هوش مصنوعي فصل دوم عاملهاي هوشمند.

Slides:



Advertisements
Similar presentations
Additional Topics ARTIFICIAL INTELLIGENCE
Advertisements

Jimma University,JiT Depatment of Computing Introduction To Artificial Intelligence Zelalem H.
Intelligent Agents Chapter 2.
Intelligent Agents Russell and Norvig: 2
Cooperating Intelligent Systems Intelligent Agents Chapter 2, AIMA.
Intelligent Agents Russell and Norvig: Chapter 2 CMSC421 – Fall 2005.
January 11, 2006AI: Chapter 2: Intelligent Agents1 Artificial Intelligence Chapter 2: Intelligent Agents Michael Scherger Department of Computer Science.
ICS 101 Fall 2011 Introduction to Artificial Intelligence Asst. Prof. Lipyeow Lim Information & Computer Science Department University of Hawaii at Manoa.
© Copyright 2008 STI INNSBRUCK Intelligent Systems Intelligent Agents – Lecture 9 Prof. Dieter Fensel (& Francois.
Agents in Design A course in developing cognitive agents for objects in virtual worlds.
Cooperating Intelligent Systems Intelligent Agents Chapter 2, AIMA.
CSCE 580 Artificial Intelligence Ch.2: Intelligent Agents
Rutgers CS440, Fall 2003 Lecture 2: Intelligent Agents Reading: AIMA, Ch. 2.
Russell and Norvig: Chapter 2 CMSC421 – Fall 2006
Rational Agents (Chapter 2)
Intelligent Agents: an Overview. 2 Definitions Rational behavior: to achieve a goal minimizing the cost and maximizing the satisfaction. Rational agent:
Introduction to Logic Programming WS2004/A.Polleres 1 Introduction to Artificial Intelligence MSc WS 2009 Intelligent Agents: Chapter 2.
Rational Agents (Chapter 2)
Intelligent Agents Chapter 2. Outline Agents and environments Rationality PEAS (Performance measure, Environment, Actuators, Sensors) Environment types.
CPSC 7373: Artificial Intelligence Jiang Bian, Fall 2012 University of Arkansas at Little Rock.
Intelligent Agents. Software agents O Monday: O Overview video (Introduction to software agents) O Agents and environments O Rationality O Wednesday:
CS 4100 Artificial Intelligence Prof. C. Hafner Class Notes Jan 10, 2012.
ICS 101 Fall 2011 Introduction to Artificial Intelligence Asst. Prof. Lipyeow Lim Information & Computer Science Department University of Hawaii at Manoa.
Artificial Intelligence
CHAPTER 2 Intelligent Agents. Outline Agents and environments Rationality PEAS (Performance measure, Environment, Actuators, Sensors) Environment types.
ARTIFICIAL INTELLIGENCE [INTELLIGENT AGENTS PARADIGM] Professor Janis Grundspenkis Riga Technical University Faculty of Computer Science and Information.
COMP 4640 Intelligent & Interactive Systems Cheryl Seals, Ph.D. Computer Science & Software Engineering Auburn University Lecture 2: Intelligent Agents.
© Copyright 2008 STI INNSBRUCK Introduction to A rtificial I ntelligence MSc WS 2009 Intelligent Agents: Chapter.
Outline Agents and environments Rationality PEAS (Performance measure, Environment, Actuators, Sensors) Environment types Agent types Artificial Intelligence.
Intelligent Agents Chapter 2. CIS Intro to AI - Fall Outline  Brief Review  Agents and environments  Rationality  PEAS (Performance measure,
Agents CPSC 386 Artificial Intelligence Ellen Walker Hiram College.
CS 8520: Artificial Intelligence Intelligent Agents Paula Matuszek Fall, 2008 Slides based on Hwee Tou Ng, aima.eecs.berkeley.edu/slides-ppt, which are.
Intelligent Agents อาจารย์อุทัย เซี่ยงเจ็น สำนักเทคโนโลยีสารสนเทศและการ สื่อสาร มหาวิทยาลัยนเรศวร วิทยาเขต สารสนเทศพะเยา.
Dr. Alaa Sagheer Chapter 2 Artificial Intelligence Ch2: Intelligent Agents Dr. Alaa Sagheer.
Intelligent Agents Chapter 2. Outline Agents and environments Rationality PEAS (Performance measure, Environment, Actuators, Sensors) Environment types.
Announcements  Upcoming due dates  F 5 pm Proj 0  M 11:59 pm HW 1  Be careful of edX timezone (UTC)!  New GSI  Welcome Nathan Mandi!  Discussion.
CSC 9010 Spring Paula Matuszek Intelligent Agents Overview Slides based in part on Hwee Tou Ng, aima.eecs.berkeley.edu/slides-ppt, which are in turn.
Intelligent Agents. Outline Agents and environments Rationality PEAS (Performance measure, Environment, Actuators, Sensors) Environment types Agent types.
Intelligent Agents on the Internet and Web BY ROHIT SINGH MANHAS M.C.A 4TH SEM. Dept. of I&CT, MIT, Manipal.
The Agent and Environment Presented By:sadaf Gulfam Roll No:15156 Section: E.
Announcements Office Hours change: Mon 3:30-4:30pm, Wed 1-2pm (both in DL 580) AI Seminar Series: Fridays 3-4pm in DL 480 Schedule here:
Artificial Intelligence: Definition
ECE 448 Lecture 3: Rational Agents
Intelligent Agents By, JITHIN M J.
EA C461 – Artificial Intelligence Intelligent Agents
Ch. 2 – Intelligent Agents
Pertemuan 2 Kecerdasan Buatan
Chapter 2 – AIMA Dr. Aarij Mahmood Hussaan
Artificial Intelligence Lecture No. 4
Rational Agents (Chapter 2)
Artificial Intelligence (CS 461D)
Intelligent Agents Chapter 2.
Intelligent Agents Chapter 2.
Hong Cheng SEG4560 Computational Intelligence for Decision Making Chapter 2: Intelligent Agents Hong Cheng
Introduction to Artificial Intelligence
هوش مصنوعي فصل دوم عاملهاي هوشمند.
Artificial Intelligence I : Intelligent Agents
CSE 4705 Artificial Intelligence
Intelligent Agents Chapter 2.
CS4341 Introduction to Artificial Intelligence
AI: Artificial Intelligence
AGENT MODELS.
EA C461 – Artificial Intelligence Problem Solving Agents
Intelligent Agents Chapter 2.
Intelligent Agents Chapter 2.
EA C461 – Artificial Intelligence Intelligent Agents
Artificial Intelligence
Ch. 2 – Intelligent Agents
Intelligent Agents Chapter 2.
Intelligent Agents Chapter 2.
Presentation transcript:

