1、第6章 智能Agent 随着计算机技术和网络技术的发展和应用，集中式系统已不能完全适应科学技术的发展需要。并行计算和分布式处理等技术应运而生，分布是人工智能也成为了人工智能的一个新的发展方向。Agent技术是在分布式人工智能研究需求的基础上发展起来的一种技术。近10多年来，Agent和多Agent系统的研究成为分布式人工智能研究的一个热点。本章主要针对多Agent系统的相关技术进行探讨，介绍Agent系统的模型和结构，重点介绍Agent的基本结构、Agent之间的通信模式、协作和协调方式。2025/7/102人工智能1 分布式人工智能分布式人工智能2 Agent的结构的结构3 Agent通信通
2、信4 Agent协作与协调协作与协调5 多多Agent环境环境MAGE本章主要内容：2025/7/103人工智能1 分布式人工智能 一个分布式系统是把各种不同地理位置上的计算资源连接起来形成一个系统。分布式人工智能主要研究在逻辑上或物理上分散的智能系统如何并行的、相互协作地实现问题求解。有两种主要的方法：（1）自顶向下：分布式问题求解。在多个合作和共享的知识模块或系统之间划分任务，并求解问题。（2）自底向上：基于Agent的方法。在一群自主的Agent之间进行智能行为的协调。2025/7/104人工智能1.1 1.1 分布式人工智能的研究与发展分布式人工智能的研究与发展 分布式人工智能的研究可
3、以追溯到70年代末期。早期分布式人工智能的研究主要是分布式问题求解，其目标是要创建大粒度的协作群体，它们之间共同工作以对某一问题进行求解。u 1980年Davis 和 Smith提出了合同网(CNET)CNET使用投标-合同方式实现任务在多个节点上的分配。合同网系统的重要贡献在于提出了通过相互选择和达成协议的协商过程实现分布式任务分配和控制的思想。2025/7/105人工智能u1980年麻萨诸塞大学的Lesser,Corkill 和 Durfee 等人主持研制DVMT 该系统对市区内行驶的车辆轨迹进行监控,并以此环境为基础,对分布式问题求解系统中许多技术问题进行研究。DVMT是以分布式传感网络
4、数据解释为背景，对复杂的黑板问题求解系统之间的相互作用进行了研究，提供了抽象和模型化分布式系统行为的方法。u1983年Hewitt 和他的同事们研制了基于ACTOR模型的并发程序设计系统。ACTOR模型提供了分布式系统中并行计算理论和一组专家或ACTOR获得智能行为的能力。在1991年Hewitt提出开放信息系统语义,指出竞争、承诺、协作、协商等性质应作为分布式人工智能的科学基础，试图为分布式人工智能的理论研究提供新的基础。2025/7/106人工智能u1987 Gasser等持研制了一个实验型的分布式人工智能系统开发环境MACE 系统。MACE中每一个计算单元都称作Agent，它们具有知识表
5、示和推理能力，它们之间通过消息传送进行通信。MACE是一个类面向对象环境，但避开了并发对象系统中难于理解和实现的继承问题。MACE的各个机构并行计算,并提供了描述机构的描述语言,具有跟踪的demons机制。该课题研究的重点是在实际并行环境下运行分布式人工智能系统，保持概念的清晰性。2025/7/107人工智能u1989年清华大学石纯一等主持研制了分布式运输调度系统DTDS-I。该系统以运输调度为背景，提出了分布式问题求解系统的体系结构，对问题分解、任务分布算法和基于元级通信的协作机制等方面进行了探讨。u1990中国科学院计算技术研究所史忠植等研究了分布式知识处理系统DKPS。该系统采用逻辑-对
6、象知识模型，研究了知识共享和协作求解等问题。2025/7/108人工智能 90年代，多Agent系统(Multi-agent systems-MAS)的研究成为分布式人工智能研究的热点。MAS主要研究自主的智能体之间智能行为的协调，为了一个共同的全局目标，也可能是关于各自的不同目标，共享有关问题和求解方法的知识，协作进行问题求解。基于智能Agent的概念，有人提出了一种新的人工智能定义：“人工智能是计算机科学的一个分支，它的目标是构造能表现出一定智能行为的Agent”。所以，智能Agent的研究应该是人工智能的核心问题。斯坦福大学计算机科学系的 Hayes-Roth在IJCAI95的特邀报告中
