Net Logo : Agenci i �rodowisko

Dawno, dawno temu … w przysz�o�ci

Sztuczna inteligencja to z�o�ony, a jednocze�nie intryguj�cy temat. Gdyby�my pos�u�yli si� analogi� do opisu bada� Sztucznej Inteligencji, mogliby�my ewentualnie por�wna� do krajobrazu, w kt�rym z biegiem czasu kszta�tuje si� i zmienia kszta�t cz�owieka (aby podkre�li� jego ci�g�� ewolucj�). Lub mogliby�my obserwowa� piaski pustyni, kt�re przesuwaj� si� wraz z wiatrem (aby wskaza� na jego dynamiczny charakter). Jeszcze inna analogia mo�e dotyczy� efemerycznej natury chmur, kontrolowanych przez przewa�aj�ce wiatry, kt�rych substancji nie da si� jednak uchwyci�. Te analogie s� bogate w metafor� i s� bliskie prawdy pod innymi wzgl�dami. J�zyk naturalny jest substancj�, z kt�r� piszemy, a metafory i analogie s� wa�nymi urz�dzeniami, kt�re my, jako u�ytkownicy i producenci j�zyka sami, jeste�my w stanie zrozumie� i stworzy�. To jedno z najwi�kszych wyzwa� w dziedzinie sztucznej inteligencji. Inne wyzwania obejmowa�y pokonanie mistrza �wiata w szachach, prowadzenie samochodu w �rodku miasta, wykonywanie operacji chirurgicznej, pisanie zabawnych historii i tak dalej; Sztuczna inteligencja to tak ciekawy temat. Podobnie jak wspomniane wy�ej przesuwane piaski, przez wiele lat dokonywano wielu wa�nych zmian paradygmatu w Sztucznej Inteligencji. Tradycyjny lub klasyczny paradygmat sztucznej inteligencji (podej�cie "symboliczne") polega na projektowaniu inteligentnych system�w opartych na symbolach, stosuj�c metafor� przetwarzania informacji. Przeciwny paradygmat sztucznej inteligencji (podej�cie "sub-symboliczne" lub onnektyczny) zak�ada, inteligentne zachowanie w spos�b nie symboliczny, przyjmuj�cy uciele�nione podej�cie behawiorystyczne. Takie podej�cie k�adzie nacisk na znaczenie fizycznego uziemienia, uciele�nienia i usytuowania, jak podkre�laj� prace Brooksa w dziedzinie robotyki i Lakoffa i Johnsona w dziedzinie j�zykoznawstwa. G��wnym podej�ciem przyj�tym przez nas b�dzie g��wnie to drugie podej�cie, ale zostanie r�wnie� opisane po�rednie pod�o�e w oparciu o prace G�rdenforsa, kt�re ilustruj�, w jaki spos�b systemy symboliczne mog� powsta� w wyniku zastosowania ukrytego podliczbowego podej�cia. . Post�p wiedzy szybko si� rozwija, szczeg�lnie w dziedzinie sztucznej inteligencji. Co wa�ne, istnieje r�wnie� nowe pokolenie ludzi , kt�rzy poszukuj� tej wiedzy - tych, dla kt�rych Internet i gry komputerowe istniej� ju� od dzieci�stwa. Ci ludzie maj� bardzo odmienn� perspektyw� i bardzo odmienny zestaw zainteresowa� ni� starsi .Na przyk�ad, nigdy nie s�yszeli nawet o grach planszowych takich, dlatego b�d� mieli trudno�ci z zrozumieniem znaczenia algorytm�w wyszukiwania w tym kontek�cie. Kiedy jednak ucz� si� tych samych algorytm�w wyszukiwania w kontek�cie gier komputerowych lub przeszukiwania sieci, szybko pojmuj� te poj�cia i przenosz� je do miejsca, w kt�rym ty, jako ich nauczyciel, nie m�g�by� odej�� bez ich pomocy. To, czego potrzebuje sztuczna inteligencja, to "odrodzenie wyobra�ni", jak obecny trend w serialach science-fiction - opowiedzenie tej samej historii, ale z r�nymi aktorami i r�nymi akcentami, aby zaanga�owa� nowoczesn� publiczno��.

AI i J�zyki Programowania : NetLogo

Przez lata proponowano kilka j�zyk�w programowania, kt�re dobrze pasuj� do budowy system�w komputerowych dla sztucznej inteligencji. Historycznie, najbardziej znanymi j�zykami programowania AI by�y Lisp i Prolog

Lisp (i powi�zane dialekty, takie jak Common Lisp i Scheme) ma doskona�e mo�liwo�ci przetwarzania list i symboli, z mo�liwo�ci� �atwej zamiany kodu i danych, i by� szeroko wykorzystywany do programowania AI, ale jego dziwna sk�adnia z zagnie�d�onym nawiasem czyni go trudnym j�zyk do opanowania, a jego u�ycie zmniejszy�o si� od lat dziewi��dziesi�tych.
Prolog, logiczny j�zyk programowania, sta� si� j�zykiem wybranym w 1982 roku dla ostatecznie nieudanego japo�skiego projektu pi�tej generacji, kt�ry mia� na celu stworzenie superkomputera z u�ytecznymi mo�liwo�ciami sztucznej inteligencji.
NetLogo ( stworzony przez Wilensky'ego w 1999) zosta� wybrany do dostarczania pr�bek kodu w naszych przyk�adach, aby zilustrowa�, w jaki spos�b mo�na zaimplementowa� algorytmy. Przyczyny dostarczenia rzeczywistego kodu s� takie same jak przedstawione przez Segaran w jego ksi��ce o zbiorowej inteligencji - �e jest to bardziej u�yteczne i "prawdopodobnie �atwiejsze do na�ladowania", z nadziej�, �e takie podej�cie doprowadzi do pewnego rodzaju nowego "kompromisu" w ksi��kach technicznych, kt�re "wprowadzaj� czytelnik�w delikatnie w algorytmy", pokazuj�c im dzia�aj�cy kod. Alternatywne opisy, takie jak pseudo-kod, wydaj� si� by� niejasne i myl�ce oraz mog� ukrywa� b��dy, kt�re staj� si� widoczne dopiero na etapie implementacji. Co wa�niejsze, rzeczywisty kod mo�na �atwo uruchomi�, aby zobaczy�, jak dzia�a i szybko si� zmieni�, je�li czytelnik chce dokona� ulepsze� bez potrzeby pisania kodu od zera.
NetLogo (pot�ny dialekt Logo) to j�zyk programowania z dominuj�cymi atutami agenta. Posiada wyj�tkowe mo�liwo�ci, kt�re sprawiaj�, �e jest niezwykle pot�ny do tworzenia i wizualizacji symulacji system�w wieloagentowych i jest u�yteczny do podkre�lania r�nych problem�w zwi�zanych z ich implementacj�, kt�ra mo�e za�mi�aby bardziej tradycyjny j�zyk, taki jak Java czy C / C ++. NetLogo jest implementowany w Javie i ma bardzo zwarty i czytelny kod, dlatego jest idealny do demonstrowania skomplikowanych pomys��w w zwi�z�y spos�b. Ponadto pozwala u�ytkownikom rozszerzy� j�zyk, pisz�c nowe polecenia i reportery w Javie. W rzeczywisto�ci �aden j�zyk programowania nie jest odpowiedni do wdro�enia pe�nego zakresu system�w komputerowych wymaganych do sztucznej inteligencji. Rzeczywi�cie, nie istnieje jeszcze jeden j�zyk programowania, kt�ry sprosta zadaniu. W przypadku "sztucznej inteligencji opartej na zachowaniu" (i pokrewnych dziedzinach, takich jak uciele�niona kognitywistyka), wymagany jest j�zyk w pe�ni zorientowany na agenta, kt�ry ma bogactwo j�zyka Java, ale jest zorientowana na agent�w prostota j�zyka, takiego jak NetLogo.

Kr�tkie Wprowadzenie

1.1 Czym jest "Sztuczna inteligencja"?

Sztuczna inteligencja jest nauk�, jak budowa� systemy komputerowe, kt�re wykazuj� inteligencj� w pewien spos�b. Sztuczna inteligencja przynios�a wiele prze�om�w w informatyce - wiele podstawowych temat�w badawczych w dzisiejszej nauce informatyki rozwin�o si� z bada� nad sztuczn� inteligencj�; na przyk�ad sieci neuronowe, obliczenia ewolucyjne, uczenie maszynowe, przetwarzanie j�zyka naturalnego, programowanie obiektowe, aby wymieni� tylko kilka. W wielu przypadkach g��wnym tematem tych bada� nie jest ju� rozw�j sztucznej inteligencji, sta�y si� dyscyplin� sam� w sobie, a w niekt�rych przypadkach nie s� ju� uwa�ane za zwi�zane z AI. Sama AI kontynuuje podr� w poszukiwaniu dalszych spostrze�e�, kt�re doprowadz� do kluczowych prze�om�w, kt�re s� nadal potrzebne. By� mo�e czytelnik mo�e by� tym, kt�ry dostarczy jeden lub wi�cej prze�omowych odkry� w przysz�o�ci. Jednym z najbardziej ekscytuj�cych aspekt�w sztucznej inteligencji jest to, �e wci�� istnieje wiele pomys��w do wymy�lenia, wiele dr�g wci�� jest do odkrycia. Sztuczna inteligencja jest ekscytuj�cym i dynamicznym obszarem bada�. Szybko si� zmienia, a badania na przestrzeni lat rozwijaj� i wci�� rozwijaj� wiele genialnych i interesuj�cych pomys��w. Jednak musimy jeszcze osi�gn�� ostateczny cel sztucznej inteligencji. Wiele os�b kwestionuje, czy kiedykolwiek osi�gniemy to z powod�w wymienionych poni�ej. Dlatego ka�dy, kto studiuje lub bada sztuczn� inteligencj�, powinien zachowa� otwarty umys� na temat stosowno�ci przedstawionych pomys��w. Powinni zawsze zastanawia� si�, jak dobrze dzia�aj� te pomys�y, pytaj�c, czy istniej� lepsze pomys�y lub lepsze podej�cia

1.2 �cie�ki do sztucznej inteligencji

Zr�bmy analogi� mi�dzy badaniami nad sztuczn� inteligencj� a eksploracj� niezbadanego terytorium; na przyk�ad wyobra�my sobie czas, kiedy kontynent p�nocnoameryka�ski by� eksplorowany po raz pierwszy, a mapy nie by�y dost�pne. Pierwsi odkrywcy nie mieli wiedzy o terenie, kt�ry badali; ruszaj� w jednym kierunku, aby dowiedzie� si�, co tam jest. W tym procesie mog� zapisywa� to, co odkryli, pisz�c w dziennikach lub rysuj�c mapy. Pomog�oby to p�niejszym odkrywcom, ale dla wi�kszo�ci wczesnych odkrywc�w teren by� zasadniczo nieznany, chyba �e mieli trzyma� si� tych samych �cie�ek, z kt�rych korzystali pierwsi odkrywcy. Obecnie badania nad sztuczn� inteligencj� wci�� znajduj� si� na wczesnym etapie eksploracji. Wi�kszo�� terenu do zbadania jest wci�� nieznana. Eksplorator sztucznej inteligencji ma wiele mo�liwych �cie�ek, kt�re mog� odkrywa� w poszukiwaniu metod, kt�re mog� prowadzi� do inteligencji maszyny. Niekt�re z tych �cie�ek b�d� �atwe i prowadz� do �yznych ziem; inne doprowadz� do g�rzystego i trudnego terenu lub do pusty�. Niekt�re �cie�ki mog� prowadzi� do nieprzebytych klif�w. Bez wzgl�du na to, jak� konkretn� �cie�k� stwarza badaczom sztucznej inteligencji, poszukiwania b�d� ekscytuj�ce, poniewa� w naszej ludzkiej naturze chcemy odkrywa� i znajdowa� rzeczy. Mo�emy spojrze� na �cie�ki wybrane przez dawnych "odkrywc�w" w Sztucznej Inteligencji. Na przyk�ad analiza pytania "Czy komputery potrafi� my�le�?" doprowadzi�a do wielu intensywnych debat w przesz�o�ci, kt�re zaowocowa�y r�nymi �cie�kami podj�tymi przez badaczy sztucznej inteligencji. Nilsson zwr�ci� uwag�, �e mo�emy podkre�li� ka�de s�owo po kolei, aby przedstawi� inne spojrzenie na to pytanie. (U�y� s�owa "maszyny", ale zamiast tego u�yjemy s�owa "komputery"). We� pierwsze s�owo - "Czy komputery mog� my�le�?" Czy mamy na my�li: "Czy komputery mog� my�le� (kiedy�)?" lub "Czy mog� my�le� (teraz)?" Czy mamy na my�li, �e mog� (w zasadzie) by� w stanie, ale nigdy nie byliby�my w stanie go zbudowa�? Czy te� prosimy o rzeczywist� demonstracj�? Niekt�rzy uwa�aj�, �e maszyny my�l�ce mog� by� tak skomplikowane, �e nigdy nie mogliby�my ich zbudowa�. Nilsson czyni analogi� z pr�b� zbudowania systemu, kt�ry na przyk�ad powiela�by ziemsk� pogod�. By� mo�e b�dziemy musieli zbudowa� system nie mniej z�o�ony ni� faktyczna powierzchnia Ziemi, atmosfera i p�ywy. Podobnie, ludzka inteligencja na pe�n� skal� mo�e by� zbyt skomplikowana, aby istnie� poza jej uciele�nieniem u ludzi usytuowanych w otoczeniu. Na przyk�ad, w jaki spos�b maszyna mo�e zrozumie�, czym jest "drzewo" lub czym "jab�ko" smakuje bez uciele�nienia w prawdziwym �wiecie? Lub mo�emy podkre�li� drugie s�owo - "Czy komputery mog� my�le�?", Ale co rozumiemy przez "komputery"? Definicja komputer�w zmienia si� z roku na rok, a definicja w przysz�o�ci mo�e by� bardzo r�na od dzisiejszej, a najnowsze osi�gni�cia w dziedzinie komputer�w molekularnych, komputer�w kwantowych, komputer�w z mo�liwo�ci� noszenia na ciele, komputer�w przeno�nych i wszechobecnych komputer�w zmieniaj� spos�b my�limy o komputerach. By� mo�e mo�emy zdefiniowa� komputer jako maszyn�. Znaczna cz�� literatury AI u�ywa s�owa "maszyna" zamiennie ze s�owem komputer - wi�c pytanie "Czy maszyny my�l�?" jest cz�sto uwa�ane za synonim "Czy komputery mog� my�le�?" Ale czym s� maszyny? I czy ludzie s� maszyn�? (Je�li s�, jak m�wi Nilsson, wtedy maszyny mog� my�le�!) Nilsson wskazuje, �e naukowcy zaczynaj� teraz wyja�nia� rozw�j i funkcjonowanie organizm�w biologicznych w taki sam spos�b, jak maszyny (badaj�c genomowy "plan" ka�dego organizmu). Oczywi�cie, "biologiczne" maszyny wykonane z bia�ek mog� my�le� (my!), Ale czy "krzemowe" maszyny mog�yby kiedykolwiek my�le�? I wreszcie mo�emy podkre�li� trzecie s�owo - "Czy komputery mog� my�le�?" Ale co to znaczy my�le�? By� mo�e chcemy my�le� "jak" my (ludzie). Alan Turing, brytyjski matematyk i jeden z pierwszych badaczy AI, opracowa� s�ynny (a tak�e kontrowersyjny) test empiryczny na inteligencj�, kt�ra nosi jego imi� - test Turinga. W tym te�cie maszyna pr�buje przekona� ludzkiego �ledczego �e jest cz�owiekiem . (Patrz poni�ej). Ten test zosta� poddany intensywnej krytyce w literaturze AI, by� mo�e niesprawiedliwie, poniewa� nie jest jasne, czy test jest prawdziwym testem na inteligencj�. W przeciwie�stwie do wcze�niejszego celu AI podobnego rodzaju, cel polegaj�cy na tym, �e system AI pokona� mistrza �wiata w szachach, spotka� si� z du�o mniejsz� krytyk�.

Test Turinga

Wyobra�cie sobie sytuacj�, w kt�rej prowadzicie oddzielne rozmowy z dwoma innymi osobami, kt�rych nie mo�ecie zobaczy� w oddzielnych pokojach, by� mo�e za pomoc� teletropii (jak u Alana Turinga), lub mo�e w pokoju rozm�w przez Internet (je�li mieliby�my zmodernizowa� ustawienie) . Jedna z tych os�b to m�czyzna, a drugim jest kobieta - nie wiesz kt�rym. Twoim celem jest ustalenie, kto jest kim , poprzez rozmow� z ka�dym z nich i zadawanie im pyta�. Cz�ci� gry jest to, �e m�czyzna pr�buje ci� nak�oni� do uwierzenia, �e jest kobiet�, a nie odwrotnie (inspiracja dla pomys�u Turinga pochodzi�a z popularnej wiktoria�skiej gry o nazwie Imitacja). Teraz wyobra� sobie, �e sytuacja si� zmieni�a, a zamiast m�czyzny i kobiety, bohaterami s� komputer i cz�owiek. Celem komputera jest przekonanie Ci�, �e jest cz�owiekiem, a wi�c dzi�ki temu zda� ten test na inteligencj�, teraz nazywany "testem Turinga". Jak realistyczny jest ten test? Joesph Weizenbuam zbudowa� jeden z pierwszych chatbot�w, zwany ELIZA, w 1966 roku. Jego sekretarka znalaz�a program uruchomiony na jednym komputerze i zacz�a �uska� histori� swojego �ycia przez okres kilku tygodni i by�a przera�ona, gdy Weizenbaum powiedzia�a jej, �e to by�o tylko program. Jednak nie by�a to sytuacja, w kt�rej zdano test Turinga. Test Turinga jest testem kontradyktoryjnym w tym sensie, �e jest to gra, w kt�rej jedna strona pr�buje oszuka� drug�, ale druga strona jest tego �wiadoma i stara si� nie da� si� oszuka�. To w�a�nie sprawia, �e test jest trudnym testem dla systemu sztucznej inteligencji. Podobnie, istnieje wiele stron internetowych w Internecie, kt�re twierdz�, �e ich chatbot zda� test Turinga; jednak do niedawna �aden chatbot nawet si� do tego nie zbli�y�. Istnieje otwarty (i cz�sto oczerniany) konkurs, zwany Konkursem Loebnera, kt�ry odbywa si� co roku, gdzie programi�ci mog� przetestowa� swoje chatboty AI, aby sprawdzi�, czy mog� zda� test Turinga. Konkurencja z 2008 roku by�a godna uwagi, poniewa� najlepsza sztuczna inteligencja by�a w stanie oszuka� jedn� czwart� s�dzi�w w przekonaniu, �e jest cz�owiekiem, co stanowi znaczny post�p w stosunku do wynik�w w poprzednich latach. Zapewnia to nadziej�, �e komputer b�dzie m�g� zda� test Turinga w niezbyt odleg�ej przysz�o�ci. Czy jednak test Turinga jest naprawd� dobrym testem na inteligencj�? By� mo�e, gdy komputer przeszed� ostateczne wyzwanie, jakim jest oszukiwanie panelu ekspert�w AI, mo�emy oceni� skuteczno�� tego komputera w zadaniach innych ni� test Turinga. Nast�pnie, dzi�ki tym dalszym ocenom, b�dziemy w stanie okre�li�, na ile naprawd� jest test Turinga (lub nie). W ko�cu komputer pokona� ju� mistrza �wiata w szachach, ale tylko za pomoc� metod wyszukiwania z funkcjami oceny, kt�re wykorzystuj� minimaln� "inteligencj�". I co tak naprawd� nauczyli�my si� o inteligencji - poza tym, jak budowa� lepsze algorytmy wyszukiwania? Warto zauwa�y�, �e cel, jakim jest zdobycie komputera do pokonania mistrza �wiata, jest znacznie mniej krytykowany ni� zdanie testu Turinga, a mimo to ten pierwszy zosta� osi�gni�ty, podczas gdy drugi nie (jeszcze). Debat� wok� testu Turinga dobrze pokazuje praca Roberta Horna. Zaproponowa� j�zyk wizualny jako form� wizualnego my�lenia. Cz�� jego pracy obj�a produkcj� siedmiu plakat�w, kt�re podsumowuj� debat� Turinga w AI, aby zademonstrowa� jego wizualny j�zyk i wizualne my�lenie. Siedem plakat�w obejmuje nast�puj�ce pytania:

1. Czy komputery mog� my�le�?
2. Czy test Turinga mo�e okre�li�, czy komputery mog� my�le�?
3. Czy mog� my�le� fizyczne systemy symboli?
4. Czy chi�skie pokoje mog� my�le�?
5. (i) Czy sieci ��cz�ce mog� my�le�? oraz (ii) Czy komputery mog� my�le� obrazami?
6. Czy komputery musz� by� �wiadome, aby my�le�?
7. Czy my�lenie komputer�w jest mo�liwe matematycznie?

Te plakaty s� nazywane "mapami", poniewa� zapewniaj� map� 2D, kt�rej pytania pokrywaj� si� z innymi pytaniami, u�ywaj�c analogii badaczy odkrywaj�cych niezbadane terytorium. Pierwszy plakat mapuje eksploracje pytania "Czy komputery my�l�?" I pokazuje �cie�ki prowadz�ce do dalszych pyta� wymienionych poni�ej:

• Czy komputery maj� woln� wol�?
• Czy komputery mog� mie� emocje?
• Czy powinni�my udawa�, �e komputery nigdy nie b�d� w stanie my�le�?
• Czy B�g nie pozwala komputerom my�le�?
• Czy komputery rozumiej� arytmetyk�?
• Czy komputery mog� narysowa� analogie?
• Czy komputery s� z natury wy��czone?
• Czy komputery mog� by� kreatywne?
• Czy komputery mog� si� logicznie nauczy�?
• Czy komputery mog� by� osobami?

Drugi z nich omawia debat� na temat testu Turinga: "Czy test Turinga mo�e decydowa� o tym, czy komputery mog� my�le�?". Inne pytania, kt�re zosta�y zmapowane na tym plakacie, to:

• Czy gra symulacyjna mo�e decydowa�, czy komputery mog� my�le�?
• Czy symulowana inteligencja przemija, czy jest inteligentna?
• Ile maszyn zda�o test?
• Czy niepowodzenie testu jest decyduj�ce?
• Czy zdanie testu jest decyduj�ce?
• Czy test, rozumiany behawioralnie lub operacyjnie jest legalnym testem inteligencji?

Jedn� ze szczeg�lnych �cie�ek do sztucznej inteligencji, kt�r� b�dziemy stosowa�, jest zasada projektowania, �e system sztucznej inteligencji powinien by� zbudowany przy u�yciu zorientowanego na agenta wzorca projektowego, a nie alternatywy, takiej jak zorientowany obiektowo wz�r projektowy. Agenci uosabiaj� silniejsze poj�cie autonomii ni� obiekt�w, sami decyduj� o tym, czy wykona� dzia�anie na ��danie innego agenta i s� zdolni do zachowania elastycznego (reaktywnego, proaktywnego, spo�ecznego), podczas gdy standardowy model obiektu nie ma nic wsp�lnego z powiedz o tych typach zachowa�, a obiekty nie maj� kontroli nad tym, kiedy s� wykonywane. Kolejna �cie�ka, kt�r� b�dziemy �ledzi�, to po�o�enie silnego nacisku na znaczenie AI opartej na zachowaniach oraz na wcielenie i usytuowanie agent�w w z�o�onym �rodowisku. Wczesne prze�omowe prace w tej dziedzinie dotyczy�y Brooksa w robotyce oraz Lakoffa i Johnsona w dziedzinie j�zykoznawstwa. Architektura podsieci Brooksa, obecnie popularna w robotyce i wykorzystywana w innych dziedzinach, takich jak animacja behawioralna i inteligentni wirtualni agenci, adoptuje modu�ow� metodologi� dzielenia inteligencji na warstwy zachowa�, kt�re kontroluj� wszystko, co robi agent, na podstawie faktycznego fizycznego usytuowania w jego otoczeniu i dynamicznej reakcji z nim. Lakoff i Johnson podkre�laj� znaczenie metafory poj�ciowej w j�zyku naturalnym (np. U�ycie s��w "prze�omowe" na pocz�tku tego paragrafu) i jak jest ona powi�zana z naszym postrzeganiem poprzez nasz� uciele�nienie i fizyczne uziemienie. Prace te po�o�y�y podwaliny pod obszary badawcze uciele�nionej nauki kognitywnej i poznania usytuowanego, a spostrze�enia z tych obszar�w zostan� r�wnie� zaczerpni�te z tych podr�cznik�w.

IX Zastrze�e� Alana Turinga wobec Sztucznej Inteligencji

1.3 Zastrze�enia wobec sztucznej inteligencji

Przez lata by�o wiele zastrze�e� do Sztucznej Inteligencji. Jest to zrozumia�e, do pewnego stopnia, poniewa� poj�cie inteligentnej maszyny, kt�ra mo�e potencjalnie wyprzedzi� i prze�cign�� nas w przysz�o�ci, jest przera�aj�ce. By� mo�e jest to nap�dzane przez wiele nierealistycznych powie�ci science fiction i film�w wyprodukowanych w ci�gu ostatniego stulecia, kt�re koncentruj� si� na popularnym motywie robot�w niszcz�cych ludzko�� lub przejmuj�cych �wiat. Sztuczna inteligencja mo�e zak��ci� ka�dy aspekt naszego obecnego �ycia, a ta niepewno�� mo�e r�wnie� zagra�a� ludziom, kt�rzy martwi� si�, jakie zmiany mog� przynie�� w przysz�o�ci. Nast�puj�ce technologie zosta�y okre�lone jako wschodz�ce, potencjalnie "destrukcyjne" technologie, kt�re oferuj� "nadziej� na popraw� kondycji ludzkiej", w raporcie zatytu�owanym "Future Technologies, Today's Choices", zleconym Greenpeace Environmental Trust:

• Biotechnologia;
• Nanotechnologia;
• Kognitywistyka;
• Robotyka;
• Sztuczna inteligencja.

