Multiagent Systems

Multiagent Systems EinführungZusammenfassung 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

1.1) AGENT für sich • Goals(Ziel, Intention) • Actions(Handlung) • Domain Knowledge(Wissen) knowledge goal 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 anstattEinzelfertigung 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 Heterogeneity • Taxonomie:verschiedene Einteilungsmöglichkeiten existieren • Stone: Heterogeneity Communication 0 Communication

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)

Stephens & Merx [1990] Capture Positions Ignoriere andere Predators 4.2) Strategien (1) Gegenseitige Blockaden !

Korf [1992] Greedy-Strategie Prey zieht an,Predator stößt ab 4.2) Strategien (2) Korf: „Explicit Cooperation is rearly necessary or useful!“

Vidal & Durfee [1995] „predict“ Aktionen anderer Agents RMM Aufwendigglobal / local scope ? 4.2) Strategien (3)

Reactive:eher „reflexartig“,keine großen Interpolationen ... Beispiel: Greedy Deliberativeüberlegt, planend Beispiel: RMM 4.3) Reactive vs. Deliberative

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 • Vorteileder MAS-Lösung von KUBE • Nachteile(Wäre ein zentralisiertes System besser? ...) • . . .

Tote Ameisen werden um einen Ameisenhaufen verstreut. Die lebenden Ameisen häufen diese zusammen, ohne (nachweisbar) zu kommunizieren. ANT PILING

Multiagent Systems