aspekty wybrane (Multi Agent Systems - MAS) Systemy ... · PDF file(obiekty maj ą metody publiczne, ... – aspekty wybrane • Przekazywanienich cech (nabytych w wyniku wielopokoleniowego

wie

loag

ento

we

–as

pekt

y w

ybra

ne

Systemy wieloagentowe(Multi Agent Systems - MAS)

– aspekty wybrane –

Sys

tem

y w

ielo

agen

tow

e

1

Politechnika GdańskaWydział Elektrotechniki i Automatyki

Opracowanie: dr inż. Tomasz Rutkowski

Katedra Inżynierii Systemów Sterowania2014/2015

wie

loag

ento

we

–as

pekt

y w

ybra

nePlan prezentacji

• Czym są systemy wieloagentowe?• Agent, środowisko, aspekty komunikacji agentów

• Typowe struktury sterowania a systemy wieloagentowe

• Przykłady zastosowania systemów wielooagentowych:

Sys

tem

y w

ielo

agen

tow

e

2

• Przykłady zastosowania systemów wielooagentowych:• Systemy sterowania:

– Wielooagentowy system sterowania komfortem termicznym w budynku jednorodzinnym

– Zespoły robotów mobilnych• Obliczenia, harmonogramowanie:

–Algorytmy genetyczne/ewolucyjne–Algorytmy rojowe (rój cząstek, kolonia mrówek)

wieloagentowe – aspekty wybrane

Czym

są system

y w

ieloagentowe

?

Systemy wieloagentowe

3

wieloagentow

e?

wie

loag

ento

we

–as

pekt

y w

ybra

neCzym są systemy wieloagentowe?

• Systemy wieloagentowe są to systemy złożone z komunikujących się i współpracujących ze sobą agentów, realizujących wspólne cele

• Systemy wieloagentowe znajdują zastosowanie w rozwiązywaniu problemów o charakterze

Sys

tem

y w

ielo

agen

tow

e

4

rozwiązywaniu problemów o charakterze rozproszonym lub złożonym obliczeniowo

wie

loag

ento

we

–as

pekt

y w

ybra

neCzym są systemy wieloagentowe?

• Przykładami zastosowania systemów wieloagentowych są:– wyszukiwanie informacji w sieci internetowej,– zarządzanie sieciami telekomunikacyjnymi,– kontrola ruchu lotniczego,– rozwiązywanie zadań NP-trudnych,

Sys

tem

y w

ielo

agen

tow

e

5

– rozwiązywanie zadań NP-trudnych,– …

• Charakterystyczną cechą systemów wieloagentowych jest ich różnorodność wynikająca z różnorodności dziedzin obliczeń, do których są stosowane

wie

loag

ento

we

–as

pekt

y w

ybra

neCzym jest agent?

• Nie ma jednej precyzyjnej definicji agenta (oto dwie przykładowe)

Definicja 1Agentem jest element słu żący do budowy systemów zdecentralizowanych. Agent jest autonomiczny i działa

(posiada inicjatyw ę) w oparciu o obserwacj ę

Sys

tem

y w

ielo

agen

tow

e

6

(posiada inicjatyw ę) w oparciu o obserwacj ę docieraj ące do niego z otoczenia ( środowiska).

Definicja 2Agentem jest cokolwiek, co postrzega środowisko

i w jaki ś sposób na nie oddziałuje.

wie

loag

ento

we

–as

pekt

y w

ybra

neCzym jest agent?

• Typowo za agenta uznaje się systemem komputerowym (programem), usytuowanym w określonym środowisku, mogącym korzystać z określonych zasobów, zdolnym do autonomicznego działania, w celu osiągnięcia określonych

Sys

tem

y w

ielo

agen

tow

e

7

autonomicznego działania, w celu osiągnięcia określonych celów i posiadającym motywację do działania

wieloagentowe – aspekty wybraneC

zym jest agent?

•A

gent a środowisko


8

wieloagentowe – aspekty wybraneC

zym jest agent?


9

wie

loag

ento

we

–as

pekt

y w

ybra

neCzym jest środowisko?