Ostatnie trzy z nich odnosz� si� bezpo�rednio do obszaru inteligencji maszyn i wszystkie mo�na scharakteryzowa� jako potencjalnie destrukcyjne, umo�liwiaj�ce i interdyscyplinarne. G��wnym efektem tych nowych technologii b�dzie r�norodno�� produkt�w ("oczekuje si�, �e ich pojawienie si� na rynku" wp�ynie na prawie ka�dy aspekt naszego �ycia "w nadchodz�cych dziesi�cioleciach"). Technologie zak��caj�ce przenosz� starsze technologie i "umo�liwiaj� przej�cie radykalnie nowych generacji istniej�cych produkt�w i proces�w" oraz umo�liwiaj� zupe�nie nowe klasy produkt�w, kt�re wcze�niej nie by�y mo�liwe do zrealizowania. Jak napisano w raporcie: "Implikacje dla przemys�u s� znaczne: firmy, kt�re nie dostosowuj� si� szybko, staj� w obliczu przestarza�o�ci i upadku, podczas gdy te, kt�re zajmuj� si� i zauwa�aj�, b�d� mog�y robi� nowe rzeczy w niemal ka�dej mo�liwej dyscyplinie technologicznej". Aby zilustrowa� g��boki wp�yw destrukcyjnej technologii na spo�ecze�stwo, nale�y jedynie wzi�� pod uwag� przyk�ad komputera, a ostatnio tak�e wyszukiwarki takie jak Google i wp�yw, jaki te technologie wywar�y na wsp�czesne spo�ecze�stwo. John Searle opracowa� wysoce dyskutowany sprzeciw wobec Sztucznej Inteligencji. Zaproponowa� eksperyment my�lowy, zwany obecnie "pokojem chi�skim", aby przekona� si�, w jaki spos�b system sztucznej inteligencji nigdy nie mia�by umys�u podobnego do tego, kt�ry ma ludzko��, lub mia� zdolno�� zrozumienia naszego sposobu dzia�ania

Chi�ski pok�j Searle′a

Wyobra� sobie, �e masz program komputerowy, kt�ry mo�e przetwarza� znaki chi�skie jako dane wej�ciowe i produkowa� chi�skie znaki jako dane wyj�ciowe. Ten program, je�li jest wystarczaj�co dobry, b�dzie mia� zdolno�� do zaliczenia testu Turinga dla Chi�czyk�w - to znaczy, mo�e przekona� cz�owieka, �e jest native speakerem chi�skim. Wed�ug zwolennik�w testu Turinga, oznacza�oby to, �e komputery maj� zdolno�� rozumienia j�zyka chi�skiego. Teraz wyobra� sobie jeszcze jeden mo�liwy spos�b dzia�ania programu. Osoba, kt�ra zna tylko angielski, zosta�a zamkni�ta w pokoju. Pok�j jest pe�en pude�ek chi�skich symboli ("baza danych") i zawiera ksi��k� z instrukcjami w j�zyku angielskim ("program") o tym, jak manipulowa� strunami chi�skich znak�w. Osoba otrzymuje oryginalne chi�skie znaki za po�rednictwem jakiego� urz�dzenia do komunikacji wej�ciowej. Nast�pnie konsultuje si� z ksi��k� i post�puje zgodnie z instrukcjami, i produkuje strumie� wyj�ciowy chi�skich znak�w, kt�re nast�pnie wysy�a przez wyj�ciowe urz�dzenie komunikacyjne. Celem tego eksperymentu my�lowego jest twierdzenie, �e chocia� program komputerowy mo�e mie� zdolno�� do konwersacji w j�zyku naturalnym, nie ma prawdziwego zrozumienia, jakie ma miejsce. Komputery maj� jedynie mo�liwo�� u�ywania regu� syntaktycznych do manipulowania symbolami, ale nie maj� zrozumienia znaczenia (lub semantyki) z nich. Searle powiedzia�: "Argumentacja jest nast�puj�ca: je�li cz�owiek w pokoju nie rozumie chi�skiego na podstawie wdro�enia odpowiedniego programu do zrozumienia chi�skiego, to �aden inny komputer cyfrowy nie jest na tej podstawie, poniewa� nie ma komputera , kt�ry ma wszystko, czego cz�owiek nie ma. " By�o wiele odpowiedzi na argument Searle'a. Podobnie jak w przypadku wielu eksperyment�w z my�l� o sztucznej inteligencji, takich jak ten, argument mo�na po prostu uzna� za niestanowi�cy problemu. Naukowcy zajmuj�cy si� sztuczn� inteligencj� zwykle go ignoruj�, poniewa� argumentacja Searle'a nie powstrzymuje nas od budowania u�ytecznych system�w AI, kt�re dzia�aj� inteligentnie, i czy maj� umys�, czy my�l� w ten sam spos�b jak nasz m�zg, s� nieistotne. Stuart Russell i Peter Norvig zauwa�aj�, �e wi�kszo�� badaczy AI "nie dba o siln� hipotez� sztucznej inteligencji - tak d�ugo, jak program dzia�a, nie obchodzi go, czy nazywacie to symulacj� inteligencji czy prawdziwej inteligencji." Turing sam przedstawi� dziewi�� zastrze�e� wobec sztucznej inteligencji, kt�re stanowi� dobre podsumowanie wi�kszo�ci zarzut�w, kt�re pojawi�y si� w kolejnych latach od opublikowania jego pracy.

1.3.1 Zarzut teologiczny
Argument ten powstaje wy��cznie z perspektywy teologicznej - tylko ludzie z nie�mierteln� dusz� mog� my�le�, a B�g da� nie�mierteln� dusz� tylko ludziom, a nie zwierz�tom czy maszynom. Turing nie pochwala� takich argument�w teologicznych, ale argumentowa� przeciwko temu z teologicznego punktu widzenia. Kolejnym problemem teologicznym jest to, �e stworzenie Sztucznej Inteligencji uzurpuje sobie rol� Boga jako stw�rcy dusz. Turing u�y� analogii ludzkiej prokreacji, aby wskaza�, �e mamy tak�e rol� do odegrania w tworzeniu dusz.
1.3.2 Zastrze�enie "G�owy w piasku"
Dla niekt�rych ludzi my�lenie o konsekwencjach maszyny, kt�ra mo�e my�le�, jest zbyt przera�aj�ce, aby o tym my�le�. Ten argument jest skierowany do os�b, kt�re lubi� chowa� "g�owy w piasku", a Turing pomy�la�, �e argument jest tak fa�szywy, �e nie zada� sobie trudu, aby temu zapobiec.
1.3.3 Zarzut matematycznym
Turing uzna� ten zarzut oparty na matematycznym rozumowaniu za substancj� wi�ksz� ni� dwie pierwsze. Zosta� on podniesiony przez wiele os�b, od czasu w��czenia filozofa Johna Lucasa i fizyka Rogera Penrose'a. Zgodnie z twierdzeniem G�dla o niezupe�no�ci, istniej� granice oparte na logice na pytania, na kt�re komputer mo�e odpowiedzie�, a zatem komputer musia�by uzyska� b��dne odpowiedzi. Jednak ludzie cz�sto myl� si�, wi�c omylna maszyna mo�e oferowa� bardziej wiarygodn� iluzj� inteligencji. Dodatkowo sama logika jest ograniczon� form� rozumowania, a ludzie cz�sto nie my�l� logicznie. Sprzeciwianie si� sztucznej inteligencji w oparciu o ograniczenia rozwi�zania opartego na logice ignoruje fakt, �e istniej� alternatywne rozwi�zania nie oparte na logice (takie jak na przyk�ad przyj�te w uciele�nionej kognitywistyce), w kt�rych argumenty matematyczne oparte na logice nie maj� zastosowania.
1.3.4 Argument ze �wiadomo�ci
Ten argument m�wi, �e komputer nie mo�e mie� �wiadomych do�wiadcze� ani zrozumienia. Odmian� tego argumentu jest eksperyment my�lowy Johna Searlea w chi�skim pokoju. Geoffrey Jefferson w 1949 podsumowuje argument: "Dop�ki maszyna nie napisze sonetu lub nie skomponuje koncertu z powodu odczuwanych my�li i emocji, a nie przez przypadkowy sk�ad symboli, mo�emy zgodzi� si�, �e maszyna r�wna si� m�zgowi - to znaczy , nie tylko napisze, ale wiesz, �e to on napisa�. �aden mechanizm nie m�g�by odczuwa� (i nie tylko sztucznie sygnalizowa�, �atw� manipulacj�) przyjemno�ci z sukces�w, �alu, gdy zawory si� topi�, ocieplaj� pochlebstwa, staje si� nieszcz�liwy przez swoje b��dy, oczarowany seksem, gniewa si� lub jest przygn�biony, kiedy nie mo�e dosta� to, czego chce. "Turing zauwa�y�, �e ten argument wydaje si� zaprzeczeniem wa�no�ci testu Turinga:" jedynym sposobem, dzi�ki kt�remu mo�na by� pewnym, �e maszyna my�li, jest bycie maszyn� i my�lenie ". Jest to oczywi�cie niemo�liwe do osi�gni�cia, tak jak nie mo�na tego by� pewnym , �e ktokolwiek inny my�li, ma emocje i jest �wiadomy w taki sam spos�b jak my sami. Niekt�rzy twierdz�, �e �wiadomo�� jest nie tylko domen� ludzi, ale tak�e ma �wiadomo��. Zatem brak powszechnie akceptowanej definicji �wiadomo�ci stwarza problemy dla tego argumentu.
1.3.5 Argumenty z r�nych rodzaj�w u�omno�ci
Te argumenty przyjmuj� posta�, �e komputer mo�e robi� wiele rzeczy, ale nigdy nie by�by zdolny do X. W przypadku X, Turing zaproponowa� nast�puj�c� selekcj�: "b�d� mi�y, zaradny, pi�kny, przyjazny, z inicjatyw�, poczuciem humoru, odr�niaj dobro od z�a, pope�niaj b��dy, zakochaj si�, ciesz si� truskawkami i �mietan�, spraw, aby kto� si� w nim zakocha�, ucz si� z do�wiadczenia, u�ywaj s��w poprawnie, b�d� przedmiotem w�asnej my�li, b�d� tak r�norodny w zachowaniu jak cz�owiek Zr�bcie co� naprawd� nowego".Turing zauwa�y�, �e zazwyczaj uzasadnione jest uzasadnienie tych argument�w, a niekt�re z nich s� po prostu odmianami argumentu �wiadomo�ci. Ten argument pomija tak�e wszechstronno�� maszyn i czyst� pomys�owo�� ludzi, kt�rzy je buduj�. Wi�kszo�� listy Turinga zosta�a ju� osi�gni�ta w r�nym stopniu, z wyj�tkiem zakochania si� i cieszenia truskawkami i �mietan�. (Turing uzna� to za "idiotyczn�" rzecz, kt�r� mo�na zrobi� maszyna). Agenci afektywni zostali ju� zbudowani, aby by� �yczliwym i przyjaznym. Niekt�rzy wirtualni agenci i gry komputerowe maj� inicjatyw� i s� niezwykle zaradni. Ageni konwersacyjni wiedz�, jak poprawnie u�ywa� s��w; niekt�rzy maj� poczucie humoru i potrafi� odr�ni� dobro od z�a. Bardzo �atwo jest zaprogramowa� maszyn�, aby pope�ni�a b��d. Niekt�re generowane komputerowo twarze kompozytowe i twarz Julesa , androgenicznego robota s� statystycznie doskona�e, dlatego mo�na je uzna� za pi�kne. Samo�wiadomo��, czyli bycie przedmiotem w�asnych my�li, zosta�o ju� osi�gni�te przez robota Nico w ograniczonym sensie. Pojemno�� pami�ci masowej i mo�liwo�ci przetwarzania wsp�czesnych komputer�w nak�adaj� niewiele ogranicze� na liczb� zachowa�, jakie mo�e wykazywa� komputer. (Trzeba tylko gra� w gr� komputerow� ze z�o�on� sztuczn� inteligencj�, aby zaobserwowa� du�� r�norodno�� sztucznych zachowa�). Aby komputery zrobi�y co� naprawd� nowego, zobacz nast�pny zarzut.
1.3.6 Zastrze�enie Lady Lovelace
Ten zarzut stwierdza, �e komputery nie s� zdolne do oryginalnego my�lenia. Lady Loveless napisa�a wspomnienie w 1842 r. (Zawarte w szczeg�owej informacji z Analitical Engine Babbage′a) stwierdzaj�c, �e: "Silnik Analityczny nie ma �adnych pretensji aby co� zainicjowa�. Mo�e zrobi� wszystko, je�li wiemy, w jakiej kolejno�ci to wykona�". Turing argumentowa�, �e pami�� m�zgu jest podobna do pami�ci komputera i nie ma powodu, aby s�dzi�, �e komputery nie s� w stanie zaskoczy� ludzi. Rzeczywi�cie, zastosowanie programowania genetycznego stworzy�o wiele nowych wynalazk�w posiadaj�cych zdolno�� patentow�. Na przyk�ad NASA u�ywa� programowania genetycznego w celu opracowania anteny, kt�ra zosta�a zastosowana na statku kosmicznym w 2006 r. . Antena ta zosta�a uznana za konkurencyjn� dla ludzi, poniewa� zapewnia�a podobn� wydajno��, co antena zaprojektowana przez cz�owieka, ale jej konstrukcja by�a ca�kowicie nowa.
1.3.7 Argument z ci�g�o�ci uk�adu nerwowego
Turing przyzna�, �e m�zg nie jest cyfrowy. Neurony strzelaj� impulsami, kt�re maj� komponenty analogowe. Turing sugeruje, �e ka�dy system analogowy mo�e by� �atwo symulowany do dowolnego stopnia dok�adno�ci. Inn� form� tego argumentu jest to, �e m�zg przetwarza sygna�y (z bod�c�w), a nie symbole. Istniej� dwa paradygmaty w sztucznej inteligencji - symboliczne i subsymboliczne (lub koneksjonistyczne) - kt�re protagoni�ci uwa�aj� za najlepszy spos�b rozwoju inteligentnych system�w. Pierwsza z nich k�adzie nacisk na podej�cie do przetwarzania symboli z g�ry na d� (systemy oparte na wiedzy s� jednym z przyk�ad�w), podczas gdy drugi k�adzie nacisk na podej�cie oddolne z symbolami fizycznie uziemionymi w pewien spos�b (na przyk�ad sieci neuronowe). Paradygmaty symboliczne i subimienne sta�y si� zaciek�� debat� w sztucznej inteligencji i naukach kognitywnych na przestrzeni lat, i podobnie jak w przypadku wszystkich debat, zwolennicy cz�sto przyjmowali wzajemnie wykluczaj�ce si� punkty widzenia. Metody ��cz�ce aspekty obu podej�� maj� pewne zalety, takie jak przestrzenie poj�ciowe, co podkre�la, �e reprezentujemy informacje na poziomie koncepcyjnym - to znaczy, �e poj�cia s� kluczowym elementem i zapewniaj� po��czenie mi�dzy bod�cami i symbolami.
1.3.8 Argument z nieformalno�ci zachowania
Ludzie nie maj� sko�czonego zestawu zachowa� - improwizuj� w oparciu o okoliczno�ci. W zwi�zku z tym, jak mogliby�my opracowa� zestaw zasad lub praw, kt�re opisywa�yby, co dana osoba powinna robi� w ka�dej mo�liwej sytuacji? Turing przedstawi� t� argumentacj� w nast�puj�cy spos�b: "je�li ka�dy cz�owiek mia�by okre�lony zestaw zasad post�powania, kt�re regulowa�by jego �ycie, nie by�by lepszy od maszyny. Ale nie ma takich zasad, wi�c ludzie nie mog� by� maszynami. "Turing twierdzi, �e tylko dlatego, �e nie wiemy, jakie s� prawa, nie oznacza to, �e nie istniej� takie prawa. Argument ten ujawnia tak�e b��dne przekonanie, do czego zdolny jest komputer. Je�li my�limy o komputerach jako 'maszynach' mo�emy �atwo pope�ni� b��d u�ywaj�c poj�cia, kt�re mo�emy kojarzy� z wieloma maszynami, kt�rych u�ywamy w codziennym �yciu (takimi jak wiertarka lub samoch�d). Ale niekt�re maszyny - tj. komputery - s� zdolne do znacznie wi�cej ni� te prostsze maszyny. S� zdolne do zachowania autonomicznego i mog� obserwowa� i reagowa� na z�o�one �rodowisko, powoduj�c w rezultacie po��dan� z�o�ono�� zachowania. Niekt�re z nich wykazuj� r�wnie� emergentne (niezaprogramowane) zachowania ze swoich interakcji ze �rodowiskiem, takie jak stukanie st�p przez wirtualne paj�ki, kt�re odzwierciedla zachowanie paj�k�w w prawdziwym �yciu.
1.3.9 Argument z percepcji pozazmys�owej
Ten ostatni zarzut ma dzi� mniejsze znaczenie, poniewa� odzwierciedla zainteresowanie dodatkow� percepcj� sensoryczn� (ESP), kt�re by�o szeroko rozpowszechnione w czasie, gdy Turing opublikowa� sw�j artyku�. Argument jest taki, �e je�li ESP jest mo�liwe u ludzi, to mo�na to wykorzysta� do uniewa�nienia testu Turinga. (Komputer mo�e by� w stanie dokona� losowych przewidywa� w grze zgaduj�cej karty, podczas gdy cz�owiek z umiej�tno�ciami czytania umys�u mo�e by� w stanie odgadn�� lepiej ni� przypadek.) Turing om�wi� sposoby, w kt�rych warunki testu mog� zosta� zmienione w celu przezwyci�enia to. Kolejny zarzut dotyczy postrzegania braku konkretnych wynik�w, kt�re badania AI wytworzy�y w ponad p� wieku stara�. Wspomniany wcze�niej raport wyja�nia� ci�g�� pora�k� bada� nad sztuczn� inteligencj�: "Uwa�a si�, �e obecne systemy AI s� zasadniczo niezdolne do ujawnienia inteligencji, tak jak j� rozumiemy." Termin "AI Winter" odnosi si� do pogl�du, �e badania i rozw�j Sztucznej Inteligencji s�abnie i trwa to ju� od jakiego� czasu. Powi�zane z tym jest przekonanie, �e Sztuczna Inteligencja nie jest ju� godnym miejscem badawczym, poniewa� (w niekt�rych umys�ach) nie spe�ni�a si� spektakularnie w spe�nianiu swoich obietnic, odk�d termin zosta� sformu�owany na konferencji Dartmouth w 1956 roku (tej konferencji teraz przypisuje si� wprowadzenie terminu "Sztuczna inteligencja"). Wbrew mitowi, �e istnieje AI Winter, tempo bada� gwa�townie ro�nie. Jednym z g��wnych czynnik�w przysz�ych bada� b�dzie bran�a rozrywkowa - potrzeba realistycznej interakcji z postaciami niezale�nymi (NPC) w bran�y gier oraz d��enie do wi�kszej wiarygodno�ci w powi�zanych sektorach filmowych i telewizyjnych. Bran�e te maj� znaczne wp�ywy finansowe i maj� prawie nieograniczony potencja� do zastosowania technologii sztucznej inteligencji. Na przyk�ad przekszta�cenie rzeczywisto�ci telewizyjnej w gry komputerowe online mo�e doprowadzi� do w pe�ni interaktywnej telewizji w niezbyt odleg�ej przysz�o�ci gdzie widzowie b�d� zanurzani i b�d� mogli wp�ywa� na histori�, kt�r� ogl�daj� (poprzez g�osowanie na mo�liwe wyniki - np. czy zabi� jednego z g��wnych aktor�w). Alternatywn� mo�liwo�ci� mo�e by� po��czenie animacji komputerowej, symulacji i technologii sztucznej inteligencji ,prowadzi� do film�w, kt�re mo�na ogl�da� wiele razy, za ka�dym razem z r�nymi wynikami, w zale�no�ci od tego, co wydarzy�o si� podczas symulacji. Pomimo tych interesuj�cych wydarze� w bran�y rozrywkowej, gdzie AI nie jest postrzegana jako zagro�enie, coraz wi�ksze zaanga�owanie technologii sztucznej inteligencji w inne aspekty naszego codziennego �ycia budzi coraz wi�kszy niepok�j wielu os�b. Kevin Warwick w swojej ksi��ce "The March of the Machines" z 1997 roku przewidzia�, �e roboty lub super-inteligentne maszyny przemoc� przej�yby ludzko�� za nast�pne 50 lat. Jednym z powod�w takiego my�lenia jest projekcja, �e komputery wyprzedz� moc przetwarzania ludzkiego m�zgu ju� w 2020 r. Na przyk�ad w tej projekcji przewidziano, �e komputery maj� ju� zdolno�� przetwarzania paj�k�w - a niedawne symulacje stawonog�w Sztucznego �ycia pokaza�y, jak mo�na obecnie uzyska� wiarygodn� animacj� dynamiczn� paj�k�w w czasie rzeczywistym. Te same ramy u�ywane do symulacji zosta�y rozszerzone na jaszczurki. Zar�wno jaszczurka jak i odpowiednik paj�ka, zosta� przewidziany przez Moraveca aby ju� zosta� osi�gni�ty. Jednak w przeciwie�stwie do wykresu Moraveca r�nica mi�dzy wirtualnymi paj�kami a wirtualnymi jaszczurkami by�a znacznie mniejsza. Je�li takie ramy mog� by� dostosowane do na�ladowania ssak�w i ludzi, w�wczas wiarygodne ludzkie symulacje mog� by� bli�sze ni� pocz�tkowo s�dzono. Nieporozumienia dotycz�ce maszyn przejmuj�cych ras� ludzk�, kt�re graj� na niepoinformowanych niepokojach i obawach ludzi, mog� niestety mie� wp�yw na polityk� publiczn� wobec bada� i rozwoju. Na przyk�ad, petycja z Instytutu Wynalazk�w Spo�ecznych stwierdza: "W zwi�zku z prawdopodobie�stwem, �e na pocz�tku nast�pnego tysi�clecia komputery i roboty b�d� rozwijane ze zdolno�ci� i z�o�ono�ci� wi�ksz� ni� ludzki m�zg, a tak�e z potencja�em aby dzia�a� z�owrogo w stosunku do ludzi, my, ni�ej podpisani, wzywamy polityk�w i stowarzyszenia naukowe do powo�ania mi�dzynarodowej komisji monitoruj�cej i kontroluj�cej rozw�j system�w sztucznej inteligencji. ".

Chris Malcolm dostarcza przekonuj�cych argument�w w serii artyku��w, dlaczego roboty nie rz�dz� �wiatem. Podkre�la, �e tempo wzrostu inteligencji jest znacznie wolniejsze ni� tempo wzrostu mocy obliczeniowej. Na przyk�ad Moravec przewiduje, �e b�dziemy mieli w pe�ni inteligentne roboty w 2050, chocia� do 2020 roku b�dziemy mie� komputery o wi�kszej mocy obliczeniowej ni� m�zg. Malcolm podkre�la tak�e niebezpiecze�stwa zwi�zane z "antropomorfizmem i interpretowaniem wszystkiego". Na przyk�ad, trudno unikn�� nie przypisywania emocji i uczu�, obserwuj�c zadziwiaj�co �ywy, sztuczny klon Hiroshi Ishiguro, zwany Geminoidem, lub androgenicznego androida Hansona Roboticsa. Joseph Weizenbaum, kt�ry opracowa� Eliz�, chatbota z umiej�tno�ci� symulowania Rogeriana i jedn� z pierwszych pr�b przej�cia testu Turinga, by� tak zaniepokojony niedoinformowanymi odpowiedziami os�b, kt�re nalega�y, by traktowa� Eliz� jako prawdziw� osob�, �e "rasa ludzka po prostu nie by�a intelektualnie dojrza�a, by miesza� si� z tak kusz�c� nauk�, jak sztuczna inteligencja"

Eksperymenty konceptualnej metafory, analogii i my�lowe

Du�a cz�� j�zyka sk�ada si� z metafory poj�ciowej i analogii. Na przyk�ad analogia mi�dzy badaniami sztucznej inteligencji a fizyczn� eksploracj� wykorzystuje przyk�ady metafory poj�ciowej, kt�ra ��czy poj�cia "badania nad sztuczn� inteligencj�" i "eksploracja". Lakoff i Johnson podkre�laj� wa�n� rol�, jak� metafora poj�ciowa odgrywa w j�zyku naturalnym i jak s� one powi�zane z naszymi fizycznymi do�wiadczeniami. Twierdz�, �e metafora jest wszechobecna nie tylko w j�zyku potocznym, ale w naszych my�lach i dzia�aniu, b�d�c podstawow� cech� ludzkiego systemu poj�ciowego. Rozpoznanie u�ycia metafory i analogii w j�zyku mo�e pom�c w zrozumieniu i u�atwieniu uczenia si�. Na przyk�ad opracowano koncepcyjne ramy metaforyczne dla biologii i nauczania matematyki. Analogia i metafora poj�ciowa s� wa�nymi j�zykowymi narz�dziami do wyja�niania zwi�zk�w mi�dzy poj�ciami. Metafor� rozumie si� przez znalezienie analogii odwzorowania mi�dzy dwiema domenami - mi�dzy bardziej abstrakcyjn� docelow� domen� koncepcyjn�, kt�r� pr�bujemy zrozumie�, a �r�d�ow� koncepcyjn� domen�, kt�ra jest �r�d�em wyra�e� metaforycznych. Lakoff i Johnson dok�adnie zbadali powszechnie u�ywane poj�ciowe metafory, takie jak "�YCIE TO PODRӯ", i "CZAS TO PIENI�DZE", kt�re pojawiaj� si� w codziennych zwrotach, kt�rych u�ywamy w j�zyku. Oto kilka przyk�ad�w: "Mam przed sob� swoje �ycie", "Zaatakowa� m�j argument" i "Zainwestowa�em w to du�o czasu". Zrozumienie tych zda� wymaga od czytelnika lub s�uchacza zastosowania cech z bardziej zrozumia�ych poj��, takich jak PODRӯ, WOJNA i PIENI�DZE, do mniej zrozumia�ych, bardziej abstrakcyjnych poj��, takich jak �YCIE, i CZAS. W wielu przypadkach bardziej zrozumia�a lub bardziej "konkretna" koncepcja pochodzi z dziedziny odnosz�cej si� do naszego fizycznie wcielonego ludzkiego do�wiadczenia (np. Metafora "UP IS GOOD" u�yta w wyra�eniu "Things is lookup up"). Innym przyk�adem jest metafora kartograficzna, kt�ra jest podstaw� "map" Roberta Horna. Analogia, podobnie jak metafora, rysuje podobie�stwo mi�dzy rzeczami, kt�re pocz�tkowo mog� wygl�da� inaczej. Pod pewnymi wzgl�dami mo�emy uzna� analogi� za form� argumentu, kt�rego celem jest przybli�enie relacji mi�dzy parami por�wnywanych poj��, podkre�lenie dalszych podobie�stw i pomoc przez por�wnanie nieznanego podmiotu z bardziej znanym. Analogia wydaje si� by� podobna do metafory w roli, w kt�rej gra, wi�c jak si� r�ni�? Wed�ug internetowego s�ownika Merriam-Webster metafora jest "figur� wypowiedzi, w kt�rej s�owo lub fraza dos�ownie oznaczaj� jeden rodzaj przedmiotu lub idei jest u�ywany zamiast innego, aby zasugerowa� podobie�stwo lub analogi� mi�dzy nimi (jak przy topieniu pieni�dzy). "Analogi� definiuje si� jako" wnioskowanie, �e je�li dwie lub wi�cej rzeczy zgadzaj� si� ze sob� pod pewnymi wzgl�dami, prawdopodobnie zgodz� si� w innych " a tak�e "podobie�stwo w niekt�rych szczeg�ach mi�dzy rzeczami innymi w odr�nieniu. Zasadnicza r�nica polega na tym, �e metafora jest postaci� mowy, w kt�rej jedna rzecz ma na my�li inn�, podczas gdy analogia nie jest jedynie figur� - mo�e by� logicznym argumentem, �e je�li dwie rzeczy s� podobne pod pewnymi wzgl�dami, b�d� one podobne na inne sposoby. J�zyk u�ywany do opisywania informatyki i sztucznej inteligencji jest cz�sto bogaty w u�ycie metafory poj�ciowej i analogii. Jednak rzadko s� one wyra�nie okre�lone, a zamiast tego czytelnik cz�sto jest pozostawiony do wywnioskowania z u�ytych s��w, powstaje niejawny zwi�zek. My u�yjemy analogii (i metafory poj�ciowej), aby wyra�nie podkre�li�, jak dwa poj�cia s� ze sob� powi�zane, jak pokazano poni�ej:

• Wirus komputerowy w informatyce jest analogiczny do "wirusa" w prawdziwym �yciu.
• "Robak komputerowy" w informatyce jest analogiczny do "robaka" w prawdziwym �yciu.
• "Paj�k internetowy" w informatyce jest analogiczny do "paj�ka" w prawdziwym �yciu.
• "Internet" w informatyce jest analogiczny do "sieci paj�czej w prawdziwym �yciu.
• "Strona internetowa" w informatyce jest analogiczna do "�rodowiska" w prawdziwym �yciu.

