معماری عامل ها

صفحه 1:


صفحه 2:
معماری انتزاعی عامل ها ۳" می توانیم نمایش انتزاعی از عامل را بصورت فرمال بنویسیم. * این نمایش فرمال در ساخت عامل کمکی به ما نمی کند. ' فرض كنيد 8 مجموعه ای متناهی از حالات باشد و فرض کنید که محيط مى تواند در هر لحظه در یکی از این حالات باشد. ‎F= {s1, 82, ...}‏ | ۴ عامل بصورت مخزنی از اعمال آن فرض می شود که حالات محیط را انتقال می ‎1 ‎A= {al,a2,. ‎ ‏أزايتكاه سيستمهاى هوشمند. ‎Updated by Ali‏ فخا يديه سي ‎‘Rahnama‏ ‏87231904 ‎ 

صفحه 3:
‎ae‏ عامل استاندارد ‏بصورت انتزاعی یک عامل را می توان بصورت یک تابع انتقال حالت مشاهده کرد ‎action: S* > A‏ ‏یک عامل براساس سایقه اش تصمیم می كيرد كه جه اقدامى انجام دهد. ‏رفتار(غیر قطعی) محیط را می توان بصورت یک تابع مدل کرد ‎ ‎env:s *A>W(S) ‏مى توانیم تعامل عامل و محیط را بصورت یک سابقه نمایش دهیم.‎ "* 20 21 22 a3 au-1 au bes0 331-352 3:63 $5950 ‏مئتسولند يسكمسابقه ممكراز عاملدر محيطرا نسمايش. م دهد كر و تسنها لكر شرليط وير بسرقرر ‎ ‎a, =actiolS, §,...5,)) ly 80 ‏به ازأى هر نا متعلق به‎ S,eentS,,,a,,) 11<0 ‏هر دا متعلق به لا بطوری که‎ lila © ‏اسمس ی‎ 0 ‎87231904 ‎ 

صفحه 4:
۹ عامل واکنشی محض (۳4) ۴ این عامل بدون مراجعه به سابقه اش تصمیم می گیرد که چه انجام دهد. اين عامل اتخاذ تصمیم خود را کاملا برمبنای زمان حال قرار می دهد و به هیچ وجه توجهی به گذشته ندارد. ! نمایش فرمال این عامل به این صورت است: ‎action: S >A‏ " به ازای ‎PRA jo‏ یک عامل استاندارد معادل آن وجود دارد. اما عکس آن 5 أزايتكاه سيستمهاى هوشمند. ‎Updated by Ali‏ فخا يديه سي ‎‘Rahnama‏ ‏87231904 

صفحه 5:
1 تصحیح مدل انتزاعی تفکیک تابع تصمیم گیری عامل به زیر سیستم های ز: * ادراک: تابع 566 توانایی عامل در مشاهده محیط خود را نشان می دهد. این تابع در ار می تواند بصورت دوربین ویدیویی یا حسگر مادون قرمز بر روی یک روبات متحرک پیاده ساری شود درنزم اقرار می تواند مستورات سیستنی ای باه که اطلامات مزبوط به عحیط نرم افزار را دریافت می ‎aus‏ خروجی تابع 566 یک اد راک است: ۲ و و :عوو * عمل: تابع 201011 فرآیند اتخاذ تصمیم عامل را نمایش می دهد. ‎action: P*>A‏ " تابع 207072 دنباله ای از ادراکات را به اعمال نگاشت می کند. sted by ‏ديك‎ ‎Urata by ‏ی‎ 87231904 

صفحه 6:
‎a‏ زير سی تم های ادراک و عمل ‎۳ ‏عاما ‎ ‎ ‎ ‎ ‎Updated by Ali Ral 87231904 ‎ ‎ ‎ ‎ ‎ ‎ ‎ 

صفحه 7:
امد ‎Gs‏ عامل های دارای حالت داخلی این عامل ها دارای ساختار داده ای می باشند که عموما برای ثبت اطلاعات وضعیت محیط و سابقه عملیات عامل از آنها استفاده می شود. فرض کنید 1 مجموعه تمام حالات داخلی عامل باشد. قببم‌ادینک ۳ 25 5 :موی 3 تابع‌لنتخابعیل۸ < ] : ت20 ۷ حا لعلخلیو ادرلکرا بنه ی کها لعاخلی #شموكه ] << ۳ * [ : ورزر 9 35 أزايتكاه سيستمهاى هوشمند. ‎Updated by Ali‏ لساب ا سودي 87231904 

صفحه 8:
۹ ‏عامل های دارای حالت داخلی (ادامه)‎ " action 

صفحه 9:
عامل های دارای حالت داخلی (ادامه) ۴ حلقه کنترلی عامل آغاز فعالیت عامل از وضعیت اولیه 10 مشاهده وضعیت محیط 4 و تولید ادراک (566)5 به روز آوری وضعیت داخلی از طریق ‎next(i0, See(S)) whi‏ انتخاب عمل مناسب توسط تابع (((5) © ©5 ,261301200267140 تکرار از مرحله ۲ 9 أزايشكاه سيستمهاى هوشمند و Updated by Ali ‘Rahnama 87231904 

صفحه 10:
وظایف عامل ها عامل ها را می سازیم تا برایمان وظایفی انجام دهند. "" وظیفه باید توسط ما تعیین شود. ۴ اما می خواهیم به عامل بگوییم چه انجام دهند بدون این که به آن بگوییم چگوله آن را انجام دهد. 3 أزايشكاه سيستمهاى هوشمند لساب ا Updated by Ali ‘Rahnama 87231904 