7、谈到：“智能的计算机Agent既是人工智能最初的目标，也是人工智能最终的目标。”2025/7/109人工智能1.2 1.2 分布式人工智能的特点分布式人工智能的特点分布性：分布性：系统中的数据、知识,以及控制不但在逻辑上,而且在物理上是分布的,既没有全局控制,也没有全局的数据存储。连接性：连接性：各个求解机构由计算机网络互连,在问题求解过程中,通信代价要比求解问题的代价低得多。协作性协作性：系统中诸机构能够相互协作,来求解单个机构难以解决,甚至不能解决的任务。开放性：开放性：通过网络互连和系统的分布，便于扩充系统规模，具有比单个系统更多的开放性和灵活性。2025/7/1010人工智能容错性容错
8、性：系统具有较多的冗余处理结点、通讯路径和知识，能够使系统在出现故障时，仅仅降低响应速度或求解精度，以保持系统正常工作，提高工作可靠性。独立性：独立性：系统把求解任务归约为几个相对独立的子任务，从而降低了各个处理结点和子系统问题求解的复杂性，也降低了软件设计开发的复杂性。分布式人工智能的优点：分布式人工智能的优点：1)提高问题求解能力。2)提高问题求解效率。3)扩大应用范围。4)降低软件的复杂性。2025/7/1011人工智能1.3 1.3 分布式问题求解分布式问题求解 分布式问题求解将问题分解成若干子问题，并分配给各个子系统并行完成求解，最后通过综合各个子问题的解而完成整个问题的求解。分布式
9、问题求解过程可以分为四步：任务分解 任务分配 子问题求解 结果综合 在分布式问题求解系统中，数据、知识、控制均分布在系统的各节点（子系统）上，没有全局数据和知识存储。因此，在求解子问题时，子系统之间通常需要交互和协作。2025/7/1012人工智能 分布式问题求解中有两种基本的协作方式：1）任务分担 2）结果共享1）任务分担）任务分担 Smith和Davis提出了任务分担方式。在任务分担系统中,结点之间通过分担执行整个任务的子任务而相互协作,系统中的控制以目标为指导,各结点的处理目标是为了求解整个任务的一部分。任务分担的问题求解方式适合于求解具有层次结构的任务，如工厂联合体生产规划、数字逻辑电
10、路设计、医疗诊断。2025/7/1013人工智能 2）结果共享）结果共享 Lesser 和 Corkill 提出了结果共享方式。在结果共享方式的系统中,各结点通过共享部分结果相互协作,系统中的控制以数据为指导,各结点在任何时刻进行的求解取决于当时它本身拥有或从其它结点收到的数据和知识。结果共享的求解方式适合于求解与任务有关的各子任务的结果相互影响,并且部分结果需要综合才能得出问题解的领域。如分布式运输调度系统、分布式车辆监控实验系统DVMT 2025/7/1014人工智能1.4 1.4 基于基于AgentAgent的问题求解的问题求解在人工智能领域Agent有多种翻译，如“智能体”、“主体”、
11、智能代理”、“真体”等。它可以看做是一个自动执行的实体，通过传感器感知环境，通过效应器作用于环境。多Agent系统主要研究在逻辑上或物理上分离的多个Agent协调其智能行为，即知识、目标、意图及规划等，实现问题求解。可以看作是一种由底向上设计的系统。本章接下来将对多Agent系统的相关技术进行探讨。环境传感器效应器？Agent感知作用2025/7/1015人工智能2 Agent的结构构建Agent的任务就是设计Agent程序，即实现Agent从感知到动作的映射。体系结构使得传感器的感知对程序可用，运行程序并把该程序的作用选择反馈给执行器。Agent结构需要解决的问题包括：nAgent由那些模
12、块组成n模块之间如何交互信息nAgent感知到的信息如何影响它的行为和内部状态n如何将这些模块用软件或硬件的方式组合起来形成一个有机的整体2025/7/1016人工智能2.1 Agent2.1 Agent模型模型 Agent的理论模型研究主要从逻辑、行为、心理、社会等角度出发，对Agent的本质进行描述，为Agent系统创建奠定基础。1、理性、理性Agent模型模型(BDI模型模型)Belief信念，Agent对环境的基本看法。Desire愿望，Agent想要实现的状态，即目标。Intention意图，目标的子集。BDI模型可以通过下列要素描述：模型可以通过下列要素描述：(1)一组关于世界的信
13、念；(2)Agent当前打算达到的一组目标；(3)一个规划库，描述达到目标和改变信念的方案；(4)一个意图结构，描述当前状态如何达到目标和改变信念。2025/7/1017人工智能BDI-Interpreterinitialize-state();dooptions:=option-generator(event-queue,B,G,I);selected-options:=deliberate(options,B,G,I);update-intentions(selected-options,I);execute(I);get-new-external-events();drop-succes
