1 / 63

Planning

MultiAgent. Planning. Ismênia Galvão Lourenço da Silva igls@cin.ufpe.br PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO CENTRO DE INFORMÁTICA UNIVERSIDADE FEDERAL DE PERNAMBUCO. Roteiro. Motivação Resolução Distribuída de Problemas Compartilhamento de Tarefas Compartilhamento de Resultados

val
Download Presentation

Planning

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. MultiAgent Planning Ismênia Galvão Lourenço da Silva igls@cin.ufpe.br PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO CENTRO DE INFORMÁTICA UNIVERSIDADE FEDERAL DE PERNAMBUCO

  2. Roteiro • Motivação • Resolução Distribuída de Problemas • Compartilhamento de Tarefas • Compartilhamento de Resultados • Planejamento Distribuído • Representações de Planos Distribuídos • Execução e Planejamento Distribuídos • Conclusões • Referências Tópicos Avançados em Inteligência Artificial Simbólica I

  3. Motivação • Lidar com problemas onde: • É necessário usar recursos distribuídos concorrentemente, dependendo do seu grau de paralelismo; • Muitas vezes é necessário empregar capacidades de vários especialistas para chegar à uma solução; • Crenças e dados podem estar distribuídos, mas as suas interpretações podem ser realizadas localmente; • Os resultados de sua resolução ou de seu planejamento podem ser distribuídos para serem influenciados por outros agentes. Tópicos Avançados em Inteligência Artificial Simbólica I

  4. Resolução Distribuída de Problemas

  5. Introdução • Na Resolução Distribuída de Problemas (RDP), os agentes envolvidos trabalham juntos para resolver problemas que requerem um esforço coletivo; • Em Sistemas Abertos, os agentes não são necessariamente cooperativos e podem ingressar e sair do sistema de maneira dinâmica; • Dentro desta segunda classificação, estão inseridos os Sistemas Multi-agentes: • Conjunto de agentes autônomos • Possivelmente pré-existentes • Solução de um problema que está além da capacidade de um único agente. Tópicos Avançados em Inteligência Artificial Simbólica I

  6. RDP Ênfase na solução de um ou mais problemas, com o esforço de múltiplos agentes com interesse em propriedades extrínsecas como: Competência de grupo Robustez Uso eficiente de recursos SMA Ênfase na existência de múltiplos agentes com interesse em propriedades intrínsecas como: Revelação da verdade Manipulação Coerência de grupo Relação entre RDP e SMA Tópicos Avançados em Inteligência Artificial Simbólica I

  7. Resolução Distribuída de Problemas • Presume a existência de problemas que precisam ser resolvidos; • Existe uma expectativa sobre o que pode constituir soluções; • Exemplo: time de agentes para projetar um artefato • A solução deve satisfazer requisitos gerais (motor, rodas, ...); • O problema já existe em alguma forma particular (um documento com a estrutura do carro); • Cada agente do time formula soluções para os subproblemas, que em seguida são sintetizadas para uma solução geral. Tópicos Avançados em Inteligência Artificial Simbólica I

  8. Compartilhamentode Tarefas

  9. Compartilhamento de tarefas • Princípio: quando um agente tiver muitas tarefas para fazer, ele deve solicitar ajuda; • Principais passos: • Decomposição da tarefa • Alocação da tarefa • Realização da tarefa • Síntese do resultado Tópicos Avançados em Inteligência Artificial Simbólica I

  10. Exemplo 1: Figuras Escondidas • Problema: encontrar figuras escondidas em uma determinada área • Decomposição: dividir a área ou as figuras para a busca; • Alocação: distribuir as sub-tarefas entre os agentes; • Execução: cada agente deve procurar as figuras atribuídas a ele, ou fazer uma busca na área destinada a ele; • Síntese: cada agente apresenta as figuras encontradas. Tópicos Avançados em Inteligência Artificial Simbólica I

