عامل های هوشمند

عامل های هوشمند

اسلاید 1: عاملهاي هوشمند

اسلاید 2: هوش مصنوعي Artificial Intelligenceفهرستعاملخواص محيطهای وظيفهبرنامه های عامل

اسلاید 3: عامل:به هر چيزي اطلاق مي‌شود، که قادر به درک محيط پيرامون خود از طريق حس‌گرها(sensor)و اثرگذاري‌ بر روي محيط از طريق اثرکننده‌ها (effector) باشد.environment?agentsensorseffectorsperceptsactions

اسلاید 4: عاملهای هوشمندعاملحسگرهامحرکها?محيطادراک هافعاليت ها عامل

اسلاید 5: عوامل انسانيsensor: گوش، چشم، ديگر ارگان‌هاeffector: دست، پا، بيني، اندام‌هاي ديگرعوامل روباتيکsensor: دوربين، يابنده‌هاي مادون قرمزeffector: موتور- چرخها--بازوها عامل نرم افزاري:1.effector:فشرده شدن كليد-بيت هاي(01101(-2-effector:نمايش روي صفحه كليد-رمزگذاري(abc)

اسلاید 6:

اسلاید 7: عاملهای هوشمند تابع عاملرفتار عامل توسط تابع عامل توصيف ميشود که هر دنباله ادراک را به يک عمل نقش ميکند. دنباله ادراکيتاريخچه وسابقه کامل هر چيزی است که عامل تاكنون درک کرده است. عمل دنباله ادراک : تابع عامل  f:P*®Aتفاوت percept و percept sequence

اسلاید 8: The vacuum-cleaner worldEnvironment: square A and BPercepts: [location and content] e.g. [A, Dirty]Actions: left, right, suck, and no-op

اسلاید 9: برنامه عامل(مبتني بر جدول)Percept sequenceAction[A,Clean]Right[A, Dirty]Suck[B, Clean]Left[B, Dirty]Suck[A, Clean],[A, Clean]Right[A, Clean],[A, Dirty]Suck……

اسلاید 10: برنامه عامل(واكنشي ساده)function REFLEX-VACUUM-AGENT ([location, status]) return an actionif status == Dirty then return Suckelse if location == A then return Rightelse if location == B then return Left

اسلاید 11: 12عاملهای هوشمندعاملهای هوشمند عامل عالـِم Omni science)) خروجی واقعی فعاليت خود را ميداند و ميتواند بر اساس آن عمل کند عامل خردمند (Rational agent)عاملی است که خوب عمل می کند وفعاليتی را انتخاب ميکند که معيار کارايي اش را حداکثر ميکند و این کار با توجه به شواهدی که از طریق دنباله ی ادراک بدست می آید و دانش درونی عامل صورت می گیرد. جمع آوری اطلاعات، اکتشاف، يادگيری عامل خردمند باید خودمختار باشدعامل خود مختارنقص دانش قبلی خود را ميتواند جبران کند. اگر عامل بجای ادرکات خود براساس دانش قبلی طراح خود رفتارکند گوییم عامل خودمختار نیست

اسلاید 12: 13معیارهایی کارآیی برای عاملهای هوشمند معيار کارآيي، معياری برای موفقيت رفتار عامل است بدیهی است برای تمام عاملها معیار ثابتی وجود ندارد این معیار معمولا توسط طراح عامل مشخص می شود انتخاب معیار کارآیی همواره ساده نیست کدام بهتراست؟ اقتصادی که در آن هر کسی تاحدی فقیر است یا اقتصادی که در آن بعضی بسیار ثروتمند و بعضی دیگر فقیرند؟

اسلاید 13: 14عاملهای هوشمندمعيار کارايي که ملاکهای موفقيت را تعريف ميکند دانش قبلي عامل نسبت به محيط فعاليتهايي که عامل ميتواند انجام دهد دنباله ادراک عامل در اين زمان عقلایی بودن در هر زمان به 4 چیز بستگی دارد

اسلاید 14: تفاوت ميان منطقي بودن و دانش کل (omniscience):عامل داناي کل معني خروجي واقعي اعمال خود را دانسته و بر پايه آن عمل مي‌کند اما دانش کل در واقعيت غيرممکن است.اگر معين کنيم که هر عامل هوشمند همواره بايد همان کاري را انجام دهد که در عمل مناسب است، هيچگاه نمي‌توان عاملي را طراحي نمود که اين مشخصات را مرتفع سازد.