هوش مصنوعي فصل دوم عاملهاي هوشمند

هوش مصنوعي Artificial Intelligence فهرست عامل خواص محيطهای وظيفه برنامه های عامل

عاملهای هوشمند عامل: عامل نرم‌افزاري: به هر چيزي اطلاق مي‌شود، که قادر به درک محيط پيرامون خود از طريق حس‌گرها(sensor)و اثرگذاري‌ بر روي محيط از طريق اثرکننده‌ها (effector) باشد. عامل نرم‌افزاري: عامل نرم‌افزاري رشته‌هاي بيتي را به عنوان درک محيط و عمل، کدگذاري مي‌کند.

عاملهای هوشمند عوامل انساني عوامل روباتيک حس کردن: گوش، چشم، ديگر ارگان‌ها اثرگذاري: دست، پا، بيني، اندام‌هاي ديگر عوامل روباتيک حس کردن: دوربين، يابنده‌هاي مادون قرمز اثرگذاري: موتور

عاملهای هوشمند sensors percepts ? environment agent actions effectors

عاملهای هوشمند عامل ادراک ها حسگرها عامل ? محيط فعاليت ها محرکها

عاملهای هوشمند عامل‌ها چگونه بايد عمل کنند؟ عامل منطقي: چيزي است که کار درست انجام مي‌دهد. عمل درست: آن است که باعث موفق‌ترين عامل گردد. کارايي: چگونگي موفقيت يک عامل را تعيين مي‌کند.

عاملهای هوشمند آن چه در هر زماني منطقي است به چهار چيز وابسته است: معيار کارايي که درجه موفقيت را تعيين مي‌کند. هر چيزي که تا کنون عامل، ادراک نموده است. ما اين تاريخچه کامل ادراکي را دنباله ادراکي مي‌ناميم. آنچه که عامل درباره محيط خود مي‌داند. اعمالي که عامل مي‌تواند صورت دهد.

f : P * ® A عاملهای هوشمند دنباله ادراک تابع عامل سابقه کامل هر چيزی است که عامل تاکنون درک کرده است. تابع عامل رفتار عامل توسط تابع عامل توصيف ميشود که هر دنباله ادراک را به يک فعاليت نقش ميکند.   f : P * ® A فعاليت دنباله ادراک : تابع عامل