صفحه 11:
۹ توابع سودمندی بر روی حالت یک راه: به هر حالت یک سودمندی نسبت دهید. وظیفه عامل آن است که به حالاتی برسد که به حداکثر سودمندی منجر می شوند. "! توصیف وظیفه یک تابع بصورت زیر است: uzE > R ‏این تابع یک عدد حقیقی به هر حالت محیط نسبت می دهد.‎ ۴ ‏اسمس اد‎ ٠ 87231904 

صفحه 12:
۹ سودمندی و اجرا (سابقه) ۴ اما مقدار اجرا چیست؟ * مینیمم سودمندی حالت در اجرا؟ * ماکزیمم سودمندی حالت در اجرا؟ ۴ مجموع سودمندی های حالات در اجرا؟ ۴ میانگین آن؟ #" عیب: تعیین یک نمایش طولانی مدت در هنگام نسبت دادن سودمندی به حالات دشوار است. *" یک راه: تخفیف برای حالات از یک 0 اسمس لاسي 87231904 

صفحه 13:
۹ سودمندی در اجرا راه دیگر: سودمندی را به جای حالات به اجراها نسبت دهید. 8 و لخن | چنین رویکردی به خودی خود نمایش طولانی مدت را لحاظ می کند. * ضورت:های دیگر: احتمال حالات:مختلف پدید آمده را ثير در نظو ۴ مشکلات رویکردهای بر مبنای سودمندی: 9 این اعداد و مقادیر از کجا می آیند؟ * تفکرات ما براساس سودمندی لیست. * فرموله کردن وظایف به این صورت مشکل است. sted by ‏کبشم‎ 2 Urata by ‏ی‎ 87231904 

صفحه 14:
یک شبکه دو بعدی که در آن عامل. کاشی وجود دارند. هاء موانع و حفره هایی عامل می تواند در چهار جهت بالا. پایین. چپ و راست حرکت کند و اگر در کنار یک کاشی باشد می تواند آن را هل دهد. حفره ها باید با کاشی ها توسط عامل پر شوند. عامل با پرکردن حفره توسط کاشی امتیاز می گیرد و قصد دارد که تا حد ممکن حفره های بيشتري و1 بر قد دنیای کاشی ها یا ظاهر شدن و ناپدید شدن حفره ها بصورت تصادفی تقبير مت ند تابع سودمندى بصورت زير تعريف مى شود تعداد حفره های‌پرشدم در 12 u(h) تعداد حفرم های‌ظاهر شده در 12 9 Updated by Ali ‘Rahnama 87231904 

صفحه 15:
ie bie ‏معماری های عامل‎ ۴ پرسش: چگونه عملیات انتزاعی که در قبل دیدیم را می توان پیاده سازی کرد؟ * قصد ما این است که عامل هایی بسازیم که ویژگی های خودمختاری» واکنشی. کنش گرایی و قابلیت اجتماعی داشته باشند. ۴ پاسخ به اين پرسش در حوزه معماری عامل ها قرار می گیرد. "! معماری عامل: *" یک نقشه از عناصر داخلی عامل - ساختمان داده های آن, اعمالی که ممکن است بر روی این ساختمان داده ها اجرا شوند و جریان کنترلی بین این ساختمان دلده ها. 9 أزايشكاه سيستمهاى هوشمند و و ها 87231904 

صفحه 16:
چهار نوع معماری ۴ چهار نوع معماری برای چهار گروه از عامل ها مطرح است: ۳" لا عامل هاى منطقى/ نمادين عامل هاى تركيبى و جند لايه 

صفحه 17:
ES ‏تاریخچه‎ در سالهای ۱۹۵۶ تا ۱۹۸۵ تقریبا تمام عامل هایی که در هوش مصنوعی طراحی می شدند بر منتائ استدلال يودئد و از استدلال منطقی در این گونه غامل ها برای تضمیم گیری انتقانة شده است. ! در سال ۱۹۸۵ با توجه به مشکلات استدلال نمادین عامل های واکنشی مطرح شدند. از سال ۱۹۹۰ به بعد تکنیک های معماری ترکیبی ارائه شدند که سعی در ترکیب بهترین معماری های استدلالی و واکنشی را داشته اند. ast sek) @ Updated by Ali ‏أزمايشكاه سيستمهاى هو‎ ‏و ها‎ 87231904 

صفحه 18:
عامل های منطقی/ نمادین ۷ ۴ ساده ترین روش برای ساخت عامل ها این است که آنها را نوع خاصی از سیستم های مبتنی بر دانش بدانیم. "" اين الكو هوش نمادين ناميده مى شود . "1 يك معمارى منطقى معمارى اى است كه : *" در آن عامل شامل مدلى نمادين از دنياى واقعى است كه بطور صريح بيان مى شود. * تصميمات آن بر مبناى استدلال نمادين يا منطق صورت مى كيرد. أزايتكاه سيستمهاى هوشمند. ‎Updated by Ali‏ تسم 9 ها 87231904 

صفحه 19:
عامل های منطقی/ نمادین (ادامه) ۹ * مشکلات عمده عامل های منطقی * تعریف تابع نگاشت محیط به ادراک به شکل نمادین مشکل است. به عبارت دیگر تعریف خصوصیات یک محیط پویا و واقعی در قالب مجموعه ای از قوانین استنتاج دشوار است. زمان لازم براى تصميم گیری این عامل ها قابل کنترل نبوده و احتمال دارد تبع تصمیم گیری هرگز پایان نگیرد. sted by ‏کبشم‎ ‎Urata by ‏ی‎ 87231904 