  11. Exemplo 2: Torres de Hanoi • Problema: mover todos os discos da estaca inicial para outra estaca determinada, movendo um disco por vez e sem colocar um disco maior sobre um menor • Decomposição: se preocupa em sempre mover o maior disco para o seu destino; • Alocação: escolha randômica dos agentes; • Execução: as tarefas são recursivamente decompostas até que o estado inicial e final sejam o mesmo; • Síntese: quando um agente resolve um problema, ele passa a solução para outro, que irá utilizá-la para encontrar sua própria solução. Tópicos Avançados em Inteligência Artificial Simbólica I

  12. Compartilhamento em Sistemas Heterogêneos • O compartilhamento em sistemas heterogêneos aplica-se quando: • As atribuições de subproblemas para agentes não são simples: • Os agentes podem ter diferentes habilidades; • Os subproblemas precisam de diferentes habilidades; • As decisões são baseadas em informações mais dinâmicas. • Ex: Contract Net Protocol Tópicos Avançados em Inteligência Artificial Simbólica I

  13. Compartilhamentode Resultados

  14. Compartilhamento de Resultados • Uma mesma tarefa pode ter resultados diferentes se executada por agentes diferentes; • Agentes podem resolver problemas via integração de resultados locais; • O compartilhamento de resultados pode ser proativo ou reativo; • Solucionadores de problemas podem aumentar o desempenho do grupo se combinarem as seguintes características: • Confiança • Completude • Precisão • Rapidez Tópicos Avançados em Inteligência Artificial Simbólica I

  15. Compartilhamento de Resultados • Complicações: • Os agentes devem saber o que fazer com os resultados compartilhados ! • A comunicação de um grande volume de resultados pode ser custosa. • Técnicas: • Cooperação funcionalmente precisa • Repositórios compartilhados e busca negociada • Busca heurística para CSP distribuída (DCHS) • Estruturação organizacional Tópicos Avançados em Inteligência Artificial Simbólica I

  16. Planejamento Distribuído - Planejamento Centralizado para Planos Distribuídos - Planejamento Distribuído para Planos Centralizados - Planejamento Distribuído para Planos Distribuídos

  17. Planejamento Distribuído • Especialização da RDP, onde o problema sendo resolvido é o projeto de planos. • Um modelo de Planejamento Distribuído (PD) deve considerar: • A concorrência existente entre os agentes em um ambiente compartilhado; • As alterações ocorridas no ambiente entre o planejamento e a execução dos planos resultantes deste; • Possibilidades de ajustes nos planos. Tópicos Avançados em Inteligência Artificial Simbólica I

  18. Planejamento Multi-Agente (PMA) • Estende o planejamento clássico para domínios onde vários agentes podem planejar e agir juntos; • Em ambientes multi-agentes, os agentes não são indiferentes às intenções dos demais; • A construção de um plano eficiente é útil, mas não garante o sucesso: os agentes precisam concordar em usar o mesmo plano; • Algumas formas de coordenação, possivelmente usando comunicação, são requeridas; • Suas aplicações incluem: ambientes multi-robôs, agentes cooperativos na internet, logística, produção, tarefas militares, ... Tópicos Avançados em Inteligência Artificial Simbólica I

  19. Problema da dupla de tênis Problema da dupla de tênis:Dois agentes jogam tênis no mesmo time e podem estar em uma das 4 localizações: [Left,Baseline], [Left,Net], [Right,Baseline], [Right,Net]. A bola só pode ser retornada se exatamente um jogador estiver na posição correta. • Agents (A,B) • Init (At (A, [Left,Baseline]) ^ At (B, [Right,Net]) ^ Approaching (Ball, [Right, Baseline])) ^ Partner (A,B) ^ Partner (B,A) • Goal (Returned(Ball) ^ At (agent, [x,Net])) • Action (Hit(agent, Ball)), • PRECOND: Approaching (Ball, [x,y]) ^At (agent, [x,y]) ^ Partner (agent, partner) ^¬ At (partner, [x,y]) • EFFECT: Returned (Ball)) • Action (Go (agent, [x,y]), • PRECOND: At (agent, [a,b]), • EFFECT: At (agent, [x,y]) ¬ At (agent, [a,b]) Tópicos Avançados em Inteligência Artificial Simbólica I

