Verteilte künstliche Intelligenz

Verteilte künstliche Intelligenz (DAI) Auch als dezentrale künstliche Intelligenz bezeichnet^[1] ist ein Unterfeld von künstliche Intelligenz Forschung, die sich der Entwicklung verteilter Lösungen für Probleme widmet. DAI ist eng mit und ein Vorgänger des Feldes von verwandt Multi-Agent-Systeme.

Definition

Verteilte künstliche Intelligenz (DAI) ist ein Ansatz zur Lösung komplexes Lernen. Planungund Entscheidungsprobleme. es ist peinlich parallelso können Sie große Berechnungen und räumliche Verteilung von Rechenressourcen ausnutzen. Diese Eigenschaften ermöglichen es ihm, Probleme zu lösen, die die Verarbeitung sehr großer Datensätze erfordern. DAI -Systeme bestehen aus autonomen Lernverarbeitungsknoten (Agenten), die verteilt sind, oft in großem Maßstab. DAI -Knoten können unabhängig handeln und teilweise Lösungen werden durch Kommunikation zwischen Knoten, oft asynchron, integriert. Aufgrund ihrer Skala sind DAI -Systeme robust und elastisch und notwendigerweise lose gekoppelt. Darüber hinaus sind DAI -Systeme aufgrund der Skala und Schwierigkeit bei der Umschichtung an adaptive Änderungen in der Problemdefinition oder zugrunde liegenden Datensätzen erstellt.

DAI -Systeme verlangen nicht, dass alle relevanten Daten an einem einzigen Ort aggregiert werden, im Gegensatz zu monolithischen oder zentralisierten künstlichen Intelligenzsystemen, die eng gekoppelt und geografisch verarbeitende Knoten gekoppelt sind. Daher arbeiten DAI-Systeme häufig mit Unterproben oder Hash-Impressionen sehr großer Datensätze. Darüber hinaus kann sich der Quelldatensatz im Verlauf der Ausführung eines DAI -Systems ändern oder aktualisiert werden.

Ziele

Die Ziele der verteilten künstlichen Intelligenz sind es, die zu lösen Argumentation, Planung, Lernen und Wahrnehmungsprobleme von künstliche Intelligenzinsbesondere wenn sie große Daten benötigen, indem das Problem an autonome Verarbeitungsknoten (Agenten) verteilt wird. Um das Ziel zu erreichen, erfordert Dai:

• A verteiltes System mit robuster und elastischer Berechnung zu unzuverlässigen und fehlenden Ressourcen, die lose gekoppelt sind
• Koordination der Handlungen und Kommunikation der Knoten
• Teilproben großer Datensätze und Online -maschinelles Lernen

Es gibt viele Gründe dafür, Intelligenz zu verteilen oder mit Multi-Agent-Systemen fertig zu werden. Zu den Mainstream -Problemen in der DAI -Forschung gehören Folgendes:

• Parallele Problemlösung: Es geht hauptsächlich darum, wie klassische Konzepte für künstliche Intelligenz geändert werden können, damit das so Multiprozessor Systeme und Cluster von Computern können verwendet werden, um die Berechnung zu beschleunigen.
• Verteilte Problemlösung (DPS): das Konzept von Agent, autonome Einheiten, die miteinander kommunizieren können, wurde entwickelt, um als zu dienen Abstraktion Für die Entwicklung von DPS -Systemen. Weitere Informationen finden Sie weiter unten.
• Multi-Agent-Basis-Simulation (MAbs): Ein Zweig von DAI, der die Grundlage für Simulationen aufbaut, die nicht nur Phänomene bei analysieren müssen Makro Niveau, aber auch bei Mikro Ebene, wie es in vielen ist soziale Simulation Szenarien.