W tych przyk�adach wyra�nie stwierdzono mi�dzy wirusami komputerowymi poj�cia "wirus komputerowy", "robak komputerowy", "paj�k internetowy" i "Internet" oraz ich rzeczywiste odpowiedniki. Wiele funkcji (ale nie wszystkie) zwi�zanych z nimi koncepcji (takich jak wirus w prawdziwym �yciu) s� cz�sto u�ywane do opisania cech abstrakcyjnego poj�cia (wirus komputerowy), kt�ry jest wyja�niony. Te analogie nale�y pami�ta� w porz�dku zrozumie� j�zyk u�ywany do opisu poj��. Na przyk�ad, gdy u�ywamy wyra�enia "przeszukiwanie sieci", mo�emy zrozumie� jego ukryte znaczenie w kontek�cie trzeciej i czwartej analogii powy�ej. Alternatywne analogie (np. pi�ta analogia) kryj� si� za znaczeniem r�nych metafor wykorzystywanych w wyra�eniach takich jak "gubienie si� podczas wyszukiwania w Internecie" i "surfowanie po Internecie". Kiedy kto� m�wi, �e zgubi� si� podczas eksplorowania sieci, nie jest fizycznie zagubiony. Poza tym by�oby dziwnie m�wi� o prawdziwym paj�ku "surfuj�cym" po sieci, ale mo�emy m�wi� o osobie surfuj�cej po Internecie, poniewa� robimy analogi�, �e sie� jest jak fala w prawdziwym �yciu. Przyk�adowe metafory zwi�zane z t� analogi� to wyra�enia takie jak "pow�d� informacji" i "zalewanie przez przeci��enie informacji". Analogia to pr�ba utrzymania r�wnowagi na fali informacji nad kt�r� nie masz kontroli. Dwie wa�ne analogie stosowane w sztucznej inteligencji dotycz�ce algorytm�w genetycznych i sieci neuronowych maj� podstaw� biologiczn�:

• "Algorytm genetyczny" w Sztucznej Inteligencji jest analogiczny do ewolucji genetycznej w biologii.
• "Sie� neuronowa" w Sztucznej Inteligencji jest analogiczna do neuronowego przetwarzania w m�zgu.

S� to przyk�ady "naturalnych oblicze�" - komputer�w inspirowanych natur�. W niekt�rych przypadkach w j�zyku u�ywane s� konkurencyjne analogie iw tym przypadku musimy wyja�ni� ka�d� analogi� dalej, okre�laj�c punkty podobie�stwa i odmienno�ci (gdzie ka�da analogia jest silna lub za�amuje si� odpowiednio) i dostarczaj�c przyk�ady metafor u�yte w tek�cie, kt�ry wyci�ga analogi�. Na przyk�ad mo�na dokona� analogii mi�dzy docelow� koncepcj� "badania" i konkuruj�cymi poj�ciami �r�d�owymi "eksploracja" i "budowa" w nast�puj�cy spos�b:

Analogia 1 "Badania" w nauce s� analogiczne do "eksploracji" w prawdziwym �yciu.

Punkty podobie�stwa: samo s�owo "badanie" r�wnie� stosuje analogi� eksploracji: mo�emy my�le� o tym jako o procesie z powrotem (powt�rzenie) wyszukiwania, kt�re ju� zrobili�my. Punkty niepodobie�stwa: wymy�lanie nowych pomys��w jest bardziej skomplikowane ni� poszukiwanie nowej �cie�ki. Musisz budowa� na istniej�cych pomys�ach, tworzy� lub konstruowa� co� nowego z istniej�cych cz�ci. Przyk�ady metafor u�ytych w tym rozdziale: "P�ywamy po tym nowym morzu, poniewa� jest nowa wiedza, kt�r� mo�na zdoby�", "�cie�ki do sztucznej inteligencji", "Wi�kszo�� teren�w do zbadania jest wci�� nieznana".

Analogia 2 "Badania" w nauce s� analogiczne do "konstrukcji" w prawdziwym �yciu.

Punkty podobie�stwa: Cz�sto m�wimy, �e nowe pomys�y s� tworzone lub budowane na podstawie istniej�cych pomys��w; m�wimy tak�e o strukturach, kt�re zapewniaj� wsparcie lub struktur� dla konkretnego pomys�u. Punkty niepodobie�stwa: wymy�lanie nowych pomys��w jest bardziej skomplikowane ni� tylko konstruowanie lub budowanie czego� nowego. Czasami musisz i�� tam, gdzie nigdy wcze�niej nie by�e�; czasem gubisz si� po drodze (co�, co wydaje si� dziwne, je�li budujesz budynek). Przyk�ady metafor u�ytych w tym rozdziale: "jak budowa� lepsze algorytmy wyszukiwania", "Zr�bmy analogi�", "bazuj na istniej�cych pomys�ach", "zazwyczaj uzasadnione jest uzasadnienie tych argument�w".

Eksperymenty my�lowe

Zapewniaj� alternatywn� metod� opisywania nowego pomys�u lub opracowywania problem�w z istniej�cym pomys�em. Analogi� do terminu "eksperyment my�lowy" jest to, �e przeprowadzamy pewien eksperyment (jak naukowiec w laboratorium), ale eksperyment ten przeprowadzany jest tylko w naszym umy�le. Podobnie jak w przypadku wszystkich eksperyment�w, wypr�bowujemy r�ne rzeczy, aby zobaczy�, co mo�e si� wydarzy�, jedyn� r�nic� jest to, �e rzeczy, kt�re wypr�bowywali�my, s� w wi�kszo�ci wykonywane tylko w naszych w�asnych my�lach. Nie ma rzeczywistych eksperyment�w - to tylko proces rozumowania, kt�ry jest u�ywany przez osob� proponuj�c� eksperymenty. W eksperymencie my�lowym zasadniczo stawiamy pytania "co je�li" w naszych w�asnych umys�ach. Na przyk�ad "Co je�li X?" Lub "Co stanie si�, je�li X?", Gdzie X mo�e by� "mo�emy da� si� zwie�� przekonaniu, �e komputer to cz�owiek" w eksperymencie my�lowym Turinga. Ponadto osoba, kt�ra proponuje t� my�l eksperyment polega na tym, aby inni ludzie przeprowadzili ten sam proces my�lowy we w�asnym umy�le, wyobra�aj�c sobie konkretn� sytuacj� i prawdopodobne konsekwencje. Cz�sto eksperyment my�lowy wymaga postawienia si� w sytuacji (w twoim umy�le), a nast�pnie wyobra�enia sobie, co by si� sta�o. Cel tego eksperymentu my�lowego polega na przedstawianiu argument�w za lub przeciw okre�lonemu punktowi widzenia, podkre�laj�c wa�ne kwestie. Niemiecki termin eksperymentu my�lowego to Gedankeneximentiment - na przyk�ad istnieje wiele przyk�ad�w stosowanych w fizyce. Jednym z najs�awniejszych postawionych przez Alberta Einsteina by�o �ciganie wi�zki �wiat�a i doprowadzenie do rozwoju Teorii Szczeg�lnej Wzgl�dno�ci. Sztuczna inteligencja ma r�wnie� wiele przyk�ad�w eksperyment�w my�lowych, a kilka z nich opisano w tych podr�cznikach, aby zilustrowa� wa�ne idee i koncepcje.

Zasady projektowania autonomicznych agent�w

Pfeifer and Scheier proponuj� kilka zasad projektowania dla autonomicznych agent�w:

Projekt 1.1 Zasady projektowania Pfeifer i Scheier dla autonomicznych agent�w.

Design Meta-Principle: "Zasada trzech sk�adnik�w". Ta pierwsza zasada jest klasyfikowana jako meta-zasada, poniewa� definiuje kontekst rz�dz�cy innymi zasadami. Stwierdza on, �e projektowanie autonomicznych czynnik�w obejmuje trzy sk�adniki: (1) nisz� ekologiczn�; (2) po��dane zachowania i zadania; i (3) sam agent. "�rodowisko zada�" obejmuje razem (1) i (2).

Zasada projektowania 1: Zasada "pe�nych agent�w". Agenci musz� by� kompletni: autonomiczni; samowystarczalny; wcieleni; i po�o�eni.

Zasada projektowania 2 : "zasada r�wnoleg�ych, lu�no powi�zanych proces�w". Inteligencja wy�ania si� z interakcji mi�dzy agentem a �rodowiskiem poprzez r�wnoleg�e, lu�no powi�zane procesy powi�zane z mechanizmami zmys�owo-motorycznymi.

Zasada projektowania 3 : "zasada koordynacji sensoryczno-motorycznej". Wszystkie inteligentne zachowania (np. Percepcja, kategoryzacja, pami��) s� wynikiem koordynacji czuciowo-ruchowej, kt�ra strukturyzuje dane zmys�owe.

Zasada projektowania 4 : "Zasada tanich projekt�w". Projekty s� oszcz�dne i wykorzystuj� fizyk� nisz ekologicznych.

Zasada projektowania 5 : "Zasada redundancji". Nadmiar jest uwzgl�dniany w projekcie agenta z nak�adaniem si� informacji mi�dzy r�nymi kana�ami sensorycznymi.

Zasada projektowania 6 : "Zasada r�wnowagi ekologicznej". Z�o�ono�� agenta odpowiada z�o�ono�ci �rodowiska zada�. Musi by� dopasowanie z�o�ono�ci czujnik�w, uk�adu ruchowego i pod�o�a neuronowego.

Zasada projektowania 7 : "Zasada warto�ci". Agent ma system warto�ci, kt�ry opiera si� na mechanizmach samo-nadzorowanego uczenia si� i samoorganizacji.

Te dobrze opracowane zasady maj� znacz�cy wp�yw na projektowanie autonomicznych czynnik�w. W przewa�aj�cej cz�ci postaramy si� przestrzega� tych zasad podczas projektowania naszych w�asnych agent�w. B�dziemy tak�e wielokrotnie przegl�da� aspekty tych zasad, gdzie b�dziemy bardziej szczeg�owo analizowa� konkretne poj�cia, takie jak pojawienie si� i samoorganizacja. Jednak�e nieco zmienimy niekt�re aspekty tych zasad, aby lepiej dopasowa� terminologi� i podej�cie. Zamiast odr�nia� trzy sk�adniki, jak w metodzie projektowania i odnosi� si� do "niszy ekologicznej", wolimy u�ywa� tylko dw�ch: agent�w i �rodowisk. �rodowiska s� wa�ne dla agent�w, poniewa� interakcja agent-�rodowisko jest niezb�dna do z�o�onego zachowania agenta. W nast�pnej cz�ci om�wimy, co rozumiemy przez �rodowisko, i spojrzymy na niekt�re �rodowiska odzwierciedlaj�ce z�o�ono�� realnego �wiata. Przedstawiaj�c rozwi�zania problem�w, b�dziemy trzyma� si� g��wnie zasad projektowania opisanych powy�ej, ale z nast�puj�cymi dalszymi zasadami projektowania.

Dalsze zasady projektowania dla agent�w i �rodowisk w NetLogo

Zasada projektowania 8 : Projekt powinien by� prosty i zwi�z�y (zasada "Keep It Simple Stupid" lub KISS).

Zasada projektowania 9 : Projekt powinien by� wydajny obliczeniowo.

Zasada projektowania 10 : Projekt powinien by� w stanie modelowa� tak szerok� gam� z�o�onych zachowa� agenta i z�o�onych �rodowisk, jak to mo�liwe.

G��wnym powodem, dla kt�rego projekt jest prosty i zwi�z�y, jest ze wzgl�d�w pedagogicznych. Jednak�e, jak zobaczymy w ostatnich rozdzia�ach, prostota projektu niekoniecznie wyklucza z�o�ono�� zachowania agenta lub z�o�ono�� w �rodowisku. Na przyk�ad j�zyk programowania NetLogo ma bogaty zestaw modeli, mimo �e wi�kszo�� z nich ogranicza si� do prostego �rodowiska 2D u�ywanego do symulacji i wizualizacji.

Podsumowanie

Cytat z pocz�tku tej cz�ci odnosi si� do czasu, kiedy ludzko�� jeszcze nie pokona�a "ostatecznej granicy" przestrzeni. P� wieku p�niejszej eksploracji przestrzeni kosmicznej, by� mo�e mo�emy uzna�, �e przestrze� nie jest ju� "ostateczn�" granic�. Mamy wiele wi�cej mo�liwo�ci do zbadania, chocia� nie jest to kwestia fizyczna tak jak przestrze�. S� to granice nauki i in�ynierii oraz granice umys�u. Mo�emy albo zdecydowa� si� na konfrontacj� z tymi trudnymi granicami, albo zignorowa� je, utrzymuj�c nasze "g�owy w piasku". Ta cz�� stanowi wprowadzenie do dziedziny Sztucznej Inteligencji (AI) i pozycjonuje AI jako wschodz�c�, ale potencjalnie destrukcyjn� technologi� na przysz�o��. Jest to analogia mi�dzy badaniem SI a eksploracj� niezbadanego terytorium, oraz opisuje kilka �cie�ek, kt�re zosta�y podj�te w przesz�o�ci w celu zbadania tego terytorium, niekt�re z nich s� ze sob� w konflikcie. Pojawi�o si� wiele zastrze�e� do sztucznej inteligencji, z kt�rych wiele zosta�o zrobionych z ludzi, kt�rzy s� �le poinformowani. W niniejszym rozdziale podkre�lono r�wnie� zastosowanie metafory poj�ciowej i analogii w j�zyku naturalnym i sztucznej inteligencji. Podsumowanie wa�nych poj��, kt�re mo�na wyci�gn�� z tej cz�ci, pokazano poni�ej:

• Istnieje wiele dr�g do Sztucznej Inteligencji. Istnieje r�wnie� wiele zastrze�e�.
• Test Turinga jest kontrowersyjnym testem sztucznej inteligencji.
• Argument Chi�skiego Pokoju Searles'a m�wi, �e komputer nigdy nie b�dzie w stanie my�le� i rozumie� tak, jak my. Badacze sztucznej inteligencji zwykle ignoruj� to i dalej buduj� u�yteczne systemy sztucznej inteligencji.
• Komputery najprawdopodobniej b�d� mia�y mo�liwo�ci przetwarzania danych do 2020 roku, ale na komputery z inteligencj� prawdopodobnie poczekamy d�u�ej.
• AI Winter - nie w tej chwili.
• Konceptualna metafora i analogia - to wa�ne urz�dzenia j�zykowe, kt�rych powinni�my by� �wiadomi, aby to zrozumie� j�zyk naturalny.
• Pfeifer i Scheier zaproponowali kilka wa�nych zasad projektowania dla autonomicznych agent�w.

Agenci i �rodowisko

2.1 Co to jest agent?

Systemy zorientowane na agenta sta�y si� jednym z najbardziej �ywych i wa�nych obszar�w informatyki. Historycznie, jednym z g��wnych obszar�w zainteresowania w sztucznej inteligencji by�o budowanie inteligentnych system�w. Standardowy podr�cznik w AI napisany przez Russella i Norviga przyjmuje koncepcj� racjonalnych agent�w jako centralnych dla ich podej�cia do sztucznej inteligencji. Nacisk k�adziony jest na rozw�j system�w agent�w, kt�re mo�na rozs�dnie nazwa� inteligentnymi. Systemy zorientowane na klienta s� r�wnie� wa�nym obszarem bada�, kt�ry le�y u podstaw wielu innych obszar�w badawczych w dziedzinie technologii informatycznych. Na przyk�ad, tw�rcy programu Agentlink III, kt�ry jest sieci� doskona�o�ci dla system�w opartych na agentach, twierdz�, �e agenci stanowi� podstaw� wielu aspekt�w szerszego europejskiego programu badawczego oraz �e "agenci stanowi� najwa�niejszy nowy paradygmat rozwoju oprogramowania od momentu orientacji". Istnieje jednak wiele nieporozumie� dotycz�cych tego, co ludzie rozumiej� przez "agenta". Poni�ej przedstawiono kilka perspektyw dla znaczenie terminu "agent".

Perspektywa : Sztuczna Inteligencja

Kluczowa Idea : Agent jest uciele�niony (tj. Usytuowany) w otoczeniu i podejmuje w�asne decyzje. Odbiera on otoczenie poprzez czujniki i dzia�a na otoczenie poprzez si�ownik
Obszary Zastosowania : Inteligentni agenci. Inteligentne systemy. Robotyka.

Perspektywa : Przetwarzanie Rozproszone

Kluczowa Idea : Agent to autonomiczny proces programowy lub w�tek.
Obszary Zastosowania : Model tr�jwymiarowy (przy u�yciu agent�w). Sieci peer-to-peer. Przetwarzanie r�wnoleg�e i gridowe.

Perspektywa : Obliczenia Internetowe

Kluczowa Idea : Agent wykonuje zadanie w imieniu u�ytkownika. tj. agent dzia�a jako proxy; u�ytkownik nie mo�e wykona� (lub nie chce wykona�) zadania samodzielnie.
Obszary Zastosowania : Paj�ki i roboty sieciowe. Skrobaczki internetowe. Gromadzenie, filtrowanie i pobieranie informacji.

Perspektywa : Symulacja i modelowanie

Kluczowa Idea : Agent udost�pnia model do symulacji dzia�a� i interakcji autonomicznych os�b w sieci.
Obszary Zastosowania : Teoria gry. Z�o�one systemy. Systemy wieloagentowe. Programowanie ewolucyjne

Termin "bot" - skr�t od robota - sta� si� powszechny jako zamiennik terminu "agent". W publikacjach akademickich zwykle preferowany jest ten drugi - na przyk�ad agent konwersacyjny, a nie chatbot lub chatterbot - cho� s� one synonimami. Lista bot�w jest pokazana poni�ej w nazwie zgodnie z zadaniami, kt�re wykonuj�.

Nazwa(-y) bot�w : Opis

Chatterbots : S�u�� do czatowania w sieci.
Annoybots : U�ywane do niszczenia pokoj�w rozm�w i grup dyskusyjnych.
Spamboty : Kt�rzy generuj� niepo��dane wiadomo�ci e-mail "spam") po zebraniu internetowych adres�w e-mail.
Mailbots : Zarz�dzaj�cy i filtruj�cymi wiadomo�ci e-mail (np. W celu suni�cia spamu).
Spiderbots : Przeszukuj� sie� w celu pobrania zawarto�ci do bazy danych (np. Googlebot). Do wyszukiwania silnik�w (np. Google) jest to nast�pnie indeksowane w pewien spos�b.
Infobots : Zbieraj� informacje. na przyk�ad "Newsbots" bieraj� wiadomo�ci; "Hotboty" znajduj� najgor�tsze lub najnowsze strona dla informacji; "Jobbots" zbieraj� informacje o pracy.
Knowbots lub Knowledgebots : Szukaj� konkretnej wiedzy. na przyk�ad "Shopbot"

Inne nazwy agent�w i bot�w to: agenci programowi, kreatory, paj�ki, inteligentne roboty programistyczne, softboty i r�ne dalsze kombinacje s��w "oprogramowanie", "inteligentny", "bot" i "agent". Zamieszanie mo�e r�wnie� powsta�, poniewa� ludzie cz�sto przyjmuj� terminy z innych obszar�w i przenosz� znaczenie w swoje w�asne obszary zainteresowa�. W trakcie procesu pierwotne znaczenie tego terminu cz�sto mo�e ulec zmianie lub pomieszaniu. Na przyk�ad "robot" to inne okre�lenie, takie jak "agent", w kt�rym dok�adne znaczenie jest trudne do ustalenia. Termin "robot" jest teraz mylony z terminem "bot" - wiele os�b uwa�a teraz "robot" za niekoniecznie maszyn� fizyczn�, poniewa� w ich definicji s� takie rzeczy jak paj�ki internetowe (u�ywane w wyszukiwarkach), i konwersacyjne roboty (takie, jakie mo�na napotka� w tych dniach podczas dzwonienia na infolini�). Jeszcze wi�cej nieporozumie� powstaje, poniewa� dla niekt�rych os�b oba te mog� by� r�wnie� uwa�ane za agent�w. Co mo�e tak�e powodowa� zamieszanie z u�yciem terminu agent, jest cz�sto zwi�zane z poj�ciem "agencji", kt�re samo w sobie mo�e mie� wiele znacze�. Jednym z aspekt�w poj�cia agencji jest zdolno�� agenta do dzia�ania w �wiecie - dla ludzi wi��e si� to z ich zdolno�ci� do dokonywania w�asnych wybor�w, kt�re b�d� mia�y wp�yw na �wiat, w kt�rym �yj�. Znaczenie to jest �ci�le zwi�zane z znaczenie agenta, kt�ry przyjmujemy w tych ksi��kach. Jednak innym znaczeniem agencji jest upowa�nienie do dzia�ania w imieniu innej osoby - na przyk�ad biuro podr�y jest upowa�nione do dzia�ania w imieniu swoich klient�w w celu znalezienia najbardziej konkurencyjnej firmy z opcjami podr�y. S�ownik online Merriam-Webster podaje nast�puj�ce znaczenia terminu agent:

1. Kt�ry dzia�a lub wywiera moc;
a: co�, co wytwarza lub mo�e wywo�a� efekt: czynn� lub wydajn�
b: zasada chemiczna, fizyczna lub biologicznie czynna;
3. �rodek lub narz�dzie, za pomoc� kt�rego prowadz�ca inteligencja osi�ga wynik;
4. ten, kto jest upowa�niony do dzia�ania w imieniu lub w miejsce innego: jak
a: przedstawiciel, emisariusz lub urz�dnik rz�du < agent korony > < agent federalny >
b: jeden zaanga�owany w tajne dzia�ania (jako szpiegostwo): szpieg
c: przedstawiciel handlowy (jako sportowiec lub artysta) < a theatrical agent >;
5. aplikacja komputerowa przeznaczona do automatyzacji niekt�rych zada� (takich jak zbieranie informacji online).

Czwarte znaczenie agenta odnosi si� do znaczenia agenta cz�sto u�ywanej w og�lnym j�zyku angielskim, takiej jak u�ywane w popularnych zwrotach "agent ubezpieczeniowy", "agent modeluj�cy", "agent reklamowy", "tajny agent" i "agent sportowy". To mo�e wywo�a� najwi�cej zamieszania, poniewa� r�ni si� od znaczenia agenta przyj�tego i nas (co jest bardziej zwi�zane z pi�tym znaczeniem). Wszystkie te podobne, ale nieco inne znaczenia wywodz� si� z podstawowej koncepcji "agenta". Najlepiej mo�na to zrozumie�, zauwa�aj�c, �e agent lub system zorientowany na agenta jest analogiczny do cz�owieka w prawdziwym �yciu. Bior�c pod uwag� t� analogi�, mo�emy dokona� por�wnania mi�dzy zorientowanymi na agent�w systemami, kt�re projektujemy, a atrybutami ludzi w prawdziwym �yciu. Ludzie podejmuj� w�asne decyzje, istniej� w nich, wchodz� w interakcj� z otaczaj�cym je �rodowiskiem i wp�ywaj� na nie. Podobnie, celem projektant�w agent�w jest wyposa�enie ich system�w zorientowanych na agenta podobnymi zdolno�ciami decyzyjnymi i podobn� zdolno�ci� do interakcji i wp�ywania na �rodowisko. W tym �wietle r�ne znaczenia wymienione w definicji s�ownika s� powi�zane ze sob� za pomoc� podstawowej analogii podmiotu, kt�ry ma zdolno�� dzia�ania dla siebie, lub w imieniu innego, lub z mo�liwo�ci� wywo�ania efektu, z niekt�rymi mo�liwo�ci cz�owieka. Agent istnieje (znajduje si�) w �rodowisku i jest w stanie wyczuwa�, porusza� si� i wp�ywa� na to �rodowisko, podejmuj�c w�asne decyzje, kt�re maj� wp�yw na przysz�e zdarzenia. Agent jest analogiczny do osoby w prawdziwym �yciu, posiadaj�cej pewne zdolno�ci danej osoby. Z punktu widzenia sztucznej inteligencji kluczow� ide� jest to, �e agent jest uciele�niony (tj. Usytuowany) w �rodowisku. Franklin i Graesser definiuj� autonomicznego agenta jako "system usytuowany wewn�trz i cz�� rodowiska, kt�re wyczuwa to �rodowisko i dzia�a na nie, z biegiem czasu, w d��eniu do w�asnej agendy i aby osi�gn�� to, co wyczuwa w przysz�o��". Na przyk�ad agent oparty na grach znajduje si� w �rodowisku wirtualnej gry, podczas gdy roboty s� zlokalizowane w rzeczywistym (lub prawdopodobnie symulowanym) �rodowisku. Agent postrzega �rodowisko za pomoc� czujnik�w (rzeczywistych lub wirtualnych) i dzia�a na nie za pomoc� si�ownik�w (ponownie, rzeczywistych lub wirtualnych). Znaczenie terminu "agent" mo�e jednak zmieni� nacisk, gdy stosowana jest alternatywna perspektywa, co mo�e prowadzi� do zamieszania. Ludzie cz�sto b�d� r�wnie� u�ywa� definicji, kt�r� znaj� z w�asnego t�a i z�a. Na przyk�ad, przetwarzanie rozproszone, przetwarzanie w Internecie i symulacja oraz modelowanie zapewniaj� trzy dalsze perspektywy definiowania, czym jest "agent". W sensie przetwarzania rozproszonego agenty s� autonomicznymi procesami programowymi lub w�tkami, w kt�rych wa�ne s� atrybuty mobilno�ci i autonomii. W rozumieniu agent�w internetowych, poj�cie agencja jest kryterium nadrz�dnym, tj. agenci dzia�aj� w imieniu kogo� (tak jak robi to biuro podr�y, udzielaj�c pomocy w organizowaniu podr�y w naszym imieniu, gdy nie mamy wiedzy, ani ochoty, ani czasu, aby to zrobi� sami ). W symulacji i modelowaniu model oparty na agentach (ABM) to model obliczeniowy, kt�rego celem jest symulacja dzia�a� i interakcji autonomicznych jednostek w sieci lub �rodowisku, a tym samym ocena ich wp�ywu na system jako ca�o��

Projektowanie zorientowane na agenta a projektowanie zorientowane na obiekt

Czym r�ni si� projektowanie zorientowane na agent�w od projektowania obiektowego? Aby odpowiedzie� na to pytanie, najpierw musimy zbada�, co to znaczy, aby projekt systemu by� zorientowany obiektowo. Programowanie obiektowe (OOP) jest obecnie g��wnym paradygmatem programowania obs�ugiwanym przez wi�kszo�� j�zyk�w programowania. "Obiekt" to encja oprogramowania, kt�ra jest abstrakcj� osoby, miejsca lub rzeczy w realnym �wiecie. Obiekty s� zwykle powi�zane z rzeczownikami, kt�re pojawiaj� si� w wymaganiach systemowych i s� og�lnie definiowane przy u�yciu klasy. Celem zaj�� jest scalenie wszystkich danych i procedur (zwanych "metodami") w jednym miejscu. Przedmiot sk�ada si� z: to�samo�ci, kt�ra pozwala na jednoznaczn� identyfikacj� przedmiotu - na przyk�ad atrybuty takie jak imi� i nazwisko, data urodzenia, miejsce urodzenia mog� jednoznacznie identyfikowa� osob�; stany, takie jak "door = open" lub "switch = on"; i zachowanie, takie jak "wy�lij wiadomo��" lub "otwarte drzwi" (s� one powi�zane z czasownikami + rzeczownikami w wymaganiach systemowych). Jakie w�a�ciwo�ci potrzebuje system, aby by� zorientowany na obiekt? Niekt�re definicje stwierdzaj�, �e tylko wymagane s� abstrakcje i enkapsulacja w�a�ciwo�ci. Inne definicje stwierdzaj�, �e wymagane s� r�wnie� dalsze w�a�ciwo�ci: dziedziczenie, polimorfizm, wi�zanie dynamiczne i trwa�o��.

