Intelligent Agents
Agents are objects with attitude, which are autonomous, smart, active.
Properties in Environment (环境性质描述)
- Fully observable / partially observable
- Deterministic / non-deterministic
- Static / dynamic
- Discrete / continuous
- Episodic / non-episodic
- Real time
Social ability (社交能力)
The ability to interact with other agents via cooperation, coordination, and negotiation.
Abstract Architectures for Agents (代理的抽象架构)
表示方法
- State: $E = \{e, e’, … \}$
- Actions: $Ac = \{\alpha, \alpha’, … \}$
- Run: $r: e_0\xrightarrow{\alpha_0}e_1\xrightarrow{\alpha_1}…\xrightarrow{\alpha_{u-1}}e_u$
- $R$: 有限序列，包含所有可能的情况
- $R^{Ac}$: 所有以action结尾的序列
- $R^E$: 所有以environment结尾的序列
State transformer function $$\tau: R^{Ac} \rightarrow 2^E$$ 表示一个代理动作在环境上的作用。
如果$\tau(r) = \emptyset$，那么对于$r$来说没有后继状态，可以定义为运行结束
Environment definition: $Env = <E, e_0, \tau>$
- $E$是一组状态
- $e_0$是初始状态
- $\tau$是状态转移函数
Agent 把一个agent建模成一个函数，这个函数映射runs(假设这些序列以state结尾)到actions。 $$Ag: R^E \rightarrow Ac$$
Systems 系统可以表示为$R(Ag, Env)$，意思是代理$Ag$在环境$Env$上的一些列runs
Purely Reactive Agents
- 他们不根据历史做决定
- 他们做的决定全部根据现在的情况
$$Ag: E\rightarrow Ac$$ 温控器就是一个purely reactive agents，当e = temperature, $Ag(e) =$ off，否则，$Ag(e) =$ on。
Utilities
Agent在特定环境中目标满意度的量化衡量指标。
期望效用（Expected Utility）的计算在多智能体系统（MAS）和决策理论中有多种用途，主要用于评估、优化和指导智能体的行为与策略。 Expected Utility计算公式如下 $$EU(Ag, Env) = \sum_{r\in R(Ag, Env)} u(r)P(r|Ag, Env)$$
Deductive Reasoning Agents
Symbolic Reasoning Agents
建立agents的一个经典方法就是把他们看作一种特别的知识库系统，并且把相关的方法应用到这个系统中。这类范畴就属于symbolic AI。