صفحه 20:
عامل های منطقی/ نمادین (ادامه) ۹ " عامل چگونه از اه اثبات قضیه تصمیم می كيرد كه جه کاری انجام دهد؟ * ایده اصلی استفاده از منطق برای کد کردن قضیه است که بهترین عملبی را که بايد در هر موقعیت اجرا شود بیان می کند. *" فرض کنید: * این قضیه باشد) قوانین قیاسی( © شیک پایگاه ‎MN‏ منطقی 01 حالت جاری 1057 8 9011 00 ‎O00‏ ‏* 40 ی کمجموعه از لعمطلکه عامل‌می‌تسولند لنجام دهد © , -| شیعنیج_بتواند با استفاده از از اثبات شود sted by ‏ی تن‎ Urata by ‏ی‎ 87231904 

صفحه 21:
عامل های منطقی/ نمادین (ادامه) ‎ee‏ مج ات نیا < ۲ *ظ۲ یور ۲ ‎action: D>A‏ © ‎tl, L ae 0 ۴‏ دادم لستوضعیتدخلی‌هر عاملعضوعاز ‎ed asses‏ ,۸2 ,10000۵1 ۵ 10 10111 ‏5 رای یی ود ‎ated by Al‏ ميدي دن ‎87231904 ‎ 

صفحه 22:
عامل های منطقی/ نمادین (ادامه) ۷ © شبه كد تعريف عمل © : (۵) :م) مت سیخ | لس راوج مطاع مه لجن حارو */ ‎Por cack ae AC dy‏ ‎APA |- , Do (a) ten‏ ‎retura 2‏ ‎poh‏ ‏لیس ‏| الا ام مرت مت لس تون ‎PP‏ ‎For wack ae AC de‏ ‎Do(a) tea‏ سس مر -| ۸ 1۳ ‎retura A‏ ‎poh‏ ‎portion‏ ‏/* لصحا مصحه جه */ ‎retera DULL‏ ‎pod cmon arto‏ ‎ay Soci‏ 87231904 

صفحه 23:
* مثال: دنیای جاروبرقی عامل های منطقی/ نمادین (ادامه) ‎dae‏ روبات روبات جستجوی محیط. کشف آشغال و جارو کردن آن است. ‎(ny) Inlx4y) ADirt (x,y) —+ Bol suck) ‎ ‎ ‏| 26۴2 | وعم ‎ ‎ ‎ ‎ ‎ ‎ ‎In(xy) ‏اجه‎ ‎In(0,0) A Facing(north) A Dirt(0,0) —+ Dol forward) ‎In(0,1) A Facing(north) A Dirt(0, 1) —+ Dol forward) ‎Dirt(x,y) there is dirt at (x.y) Facing(d) the agent is facing direction ‏ل‎ ‎In(0,2) A Facing north) A Dirt(0,2) —+ Do(turn) ‎In(0,2}A Facing(east) —+ Dol forward) ‏هه ‏أزايتكاه سيستمهاى هوشمند. لساب ا ‎‘Rahnama ‎87231904 ‎ ‎ ‎ ‎ ‎ ‎Updated by Ali 

صفحه 24:
۹ ‏عامل های منطقی/ نمادین (ادامه)‎ ae & عامل دنیای جاروبرقی * از سه گزاره در این مثال استفاده می کنیم: ‎In(x,y) ©‏ عاملدر خانه (,) قرار دارد ‎ails ,» Dirt(x,y) ©‏ 2,17) آشفا (هجود دارد * (186112000 جهتعاملبه سمته لسنکه # می‌تولند شم ل‌جنوبشرقیا غرب یاشد * اعمال ممکن ‎tury] js 5 Ac ={turn, forward,suck} *‏ به معنی‌گردشبه رلستمی ‎pre‏ ‏- اسمس ی ‎87231904 ‎ 

صفحه 25:
عامل های منطقی/ نمادین (ادامه) " قوانین برای تعیین این که چه عملی انجام شود ‎In(0, 0) A Facing(north) \ =Dirt(0,0) —+ Do(forward)‏ ‎Do(forward)‏ جب ‎In(0, 1) A Facing(north) \ =Dirt(0,1)‏ ‎In(0, 2) A Facing(north) A =Dirt(0,2) —+ Do(turn)‏ ‎In(0,2) A Facing(east) —+ Do(forward)‏ ۹ ۴ وغیره عامل با استفاده از این قوانین و با شروغ از خانه (۰و۰) شروع به برداشتن آشفال می کند. ‎ate oan =‏ 87231904 

صفحه 26:
عامل های واکنشی مسائل حل نشده فراوانی در رابطه با هوش مصنوعی نمادین وجود دارد. "" این مشکلات باعث شد که تعدادی از محققین در پی یافتن جانشینی برای آن باشند و سه دیدگاه مطرح شد: دیدگاه اول به رد بازنمایی نمادین و تصمیم گیری براساس ساختار آن پرداخته است ديدكاه دوم اين ايده را دارد كه رفتار هوشمند عامل ناشى از تعامل با محیط لست و بطور مستقل قابل تعريف نيست. * در دیدگاه سوم رفتارهاى هوشمند متشكل و منتج از رفتارهاى ساده تر دانسته شده است. این دیدگاه عامل را مبتنی بر رفتار می داند. sted by ‏کبشم‎ S Urata by ‏ی‎ 87231904 