Geschichte

1975 entwickelte sich verteilte künstliche Intelligenz zu einem Unterfeld künstlicher Intelligenz, das sich mit Interaktionen intelligenter Agenten befasste [2]. Verteilte künstliche Intelligenzsysteme wurden als Gruppe intelligenter Einheiten konzipiert, die als Agenten bezeichnet wurden und die durch Zusammenarbeit, durch Koexistenz oder Wettbewerb interagierten. DAI wird in Multi-Agent-Systeme und verteilte Problemlösungen eingeteilt [1]. Im Multi-Agent-Systeme Das Hauptaugenmerk liegt darauf, wie Agenten ihr Wissen und ihre Aktivitäten koordinieren. Für verteilte Problemlöser ist der Schwerpunkt, wie das Problem zersetzt und die Lösungen synthetisiert werden.

Beispiele

Multi-Agent-Systeme und verteilte Problemlösungen sind die beiden HauptdAI-Ansätze. Es gibt zahlreiche Anwendungen und Tools.

Ansätze

Es sind zwei Arten von DAI entstanden:

• Im Multi-Agent-Systeme Agenten koordinieren ihr Wissen und ihre Aktivitäten und den Grund für die Koordinationsprozesse. Agenten sind physische oder virtuelle Einheiten, die handeln, ihre Umgebung wahrnehmen und mit anderen Agenten kommunizieren können. Der Agent ist autonom und verfügt über Fähigkeiten, um Ziele zu erreichen. Die Agenten verändern den Zustand ihrer Umwelt durch ihre Handlungen. Es gibt eine Reihe verschiedener Koordinationstechniken [3].
• Bei der verteilten Problemlösung wird die Arbeit auf Knoten aufgeteilt und das Wissen geteilt. Die Hauptanliegen sind Aufgabenabbau und Synthese des Wissens und der Lösungen.

DAI kann einen Bottom-up-Ansatz für KI anwenden, ähnlich dem Abhängigkeitsarchitektur sowie der traditionelle Top-Down-Ansatz von KI. Darüber hinaus kann DAI auch ein Fahrzeug für sein Entstehung.

Anwendungen

Bereiche, in denen DAI angewendet wurden, sind:

• Elektronischer Handel, z. zum Handelsstrategien Das DAI -System lernt Finanzhandelsregeln aus Teilproben sehr großer Stichproben von Finanzdaten
• Netzwerke, z. in Telekommunikation Das DAI -System steuert die kooperativen Ressourcen in einem WLAN -Netzwerk http://dair.uncc.edu/projects/past-projects/wlan-resource
• Routing, z.B. Modellfahrzeugfluss in Transportnetzwerken
• Planung, z.B. Flow -Shop -Planung Wo die Ressourcenmanagementeinheit die lokale Optimierung und Zusammenarbeit für die globale und lokale Konsistenz sicherstellt
• Multi-Agent-Systeme, z. künstliches Leben, das Studium des simulierten Lebens
• Elektrische Stromversorgungssysteme, z. Bedingungsüberwachung Multi-Agent-System (Commas), die auf die Überwachung der Transformatorbedingung und die automatische Wiederherstellung des Intelliteam II angewendet werden^[2]

Werkzeug

• Ecstar, ein verteiltes regelbasiertes Lernsystem

Agenten und Multi-Agent-Systeme

Begriff von Wirkstoffen: Wirkstoffe können als verschiedene Einheiten mit Standardgrenzen und Schnittstellen beschrieben werden, die für die Problemlösung ausgelegt sind.

Begriff von Multi-Agents: Multi-Agent-System wird als ein Netzwerk von Agenten definiert, die lose gekoppelt sind, als eine einzelne Einheit wie die Gesellschaft für die Problemlösung zu arbeiten, die ein einzelner Agent nicht lösen kann.

Software -Agenten

Das in DPS und MAbs verwendete Schlüsselkonzept ist die Abstraktion genannt Software -Agenten. Ein Agent ist eine virtuelle (oder physische) autonome Einheit, die ein Verständnis seiner Umgebung hat und darauf handelt. Ein Agent kann in der Regel mit anderen Agenten im selben System kommunizieren, um ein gemeinsames Ziel zu erreichen, und ein Agent allein konnte nicht erreichen. Dieses Kommunikationssystem verwendet eine Agentenkommunikationssprache.