14、sful-attitudes(B,G,I);drop-impossible-attitudes(B,G,I);until quitBDI解释器解释器2025/7/1018人工智能 情景演算是描述动作的主要的形式框架。在情景演算中引入了状态和动作的概念，并利用两条逻辑公理来描述动作与状态的关系。一条公理描述一个动作在满足什么条件的状态之下可能发生，另外一条描述在一个状态之下某个动作发生以后当前状态如何改变。2、动作理论模型、动作理论模型环境状态：State=P1,P2,Pn 目标：Goal=动作模板：Act_template=Agent能力：Ability=2025/7/1019人工智能环境Ag
15、ent感知作用Agent的工作过程的工作过程2.2 Agent2.2 Agent的基本结构的基本结构环境交互信息融合信息处理作用交互感知作用问题求解器2025/7/1020人工智能（1）在计算机系统中，Agent相当于一个独立的功能模块、独立的计算机应用系统，它含有独立的外部设备、输入/输出驱动装备、各种功能操作处理程序、数据结构和相应输出。（2）Agent程序的核心部分叫做决策生成器或问题求解器，起到主控作用，它接收全局状态、任务和时序等信息，指挥相应的功能操作程序模块工作。（3）Agent的运行是一个或多个进程，并接受总体调度。特别是当系统的工作状态随工作环境而经常变化时以及各Agent的
16、具体任务时常变更时，更需搞好总体协调。（4）各个Agent在多个计算机CPU上并行运行，其运行环境由体系结构支持。体系结构还提供共享资源（黑板系统）、Agent间的通讯工具和Agent间的总体协调，使各Agent在统一目标下并行协调地工作。2025/7/1021人工智能2.3 Agent2.3 Agent的特性的特性 通常认为一个Agent需要具有以下部分或全部特征：自治性 Agent能够控制它的自身行为，其行为是主动的、自发的和有目标和意图的，并能根据目标和环境要求对短期行为做出规划。交互性 也叫反应性，Agent能够与环境交互作用，能够感知其所处环境，并借助自己的行为结果，对环境做出适当反
17、应。协作性 各Agent合作和协调工作，求解单个Agent无法处理的问题，提高处理问题的能力。社会性 Agent存在于由多个Agent构成的社会环境中，与其它Agent交换信息、交互作用和通讯。2025/7/1022人工智能持续性持续性 Agent的程序在起动后，能够在相当长一段时间内维持运行状态，不随运算的停止而立即结束运行。适应性适应性 能够把新建立的Agent集成到系统中而无需对原有的多Agent系统进行重新设计，因而具有很强的适应性和可扩展性。智能性智能性 Agent强调理性作用，可作为描述机器智能、动物智能和人类智能的统一模型。Agent的功能具有较高智能，而且这种智能往往是构成社会
18、智能的一部分。在实际应用中，Agent可以具有上述全部或部分特性。另外也可以根据实际需要，具有一些其他的特性，如实时性、移动性等。2025/7/1023人工智能2.4 Agent2.4 Agent的结构分类的结构分类 根据人类思维的不同层次，可把Agent分为下列几类：（1）反应式）反应式Agent：反应式Agent只简单地对外部刺激产生响应，没有任何内部状态。每个Agent既是客户，又是服务器，根据程序提出请求或做出回答。环境执行器传感器世界现状动作决策条件动作规则Agent2025/7/1024人工智能 （2）慎思式）慎思式Agent：慎思式（deliberative）Agent又称为认知
19、式（cognitive）Agent，是个具有显式符号模型的基于知识的系统。环境执行器传感器信息融合动作决策目标Agent知识库规划状态2025/7/1025人工智能 （3）跟踪式）跟踪式Agent：具有内部状态的反应式Agent通过找到一条条件与现有环境匹配的规则进行工作，然后执行与规则相关的作用。这种结构叫做跟踪世界Agent或跟踪式Agent。环境执行器传感器世界现状动作决策条件-动作规则AgentAgent影响世界信息世界发展Agent信息原有内部状态2025/7/1026人工智能 （4）基于目标的）基于目标的Agent：Agent还需要某种描述环境情况的目标信息。Agent的程序能够与