اسلاید 15: 16تعیین محیط وظیفهاولین قدم در طراحی عامل ، مشخص کردن محیط وظیفه ی آن است برای هر عامل خردمند باید معیار کارآیی ، محیط ، حسگرها و محرک هارا مشخص کنیم تمام این موارد تحت عنوان محیط وظیفه در نظر گرفته گرفته می شوند و PEAS خوانده می شودPerformance,Environment,Actuator,Sensor

اسلاید 16: 17توصیف PEAS (چند مثال)

اسلاید 17: عاملهای هوشمندخواص محيط های وظيفه کاملاً قابل مشاهده درمقابل قابليت مشاهده جزئی قطعي درمقابل غير قطعی راهبردی رويدادی درمقابل ترتيبي ايستا درمقابل پويا گسسته درمقابل پيوسته تک عاملي درمقابل چند عامليچند عاملي رقابتي درمقابل چندعاملي همياری

اسلاید 18: قابل دسترسي در مقابل غيرقابل دسترسيمحيط قابل دسترسي: محيطي که عامل آن توسط ابزار حس‌کننده‌اش امکان دسترسي به وضعيت کامل محيط را داشته باشد.محيط قابل دسترسي راحت است، زيرا عامل نيازمند دستکاري هيچ وضعيت داخلي براي حفظ دنيا را نخواهد داشت.

اسلاید 19:

اسلاید 20: قطعي در مقابل غير قطعي محيط قطعي: محيطي است که اگر وضعيت بعدي محيط بوسيله وضعيت کنوني و اعمالي که با عامل‌ها انتخاب گردد، تعيين شود. بهتر است به قطعي يا غير قطعي بودن محيط از ديدگاه عامل نگاه کنيم.

اسلاید 21:

اسلاید 22: 23Example: vacuum world

اسلاید 23: اپيزوديک در مقابل غير اپيزوديک محيط اپيزوديک (episodic)، تجربه عامل به اپيزودهايي تقسيم مي‌گردد. هر اپيزود شامل درک و عمل عامل است. کيفيت اعمال آن تنها به خود اپيزود وابسته است. محيط‌هاي اپيزودي بسيار ساده‌ترند زيرا عامل نبايد به جلوتر فکر کند.

اسلاید 24:

اسلاید 25: ايستا در مقابل پويا محيط پويا: محيطي که در حين سنجيدن عامل تغيير مي‌کند.محيط نيمه‌پويا: محيطي که با گذر زمان تغيير نمي‌کند اما امتياز کارايي تغيير مي‌کند.محيط‌هاي ايستا براي کار ساده هستند زيرا عامل نياز به نگاه‌کردن به دنيا در حين تصميم‌گيري عملي نداشته و همچنين در مورد گذر زمان نيز نگران نمي‌باشد.

اسلاید 26:

اسلاید 27:

اسلاید 28: گسسته در مقابل پيوسته محيط گسسته: اگر تعداد محدود و مجزا از ادراک و اعمال بوضوح تعريف شده باشد. - بازي شطرنج گسسته است. - رانندگي تاکسي پيوسته است. سخت‌ترين حالت در بين حالات موجود براي محيط:غير قابل دسترسي، غير اپيزوديک، پويا و پيوسته

اسلاید 29:

اسلاید 30:

اسلاید 31: مثال‌هايي از انواع محيط و ويژگي‌هاي آنها

اسلاید 32: 33عاملهای هوشمند(چند نکته)اگر محیط کاملا قابل مشاهده نباشد،غیر قطعی است بهتر است قطعی یا غیر قطعی بودن را از دیدگاه عامل در نظر بگیریم در محیطهای رویدادی ، انتخاب فعالیت در هر رویداد به خود رویداد بستگی دارد و به فعالیتهای رویداد قبلی بستگی ندارد در محیطهای ترتیبی ، تصمیم فعلی می تواند در تصمیمات بعدی موثر باشداگر محیط در طول عمر عامل تغییر کند پویاست در غیر اینصورت ایستاستاگر محیط با گذر زمان تغییر نکند ولی اختیارات کارآیی تغییر کند گوییم محیط نیمه پویاستمحیطهای چند عاملی به دو دسته چند عاملی رقابتی و چند عاملی همیاری تقسیم می شودسخت ترین محیط، قابل مشاهده ی جزئی ، غغیر قطعی ، ترتیبی ، پویا ، پیوسته و چند عاملی است

اسلاید 33: 34محیطهای کاری و ویژگیهای آن(چند مثال)