  20. Planos conjuntos • Uma solução para um problema de PMA é o uso de planos conjuntos, consistindo de ações para cada agente. • Um plano conjunto é uma solução se o objetivo for atingido quando cada agente realizar as tarefas que lhe foram atribuídas. • A existência de planos conjuntos corretos não significa que objetivo será alcançado. • Os agentes precisam de um mecanismo de coordenação e de conhecimentos comuns para que o objetivo do plano conjunto seja alcançado. Tópicos Avançados em Inteligência Artificial Simbólica I

  21. Planos conjuntos • Plan 1: • A: [Go (A, [Right, Baseline]), Hit (A,Ball)] • B: [NoOp (B), NoOp (B)] • Plan 2: • A: [Go (A, [Left, Net]), NoOp (A)] • B: [Go (B, [Right, Baseline]), Hit (B, Ball)]      B B A A B ● ● ● ● ● A A B B A Início A1 / B1 A2 / B2 A1 / B2 A2 / B1 Tópicos Avançados em Inteligência Artificial Simbólica I

  22. Ações conjuntas • Ações conjuntas são agrupamentos de ações concorrentes, executadas cada uma por um único agente; • Um plano conjunto consiste de um grafo parcialmente ordenado de ações conjuntas; • Usar POP torna-se intratável a nível de pré-condições e efeitos à medida que aumenta o conjunto de ações possíveis;   Go (A, [Left, Net]), Go (B, [Right, Baseline])  NoOp(a), Hit(B, Ball)  B A ● ● A B Tópicos Avançados em Inteligência Artificial Simbólica I

  23. Listas de Ações Concorrentes • Uma solução para o problema de sincronização é adicionar listas de ações concorrentes às descrições das ações em STRIPS ou ADL; • Essas listas descrevem as ações que podem ou não ser executadas concorrentemente; • Action (Hit(A, Ball)), • CONCURRENT:¬ (Hit(B, Ball)) • PRECOND: Approaching (Ball, [x,y]) ^ At (A, [x,y]) • EFFECT: Returned (Ball)) Tópicos Avançados em Inteligência Artificial Simbólica I

  24. Listas de Ações Concorrentes • É possível criar um planejador parecido com o POP, com 3 diferenças: • Além da relação de ordenação temporal A B, permite-se A=B (concorrente) e A B (anterior ou concorrente) • Quando uma nova ação requer ações concorrentes, deve-se instanciar essas ações usando ações novas ou já existentes • As ações concorrentes proibidas são uma fonte adicional de restrições... Tópicos Avançados em Inteligência Artificial Simbólica I

  25. Planejamento Distribuído • Existem três classes de planejamento distribuído: • Planejamento centralizado para planos distribuídos • Planejamento distribuído para planos centralizados • Planejamento distribuído para planos distribuídos Tópicos Avançados em Inteligência Artificial Simbólica I

  26. Planejamento Centralizado para Planos Distribuídos • Contexto: • Um problema a ser resolvido e vários agentes disponíveis; • Agente coordenador • Objetivo: • Encontrar, dentro de todos os planos possíveis, aquele que pode ser decomposto e distribuído mais eficientemente Tópicos Avançados em Inteligência Artificial Simbólica I

  27. Planejamento Centralizado para Planos Distribuídos • Dado a descrição do objetivo, um conjunto de operadores e um estado inicial, o coordenador deve: • Gerar um plano parcialmente ordenado • Decompor este plano em sub-planos • Restrições de ordenação devem ficar dentro e não entre os sub-planos • Inserir sincronização • Atribuir sub-planos a agentes Tópicos Avançados em Inteligência Artificial Simbólica I