20、可能的作用结果信息结合起来，以便选择达到目标的行为。环境执行器传感器世界现状动作决策目标AgentAgent影响世界信息世界发展Agent信息原有内部状态动作对世界的影响2025/7/1027人工智能 （5）基于效果的）基于效果的Agent：效果是一种把状态映射到实数的函数，该函数描述了相关的满意程度。一个完整规范的效果函数允许对各类情况做出理性的决策。环境执行器传感器世界现状动作决策满意程度AgentAgent影响世界信息世界发展Agent信息原有内部状态动作对世界的影响效果2025/7/1028人工智能 （6）复合式）复合式Agent：复合式Agent即在一个Agent内组合多种相对独立和
21、并行执行的智能形态，其结构包括感知、动作、反应、建模、规划、通信和决策等模块。环境执行器感知器建模决策生成Agent规划反射通信其它Agent一般情况动作特殊情况预测协作/协商请求/应答2025/7/1029人工智能3 Agent通信 在分布式系统中，一个Agent仅能通过影响其它Agent的行为来实现自己的意图。对其它Agent行为的影响是由一种特殊行为（通信动作）来实现。通信动作是由一个Agent向另一个Agent实施的。执行一个通信动作的机制就是发送编码动作消息的机制。消息发送/传输服务器转换到传输格式从传输格式转换消息M言语行为意图I目标GAgent A消息MAgent B2025/7
22、/1030人工智能语义语义：全部有关的Agent必须知道通信语言的语义，消息的语义内容知识是分布式问题求解的核心部分。言语行为：言语行为：通信语言也是一种动作，说话是为了使世界的状态发生改变。交互协议交互协议：Agent之间消息交换的典型模式通信语言通信语言：传递消息的标准语法。词法库语法库词义库物理通信语言生成语言理解通信策 略对 话消 息黑 板协 议通信协作协 议Agent通信模块2025/7/1031人工智能3.1 Agent3.1 Agent通信类型和机制通信类型和机制1、Agent通信类型通信类型知识库推理Agent A感知行为知识库推理Agent B感知行为TELL/ASK通信或通
23、信语言 在Agent通信中，可以根据是否使用外部通信语言将Agent通信分为两类。一是分享一个共同的内部表示语言，无需任何外部语言就能通信。（TELL/ASK模式）二是Agent之间共享一种语言作为通信语言，这种语言通常是一种形式语言。2025/7/1032人工智能 这种通信形式的Agent分享相同的内部表示，并通过接口TELL和ASK直接访问相互的知识库。Agent A可以使用TELL(KBB,”P”)通信把一个提议P传送到Agent B(加入到B的知识库中)；也可以使用ASK(KBB,”Q”)查出B是否知道Q。这种通信形式的最大问题Agent的知识库易于遭到破坏。（1）使用TELL和ASK
24、通信 大多数Agent的通信是通过使用一种外部语言来实现的。外部语言可以与内部表示语言不同，并且每个Agent都可以有不同的内部语言。只要每个Agent能够可靠地将外部语言映射到自己的内部语言。这种通信方式的关键是设计外部语言及转换机制。（2）使用形式语言通信2025/7/1033人工智能2、Agent通信机制通信机制 通常使用的Agent通信机制有两种，黑板系统和消息对话系统。(1)黑板通信机制p在多Agent系统中，黑板提供了一个公共的工作区，供Agent交换信息。p一个Agent在黑板中写入信息，该信息就可以为系统中其他Agent所使用。各个Agent可以在任何时候访问黑板，查询是否有新
25、的信息。p在黑板系统中，Agent之间不进行直接通信，每个Agent独立完成各自求解的子问题p黑板结构可用于任务共享系统和结果共享系统。2025/7/1034人工智能(2)消息/对话机制 消息/对话通信是实现灵活和复杂的协调策略的基础。各个Agent使用规定的协议相互交换信息，用于建立通信和协调机制。在面向消息的多Agent系统中，发送Agent直接把特定的消息发送至另一个接收Agent。与黑板系统不同，Agent之间的消息是直接交换，没有中间缓冲区。一般地，发送Agent要为消息制定唯一的地址，只有该地址的Agent才能读取该消息。为了支持协作策略，通信协议必须明确规定通信过程和消息格式，并