• Jak opisać środowisko pracy agenta:– dostępne / niedostępne: określa dostępność informacji o środowisku, im bardziej „dostępne” tym „prościej” zbudować agenta,

– deterministyczne /niedeterministyczne: deterministyczne środowisko oznacza, że każda akcja agenta ma jednoznacznie określoną, gwarantowaną

Sys

tem

y w

ielo

agen

tow

e

10

agenta ma jednoznacznie określoną, gwarantowaną odpowiedź środowiska,

– epizodyczne /nieepizodyczne: w środowisku epizodycznym zmiany środowiska nie zależą od działania innych agentów,

– statyczne /dynamiczne: w środowisku statycznym jest skończona liczba możliwych akcji i percepcji agenta.

wie

loag

ento

we

–as

pekt

y w

ybra

neCzym jest agent?

• Cech agenta:– autonomiczność: agenci są w stanie działać

samodzielnie– reaktywność: agenci są w stanie zidentyfikować środowisko i zareagować w sposób umożliwiający realizację zadania,

– pro-aktywność: agenci są w stanie przejąć inicjatywę w

Sys

tem

y w

ielo

agen

tow

e

11

– pro-aktywność: agenci są w stanie przejąć inicjatywę w celu realizacji zadania,

– zdolność współpracy: agenci są w stanie współdziałać ze sobą w celu realizacji zadania.

wie

loag

ento

we

–as

pekt

y w

ybra

neCzym jest agent?

• Typowo rolę agenta w systemie wielooagentowym porównuje się do roli obiektów w programowaniu obiektowym, niemniej jednak są między nimi różnice:– agent posiada wewnętrzną świadomość i swój własny cel,

który może być różny od celu innego agenta, w związku z tym prośba od innego agenta zostanie wykonana tylko wtedy jeżeli jest ona zgodna z interesem pytanego agenta(obiekty mają metody publiczne, które umożliwjają innym

Sys

tem

y w

ielo

agen

tow

e

12

(obiekty mają metody publiczne, które umożliwjają innym obiektom uruchamianie ich niezależnie od woli obiektu posiadającego taką metodę),

– agenci mają możliwość dostosowania swojego zachowania do sytuacji: reaktywność, proaktywność, zdolność współpracy (obiekt też może mieć takie właściwości, ale są one niezmienne i nie zależą od stanu innych obiektów),

– każdy agent ma co najmniej jeden wewnętrzny wątek sterujący jego stanem wewnętrznym.

wie

loag

ento

we

–as

pekt

y w

ybra

neCzym jest agent?

• OBIEKT

private int a,b;public void setNewValues(int a, int b){

this.a = a; this.b = b;}

Sys

tem

y w

ielo

agen

tow

e

13

• AGENT

vate int a,b;public void setNewValues(int a, int b){if (a>b) {this.a = a; this.b = b;sender.setConfirm(true);

else {sender.setConfirm(false);

}

wieloagentowe – aspekty wybraneP

ercepcja agentaSystemy wieloagentowe

14

wieloagentowe – aspekty wybraneP

ercepcja agentaSystemy wieloagentowe

15

wie

loag

ento

we

–as

pekt

y w

ybra

nePercepcja agenta

• Podstawowe typy agentów w zależności od sposobu realizacji funkcji decyzyjnych (action) agenta:– agent logiczny: funkcja decyzyjna implementowana jest

w wyniku dedukcji– agent reaktywny: funkcja decyzyjna jest

implemenmtowana na podstawie analizy stanu środowiska (funkcje IF-THEN)

Sys

tem

y w

ielo

agen

tow

e

16

środowiska (funkcje IF-THEN)– agent BDI (ang. beliefs, desires, intentions): funkcja

decyzyjna zależy od kombinacji danych reprezentowanych jako przekonanie-pragnienie-intencja

– agenci o architekturze warstwowej: funkcja decyzyjna jest realizowana przez różne warstwy programowe, z których każda odpowiedzialna jest za inny poziom abstrakcji środowiska

wie

loag

ento

we

–as

pekt

y w

ybra

neSystem wieloagentowy

• System wieloagentowy posiada następujące elementy:– środowisko,– obiekty umieszczone w środowisku,– agenci operujący w środowisku,– relacje pomiędzy agentami.

