UIN3052 Agenty a multiagentové systémy I

Filozoficko-přírodovědecká fakulta v Opavě
zima 2018
Rozsah
2/0/0. 4 kr. Ukončení: zk.
Vyučující
RNDr. Miroslav Langer, Ph.D. (přednášející)
Mgr. Marek Menšík, Ph.D. (přednášející)
Garance
Mgr. Marek Menšík, Ph.D.
Ústav informatiky – Filozoficko-přírodovědecká fakulta v Opavě
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
Cíle předmětu
Studenti jsou seznámeni s teorií agentů a agentových systémů, od jednoduchých reaktivních agentů přes deliberativní, sociální a hybridní agenty k multiagentovým systémům, jsou představeny způsoby učení agentů a agentových systémů, způsoby komunikace mezi agenty. Jsou představeny způsoby tvorby 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 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
Výukové metody
Přednáška s aktivizací
Přednáška s analýzou videozáznamu
Metody hodnocení
Zkouška
Informace učitele
Teoretické a praktické zvládnutí témat předmětu, podmínky budou upřesněny na začátku výuky.
Další komentáře
Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je zařazen také v obdobích zima 1993, zima 1994, zima 1995, zima 1996, zima 1997, zima 1998, zima 1999, zima 2000, zima 2001, zima 2002, zima 2003, zima 2004, zima 2005, zima 2006, zima 2007, zima 2008, zima 2009, zima 2010, zima 2011, zima 2012, zima 2013, zima 2014, zima 2015, zima 2016, zima 2017, zima 2019, zima 2020, zima 2021, zima 2022, zima 2023.