صفحه 27:
عامل های واکنشی (ادامه» ۷ ‎٩000657 8700166 ™‏ معمیی‌چزء به کلرا مطرح کرد که در آندو * اول این که تصمیم گیری عامل از طریق مجموعه ای لز رفتارهای مستقل صورت می گیرد و بر محيط اثر مى گذارد. یعنی درک از محیط براساس اثر رفتار به عنوان ورودی نگاشتی از حالت به عمل می دهد. * دوم اين که تعدادی رفتار بطور همزمان می توانتد اجرا شوند. ‎sted by ‏کبشم‎ @ Urata by ‏ی‎ ‎87231904 ‎ 

صفحه 28:
عامل های واکنشی (ادامه» ۷ در این معماری رفتارها بصورت لایه های مختلنی اراه می شوند که © هر رفتار یک ساختار شییه قنون داردة عمل ‏ وضعیت * هر رفتار براى كرفتن کنترل عامل با دیگیانرقایت می کند. © سطوح بالاتر رفتارهای انتزاعی تری را بروز می دهند © لایه های پایین تر قادر به جلوگیری لایه های بالاتر هستند یعنی تقدم بیشتری نسبت یه آنها دارند. sted by ‏کبشم‎ € Urata by ‏ی‎ 87231904 

صفحه 29:
عامل های واکنشی (ادامه» ‎Be)‏ 201010 ‏تعریف تابع‎ * function action(p:P) : A var fired: ~(R) var selected: A begin fired := {(c,a) | (c,a) e Rand pec} for each (c,a) « fired do if not( Exists (c’,a’) e fired such that (c’,a’) (c,a)) then return a end-if end-for return null end function action ated by a ny det 0 | ‏سينا ا سب‎ nh 87231904 

صفحه 30:
عامل های واکنشی (ادامه» ۷ یک مثال: سیستم کاوشگر مریخ * شامل گروهی از زونات (عامل) ماین جتمع أورى تنوتة ينها أ سطع مزيخ فى باشد كم در آن مکان نمونه ها از قبل مشخص نیست اما می دلنیم که نمونه ها در حوالی یکدیگر قرار دارند. هر روبات تا جایی می تواند از مبدا دور شود که امکان افت سیگنال از مبدا اصلی باشد. " ارتباط بین عامل ها بصورت غیر مستقیم از طریق مبدا صورت می گیرد. * اگر نمونه جمع آورى شده توسط يك عامل در مسير انتقال به مبذا رها شود عامل ديكر آن را برمی دارد. © هریک از این عامل ها به تنهایی دارای رفتار خاص می باشند و مهم ترین و پایین ترین سطح (با بالاترین اولویت) پرهیز از موانع می باشد. مه أزايشكاه سيستمهاى هوشمند و و ها 87231904 

صفحه 31:
عامل های واکنشی (ادامه» ۴ گروه های رفتاری و سلسله مراتب عملیات عامل: 

صفحه 32:
SB ۷ ‏عامل های واکنشی (ادامه»‎ ae ۴ مزایا و معایب معماری واکنشی مزایا © ساده مقرون به صرفه. کامل و محکم * معایب © همواره باید اطلاعات کافی از محیط برای هر عامل بصورت محلی فراهم باشد. * چون تصمیم گیری براساس اطلاعات محلی صورت می گیرد استفاده از اين معماری در حالت های غیرمحلی عمومیت ندارد. © یادگیری در این معماری با چنان وسعتی همراه خواهد بود که عملا از کارایی آن می کاهد. ‎ee‏ أزايشكاه سيستمهاى هوشمند و ‎nian Diath‏ 87231904 ‎ 

صفحه 33:
استدلال عملی ۳ استدلال عملی استدلالی است که جهت گیری آن به سمت اعمال است یعنی فرآیند معین کردن این که چه کاری انجام دهیم. ۴ تعریف 8111087 از استدلال عملی * استدلال عملی به وزن دادن به ملاحظات مختلف و متضاد به نفع یا برعلیه گزینه های رقیب هم مربوط می شود که در آن ملاحظات مناسب از آنچه که عامل قصد دارد(برایش ارزش دارد/ به آن توجه دارد) و آن چه که عامل باور دارد فراهم می شود. ۲ استدلال عملی با استدلال نظری متفاوت است. جهت گیری استدلال نظری به سمت باورها است. sted by ‏کبشم‎ = Urata by ‏ی‎ 87231904 

صفحه 34:
استدلال عملی (ادامه) "ا استدلال عملی در انسان شامل دو عمل است: بررسی و قیاس : تصمیم گیری در مورد اين که به چه اهدافی می خواهیم برسیم * خروجی بررسی و قیاس قصد ها می باشند. * استدلال عملی: تصمیم گیری در مورد این که چگونه می خواهیم به اين اهداف برسيم sted by ‏کبشم‎ 35 Urata by ‏ی‎ 87231904 

صفحه 35:
بررسى و قياس عامل چگونه بررسی و قیاس می کند؟ 7 بتدا سعی کنید بفهمید چه گزینه هایی پیش روی شماست * از بین آنها گزینه هاین را لنتخاب کنيد و متفه به انجام آنها قوین. گزینه های انتخاب ۵ ه قصد ها خواهند بود. ابع بررسی و قیاس را مى توان به دو مولفه تقسیم کرد: * تولید گزینه ها: در اين بخش مجموعه ای از گزینه ها توليد مى شود. اين كار از طریق تابعی به نام 0000 انجام می شود که پاورهای کنونی عامل و قصد های کنونی آن را مى كيرد و مجموعه گزینه ها را تعیین می کند. * فیلتر کننده گزینه ها: در اين بخش تابعی به نام 121061 بین حالت ها و پيشنهادهای مختلف انتخاب می کند و عامل برای رسیدن یه آنها متعهد می شود. Updated by Ali ‏أزايتكاه سيستمهاى هوشمند.‎ a ‘Rahnama ‏فخا يديه سي‎ 87231904 