• System wieloagentowy posiada następujące cechy:

Sys

tem

y w

ielo

agen

tow

e

17

• System wieloagentowy posiada następujące cechy:– składa się z autonomicznych agentów, z których każdy

realizuje swoje cele, które mogą lecz nie muszą być wspólne z interesem grupy,

– jest otwarty i podejmowanie decyzji jest rozproszone (agenci mogą posiadać zróżnicowane poziomy autonomii),

– środowisko systemu wielooagentowego określa rodzaj komunikacji.

wie

loag

ento

we

–as

pekt

y w

ybra


• Komunikacja pomiędzy agentami

Sys

tem

y w

ielo

agen

tow

e

18

wie

loag

ento

we

–as

pekt

y w

ybra


• Podział agentów ze względu na możliwości komunikacyjne

Sys

tem

y w

ielo

agen

tow

e

19

wie

loag

ento

we

–as

pekt

y w

ybra


• Charakter wymienianych komunikatów pomiędzy agentami:– propozycja określonej akcji,– akceptacja akcji,– odrzucenie akcji– odwołanie akcji,– niezgodzenie się na zaproponowaną akcję,

Sys

tem

y w

ielo

agen

tow

e

20

– niezgodzenie się na zaproponowaną akcję,– kontrpropozycja na zaproponowaną akcję.

wie

loag

ento

we

–as

pekt

y w

ybra

ne

Typowe strukturysterowania

Sys

tem

y w

ielo

agen

tow

e

21

sterowaniaa systemy

wieloagentowe

wie

loag

ento

we

–as

pekt

y w

ybra

ne

Podstawowa warstwowa struktura sterowaniaS

yste

my

wie

loag

ento

we

22Żródło: P.Tatiewski „Sterowanie…

wie

loag

ento

we

–as

pekt

y w

ybra

ne

Przykład klasycznej struktury sterowaniaS

yste

my

wie

loag

ento

we

Żródło: Grega „Metody i algorytmy…

wie

loag

ento

we

–as

pekt

y w

ybra

ne

Przykład scentralizowanej struktury sterowania

Interfejs I/O

System informacyjnyplanowania produkcjii wytwarzania

Sys

tem

y w

ielo

agen

tow

e


wie

loag

ento

we

–as

pekt

y w

ybra

ne

Przykład wielowarstwowej struktury sterowania

Sieć teletransmisyjna(magistrala polowa, sieć miejscowa; fieldbus)

Sys

tem

y w

ielo

agen

tow

e


wie

loag

ento

we

–as

pekt

y w

ybra

ne

Przykład rozproszonej struktury sterowaniaS

yste

my

wie

loag

ento

we


wie

loag

ento

we

–as

pekt

y w

ybra

ne

oprogramowanienarzędziowe

sieciinformatyczne

technologieinformatyczne

Sys

tem

y w

ielo

agen

tow

e

urządzeniasterowaniacyfrowego

archiwizacjadanych …

wie

loag

ento

we

–as

pekt

y w

ybra

ne

oprogramowanienarzędziowe

sieciinformatyczne

technologieinformatyczne

Sys

tem

y w

ielo

agen

tow

e

urządzeniasterowaniacyfrowego

archiwizacjadanych …

wie

loag

ento

we

–as

pekt

y w

ybra

ne

Wielooagentowy system sterowania komfortem

Sys

tem

y w

ielo

agen

tow

e

29

sterowania komfortem termicznym w budynku

jednorodzinnym

wie

loag

ento

we

–as

pekt

y w

ybra

ne

Wieloagentowy system sterowania komfortem termicznym w budynku jednorodzinnym

Sys

tem

y w

ielo

agen

tow

e

30

wie

loag

ento

we

–as

pekt

y w

ybra

ne


Sys

tem

y w

ielo

agen

tow

e

31

wie

loag

ento

we

–as

pekt

y w

ybra

ne


Sys

tem

y w

ielo

agen

tow

e

32

wie

loag

ento

we

–as

pekt

y w

ybra

ne

• Agent strefowy podejmuje decyzje na podstawie funkcji użyteczności (innej dal każdego z agentów warstwy komfortu) w której wyodrębniane są dwa składniki:– Korzyści, – Koszty.


