人工智能中的Agent

语言 Chinese, Simplified

SEO Title

人工智能代理的结构

要理解智能Agent的结构，我们应该熟悉体系结构和Agent程序。体系结构是代理执行的机器。它是一种带有传感器和执行器的设备，例如机器人汽车、相机和PC。代理程序是代理功能的实现。代理函数是从感知序列（代理迄今为止感知的所有事物的历史）到动作的映射。

Agent=架构+Agent程序
Agent = Architecture + Agent Program

人工智能中有许多代理的例子。以下是一些：

智能个人助理：这些代理旨在帮助用户完成各种任务，如安排约会、发送消息和设置提醒。智能个人助理的例子包括Siri、Alexa和Google Assistant。
自主机器人：这些是设计用于在物理世界中自主操作的代理。他们可以执行诸如清洁、分拣和运送货物等任务。自主机器人的例子包括Roomba吸尘器和亚马逊送货机器人
游戏代理：这些代理是专为玩游戏而设计的，可以对抗人类对手或其他代理。游戏代理的示例包括下棋代理和扑克代理。
欺诈检测代理：这些代理旨在检测金融交易中的欺诈行为。他们可以分析行为模式，以识别可疑活动并向当局发出警报。欺诈检测代理的例子包括银行和信用卡公司使用的代理。
交通管理代理：这些代理旨在管理城市中的交通流量。他们可以监控交通模式，调整红绿灯，并改变车辆路线，以最大限度地减少拥堵。交通管理代理的例子包括世界各地智能城市中使用的交通管理代理。
软件代理具有按键、文件内容、作为传感器并在屏幕上显示的接收网络包、文件和作为执行器发送的网络包。
人类代理人的眼睛、耳朵和其他器官充当传感器，手、腿、嘴和其他身体部位充当致动器。
机器人代理具有充当传感器的相机和红外测距仪，以及充当致动器的各种电机。

代理人的特征

代理类型

代理可以根据其感知智能和能力的程度分为五类：

简单反射代理
基于模型的反射代理
基于目标的代理
基于实用的代理
学习型Agent
多代理系统
分层代理

简单反射代理

简单的反射代理忽略了其余的感知历史部分，只根据当前感知进行操作。感知历史是代理人迄今为止所感知的所有事物的历史。代理功能基于条件操作规则。条件动作规则是将状态（即条件）映射到动作的规则。如果条件为真，则采取该操作，否则不采取。只有当环境完全可观察时，此代理功能才会成功。对于在部分可观察环境中工作的简单反射代理来说，无限循环往往是不可避免的。如果代理可以随机化其动作，那么就有可能逃离无限循环。

简单反射剂的问题是：

智力非常有限。
对状态的非感知部分一无所知。
通常太大而无法生成和存储。
如果环境发生任何更改，则需要更新规则集合。

简单反射代理

基于模型的反射代理

它的工作原理是找到一个条件与当前情况相匹配的规则。基于模型的代理可以通过使用关于世界的模型来处理部分可观察的环境。代理必须跟踪由每个感知调整的内部状态，这取决于感知历史。当前状态存储在代理内部，该代理保持某种结构，描述世界上看不见的部分。

更新状态需要以下信息：

世界是如何独立于代理人而进化的？
代理人的行为如何影响世界？

基于模型的反射代理

基于目标的代理

这类代理人根据他们目前离目标的距离（理想情况的描述）做出决定。他们的每一个动作都是为了减少与目标的距离。这允许代理在多种可能性中进行选择，选择达到目标状态的可能性。支持其决策的知识是明确表示的，并且可以修改，这使这些代理更加灵活。它们通常需要搜索和规划。基于目标的代理的行为可以很容易地更改。

基于目标的代理

基于效用的代理

将最终用途作为构建块开发的代理称为基于效用的代理。当有多种可能的替代方案时，为了决定哪一种是最好的，将使用基于效用的代理。他们根据每个状态的偏好（实用程序）来选择操作。有时候，仅仅实现所期望的目标是不够的。我们可能会寻找一个更快、更安全、更便宜的旅行来到达目的地。代理人的幸福感应该被考虑在内。效用描述了代理人有多“快乐”。由于世界的不确定性，效用代理人选择了使预期效用最大化的行动。效用函数将一种状态映射到一个实数上，该实数描述了相关的幸福度。

