نوع فایل: word
قابل ویرایش 95 صفحه
چکیده:
عاملها موجودات نر م افزاری هستند که بطور پیوسته و خود مختار دریک محیط که برای آن طراحی شده اند کار می کنند. برای عاملها نیازهایی از قبیل واکنشی بودن نسبت به کنشهای محیطی، خود مختاری در انتخاب مسیر و ادامه آن، قابلیت تطبیق و یادگیری و ... ضروری به نظر می رسد. امروزه مطالعه سیستمهای مبتنی بر عاملها به یک موضوع مهم آکادمیک تبدیل شده است که کاربردهای تجاری و صنعتی فراوانی را نیز در بر دارد. در سیستمهای چندعامله، چندین عامل هوشمند با قابلیت برقراری ارتباط با یکدیگر، جهت رسیدن به مجموعه ای از اهداف، با هم همکاری می کنند. بدلیل پیچیدگیهای موجود درمحیطهای چندعامله پویا و متغیر نیاز به روشهای یادگیری ماشین در چنین محیطهایی احساس می شود. اتوماتای یادگیر یک مدل انتزاعی است که تعدادمحدودی عمل را می تواند انجام دهد. هر عمل انتخاب شده توسط محیطی احتمالی ارزیابی می گردد و پاسخی به اتوماتای یادگیر داده می شود. اتوماتای یادگیر از این پاسخ استفاده نموده و عمل خود برای مرحله بعد را انتخاب می کند.
در این مقاله با استفاده از بستر تست شبیه سازی فوتبال روباتها به بررسی کارآیی اتوماتای یادگیر در همکاری بین عاملهای عضو یک تیم پرداخته شده است. بدلیل وجود تعداد حالات بسیار زیاد در دامنه های چند عامله پیچیده، داشتن روشی برای عمومی سازی حالات محیطی، امری ضروری است چرا که انتخاب مناسب چنین روشی، در تعیین حالات و اعمال عامل نقشی تعیین کننده دارد. دراین مقاله همچنین به معرفی و پیاده سازی تکنیک "بهترین گوشه در مربع حالت" پرداخته شده است. با استفاده از این روش فضای حالات پیوسته و بسیاروسیع عامل به فضای حالات گسسته و محدود نگاشته می شود. کارآیی این تکنیک در عمومی سازی حالات محیطی در یک دامنه چندعامله همکاری گرا موردبررسی قرار گرفته است.
مقدمه:
امروزه هوش مصنوعی به عنوان یک بحث علمیو کاربردی توسعة زیادی پیدا کرده است، طبیعتاً این توسعه باعث شاخه های بسیاری در آن گردیده که یکی از این شاخه ها، هوش مصنوعی توزیع شده یا DAI است. باند در 1988این رشته را به عنوان زیر شاخه ای از هوش مصنوعی که روی موازی بودن در سطوح مختلف متمرکز شده معرفی کرده است [Bond88]. اما تعریف جدیدتری توسط ویز از این حوزه ارائه شده است. ویز هوش مصنوعی توزیع شده را مطالعه، ساخت و کاربرد سیستمهای چند عامله میداند که در آنها عاملهای هوشمند مرتبط هدف مشخصی را دنبال میکنند و یا وظیفه خاصی را انجام میدهند. با دقت در این تعریف به اهمیت عامل بعنوان کوچکترین نهاد سازنده یک سیستم چند عامله که قادر به درک محیط و عکس العمل نسبت به آن است پیمیبریم[Weiss99].
اما مشکلات و سؤالات اولیه و اساسی در هوش مصنوعی توزیع شده چیست؟ باند [Bond88] و گسر[GasserOView92] پاسخهای مشابهی به این سؤال داده اند که میتوان آنها را اینگونه جمع بندی نمود:
1- چگونگی فرموله کردن ، تشریح ، تجزیه و انتساب مسائل و نتایج حاصل بین گروهی از عاملها
2- چگونگی ارتباط: زبانها ، پروتکلها
3- چگونگی اطمینان از :
الف- عملکرد یا ارتباط درست عاملها
ب- سازگاری تصمیمات محلی با نتایج مطلوب سراسری
ج – حذف ارتباطات مضر
4- چگونگی قدرت دادن به عاملها برای مدلسازی، ارائه و استدلال در مورد عملکرد ، برنامهریزی ، و دانش سایر عاملها به منظور هماهنگی و چگونگی استدلال در مورد نحوه هماهنگی
5- چگونگی تشخیصدیدگاههای ناجور و نیات متضاد با هدف هماهنگی و سازگاری آنها.