korzyści

Sys

tem

y w

ielo

agen

tow

e

33

koszty

wie

loag

ento

we

–as

pekt

y w

ybra

ne

• Zaprojektowany system wielooagentowy opisano za pomocą diagramów:– przypadków użycia: do modelowania zadań wszystkich

elementów (aktorów) systemów,– czynności: do modelowania funkcjonalności poszczególnych

elementów systemu,


Sys

tem

y w

ielo

agen

tow

e

34

– sekwencji: do opisu interakcji pomiędzy elementami systemu wraz z upływem czasu,

– klas: do opisu statycznych cech modelu.

wie

loag

ento

we

–as

pekt

y w

ybra

ne Diagram przypadków użycia


Sys

tem

y w

ielo

agen

tow

e

35

wie

loag

ento

we

–as

pekt

y w

ybra

ne


Diagram czynności:Agent ogrzewania

Sys

tem

y w

ielo

agen

tow

e

36

wie

loag

ento

we

–as

pekt

y w

ybra

ne


Diagram czynności:Agent nawilżaniapowietrza

Sys

tem

y w

ielo

agen

tow

e

37

wie

loag

ento

we

–as

pekt

y w

ybra

ne


Diagram czynności:Agent wentylacji

Sys

tem

y w

ielo

agen

tow

e

38

wie

loag

ento

we

–as

pekt

y w

ybra

ne


Diagram czynności:Agent strefowy

Sys

tem

y w

ielo

agen

tow

e

39

wie

loag

ento

we

–as

pekt

y w

ybra

ne Diagram sekwencjiPrzykład 1


Sys

tem

y w

ielo

agen

tow

e

40

wie

loag

ento

we

–as

pekt

y w

ybra

ne Diagram sekwencjiPrzykład 2


Sys

tem

y w

ielo

agen

tow

e

41

wie

loag

ento

we

–as

pekt

y w

ybra

ne


Diagram klas

Sys

tem

y w

ielo

agen

tow

e

42

wie

loag

ento

we

–as

pekt

y w

ybra

ne


Platforma JADE

Sys

tem

y w

ielo

agen

tow

e

43

wie

loag

ento

we

–as

pekt

y w

ybra

ne


Sys

tem

y w

ielo

agen

tow

e

44

wie

loag

ento

we

–as

pekt

y w

ybra

ne


Sys

tem

y w

ielo

agen

tow

e

45

wie

loag

ento

we

–as

pekt

y w

ybra

ne


Sys

tem

y w

ielo

agen

tow

e

46

wie

loag

ento

we

–as

pekt

y w

ybra

ne


Sys

tem

y w

ielo

agen

tow

e

47

wie

loag

ento

we

–as

pekt

y w

ybra

ne


Sys

tem

y w

ielo

agen

tow

e

48

wie

loag

ento

we

–as

pekt

y w

ybra

ne


Sys

tem

y w

ielo

agen

tow

e

49

wie

loag

ento

we

–as

pekt

y w

ybra

ne


Sys

tem

y w

ielo

agen

tow

e

50


Zespoły robotów

m

obilnych


51

mobilnych

wie

loag

ento

we

–as

pekt

y w

ybra

ne • Aspekty systemów wieloagentowych powszechnie stosowane są w zagadnieniach zespołów robotów mobilnych:– zadanie może być wykonane przez pojedynczego

robota, ale zespół robotów może wykonać je szybciej lub bardziej efektywnie (zadania inspekcji, eksploracji, …),

Zespoły robotów mobilnychS

yste

my

wie

loag

ento

we

52

…),– zadanie nie może być wykonane przez pojedynczego

robota i tylko zespół składający się z kilku robotów współpracujących ze sobą może wykonać to zadanie (wszelkiego rodzaju zadania transportowe)

wie

loag

ento

we

–as

pekt

y w

ybra

ne Przykłady zastosowań:• ….