Opis : W�a�ciwo�ci

Abstrakcja : Obiekty oprogramowania to wirtualne reprezentacje obiekt�w �wiata rzeczywistego. Na przyk�ad klasa HumanClass mo�e by� abstrakcj� ludzi w prawdziwym �wiecie. Mo�emy uwa�a� klas� za definiuj�c� analogiczny zwi�zek mi�dzy ni� a lud�mi w prawdziwym �wiecie.

Enkapsulacji : Obiekty obejmuj� wszystkie dane i metody zwi�zane z klas�, a dost�p do nich jest dozwolony tylko poprzez �ci�le wymuszony interfejs, kt�ry definiuje to, co jest widoczne dla innych klas,pozosta�a cz�� pozostaje ukryta (zwana "ukrywaniem informacji"). Na przyk�ad klasa HumanClass mo�e mie� metod� talk (), kt�rej kod okre�la dok�adnie, co i jak m�wiosi�gni�ty. Jednak ka�dy, kto chce wykona� metod� talk () nie jest zainteresowany tym, w jaki spos�b m�wienie zosta�o osi�gni�te.

Dziedziczenie : Projektant mo�e zdefiniowa� podklasy, kt�re s� specjalizacjami klas nadrz�dnych. Podklasy dziedzicz� atrybuty i zachowanie swoich klas nadrz�dnych, ale maj� dodatkow� funkcjonalno��. Na przyk�ad HumanClass dziedziczy w�a�ciwo�ci swojej macierzystej MammalClass, kt�ra z kolei dziedziczy w�a�ciwo�ci od rodzica AnimalClass.

Polimorfizm : To dos�ownie oznacza "wiele form". Metoda o tej samej nazwie zdefiniowana przez klas� nadrz�dn� mo�e przyjmowa� r�ne formy podczas wykonywania w zale�no�ci od definicji podklasy. Na przyk�ad, MammalClass mo�e mie� metod� talk () - spowoduje to wykonanie r�nych procedur dlaobiekt nale��cy do HumanClass w por�wnaniu do obiekt�w nale��cych do DogClass lub LambClass (ten pierwszy mo�e zacz�� czatowa�, podczas gdy drugi mo�e zacz�� szczeka� lub becze�).

Dynamiczne wi�zanie : Okre�la, kt�ra metoda jest wywo�ywana w �rodowisku wykonawczym. Na przyk�ad, je�li d jest obiektem klasy DogClass, wtedy odpowiednia metoda do jej aktualnej klasy zostanie wywo�ana w czasie wykonywania, gdy d.talk () jest wykonany. (Szczekanie zostanie stworzone zamiast czatowania lub beczenia).

Persistence : Obiekty i klasy obiekt�w pozostaj�, dop�ki nie zostan� jawnie usuni�te, nawet po ich zako�czeniu wykonania.

Rysunek poni�szy ilustruje, w jaki spos�b obiekty s� abstrakcjami dla podmiot�w w prawdziwym �yciu. S� przedstawione trzy obiekty - Bill, kt�ry jest instancj� HumanClass, Tooty, kt�ry jest instancj� klasy DogClass i Timothy, kt�ra jest instancj� LambClass. (Obiekty s� r�wnie� nazywane "instancjami" danej klasy).

Czym r�ni si� agent od obiekt�w? Wooldridge zapewnia nast�puj�c� odpowied�:

• Agenci maj� wi�kszy stopie� autonomii ni� obiekty.
• Obiekty nie maj� kontroli nad tym, kiedy s� wykonywane, podczas gdy agenci decyduj� samodzielnie, czy wykona� jak�� akcj�. Innymi s�owy, obiekty wywo�uj� metody innych obiekt�w, podczas gdy agenty prosz� innych agent�w o wykonanie niekt�rych akcji.
• Agenci s� zdolni do zachowania elastycznego (reaktywnego, proaktywnego, spo�ecznego), podczas gdy obiekty nie okre�laj� takich zachowa�.
• System wieloagentowy jest z natury wielow�tkowy - zak�ada si�, �e ka�dy agent ma co najmniej jeden w�tek kontroli.

Mo�emy przyjrze� si� dw�m przyk�adowym zadaniom, aby dok�adniej zilustrowa� rozr�nienie mi�dzy agentami i obiektami: zadanie 1, czyszczenie pod�ogi w kuchni; i zadanie 2, pranie. Jakie s� zorientowane na klienta i obiektowe rozwi�zania tych dw�ch zada�? Kr�tka odpowied� brzmi, �e dla �adnego z zada� nie istnieje rozwi�zanie ca�kowicie obiektowe, poniewa� musimy u�y� agenta, aby wykona� zadania. W przypadku zadania 1 osoba czyszcz�ca pod�og� mo�e by� uwa�ana za przedstawiciela. W przypadku rozwi�zania obiektowego t� osob� mo�na uzna� za analogiczn� do tw�rcy oprogramowania - podejmie on decyzje o tym, kiedy rozpocz�� czyszczenie, i wybierze odpowiednie narz�dzia (przedmioty) oraz spos�b ich u�ycia. Sam wybierze najbardziej odpowiednie ustawienia - odpowiadaj� one parametrom, kt�re programista wybiera podczas pisania kodu (np. Stan, metody i argumenty przekazywane metodom). Niekt�re przyk�adowe obiekty to: miot�a - jej kierunek u�ycia, pr�dko�� i cz�stotliwo�� przeci�gni��; wiadro - ile wody, jej temperatura, rozmiar wiadra; lub odkurzacz - ustawienie mocy, ustawienie dywanu lub twardej posadzki, jej kierunek u�ytkowania i tak dalej. W przeciwie�stwie do tego, jednym z mo�liwych rozwi�za� zorientowanych na agent�w jest sprawienie, by robot wykona� zadanie - na przyk�ad zrobotyzowany odkurzacz (patrz zdj�cie po prawej). W przeciwie�stwie do rozwi�zania obiektowego, robot dzia�a sam, a nie kto� inny. Sam decyduje, gdzie, kiedy i jak to zrobi�. Na ryzyko antropomorfizacji, co jest oczywi�cie maszyn�, mo�emy wzi�� pod uwag� samego robota, kt�ry podejmuje decyzje, takie jak: "Nie musz� tego teraz robi� - zrobi� to jutro"; "Ko�cz� mi si� moce - lepiej si� �aduj� ponownie"; "Pod�oga jest troch� brudna - lepiej j� zmoczy�"; "Utkn��em - lepiej poprosi� o pomoc". W przypadku zadania 2, obiektowe rozwi�zanie polega na tym, aby czynnik ludzki u�ywa� pralki do prania odzie�y. Pralka ma wiele ustawie�, kt�re cz�owiek mo�e wybra�. W wi�kszo�ci przypadk�w dos�ownie nie wie, jak dzia�a pralka - jej dzia�ania s� ukryte przed nim. Po naci�ni�ciu przycisku start (to jest analogicznie do rozpocz�cia wykonywania kodu programu), pozostaje niewiele kontroli nad tym, co dzieje si� p�niej. Obiekt pralki ma metody - na przyk�ad szybki cykl, cykl wirowania i tak dalej. Ma tak�e stan - na przyk�ad czas do zako�czenia, temperatur� i tak dalej. W przeciwie�stwie do tego, czynniki ludzkie s� jedynym rozwi�zaniem zorientowanym na agent, dost�pnym obecnie dla tego problemu. W przysz�o�ci, robot domowy mo�e wykona� to zadanie dla ludzi. W tym przypadku z jego perspektywy mo�e podj�� nast�puj�ce decyzje: "teraz zrobi� pranie dla ciebie"; "Ja sam zabior� brudne ubrania"; "Teraz si� do�aduj�". Zwr�� uwag�, �e s�owa "ja" i "mnie" zosta�y wyr�nione kursyw� dla dw�ch powy�szych zada�. Ma to na celu podkre�lenie pierwszoosobowej perspektywy projektowej agenta - podejmuje decyzje z w�asnego osobistego punktu widzenia. Obiekty przeciwnie, s� zaprojektowane z perspektywy trzeciej osoby, b�d�c przywo�ywanymi zewn�trznie - wewn�trznie, nie ma poj�cia "ja". Programowanie i projektowanie obiektowe jest dominuj�cym paradygmatem in�ynierii oprogramowania; kilka g��wnych j�zyk�w programowania obs�uguje obecnie programowanie zorientowane na agent�w. Na przyk�ad Python jest wieloparadygmatem, ale nie obs�uguje programowania zorientowanego na agenta. Obecnie deweloper jest zmuszony ucieka� si� do hybrydowego projektu - za pomoc� platform zorientowanych na agenta zaimplementowanych na platformie zorientowanej obiektowo. R�ne struktury agent�w om�wiono w nast�pnym rozdziale. W mi�dzyczasie przyjrzymy si� r�nym rodzajom agent�w, ich w�a�ciwo�ciom i rodzajom �rodowisk, w kt�rych mog� one istnie�.

Taksonomia autonomicznych agent�w Powszechn� metod� stosowan� w badaniach naukowych jest klasyfikowanie poj�� w taksonomi�. Cz�sto s� one przydatne w tworzeniu struktury u�atwiaj�cej organizacj� tematu dyskusji. Wiele przyk�ad�w mo�na podzieli� na wiele kategorii lub istniej� one mi�dzy granicami dw�ch powi�zanych ze sob� poj��. Dlatego nale�y ostro�nie stosowa� klasyfikacj� taksonomiczn�. Rysunek pokazuje taksonomi� autonomicznych agent�w w oparciu o taksonomi� zaproponowan� przez Franklina i Graessera (1998).

Bior�c pod uwag� powy�sze komentarze na temat ogranicze� klasyfikacji taksonomicznej, nale�y podkre�li�, �e nie jest to ostateczna lub wyczerpuj�ca taksonomia. Dolny wiersz na poprzednim rysunku r�ni si� od taksonomii Franklina i Graessera, kt�ra sk�ada si� tylko z trzech podkategorii w kategorii "Agenci oprogramowania" - s� to "Agenci specyficzni dla zada�", "Agenci rozrywki" i "Wirusy". Te ostatnie nie s� uwzgl�dnione - chocia� wirusy komputerowe s� form� agenta, nie s� dobroczynne (to jest,zwykle szkodliwe) i s� lepiej traktowane jako osobny przedmiot. "Agent specyficzny dla zada�" zosta� rozszerzony w celu dok�adniejszego zbadania poszczeg�lnych zada�, takich jak przetwarzanie j�zyka ludzkiego i zbieranie informacji. Zauwa�, �e ostatni wiersz nie jest w �adnym wypadku wyczerpuj�cy - kolejne kategorie agent�w obejmuj� wirtualnych ludzi, interakcje mi�dzyludzkie, mobilne i wszechobecne czynniki. Inna kategoria agent�w, o kt�rej cz�sto si� m�wi, to "Inteligentni agenci". Niestety, ten termin jest cz�sto nadu�ywany. Cz�sto system jest oznaczony jako inteligentny agent z niewielkim uzasadnieniem, dlaczego jest "inteligentny". Ocena mo�e nast�pnie polega� na pomiarze, jak dobrze agent wykonuje zadania, dla kt�rych zosta� zaprojektowany. To, czy osi�gi s� wystarczaj�ce, aby agent zosta� zaklasyfikowany jako "inteligentny", zale�y od obserwatora, kt�ry obserwuje wykonywane zadanie. Om�wimy teraz ka�dy z typ�w agent�w, aby pom�c w wyja�nieniu definicji. "Real Life Agents" oznacza �ywe zwierz�ta, takie jak ssaki, gady, ryby, ptaki, owady i tak dalej. Franklin i Graesser u�yli terminu "agenci biologiczni" zamiast tej kategorii, ale mo�na to pomyli� z czynnikami biologicznymi, kt�rymi s� toksyny, choroby zaka�ne (takie jak wirusy w prawdziwym �yciu; na przyk�ad Denga Fever i Ebola) i bakterii (takich jak Anthrax i Plague). "Sztuczni agenci �ycia" to agenci, kt�rzy tworz� sztuczn� form� �ycia lub symuluj� prawdziw� istot� �yciow�. Robotyczne mechanizmy mechaniczne (zamiast robot�w programistycznych) s� r�wnie� agentami z punktu widzenia sztucznej inteligencji - na przyk�ad roboty u�ywane do misji Mars Rover, takie jak Spirit i Opportunity, dzia�aj� jako "agenci" dla NASA na Marsie, ale maj� tak�e pewien stopie� autonomii, aby dzia�a� samodzielnie. Agenci oprogramowania, kt�rzy istniej� wy��cznie w �rodowisku wirtualnym lub opartym na oprogramowaniu. Mo�na je podzieli� na wiele r�nych kategorii - na przyk�ad agent�w przetwarzaj�cych j�zyk ludzki, agent�w zbieraj�cych informacje, agent�w posiadaj�cych wiedz�, agent�w, kt�rzy ucz� si� i agent�w przeznaczonych do cel�w rozrywkowych, takich jak u�ywane w grach komputerowych i na specjalne potrzeby efekty w filmach. "Human Agents" naturalnie nale�� do kategorii "Real Life Agents". Murch i Johnson (1999) wskazuj�, �e obecnie ludzie s� agentami, kt�rzy s� najlepsi w wykonywaniu najbardziej z�o�onych zada� na �wiecie i b�d� tak przez jaki� czas. Ludzie agenci o specjalistycznych umiej�tno�ciach (np. biuro podr�y lub agent pi�ki no�nej lub gwiazda filmowa) �wiadcz� us�ugi w imieniu innych ludzi, kt�rzy nie byliby w stanie uzyska� tej us�ugi w inny spos�b, lub kt�rzy nie maj� czas lub umiej�tno�ci, aby zrobi� to samemu. Maj� kontakty, aby �wiadczy� t� us�ug�, maj� dost�p do odpowiednich informacji i cz�sto mog� �wiadczy� t� us�ug� za u�amek koszt�w. Jednak ludzie s� ograniczeni liczb� godzin pracy w tygodniu; w ci�gu 12 godzin mog� pracowa� maksymalnie 84 godziny w tygodniu, a przy tym szybko wypal�! Dlatego istnieje mo�liwo��, aby agenci komputerowi mogli nam przezwyci�y� te ograniczenia. Pr�buj�c sklasyfikowa�, czym jest agent, mo�emy r�wnie� zada� przeciwne pytanie - "Czym nie s� agenci?" Nwana (1996) zauwa�y�, �e Minsky w swojej ksi��ce "Towarzystwo Umys�u" u�y� tego terminu do sformu�owania swojej teorii ludzkiej inteligencji:

…aby wyja�ni� umys�, musimy pokaza�, jak umys�y s� budowane z bezmy�lnych rzeczy, z cz�ci, kt�re s� znacznie mniejsze i prostsze ni� wszystko, co uwa�aliby�my za m�dre …Ale jakie mog�yby by� te prostsze cz�stki -" agenci ", kt�rzy tworz� nasz umys�y? To jest temat naszej ksi��ki… " (Minsky)

Nazwa definiuje agent�w w taki spos�b, �e poj�cie Minsky′ego o agencie nie spe�nia jej kryteri�w. U�ywa trzech minimalnych cech, by wyprowadzi� cztery typy agent�w w oparciu o typologi� pokazan� na poni�szym rysunku : wsp�pracuj�cy agent, wsp�pracuj�cy agent ucz�cy si�, agenci interfejsu i prawdziwi inteligentni agenci. Ta ostatnia rozszerza t� list�, aby uwzgl�dni� trzy dalsze typy: agent�w informacji / Internetu, agent�w reaktywnych i agent�w hybrydowych

Jej definicja m�wi, �e agenci dzia�aj� bardziej na poziomie wiedzy ni� na poziomie symboli i wymagaj� "komunikacji na wysokim poziomie" [jej s��w] (w przeciwie�stwie do "komunikat�w niskiego poziomu" u�ywanych w systemach rozproszonych). Dlatego agenci Minsky′ego, systemy eksperckie, wi�kszo�� opartych na wiedzy aplikacji systemowych i modu�y w aplikacjach rozproszonych nie kwalifikuj� si�. Ani agenci ��wi nie u�ywali j�zyka programowania NetLogo, j�zyka zaprojektowanego po jej opublikowaniu. Termin proto-agent jest cz�sto u�ywany w modelowaniu agent�w i symulacji w celu obj�cia agent�w "ni�szego poziomu", takich jak agenci ��wi w NetLogo, aby odr�ni� je od agent�w, do kt�rych nale��. Slniejsze definicje, takie jak Nwana. P�noc i Macal definiuj� proto-agenta jako jednostk� u�ywan� w modelowaniu i symulacji, kt�ra zachowuje zestaw w�a�ciwo�ci i zachowa�, kt�re nie musz� wykazywa� zachowania uczenia si�. Je�li uzyskaj� oni zdolno�� uczenia si�, staj� si� agentami. Do cel�w tych ksi��ek, zamiast dokonywania arbitralnego rozr�nienia mi�dzy proto-agentem i agenta, uwa�amy, �e wszystkie powy�sze przyk�ady maj� pewien stopie� agresywno�ci zdefiniowany w podrozdziale 2.1. Dlatego u�yjemy terminu agent zamiast raczej proto-agenta, poniewa� w rzeczywisto�ci obecnie nie istnieje �aden system zorientowany na agenta, kt�ry osi�gn�� jeszcze pe�ny zestaw w�a�ciwo�ci zgodnie z definicj� Nwana lub zestaw po��danych w�a�ciwo�ci opisanych bardziej szczeg�owo w nast�pnym dokumencie.

Po��dane w�a�ciwo�ci agent�w

Poj�cie agenta mo�na zdefiniowa�, wyszczeg�lniaj�c po��dane w�a�ciwo�ci, kt�re chcemy wystawia� agentom. Russell i Norvig zidentyfikowali pierwsze cztery w�a�ciwo�ci w tabeli jako kluczowe atrybuty agenta z perspektywy sztucznej inteligencji: autonomi� (dzia�anie we w�asnym imieniu bez interwencji); reaktywno�� (reagowanie na bod�ce); proaktywno�� (bycie proaktywnym); i zdolno�ci spo�eczne (w stanie komunikowa� si� w jaki� spos�b z innymi agentami). Autonomia jest w szczeg�lno�ci wa�n� kluczow� cech� - w rzeczywisto�ci termin "niezale�ni agenci" jest cz�sto u�ywany w literaturze jako synonim system�w zorientowanych na agenta, aby podkre�li� ten punkt. Sze�� w�a�ciwo�ci w Tabeli 2 cz�sto okre�la si� jako nale��ce do s�abego agenta, dodaj�c zdolno�� do wyznaczania cel�w i ci�g�o�ci czasowej jako dwa dalsze kluczowe atrybuty. W�a�ciwo�ci w tabeli 3 s� zwi�zane z silnym poj�ciem �rodka, poniewa� s� to w�a�ciwo�ci zwykle stosowane u ludzi. Taskin i in. wymie� trzy dalsze w�a�ciwo�ci w tabeli , kt�re s� kombinacjami podstawowych w�a�ciwo�ci: koordynacja, umiej�tno�� wsp�pracy i zdolno�� planowania.

W�a�ciwo�� : Opis

Autonomia : Agent sprawuje kontrol� nad w�asnymi dzia�aniami; dzia�a asynchronicznie.

Reaktywno�� : Agent reaguje w odpowiednim czasie na zmiany w �rodowisku i sam decyduje o tym kiedy dzia�a�.

Proaktywno�� : Agent reaguje w najlepszy mo�liwy spos�b na mo�liwe przysz�e dzia�ania, kt�re s� oczekiwane zdarzy�.

Zdolno�ci spo�eczne (Zdolno�� do porozumienia si�) : Agent ma mo�liwo�� komunikowania si� w spos�b z�o�ony z innymi agentami, w tym ludzi, w celu uzyskania informacji lub uzyskania pomocy w osi�ganiu cel�w.

Umiej�tno�� wyznaczania cel�w : Agent ma cel.

Czasowa ci�g�o�� : Agent jest ci�gle dzia�aj�cym procesem.

W�a�ciwo�� : Opis

Mobilno�� : Agent mo�e si� przemieszcza� w swoim otoczeniu.

Adaptacyjno�� : Agent ma zdolno�� uczenia si�. Jest w stanie zmieni� swoje zachowanie na podstawie swojego poprzedniego do�wiadczenia.

�yczliwo�� : Agent wykonuje swoje dzia�ania dla dobra innych.

Racjonalno�� : Agent podejmuje racjonalne, �wiadome decyzje.

Umiej�tno�� wsp�pracy : Agent wykonuje wsp�prac� z innymi agentami lub lud�mi w celu wykonania swoich zada�.

Elastyczno�� : Agent jest w stanie dynamicznie reagowa� na zewn�trzny stan �rodowiska wyb�r w�asnych dzia�a�.

Osobowo�� : Agent ma dobrze zdefiniowan�, wiarygodn� osobowo�� i stan emocjonalny.

Zdolno�ci poznawcze : Agent jest w stanie jednoznacznie uzasadni� w�asne intencje lub stan i plany innych agent�w.

Wszechstronno�� : Agent mo�e mie� wiele bramek jednocze�nie.

Wiarygodno�� : Agent nie b�dzie �wiadomie przekazywa� fa�szywych informacji.

Wytrwa�o�� : Agent b�dzie nieprzerwanie d��y� do realizacji jakiegokolwiek planu.

W�a�ciwo�� : Opis

Koordynacja : Agent ma mo�liwo�� zarz�dzania zasobami, gdy trzeba je rozprowadzi� lub zsynchronizowa�.

Wsp�praca : Agent wykorzystuje protoko�y interakcji poza prostymi dialogami, na przyk�ad negocjacje dotycz�ce znalezienia wsp�lnego stanowiska, rozwi�zywania konflikt�w lub dystrybucji zada�

Umiej�tno�� planowania : Agent ma zdolno�� aktywnego planowania i koordynowania swoich reaktywnych zachowa� w obecno�ci dynamicznego �rodowiska stworzonego przez innych agent�w.

Te definicje s� interesuj�ce z filozoficznego punktu widzenia, ale ich znaczenie jest cz�sto niejasne i nieprecyzyjne. Na przyk�ad, je�li kto� spr�buje sklasyfikowa� istniej�ce systemy agentowe za pomoc� tych etykiet, oka�e si�, �e zadanie jest obarczone trudno�ciami i niesp�jno�ciami. Proste �wiczenie w stosowaniu tych w�a�ciwo�ci w celu klasyfikacji przyk�ad�w system�w zorientowanych na agenta ujawni niekt�re niedoci�gni�cia takiego systemu klasyfikacji. Na przyk�ad Googlebot, robot sieciowy u�ywany przez Google do tworzenia indeksu sieci, ma autonomi� w�a�ciwo�ci, reaktywno��, ci�g�o�� czasowa, mobilno�� i �yczliwo��, ale to, czy przejawia inne w�a�ciwo�ci, jest niejasne - na przyk�ad nie ma w�a�ciwo�ci racjonalno�ci (podejmowane przez ni� �wiadomie decyzje nie s� jego w�asnymi). Dlatego wykazuje zar�wno s�abe, jak i silne w�a�ciwo�ci, ale mo�e by� interpretowany jako nie. Chatbot z drugiej strony wykazuje wszystkie te w�a�ciwo�ci w r�nych mocach. By� mo�e najdziwniejsza z w�a�ciwo�ci jest �yczliwo�ci�. Nie jest jasne, dlaczego jest to niezb�dna w�a�ciwo�� systemu zorientowanego na agenta - wirusy komputerowe wyra�nie nie s� �yczliwe; interakcja pomi�dzy konkuruj�cymi wieloma agentami mo�e r�wnie� nie by� dobroczynna, ale mo�e prowadzi� do stabilno�ci w ca�ym systemie. Ponadto, podstaw� wielu z tych w�a�ciwo�ci jest ukryte za�o�enie, �e agent ma pewien stopie� �wiadomo�ci - na przyk�ad, �e �wiadomie podejmuje racjonalne decyzje, �wiadomie wyznacza cele i planuje je osi�gn��, i �e nie komunikuje �wiadomie informacje i tak dalej. W zwi�zku z tym mo�e nie by� mo�liwe zbudowanie agenta obliczeniowego z tymi w�a�ciwo�ciami bez uprzedniego posiadania zdolno�ci, kt�re posiada cz�owiek z pe�n� �wiadomo�ci�. Drug� wad� jest to, �e s� to atrybuty jako�ciowe, a nie ilo�ciowe. In�ynier wola�by mie� bardziej precyzyjnie zdefiniowane atrybuty - na przyk�ad, co to znaczy, �e agent jest racjonalny? Jednak klasyfikacja ma zalety w tym sensie, �e podkre�la niekt�re z atrybut�w, kt�re mo�emy zaprojektowa� w naszych systemach. Na przyk�ad, mo�emy wykorzysta� w�a�ciwo�ci od 1 do 3 jako punkt wyj�cia do zasugerowania pewnych minimalnych zasad projektowania, kt�re system musi przestrzega�, zanim b�dzie mo�na go zastosowa� uwa�any za system zorientowany na agenta w nast�puj�cy spos�b: System zorientowany na agenta powinien by� zgodny z nast�puj�cymi celami projektowymi agenta - jest autonomiczny; jest reaktywny; jest proaktywny (przynajmniej):

Zasada projektowania 2.1: System zorientowany na agenta powinien by� autonomiczny.

Zasada projektowania 2.2: System zorientowany na agenta powinien by� reaktywny.

Zasada projektowania 2.3: System zorientowany na agenta powinien by� proaktywny

Jednak zamiast i�� dalej i zasugerowa� list� �le zdefiniowanych w�a�ciwo�ci jako definiuj�cych stopnie inteligencji (to znaczy, czy s� s�abe lub silne), te ksi��ki przyjmuj� inne podej�cie ukierunkowane na projekt. W cz�ci 10 opisano r�ne po��dane cele projektowe, aby zapewni� "najsilniejsze" poj�cie agenta: wiedz�, inteligencj�, racjonalno��, samo�wiadomo��, �wiadomo�� i zamy�lenie (tj. Czynnik, kt�ry my�li tak jak my). Zamiast m�wi�, �e sztuczna inteligencja musi mie� te w�a�ciwo�ci, aby mo�na by�o je uzna� za "inteligentne", proponujemy kilka cel�w projektowych - w�a�ciwo�ci, kt�re my, jako projektanci, �yczymy naszemu systemowi. Uwa�amy, �e aby agent m�g� my�le�, musi najpierw zna� �rodowisko, w kt�rym si� znajduje, oraz wiedz� o tym, jak dzia�a� w jego obr�bie, aby utrzyma� przewag� konkurencyjn� (pod wzgl�dem zdolno�ci do przetrwania w por�wnaniu z innymi agentami). Agent musi r�wnie� by� inteligentny, tzn. By� w stanie zrozumie� znaczenie swojej wiedzy, by� w stanie wyci�gn�� dalsze wnioski, aby doda� do swojej wiedzy i dzia�a� w "inteligentny" spos�b, aby zareagowa� na wszystko, co dzieje si� w jego otoczeniu lub cokolwiek mo�e si� wydarzy� (ponownie w celu utrzymania lub poprawy swojej kondycji). Samo�wiadomo��, �wiadomo�� i zamy�lenie odpowiadaj� cechom ludzkim, kt�re wszyscy znamy, ale brakuje nam prawdziwego zrozumienia tego, jak si� one maj� lub tego, w jaki spos�b mo�emy opracowa� sztuczne systemy, kt�re maj� te w�a�ciwo�ci. Te rozdzia�y b�d� stanowi� scenariusz dla wyja�nienia tej opartej na projektach perspektywy sztucznej inteligencji. Pozosta�a cz�� tego rozdzia�u zajmie si� tym, jakie s� �rodowiska i podkre�li ich znaczenie dla projektowania system�w sztucznej inteligencji.

