Multiagent Systems

Multiagent Systems
Einführung
Zusammenfassung der ersten
18 Seiten des Survey-Papers von
Peter Stone
Über diesen Vortrag
UNTERLAGEN





Präsentation
„Mitschrift“
Zettel Begriffe
Survey-Paper
von Peter Stone
Pdf-Dateien
Kube
Über diesen Vortrag
INHALT




WAS sind MAS,
WOZU denn MAS,
KATEGORIEN von MAS
Non-Communicating
homogeneous MAS
Pursuit-Domain
Cooperative Insects
Ausblicke
Beispiel (cooperative
Transport) Diskussion
Peter Stone
Über diesen Vortrag
Ziele

Überblick Multiagents Systems
(Begriffe, Einteilung)

Motivation
(Wozu, warum, Möglichkeiten)

Homogeneous Non-Comm. MAS
(Aktualität, Einsatzgebiete,
konkrete Vorstellung anhand von Beispielen)
1) WAS sind MAS
AI
Artificial Intelligence
CAI
centrlized AI
DAI
distributed AI
DPS
distributed Problem Solving
MAS
Multiagent Systems
1.1) AGENT für sich
knowledge

Goals
(Ziel, Intention)
goal

Actions
(Handlung)
action

Domain Knowledge
(Wissen)
1.2) AGENT „Behaviour“

Agent
(Goals, Action, Domain
Knowledge)

Behaviour
Flucht,
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 zwangsweise 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 verringern
Teilproblemreduktion

Robustheit erhöhen
Ausfallsicherheit

Geschwindigkeit
Parallelprocessing

Scalability
Erweiterbarkeit
2.3) Wissenschaftliche Gründe

Soziale Intelligenz

Weiß:
„Intelligence is deeply and inevitably
coupled with interaction.“
2.4) Wirtschaftliche Faktoren

Massenproduktion
„simpler“ Roboter
anstatt
Einzelfertigung
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)
4.2) Strategien (1)
Stephens & Merx
[1990]


Capture Positions
Ignoriere andere
Predators
Gegenseitige Blockaden !
4.2) Strategien (2)
Korf [1992]

Greedy-Strategie

Prey zieht an,
Predator stößt ab
Korf:
„Explicit Cooperation is rearly necessary or useful!“
4.2) Strategien (3)
Vidal & Durfee
[1995]


„predict“ Aktionen
anderer Agents
 RMM
Aufwendig
global / local scope ?
4.3) Reactive vs. Deliberative

Reactive:
eher „reflexartig“,
keine großen
Interpolationen ...

Deliberative
überlegt, planend

Beispiel: Greedy

Beispiel: RMM
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 Ants
verstreute tote Ameisen
werden auf einen großen
Haufen zusammengetragen

Cooperative Transport
Ameisen 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
Experiment Van Damme / De Neubourg
Diagramm „ANT-Transport“
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

Vorteile
der MAS-Lösung
von KUBE

Nachteile
(Wäre ein zentralisiertes
System besser? ...)

...
ANT PILING
Tote Ameisen werden um einen Ameisenhaufen
verstreut.
Die lebenden Ameisen häufen diese zusammen,
ohne (nachweisbar) zu kommunizieren.