DEMO 1

Zespoły robotów mobilnychS

yste

my

wie

loag

ento

we

53

DEMO 1DEMO 2DEMO 3DEMO 4


Klasyczny


54

Algorytm

Genetyczny

wie

loag

ento

we

–as

pekt

y w

ybra

ne

• Przekazywanie przez organizmy pewnych, charakterystycznych dla nich cech (nabytych w wyniku wielopokoleniowego życia w pewnym środowisku) zapisanych w genach kolejnym pokoleniom w wyniku reprodukcji

• Cechy te zapisane są w genach , które przechowywane są w chromosomach , które z kolei tworzą strukturę genotypu

Inspiracja dla algorytmów genetycznych/ewolucyjnychS

yste

my

wie

loag

ento

we

55

chromosomach , które z kolei tworzą strukturę genotypu• Fenotyp to zestaw wartości odpowiadający danemu genotypowi

(zdekodowany genotyp)

• Podczas przekazywania cech dochodzi do modyfikacji genów:– następuje krzy żowanie różniących się chromosomów obojga

rodziców,– często zachodzi mutacja , czyli zamiana pojedynczych genów w

chromosomie

wie

loag

ento

we

–as

pekt

y w

ybra

ne

• Nowy organizm ma cechy swoich rodziców ale i takie charakterystyczne dla siebie , które decyduj ą o tym czy jest dobrze czy źle przystosowany do życia w danym środowisku

• Jeśli dobrze (korzystna kombinacja genów), to przeka że zapewne swój materiał genetyczny potomstwu

• Jeśli źle (niekorzystna kombinacja genów), to trudno b ędzie mu

Inspiracja dla algorytmów genetycznych/ewolucyjnychS

yste

my

wie

loag

ento

we

56

• Jeśli źle (niekorzystna kombinacja genów), to trudno b ędzie mu żyć w danym środowisku i trudno mu b ędzie przekaza ć swoje geny potomstwu

Ale jak to wykorzystać w obliczeniach numerycznych?

wie

loag

ento

we

–as

pekt

y w

ybra

neSTART

Inicjalizacja: losowy wybór populacji początkowej chromosomów

Ocena przystosowania chromosomów w populacji

Klasyczny algorytm genetycznyS

yste

my

wie

loag

ento

we

57STOP

Warunek zatrzymania

Selekcja chromosomów

Zastosowanie operatorów genetycznych

Utworzenie nowej populacji

TAK NIE

„Prezentacja” najlepiej przystosowanego chromosomu

wie

loag

ento

we

–as

pekt

y w

ybra

ne Przykłady zastosowań:• ….

Klasyczny algorytm genetycznyS

yste

my

wie

loag

ento

we

58

DEMO AG

wieloagentowe – aspekty wybraneR

ój, Stado, Ław

ica, Kolonia…


59


ój, Stado, Ław

ica, Kolonia…


60


ój, Stado, Ław

ica, Kolonia…


61

wie

loag

ento

we

–as

pekt

y w

ybra

neRój, Stado, Ławica, Kolonia…

• Podstawowy model zachowania osobnika w grupie

Sys

tem

y w

ielo

agen

tow

e

62

Wyrównanie kierunku:W sensie średnim do

swoich sąsiadów

Separacja:Gdy za blisko to

oddal się od sąsiada

Wyrównanie położenia:W sensie średnim do

swoich sąsiadów


ój, Stado, Ław

ica, Kolonia…


63

wie

loag

ento

we

–as

pekt

y w

ybra


• A jak postępują mrówki? -> feromonyEksperyment na prawdziwych mrówkach

Sys

tem

y w

ielo

agen

tow

e

64

wie

loag

ento

we

–as

pekt

y w

ybra


• A jak postępują mrówki? -> feromonyEksperyment na prawdziwych mrówkach

Sys

tem

y w

ielo

agen

tow

e

65

wie

loag

ento

we

–as

pekt

y w

ybra

neOgólny model cząstki (osobnika) w grupie (stadzie)

Każda cząstka (osobnik):• posiada określone położenie (współrzędne),• zna swoje położenie,• zna wartość funkcji ewaluacyjnej (funkcji celu) dla swojego

położenia,• ma ustaloną prędkość i zwrot,• pamięta najlepsze położenie jakie dotychczas osiągnęła,• pamięta wartość funkcji ewaluacyjnej (funkcji celu) dla swojego

Sys

tem

y w

ielo

agen

tow

e

66

• pamięta wartość funkcji ewaluacyjnej (funkcji celu) dla swojego najlepszego położenia,

• zna swoich sąsiadów,• zna najlepsze uzyskane położenia swoich sąsiadów,• zna wartość funkcji ewaluacyjnej (funkcji celu) dla najlepszych

położeń swoich sąsiadów.