Co to jest �rodowisko?

Mo�emy postrzega� �rodowisko jako wszystko, co otacza agenta, ale kt�re r�ni si� od agenta i jego zachowania. �rodowisko to wszystko na �wiecie, kt�re co otacza agenta, co nie jest cz�ci� samego agenta. W tym miejscu agent "�yje" lub dzia�a i dostarcza agentowi co�, co mo�na wyczu� i gdzie si� przemieszcza. �rodowisko jest analogiczne do �wiata w prawdziwym �yciu, ma pewne jego w�a�ciwo�ci. �rodowisko to nie to samo, co termin "nisza ekologiczna", kt�ry jest u�ywany do opisania, w jaki spos�b organizm lub ludno�� reaguje na dystrybucj� zasob�w i konkurent�w i zale�y nie tylko od tego, gdzie organizm �yje i co go otacza, ale tak�e od tego, co robi. . Odum (1959) u�ywa analogii, �e siedliskiem organizmu jest jego "adres" lub lokalizacja, podczas gdy nisz� jest jego "zaw�d". Na przyk�ad d�b mo�e by� siedliskiem las�w d�bowych - mo�e to by� "D�b, Nowy Las", a tym, co robi d�b, i jak zarabia, reaguj�c na dystrybucj� zasob�w i konkurent�w, jest jego nisza. Zamiast tego wolimy u�ywa� terminu "�rodowisko", poniewa� bardziej odpowiada to poj�ciom znanym w informatyce (takim jak termin "�rodowisko wirtualne" - Ponadto rozr�nienie mi�dzy agentem a jego nisz� ekologiczn� jest zwi�zane z jego zachowaniem, z tym, �e oba s� ze sob� powi�zane, to znaczy nisz�, w kt�rej znajduje si� agent, kt�ry dyktuje jej zachowanie, a jego zachowanie w pewnym stopniu okre�la jego nisz�. Z drugiej strony, �rodowisko jest wyra�nie odr�nialne od agenta, jako wszystko w bezpo�rednim �wiecie lub w �rodowisku agenta, kt�ry nie jest cz�ci� samego agenta. Chcieliby�my r�wnie� przyj�� perspektyw� projektowania z perspektywy pierwszoosobowej, aby bezpo�rednio opisa� zachowanie agenta w oparciu o punkt widzenia samego agenta, w przeciwie�stwie do perspektywy obserwatora z perspektywy trzeciej osoby. Innymi s�owy, chcemy zaprojektowa� zachowanie jako funkcj� samego agenta, poniewa� oddzia�uje on na swoje otoczenie (kt�re mo�e zawiera� inne czynniki), a nie musi go projektowa� w odniesieniu do swojej niszy. �rodowisko mo�e mie� r�ne atrybuty od punkt widzenia agenta. S� one wymienione w kolejno�ci rosn�cej z�o�ono�ci w tabeli:

Obserwowalne i cz�ciowo obserwowalne. Agenta mo�na uzna� za agenta tylko wtedy, gdy ma on zdolno�� obserwowania swojego �rodowiska (i odwrotnie, samo �rodowisko musi by� zatem mo�liwe do zaobserwowania). W niekt�rych przypadkach, zazwyczaj w prostych �rodowiskach lub �rodowiskach generowanych przez oprogramowanie, ca�e �rodowisko mo�e by� obserwowalne. Jednak �rodowisko mo�e by� tylko cz�ciowo obserwowalne.

Deterministyczne, stochastyczne i strategiczne. W pe�ni deterministyczne �rodowisko to takie, w kt�rym ka�dy przysz�y stan �rodowiska mo�e by� ca�kowicie okre�lony z poprzedniego stanu i dzia�a� agenta. �rodowisko jest stochastyczne, je�li wyst�puje jaki� element niepewno�ci lub wp�yw zewn�trzny. Zwr�� uwag�, �e je�li deterministyczne �rodowisko jest tylko cz�ciowo obserwowalne dla agenta, to wygl�da na stochastyczne z punktu widzenia agenta. �rodowisko strategiczne jest w pe�ni zdeterminowane przez stan poprzedzaj�cy w po��czeniu z dzia�aniami wielu agent�w.

Epizodyczne i sekwencyjne. �rodowisko zada� jest epizodyczne, je�li ka�de zadanie agenta nie opiera si� na wcze�niejszej wydajno�ci lub nie mo�e wp�ywa� na przysz�e wyniki. Je�li nie, to jest sekwencyjne. Statyczny i dynamiczny. �rodowisko statyczne si� nie zmienia. W dynamicznym �rodowisku, je�li agent nie reaguje na zmian�, jest to uwa�ane za wyb�r, aby nie robi� nic.

Dyskretne i ci�g�e. Dyskretne �rodowisko ma sko�czon� liczb� mo�liwych stan�w, podczas gdy liczba stan�w w ci�g�ym �rodowisku jest niesko�czona.

Pojedynczy agent i wiele agent�w . �rodowisko z wieloma agentami, agent dzia�aj�cy wsp�lnie lub konkurencyjnie z innym agentem. Je�li tak nie jest, to z perspektywy agenta, inni agenci mog� by� postrzegani jako cz�� rodowiska, kt�re zachowuje si� stochastycznie.

Analogia otoczenia podobnego do �wiata, w kt�rym �yjemy, jest cz�sto po�rednio stosowana, gdy termin "�rodowisko" jest u�ywany w szczeg�lno�ci w informatyce i sztucznej inteligencji. Agent mo�e eksplorowa�, zagubi� si� i mapowa� �rodowisko wirtualnego komputera tak samo, jak cz�owiek w �rodowisku realnym - zdolno�� obserwacji / odczuwania i poruszania si� po �rodowisku s� kluczowymi w�a�ciwo�ciami obu. Jednak �rodowiska komputer�w wirtualnych nie musz� by� ograniczone do interpretacji geograficznej, w kt�rej fizyczna lokalizacja jest zwi�zana z okre�lon� pozycj� w �rodowisku. Fizyk� �rodowiska wirtualnego mo�na zmieni� tak, aby pasowa�a do cel�w projektanta. Na przyk�ad awatar (komputerowo generowany agent reprezentuj�cy operatora) mo�e lata� w wirtualnych �rodowiskach, takich jak Second Life, aw niekt�rych grach komputerowych awatary i boty mog� si� teleportowa�, z kt�rych oba s� niemo�liwe dla ludzi w prawdziwym �yciu. Alternatywnie �rodowisko mo�e by� reprezentacj� czego�, co mo�e nie by� �atwo lub wygodnie reprezentowane geograficznie, na przyk�ad w sieci komputerowej, Internecie, a nawet w sieci londy�skiego metra. �rodowisko mo�e by� r�wnie� symulacj� rzeczywistego �rodowiska, w kt�rym celem jest mo�liwie dok�adne symulowanie wybranych rzeczywistych w�a�ciwo�ci fizycznych. Problem z symulowanymi �rodowiskami jest jednak taki, �e cz�sto trudno jest osi�gn�� realizm w symulacji, poniewa� symulacja mo�e odbiega� od rzeczywisto�ci w nieprzewidywalny spos�b.

�rodowiska jako przestrzenie n-wymiarowe

Istnieje wiele przypadk�w, w kt�rych mo�emy chcie� reprezentowa� �rodowisko, kt�re w og�le nie ma odpowiednika geograficznego, takie jak zbi�r dokument�w tekstowych w systemie wyszukiwania informacji lub dane w bazie danych, w kt�rym to przypadku abstrakcyjna reprezentacja �rodowiska jest wymagany. W takim przypadku dokumenty tekstowe lub wiersz w tabeli bazy danych mog� by� reprezentowane przez krotki odpowiadaj�ce punktom w przestrzeni n-wymiarowej, przy czym ka�dy wymiar reprezentuje jeden okre�lony atrybut (gdzie n oznacza ca�kowit� liczb� atrybut�w u�ytych we wszystkich krotki, kt�re s� wykre�lane w przestrzeni). Na przyk�ad, nast�puj�ce dwie krotki, A i B, mog� by� reprezentowane w tr�jwymiarowej przestrzeni, jak pokazano na rysunku poni�ej, poniewa� istniej� trzy atrybuty - gra, gracz i wzrost:

Krotko A: (gra: "Rugby", gracz: "Jonah Lomu", wzrost: 196)

Tuple B: (gra: "Rugby", gracz: "David Kirk", wzrost: 173)

Na osi "Gracz", "DK" oznacza miejsce reprezentuj�ce "David Kirk"; podobnie "JL" oznacza "Jonah Lomu". Na osi "Gry", "Rugby" oznacza miejsce reprezentuj�ce gr� w rugby. O� "Wysoko��" jest ci�g�ym wymiarem przedstawiaj�cym wzrost w centymetrach ≥ 0. Pozosta�e dwa wymiary s� dyskretne. Dwa punkty reprezentuj�ce krotki A i B s� oznaczone czerwonymi krzy�ami. N-wymiarowa przestrze�, jak ilustruje to prosty przyk�ad, mo�e by� wyra�nie uznana za �rodowisko: istnieje przestrze�, kt�r� mo�na bada� i mapowa�, gdzie obiekty takie jak krotki A i B mog� mie� lokalizacje; ruch z jednej lokalizacji do drugiej mo�e mie� znaczenie i by� wykre�lany za pomoc� �cie�ki; a lokalizacje mog� by� uwa�ane za bliskie lub odleg�e od siebie. W rzeczywisto�ci wszystkie �rodowiska mo�na �atwo przedstawi� jako przestrze� n-wymiarow� - poruszamy si� w �rodowisku rzeczywistego �wiata, kt�re mo�e by� reprezentowane w 3D - d�ugo��, wysoko�� i szeroko��. Potrzebne s� dalsze wymiary, aby opisa� atrybuty obiekt�w i agent�w, kt�re mo�na znale�� w lokalizacjach w rzeczywistym �rodowisku 3D - ale zasadniczo te atrybuty mo�na po prostu uzna� za dalsze wymiary w przestrzeni n-wymiarowej. Jako kolejny przyk�ad mo�emy spojrze� na wi�kszy zestaw danych, taki jak wymieniony w tabeli 2.8. Tabela zawiera zestaw krotek zawieraj�cych informacje o graczach rugby z Nowej Zelandii, zwanych All Blacks. Dane s� 5-wymiarowe, poniewa� ka�da krotka (wiersz w tabeli) zawiera pi�� atrybut�w dotycz�cych ka�dego gracza - pozycj�, w kt�rej graj�, ich nazw�, wysoko�� w cm, wag� w kg i rok, w kt�rym po raz pierwszy grali All Blacks

Wizualizacja danych n-wymiarowych mo�e cz�sto by� trudna, nawet je�li liczba wymiar�w jest stosunkowo niewielka - wi�kszo�� danych rzeczywistych jest jednak zwykle wysoce wielowymiarowa. Je�li u�ywamy kartezja�skiego uk�adu wsp�rz�dnych, w�wczas jednym z rozwi�za�, do kt�rych mo�emy si� odwo�a�, jest u�ycie wielu wykres�w (jak pokazano na lewym wykresie poni�ej). Alternatywnym rozwi�zaniem jest u�ycie r�wnoleg�ego uk�adu wsp�rz�dnych, w kt�rym osie s� umieszczone r�wnolegle do siebie, a pojedyncza krotka jest narysowana jako polilinia, kt�ra ��czy punkty na ka�dej osi, kt�re reprezentuj� ka�d� warto�� atrybutu. Dlatego krotka w tym �rodowisku jest reprezentowana jako linia, a nie jako pojedynczy punkt (jak pokazano na prawym wykresie rysunku)

Obydwa systemy wsp�rz�dnych do wizualizacji danych n-wymiarowych maj� swoje wady i zalety, co wida� na wykresach pokazanych na powy�szym rysunku. Na przyk�ad, wszystkie wykresy s� przydatne do pokazywania tendencji i podkre�laj�cych w�a�ciwo�ci danych, takich jak obro�cy All Blacks, kt�rzy maj� tendencj� do bycia kr�tszymi ni� blokuj�cy. Niemniej jednak, wsp�rz�dne kartezja�skie maj� tendencj� do ograniczania ilo�ci informacji, kt�re mo�na przekaza� (na przyk�ad dodanie nazw na lewych dzia�kach spowodowa�oby znaczny ba�agan). Podobnie, r�wnoleg�y wykres wsp�rz�dnych po prawej stronie jest ograniczony do okre�lonej kolejno�ci, w kt�rej wybrane s� osie r�wnoleg�e, a zatem mo�e by� trudniej wykry� konkretny trend, je�li dwie okre�lone osie s� od siebie oddalone. Ma jednak t� zalet�, �e u�atwia do��czanie danych dla wszystkich wymiar�w na tym samym wykresie. Wykresy pokazane na rysunku belo zosta�y utworzone przy u�yciu NetLogo. Ten j�zyk b�dzie opisany bardziej szczeg�owo p�niej. Celem pokazania tego jest podkre�lenie powi�zania mi�dzy danymi, informacjami i otoczeniem, a tak�e podkre�lenie, �e istniej� r�ne sposoby wizualizacji informacji. Fabu�y sk�adaj� si� z szeregu punkt�w i �cie�ek i mog� by� uwa�ane za mapy, kt�re w pewien spos�b reprezentuj� aspekty �rodowiska realnego �wiata (jak mapa topograficzna stara si� reprezentowa� rzeczywisty �wiat, jak mo�na to zobaczy� w system nawigacji samochodowej, lub u�ywa� podczas w�dr�wek lub orientacji). Punkty, �cie�ki i ich relacje (takie jak blisko�� i daleko��) i mapy, s� wa�nymi poj�ciami dla �rodowisk i ich wizualizacji i b�d� u�ywane jako podstawowe wzorce projektowe w pr�bkach kodu w innych miejscach i mog� by� uwa�ane za analogiczne do ich topograficznych odpowiednik�w w prawdziwe �ycie. Mo�emy zdefiniowa� punkt jako lokalizacj� w �rodowisku lub w przestrzeni n-wymiarowej. �cie�k� mo�na zdefiniowa� jako jeden z mo�liwych sposob�w, w jaki agent mo�e porusza� si� mi�dzy dwoma lub wi�cej punktami. Mapa jest schematyczn� reprezentacj� �rodowiska lub przestrzeni n-wymiarowej. B�d� one stanowi� podstawowe elementy konstrukcyjne, kt�re wykorzystamy w kolejnych rozdzia�ach, aby zademonstrowa� r�ne aspekty projektowania zorientowanego na agenta dla sztucznej inteligencji. Mo�emy r�wnie� uwa�a� punkty, �cie�ki i mapy za analogiczne do tych samych termin�w u�ywanych w topologii matematycznej.

Wirtualne �rodowiska

Wirtualne �rodowiska to immersyjne �wiaty online, kt�re ludzie u�ywaj� odwiedzaj�c i modyfikuj�c awatary, lub mog� by� �wiatami generowanymi komputerowo, takimi jak te przedstawione w grach komputerowych lub w symulacjach (na przyk�ad do symulacji medycznych lub wojskowych). Inne nazwy obejmuj� "wirtualne �wiaty", "zespo�owe wirtualne �rodowiska" (CVE), "wirtualne �rodowiska dla wielu u�ytkownik�w" (MUVE) i "masowo wieloosobow� gr� online" (MMOG). "Wirtualna wycieczka" to komputerowo wygenerowana trasa, kt�ra zapewnia wra�enia ruchu w ogl�danej przestrzeni. Istnieje wiele praktycznych zastosowa� wirtualnego zwiedzania w takich sektorach, jak: biznes, edukacja, architektura, nauka, medycyna, robotyka, wojsko, sztuka, rozrywka i sport. Wirtualne �rodowiska s� skonfigurowane do r�nych cel�w, takich jak:

• komercyjne - na przyk�ad Second Life (http://www.secondlife.com), kt�re ma w pe�ni konfigurowalne awatary oraz wbudowany j�zyk skryptowy i budowlany, w kt�rym u�ytkownicy wytwarzaj� i sprzedaj� produkty rzeczywiste;

• edukacja - na przyk�ad Forterra Systems (http://www.forterrainc.com) z domenami takimi jak szkolenia w zakresie e-learningu, szkolenia wojskowego i bezpiecze�stwa wewn�trznego oraz opieka zdrowotna;

• spo�eczny - na przyk�ad Kaneva (http://www.kaneva.com), kt�ry ��czy �rodowisko wirtualne z sieciami spo�eczno�ciowymi;

• rozrywka - na przyk�ad gry komputerowe takie jak Everquest i World of Warcraft (http://everquest.station.sony.com/ i http://www.worldofwarcraft.com/index.xml);

• sport - na przyk�ad wirtualna orientacja (http://www.catchingfeatures.com);

• symulacja - w sytuacjach, w kt�rych testowanie w prawdziwym �yciu mo�e by� zbyt kosztowne lub niebezpieczne, takie jak szkolenie w locie, operacje medyczne i wojskowe gry wojenne. Mog� r�wnie� mie� r�nych odbiorc�w docelowych, takich jak:

• wojskowe - takie jak na gry wojenne i szkolenie w zakresie bezpiecze�stwa wewn�trznego;

• akademicki - do cel�w edukacyjnych;

• architektura - do wirtualnego przegl�dania �rodowiska zbudowanego;

• doro�li - na przyk�ad Second Life i The Sims Online (http://www.thesimsonline.com);

• nastolatki - na przyk�ad Barbie Girls (http://www.barbiegirls.com), �wiat o tematyce Barbie gdzie dziewcz�ta kupuj� mod�, graj� muzyk�, czatuj�, projektuj� pokoje i graj� w gry; i

• dzieci - na przyk�ad Neopets (http://www.neopets.com), w kt�rym dzieci graj� w gry, towarzysko i kupuj� rzeczy dla zwierz�t domowych. Wdra�anie �rodowisk wirtualnych mo�na podzieli� na nast�puj�ce trzy pozycje:

1. Pseudo-realistyczny;

2. Fotorealistyczne;

3. Nierealne.

Pseudo-realistyczne �rodowiska wirtualne s� najbardziej rozpowszechnione. S� one renderowane w ca�o�ci przez komputer i cz�sto nie maj� odpowiednika w rzeczywisto�ci. Niekt�re przyk�ady przedstawiono na rysunku.

Zrzut ekranu pokazany w lewym g�rnym rogu, utworzony za pomoc� silnika gry, pokazuje wyrafinowanie pod wzgl�dem szczeg��w. W prawym g�rnym rogu ekranu znajduje si� zrzut ekranu z gry symulacyjnej sport�w biegowych o nazwie Catching Features. Innym miejscem, w kt�rym znajduj� si� �rodowiska wirtualne, s� wirtualne �wiaty 3D, takie jak Second Life zaprojektowane przez Linden Lab i stworzone przez jego mieszka�c�w (jak pokazano na dw�ch dolnych zrzutach ekranu). To s� ludzie, kt�rzy odwiedzaj� wirtualny �wiat za pomoc� awatar�w, kt�re sami wybrali. Pseudo-realistyczne �rodowiska s� ograniczone jedynie przez wyobra�ni� projektanta (-�w) �rodowiska i wysi�ek, kt�ry w�o�y� w ich tworzenie. Wymagaj� znacznego czasu, aby stworzy� realizm, kt�ry odzwierciedla rzeczywisty realizm, poniewa� cz�sto bardzo potrzebny jest niezwykle szczeg�owy szczeg�, aby stworzy� wiarygodne, pseudo-realistyczne �rodowisko wirtualne. Jedn� z metod stosowanych w celu unikni�cia tego wysi�ku jest powielanie wsp�lnych obiekt�w, ale mo�e to umniejsza� realizm i wiarygodno��. By� mo�e najcz�stsze przyk�ady pseudo-realistycznych �rodowisk znajduj� si� w nowoczesnych grach komputerowych. Coraz cz�ciej s� one r�wnie� u�ywane do replikowania rzeczywistych �rodowisk. Na przyk�ad mog� by� wykorzystane do zapewnienia wirtualnego widoku �cie�ki dydaktycznej. Wymaga�oby to jednak znacznego wysi�ku, aby dok�adnie przedstawi� wszystkie drzewa i ro�liny, kt�re mo�na zobaczy� na szlaku, aby uzyska� fotorealistyczne wyniki (tj. �ci�le pasuj�ce do tego, co jest widoczne w rzeczywisto�ci) i zazwyczaj taki realizm nie jest wymagany w takich zastosowaniach. Inne aplikacje mog� wymaga� dok�adnego odtworzenia rzeczywistych scen, takich jak �ledztwa kryminalne lub symulacja przetarg�w, w kt�rych nale�y wcze�niej okre�li� linie ognia. Fotorealistycznie renderowane �rodowiska wirtualne stanowi� alternatyw�, w kt�rej konieczne jest dok�adne powielenie rzeczywistego �rodowiska. Rzeczywi�cie, d�ugoterminowym celem grafiki komputerowej jest uzyskiwanie fotorealistycznych rezultat�w przy u�yciu pseudo-realistycznych technik. Jedn� z metod jest wykorzystanie statycznych panoram perspektywicznych, kt�re zapewniaj� widok 360 � �rodowiska, i s� one cz�sto u�ywane w Internecie, aby umo�liwi� u�ytkownikowi zobaczenie, jak scena mo�e wygl�da� w rzeczywisto�ci. Czasami te statyczne reprezentacje sta�oprzecinkowe s� ze sob� po��czone, aby zapewni� wirtualn� wycieczk�, ale w wi�kszo�ci przypadk�w zdolno�� dynamicznego poruszania si� po wszystkich cz�ciach sceny z wielu punkt�w nie jest mo�liwa. Mo�liwo�� przej�cia z jednej panoramy do nast�pnej w okre�lony spos�b ogranicza u�ytkownika i cz�sto trudno jest zorientowa� si�, gdzie on si� porusza w stosunku do miejsca, z kt�rego si� wywodzi. Zasadniczo wirtualna trasa to zbi�r niezale�nych punkt�w widzenia, wzd�u� wcze�niej ustalonej �cie�ki, a panoramy s� niezale�nie od siebie zale�ne od kontekstu. Opr�cz zwykle k�opotliwego interfejsu, panoramy mog� by� kosztowne w stworzeniu, wymagaj�c specjalistycznego sprz�tu z ekstremalnym obiektywem szerokok�tnym lub soczewk� typu "rybie oko". Alternatyw� jest u�ycie specjalistycznego oprogramowania do ��czenia wielu nak�adaj�cych si� obraz�w w celu utworzenia panoramicznego widoku. Jednak proces ten jest zwi�zany z b��dem, poniewa� zwykle nak�adaj�ce si� obrazy nie pasuj� do siebie, gdzie zachodz� na siebie z powodu r�nych k�t�w ,obrazy s� pobierane z r�nych �wiate�. Google Street View, jak wida� w Mapach Google i Google Earth, to alternatywne podej�cie wy�wietlaj�ce obrazy scen z kamer zamontowanych na flocie samochod�w. Umo�liwia u�ytkownikom wy�wietlanie cz�ci wybranych miast na poziomie gruntu i zapewnia panoramiczne widoki na poziomie ulicy w poziomie 360 � i 290 � w pionie. U�ytkownicy mog� porusza� si� po scenie za pomoc� klikni�� myszy i klawiszy strza�ek na klawiaturze, a obrazy mo�na wy�wietla� w r�nych rozmiarach, w dowolnym kierunku i pod r�nymi k�tami. Wy�wietlane s� r�wnie� linie wskazuj�ce kierunek, w kt�rym samoch�d z kamery widoku ulicy zosta� zarejestrowany podczas robienia zdj��. Chocia� te fotorealistyczne �rodowiska s� najbli�sze nam do dok�adnych reprezentacji otaczaj�cego nas �wiata, nie zapewniaj� mechanizmu oprogramowania do �atwego okre�lania tego, co jest faktycznie przedstawione w samym �rodowisku wirtualnym, na przyk�ad w miejscu, w kt�rym znajduj� si� obiekty, kt�re mo�na zobaczy�. wzajemny szacunek. Dlatego te typy �rodowisk wirtualnych maj� ograniczon� warto��, gdy rozwa�a si� zadanie opracowania inteligentnych agent�w, kt�re mog� wykrywa�, porusza� si� i wchodzi� w interakcje wewn�trz niego, chyba �e �rodowisko zostanie wzbogacone o dodatkowe informacje o tym, co w nim zawarte. Trudno�� z dostarczeniem tych dodatkowych informacji jest jednak r�wnowa�na ze z�o�ono�ci� w tworzeniu pseudorealistycznej kopii �rodowiska rzeczywistego. Trzeci� metod� jest renderowanie �rodowisk w spos�b inny ni� fotorealistyczny, na przyk�ad w postaci rycin, szkic�w lub krajobraz�w przypominaj�cych kresk�wki. Obiekty s� renderowane przy u�yciu uproszczonej reprezentacji szczeg��w, koncentruj�c si� raczej na stylu ni� na realizmie, a szczeg�y s� pomijane lub podkre�lane w celu skuteczniejszego przekazywania informacji. Cz�sto �rodowisko budowane jest z samych kontur�w obiekt�w za pomoc� stylizowanych tekstur. W zwi�zku z tym mo�liwe s� szybkie algorytmy renderowania i bardzo du�a liczba klatek na sekund�, kt�ra umo�liwia bardzo p�ynny ruch, umo�liwiaj�c nawigacj� w �rodowisku przy du�ych pr�dko�ciach. Jednak zar�wno w �rodowisku pseudo-realistycznym, jak i fotorealistycznym, nale�y do�o�y� stara�, aby zaprojektowa� �rodowiska o wystarczaj�cej z�o�ono�ci, aby mogli istnie� inteligentni agenci.

Jak mo�emy opracowa� i przetestowa� system sztucznej inteligencji?

Podczas budowania dowolnego systemu in�ynier musi zmierzy� si� z pytaniem, jak najlepiej oceni� jego efektywno��. Je�li in�ynierowie zignoruj� faz� ewaluacji, mog� pope�ni� te same b��dy, kt�re pope�nili wcze�ni badacze AI, gdy cz�sto pomijali pe�n� ocen� swojego systemu. (Cz�sto jest to pomy�ka r�wnie� z obecnymi systemami AI). Ocena to co� wi�cej ni� testowanie systemu, aby sprawdzi�, czy dzia�a poprawnie. Testowanie jest niezb�dnym krokiem w procesie in�ynierii oprogramowania, kt�rego nie nale�y pomija�. Jednak�e ocena idzie dalej i analizuje wyniki uzyskane przez system i por�wnuje wyniki z wynikami uzyskanymi przez inne systemy. Bez tej analizy niemo�liwe jest stwierdzenie, czy dokonano prawdziwego post�pu. To znaczy, czy nast�pi�y ulepszenia w dowolnych kryteriach u�ywanych do oceny system�w lub czy cele projektowe zosta�y osi�gni�te. Jak zatem mo�emy opracowa� i oceni� system sztucznej inteligencji? Jednym ze sposob�w jest stworzenie wirtualnego �rodowiska o tak du�ej szczeg�owo�ci i z�o�ono�ci, jakie ma rzeczywisty �wiat, w odr�nieniu od �rodowisk, kt�re oprogramowanie Catching Features jest w stanie stworzy�, i posiada fizycznie wbudowan� sztuczn� inteligencj�. S� dwie zalety:

1. �rodowisko jest generowane komputerowo. Oznacza to, �e komputer ju� wie wszystko na ten temat, poniewa� zosta� ju� wygenerowany i istniej� struktury danych, kt�re reprezentuj� ka�dy jego aspekt. W prawdziwym sensie mo�emy starannie pomin�� kwesti� reprezentacji wiedzy (jak przedstawi� wiedz� o fizycznych aspektach �rodowisko), kt�re s� opisane p�niej.