26、选择通信语言。每个Agent必须知道通信语言的语义。2025/7/1035人工智能3.2 Agent3.2 Agent通信语言通信语言 目前国际上比较广泛使用的Agent通信语言有两种，即KQML语言和KIF语言。（1）KQML语言 KQML(Knowledge Query and Manipulation Language-知识查询与操纵语言)是由美国ARPA的知识共享计划中提出，规定了消息格式和消息传送系统，为多Agent系统通信和协商提供了一种通用框架。KQML分为三个层次：通信、消息和内容。通信层规定了全部技术通信参数 消息层规定了与消息有关的语言行为的类型 内容层规定了消息的内容 2
27、025/7/1036人工智能 按照KQML规范，设计了一种软件Agent通信语言SACL。该语言用于MAPE环境，作为消息传递。一个例子：(ask-all:senderA:receiverB:in-reply-toido:reply-withidl:languageProlog:ontologyfoo:content“bar(X,Y)”)2025/7/1037人工智能（2）KIF语言 KIF(Knowledge Interchange Format-知识交换格式)是智能物理Agent基金FIPA制定的一种通信规范。FIPA定义的语言具有支持和促进Agent行为的特性。这些特性包括目标驱动行为、
28、自主决策动作过程、通过协商和委托进行对话、心智状态模型（如BDI等）以及对环境的需求和适应等。FIPA定义了独有的消息类型，尤其是消息的格式和类型的定义。消息类型对本规范定义的语法则是一个参数，对整个消息动作和消息内容都赋予了一定的意义。2025/7/1038人工智能 (inform :sender agent1 :receiver hpl-auction-server :content (price(bid good02)150):in-reply-to round-4 :reply-with bid04 :language s1 :ontology hpl-auction )消息结构开始通
29、信动作类型消息参数消息内容表达式参数表达式 在FIPA的ACL(Agent通信语言)中，消息的基本观点是把消息表示为一个通信动作。在对话中，处理消息动作与处理其他动作一致。2025/7/1039人工智能FIPA通信动作库Accept Proposal 接受提议Agree 同意Cancel 取消Call for Proposal 要求提议Confirm 确认Disconfirm 确认为否定Failure 失败Inform 通知Inform If 通知是否Inform Ref 通知有关对象Not Understood 不理解Propagate 传播Propose 提议Proxy 代理Query I
30、f 询问 是否Query Ref 询问 有关对象Refuse 拒绝（请求）Reject Proposal 拒绝提议Request 请求Request When 请求 某条件下执行Request Whenever 请求 某个条件 成立就执行Subscribe 预定2025/7/1040人工智能4 Agent协作与协调 协调(coordination)与协作(cooperation)是多Agent研究的核心问题之一，其目的是，使多Agent的知识、愿望、意图、规划、行动协调，以至达到协作是多Agent的主要目标。n协调是指一组智能Agent完成一些集体活动时相互作用的性质。协调是对环境的适应。n协
31、作是非对抗的Agent之间保持行为协调的一个特例。它通过适当的协调，合作完成共同的目标。2025/7/1041人工智能 多Agent系统中的协调是指多个Agent为了以一致、和谐的方式工作而进行交互的过程。进行协调是希望避免Agent之间的死锁或活锁。死锁指多个Agent无法进行各自的下一步动作；活锁指多个Agent不断工作却无任何进展。多Agent之间的协调已有很多方法，大致可归纳为：组织结构化；合同；多Agent规划；协商。2025/7/1042人工智能目前针对Agent协作的研究大体上可分为两类：1)将其它领域研究多实体行为的方法和技术用于Agent协作的研究。如对策论和动力学研究。2)