صفحه 36:
استدلال عملی * ايده اصلى آن است كه به عامل © نمايش قصد ها و اهدافى كه بايد به آنها برسد ۴ نمایش اعمالی که می تواند انجام دهد و * نمایش محیط "1 داده شود تا او برنامه اى را براى رسيدن به هدف توليد كند. برنامه سازی خوددکار اسث: ‎ee‏ أزايشكاه سيستمهاى هوشمند و ‎nian Diath‏ ‎87231904 ‎ 

صفحه 37:
Practical Reasoning Human practical reasoning consists of two activities: - deliberation deciding what state of affairs we want to achieve; means-ends reasoning —._— deciding how to achieve these states of affairs. The outputs of deliberation are intentions. Updated by Al ‏سي‎ 87231904 

صفحه 38:
Deliberation How does an agent deliberate? - begin by trying to understand what the options available to you are; - choose between them, and commit to some Chosen options are then intentions. 03 Updated by Ali ‘Rahnama 87231904 

صفحه 39:
Deliberation The deliberate function can be decomposed into two distinct functional components: - option generation in which the agent generates a set of possible alternatives; and Represent option generation via a function, options, which takes the agent’s current beliefs and current intentions, and from them determines a set of options (= desires). - filtering in which the agent chooses between competing alternatives, and commits to achieving them. In order to select between competing options, an agent uses a filter function. Updated by Ali ‏ه‎ ‎‘Rahnama ‎87231904 

صفحه 40:
Means-Ends Reasoning Basic idea is to give an agent: - representation of goal/intention to achieve; - representation actions it can perform; and - representation of the environment; and have it generate a plan to achieve the goal. — Essentially, this is automatic programming. eo Updated by Ali ‘Rahnama 87231904 

صفحه 41:
2 BDL giles "ا معماری 911 بر مبنای استدلال عملی است ۴ تصمیم گیری در مورد این که به چه اهدافی باید برسیم ۴ تصمیم گیری در مورد این که چگونه به آن اهداف برسیم ‎BDI ©‏ Beliefs) 3) "* Desires) bs 21,5 © dntentions) b a3 © ‎ea‏ أزايشكاه سيستمهاى هوشمند و ‎nian Diath‏ ‎87231904 ‎ 

صفحه 42:
Se (aslo!) BDI ‏معماری‎ Gs "1 قصد ها: ۴ از استدلال عملی ناشی می شوند *" بررسی های آینده را تحمیل می کنند * مانا هستند * بر روی باورها تاثیر می گذارند که استدلال عملی آینده بر مبنای آنها است ‎‘Undated by Alt eae a‏ 87231904 

صفحه 43:
۹ (aslo!) BDI ‏معماری‎ ورودى حسكوا Updated by Ali ‘Rahnama 87231904 

صفحه 44:
Be) (aslo!) BDI ‏معماری‎ ™ مولفه هاى ‎BDI dle‏ 7 باورها * اطلاعات عامل را در محیط کنونی اش بیان می کند. * تابع بازنگری باورها * درک عامل را با نگاشت بر روی محیط دریافت کرده و باورهای جاری را به روز می کند. ‎(Bel)‏ > ط * راوظ)م عبط * * تابع تولید گزینه * ورودی آن باورها و فصد عامل بوده و براساس آنها انتخابهاى ممكن براى عامل را كه در واقع همان تمایلات اوست تعیین می کند ‎(Des)‏ < اماب * موق)ب ‎options:‏ 5 رای یی ود ‎ted by A‏ ميدي دن 87231904 

صفحه 45:
eo ۹ (aslo!) BDI ‏معماری‎ * مجموعه ای از گزینه های معتبر(تمایلات) که مبین اعمالی است که عامل می تواند انجام دهد. * یک تابع فیلترکننده که ورودی آن باورها و قصدهای عامل بوده و خروجی آن براساس فرآیند تبادل نظر(قیاس) اهداف (قصدهای) جدید عامل است هص)م < (عوط)م * ‎filter: (Bel) * g(Int)‏ * مجموعه ای از قصدهای جاری که کانون فعالیت عامل را تعیین می کند. * _تابع انتخاب عمل بر پایه قصد و اهداف فعلی که عملی را که باید انجام شود تعیین می كيد ‎A or action: P> A‏ > صلام : صانه‌عجه 5 7 asp tees ‏یاب دس تا ی"‎ 87231904 

صفحه 46:
معماری 11 (ادامه) ‎Be)‏ ‘BDI »» action at ‏شبه کد‎ © function action(p: P):A begin B:= brf (Bp) D:= options(B,1) I:= filter(B,D,I) return execute(I) end function action 55 أزايتكاه سيستمهاى هوشمند. ‎Updated by Ali‏ فخا يديه سي ‎‘Rahnama‏ 87231904 

صفحه 47:
مشکلات 11«1 ۴ عاملی که در قصدهای خود ت ۹ ند نظر نمی کند تلاش می کند. جتي پس از آنکه روشن شد که قابل دستیابی نیستند یا دیگر دلیلی برای رسیدن به آنها وجود ندارد برای رسیدن به آنها تلاش می کند ۴ عاملی که پیوسته در قصدهای خود تجدید نظر می کند می دهد. ‎we‏ أزايشكاه سيستمهاى هوشمند ‎Diath‏ ‎ ‏ان و منابع را به هدر ‎Updated by Ali ‘Rahnama 87231904 ‎ 