عاملهای هوشمند معيارهای کارايي رفتار عقلايي معيار کارايي، معياری برای موفقيت رفتار عامل است. بر اساس خواسته های فرد در محيط انتخاب ميشود رفتار عقلايي معيار کارايي که ملاکهای موفقيت را تعريف ميکند دانش قبلي عامل نسبت به محيط فعاليتهايي که عامل ميتواند انجام دهد دنباله ادراک عامل در اين زمان

عاملهای هوشمند عامل عالـِم Omni science)) عامل خردمند (Rational agent) خروجی واقعی فعاليت خود را ميداند و ميتواند بر اساس آن عمل کند عامل خردمند (Rational agent) فعاليتی را انتخاب ميکند که معيار کارايي اش را حداکثر ميکند جمع آوری اطلاعات، اکتشاف، يادگيری عامل خود مختار نقص دانش قبلی خود را ميتواند جبران کند

عاملهای هوشمند خودمختاري: در اينجا تعريف عامل بايد کامل‌تر شود و بخش دانش دروني به آن اضافه مي‌گردد. رفتار عامل مي‌تواند متکي بر دو پايه تجربه خود و دانش دروني بنا نهاده شود. اين رفتار، در ساخت عامل براي شرايط محيطي خاص که در آن عمل خواهد کرد، استفاده مي‌شود.

عاملهای هوشمند عامل هوشمند واقعاً خود مختار بايد قادر به عمل موفقيت‌آميز در دامنه وسيعي از محيط‌ها باشد و البته بايد زمان کافي براي تطبيق نيز به آن داده شود.

عاملهای هوشمند ساختار عامل‌هاي هوشمند وظيفه هوش مصنوعي طراحي برنامه عامل است؛ اين طراحي شامل تابعي است که نگاشت عامل از ادراک به عمليات را پياده سازي مي‌کند. معماري: فرض مي‌کنيم برنامه عامل بر روي نوعي ابزار محاسبه‌گر اجرا مي‌گردد که آن را معماري مي‌ناميم. برنامه‌ عامل، بايد توسط معماري قابل پذيرش و اجرا باشد.

عاملهای هوشمند برنامه + معماری = عامل عموماً، معماري ادراک از طريق حس‌گرها را براي برنامه آماده ساخته، برنامه را اجرا نموده و اعمال انتخابي برنامه را به عمل‌کننده‌هاي سيستم منتقل مي‌کند. ارتباط بين عامل‌ها، معماري‌ها و برنامه‌ها را مي‌توان به صورت ذيل جمع بندي نمود: برنامه + معماری = عامل

عاملهای هوشمند در اينجا مسئله تمايز بين محيط واقعي و مصنوعي مطرح مي‌شود؛ اما مسأله اصلي، پيچيدگي مابين: ارتباط رفتار عامل، دنباله ادراکي توليد شده بوسيله محيط، و اهدافي که عامل قصد حصول آن را دارد، است. مشهور‌ترين محيط مصنوعي، محيط تست تورينگ (turing) است.

عاملهای هوشمند برنامه‌هاي عامل: تشابهات عامل‌هاي هوشمند: دريافت ادراک محيطي توليد اعمال لازم دو نکته در مورد شالوده برنامه قابل ذکر هستند: برنامه عامل تنها يک درک از شرايط محيطي واحد را به عنوان ورودي دريافت مي‌کند. هدف يا معيار کارايي بخشي از برنامه شالوده نخواهد بود.

عاملهای هوشمند چرا تنها به پاسخ‌ها نگاه نمي‌کنيم؟ جدول مراجعه بايد بر پايه حفظ کامل دنباله ادراکي در حافظه عمل نموده و از آن براي ايندکس‌سازي داخل جدول استفاده کند. جدول عامل نوع راننده تاکسي محيط اهداف عمليات ادراکات نوع عامل جاده، پياده‌رو، ترافيک، مشتري ايمني، سرعت، قانونمندي، راحتي، افزايش سودمندي راهنمايي کردن، شتاب‌دهنده، ترمز، صحبت با مسافر دوربين‌ها، سرعت سنج، GPS، Sonar ميکروفون راننده تاکسي

خواص محيط های وظيفه عاملهای هوشمند کاملاً قابل مشاهده درمقابل قابليت مشاهده جزئی قطعي درمقابل غير قطعی راهبردی رويدادی درمقابل ترتيبي ايستا درمقابل پويا گسسته درمقابل پيوسته تک عاملي درمقابل چند عاملي چند عاملي رقابتي درمقابل چندعاملي همياری خواص محيط های وظيفه