32、从Agent的目标、意图、规划等心智态度出发来研究多Agent间的协作。一般的Agent协作过程如下：产生需求、确定目标协作规划、求解协作结构寻求协作伙伴选择协作方案实现目标评估结果2025/7/1043人工智能 从社会心理学的角度看，多Agent之间的协作情形大致可分为：协作型：将自己的利益放在第二位。自私型：将协作放在第二位。完全自私型：不考虑任何协作。完全协作型：不考虑自身利益。协作与自私相混合型。协作、协调与协商协作、协调与协商 在多Agent系统中，协作是系统设计的主要目标。当Agent的意图不一致而出现目标、资源冲突时，则需要通过协调来解决。而协商是实现协同、协作、协调、冲突消解的
33、关键环节。2025/7/1044人工智能4.1 4.1 合同网合同网 1980年P.Smith在分布式问题求解中提出了一种合同网协议(Contact Net Protocool)，后来这种协议广泛应用于多Agent系统的协调中。合同网由一组节点组成，每个节点包括有：通信处理器、合同处理器、任务处理器以及本地数据库部件。任务处理器合同处理器本地数据库通信处理器网络2025/7/1045人工智能n通信处理器负责与其他节点进行通信，每个节点仅仅通过该部件与网络连接。n合同处理器判断投标所提供的任务，发送应用(application)和完成合同。它分析和解释到达的消息，并执行节点的协调。n任务处理器负
34、责处理和求解合同所赋予的任务。它从合同处理器接受所要求解的任务，利用本地数据库进行求解，并将结果送到合同处理器。n本地数据库包括与节点有关的知识库、协作协商的当前状态和问题求解的信息。2025/7/1046人工智能 合同网工作时，将任务分成一系列子问题。有一个特定的节点称作管理器，负责对子任务的管理。合同的协商过程如图。子问题子问题解求解完成合同求解子解子解空接收投标应用合同确认结果管理器节点2025/7/1047人工智能 管理器提供投标，即要求解的子问题合同。标书对所有节点都是开放的。它使用合同协议定义的消息结构。节点接收到标书后，合同处理器根据Agent的知识和本地数据库中当前可用资源，决
35、定是否要承接标书中的任务。如果要，则按下列消息结构通知管理器。TO:All nodesFROM:ManagerTYPE:Task bid announcementContactID:xx-yy-zzTask Abstract:Eligibility:Bid:Expiration Time:TO:ManagerFROM:Node XTYPE:ApplicationContactID:xx-yy-zzNode Abstract:2025/7/1048人工智能 管理器在所有的投标节点中，根据具体的求解知识和方法，选择最合适的节点，将子问题求解任务交给它。根据合同消息，管理器指派合同如下：节点接收到合
36、同后，发送确认消息到管理器，以规定的形式确认接受合同。节点进行问题求解。当问题求解完成后，将问题的解传送给管理器。如果节点认为所接受的任务超出它的能力，它可以进一步划分子问题，分配给其他节点。这时它用作管理器角色。TO:Node XFROM:ManagerTYPE:ContactContactID:xx-yy-zzTask Specification:2025/7/1049人工智能4.2 4.2 基于生态学的协作基于生态学的协作 80年代末，在计算机中出现了一个崭新的学科-计算生态学。计算生态学是研究关于开放系统中决定计算结点的行为与资源使用的交互过程的学科。它摒弃了封闭、静止地处理问题的传统
37、算法，将世界看作是开放的、进化的、并发的,通过多种协作处理问题的“生态系统”(ecosystem)加以研究。它的进展与开放信息系统的研究息息相关。计算生态学将计算系统看作是一个生态系统，它引进了许多生物的机制，如变异(mutation)即物种的变化。这些变化导致生命基因的改变，从而形成物种的多样性，增强了适应环境的能力。这类变异策略成为人工智能系统提高其自身能力的一种方法。2025/7/1050人工智能 目前，著名的生态系统模型有生物生态模型、物种进化模型、经济模型、科学团体的社会模型。1、物种进化模型、物种进化模型 物种进化的“复制者”是基因。从门德尔的植物遗传研究到现代遗传学的成果，都说明
38、了在物种进化过程中，基因的组合与变异起着关键作用。在一个物种的某一群体中基因的集合称为基因池。生物组织是基因的载体。如果环境变化，选择的机制就会改变。这种变化必然引起基因池的变化。特定种群的基因变化称为基因流。一个物种总是不断地经历隔绝、基因流动、变化的循环。开始时，一组地理上隔绝的群体自己孤立地发展，基因在内部快速地流动。随着开放，通过交流和竞争，优胜劣汰。2025/7/1051人工智能 2 2、生物生态模型、生物生态模型 这是最著名的生态系统，具有典型的进化特征和层次性。这种特性反映在“食物链”中。对于复杂的生物生态系统而言，各物种组成了紧密相连的网络-食物网。这个系统的主要角色是捕食者与