Ten zestaw cech daje umiejętność skupiania się osobników czy zdolność znajdowania określonych punktów w przestrzeni.


Rój C

ząstek


67

wie

loag

ento

we

–as

pekt

y w

ybra

neRój Cząstek – inspiracje

Sys

tem

y w

ielo

agen

tow

e

68

• Dynami poruszającego się stada, którą można wykorzystać do przeszukania przestrzeni rozwiązań rozważanego zadania

wie

loag

ento

we

–as

pekt

y w

ybra

neRój Cząstek – podstawowe kroki algorytmu

1. Inicjalizacja położenia, obliczenie wartości funkcji ewaluacyjnych, wyznaczenie najlepszego (globalnie) znalezionego rozwiązania w domenie reprezentującej obszar rozwiązań analizowanego zadania(prędkość i kierunek cząstek przyjmuje się na tym etapie jako zerowy)

2. Wyznaczenie nowych prędkości i kierunków przemieszczania się cząstek roju,

3. Przemieszczenie cząstek w nowe położenie,4. Obliczenie wartości funkcji ewaluacyjnych dla nowych współrzędnych

cząstek,

Sys

tem

y w

ielo

agen

tow

e

69

cząstek,5. Sprawdzenie, czy nowe położenie cząstek jest lepsze od najlepszych

dotychczas znanych położeń,6. Zapamiętanie nowych, najlepszych położeń cząstek,7. Wyznaczenie najlepszego (globalnie) znalezionego rozwiązania po

zakończonej pojedynczej iteracji.8. Sprawdzenie warunku stopu, jeżeli nie spełniony powrót do drugiego

kroku algorytmu,9. Prezentacja najlepszego rozwiązania i zakończenie algorytmu.

wie

loag

ento

we

–as

pekt

y w

ybra

neRój Cząstek – ustalenie kierunku ruchu i prędkości cząstek

Cząstka może przemieścić się w:• dotychczas obranym kierunku,• kierunku swojego najlepszego położenia,• w kierunku najlepszego znanego położenia sąsiadów.

Sys

tem

y w

ielo

agen

tow

e

70

wie

loag

ento

we

–as

pekt

y w

ybra

neRój Cząstek – przemieszczanie się cząstek w przestrzeni

Przemieszczanie cząstek następuje zgodnie z zależnością:

Sys

tem

y w

ielo

agen

tow

e

71

wie

loag

ento

we

–as

pekt

y w

ybra

neRój Cząstek

Przykłady zastosowań:• ….

Sys

tem

y w

ielo

agen

tow

e

72

DEMO RC1DEMO RC2


Kolonia M

rówek


73

wieloagentowe – aspekty wybraneK

olonia Mrów

ek -inspiracja


74

wie

loag

ento

we

–as

pekt

y w

ybra

neKolonia Mrówek - podstawowe kroki algorytmu

1. Generowanie rozwiązania w przestrzeni rozwiązań -> rozchodzenie się mrówek wokół mrowiska

2. Aktualizacja ścieżek feromonów3. Sprawdzenie warunku stopu, jeżeli nie spełniony

powrót do pierwszego kroku algorytmu (mrówki

Sys

tem

y w

ielo

agen

tow

e

75

powrót do pierwszego kroku algorytmu (mrówki ruszają od początku)

4. Prezentacja najlepszego rozwiązania i zakończenie algorytmu

wie

loag

ento

we

–as

pekt

y w

ybra


1. Generowanie rozwiązania w przestrzeni rozwiązań -> rozchodzenie się mrówek wokół mrowiska

typowo przeszukiwanie struktury grafu

Sys

tem

y w

ielo

agen

tow

e

76

typowo przeszukiwanie struktury grafu

A

D

C

B

wie

loag

ento

we

–as

pekt

y w

ybra

ne

A B

1

[]

[]

2

[]

Kolonia Mrówek - podstawowe kroki algorytmuS

yste

my

wie

loag

ento

we

ED

C

4

[]

3

5

[]

dAB =100;dBC = 60…;dDE =150

wie

loag

ento

we

–as

pekt

y w

ybra

ne

A B1

[A]

3

[C]

2

[B]

Kolonia Mrówek - podstawowe kroki algorytmu

Iteracja 1

Sys

tem

y w

ielo

agen

tow

e

ED

C

5

[E]

3

4

[D]

wie

loag

ento

we

–as

pekt

y w

ybra

ne

A B1

[A]

1

[A]

[A]

przypadku przeciwnym w 0

tabuj jeśeś ][)]([

][)]([

)(k

∈

= ∑∉ ktabuh

ihih

ijij

kij

t

t

tpβα

βα

στστ


Jaką drog ę wybra ć?