2. Je�li wizualizuje si� �rodowisko wirtualne, zar�wno cz�owiek, jak i sztuczna inteligencja mog� wsp�dzia�a� ze sob� w tym samym �rodowisku. Mo�e to by� przydatne, je�li chcemy wzi�� t� rol� nauczycieli do nauczania agent�w sztucznej inteligencji, aby pom�c im w poznawaniu �wiata i jak najlepiej z nim wsp�pracowa�. Rola nauczyciela mo�e by� niekonkurencyjna - bardziej jako �yczliwego nauczyciela, kt�ry nadzoruje proces uczenia si� - lub mo�e by� konkurencyjna, tak jak w symulacji orientacji, gdzie celem jest doprowadzenie do tego, aby agent komputerowy odtworzy� zachowanie ludzkich graczy i osi�gn�� ten sam poziom wydajno�ci, a mo�e nawet go przekroczy�. Je�li to drugie jest mo�liwe, agent komputerowy mo�e przej�� rol� nauczyciela lub pom�c graczom w osi�gni�ciu lepszych wynik�w (mo�e si� to zdarzy� po prostu cz�owiekowi, kt�ry pr�buje konkurowa� na tym samym poziomie co agenci komputerowi).

Podsumowanie i dyskusja

Projektowanie zorientowane na agenta stanowi alternatyw� dla bardziej znanego projektowania obiektowego podczas budowania system�w komputerowych. Podczas projektowania mo�emy konceptualizowa� systemy komputerowe za pomoc� analogii agent�w istniej�cych w �rodowisku. Ta charakterystyka pozwala nam skoncentrowa� nasz projekt na konkretnych po��danych w�a�ciwo�ciach, takich jak autonomia (agenci w systemie musz� podejmowa� w�asne decyzje), reaktywno�� (reaguj� na zdarzenia zachodz�ce w �rodowisku) i proaktywno�� (reaguj� na prawdopodobne przysz�e zdarzenia) . Agenci nie istniej� poza swoim �rodowiskiem. �rodowisko ma zasadnicze znaczenie w okre�laniu zachowania agenta. Z�o�ono�� systemu zorientowanego na agenta wynika nie tylko z interakcji agent�w z innymi agentami, ale r�wnie� z interakcji mi�dzy agentami a �rodowiskiem. Wirtualne �rodowiska s� doskona�ym �rodkiem do testowania system�w sztucznej inteligencji. Podsumowanie wa�nych poj��, kt�re nale�y wyci�gn�� z tej sekcji, pokazano poni�ej:

• Agenci s� autonomiczni, reaktywni i proaktywni.

• �rodki maj� r�wnie� inne w�a�ciwo�ci, kt�re okre�laj�, czy s� one s�abymi lub silnymi �rodkami.

• Agenci podejmuj� decyzj� o tym, co robi�, podczas gdy obiekty s� wywo�ywane zewn�trznie.

• Agent�w nie mo�na rozpatrywa� niezale�nie od ich otoczenia.

• �rodowiska, zar�wno rzeczywiste, jak i abstrakcyjne, mog� by� reprezentowane jako przestrzenie n-wymiarowe.

• Wirtualne �rodowiska mog� by� wykorzystywane do testowania system�w sztucznej inteligencji

Struktura dla Agent�w i �rodowisk

NetLogo to programowalne �rodowisko modelowania do symulacji zjawisk naturalnych i spo�ecznych ... NetLogo szczeg�lnie dobrze nadaje si� do modelowania z�o�onych system�w rozwijaj�cych si� w czasie. Modele mog� wydawa� polecenia setkom lub tysi�com "agent�w", kt�rzy dzia�aj� niezale�nie. Dzi�ki temu mo�na zbada� zwi�zek mi�dzy zachowaniem na poziomie mikro poszczeg�lnych os�b a wzorcami na poziomie makro, kt�re wynikaj� z interakcji wielu os�b. Uri Wilensky, 1999.[tw�rca NetLogo]

Architektury i ramy dla agent�w i �rodowisk

Je�li mamy budowa� systemy zorientowane na agent�w, potrzebujemy platformy komputerowej i niekt�rych framework�w programowych, na kt�rych mo�na je zbudowa�. Kiedy m�wimy o platformach i frameworkach, u�ywamy analogii konstrukcji, kt�ra wi��e si� z koncepcj� stworzenia systemu komputerowego z budowaniem w prawdziwym �yciu. S�owa takie jak "architektura", "struktura", "platforma", "zestaw narz�dzi" i "struktura" s� u�ywane w celu zwr�cenia uwagi na le��c� u podstaw analogi� konstrukcyjn�. Ich precyzyjne znaczenie jest trudne do okre�lenia, poniewa� terminy s� cz�sto u�ywane zamiennie ze wzgl�du na ukryt� podstawow� analogi�. Mo�emy odnie�� si� do architektury systemu zorientowanego na agenta jako og�lnego projektu koncepcyjnego i struktury operacyjnej systemu. Celem struktury jest uproszczenie projektowania systemu poprzez zapewnienie wy�szego poziomu abstrakcji niezb�dnych komponent�w i funkcji systemu, tak aby mniej czasu po�wi�cano na szczeg�y ni�szego poziomu niezb�dne do uruchomienia systemu. Platforma jest platform� sprz�tow� lub programow�, kt�ra umo�liwia uruchamianie oprogramowania. Nale�� do nich architektura, system operacyjny, j�zyki programowania, biblioteki uruchomieniowe i graficzne interfejsy u�ytkownika. W tej cz�ci om�wimy r�ne struktury dost�pne dla system�w zorientowanych na agent�w budowlanych. Takie struktury maj� r�ne problemy projektowe, kt�re nale�y pokona�, takie jak ("Software Agent", 2008): planowanie, synchronizacja i ustalanie priorytet�w zada� agenta; wsp�praca mi�dzy agentami; przydzia� zasob�w i rekrutacja; powt�rne tworzenie instancji agent�w w r�nych �rodowiskach; przechowywanie stan�w wewn�trznych agent�w; badanie �rodowiska; przesy�anie wiadomo�ci i komunikacja; interakcja agent-�rodowisko w obliczu zmieniaj�cego si�, dynamicznego �rodowiska; i taksonomia agenta - kt�ra hierarchia jest odpowiednia dla zadania, np. Agenci wykonywania zada�, agenci planowania, dostawcy zasob�w i tak dalej.

Standardy dla technologii opartych na agentach

Kolejn� wa�n� kwesti� jest standaryzacja. Je�li mamy na przyk�ad opracowa� autonomiczne agenty z mo�liwo�ci� komunikowania si� ze sob�, wa�ne jest, aby zgodzi� si� na zestaw standard�w dotycz�cych sposobu komunikacji. FIPA (dla Fundacji na rzecz inteligentnych agent�w fizycznych) jest organizacj� normalizacyjn� IEEE Computer Society zajmuj�c� si� technologi� opart� na agentach i jej interoperacyjno�ci� z innymi technologiami (FIPA, 2008). Specyfikacje FIPA stanowi� zbi�r standard�w, kt�rych celem jest promowanie wsp�dzia�ania heterogenicznych agent�w i us�ug, kt�re reprezentuj�. W 2002 r. FIPA zako�czy�a standaryzacj� podzbioru 25 wszystkich specyfikacji.

Podzbi�r oraz pe�ny zestaw specyfikacji obejmuje r�ne kategorie, takie jak: komunikacja z agentem; transport agent�w; zarz�dzanie agentami; abstrakcyjna architektura; i aplikacje. Podstawowe specyfikacje FIPA dotycz� komunikacji agent�w, kt�ra definiuje j�zyk zwany ACL (dla j�zyka komunikacji agenta). Zajmuje si� komunikatami komunikacyjnymi, protoko�ami wymiany wiadomo�ci mi�dzy agentami i reprezentacjami tre�ci wiadomo�ci. Specyfikacje s� dobrze dostosowane do aplikacji agent�w, w kt�rych komunikacja jest wa�na i coraz cz�ciej, wiele architektur i struktur agenta staje si� teraz zgodna z FIPA. Komunikacja jest jednak tylko jednym aspektem inteligencji, a specyfikacje pomijaj� wa�ne kwestie agenta, takie jak uciele�nienie i usytuowanie - cechy, kt�re zosta�y zidentyfikowane w Cz�ci 1 (i rozwini�te w Cz�ci 5), jako wa�ne dla inteligencji. Na przyk�ad zaskakuj�ce jest to, �e nie ma osobnej kategorii w specyfikacjach dla �rodowiska i jak agenci s� w stanie wyczu� i porusza� si� w nich. Dlatego te specyfikacje maj� mniejsze znaczenie w zastosowaniach, w kt�rych wiarygodna interakcja ze �rodowiskiem jest kluczowa - na przyk�ad w animacji komputerowej, grach komputerowych oraz symulacji i modelowaniu �rodowiska.

J�zyki programowania zorientowane na agenta

Jednym z bezpo�rednich problem�w dla system�w zorientowanych na agent�w jest znalezienie odpowiedniej platformy j�zyka programowania. Obecnie stosunkowo niewiele j�zyk�w programowania ma wbudowane wsparcie dla programowania zorientowanego na agent�w i nie ma w pe�ni zorientowanego na agenta g��wnego j�zyka programowania. Zaproponowano r�ne j�zyki programowania zorientowane na agenta, takie jak:

• 3APL na wdra�anie czynnik�w poznawczych i kontrol� na wysokim poziomie robot�w kognitywnych z przekonaniami, obserwacjami, dzia�aniami, celami, komunikacj� i zasadami rozumowania

• AgentSpeak, pozwala na zapisywanie i interpretowanie program�w agent�w BDI (dla wierze�, pragnie� i intencji) w ramach ograniczonego programu logicznego pierwszego rz�du ze zdarzeniami i dzia�aniami, i mo�e by� postrzegany jako uproszczony j�zyk tekstowy Systemu Reakcji Proceduralnej (PRS) oraz system rozproszenia rozproszonego dla wielu agent�w (dMARS) . Jason jest t�umaczem open-source dla AgentSpeak napisanym w Javie, kt�ry pozwala programistom budowa� systemy wieloagentowe w z�o�onych �rodowiskach.

• SPADES, system oprogramowania po�redniego do tworzenia symulacji opartych na agentach.

• SPLAW, oparty na KQML, standardowym j�zyku komunikacji mi�dzy agentami.

• STAPLE, na podstawie teorii wsp�lnej zamiaru

Ta lista nie jest wyczerpuj�ca. Jego celem jest zilustrowanie r�norodno�ci opracowanych rozwi�za�. Rysunek przedstawia schematyczn� klasyfikacj� wybranych platform i j�zyk�w do modelowania opartych na agentach.

Klasyfikacja na diagramie dzieli modelowanie oparte na agentach na trzy kategorie - symulacja ukierunkowana na agenta, j�zyki zorientowane na agenta i modelowanie kognitywne. Pierwsza kategoria obejmuje j�zyki, kt�re ��cz� modelowanie agent�w z symulacj�. W pozosta�ych sekcjach tej cz�ci przyjrzymy si� konkretnemu przyk�adowi w tej kategorii - NetLogo. Wed�ug Zhanga, Lewisa i Sierhuusa, zalet� Netlogo jest to, �e ma ma�� krzyw� uczenia si� dla pocz�tkuj�cego programisty, �atwo jest debugowa�, i zapewnia �atwy dost�p do podstawowej wizualizacji, poniewa� zosta� "zaprojektowany z my�l� o niedo�wiadczonym programi�cie". Kolejn� zalet� jest to, �e programy NetLogo s� bardzo kompaktowe i �atwe do odczytania, a zatem w razie potrzeby s� znacznie �atwiejsze do konwersji na inne j�zyki programowania. Oczywist� cech� rysunku jest przewaga wyst�pie� w drugiej kategorii, z bardzo nielicznymi w trzeciej kategorii. Jak wspomniano powy�ej, nie ma jeszcze j�zyka programowania zorientowanego na agenta g��wnego nurtu w pos�b, w jaki C, Java i Python sta�y si� g��wnym nurtem. By� mo�e ich powszechnym b��dem jest taki sam b��d, jaki ma Prolog - zbyt du�y nacisk na oparty na logice paradygmat - kt�ry mo�e by� trudny do zrozumienia i debugowania dla pocz�tkuj�cych programist�w. Na przyk�ad Huget umie�ci� desiderat� dla zorientowanego na agenta j�zyka programowania, kt�ry zawiera funkcje do obs�ugi logiki (takie jak BDI dla racjonalnych agent�w); ale wymieni� tak�e inne po��dane cechy, takie jak: wiedza i komunikacja; definicje organizacji i �rodowisk; abstrakcja w celu unikni�cia z�o�ono�ci w projektowaniu; zgodno�� z normami; umiej�tno�� mieszania formalizm�w takich jak automaty i sieci Petriego; oraz architektura sterowana zdarzeniami (u�ywana przez czynniki reaktywne, kt�re reaguj� na zdarzenia w momencie ich wyst�pienia). Mimo �e j�zyki oparte na logice s� interesuj�ce i same w sobie s� pot�ne, nie pasuj� one do tego, co programi�ci lubi� robi� najlepiej - uzyskuj�c u�yteczne rzeczy, aby dobrze dzia�a�y przy minimalnym zamieszaniu. Zamiast opracowywa� zupe�nie nowy j�zyk programowania zorientowany na agenta, alternatywnym podej�ciem jest opracowanie systemu hybrydowego w j�zyku programowania, kt�ry nie jest zorientowany na agenta. Jak stwierdzono, wi�kszo�� j�zyk�w programowania nie obs�uguje programowania zorientowanego na agenta. Typowym rozwi�zaniem jest opracowanie struktury agenta w obiektowym j�zyku programowania, poniewa� jest to obecnie dominuj�cy paradygmat programowania w modzie. Opracowano wiele framework�w agent�w, a wi�kszo�� koncentruje si� na kwestiach zwi�zanych z rozumowaniem przy u�yciu rozwi�zania opartego na logice (takiego jak BDI), a tak�e innych mo�liwo�ciach, takich jak komunikacja agent-agent, zwykle przy u�yciu standardowego j�zyka komunikacji KQML . Jak wygl�da�aby obiektowa struktura agent�w? Obiekty mog� by� u�ywane do reprezentowania agent�w w systemie lub aplikacji, takich jak agenci planowania, agenci interfejsu u�ytkownika, agenci wyszukiwania i tak dalej. Agenci zorientowani obiektowo s� definiowane za pomoc� klasy ("AgentClass" lub "RootAgentClass"), a wszyscy agenci maj� r�ne wsp�lne cechy, takie jak nazwa lub identyfikator, inne globalne atrybuty oraz podstawowy zestaw protoko��w komunikacyjnych i obs�ugi b��d�w. Podklasy s�u�� do definiowania bardziej konkretnych typ�w agent�w - na przyk�ad "TextSearchAgent" - kt�re b�d� mia�y okre�lone atrybuty i protoko�y. Ka�dy obiektowy agent ma atrybuty, kt�re definiuj� stan agenta i operacje / metody definiuj�ce zachowanie agenta Jakie s� zalety rozwoju agent�w wykorzystuj�cych technologie obiektowe? Knapik i Johnson wymieniaj� te same korzy�ci, kt�re wynikaj� z paradygmatu programowania obiektowego: kod wielokrotnego u�ytku; zmniejszone koszty rozwoju agent�w; elastyczna struktura projektu agenta; �atwo�� konserwacji; rozci�gliwo��; wyrozumia�o��; obs�uga po��czonych hierarchii agent�w i domen; wiedza systemowa jest wewn�trzna; oraz �atwo dost�pne �rodowisko programistyczne do modelowania i symulacji. Rosn�ca liczba obiektowych struktur agent�w zosta�a opracowana przy u�yciu j�zyka Java. (NetLogo jest r�wnie� zaimplementowany w Javie). Java oferuje obiektowe rozwi�zanie, kt�re jest ju� zintegrowane z uniwersalnym klientem - przegl�darkami sieciowymi - i obs�uguje takie pakiety, jak java.net, kt�re mog� by� u�ywane przez agent�w do uzyskiwania dost�pu i wydobywania informacji ze stron internetowych. Java ma olbrzymi potencja� jako j�zyk programowania agenta ze wzgl�du na jego szerokie zastosowanie w sieci. Podobnie Python jest innym j�zykiem, kt�ry jest coraz cz�ciej u�ywany w sieci i ma wsparcie dla paradygmatu programowania obiektowego, ale do tej pory opracowano dla niego mniej framework�w ni� Java. Om�wimy teraz kilka innych framework�w agenta. Ponownie, celem nie jest wyczerpuj�ce i udokumentowanie dost�pnych struktur, poniewa� jest ich zbyt wiele. Celem jest przede wszystkim zilustrowanie r�norodno�ci mo�liwych rozwi�za� i podkre�lenie, �e �adne pojedyncze rozwi�zanie nie uchwyci�o wyobra�ni i zainteresowa� programist�w na ca�ym �wiecie, aby sta� si� g��wnym nurtem. W Javie aplety i servelety mo�na uzna� za nieco podobne do agent�w. Aplety migruj� z serwera do klienta, wi�c wykonaj je na kliencie, a tym samym zwalniaj serwer, a wi�c wykorzystaj pewien stopie� mobilno�ci, co jest wa�n� cech� agent�w. Serwlety Java pozwalaj� r�wnie� u�ytkownikom przesy�a� do sieci program wykonywalny, dzi�ki czemu u�ytkownik lub aplikacja kliencka mo�e uruchomi� agenta dzia�aj�cego na serwletach w celu wyszukiwania informacji w sieci lub automatycznego reagowania lub okresowych aktualizacji. Aglety IBM (dla agile agent�w) to platforma agenta Java dla urz�dze� mobilnych, kt�ra dodaje do Javy dodatkowe funkcje, kt�re s� szczeg�lnie ukierunkowane na zadania agenta. Pierwotnie opracowany w IBM Tokio Research Laboratory, technologia Aglets jest teraz hostowana na sourceforge.net. Aglet jest agentem Java zdolnym do autonomicznego i spontanicznego przechodzenia z jednego hosta na drugi w�druj�c po Internecie. Dost�pna jest kompletna platforma agenta Java Mobile wraz z autonomicznym serwerem o nazwie Tahiti, a tak�e biblioteka umo�liwiaj�ca programistom tworzenie agent�w mobilnych lub umieszczanie kodu agletowego w aplikacji. Aglety mog� by� zatrzymywane, pakowane wraz z ich bie��cym stanem w innym obiekcie wysy�anym do innego �rodowiska, i ich wykonanie jest wznawiane. Java API ma r�ne klasy, takie jak: klasa Aglet, streszczenie klasy, kt�ra jest u�ywana do definiowania aglet�w; AgletContext, kt�ry jest interfejsem, kt�rego u�ywa aglet, aby zdoby� wiedz� o swoim �rodowisku; AgletProxy, kt�ra jest klas�, kt�ra hermetyzuje prawdziw� plam�, chroni�c przed bezpo�rednim dost�pem do publicznego interfejsu programu; AgletIdentifier, kt�ry jest klas�, kt�ra ustawia unikalny identyfikator dla agletu; klasa Itinerary reprezentuje tras� do plan�w podr�y dla agletu; oraz klasa Message, kt�ra umo�liwia komunikacj� mi�dzy agentami.

JADE (dla Java Agent DEvelopment Framework) to kolejna platforma w pe�ni zaimplementowana w Javie i jest wolnym oprogramowaniem dystrybuowanym przez Telecom Italia. Wspiera rozw�j system�w wieloagentowych zgodnych ze specyfikacjami FIPA. Dost�pne s� narz�dzia graficzne, kt�re wspomagaj� fazy debugowania i wdra�ania, a zdalny interfejs GUI mo�e by� u�ywany do kontrolowania konfiguracji agenta, kt�ra mo�e by� dystrybuowana mi�dzy komputerami i kt�ra mo�e by� zmieniana w czasie wykonywania poprzez przenoszenie agent�w z jednego komputera na drugi.

LEAP (dla Light Extensible Agent Platform) jest rozszerzeniem JADE, kt�re pozwala na zgodno�� z FIPA ,platform� o zmniejszonym zasi�gu zgodna z mobilnymi �rodowiskami Java do uruchamiania na urz�dzeniach bezprzewodowych i urz�dzeniach PDA, takich jak telefony kom�rkowe i komputery przeno�ne. WADE (Workflows and Agents Development Environment) to rozszerzenie JADE, kt�re umo�liwia agentom wykonywanie zada� zdefiniowanych zgodnie z metafor� przep�ywu pracy.

Przep�yw pracy WADE to klasa Java o dobrze zdefiniowanej strukturze, kt�ra umo�liwia programistom zdefiniowanie procesu pod wzgl�dem wykonywanych czynno�ci, ich aktywacji i kryteri�w zako�czenia oraz relacji mi�dzy nimi. Mo�na poda� dalsze informacje, takie jak uczestnicy przep�ywu pracy, narz�dzia programowe, kt�re b�d� wywo�ywane, wymagane dane wej�ciowe i oczekiwane wyniki oraz dane wewn�trzne, kt�re zostan� zmanipulowane podczas wykonywania. Zalet� podej�cia opartego na przep�ywie pracy jest to, �e wszystkie etapy wykonania oraz ich sekwencjonowanie s� jawne. WADE zawiera platform� programistyczn� o nazwie WOLF, kt�ra jest wtyczk� Eclipse.

Symulacja ukierunkowana na agenta w NetLogo

NetLogo u�ywa podej�cia, kt�re r�ni si� od klasycznego podej�cia opartego na logice, z kt�rego zazwyczaj korzystaj� j�zyki programowania i frameworki zorientowane na agenta. Obrazuje si�� podej�cia zorientowanego na agent�w w rozwi�zywaniu problem�w w nietradycyjny spos�b i ma potencja� przezwyci�enia niekt�rych barier w rozwoju przydatnych system�w wieloagentowych. NetLogo, zaprojektowany po raz pierwszy przez Uri Wilensky′ego w 1999 r., Jest wieloplatformowym, programowanym, programowalnym �rodowiskiem modelowania pod ci�g�ym rozwojem w CCL (Center for Connected Learning and Computer-Based Modeling) na Northwestern University. NetLogo mo�e s�u�y� do szybkiego prototypowania symulacji zjawisk naturalnych i spo�ecznych. Opiera si� na wcze�niejszym j�zyku zorientowanym na grafik� o nazwie Logo, opracowanym przez Seymoura Paperta w latach 60. XX wieku i odr�nia si� od bardziej tradycyjnych, zorientowanych na agenta j�zyk�w programowania, poniewa� nie obs�uguje formalizm�w opartych na logice. NetLogo przyjmuje architektur� opart� na zdarzeniach, w kt�rej agenci o prostych reakcjach reaktywnych mog� uzyska� zadziwiaj�co z�o�one symulacje, mimo �e znajduj� si� w ograniczonym dwuwymiarowym (2D) �rodowisku sieciowym (obecnie opracowywana jest wersja ze �rodowiskiem siatki 3D). NetLogo opisuje �rodowisko, kt�rego u�ywa do wizualizacji swoich symulacji jako "�wiata" (innymi s�owy, czyni analogi� mi�dzy swoim �rodowiskiem a rzeczywistym �wiatem). Ten �wiat sk�ada si� z "agent�w" wykonuj�cych czynno�ci wed�ug instrukcji okre�lonych metodami zaprogramowanymi w j�zyku programowania NetLogo. Te dzia�ania s� przeprowadzane jednocze�nie dla wszystkich agent�w na �wiecie. NetLogo ma cztery typy agent�w: ��wie, �aty, linki i obserwatora. ��wie to agenci, kt�rzy poruszaj� si� i wchodz� w interakcje ze �wiatem. Pow�d, dla kt�rego nazywane s� ��wiem, zosta� odziedziczony z j�zyka programowania Logo - analogia do wyobra�onego robota, kt�ry ma zdolno�� poruszania si� i podnoszenia lub upuszczania wirtualnego, kolorowego d�ugopisu, kt�ry ma na plecach na p��tnie do rysowania. Siatka 2D sk�ada si� r�wnie� z �at, kt�re s� kwadratowymi kawa�kami ziemi, przez kt�re ��wie mog� si� przesuwa� i porusza� (patrz prawe okienko na rysunku poni�ej). Linki to agenci ��cz�cy dwa ��wie. Obserwator patrzy na �wiat ��wi i �at, ale nie ma okre�lonej lokalizacji (w pewnym sensie nie jest uciele�niony jak inni agenci)

NetLogo zawiera bogaty zestaw przyk�adowych "modeli" (lub program�w) symuluj�cych zjawiska naturalne lub spo�eczne w wielu dziedzinach, takich jak: sztuka, biologia, chemia i fizyka, informatyka, nauka o ziemi, matematyka i nauki spo�eczne . Na przyk�ad model Predatora owcy i wilka bada stabilno�� ekosystem�w drapie�nik�w-ofiar. W symulacji wyst�puj� dwa typy ras (r�ne rodzaje ��wi) - wilki i owce, a tak�e �aty traw. Wilki jedz� owce, a owce jedz� traw�. W zale�no�ci od warunk�w pocz�tkowych (liczba wilk�w, liczba owiec, wska�niki reprodukcji wilk�w i owiec, ile energii uzyskuj� z jedzenia, gdzie s� losowo umieszczone w �rodowisku, i czas ponownego wzrostu trawy), Symulacja spowoduje niestabilny system, w kt�rym albo wilki albo oba wilki i owce wygin�, lub to spowoduje stabilny system, w kt�rym b�dzie d��y� do utrzymania si� pomimo waha� wielko�ci populacji w czasie. Zrzut ekranu modelu pokazano na rysunku powy�ej. Kod NetLogo jest bardzo czytelny i kompaktowy. Poni�ej znajduje si� kod procedury g��wnej go, kt�ra okre�la, co si� dzieje, gdy uruchomiona jest symulacja Wolf Sheep.

to go
if not any? turtles [ stop ]
ask sheep [
move
if grass? [
set energy energy � 1 ;; odejmij energi� dla owiec tylko wtedy, gdy
;; prze��cznik trawy jest w��czony
eat-grass
]
reproduce-sheep
death
]
ask wolves [
move
set energy energy - 1 ;; wilki trac� energi� podczas ruchu
catch-sheep
reproduce-wolves
death
]
if grass? [ ask patches [ grow-grass ] ]
tick
update-plot
display-labels
end

Polecenie ask s�u�y do okre�lania zachowania agent�w ��wia, poprawek i link�w. W powy�szym kodzie zachowanie owiec najpierw si� porusza, potem je traw�, rozmna�a si� i umiera. Zachowanie wilk�w polega na poruszaniu si�, chwytaniu owiec (i jedzeniu), reprodukcji, a nast�pnie umieraniu. Wiele r�norodnych modeli, kt�re pojawiaj� si� w NetLogo, pokazuje, �e zorientowany na agent�w paradygmat programowania, kt�ry stosuje, jest zdolny do modelowania zaskakuj�cego zakresu zjawisk w nieskomplikowany spos�b. Na przyk�ad na poni�szym rysunku pokazano model nowotworu, kt�ry symuluje wzrost guza i jego odporno�� na leczenie chemiczne. Guz sk�ada si� z dw�ch rodzaj�w kom�rek: kom�rek macierzystych reprezentowanych przez niebieskie �rodki ��wia; i kom�rki przej�ciowe reprezentowane przez wszystkie inne ��wie. Rysunek ilustruje, w jaki spos�b kom�rka rozwija si� w odleg�e miejsca i jak tworzy kolejn� koloni� nowotworow�, proces zwany przerzutami pokazano na czerwono.