  28. Planejamento Centralizado para Planos Distribuídos • Alocação de tarefas pode ser: • Estática: a coordenação é utilizada apenas para sincronizar os planos • Dinâmica: a coordenação serve para sincronizar e alocar os planos • Algumas considerações: • Nem sempre o plano que pode ser mais decomposto e mais distribuído é o melhor; • A infra-estrutura de comunicação tem grande impacto na decisão de como os planos são decompostos e distribuídos. Tópicos Avançados em Inteligência Artificial Simbólica I

  29. C D A B A B D C Planejamento Centralizado para Planos Distribuídos PutDownTable (D) PutDown (A,D) PutDownTable (C) PutDown (B,C) Tópicos Avançados em Inteligência Artificial Simbólica I

  30. Planejamento Centralizado para Planos Distribuídos Pliers PutDownTable (D) PutOn (A,D) PutOn (B,C) PutDownTable (C) Tópicos Avançados em Inteligência Artificial Simbólica I

  31. Planejamento Distribuído para Planos Centralizados • Contexto: • Tarefa muito complexa que requer o auxílio de especialistas em cada sub-tarefa • Objetivo: • Utilizar a expertise de cada agente para formular sub-planos especializados Tópicos Avançados em Inteligência Artificial Simbólica I

  32. Planejamento Distribuído para Planos Centralizados • O planejamento pode ser feito em uma das duas formas: • Síncrona: a ordenação é feita durante o processo de planejamento • Assíncrona: somente durante o compartilhamento de resultados os conflitos com relação à ordem são resolvidos Tópicos Avançados em Inteligência Artificial Simbólica I

  33. Planejamento Distribuído para Planos Centralizados • Exemplos: • Manufatura: especialistas em geometria, encaixe, pintura, etc; • Logística: especialistas em planejamento de caminho, carregamento de veículos e despache; • Comunicação fim-a-fim: especialistas no roteamento de mensagens. Tópicos Avançados em Inteligência Artificial Simbólica I

  34. R1 R2 Goal R1 B E F A D C E F C B A D Planejamento Distribuído para Planos Centralizados PutDownTable (B) PutDownTable (A) PutDown (C,A) P1 Goal R1 PutDownTable (D) PutDownTable (E) Tópicos Avançados em Inteligência Artificial Simbólica I

  35. Planejamento Distribuído para Planos Centralizados PutDownTable (B) PutDownTable (A) PutDown (F,E) P2 Goal R2 PutDownTable (E) PutDownTable (D) PutDown (E,D) PutDownTable (B) PutDownTable (A) PutDown (C,A) Goal R1 Goal R2 PutDownTable (E) PutDownTable (D) PutDown (E,D) PutDown (F,E) Tópicos Avançados em Inteligência Artificial Simbólica I

  36. Planejamento Distribuído para Planos Distribuídos • Não existe um plano global da tarefa em nenhum ponto do sistema, apenas planos parciais de relevância local; • Compatibilidade global entre esses planos parciais deve ser mantida para: • Evitar conflitos durante a execução ; • Fomentar ajuda mútua. • Troca de mensagens e/ou temporização são usados para resolver interações negativas entre os agentes. Tópicos Avançados em Inteligência Artificial Simbólica I

  37. Planejamento Distribuído para Planos Distribuídos Delayed work Go to cinema Go to meeting Public Transport Car Delayed work Look after Hector Look after Hector Julian Helen Put Hector to bed Hector Tópicos Avançados em Inteligência Artificial Simbólica I

  38. Planejamento Distribuído para Planos Distribuídos • Técnicas: • Fusão de planos • Construção iterativa de planos • Negociação de planejadores distribuídos Tópicos Avançados em Inteligência Artificial Simbólica I

  39. Fusão de Planos • Cada agente, individualmente, formula planos, que podem ser executados separadamente sem conflitos; • Um agente coleta os planos individuais e analisa os planos para descobrir que seqüências de ações podem levar a conflitos; • Consiste de três estágios: • Análise de interação • Análise de segurança • Resolução de interação Tópicos Avançados em Inteligência Artificial Simbólica I