Sys

tem

y w

ielo

agen

tow

e

ED

C

1

[A]1

[A]

1

[A,D]

wie

loag

ento

we

–as

pekt

y w

ybra



tabuj jeśeś ][)]([

][)]([

)(k

∈

= ∑∉ ktabuh

ihih

ijij

kij

t

t

tpβα

βα

στστ

Sys

tem

y w

ielo

agen

tow

e

wie

loag

ento

we

–as

pekt

y w

ybra

ne

A B3

[C,B]

5

[E,A]

[B,C]


Iteracja 2

Sys

tem

y w

ielo

agen

tow

e

ED

C

1

[A,D]

2

4

[D,E]

wie

loag

ento

we

–as

pekt

y w

ybra

ne

A B4

[D,E,A]

5

[E,A,B]

[A,D,C]


Iteracja 3

Sys

tem

y w

ielo

agen

tow

e

ED

C

3

[C,B,E]

2

[B,C,D]

1

wie

loag

ento

we

–as

pekt

y w

ybra

ne

A B4

[D,E,A,B]

2

[B,C,D,A]

[E,A,B,C]


Iteracja 4

Sys

tem

y w

ielo

agen

tow

e

ED

C5

1

[A,DCE]

3

[C,B,E,D]

wie

loag

ento

we

–as

pekt

y w

ybra

ne

A B

1

[A,D,C,E,B]

3

[C,B,E,D,A]

[D,E,A,B,C]


Iteracja 5

Sys

tem

y w

ielo

agen

tow

e

ED

C4

2

[B,C,D,A,E]

5

[E,A,B,C,D]

wie

loag

ento

we

–as

pekt

y w

ybra

ne

1

[A,D,C,E,B]

L1 =300

L2 =450

L =260

2

[B,C,D,A,E]

[C,B,E,D,A]

Kolonia Mrówek - podstawowe kroki algorytmuAktualizacja ścieżek feromonów

( ) kji

kji

kji ,,, 1 ττρτ ∆+⋅−=

Sys

tem

y w

ielo

agen

tow

e

5

[E,A,B,C,D]

∈=∆


k mrówki ścieżka naljlepsz),( ,

jiifL

Q

kk

jiτ

L3 =260

L4 =280

L5 =420

3

4

[D,E,A,B,C]

Powrót mrówek do pozycji pocz ątkowych, może pójd ą inn ą drog ą

wie

loag

ento

we

–as

pekt

y w

ybra

neKolonia Mrówek

Przykłady zastosowań:• ….

Sys

tem

y w

ielo

agen

tow

e

86

DEMO KM1DEMO KM2

wie

loag

ento

we

–as

pekt

y w

ybra

neBibliografia

• Wooldridge, Michael . An Introduction to MultiAgent Systems. John Wiley & Sons, 2002.

• Shoham, Yoav; Leyton-Brown, Kevin. Cambridge University Press, 2008.

• J. H. Holland. Adaptation in Natural and Artificial Systems. The University of Michigan Press, Ann Arbor, Michigan, 1975.

Sys

tem

y w

ielo

agen

tow

e

87

• Z. Michalewicz. Genetic Algorithms + Data Structures = Evolution Programs. Springer-Verlag, Berlin, third edition, 1996.

• James Kennedy, Russell Eberhart. Particle swarm optimization. In Proceedings of IEEE International Conference on Neural Networks. IEEE Press (strony 1942–1948), NJ, USA, 1995.

• Marco Dorigo, Thomas Stützle. Ant Colony Optimization. The MIT Press, London, 2004.


Dziękuję za uw

agę !!!


88

Documents

aspekty wybrane (Multi Agent Systems - MAS) Systemy ... · PDF file(obiekty maj ą metody publiczne, ... – aspekty wybrane • Przekazywanienich cech (nabytych w wyniku wielopokoleniowego