صفحه 48:
يك عامل ‎BDI‏ پیاده سازی شده: عامل ۳1۸5 ‎Be)‏ در این سیستم هر عامل دارای مجموعه ای از برنامه ریزی های انجام شده(11016757 0180) می باشد که بیانگر دانش رویه ای عامل است. ۴ دانش رویه ای دانشی درباره مکائیزم هایی است که می توانند توسط عامل به منظور تحقق قصد هایش به کار روند. های پیش روی یک عامل مستقیما توسط برنامه ریزی های آن تعیین 8 بشنوند. عافلی که برنامه زیزی ندازه گریند ای نخواهد: داشت. "" در این سیستم عامل ها بازتمابی ضریحی از ‎lel‏ تمایلات و قصد‌ها وانیز دانش رویه ای دارند. 55 أزايتكاه سيستمهاى هوشمند. ‎Updated by Ali‏ فخا يديه سي ‎‘Rahnama‏ 87231904 

صفحه 49:
‎PRS Jae ae‏ (ادامه) ‏مساری ۳136 محیط ‎ ‎ ‎ ‎ ‎ ‎ 

صفحه 50:
9 ‏پیاده سازی شده:‎ BDI ‏مثالى از یک عامل‎ asec 1 IRMA © ‎le IRMA ©‏ ساختمان‌داده نماميزدارد: © مجموعه ای از برنامه ریزی ها * نمایش صریح از باورها: اطلاعاتی که عامل در اختیار دارد که یا می تواند بصورت نمادین بیان شود حتی می تواند بسادگی تعریف متفیرهای زبان پاسکال باشد. * تمایلات: مفاهیمی که مورد نظر عامل است * قصدها: تمام لهدافی که عامل به آنها دسترسی داشته و برای رسیدن به آنها تعهد دارد. ‎ated by Ali ‏زیت سای شم‎ oo ae ‏بلسي‎ ‎87231904 ‎ 

صفحه 51:
((ادلمه) ۷ معماری آن قسمت های زیر را دارد: بخش استدلال: در واقع یک موتور استنتاج است که برای استدلال درباره محیط اطراف عامل بكار مى رود. يك تحليل كر عملى: تعيين مى كند كه كدام برنامه يراى رسيدن به قصد انتخاب شود یک تحليل كر موقعيت شناس: نظارت بر محيط در صورت ارائه انتخاب هاى جديد را دارد یک برنامه فیلتر کننده: تعیین می کند کدام گزینه با قصد جاری سازگار است یک برنامه بررسی و قیاس: مسئول تصمیم گیری در مورد بهترین قصد برای انجام أزايتكاه سيستمهاى هوشمند. ‎Updated by Ali‏ فخا يديه سي ‎‘Rahnama‏ 87231904 

صفحه 52:
ل تمایلات ee 

صفحه 53:
k/“m)w/pub/imas/ plan interpreter dlynamie phan tet generator world simulator Homer reflective process hhuman director episodic Tat interpreter Updated by Ali ‘Rahnama 87231904 

صفحه 54:
Se ‏لقا‎ Dialogues with HOMER ae EXAMPLE DIALOGUE 1 U: What is in front of you? A log. Do you own the log. No, I don’t. The log belongs to you. Oh. ] Turn away from your log. OK, I am turning. LOG IS MOVED] Turn around. OK, I'm turning. I've lost the log! 5-5 Updated by Ali ‘Rahnama 87231904 

صفحه 55:
Ks (Soy Dialogues with Homer ae EXAMPLE DIALOGUE 2 : Drop the package at the barge next Saturday at ۰ : OK. HOMER GENERATES PLAN] : Are you going to the barge next Saturday? # Tes. = What time? : 8.56pm U H 1 10 H U H (USER ADDS CONTRADICTORY INSTRUCTIONS, WHICH HOMER YETECTS.] Updated by Ali ‘Rahnama 87231904 

صفحه 56:
معماری چندلایه (ترکیبی) ‎Be‏ بسیاری از محققین بر این عقیده اند که نه یک روش واکنشی و نه یک روش قیاستی به تقهایی برای ساختن عامل ها کاقی نمی باشد: * انان سیستم های چند لایه ای را پيشنهاد داده اند که رابطه نزدیکی با روش های کلاسیک دارد. 5 يك رويكرد بدیهی این است که عامل را از دو یا چند زیر سیستم بسازیم: * یک بخش قیاسی شامل یک مدل نمادین از جهان که برنامه ریزی ها را ایجاد مى كند و از روش ارائه شده در هوش مصنوعی نمادین تصمیم گیری می کند. ۴ یک بخش واکنشی که بدون استدلات قادر به واکنش در برابر رویدادها می باشد. ‎snip dee 0‏ 0 5 شا دنو اس ی" ‎87231904 ‎ 

صفحه 57:
معماری چندلایه (ادامه) ۹ غالبا به مولفه واکنشی نوعی تقدم نسبت به مولفه قیاسی داده می شود. این نوع ساختار بصورت طبیعی به معماری لایه ای منجر می شود که نمونه ای از آن ماشین تورینگ می باشد. در چنین معفاری ای, زیر سیستم کنترلی عامل بصورت یکت سلسلة مراتب سازماندهی می شود که در آن لایه های بالاتر با اطلاعات انتزاعی تری سروکار دارند. sted by ‏کبشم‎ x Urata by ‏ی‎ 87231904 