  40. Construção Iterativa de Planos • Problema das abordagem anterior: às vezes, decisões locais dependem das ações de outros agentes • Espaço de Planos x Plano Único • Cada agente, ao invés de propor um único passo, propõe um conjunto de alternativas e, a cada iteração, escolhe-se a que melhor se ajusta para o bem de todos Tópicos Avançados em Inteligência Artificial Simbólica I

  41. Busca por Combinação de planos • Dadas proposições iniciais sobre o mundo: • Agentes formam estado sucessores propondo mudanças causadas por uma ação; • É escolhido o melhor estado sucessor e esta escolha é expandida (heurística A*); • O processo é repetido até que nenhum agente queira propor mais mudanças. Tópicos Avançados em Inteligência Artificial Simbólica I

  42. Planejamento Distribuído Contínuo • Planejamento e execução intercalados • Um agente deve planejar continuamente quando: • Aspectos do mundo podem mudar dinamicamente; • Aspectos do mundo são revelados incrementalmente; • Pressão do tempo faz com que a execução comece antes do plano ter sido totalmente gerado; • Os objetivos podem evoluir com o tempo. Tópicos Avançados em Inteligência Artificial Simbólica I

  43. Representações dePlanos Distribuídos

  44. Representações de Planos Distribuídos • Planejamento e resolução de problemas distribuídos geralmente lidam com agentes com capacidade de comunicar tarefas, soluções, objetivos, planos, ... • Alguns protocolos de propósito geral têm sido desenvolvidos para lidar com interação em alto-nível; • Em linguagens baseadas nos atos de fala, o envio de uma mensagem pode ser interpretado como a invocação de um comportamento do agente receptor; • Os agentes precisam entender não apenas o ato de fala, mas também o conteúdo da mensagem. Tópicos Avançados em Inteligência Artificial Simbólica I

  45. Representações de Planos Distribuídos • Um plano pode ser visto como um conjunto de vários campos que representam diferentes tipos de informações relacionadas; • Diferentes agentes necessitam acessar e modificar diferentes combinações de campos de um plano. • Os agentes precisam: • Ser capazes de encontrar as informações que querem, podendo interpretar, modificar e executar o plano; • Saber como modificar o plano de maneira que seja interpretado corretamente pelos demais agentes e tenha efeitos desejáveis; Tópicos Avançados em Inteligência Artificial Simbólica I

  46. Representações de Planos Distribuídos • Todos os campos de um plano devem estar numa linguagem de conteúdo compreensível pelos agentes que podem utilizá-lo; • Padrões para especificação de planos para agentes inteligentes: • STRIPS c/ operador • Cypress ACT • Lógica temporal • Formalismos operacionais (Redes de Petri, Graphcet) Tópicos Avançados em Inteligência Artificial Simbólica I

  47. Representações de Planos Distribuídos • Estrutura do ACT em um formalismo Cypress: Tópicos Avançados em Inteligência Artificial Simbólica I

  48. Planejamento e Execução Distribuídos - Mecanismos de Coordenação - Coordenação Pós-Planejamento - Coordenação Pré-Planejamento - Planejamento, Coordenação e Execução Intercalados - Coordenação de Planos em Tempo de Execução sem Comunicação

  49. Mecanismos de Coordenação • Uma convenção ou norma é qualquer restrição na seleção de planos conjuntos relacionada aos padrões de comportamento dos agentes; • Leis sociais são normas amplamente adotadas, como por exemplo dirigir em determinado lado da rua; • Estabelecer normas prévias é um método pelo qual um grupo de agentes pode garantir acordos entre planos conjuntos; • Comportamentos emergentes são aqueles onde não há necessidade de que cada agente possua o plano conjunto que modela as ações de outros agentes; Tópicos Avançados em Inteligência Artificial Simbólica I

  50. Mecanismos de Coordenação • As normas podem ser específicas ou independentes de um determinado domínio; • Na ausência de normas aplicáveis, os agentes podem utilizar comunicação (verbal ou não-verbal) para atingir um conhecimento comum sobre um plano conjunto viável;   Uhuu !!! ● B B ● A A É minha !!! Tópicos Avançados em Inteligência Artificial Simbólica I

More Related