分布式人工智能的特点与分类
分布式人工智能的研究始于20世纪70年代末期。当时主要研究分布式问题求解(distributed problem solving,DPS),其研究目标是要建立一个由多个子系统构成的协作系统,各子系统间协同工作对特定问题进行求解。
在DPS系统中,把待解决的问题分解为一些子任务,并为每个子任务设计一个问题求解的任务执行子系统。通过交互作用策略,把系统设计集成为一个统一的整体,并采用自顶向下的设计方法,保证问题处理系统能够满足顶部给定的要求。
分布式人工智能的特点
分布式人工智能系统具有如下特点:
1.分布性
整个系统的信息,包括数据、知识和控制等,无论在逻辑上或者物理上都是分布的,不存在全局控制和全局数据存储。系统中各路径和节点能够并行地求解问题,从而提高子系统的求解效率。
2.连接性
在问题求解过程中,各个子系统和求解机构通过计算机网络相互连接,降低了求解问题的通信代价和求解代价。
3.协作性
各子系统协调工作,能够求解单个机构难以解决或者无法解决的困难问题。例如,多领域专家系统可以协作求解单领域或者单个专家系统无法解决的问题,提高求解能力,扩大应用领域。
4.开放性
通过网络互连和系统的分布,便于扩充系统规模,使系统具有比单个系统广大得多的开放性和灵活性。
5.容错性
系统具有较多的冗余处理节点、通信路径和知识,能够使系统在出现故障时,仅仅降低响应速度或求解精度,以保持系统正常工作,提高工作可靠性。
6.独立性系
系统求解任务归约为几个相对独立的子任务,从而降低了各个处理节点和子系统问题求解的复杂性,也降低了软件设计开发的复杂性。
分布式人工智能的分类
分布式人工智能一般分为分布式问题求解和多agent系统(multi-agent system,MAS)两种类型。DPS研究如何在多个合作的和共享知识的模块、节点或子系统之间划分任务,并求解问题。MAS则研究如何在一群自主的agent间进行智能行为的协调。
两者的共同点在于研究如何对资源、知识、控制等进行划分。两者的不同点在于,DPS往往需要有全局的问题、概念模型和成功标准;而MAS则包含多个局部的问题、概念模型和成功标准。
DPS的研究目标在于建立大粒度的协作群体,通过各群体的协作实现问题求解,并采用自顶向下的设计方法。MAS却采用自底向上的设计方法,首先定义各自分散自主的agent,然后研究怎样完成实际任务的求解问题;各个agent之间的关系并不一定是协作的,也可能是竞争甚至是对抗的关系。
上述对分布式人工智能的分类并非绝对和完善。有些人认为MAS基本上就是分布式人工智能,DPS仅是MAS研究的一个子集,他们提出,当满足下列三个假设时,MAS就成为DPS系统:①agent友好;②目标共同;③集中设计。
显然,持这种看法的人极大地扩展了MAS的研究和应用领域。正是由于MAS具有更大的灵活性,更能体现人类社会智能,更适应开放的和动态的世界环境,因而引起许多学科及其研究者的热烈兴趣和高度重视。
目前对agent和MAS的研究有增无减,仍是一个研究热点。要研究的问题包括agent的概念、理论、分类、模型、结构、语言、推理和通信等。
如需合作咨询可点击屏幕右下角合作咨询标志,提交具体咨询信息