NetLogo to doskona�e narz�dzie do zilustrowania zasady, �e z�o�ono�� mo�e wynika� z interakcji agent�w, kt�rzy indywidualnie stosuj� proste zachowania reaktywne, ale zbiorowo wykazuj� du�o wi�cej - to znaczy, �e system jako ca�o�� jest wi�kszy ni� suma jego cz�ci.

�rodowisko programistyczne NetLogo

Czytelnik powinien zapozna� si� z dokumentacj� do��czon� do �rodowiska programistycznego NetLogo. B�dziesz musia� si� do tego cz�sto odwo�ywa�, je�li chcesz tworzy� w�asne programy. Po uruchomieniu aplikacji NetLogo wybierz menu Pomoc, a nast�pnie wybierz "Podr�cznik u�ytkownika NetLogo". Mo�esz wykona� nast�puj�ce samouczki, aby dowiedzie� si� wi�cej o NetLogo:

• Sample Model: Party
• Tutorial #1: Models
• Tutorial #2: Commands
• Tutorial #3: Procedures

W przypadku odniesie� j�zykowych dost�pne s� nast�puj�ce opcje:

• Interface Guide
• Programming Guide
• Transition Guide
• NetLogo Dictionary

Przewodnik po interfejsie zawiera podsumowanie interfejsu u�ytkownika NetLogo i spos�b poruszania si� po nim. Wi�kszo�� interfejsu u�ytkownika jest do�� oczywista, wi�c nie b�dziemy tutaj powtarza� tego materia�u. Je�li masz trudno�ci ze znalezieniem rzeczy w interfejsie u�ytkownika, to jest to miejsce, w kt�rym mo�na znale�� informacje o menu u�ytkownika i dost�pne opcje u�ytkownika. By� mo�e najbardziej u�yteczn� rzecz�, kt�r� nale�y wiedzie� na temat interfejsu u�ytkownika, jest za�adowanie biblioteki modeli i wybranie konkretnego modelu. W menu kart� Plik wybierz "Biblioteka modeli", a to za�aduje du�� bibliotek� modeli podzielonych na r�ne obszary tematyczne, takie jak Sztuka, Biologia, Informatyka, Chemia i Fizyka i tak dalej. Aby zapozna� si� z interfejsem, wybierz obszar tematyczny Biologia, a nast�pnie wybierz model Termity. Po klikni�ciu przycisku Ustawienia na ekranie powinny pojawi� si� nast�puj�ce elementy:

Zwr�� uwag� na trzy przyciski menu u g�ry - Interfejs, Informacje i Procedury. Po wybraniu przycisku Interfejs otrzymasz interfejs do programu i wizualizacj� bie��cego stanu �rodowiska NetLogo (zwykle 2D), jak pokazano na powy�szym rysunku. B�dzie si� to r�ni� w zale�no�ci od aktualnie wykonywanego modelu lub aplikacji. Zwykle jest przycisk konfiguracji, aby ustawi� pocz�tkowy stan �rodowiska, i przycisk Go, aby rozpocz�� symulacj�. Czasami mo�na poda� przycisk jednorazowego uruchomienia - spowoduje to wykonanie modelu przez pojedynczy krok symulacji lub zaznaczenie. W innych przypadkach pojawi si� przycisk "na zawsze", kt�ry b�dzie wykonywa� model w niesko�czono��. Te elementy interfejsu mo�na doda�, klikaj�c menu przycisku i wybieraj�c spo�r�d wielu element�w, takich jak przyciski, suwaki i wybieracze:

R�ne z tych element�w interfejsu definiuj� zmienne globalne lub wymagaj� okre�lonego polecenia (tj. Procedury) gdzie� zdefiniowanego w programie. Na przyk�ad przycisk go wymaga zdefiniowania w kodzie polecenia o nazwie go, ale etykieta wy�wietlana na przycisku mo�e zosta� w razie potrzeby zast�piona. Przycisk Information prze��czy si� na ekran, na kt�rym wy�wietlane s� informacje o modelu dostarczonym przez programist�. Przycisk Procedure prze��czy si� w tryb ekranu, w kt�rym wy�wietlany jest kod NetLogo modelu i kt�ry mo�na edytowa�. W przypadku modelu Termites dwa pierwsze polecenia okre�laj� kod, kt�ry ma zosta� wykonany po klikni�ciu przycisku setup i go:

to setup
clear-all
set-default-shape turtles "bug"
;; losowo rozprowadza� zr�bki
ask patches
[ if random-float 100 < density
[ set pcolor yellow ] ]
;; losowo rozmieszczaj termity
create-turtles number [
set color white
setxy random-xcor random-ycor
set size 5 ;; easier to see
]
end
to go ;; procedura ��wia
search-for-chip
find-new-pile
put-down-chip
end

NetLogo jest bardzo zwi�z�y i �atwy do odczytania. Procedura instalacji losowo rozprowadza wi�ry i termity (widziana jako ��te �atki i bia�e ikony ant-podobne odpowiednio w �rodowisku po klikni�ciu przycisku instalacji). Procedura go wykonuje trzy dalsze procedury - szukanie wi�r�w drewnianych, znajdowanie nowego stosu i uk�adanie zr�bk�w - kt�re definiuj� zachowanie wszystkich czynnik�w termit�w na ka�dym kleszczu. Kod dla tych trzech procedur mo�na znale�� w pozosta�ej cz�ci kodu do��czonego do modelu. Przewodnik programowania zawiera podsumowanie kluczowych element�w j�zyka programowania NetLogo. Zapewnia przegl�d wa�nych funkcji j�zyka i mo�e by� u�ytecznym �r�d�em dla przyk�ad�w programowania. Warto czyta�, zw�aszcza gdy zaczynasz od j�zyka. Jednak s�ownik NetLogo to miejsce, w kt�rym programi�ci NetLogo sp�dzaj� wi�kszo�� czasu i zawieraj� linki do wszystkich polece� dost�pnych w tym j�zyku. Przewodnik "Transition Guide" opisuje wcze�niejsze wersje NetLogo i to, co zmieni�o si� w ostatnich wersjach, wi�c jest mniej korzystne dla kogo� ucz�cego si� programowania w NetLogo.

Agenci i �rodowiska w NetLogo

Spojrzymy teraz na spos�b implementacji agent�w i �rodowisk w NetLogo. Technicznie rzecz bior�c, ��wie wdro�one w NetLogo mo�na by sklasyfikowa� jako "proto-agent�w", a nie pe�nowymiarowych "agent�w", poniewa� nie s� one autonomiczne i nie maj� wyra�nych mo�liwo�ci wykrywania (musz� one by� zaprogramowane) , chocia� maj� charakterystyczne zachowanie w ograniczonym sensie i znajduj� si� w prymitywnym �rodowisku 2D. Jednak uznamy, �e rozr�nienie proto-agent / agent jest arbitralne i wolimy zamiast tego odnosi� si� do ��wi jako agent�w, tak jak s� one opisane w dokumentacji NetLogo, a tak�e dlatego, �e maj� one potencja� projektowy w celu uzyskania bardziej z�o�onych w�a�ciwo�ci agenta, je�li s� zaprogramowane w bardziej wyrafinowany spos�b, taki jak u�ycie nici dla ka�dego ��wia i / lub zapewnienie ��wiom wi�kszych mo�liwo�ci wykrywania. Jednym ze sposob�w my�lenia o nich jest zestaw wst�pnie zaprogramowanych "robot�w" oprogramowania, nad kt�rymi sprawujemy kontrol� nad programist�. Mo�emy jawnie zaprogramowa� zestaw instrukcji lub polece�, kt�re kontroluj� to, co robi�, gdy s� wykonywane, wi�c nie ma nic naprawd� odmiennego od standardowego podej�cia obiektowego. Pot�ga NetLogo wynika jednak z �atwo�ci, z jak� umo�liwia jednoczesne tworzenie i wykonywanie wielu agent�w (w wielu przypadkach setek lub nawet tysi�cy). Jak stwierdzono, w NetLogo istniej� cztery typy agent�w:

1. ��wie
2. �aty
3. powi�zani
4. obserwatorzy

Agenci ��wi to agenci, kt�rzy znajduj� si� w �rodowisku i poruszaj� si� w nim. �rodowisko 2D sk�ada si� z siatki �at, nad kt�rymi mog� si� porusza� agenci. U�ywaj�c analogii ze �rodowiskiem reallife, mo�emy pomy�le�, �e �aty s� kwadratowymi kawa�kami ziemi u�o�onymi w wz�r siatki przypominaj�cy bloki na Manhattanie. Agenci powi�zani ��cz� ze sob� dw�ch agent�w ��wia. Agent obserwuj�cy to pojedynczy agent, kt�ry nadzoruje (lub "obserwuje") �rodowisko i agent�w, ale nie ma okre�lonej lokalizacji, takiej jak pozosta�e trzy typy agent�w. W NetLogo zestaw agent�w nazywa si� agentsetem. J�zyk ma bogaty zestaw polece�, kt�re pozwalaj� nam �atwo ustawi� atrybuty dla ca�ego zestawu agent�w (takich jak ich kolor, jak w poni�szym przyk�adzie kodu NetLogo). Wbudowane zmienne ��wie, �atki i linki utrzymuj� zestawy wszystkich ��wi, �atek i ��cz� agent�w, kt�re obecnie istniej� w �rodowisku. Deweloper ma tak�e mo�liwo�� zdefiniowania agent�w ��wi i ��cznik�w jako nowych ras agent�w. Na przyk�ad poni�sze polecenie definiuje dwie rasy agent�w, lis�w i kr�lik�w:

breed [foxes fox]
breed [rabbits rabbit]
turtles-own [age gender]

Polecenie z ��wiami okre�la, �e wszystkie ��wie (w tym lisy i kr�liki) posiadaj� atrybuty wiek i p�e�. Atrybuty zwi�zane z okre�lon� ras� mo�na zdefiniowa� za pomoc� komendy specyficznej dla rasy - na przyk�ad, lisy-w�asne i kr�liki-w�asne staj� si� prawowitymi komendami, kt�re mog� by� u�yte w programie po zdefiniowaniu powy�szych polece� rasy. Nowi ��wi i agenci ��cznik�w mog� by� stworzeni za pomoc� polecenia create-turtles lub przez polecenia specyficzne dla rasy, takie jak create-foxes i create-rabbit. Poni�szy kod tworzy 100 lis�w i 1000 kr�lik�w w losowych lokalizacjach w �rodowisku NetLogo, wszystkie w wieku zerowym, ale z przypadkow� p�ci�:

breed [foxes fox]
breed [rabbits rabbit]
turtles-own [age gender]
to setup
clear-all ;; clear everything
create-foxes 100 [
set age 0
set size 2
set color brown
ifelse random 2 = 0
[set gender "Male"]
[set gender "Female"]
setxy random-xcor random-ycor
]
create-rabbits 1000 [
set age 0
set size 2
set color white
ifelse random 2 = 0
[set gender "Male"]
[set gender "Female"]
setxy random-xcor random-ycor
]
end

Zrzut ekranu przedstawiaj�cy wynikowe �rodowisko pokazano na rysunku

Poni�szy kod dostarcza kolejnego przyk�adu, jak zdefiniowa� ras� agenta ��wia zwan� all-blacks z czterema atrybutami - name, pos, weight, height i debut - i zainicjowa� te atrybuty za pomoc� wyboru dostarczonych danych

breed [all-blacks all-black]
all-blacks-own [name pos weight height debut]
to initialise-all-blacks
create-all-blacks 1 [set name "Sid Going" set pos "Half-back"
set weight 81 set height 170 set debut 1967]
create-all-blacks 1 [set name "David Kirk" set pos "Half-back"
set weight 73 set height 173 set debut 1983]
create-all-blacks 1 [set name "Justin Marshall" set pos "Half-back"
set weight 95 set height 179 set debut 1995]
create-all-blacks 1 [set name "Piri Weepu" set pos "Half-back"
set weight 94 set height 178 set debut 2004]
create-all-blacks 1 [set name "Grant Batty" set pos "Winger"
set weight 70 set height 165 set debut 1972]
create-all-blacks 1 [set name "John Kirwan" set pos "Winger"
set weight 97 set height 191 set debut 1984]
create-all-blacks 1 [set name "Jonah Lomu" set pos "Winger"
set weight 119 set height 196 set debut 1994]
create-all-blacks 1 [set name "Doug Howlett" set pos "Winger"
set weight 93 set height 185 set debut 2000]
create-all-blacks 1 [set name "Joe Rokocoko" set pos "Winger"
set weight 98 set height 189 set debut 2003]
end

Atrybuty agent�w mo�na �atwo zmieni�. Na przyk�ad mo�na zmieni� t�o, ustawiaj�c kolor �aty dla wszystkich poprawek na bia�y (zamiast domy�lnej czerni) w nast�puj�cy spos�b:

ask patches
[set pcolor white] ;; make background full of white patches

Niekt�re wbudowane atrybuty poprawek s� wsp�rz�dnymi okre�lonymi przez pxcor i pycor, a tak�e ich kolorowymi kolorami. Podobnie, ��wie i linki maj� wbudowane zmienne xcor, ycor i color. Zauwa�, �e chocia� agenci �aty nie mog� porusza� si� jak agenci ��wia, �atki maj� zdefiniowane przez u�ytkownika atrybuty, a tak�e maj� zdolno�� do kie�kowania agent�w (analogia mo�e dotyczy� nowych kr�lik�w wychodz�cych z dziury w ziemi). Z tego powodu �aty s� uwa�ane za rodzaj agenta, kt�ry jest statyczny (pozostaje w jednym miejscu), a nie dynamiczny (ma zdolno�� poruszania si� jak robi� to ��wie). Zwr�� te� uwag�, �e rozmiar �atek mo�na zmieni�. Programista mo�e zmieni� rozmiar, klikaj�c przycisk Ustawienia na ekranie interfejsu. Pojawi si� lista ustawie� modelu, kt�re okre�laj� rozmiar (w liczbie poprawek) �rodowiska i jego uk�adu wsp�rz�dnych, czy �rodowisko owija si� poziomo i / lub pionowo, rozmiar poprawki w pikselach, kszta�ty ��wia, rozmiar czcionki dla etykiet na agentach i to, czy licznik jest widoczny, czy nie. Jako kolejny przyk�ad, poni�szy kod rysuje zewn�trzn� cz�� pustego labiryntu 2D, kt�ry jest wy�rodkowany na wsp�rz�dnych (0,0) i ma wej�cie na �rodku dna labiryntu i wyj�cie w �rodkowym szczycie. Kod wykorzystuje pi�� globalnych zmiennych - lewych kolc�w, prawych kolejek, g�rnych wierszy, dolnych i wej�ciowych - kt�re okre�laj� liczb� kolumn (poziome �atki) po lewej i prawej stronie linii x = 0, liczb� rz�dy (pionowe �atki) powy�ej i poni�ej linii y = 0 oraz szeroko�� w �atach wej�cia. Warto�ci tych zmiennych mo�na zmieni� na ekranie Interfejsu, jak pokazano na rysunku

; Empty Maze Demo
;
; Demo Pustego Labiryntu
;
; Rysuje pusty labirynt z wej�ciem na �rodkowym dole i wyj�ciem
; na �rodku g�ry
; ustaw pusty labirynt na (0,0)
to setup-empty-maze
ca ;; clear everything
ask patches
[
set pcolor white ;; zr�b t�o pe�ne bia�ych �at
if (pxcor >= (- left-cols - entrance-cols) and
pxcor <= (- entrance-cols) and pycor = (- below-rows))
[set pcolor blue] ;; rysuje doln� lew� poziom� �cian� na niebiesko
if (pxcor >= (entrance-cols) and
pxcor <= (right-cols + entrance-cols) and pycor = (- below-rows))
[set pcolor blue] ;; rysuje doln� praw� poziom� �cian� na niebiesko
if (pxcor >= (- left-cols - entrance-cols) and
pxcor <= (- entrance-cols) and pycor = (above-rows))
[set pcolor blue] ;; rysuje lew� g�rn� poziom� �cian� na niebiesko
if (pxcor >= (entrance-cols) and
pxcor <= (right-cols + entrance-cols) and pycor = (above-rows))
[set pcolor blue] ;; rysuje lew� g�rn� poziom� �cian� na niebiesko
if (pxcor = (- left-cols - entrance-cols) and
pycor >= (- below-rows) and pycor <= (above-rows))
[set pcolor blue] ;; rysuje lew� pionow� �cian� na niebiesko
if (pxcor = (right-cols + entrance-cols) and
pycor >= (- below-rows) and pycor <= (above-rows))
[set pcolor blue] ;; rysuje praw� pionow� �cian� na niebiesko
]
end

Dane wyj�ciowe generowane przez program przedstawiono na rysunku powy�ej. Ustawienia to max-pxcor 50, maxpycor 50 i Patch size 3

Rysowanie labirynt�w za pomoc� Agent�w �aty NetLogo

"Labirynt to celowo myl�ca seria �cie�ek lub przej�� prowadz�cych do okre�lonego punktu i zaprojektowana tak, aby �ycie by�o trudne, z du�� ilo�ci� fa�szywych wi�r�w, �lepych zau�k�w i pu�apek. Labirynty s� bardzo stare - w mitologii greckiej Minotaur zosta� uwi�ziony w labiryncie - i nadal mo�na go znale�� w ogrodach wielkich dom�w, takich jak s�ynny labirynt w Hampton Court Palace".Juliet i Charles Snape, The Fantastic Book Book. Labirynt �ywop�otu w Chevening House, Anglia, ok. 1820, by� jednym z pierwszych �wiadomie zaprojektowanych, by zapewni� bardziej z�o�on� �amig��wk� i udaremni� zasad� "r�k na �cianie" do rozwi�zywania labirynt�w. Rysowanie labirynt�w wymaga zazwyczaj wi�cej wysi�ku ni� proste kod podany w NetLogo Code do rysowania pustego labiryntu. Cytat na g�rze tego rozdzia�u odnosi si� do Labiryntu Pa�acu Hampton Court, s�ynnego labiryntu ogrodowego w Anglii. Stylizowany widok z lotu ptaka labiryntu bli�ej jego rzeczywistego kszta�tu pokazano na rysunku poni�ej . Zamiast rysowa� na zewn�trz tego labiryntu najpierw i by� mo�e wci�gn�� do �rodka w pewien spos�b mo�emy przyj�� inne rozwi�zanie. W NetLogo mo�emy u�ywa� �atek do rysowania �cian i okre�la� ka�d� �cian� tam i z powrotem przez labirynt w spos�b zygzakowaty, najpierw definiuj�c wszystkie poziome �ciany, a nast�pnie wszystkie pionowe �ciany. Kod NetLogo, kt�ry wykorzystuje to rozwi�zanie do narysowania schematu mapy obiektu Hampton Court Place Maze pokazanego po lewej stronie rysunku poni�ej, jest wymieniony w NetLogo Code.

; Demo labiryntu w Hampton Court
;
; Rysuje schematyczn� map� labiryntu Hampton Court
; ustaw labirynt na (0,0)
to setup-row [row colour segments]
foreach segments
[
if pycor = row * row-patches-width and
(pxcor >= col-patches-width * (item 0 ?)) and
(pxcor <= col-patches-width * (item 1 ?))
[set pcolor colour]
]
end
to setup-col [col colour segments]
foreach segments
[
if pxcor = col * col-patches-width and
(pycor >= row-patches-width * (item 0 ?)) and
(pycor <= row-patches-width * (item 1 ?))
[set pcolor colour]
]
end
to setup-hampton-maze
ca ;; clear everything
ask patches
[
if (pxcor >= min-pxcor and pxcor <= max-pxcor and
pycor >= min-pycor and pycor <= max-pycor)
[set pcolor white] ;; zr�b t�o pe�ne bia�ych �at
setup-row 5 blue [[-9 10]]
setup-row 4 blue [[-8 -5] [-3 -1] [0 3] [5 9]]
setup-row 3 blue [[-7 -4] [-2 2] [4 8]]
setup-row 2 blue [[-6 -1] [1 4] [5 7]]
setup-row 1 blue [[-3 3] [8 9]]
setup-row 0 blue [[-8 -7] [9 10]]
setup-row -1 blue [[-9 -8]]
setup-row -2 blue [[-8 -7] [-3 0] [1 3]]
setup-row -3 blue [[-4 -1] [2 4] [6 8]]
setup-row -4 blue [[-7 -1] [1 9]]
setup-row -5 blue [[-8 10]]
setup-row -6 blue [[-9 0] [1 10]]
setup-col 10 blue [[-6 5]]
setup-col 9 blue [[-4 -1] [1 4]]
setup-col 8 blue [[-3 1] [2 3]]
setup-col 7 blue [[-2 2]]
setup-col 6 blue [[-4 1]]
setup-col 5 blue [[-3 2]]
setup-col 4 blue [[-3 2] [3 5]]
setup-col 3 blue [[-2 1] [2 4]]
setup-col 1 blue [[-4 -2]]
setup-col 0 blue [[-5 -2] [1 3]]
setup-col -1 blue [[-4 -3] [4 5]]
setup-col -3 blue [[-2 1] [2 4]]
setup-col -4 blue [[-3 2] [3 5]]
setup-col -5 blue [[-4 1]]
setup-col -6 blue [[-3 2]]
setup-col -7 blue [[-4 -3] [-2 0] [1 3]]
setup-col -8 blue [[-5 -2] [0 4]]
setup-col -9 blue [[-6 5]]
]
end

Patrz�c na map� i obraz na powy�szym rysunku , jest oczywiste, �e mapa nie przedstawia dok�adnie prawdziwego labiryntu �ycia. (Czytelnik mo�e to �atwo zweryfikowa� za pomoc� Google Earth). Mapa jest "schematem", kt�ry zniekszta�ca relacje mi�dzy obiektami istniej�cymi w rzeczywistym �rodowisku �ycia, kt�re reprezentuje, w podobny spos�b, jak Londy�ska Mapa Podziemna nie odzwierciedla dok�adnie prawdziwych odleg�o�ci i relacji geograficznych w systemie kolei podziemnej Londynu. Odkszta�cenia s� wyra�nie widoczne, ale wa�ne jest, aby zda� sobie spraw�, �e zniekszta�cenia s� charakterystyczne dla wszystkich map, kt�rych celem jest przedstawienie rzeczywistego �rodowiska �ycia. Nawet dok�adne mapy topograficzne lub orientacyjne b�d� mia�y zniekszta�cenia ze wzgl�du na skal�, w wyniku szeroko�ci wymaganej do narysowania ka�dego z symboli na mapie. Na przyk�ad autostrady rysowane na mapach topograficznych nie s� narysowane w skali - gdyby tak by�o, to w rzeczywisto�ci autostrady musia�yby mie� setki metr�w �rednicy. Ponadto ka�da mapa b�dzie zawiera�a b��dy (i zwykle wiele). Na przyk�ad mapa po lewej stronie na Rysunku 3.7 ma kr�tk� �cian� wystaj�c� pod k�tem prostym w po�owie wysoko�ci �ciany lewej labiryntu, podczas gdy w rzeczywisto�ci �ywop�ot jest ci�g�y bez ostrych k�t�w. Jednak pomimo tych zniekszta�ce� i b��d�w, mapa mo�e by� �atwo wykorzystana jako pomoc w nawigacji - osoby korzystaj�ce z mapy maj� wiedz�, jak szybko dosta� si� do centrum labiryntu (celu), nie pope�niaj�c b��du. Zauwa�, �e b�dziemy u�ywa� map jako podstawowego bloku konstrukcyjnego w rozdziale 9 do opisywania wiedzy i koncepcji - dw�ch wa�nych aspekt�w budowania agenta ze sztuczn� inteligencj�. Przeanalizujmy teraz kod w powy�szym kodzie NetLogo , kt�ry rysuje map� na rysunku powy�szym. Mo�emy upro�ci�, definiuj�c najpierw og�lne procedury narysowania linii poziomych lub pionowych, z lukami w nich. Procedury setup_row i setup_col przyjmuj� cztery parametry jako dane wej�ciowe - numer wiersza (wiersza) lub kolumny (col), gdzie narysowana jest linia segment�w �atki, szeroko�� wiersza i szeroko��_kolumny, czyli szeroko�� liczby poprawek okre�laj�cych szeroko�� zar�wno wierszy, jak i kolumn w labiryncie (zachowamy je tak samo dla tego przyk�adu), a segmenty - list� pozycji pocz�tkowych i ko�cowych, kt�re okre�laj�, gdzie ka�dy segment �at zaczyna si� i ko�czy w tej samej linii. Reszta kodu rysuje ka�dy wiersz i kolumn� w labiryncie (poziome i pionowe linie, kt�re przedstawiaj� �ywop�oty w labiryncie). Zauwa�, �e istnieje wiele sposob�w na narysowanie labiryntu. W NetLogo nie musimy korzysta� z agent�w �atek do rysowania - mo�emy zamiast tego u�y� agenta z ��wiami, aby ��w przesun�� si� bezpo�rednio nad liniami �ywop�otu, rysuj�c je tak, jak to si� dzieje. Ograniczeniem NetLogo jest jednak to, �e to co rysuje agent ��wia, nie mo�e by� "widziane" przez inne ��wie i �aty - nie maj� one zdolno�ci wyczuwania rysunk�w ani reagowania na nie. Poniewa� chcemy w przysz�o�ci wykorzysta� te labirynty aby zademonstrowa�, w jaki spos�b mo�na zaprogramowa� uciele�nionego agenta, aby je przeszuka�, wymagamy umiej�tno�ci, aby inni agenci mogli wyczu�, gdzie s� �ywop�oty w �rodowisku wirtualnym. R�wnie� przyj�ta tutaj metoda rysowania poziomych �ywop�ot�w, po kt�rych nast�puj� pionowe �ywop�oty, nie musi by� najskuteczniejsza na pokrytej odleg�o�ci, poniewa� ��w przemieszcza si� dwukrotnie w �rodowisku 2D. Jednak�e, je�li czynnik ��wia jest widoczny (to znaczy, �e ��w jest animowany), zachowanie czynnika ��wia jest �atwo zauwa�alne dla obserwatora - u�yteczna cecha, kt�ra pomaga uczyni� rozwi�zanie �atwiejszym do zrozumienia i debugowania. Rozszerzeniem mo�e by� u�ycie wielu agent�w - na przyk�ad jeden ��w mo�e zosta� u�yty do narysowania poziomych �cian, a drugi do narysowania pionowych. Je�li ka�dy agent jest zaimplementowany jako w�tek, oba mog� by� wykonywane jednocze�nie, co zmniejsza o po�ow� czas wykonania, je�li liczba poziomych �cie�ek jest r�wna liczbie pionowych �cie�ek. Jednak NetLogo nie implementuje agent�w ��wia jako osobnych w�tk�w, wi�c nie ma przewagi przy korzystaniu z wielu agent�w w tym przypadku. Labirynt Hampton Court to po prostu po��czony labirynt. Ludzki agent, kt�ry przyjmuje zachowanie r�ki na �cianie, zawsze b�dzie m�g� dosta� si� do �rodka labiryntu (celu). Labirynt Chevening House w Anglii zbudowany w 1820 roku by� jednym z pierwszych labirynt�w, kt�re by�y wielokrotnie po��czone (to znaczy, �e w labiryncie jest jedna lub wi�cej "wysp", kt�re s� odizolowane od siebie, ca�kowicie od��czone od zewn�trznej �ciany) . Schematyczn� map� labiryntu pokazano na rysunku