صفحه 58:
tes 1 معماری چندلایه (ادامه) ۹ يك مشكل كليدى در اين كونه معمارى ها اين است كه جه نوع جارجوب كنترلى اى براى مديريت تعاملات و ارتباطات بين لايه هاى كوناكون بايد در زیرسیستم های عامل تعبیه شود. ‎gan ay |‏ افقی: ‎8 ‏* در این لایه بندی معماری متشکل از دو لایه یا بیشتر است که هر دام مستقیما به یک حسگر ورودی و یک عملگر خروجی متصل اند. ‏* هر لایه به تنهایی همانند یک عامل عمل می کند که پیشنهاداتی راجع به این که چه عملی باید انجام شود تولید می ‎AS‏ ‎ ‎ ‎ ‏عمل (خروجی) درک (ورودی) ‎"a core‏ ‎87231904 ‎ ‎ ‎ ‎ ‎ ‎ 

صفحه 59:
معماری چندلایه (ادامه) ۹ " لایه بندی عمودی * در این لایه بندی ورودی ها و خروجی ها حداکثر با یک لایه مرتبط می باشند. این ساختار به دو نوع تک مسیره و دو مسیره تقسیم می شود. foe) ‏عمل‎ م الاليهدم + و ‎ayn‏ + لایه 2 + لایه 2 1 ‏لایه‎ Lay fi 1 - عمل (خروجی) درک (ورودی) درک (ورودی) کتعرل دو مسیره کنترل تک مسیره هه ‎ast sek)‏ أزمايشكاه سيستمهاى هو ‎Updated by Ali‏ فخا يديه سي ‎‘Rahnama‏ ‏87231904 

صفحه 60:
معماری چندلایه (ادامه) ۹ * ماشین تورینگ en شامل سه زیر سیستم درک. عمل و کنترل است که بطور مستقیم با محیط در ارتباط می باشند. سه لایه کنترلی دارد که در یک چارچوب کنترلی هماهنگ کننده لایه ها وآقع شده آند * لایه واکنش: نسبت به تغییرات محیط واکنش نشان می دهد. پیاده سازی این لایه بصورت مجموعه ای از قوانین در قالب ساختار جزء به کل می باشد. لایه برنامه ریزی: رفتار هدفمند عامل را پیاده سازی می کند و براى اين كار از يك کتابخانه از برنامه ها و طرح ها استفاده می کند. * لایه مدل ساز: شامل بازنمایی نمادین وضعیت های شناختی موجودیت های دیگر در محیط عامل است. ارتباط بین لایه ها با استفاده از زیر سیستم کنترلی صورت می گیرد که تعیین می کند کدام لایه کنترل عامل را بدست گیرد. أزايتكاه سيستمهاى هوشمند. ۲ ۲ لساب ا اله اانا 87231904 

صفحه 61:
معماری چندلایه (ادامه) * معماری ماشین تورینگ یک لایه ای عمودی Updated by Ali 87231904 

صفحه 62:
(CWO-PASS) 48,b 59 5 sosee - INteRRaP Ss layer |——}_ world model world interface 0 plan layer —planning knowledge معماری چندلایه (ادامه) ooperation layer ‏زوا‎ knowledge behavior coms input action output Updated by Ali ‘Rahnama 87231904 

صفحه 63:
AGENTO and PLACA Much of the interest in agents from the AI community has arisen from Shoham’s notion of agent oriented programming (AOP) AOP a ‘new programming paradigm, based ona societal view of computation’ The key idea that informs AOP is that of directly programming agents in terms of intentional notions like belief, commitment, and intention The motivation behind such a proposal is that, as —— we humans use the intentional stance as an abstraction mechanism for representing the properties of complex systems. In the same way that we use the intentional stance to describe humans, it might be useful to, “382 the intentional stance to program machines. 97231904 

صفحه 64:
AGENTO Shoham suggested that a complete AOP system will have 3 components: a logic for specifying agents and describing their mental states an interpreted programming language for programming agents an ‘agentification’ process, for converting ‘neutral applications’ (e.g., databases) into agents Results only reported on first two components. Relationship between logic and programming language is semantics We will skip over the logic(!), and consider the unméitst AOP language, AGENTO ona ‘Rahnama 87231904 

صفحه 65:
AGENTO AGENTO is implemented as an extension to LISP Each agent in AGENTO has 4 components: a set of capabilities (things the agent can do) a set of initial beliefs a set of initial commitments (things the agent will do) a set of commitment rules The key component, which determines how the _._ agent acts, is the commitment rule set Updated by Ali ‏موه‎ ‎‘Rahnama ‎87231904 

صفحه 66:
AGENTO Each commitment rule contains a message condition a mental condition an action On each ‘agent cycle’... The message condition is matched against the messages the agent has received The mental condition is matched against the beliefs of the agent If the rule fires, then the agent becomes committed to the action (the action gets added to the agent’s commitment set) Updated by Ali ‏موه‎ ‎‘Rahnama ‎87231904 

صفحه 67:
AGENTO Actions may be private: an internally executed computation, or communicative: sending messages Messages are constrained to be one of three types: “requests” to commit to action “unrequests” to refrain from actions “informs” which pass on information Updated by Ali ene ‘Rahnama 87231904 

صفحه 68:


صفحه 69:
AGENTO A commitment rule: COMMIT ( ( agent, REQUEST, DO(time, action) ), 43% Msg condition (8B, [now, Friend agent] AND CAN(self, action) AND NOT [time, CMT(self, anyaction)] ), 7% mental condition self, DO(time, action) ) Updated by Ali ‘Rahnama 87231904 

صفحه 70:
AGENTO This rule may be paraphrased as follows: if I receive a message from agent which requests me to do action at time, and I believe that: agent is currently a friend Ican do the action At time, Iam not committed to doing any other action then commit to doing action at time Updated by Ali ‏و‎ ‘Rahnama 87231904 

