Agent智能体

Agent和环境
Agent函数：\(f:\mathcal P^*\to\mathcal A\) 将感知序列映射为行动。

理性Agent
理性(Rational)行为的度量：依赖于以下4个方面
定义成功标准的性能度量；Agent对环境的先验知识；Agent可以完成的行动；Agent截止到此时的感知序列。
理性Agent：对每一个可能的感知序列，根据已知的感知序列提供的证据和Agent具有的先验知识，Agent应该选择使得性能度量最大化的行动。
理性≠全知(omniscient,clairvoyant)，感知不一定会提供所有信息，行为的结果也可能是未知的，只能使期望最大化。

环境的性质
PEAS描述：性能(Performance)，环境(Environment)，执行器(Actuators)，传感器(Sensors)

环境的性质：
1. 完全可观察(Observable)与部分可观察的；
2. 单Agent(Single-agent)与多Agent；
3. 确定的(Deterministic)与随机的（注意这里是相对于环境而言，即环境的下一状态是否完全取决于当前环境与Agent的动作）；
4. 片段的(Episodic)与延续式的；
5. 静态的(Static)与动态的；
6. 离散的(Discrete)与连续的；

Agent的结构
Agent = 体系结构 + 程序
4中基本的Agent程序：
1. 简单反射Agent (simpel reflex agent)
基于当前的感知选择行动，不关注感知历史

2. 基于模型的反射Agent (model-based reflex agent)
Agent根据感知历史维护内部状态。具体而言，Agent将根据现有状态state，采取的行动action，sensors对世界的感知perception，和知识模型model这四个输入变量共同维护新的state。然后，再根据新状态state和规则rules选取一条rule并决定下一步行动action.

3. 基于目标的Agent (Goal-based agent)
在模型的基础上，检查哪些行为的结果可以/有利于实现目标，并基于此选择下一步的行为。

4. 基于效用的Agent (Utility-based agent)
Agent利用效用(utility)函数度量性能，并根据每个行为之后的可能结果的效用来选择下一步行动。

学习Agent
学习Agent可以被划分为4个概念上的组建，包括:
评判元件(Critic) 反馈评价Agent做得如何，观察世界并把信息传递给学习元件；
学习元件(Learning element) 负责改进提高，影响性能元件；
性能元件(Performance element) 负责选择外部行动，
问题产生器(Problem generator) 可以得到新的和有信息的经验的行动提议。

    所属分类：人工智能     发表于2022-05-03