášející)
RNDr. Miroslav Langer, Ph.D. (cvičící)
Garance
Mgr. Marek Menšík, Ph.D.
Ústav informatiky – Filozoficko-přírodovědecká fakulta v Opavě
Předpoklady
UINA352 Agents and Multi-Agent Sys. I
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
Cíle předmětu
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.
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 vytvářet sám.
    10.
    Případové učení - využití pro rozšiřování báze p
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
Vyučovací jazyk
Angličtina
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
Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je zařazen také v obdobích léto 2019, léto 2020, léto 2021.