Upload
craig
View
44
Download
0
Embed Size (px)
DESCRIPTION
Multiagent Systems. Einführung Zusammenfassung der ersten 18 Seiten des Survey-Papers von Peter Stone. Über diesen Vortrag UNTERLAGEN. Präsentation „Mitschrift“ Zettel Begriffe Survey-Paper von Peter Stone Pdf-Dateien Kube. Über diesen Vortrag INHALT. - PowerPoint PPT Presentation
Citation preview
Multiagent Systems
Einführung
Zusammenfassung der ersten 18 Seiten des Survey-Papers von Peter Stone
Über diesen VortragUNTERLAGEN Präsentation „Mitschrift“ Zettel Begriffe
Survey-Papervon Peter Stone
Pdf-DateienKube
Über diesen VortragINHALT WAS sind MAS,
WOZU denn MAS,KATEGORIEN von MAS
Non-Communicating homogeneous MASPursuit-DomainCooperative Insects
Ausblicke Beispiel (cooperative
Transport) Diskussion Peter Stone
Über diesen VortragZiele Überblick Multiagents Systems
(Begriffe, Einteilung)
Motivation(Wozu, warum, Möglichkeiten)
Homogeneous Non-Comm. MAS(Aktualität, Einsatzgebiete, konkrete Vorstellung anhand von Beispielen)
1) WAS sind MAS
C A Icen trlized AI
D P Sd is tr ibuted P rob lem S o lv ing
M A SM u ltiagen t S ystem s
D A Id is tr ibuted AI
A IA rtific ia l Inte lligence
1.1) AGENT für sich
Goals(Ziel, Intention)
Actions(Handlung)
Domain Knowledge(Wissen)
goal
knowledge
action
1.2) AGENT „Behaviour“ Agent
(Goals, Action, Domain Knowledge)
BehaviourFlucht,Angriff, . . .
Bach umgehen!
1.3) Single-Agent System Ein Single-Agent
steuert eine (oder mehrere) Entities
Mehrere Single-Agents:Nehmen sich gegenseitig nicht als Agents wahr
1.4) Multi-Agent System Ein Agent
steuert eine Entity
Mehrere Agents nehmen sich als solche wahr(müssen nicht zwangs-weise miteinander kommunizieren)
Highlights zu Kapitel 1: „WAS sind MAS“ AI DAI MAS
Agent: Goals, Actions, Knowledge
Behaviour: Verhalten (nicht Action!)
Single-Agent versus Multi-Agent
F R A G E N ???
2. WOZU MAS ? Zwingende Gründe Allgemeine DAI – Aspekte Wissenschaftliche Gründe Wirtschaftliche Faktoren
2.1) Zwingende Gründe
„Roboter“ trifft Roboter in realer Welt(Auto)
Firmenübergreifende Programme(Datenschutz)
...
2.2) Allgemeine DAI Aspekte
Komplexität verringernTeilproblemreduktion
Robustheit erhöhenAusfallsicherheit
GeschwindigkeitParallelprocessing
ScalabilityErweiterbarkeit
2.3) Wissenschaftliche Gründe
Soziale Intelligenz
Weiß:
„Intelligence is deeply and inevitably coupled with interaction.“
2.4) Wirtschaftliche Faktoren
Massenproduktion „simpler“ Roboter
anstatt
Einzelfertigung hochspezialisierter Roboter
Highlights zu Kapitel 2:WOZU Multiagent - Systems
Zwingende Gründe Allgemeine DAI – Aspekte Wissenschaftliche Gründe Wirtschaftliche Faktoren
F R A G E N ???
3) Kategorien von MAS Taxonomie:
verschiedene Einteilungsmöglichkeiten existieren
Stone:
Heterogeneity Communication
Communication
Heterogeneity
0
4) Homogeneous Non-Communicating MAS
Alle Entities sind gleich(goals, actions, domain knowledge)
Keine (direkte) Kommunikation
4.0) Programm
Die Pursuit-Domain (PD) Verschiedene Strategien in der PD Reactive vs. Deliberative Agents Local vs. Global Perspective „indirekte“ Kommunikation –
Stigmergy Cooperative Insects
4.1) Pursuit Domain
Auch „Predator / Prey Domain“(seit 1985 benchmark proplem in der KI)
Klassische Spielart:4 Predators (agents),1 Prey (random)
Spielziel:Prey fangen (oder umstellen)
4.2) Strategien (1)
Stephens & Merx [1990]
Capture Positions Ignoriere andere
Predators
Gegenseitige Blockaden !
4.2) Strategien (2)
Korf [1992]
Greedy-Strategie
Prey zieht an,Predator stößt ab
Korf: „Explicit Cooperation is rearly necessary or useful!“
4.2) Strategien (3)
Vidal & Durfee [1995]
„predict“ Aktionen anderer Agents RMM
Aufwendigglobal / local scope ?
4.3) Reactive vs. Deliberative
Reactive:eher „reflexartig“,keine großen Interpolationen ...
Beispiel: Greedy
Deliberativeüberlegt, planend
Beispiel: RMM
4.4) Local vs. Global Perspective
Wie viel Sensor-Information sollte mein Agent überhaupt bekommen?
Limitierung oft effektiver!
gute Strategie besser als komplexe Auswertungen!
4.5) Indirekte Kommunikation: STIGMERGY
Active Stigmergy:
Passive Stigmergy:
4.6) Cooperative Insects
Piling dead Antsverstreute tote Ameisen werden auf einen großen Haufen zusammengetragen
Cooperative TransportAmeisen tragen eine Beute gemeinsam (die für eine oder zwei Ameisen zu schwer ist)
Owen Holland
University of Essex
C. Ronald Kube
Edmonton Research
Center
5) Ausblicke Goal over others:
indirektes, zeitverzögertes Feedback (Agent Y hat gemeinsames Ziel erreicht Agent X hat somit auch sein Ziel erreicht)
Modelling Agents:Lernalgorithmen basierend auf Umgebungs- und Behaviour-Beobachtungen
Cooperative Transport - ANTS
Eine Ameise findet eine Beute Versuch die Beute zu bewegen „TimeOut“ Signal an andere
(direkt od. chemisch) Andere Ameisen kommen und formieren sich Jede für sich: „TimeOut“ Repositionieren
Führt im allgemeinen zur Lösung
Diagramm „ANT-Transport“
Experiment Van Damme / De Neubourg
Cooperative Transport - ROBOTS
Erleuchtete Box soll ins Licht geschoben werden Gewicht der Box erfordert mindestens zwei
Roboter Roboter sucht Box Roboter schiebt „TimeOut“ Winkel ändern „TimeOut“ Repositionieren
Führt zur Lösung!
Diskussion / Fragen Vorteile
der MAS-Lösung von KUBE
Nachteile(Wäre ein zentralisiertes System besser? ...)
. . .
ANT PILING
Tote Ameisen werden um einen Ameisenhaufen verstreut.
Die lebenden Ameisen häufen diese zusammen, ohne (nachweisbar) zu kommunizieren.