اسلاید 34: 35ساختار عاملهابرنامه + معماری = عاملکار هوش مصنوعی طراحی برنامه عامل است که تابع عامل را پياده سازی ميکند، این برنامه بر روی یک دستگاه محاسباتی با حسگرها و محرک های فیزیکی یعنی معماری اجرا می شود.انواع عاملها عاملهای واکنشی سادهعاملهای هدف گرا عاملهای واکنشی مدل گراعاملهای سودمندعاملهای یادگیرنده

اسلاید 35:

اسلاید 36: (1) Table - Driven - Agent 1- function TABLE- DRIVEN- AGENT (percept) return action 2 - static: 3 - percepts, a sequence,initially empty 4 - table , a table,indexed by percept sequences, initially fully specified 5 - append percept to the end of percepts 6 -action lookup (percepts,table) 7 - return action

اسلاید 37: The vacuum-cleaner worldPercept sequenceAction[A,Clean]Right[A, Dirty]Suck[B, Clean]Left[B, Dirty]Suck[A, Clean],[A, Clean]Right[A, Clean],[A, Dirty]Suck……

اسلاید 38: جنبه‌هاي مختلف يک عمل، انواع مختلف برنامه‌هاي عامل را پيشنهاد خواهد کرد. براي مثال، 4 عامل را مورد بررسي قرار مي دهيم: عامل‌هاي واکنشي ساده عامل‌هايي که اثرات دنيا را حفظ مي‌کنند عامل‌هاي هدف‌گرا عامل‌هاي سودمند

اسلاید 39: AGENT- BASE-PROGRAM 1- function SKELETON- AGENT (percept) returns action 2 - static: 3 - memory, the agent memory of the world 4- memory  Update -Memory(memory,percept) 5 - action  Choose- Best- Action(memory) 6 - memory  Update- Memory(memory,action) 7 - return action

اسلاید 40: عاملهای واکنشی سادهعاملهای هوشمندعاملمحيطحسگرهادر حال حاضرجهان چگونه استمحرکهاقانونشرط عملحالاچه عملی بايد انجام دهم؟اين عاملها فعاليت را بر اساس درک فعلی و بدون در نظر گرفتن سابقه ادراک، انتخاب ميکندبه خاطر حذف سابقه ادراک برنامه عامل در مقايسه با جدول آن بسيار کوچک استانتخاب فعاليت بر اساس يکسری قوانين موقعيت شرطي انجام ميشود

اسلاید 41:

اسلاید 42: (2) Simple Reflex Agents1 - function SIMPLE _REFLEX_AGENT (percept) returns action2 - static : Rules, a set of condition_action rules3 - state <-- INTERPRET-INPUT (percept)4 - rule <-- RULE-MATCH (state,rules)5 - action <-- RULE-ACTION [rule]6 - return actionfunction SIMPLE REFLEX_AGENT (percept)returns actionstatic: Rules, a set of condition_action rulesstate <--INTERPRET-INPUT(percept)rule<--RULE-MATCH(state,rules)action<-- RULE-ACTION[rule]return action

اسلاید 43: عاملهای هوشمندfunction REFLEX-VACUUM-AGENT ([location, status]) return an actionif status == Dirty then return Suckelse if location == A then return Rightelse if location == B then return Left مثالي از عامل واکنشی ساده در دنيای جاروبرقيتصميم گيری آن بر اساس مکان فعلی و کثيف بودن آن مکان صورت ميگيرددر برنامه عامل در مقايسه با جدول آن، تعداد حالتهای ممکن از 4 به 4 کاهش مي يابد انتخاب فعاليت بر اساس موقعيت شرطي:If dirty then suckT

اسلاید 44: عاملهای هوشمندعاملهای واکنشي مدل گراعاملمحيطحسگرهادر حال حاضرجهان چگونه استمحرکهاقانونشرط عملحالا چه عملی بايد انجام دهم؟استفاده از دانش “چگونگی عملکرد جهان” که مدل نام داردعامل بخشي از دنيايي را که فعلا ميبيند رديابی ميکندعامل بايد حالت داخلي را ذخيره کند که به سابقه ادراک بستگي دارددر هر وضعيت, عامل ميتواند توصيف جديدی از جهان را کسب کندوضعيتجهان چگونه در مي آيد؟عملكردهاي من چه مي كنند؟

اسلاید 45:

اسلاید 46: (2) Simple Reflex Agents1 - function SIMPLE _REFLEX_AGENT (percept) returns action2 - static : Rules, a set of condition_action rules3 - state <-- INTERPRET-INPUT (percept)4 - rule <-- RULE-MATCH (state,rules)5 - action <-- RULE-ACTION [rule]6 - return actionfunction SIMPLE REFLEX_AGENT (percept)returns actionstatic: Rules, a set of condition_action rulesstate <--INTERPRET-INPUT(percept)rule<--RULE-MATCH(state,rules)action<-- RULE-ACTION[rule]return action