6- رفتار جمعی منسجم
7- پیاده سازی
8- مسائل عملی مهندسی
در این میان با توجه به اهداف متفاوتی که افراد دنبال میکردهاند و روشهای مختلفی که به این سئوالات پاسخ گفتهاند و با مشکلات آن مواجه شده اند ، هوش مصنوعی توزیع شده به سه شاخه اصلی تقسیم میشود [Bond88] :
1- حل مسئله توزیع شده
2- هوش موازی
3- سیستمهای چند عامله
از بین این سه شاخه ، سیستمهای چند عامله، به عنوان یکی از مباحث روز است، که بطور بسیار گسترده مورد بحث قرار گرفته است . این سیستمها خود به انواع مختلفی تقسیم میشوند که با توجه به معماری عاملها ، محیط کاربرد و روشهای ارتباط (تعامل) و ... میتوان آنها را به انحاء مختلف تقسیم بندی نمود، و این باز بر میگردد به نحوه پاسخ گفتن به هر یک از پرسشهای قبل و در [Bond88] و [GasserOView92] به تفصیل آمده است .
[GasserOView92] ویژگیهای طبیعی مسائل قابل حل بوسیله فناوری سیستمهای چند عامله (MAS) را بهاینصورت تشریح میکند:
1- ساختار واضح از لحاظ زمانبندی ، دانش ، ارتباطات ، اهداف برنامه ریزیها ویا فعالیتها داشته باشد.
2- فعالیتها ، ادراک ، اختیارات و یا کنترل بطور طبیعی در سیستم توزیع شده باشد.
3- وابستگی درونی به علت :
الف – تصمیمات محلی موثر بر تصمیمات سراسری
ب- احتمالا ارتباطات مضر بین عاملها
4- محدودیتهایی که ممکن است از نظر زمان ، ارتباط ، عرض باند و .... وجود داشته باشد که مانع از یک دید سراسری و کنترل و حل متمرکز میشود .
میتوان کاربردهای متعددی برای این فناوری یافت که افراد مختلف روی زمینه های متفاوتی از آن کار کرده اند .[GosserOView92] تعدادی از این کاربردها را به این قرار آورده است:
1- مسائل تحقیقی و تخصصی چون مساله دنبال کردن ، جهان بلاکها ،معمای زندانیان و ...
2- دامنه های نظری هوش توزیع شده چون نظریه دانش ، حصول فعالیت مشترک برمبنای نظریه بازیها ، مدلهای محاسباتی توزیع شده ، اکولوژیهای توزیع شده .
3- پردازش گفتار و زبان طبیعی
4- ساخت و تولید و رباتیک
5- سیستمهای اطلاعاتی سازمانی
6- کنترل ترافیک هوایی و شهری [Ossowski99]
7- طراحی و برنامه ریزی
8- حس کردن و تفسیر توزیع شده
9- کنترل و بازرسی بلادرنگ فرآیندهای پیچیده صنعتی (مونیتورینگ)
10- کنترل و مدلسازی فرآیندهای تجاری
11- تجارت الکترونیک [eCom]
12- تجارت الکترونیک صوتی [vCom98][evCom]
13- آموزش
14- دفاع هوایی و فناوری فضایی [Truszkowski99]
15- مطالعه و بررسی نظریه های جامعه شناسی و روانشناسی
16- شهرهای مجازی [Ishida99]
فهرست مطالب:
چکیده
مقدمه
فصل اول – کلیات تحقیق
مقدمه
یافتن عامل هادرMAS
رویارویی عامل هادرسیستم های چندعاملی
وابستگی میان عامل ها
توافق میان عامل ها
ارتباط میان عامل ها
آنتولوژی
خلاصه
فصل دوم – مروری برادبیات وپیشینه تحقیق
مقدمه
عاملهای هوشمنددرتجارت الکترونیکی
تاریخچه
کاربردها
انواع بازی
نمونه هائی ازبازیها
فصل سوم – روش اجرای تحقیق
مقدمه
تعریف سیستم چندعاملی
دومسئله کلیدی درطراحی سیستم چندعاملی
عامل ها وسیستم های خبره
عامل های هوشمندوهوش مصنوعی
فصل چهارم – کاربردسیستم های چندعاملی
بخش اول
به کارگیری اتوماتهای یادگیردرسیستم های جندعامله همکار
مقدمه
اتوماتهای یادگیر
یادگیری تقویتی درسیستم های چندعامله
یادگیرنده های مستقل ومشترک دربازیهای تکراری
ارزیابی یادگیری Q درهمکاری عاملی
ارزیابی اتوماتهای یادگیردرهمکاری عاملها
بخش دوم
بررسی تطبیق متدولوژی های مبتنی برعامل
مقدمه
مقدمه ای برعامل
برنامه نویسی شی گراء
برنامه نویسی عاملگرا
محیط عامل
معماری عامل
ارتباط وهماهنگی درعاملها
مقایسه عامل وشیء
فصل پنجم – نتیجه گیری وپیشنهادات
خلاصه بحث ونتیجه گیری
پیشنهادات تحقیق
محدودیت های تحقیق
فصل پنجم – فهرست منابع
فهرست منابع فارسی وانگلیسی
فهرست نمودارها:
ارتباط بین اتوماتهای یادگیرومحیط
همگرایی همکاری برای یادگیرنده های فردی ومشترک
دوعامل یادگیرنده براساس اتوماتهای یادگیر
سرعت وشیوه همگرایی دوعامل یادگیرنده مستقل
