721-第六章 DAI与MAS.pptVIP

Q-learning 三种观点 思考题 分布式问题求解的基本机制是什么？其应用关键点是什么？ 如何认识Agent的基本特性及其应用？ 试举例说明多Agent系统的应用及应用关键点。 第六章 DAI与MAS 第四节 WebAgent技术在电子商务中的应用 六、Agents and E-Brokers 1、E-Brokers E-Brokers 能够根据我们的要求在规定的时间内从最合适的地方购买货物或服务。 2、消费者的需要处理 消费者可以设置与购买决策相关的产品或服务需求，如，价格、服务、配送时间、质量。 3、Agent处理需求的方法 使用约束满足问题求解方法。对于约束可有硬约束(如，“我想购买一张价格不超过700元到北京的机票”)和软约束(如，“我想要12月25日的机票，但时间比日期更重要”)。 第六章 DAI与MAS 第四节 WebAgent技术在电子商务中的应用 七、Agent-Mediated Commerce Seller Buyer Matchmaker Search Engine Search Engine Auctioneer Negotiator Negotiator Time Planner Time Planner :individual :software agent 第六章 DAI与MAS 第四节 WebAgent技术在电子商务中的应用 八、基于Agent的电子商贸 在商贸活动中，买卖双方可以直接接触，进行商贸活动，但为了提高效率和效益，还需要有中间人，如，中介公司、超市。此时，就会涉及到三方：买方、卖方和中介。基于Agent的电子商贸应用系统就是一个多Agent系统或一个Agent社会，其中每个Agent要不断监察其环境，并根据相应用户的需求进行工作。对于需要买卖货物的用户可以创建具有自己策略倾向的Agent，并将它连接到相应Agent社会中。买卖Agent采用的策略可包括贪心策略(非常慢地改变自己的价格)、着急策略(非常快地改变自己的价格)和冷静策略(适当改变自己的价格)。对于中介Agent，主要工作就是寻找匹配可能的买者和卖者，并根据相应买卖双方的要求进行协商。 第六章 DAI与MAS 第四节 WebAgent技术在电子商务中的应用 九、Agent与个性化 主体 强化学习模型 i: input r: reward s: state a: action 状态 si si+1 ri+1 奖励 ri 环境 动作 ai a0 a1 a2 s0 s1 s2 s3 Policy Reward Value Model of environment Q (a,i) Direct approach (ADP) would require learning a model . Q-learning does not: Do this update after each state transition: GIGA-WoLF GIGA IGA 收敛性和不遗憾性 PHC 异构、竞争环境 最佳响应 多agent强化学习 WoLF CE-Q NASH-Q 理性和收敛性 极小极大-Q 同构或异构、 合作或竞争环境 基于平衡解 多agent强化学习 交换建议 交换策略 交换经验 提高学习收敛速度 交换状态 分布、同构、 合作环境 合作多agent 强化学习 算法准则 主要方法 问题空间 * 第六章 DAI与MAS 第一节分布式人工智能(DAI) 一、基本概念 研究在逻辑上或物理上分散的智能系统如何并行地、相互协作地实现问题求解。 第六章 DAI与MAS 第一节 分布式人工智能(DAI) 二、特点 a)系统中的数据、知识以及控制不但在逻辑上，而且在物理上分布的，既没有全局控制，也没有全局的数据存储。 B)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。 C)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。 注：DAI的实现可克服原有专家系统、学习系统等弱点，极大提高知识系统的性能，可提高问题求解能力和效率，扩大应用范围、降低软件复杂性。 第六章 DAI与MAS 第一节分布式人工智能(DAI) 三、主要内容 分布式问题求解(DPS)和多Agent系统(MAS)。 A)分布式问题求解(DPS) 主要考虑怎样将一个特殊问题求解工作在多个合作的、知识共享的模块或结点之间划分。 B)多Agent系统(MAS) 主要研究自主的智能Agent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