اسلاید 47: عاملهای هوشمندfunction REFLEX-VACUUM-AGENT ([location, status]) return an actionif status == Dirty then return Suckelse if location == A then return Rightelse if location == B then return Left مثالي از عامل واکنشی ساده در دنيای جاروبرقيتصميم گيری آن بر اساس مکان فعلی و کثيف بودن آن مکان صورت ميگيرددر برنامه عامل در مقايسه با جدول آن، تعداد حالتهای ممکن از 4 به 4 کاهش مي يابد انتخاب فعاليت بر اساس موقعيت شرطي:If dirty then suckT

اسلاید 48: عاملهای هوشمندعاملهای واکنشي مدل گراعاملمحيطحسگرهادر حال حاضرجهان چگونه استمحرکهاقانونشرط عملحالا چه عملی بايد انجام دهم؟استفاده از دانش “چگونگی عملکرد جهان” که مدل نام داردعامل بخشي از دنيايي را که فعلا ميبيند رديابی ميکندعامل بايد حالت داخلي را ذخيره کند که به سابقه ادراک بستگي دارددر هر وضعيت, عامل ميتواند توصيف جديدی از جهان را کسب کندوضعيتجهان چگونه در مي آيد؟عملكردهاي من چه مي كنند؟

اسلاید 49:

اسلاید 50: (3) Reflex Agents with State1 - function REFLEX_AGENT_WITH_STATE (percept) returns action2 - static: State,a description of the current world state Rules,a a set of condition_action rules3 - state  UPDATE-STATE (state,percept)4 - rule RULE-MATCH (state,rules)5 - action  RULE-ACTION [rule]6 - state UPDATE-STATE (state,action)7- return action

اسلاید 51:

اسلاید 52:

اسلاید 53: عاملهای هوشمندعاملهای هدف گراعاملمحيطحسگرهاجهان حالاچگونه استمحرکهااهدافحالا چه عملی بايد انجام دهم؟وضعيتجهان چگونه در مي آيد؟عملكردهاي من چه مي كنند؟اين عامل علاوه بر توصيف حالت فعلی، برای انتخاب موقعيت مطلوب نيازمند اطلاعات هدف نيز ميباشدجست و جو و برنامه ريزی، دنباله ای از فعاليتها را برای رسيدن عامل به هدف، پيدا ميکنداين نوع تصميم گيری همواره آينده را در نظر دارد و با قوانين شرط عمل تفاوت دارداين نوع عامل کارايي چندانی ندارد، اما قابليت انعطاف بيشتری دارددز صورت انجام عمل A جهان چگونه خواهد بود؟

اسلاید 54:

اسلاید 55: عاملهای هوشمندعاملهای سودمندعاملمحيطحسگرهاحالاجهان چگونه استمحرکهاسودمنداکنون چه عملی بايد انجام دهموضعيتجهان چگونه در مي آيد؟عملكردهاي من چه مي كنند؟اين عامل براي اهداف مشخص، راه های مختلفی دارد، که راه حل بهتر برای عامل سودمندتر است.تابع سودمندی، حالت يا دنباله ای از حالتها را به يک عدد حقيقی نگاشت ميکند که درجه رضايت را توصيف مِيکند.وقتی اهداف متضاد باشند، بعضی از آنها برآورده ميشونداگر هيچيک از اهداف به طور قطعی قابل حصول نباشند، احتمال موفقيت با اهميت هدف مقايسه ميشوددز صورت انجام عمل A جهان چگونه خواهد بود؟در چنين حالتی چقدر رضايت دارم

اسلاید 56: عاملهای هوشمندعاملهای يادگيرندهعاملحسگرهامحرکها عنصرِِيادگيرنده مسئول ايجاد بهبودهاعنصر کارايي مسئول انتخاب فعاليتهای خارجیمنتقد مشخص ميکند که يادگيرنده با توجه به استانداردهای کارايي چگونه عمل ميکندمولد مسئله مسئول پيشنهاد فعاليتهايي است که منجر به تجربيات آموزنده جديدی ميشودمحيطعنصر کاراييمنتقدعنصر يادگيرندهمولد مسئلهاستاندارد کاراييبازخورداهداف يادگيریتغييراتدانش

اسلاید 57:

اسلاید 58: والسلام