Eine erste Klassifizierung, die nützlich ist, besteht darin, Agenten in:

• Reaktivmittel - Ein Reaktivmittel ist nicht viel mehr als ein Automat, der Eingang erhält, verarbeitet ihn und erzeugt eine Ausgabe.
• Abfindungsagent - a beratender Agent Im Gegensatz dazu sollte eine interne Sicht auf seine Umgebung haben und kann seine eigenen Pläne befolgen.
• Hybridmittel - Ein Hybridmittel ist eine Mischung aus reaktiv und beratend, die seinen eigenen Plänen folgt, aber manchmal auch direkt auf externe Ereignisse ohne Beratung reagiert.

Gut anerkannte Agentenarchitekturen, die beschreiben, wie ein Agent intern strukturiert ist:

• ASMO (Entstehung verteilter Module)
• BDI (Glauben Sie Wunschabsicht, eine allgemeine Architektur, die beschreibt, wie Pläne gemacht werden)
• Interrap (eine dreischichtige Architektur mit reaktivem, beratender und sozialer Schicht)
• PECs (Physik, Emotion, Kognition, sozial, beschreibt, wie diese vier Teile das Verhalten des Agenten beeinflussen).
• Steigen (ein regelbasierter Ansatz)

Herausforderungen

Die Herausforderungen in der verteilten KI sind:

1.Wie die Kommunikation und Interaktion von Agenten und welche Kommunikationssprache oder Protokolle verwendet werden sollten.

2.Wie die Kohärenz der Agenten sicherstellen.

3.Wie die Ergebnisse unter "intelligenten Agenten" -Gruppen durch Formulierung, Beschreibung, Zersetzung und Allokation synthetisieren.

Siehe auch

• Kollektive Intelligenz
• Föderierte Lernen
• Simulierte Realität
• Schwarmintelligenz

Verweise

• A. Bond und L. Gasser. Lesungen in verteilter künstlicher Intelligenz. Morgan Kaufmann, San Mateo, CA, 1988.
• Brahim Chaib-Draa, Bernard Moulin, René Mandiau und P Milllot. Trends in verteilter künstlicher Intelligenz.

Künstliche Intelligenzbewertung, 6 (1): 35-66, 1992.

• Nick R Jennings. Koordinationstechniken für verteilte künstliche Intelligenz. Fundamente verteilter Künstlungen

Intelligence, Seiten 187-210, 1996.

• Damien Trentesaux, Philippe Pesin und Christian Tahon. Verteilte künstliche Intelligenz für die FMS -Planung, Kontrolle

und Designunterstützung. Journal of Intelligent Manufacturing, 11 (6): 573-589, 2000.

• Catterson, V. M., Davidson, E. M. & McArthur, S. D. J. Praktische Anwendungen von Multi-Agent-Systemen in elektrischen Stromversorgungssystemen. Europäische Transaktionen zur elektrischen Leistung, 22(2), 235–252. 2012

Weitere Lektüre

• Hewitt, Carl; und Jeff Inman (November/Dezember 1991). "Dai zwischen und zwischen: von 'intelligenten Agenten' zu offenen Systemen Science" IEEE -Transaktionen zu Systemen, Mann und Kybernetik. Volumen: 21 Ausgabe: 6, pps. 1409–1419. ISSN 0018-9472
• Shoham, Yoav; Leyton-Brown, Kevin (2009). Mehrfachsysteme: Algorithmische, spieltheoretische und logische Grundlagen. New York: Cambridge University Press. ISBN 978-0-521-89943-7.
• Sun, Ron, (2005). Kognition und Interaktion mit mehreren Agenten. New York: Cambridge University Press. ISBN978-0-521-83964-8
• Vlassis, Nikos (2007). Eine kurze Einführung in Multiagentysteme und verteilte künstliche Intelligenz. San Rafael, CA: Morgan & Claypool Publishers. ISBN 978-1-59829-526-9.
• Gnade, David; Zhang, Honggang (August 2012). Kognitive Kommunikation: Verteilte künstliche Intelligenz (DAI), regulatorische Politik und Wirtschaft, Umsetzung. John Wiley & Sons Press. ISBN978-1-119-95150-6