عاملهای هوشمند ساختار عاملها برنامه + معماری = عامل برنامه های عامل برنامه + معماری = عامل کار هوش مصنوعی طراحی برنامه عامل است که تابع عامل را پياده سازی ميکند برنامه های عامل عاملهای واکنشی مدل گرا عاملهای واکنشی ساده عاملهای سودمند عاملهای هدف گرا

اکنون چه عملی بايد انجام دهم عاملهای هوشمند عاملهای واکنشی ساده اين عاملها فعاليت را بر اساس درک فعلی و بدون در نظر گرفتن سابقه ادراک، انتخاب ميکند به خاطر حذف سابقه ادراک برنامه عامل در مقايسه با جدول آن بسيار کوچک است انتخاب فعاليت بر اساس يکسری قوانين موقعيت شرطي انجام ميشود عامل حسگرها جهان چگونه است محيط قانون شرط عمل اکنون چه عملی بايد انجام دهم محرکها

عاملهای هوشمند T مثالي از عامل واکنشی ساده در دنيای جاروبرقي تصميم گيری آن بر اساس مکان فعلی و کثيف بودن آن مکان صورت ميگيرد در برنامه عامل در مقايسه با جدول آن، تعداد حالتهای ممکن از 4 به 4 کاهش مي يابد انتخاب فعاليت بر اساس موقعيت شرطي: If dirty then suck T function REFLEX-VACUUM-AGENT ([location, status]) return an action if status == Dirty then return Suck else if location == A then return Right else if location == B then return Left

جهان چگونه تکامل می يابد اکنون چه عملی بايد انجام دهم عاملهای هوشمند عاملهای واکنشي مدل گرا استفاده از دانش “چگونگی عملکرد جهان” که مدل نام دارد عامل بخشي از دنيايي را که فعلا ميبيند رديابی ميکند عامل بايد حالت داخلي را ذخيره کند که به سابقه ادراک بستگي دارد در هر وضعيت, عامل ميتواند توصيف جديدی از جهان را کسب کند حسگرها حالت جهان چگونه تکامل می يابد جهان چگونه است محيط کار فعاليت چيست قانون شرط عمل اکنون چه عملی بايد انجام دهم عامل محرکها

عاملهای هوشمند عاملهای هدف گرا محيط عامل حسگرها محرکها حالت اين عامل علاوه بر توصيف حالت فعلی، برای انتخاب موقعيت مطلوب نيازمند اطلاعات هدف نيز ميباشد جست و جو و برنامه ريزی، دنباله ای از فعاليتها را برای رسيدن عامل به هدف، پيدا ميکند اين نوع تصميم گيری همواره آينده را در نظر دارد و با قوانين شرط عمل تفاوت دارد اين نوع عامل کارايي چندانی ندارد، اما قابليت انعطاف بيشتری دارد جهان چگونه است جهان چگونه تکامل می يابد اگر فعاليت A را انجام دهم چه خواهد شد محيط کار فعاليت چيست اکنون چه عملی بايد انجام دهم اهداف عامل محرکها

عاملهای هوشمند عاملهای سودمند محيط عامل حسگرها محرکها حالت اين عامل براي اهداف مشخص، راه های مختلفی دارد، که راه حل بهتر برای عامل سودمندتر است. تابع سودمندی، حالت يا دنباله ای از حالتها را به يک عدد حقيقی نگاشت ميکند که درجه رضايت را توصيف مِيکند. وقتی اهداف متضاد باشند، بعضی از آنها برآورده ميشوند اگر هيچيک از اهداف به طور قطعی قابل حصول نباشند، احتمال موفقيت با اهميت هدف مقايسه ميشود جهان چگونه است جهان چگونه تکامل می يابد اگر فعاليت A را انجام دهم چه خواهد شد محيط کار فعاليت چيست در چنين حالتی چقدر رضايت دارم سودمند اکنون چه عملی بايد انجام دهم عامل محرکها

عاملهای هوشمند عاملهای يادگيرنده محيط عامل حسگرها محرکها استاندارد کارايي عنصرِِيادگيرنده مسئول ايجاد بهبودها عنصر کارايي مسئول انتخاب فعاليتهای خارجی منتقد مشخص ميکند که يادگيرنده با توجه به استانداردهای کارايي چگونه عمل ميکند مولد مسئله مسئول پيشنهاد فعاليتهايي است که منجر به تجربيات آموزنده جديدی ميشود عنصر کارايي منتقد حسگرها بازخورد محيط تغييرات عنصر يادگيرنده دانش اهداف يادگيری مولد مسئله عامل محرکها