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.