صفحه 71:
AGENTO and PLACA AGENTO provides support for multiple agents to cooperate and communicate, and provides basic provision for debugging... ...it is, however, a prototype, that was designed to illustrate some principles, rather than be a production language A more refined implementation was developed by Thomas, for her 1993 doctoral thesis Her Planning Communicating Agents (PLACA) language was intended to address one severe drawback to AGENTO: the inability of agents to Pa and communicate requests for action via igh-level goals Agents in PLACA are programmed in much the ‎way as in AGENTO, in terms of mental 5‏ © اهعمسن ‎@hange rules ‎ ‎ 

صفحه 72:
AGENTO and PLACA An example mental change rule: (((self ?agent REQUEST (?t (xeroxed ?x))) (AND (CAN-ACHIEVE (?t xeroxed ?x))) (NOT (BEL (*now* shelving) )) (NOT (BEL (*now* (vip ?agent)))) ((ADOPT (INTEND (5pm (xeroxed ?x))))) ((?agent self INFORM (*now* (INTEND (5pm (xeroxed ?x))))))) Paraphrased: if someone asks you to xerox something, and ‏سس‎ you can, and you don’t believe that they’re a VIP, or that you’re supposed to be shelving books, then adopt the intention to xerox it by 5pm, and vndateaiy as inform them of your newly adopted intention 87231904 همم 

صفحه 73:
Concurrent METATEM Concurrent METATEM is a multi-agent language in which each agent is programmed by giving it a temporal logic specification of the behavior it should exhibit These specifications are executed directly in order to generate the behavior of the agent Temporal logic is classical logic augmented by modal operators for describing how the truth of propositions changes over time 

صفحه 74:
Concurrent METATEM For example. . . eimportant(agents) means “it is now, and will always be true that agents are important” dimportant(ConcurrentMetateM) means “sometime in the future, ConcurreytMetateM will be important” dimportant(Prolog) means “sometime in the past it was true that Prolog was important” (-friends(us)) U apologize(you) means “we are not friends until you apologize” Oapologize(you) means “tomorrow (in the next state), you vada Qlogize”. ‏موم‎ 87231904 

صفحه 75:
Concurrent METATEM MetateM is a framework for directly executing temporal logic specifications The root of the MetateM concept is Gabbay’s separation theorem: Any arbitrary temporal logic formula can be rewritten in a logically equivalent past > future form. This past = future form can be used as execution rules A MetateM program is a set of such rules Execution proceeds by a process of continually matching rules against a “history”, and firing those rules whose antecedents are satisfied The instantiated future-time consequents become uriateernyn mitments which must subsequently be satisfied 87231904 

صفحه 76:
Concurrent METATEM Execution is thus a process of iteratively generating a model for the formula made up of the program rules The future-time parts of instantiated rules represent constraints on this model An example MetateM program: the resource controller... © ask(x) + 6 give(x) Vxy give(x) A give(y) = (x=y) First rule ensure that an ‘ask’ is eventually followed by a ‘give’ Second rule ensures that only one ‘give’ is ever performed at any one time There are algorithms for executing MetateM programs that appear to give reasonable performance ‏وم‎ is also separated normal form 87231904 موم 

صفحه 77:
Concurrent METATEM ConcurrentMetateM provides an operational framework through which societies of MetateM processes can operate and communicate It is based on a new model for concurrency in executable logics: the notion of executing a logical specification to generate individual agent behavior A ConcurrentMetateM system contains a number of agents (objects), each object has 3 attributes: —— aname an interface a MetateM program Updated by Ali ‘Rahnama 87231904 

صفحه 78:
Concurrent METATEM An object’s interface contains two Sets: environment predicates — these correspond to messages the object will accept component predicates — correspond to messages the object may send For example, a ‘stack’ object’s interface: stack(pop, push)[popped, stackfull] {pop, push} = environment preds {popped, stackfull} = component preds If an agent receives a message headed by an environment predicate, it accepts it If an object satisfies a commitment corresponding to a component predicate, it, y Ali sroadcasts it Updates Rahn 87231 

صفحه 79:
Concurrent METATEM To illustrate the language Concurrent MetateM in more detail, here are some example programs... Snow White has some sweets (resources), which she will give to the Dwarves (resource consumers) She will only give to one dwarf at a time She will always eventually give to a dwarf that asks Here is Snow White, written in Concurrent MetateM | spow-White(ask)[givel: © ask(x) > 4 give(x) give(x) A give(y) > (x =y) موم 5 

صفحه 80:
۹ Concurrent METATEM “2 The dwarf ‘eager’ asks for a sweet initially, and then whenever he has just received one, asks agaiBager(give)[ask]: start = ask(eager) © give(eager) = ask(eager) * Some dwarves are even less polite: ‘greedy’ ‎greedyigive) [ask]:‏ كلده اقال ‎start = ([] ask(greedy) ‎Updated by Ali eve ‘Rahnama 87231904 ‎ 

صفحه 81:
Concurrent METATEM Fortunately, some have better manners; ‘courteous’ only asks when ‘eager’ and ‘greedy’ have eaten courteous(give)[ask]: ((— ask(courteous) S$ give(eager)) A (= ask(courteous) S give(greedy))) = ask(courteous) And finally, ‘shy’ will only ask for a sweet when no-one else | shy(give)[ask]: start => 4 ask(shy) © ask(x) = - ask(shy) © give(shy) + » ask(shy) مره 

صفحه 82:
Concurrent METATEM Summary: an(other) experimental language very nice underlying theory... ...but unfortunately, lacks many desirable features — could not be used in current state to implement ‘full’ system currently prototype only, full version on the way! همه Updated by Ali ‘Rahnama 87231904