سرعت وشیوه همگرایی دوعامل یادگیرنده مستقل
سرعت وشیوه همگرایی دوعامل یادگیرنده مشترک
دید انتزاعی از عامل
معماری یک سیستم چند عامله با تقسیم بندی وظایف
منابع و مأخذ:
Multiagent Systems is copyright © Shoham and Leyton-Brown, 2009, 2010
A Modern Approach to Distributed Modern Approach to Artificial Intelligence
edited by Gerhard Weiss
1- Boutilier C., “Planning, learning and coordination in multiagent decision processes”, In: Proceedings of the 6th Conference on Theoretical Aspects of Rationality and Knowledge (1996) (195-210)
2- Chalkiadakis G. and Boutilier C., Coordination in Multiagent Reinforcement Learning: A Bayesian Approach, In: Proceedings of 2nd Intl. Conf. on Autonomous Agents and Multiagent Systems (AAMAS-03) (2003)
3- Claus C., C. Boutilier, “The Dynamics of Learning Reinforcement in Cooperative Multiagent Systems”, American Association for Artificial Intelligence (1998)
4- Kaelbling L., L., Littman, A. Moore, “Reinforcement Learning: A Survey”, In: Journal of Artificial Intelligence Research (1996)
5- Fudenberg D. and D. M. Kreps, “Lectures on Learning and Equilibrium in Strategic Games”, CORE Foundation, Belgium (1992)
6- Hu Junling and M. Wellman, “Multiagent Reinforcement Learning in Stochastic Games” (1999)
7- Jennings, N. R., P. Faratin, A. R. Lomuscio, S. Parsons, C. Sierra and M. Wooldridge, Automated Negotiation: Prospects, Methods and Challenges, Int. Journal of Group Decision and Negotiation (2000)
8- Jennings, N. R., Sycara, and Wooldridge, A roadmap of agent research and development, Autonomous Agents and Multiagent Systems Jouranl, 1:7-38 (1998)
9- Huhns, M. and L. Stephens, Multi-agent Systems and Societies of Agents, In: Gerhard Weiss (ed), Multiagent Systems: A Modern Approach to Distributed Artificial Intelligence, MIT Press (1999)
10- Lakshmivarahan, S., “Learning Algorithms: Theory and Applications”, New York, Springer Verlag (1981)
11- Mars, P., Chen, J. R. and Nambir, R., “Learning Algorithms: Theory and Applications in Signal Processing”, Control and Communications, CRC Press, Inc (1996).
12- Meybodi, M. R. and S. Lakshmivarahan: “Optimality of a Generalized Class of Learning Algorithm”, Information Science, Vol. 28 (1982) 1-20
13- Meybodi, M. R. and S. Lakshmivarahan: “On a Class of Learning Algorithms which have a Symmetric Bahavior under Success and Failure”, Lecture Notes in Statistics, Springer Verlag (1984) 145-155.
14- Narenrdra, K., S., M. A. L. Thathachar, “Learning Automata: An Introduction”, Prentice Hall (1989)
15- Sen S., G. Weiss,”Chapter 6: Learning in Multiagent Systems”, In: Gerhard Weiss (ed), Multiagent Systems: A Modern Approach to Distributed Artificial Intelligence, MIT Press (1999)
16- Stone P., “Layered Learning in Multi-Agent Systems”, PhD thesis, Carnegie Mellon University (1998)
17- Sutton, R., S., Barto A., G., “Reinforcement Learning, An Introduction”, MIT Press (2000)
18- Tan M., “Multi-agent Reinforcement Learning: Independent vs. Cooperative Agents”, In: Proceedings of the Tenth International Conference on Machine Learning (1993) (330-337)
19- Thathachar M. A. L., Sastry P.S., Varieties of Learning Automata: An Overview, IEEE Transactions on Systems, Man and Cybernetics – Part B: Cybernetics, Vol. 32, No.
6, (2002)
پروژه کاربرد سیستم های چندعامله (Multiagent systems). doc
