人工智能一种现代方法,Artificial Intelligence A Modern Approach,第二章 智能化智能体,2.1 智能体和环境 2.2 好的行为表现：理性的概念 2.3 环境的本质 2.4 智能体的结构 2.5 小结 习题,Agent技术的发展与形成,Agent理论与技术研究最早源于分布式人工智能，1977年Hewitt提出并开发了Actor模型： 模型的特点： 能自控行为； 互作用； 并发执行； 具有封装的内部状态。,智能化智能体,一般认为：Agent是一种处于一定环境下包装的计算机系统，为实现设计目的，它能在那种环境下灵活地、自主地活动。,面向过程的设计,面向实体的设计,面向对象的设计,AOP：Agent oriented programming,智能体的特性,自治性：在没有人或其它东西直接干预的情况下能自行操作，并对自身动作和内部状态有某种控制能力；能主动地规划和启动有目标行为，而不是简单地根据环境变化而行事。 交互性：能通过某种语言与其它Agent或人进行信息交换或交互。 协作性 可通信性 自适应性 长寿性,智能化智能体,上面给出的只是Agent的弱定义，人工智能界的研究人员还要求Agent有更强的性能，拟人的特性，有心理状态，有情感，具有信念、期望、和意图。,移动性；诚实性；善意性； 合理性；推理能力； 规划能力；学习能力。,完美,理性智能体（BDI智能体）： 信念Belief：Agent对环境的基本看法（知识库） 愿望Desire：Agent想要实现的状态，即目标 意图Intention：目标的子集（规划planning）,智能化智能体,智能体,传感器,感知,行动,环境,执行器,传感器：感知信息 （感知序列） 执行器：执行操作 智能体函数：把给定感知序列映射到智能体的行动，即指定Agent响应感知序列所采取的行动。 f： P* A 智能体程序,智能体：智能体结构+智能体程序,通过感知器感知所处环境并通过执行器对该环境产生作用,智能化智能体,A,B,感知：位置、是否有灰尘 例如 A, Dirty 行动：左移、右移、吸取灰尘、什么也不做,什么决定了智能体的好坏？,2.2 好的行为表现：理性的概念,理性智能体：做事正确。 性能度量：评价智能体在环境中的表现 最大化性能度量来设计智能体. 根据实际环境中希望得到的结果来设计性能度量，而不是根据智能体应该表现的行为。,理性智能体： 对于每个可能的感知序列，根据已知的感知序列提供的证据和智能体内建的先验知识，理性智能体应该选择期望能使其性能度量最大化的行动。 性能度量 环境 智能体的执行器 智能体的传感器,任务环境 PEAS Performance Environment Actuators Sensors,对环境的约束越多，设计的问题就越容易,任务环境,智能体：智能体结构+智能体程序,智能体程序,传感器感知信息,输入,动作选择,执行器,智能化智能体,简单反射型智能体； 基于模型的反射型智能体； 基于目标的智能体； 基于效用的智能体；,简单反射型智能体,智能体,传感器,感知,行动,环境,执行器,环境情况？,简单反射型智能体,采取什么行动,条件-行动规则,直接对感知信息做出反应,简单反射型智能体,核心：据特定任务环境创建条件-行动规则 优点：结构简单 缺点：智能有限，仅在环境完全可观察才正常工作,基于模型的反射型智能体(记忆反射型),智能体,传感器,感知,行动,环境,执行器,环境情况？,采取什么行动,行动规则,行动结果,状态,环境变化关系,追踪记录当前感知信息不可观察的世界各方面，即维持某种取决于感知历史的内部状态，更新内部状态。 世界的模型：1.环境变化关系(世界如何演变) 2.行动结果,基于目标的智能体,智能体,传感器,感知,行动,环境,执行器,环境情况？,基于目标的 反射型智能体,采取什么行动,目标,行动结果,状态,环境变化关系,预测行动结果,行动是为了达到目的,基于效用的智能体,智能体,传感器,感知,行动,环境,执行器,环境情况？,基于效用的 智能体,判断效用， 确定采取什么行动,效用,行动结果,状态,环境变化关系,预测行动结果,最大化期望的效用,学习智能体,智能体,传感器,感知,行动,环境,执行器,执行元件,学习型智能体,问题产生器,评论,学习,知识,变化,性能标准,反馈,学习目标,