39、被食者。生命依赖于生命，共同进化，由小的生态环境组成大的生态系统。3 3、经济模型、经济模型 经济系统在某种意义上类似于生物生态系统。在商品市场和理想市场中，进化决定于经济实体的决策。选择机制是市场奖励机制。进化是快速的，企业与消费者之间、企业之间主要是一种互相依赖的合作关系。决策者为了追求长远利益，可以采取各种有效的方法，甚至可以暂时做赔本买卖。2025/7/1052人工智能5 多Agent环境MAGE 多Agent环境MAGE是中科院计算所开发的一种面向Agent的软件开发和系统集成模式，包括需求分析、系统设计、Agent生成以及系统实现等多个阶段。n提供了多种软件重用模式，可以方便地重用
40、不同语言编写的Agent和非Agent软件；n提供了面向Agent的软件开发模式，以Agent为最小粒度，通过封装Agent一般性质，程序员通过添加特殊行为，可方便地实现应用；n通过构建新的软件以及重用旧的软件，可以方便地进入各种应用领域。2025/7/1053人工智能5.1 MAGE5.1 MAGE系统框架结构系统框架结构 MAGE系统框架结构主要有3部分组成，包括：需求分析和建模工具AUMP、可视化Agent开发环境VAStudio以及Agent运行支撑环境。对Agent系统的一般开发过程：需需求求分分析析系系统统设设计计System Development行行为为建建造造Agent建建造
41、造系系统统建建造造运运行行2025/7/1054人工智能多Agent系统设计过程用例模型功能描述功能描述活动模型反应规则模型推理模型行为描述行为描述状态机模型交互协议模型规划模型组织关系模型Agent类模型Agent描述描述本体模型本体描述本体描述部署模型配置描述配置描述12342025/7/1055人工智能5.2 Agent5.2 Agent统一建模语言统一建模语言AUMLAUML AUML扩 展 UML来 描 述 多 Agent系 统，在AUML中，引入了四种面向Agent的图来描述一个多Agent系统：n本体图：定义用来描述世界状态用到的实体以及它们之间的关系。nAgent系统结构图：描
42、述多Agent系统的结构。n协议图：描述Agent之间的交互协议。n角色图：描述Agent在交互中扮演的角色。2025/7/1056人工智能本体图Agent系统结构角色图协议图Agent类型图Agent交互系统配置图系统结构图分布图类图本体协作图结构图AUMLUML2025/7/1057人工智能Tool Suite(AUMP)2025/7/1058人工智能5.3 5.3 可视化可视化AgentAgent开发环境开发环境VAStudioVAStudio 可视化Agent开发环境VAStudio的设计目标是提供一个友好的集成环境来支持Agent的设计和编程，根据Agent类型支持多种图像界面智能导
43、航生成Agent。其体系结构如图。Agent SocietyAgentsBehaviorsEditorAgent LibraryBehavior Library2025/7/1059人工智能Screenshot of VAStudio2025/7/1060人工智能5.4 Agent5.4 Agent运行平台运行平台MAGEAgentAgent ManagementSystemDirectoryFacilitatorAgentAgentMessage Transport System(MTS)SoftwareAgentLibraryFunctionComponentOther Agent PlatformsMessage Transport System(MTS)MAGE平台框架遵循FIPA规范。它提供了Agent创建、注册、定位、通信、移动、何推出等服务，其体系结构如图。2025/7/1061人工智能GUI of MAGE2025/7/1062人工智能本章小结Agent理论模型最初作为一种分布式智能的计算模型被提出来的，目前已成为计算机科学和人工智能领域中重要的研究方向。本章首先讨论了分布式人工智能，然后介绍了Agent的基本概念、Agent的结构、通信方式和语言、协调和协作，最后介绍了多Agent环境MAGE。2025/7/1063人工智能
免费区 