基于效用的代理

学习型Agent

人工智能中的学习代理是一种可以从过去的经验中学习或具有学习能力的代理。它从基本知识开始行动，然后能够通过学习自动行动和适应。学习主体主要有四个概念组成部分，它们是：

学习要素：它负责通过从环境中学习来进行改进。
评论家：学习元素从评论家那里获得反馈，描述代理人在固定的绩效标准方面做得有多好。
性能元素：负责选择外部动作。
问题生成器：该组件负责建议将带来新的信息体验的行动。

学习型Agent

多Agent系统

这些代理与其他代理交互以实现一个共同的目标。他们可能需要协调行动并相互沟通以实现目标。

多智能体系统（MAS）是由多个相互作用的智能体组成的系统，这些智能体被设计为协同工作以实现共同目标。这些主体可以是自主的或半自主的，能够感知其环境、做出决策并采取行动实现共同目标。

MAS可以用于各种应用，包括交通系统、机器人和社交网络。它们可以帮助提高效率，降低成本，并增加复杂系统的灵活性。MAS可以根据其特征分为不同的类型，例如代理的目标是相同的还是不同的，代理是合作的还是竞争的，以及代理是同质的还是异构的。

在同构MAS中，所有代理都具有相同的能力、目标和行为。
相反，在异构MAS中，代理具有不同的能力、目标和行为。

这会使协调更具挑战性，但也会导致更灵活、更稳健的系统。

合作MAS涉及代理协同工作以实现共同目标，而竞争MAS则涉及代理相互对抗以实现自己的目标。在某些情况下，MAS也可能涉及合作和竞争行为，代理人必须平衡自己的利益和群体的利益。

MAS可以使用不同的技术来实现，如博弈论、机器学习和基于代理的建模。博弈论用于分析代理人之间的战略互动并预测其行为。机器学习用于训练代理，以随着时间的推移提高其决策能力。基于Agent的建模用于模拟复杂系统并研究Agent之间的相互作用。

总的来说，多智能体系统是人工智能中的一个强大工具，可以帮助解决各种应用中的复杂问题并提高效率。

分层代理

这些代理被组织成一个层次结构，高级代理监督较低级别代理的行为。高级代理提供目标和约束，而低级代理执行特定任务。分层代理在具有许多任务和子任务的复杂环境中非常有用。

层次代理是组织成层次结构的代理，高级代理监督较低级别代理的行为。高级代理提供目标和约束，而低级代理执行特定任务。这种结构允许在复杂环境中进行更高效和更有组织的决策。
分层代理可以在各种应用中实现，包括机器人、制造和运输系统。它们在有许多任务和子任务需要协调和确定优先级的环境中特别有用。
在分层代理系统中，高级代理负责为较低级别的代理设置目标和约束。这些目标和约束通常基于系统的总体目标。例如，在制造系统中，高级代理可能会根据客户需求为低级代理设定生产目标。
低级代理负责执行特定任务，以实现高级代理设定的目标。这些任务可能相对简单，也可能更复杂，具体取决于具体的应用程序。例如，在交通系统中，低级代理可能负责管理特定十字路口的交通流量。
根据系统的复杂性，分层代理可以组织到不同的级别。在一个简单的系统中，可能只有两个级别：高级代理和低级代理。在更复杂的系统中，可能有多个级别，中间级别的代理负责协调较低级别代理的活动。
分级代理的一个优点是，它们允许更有效地使用资源。通过将代理组织到层次结构中，可以将任务分配给最适合执行任务的代理，同时避免重复工作。这可以导致更快、更高效的决策和更好的系统整体性能。

总的来说，分层代理是人工智能中的一个强大工具，可以帮助解决各种应用程序中的复杂问题并提高效率。