Labirynt zosta� narysowany przy u�yciu kodu NetLogo wymienionego w poni�szym kodzie NetLogo

to setup-chevening-house-maze
ca ;; wyczy�� wszystko
ask patches
[
if (pxcor >= min-pxcor and pxcor <= max-pxcor and
pycor >= min-pycor and pycor <= max-pycor)
[set pcolor white] ;; zr�b t�o pe�ne bia�ych �at
setup-row 12 blue[[-11 12]]
setup-row 11 blue [[-10 11]]
setup-row 10 blue [[-9 10]]
setup-row 9 blue [[-8 0] [1 9]]
setup-row 8 blue [[-7 -1] [2 8]]
setup-row 7 blue [[-6 0] [1 7]]
setup-row 6 blue [[-5 0] [1 6]]
setup-row 5 blue [[-4 -1] [2 5]]
setup-row 4 blue [[-3 0] [1 4]]
setup-row 3 blue [[-2 3]]
setup-row 2 blue [[-1 2]]
setup-row 1 blue [[-9 -5] [-4 -2] [3 5] [6 8] [10 11]]
setup-row -0 blue [[-9 -7] [3 5] [6 10]]
setup-row -1 blue [[-1 0] [1 2] [7 9]]
setup-row -2 blue [[-2 0] [1 3]]
setup-row -3 blue [[-3 -1] [1 4]]
setup-row -4 blue [[-4 -2] [2 5]]
setup-row -5 blue [[-5 -3] [2 6]]
setup-row -6 blue [[-6 -3] [1 7]]
setup-row -7 blue [[-7 -2] [0 8]]
setup-row -8 blue [[-8 1] [3 9]]
setup-row -9 blue [[-9 0] [3 10]]
setup-row -10 blue [[-10 -1] [2 11]]
setup-row -11 blue [[-11 0] [1 12]]
setup-col 12 blue [[-11 12]]
setup-col 11 blue [[-10 1] [2 11]]
setup-col 10 blue [[-9 0] [1 10]]
setup-col 9 blue [[-8 -1] [0 9]]
setup-col 8 blue [[-7 -2] [1 8]]
setup-col 7 blue [[-6 -1] [2 7]]
setup-col 6 blue [[-5 0] [1 6]]
setup-col 5 blue [[-4 0] [1 5]]
setup-col 4 blue [[-3 -1] [2 4]]
setup-col 3 blue [[-2 0] [1 3]]
setup-col 2 blue [[-10 -7] [-1 2]]
setup-col 1 blue [[-11 -8] [-6 -1] [4 6] [7 9]]
setup-col 0 blue [[-11 -9] [-7 -1] [4 6] [7 9]]
setup-col -1 blue [[-8 -3] [-1 2]]
setup-col -2 blue [[-7 -4] [-2 0] [1 3]]
setup-col -3 blue [[-3 1] [2 4]]
setup-col -4 blue [[-4 0] [1 5]]
setup-col -5 blue [[-5 6]]
setup-col -6 blue [[-6 0] [2 7]]
setup-col -7 blue [[-7 0] [1 8]]
setup-col -8 blue [[-8 -1] [2 9]]
setup-col -9 blue [[-9 0] [1 10]]
setup-col -10 blue [[-10 11]]
setup-col -11 blue [[-11 12]]
]
end-

przy u�yciu tego samego podej�cia, co powy�ej, do rysowania poziomych zabezpiecze�, a nast�pnie pionowych zabezpiecze�. Jedyn� r�nic� jest to, �e szeroko�� rz�d�w �at i szeroko�ci kolumn zosta�a wybrana jako dwa razy wi�ksza ni� globalna wielko�� poprawki, aby mapa bardziej odzwierciedla�a schematyczne mapy prawdziwego labiryntu, kt�re mo�na znale�� w Internecie. Je�li pod��ymy za wszystkimi �cianami wychodz�cymi ze �rodka labiryntu, oka�e si�, �e te �ciany nie s� w �aden spos�b po��czone z zewn�trzn� �cian�. W konsekwencji zachowanie "r�ka w �cian�" nie b�dzie ju� wystarczaj�co dobre dla rozwi�zania labiryntu. Celem tego drugiego przyk�adowego labiryntu jest zilustrowanie, w jaki spos�b zachowanie w�a�ciwe dla jednego �rodowiska mo�e nie by� odpowiednie dla innego �rodowiska (takiego jak nowe �rodowisko lub kiedy zmieni�o si� oryginalne �rodowisko). Aby agent m�g� nadal osi�ga� okre�lony cel, agent musi dostosowa� (lub nauczy� si�), aby poradzi� sobie ze zmienionym �rodowiskiem. Zbadamy zachowanie i istotn� rol�, jak� b�dzie odgrywa� p�niej dla autonomicznych agent�w

Podsumowanie

Ta sekcja stanowi wprowadzenie do j�zyka programowania NetLogo. NetLogo to przyk�ad typu modelowania opartego na agentach zwanego symulacj� ukierunkowan� na agenta, kt�ra ��czy agent�w z symulacj�. NetLogo jest �atwy do nauczenia i debugowania, zaprojektowane z my�l� o niedo�wiadczonych programistach.

Ruch

"Zmiana oznacza ruch. Ruch oznacza tarcie. Jedynie w pozbawionej tarcia pr�ni nieistniej�cego abstrakcyjnego �wiata ruch lub zmiana mo�e nast�pi� bez tego tarcia �cieraj�cego si� konfliktu. " Saul Alinsky.

Ruch

Ruch jest podstawowym zadaniem wykonywanym przez autonomicznego agenta znajduj�cego si� w otoczeniu. Spos�b, w jaki agent przesuwa swoje cia�o i spos�b, w jaki porusza si� po swoim otoczeniu, determinuje wiele jego zachowa�. Typy interakcji agent-�rodowisko i interakcji mi�dzy agentami mo�liwe s� r�wnie� w wyniku rodzaj�w ruch�w, kt�re s� mo�liwe dla agenta. W fizyce ruch odnosi si� do ci�g�ej zmiany po�o�enia cia�a w wyniku u�ycia si�y lub si�, kt�re s� do niego przy�o�one. Cia�o w ruchu mo�na scharakteryzowa� przez jego pr�dko��, przyspieszenie, przemieszczenie i czas. Cia�o, kt�re si� nie porusza, m�wi si�, �e jest w spoczynku lub nieruchomo (nieruchomo). Ruch jest mierzony (obserwowany) zgodnie z uk�adem odniesienia w oparciu o ruch obserwatora. Nie ma bezwzgl�dnego uk�adu odniesienia - zgodnie z danym uk�adem odniesienia cia�o mo�e wydawa� si� nieruchome, ale porusza si� tak�e wzgl�dem niesko�czonej liczby innych ram odniesienia. Dlatego wszystko we wszech�wiecie mo�na uwa�a� za ci�g�e. Ruch jest podstaw� wielu powszechnych metafor u�ywanych w ludzkim j�zyku. Nasze zrozumienie jako cz�owieka wywodzi si� z podstawowych poj�� przestrzeni, wzgl�dnej pozycji, ruchu i ruchu, w tym tak�e z ruchu w�asnego, kt�ry jest zwi�zany z naszym fizycznym uciele�nieniem i usytuowaniem w rzeczywistym �wiecie. Cz�sto wyra�amy i rozumiemy abstrakcyjne poj�cia, kt�rych nie mo�emy dotkn�� ani zobaczy� w oparciu o te podstawowe poj�cia.

Ruch agent�w ��wia w NetLogo

Programowanie ��wia w NetLogo w celu wykonywania r�nych polece� jest proste i bardzo intuicyjne. Polecenie "pen-up" s�u�y do przesuwania pi�ra do g�ry, wi�c dop�ki nie zostanie wywo�ane polecenie, nic nie zostanie narysowane na ekranie. Metody wielko�ci pisaka i koloru okre�laj� szeroko�� i kolor pisaka. Polecenie w prz�d powoduje, �e ��w przesuwa si� o okre�lon� liczb� krok�w w kierunku, w kt�rym jest skierowany, a lewy i prawy powoduje, �e ��w obraca si� o okre�lony k�t odpowiednio w lewo lub w prawo. Tabela poni�ej zawiera list� dost�pnych metod

Metoda : Opis

Aby zmieni� �rodowisko

clear-all (ca) : Czy�ci wszystko w �rodowisku, w tym wszystkie ��wie, �aty, linki, wykresy i rysunki oraz resetuje zmienne do 0.

clear-drawing : Usuwa wszystkie rysunki wykonane przez agent�w ��wia

Do przemieszczania ��wia

forward d or fd d : Przesuwa ��wia przed krokami d w zale�no�ci od bie��cego kierunku.

back d or bk d : Powoduje cofni�cie ��wia o krok d na podstawie bie��cego kierunku.

right a or rt a : W��cza ��w w prawo o podany k�t a w stopniach.

left a or lt a : Obr�� wia o okre�lony k�t a w stopniach.

setxy x y : Przenosi ��wia z bie��cej pozycji do pozycji absolutnej na wsp�rz�dnych (x, y) i rysuje lini�, je�li pi�ro jest opuszczone.

set xcor x : Ustawia wsp�rz�dn� x ��wia na x (utrzymuj wsp�rz�dn� y niezmienion�).

set ycor y : Ustawia wsp�rz�dn� y ��wia na y (zachowaj wsp�rz�dn� x niezmienion�).

set heading a : S Ustawia kierunek, w kt�rym ��w stoi zwr�cony pod k�tem ? w stopniach.

move-to agent : Ustawia wsp�rz�dne (x, y) na takie same, jak dla agenta.

face agent : Ustawia nag��wek w kierunku agenta.

facexy x y : Ustawia nag��wek na wsp�rz�dne (x, y)

Aby powr�ci� lub ustawi� stan ��wia

xcor : Wbudowana zmienna ��wia. Posiada x wsp�rz�dn� ��wia.

ycor : Wbudowana zmienna ��wia. Zawiera wsp�rz�dn� ��wia.

heading : Wbudowana zmienna ��wia. Zawiera bie��cy kurs ��wia.

towards agent lub towardsxy x y : Podaje nag��wek od bie��cego agenta w kierunku danego agenta lub nag��wek do wsp�rz�dnych (x, y).

distance agent lub distancexy x y : Zwraca odleg�o�� do ��wia lub �atki lub odleg�o�� do wsp�rz�dnych (x, y).

show-turtle lub st : Sprawia, �e ��w jest widoczny.

hide-turtle lub ht : Sprawia, �e ��w jest niewidoczny.

hidden? : Zwraca True, je�li ��w nie jest widoczny, Fa�sz w przeciwnym razie

Aby kontrolowa� pi�ro do rysowania

pen-down lub pd : Przesu� pi�ro tak, aby ��w rysowa�, gdy si� porusza.

pen-up lub pu : Poci�gnij pi�ro tak, aby ��w nie narysowa� niczego podczas ruchu.

pen-erase lub pe : Pchnij gumk� w d�, aby ��w usun�� linie podczas ruchu.

pen-mode : Wbudowana zmienna ��wia. Posiada stan pi�ra ��wia - warto�ci s� "up", "down" i "erase".

pemn-size : Wbudowana zmienna ��wia. Utrzymuje szeroko�� pi�ra ��wia w pikselach.

color : Wbudowana zmienna ��wia. Posiada kolor ��wia lub ogniwa.

Metody zosta�y pogrupowane w metody zwi�zane ze �rodowiskiem, przemieszczaniem si� ��wia, jego stanem i rysunkiem. Te trzy ostatnie grupy metod wp�ywaj� lub determinuj� zachowanie ��wia. Pomimo prostoty projektu, skomplikowane kszta�ty i obrazy s� bardzo �atwe do zaprogramowania. Programowanie z grafik� ��wia jest intuicyjne, poniewa� wykorzystuje zorientowan� na agenta pierwsz� perspektyw� projektowania - wszystko jest rysowane z perspektywy samego ��wia.

Zachowanie i podejmowanie decyzji w zakresie ruchu

Mo�emy przyj�� perspektyw� projektowania, �e ka�de zachowanie agenta mo�e by� zdefiniowane lub scharakteryzowane pod wzgl�dem ruch�w, kt�re eksponuje w otoczeniu. Aspekty zachowania agenta obejmuj� spos�b poruszania si� agenta, dok�d agent si� przemieszcza, kiedy agent decyduje si� przenie��, co wybiera agent, i dlaczego agent decyduje si� wykona� konkretny ruch zwi�zany z podejmowaniem decyzji. Z punktu widzenia projektowania mo�emy przyj�� analogi� przy projektowaniu naszych system�w zorientowanych na agent�w, �e podejmowanie decyzji to ruch z jednego miejsca do innego otoczenia i jest podobne do ruchu w prawdziwym �yciu. Przemieszczanie si� w prawdziwych �rodowiskach wyra�nie prowadzi do zmiany po�o�enia geograficznego. Ruch w �rodowiskach wirtualnych spowoduje, �e stan wewn�trzny �rodowiska zostanie w jaki� spos�b zmieniony (na przyk�ad zmieniana jest wirtualna pozycja bota gry). W oparciu o t� analogi� mo�emy zdefiniowa� spos�b podejmowania decyzji w nast�puj�cy spos�b. Agent przejawia zachowanie przy podejmowaniu decyzji, gdy zdecyduje si� przej�� wzd�u� jednej konkretnej �cie�ki, gdy dost�pne s� dla niej �cie�ki alternatywne. Jest to analogiczne do ruchu w prawdziwym �yciu. Mo�emy r�wnie� u�y� n-wymiarowego �rodowiska przestrzeni do reprezentowania procesu decyzyjnego w agentach w spos�b abstrakcyjny. Mo�emy rozwa�y� proces podejmowania decyzji dla agenta jako przechodzenia z jednego stanu wewn�trznego do drugiego, gdzie stan jest reprezentowany jako pojedynczy punkt w przestrzeni n-wymiarowej. Jest to r�wnowa�ne reprezentowaniu zachowania za pomoc� sko�czonej maszyny stan�w (FSM) (zwanej r�wnie� automatem sko�czonym lub FSA). FSM jest modelem zachowania z ograniczon� pami�ci� wewn�trzn�, kt�r� mo�na konceptualizowa� jako skierowany wykres sk�adaj�cy si� z wielu stan�w (wierzcho�k�w lub w�z��w na wykresie), przej�� mi�dzy tymi stanami (kraw�dzie na wykresie) oraz czynno�ci wykonywane przy wchodzeniu lub wychodzeniu ze stanu lub podczas przej�cia. Prosty FSM do opisu zachowania samochodu jest przedstawiony na rysunku poni�ej.

Istniej� dwa stany - oznaczone jako "Silnik uruchomiony" i "Silnik stop - oznaczaj�ce, kiedy silnik samochodu jest uruchomiony lub zatrzymany, oraz dwie akcje przej�cia - oznaczone "Prze��cz kluczyk" - w celu przeniesienia FSM z jednego stanu do drugiego. Ograniczymy si� do dzia�a�, kt�re maj� miejsce tylko podczas przemian, aby wzmocni� analogi� mi�dzy podejmowaniem decyzji a ruchem. Mo�emy my�le� o punkcie w �rodowisku decyzyjnym agenta, analogicznym do stanu w maszynie o sko�czonym stanie. Mo�emy r�wnie� my�le� o poruszaniu si� po �cie�ce w �rodowisku decyzyjnym agenta jako analogii do przej�cia i przeprowadzania przej�cia dzia�anie w sko�czonej maszynie stan�w. Decyzje, w kt�rych agent po osi�gni�ciu okre�lonego punktu lub stanu nie ma innego wyboru, jak wykona� okre�lone dzia�anie, nazywa si� determinizmem. Decyzje, w kt�rych agent mo�e dokona� wyboru mi�dzy zestawem alternatywnych dzia�a�, s� okre�lane jako niedeterministyczne.

Rysowanie FSM i drzew decyzyjnych za pomoc� agent�w link�w w NetLogo

Mo�emy u�ywa� agent�w link�w w NetLogo do rysowania FSM. B�dziemy tak�e u�ywa� podobnego kodu do rysowania drzew decyzyjnych, co stanowi kolejn� metod� reprezentowania zachowania. W tym tomie oka�e si� to przydatne, szczeg�lnie w opisie wykorzystania animacji do zademonstrowania dynamicznego zachowania i do reprezentowania wiedzy. Przyk�adowy kod do wizualizacji prostego dwustanowego FSM pokazano w kodzie NetLogo.

breed [agents agent]
breed [points point]
directed-link-breed [curved-paths curved-path]
agents-own [location] ;; ma racj�
to setup
clear-all ;; wyczy�� wszystko
set-default-shape points "circle"
create-points 1 [setxy -15 0 set label "Light off "] ;; punkt 0
create-points 1 [setxy 15 0 set label "Light on "] ;; punkt 1
ask points [set size 5 set color blue]
ask point 0 [create-curved-path-to point 1]
ask point 1 [create-curved-path-to point 0]
ask curved-paths [set thickness 0.5]
set-default-shape curved-paths "curved path"
ask patches [
;; nie pozw�l widzowi zobaczy� tych poprawek; s�u�� tylko
;; do wy�wietlania etykiet w osobnych wierszach
set plabel-color brown
if (pxcor = 11 and pycor = 8) [set plabel "Move light switch down"]
if (pxcor = 11 and pycor = -8) [set plabel "Move light switch up"]
]
create-agents 1 [
set color lime
set size 5
set location point 0 ;; start od punktu 0
move-to location
]

Zrzut ekranu przedstawiono na rysunku poni�ej.

Dwustanowy FSM przedstawia, co si� dzieje, gdy �wiat�o musi by� w��czane i wy��czane. W pierwszym stanie �wiat�o jest wy��czone, a przej�cie do drugiego stanu, gdy �wiat�o jest w��czone, wymaga od agenta wykonania czynno�ci przesuni�cia prze��cznika �wiat�a w d�. Gdy �wiat�o jest w��czone, wymagane jest przeciwne dzia�anie prze��czania �wiat�a, aby ponownie powr�ci� do pierwszego stanu . FSM narysowany przez kod sk�ada si� z dw�ch stan�w oznaczonych odpowiednio "Light off" i "Light on". Stany s� reprezentowane jako agenci ��wia, kt�rzy si� nie poruszaj� - to jest maj� ustalony punkt w �rodowisku (st�d te s� zdefiniowane jako nale��ce do punkt�w rasy agenta ��wia.) S� dwa ogniwa, reprezentowane jako zakrzywione �cie�ki od pierwszego punktu stanu 0 do drugiego punktu stanu 1, a nast�pnie z powrotem. Te linki s� oznaczone jako "Przenie� prze��cznik �wiat�a w d�" i "Przenie� prze��cznik �wiat�a w g�r�" odpowiednio i reprezentuj� czynno��, kt�r� agent musi wykona�, przechodz�c z jednego stanu do nast�pnego. Kod definiuje r�wnie� agenta zwanego agentem ��wia. Mo�emy u�y� tego agenta do animacji FSM przy u�yciu kodu wymienionego w NetLogo Code , pokazuj�c, w jaki spos�b agent mo�e porusza� si� w obie strony mi�dzy dwoma stanami.

to go
ask links [ set thickness 0.5 ]
ask agents [
let new-location one-of [out-link-neighbors] of location
;; zmie� grubo�� cza, kt�re przekrocz�
ask [link-with new-location] of location [ set thickness 1.1 ]
face new-location
move-to new-location
set location new-location
]
tick
end

Kod dzia�a poprzez wybranie jednego z out-out�w bie��cego stanu odwiedzanego przez agenta ��wia (w tym przyk�adzie zawsze b�dzie tylko jeden link wychodz�cy). Nast�pnie program zwi�ksza grubo�� cza, do kt�rego wkr�tce si� przeniesie, a agent znajdzie si� w nowej lokalizacji, a nast�pnie przeniesie si� do niego. Bardziej z�o�ony przyk�ad FSM pokazano na rysunku

FSM modeluje etapy cyklu �ycia, kt�re ludzie przechodz� w swoim �yciu, i opiera si� na modelu zaproponowanym przez Jobbera. (Model Jobbera dzia�a od lewej do prawej, podczas gdy poni�szy model przebiega od g�ry do do�u, aby zmie�ci� si� w granicach �rodowiska graficznego 2D NetLogo). W modelu osoba zaczyna si� na etapie "Pojedynczy, w domu", a nast�pnie mo�e przej�� do etapu "M�ody, na swoim" lub etapu "M�oda, para, bez dzieci". Stamt�d osoba mo�e przej�� do wielu dalszych etap�w, ostatecznie ko�cz�c na etapie "Samotny, na emeryturze" na dole. �ycie to nie tylko linearny post�p. Celem tego modelu jest zrozumienie, jak to zrobi�. Model NetLogo u�yty do wytworzenia tego FSM o�ywia model, tworz�c liczb� agent�w dla ka�dego tikni�cia (suwak pokazany w lewym g�rnym rogu Figury 3 mo�e by� u�yty do kontrolowania zmiennej "narodziny-ka�dy-tyk", na figurze to zosta�o ustawione w 2). Ka�dy agent przechodzi nast�pnie z jednego stanu do drugiego - groty koloru wapna narysowane w niekt�rych stanach pokazuj� ich bie��c� lokalizacj�. Agenci losowo dokonuj� wyboru, gdy dost�pnych jest wi�cej ni� jedno przej�cie wychodz�ce. Wykres po lewej pokazuje, jak og�lna populacja (oznaczona "Wszystkie") zmienia si� w zale�no�ci od kleszczy. Na dzia�ce pokazane s� r�wnie� aktualne liczby agent�w zlokalizowanych na etapie "M�odzi, rodzice" oraz na etapach "Samotni, emeryci". Drzewo decyzyjne jest cz�sto u�ywane do reprezentowania zachowa� decyzyjnych. Drzewo to skierowany wykres bez p�tli w sieci, z tylko jedn� �cie�k� mi�dzy dwoma w�z�ami i z ka�dym w�z�em maj�cym jeden lub wi�cej w�z��w podrz�dnych, ale pojedynczy w�ze� nadrz�dny lub w�ze� g��wny, bez �adnego rodzica. Li�cie drzewa s� w�z�ami bez �cie�ek wychodz�cych. W drzewie decyzyjnym podejmowanie decyzji przez agenta rozpoczyna si� od w�z�a g��wnego drzewa i wybiera �cie�ki wychodz�ce w oparciu o konkretn� decyzj� zwi�zan� z bie��cym w�z�em i trwa do momentu, a� zostan� osi�gni�te li�cie drzewa. Li��, kt�ry jest osi�gni�ty, zwykle reprezentuje w pewien spos�b wynik podj�tych decyzji - na przyk�ad, mo�e by� u�yty do klasyfikacji, gdzie drzewo decyzyjne dzia�a w podobny spos�b do popularnej gry towarzysz�cej Twenty Questions (np. przez postacie z powie�ci Charlesa Dickensa "A Christmas Carol"). W tej grze pierwszy gracz musi odgadn�� obiekt - zwykle zwierz�cy, ro�linny lub mineralny - o kt�rym drugi gracz my�li. Pierwszy gracz mo�e zada� do dwudziestu pyta� dotycz�cych danego obiektu, podczas gdy drugi gracz musi poda� tylko odpowiedzi "Tak" lub "Nie". Pierwszy gracz musi opracowa� odpowiednie pytania, aby wystarczaj�co zaw�zi� obszar poszukiwa�, aby odgadn��, o co chodzi w danym obiekcie, zanim u�yje swoich dwudziestu pyta�, w przeciwnym razie gra zostanie utracona. Przyk�ad drzewa decyzyjnego pokazano na rysunku poni�ej

Tego drzewa decyzyjnego mo�na u�ywa� do odgadywania ptak�w nowozelandzkich. W grze Dwadzie�cia pyta� mo�e to by� poprzedzone zestawem o�miu pyta� i odpowiedzi w nast�puj�cy spos�b: "Czy to zwierz�?" [Tak], "Czy to ssak?" [Nie] "Czy to ptak?" [Tak], "Czy to ptak z p�kuli p�nocnej?" [Nie], "Czy to ptak afryka�ski czy po�udniowoameryka�ski?" [Nie], "Czy to ptak Australasian?" [Tak], "Czy to ptak australijski? ? "[Nie]," Czy to ptak nowozelandzki? "[Tak]. Drzewo decyzyjne zadaje kolejne cztery pytania do odgadni�cia mi�dzy o�mioma nowozelandzkimi ptakami wymienionymi na dole drzewa. Mo�emy u�y� kodu NetLogo podobnego do tego, kt�ry zosta� opracowany do rysowania FSM, aby tak�e rysowa� drzewa decyzyjne. Ka�dy w�ze� w drzewie mo�e by� reprezentowany w podobny spos�b do stanu w FSM, ze �cie�kami mi�dzy w�z�ami reprezentowanymi przez przej�cia mi�dzy linkami. W kodzie pokazanym w NetLogo Code poni�ej

breed [agents agent]
breed [points point]
directed-link-breed [straight-paths straight-path]
agents-own [location] ;; ma racj�
points-own [question] ;; to jest pytanie zwi�zane z w�z�em
straight-paths-own [answer] ;; �cie�ki przej�cia definiuj� odpowiedzi na pytanie do skonfigurowania
clear-all ;; wyczy�� wzystko
set-default-shape points "circle 2"
create-points 1 [setxy 5 35 set question "Czy ptak lata?"]
;; punkt 0, level 0 (root)
create-points 1 [setxy -25 25 set question "Czy to papuga?"]
;; punkt 1, level 1
create-points 1 [setxy 35 25 set question "Czy ptak wygin��?"]
;; punkt 2, level 1
create-points 1 [setxy -40 15 set question "Ptak alpejski?"]
;; punkt 3, level 2
create-points 1 [setxy -10 15 set question "Pokrzewka"]
;; punkt 4, level 2
create-points 1 [setxy 20 15 set question "Czy to jest du�e?"]
;; punkt 5, level 2
create-points 1 [setxy 50 15 set question "D�ugi dzi�b?"]
;; punkt 6, level 2
create-points 1 [setxy -50 5 set question "Kea?"]
;; punkt 7, level 3
create-points 1 [setxy -30 5 set question "Kaka?"]
;; punkt 8, level 3
create-points 1 [setxy -20 5 set question "Tui?"]
;; punkt 9, level 3
create-points 1 [setxy 0 5 set question "Pukeko?"]
;; punkt 10, level 3
create-points 1 [setxy 10 5 set question "Moa?"]
;; punkt 11, level 3
create-points 1 [setxy 30 5 set question "Huia?"]
;; punkt 12, level 3
create-points 1 [setxy 40 5 set question "Kiwi?"]
;; punkt 13, level 3
create-points 1 [setxy 60 5 set question "Weka?"]
;; punkt 14, level 3
ask patches [
;; nie pozw�l widzowi zobaczy� tych poprawek; s�u�� tylko do
;; wy�wietlania etykiet w osobnych wierszach
if (pxcor = 1 and pycor = 35) [set plabel [question] of point 0]
if (pxcor = -29 and pycor = 25) [set plabel [question] of point 1]
if (pxcor = 30 and pycor = 25) [set plabel [question] of point 2]
if (pxcor = -44 and pycor = 15) [set plabel [question] of point 3]
if (pxcor = -14 and pycor = 15) [set plabel [question] of point 4]
if (pxcor = 16 and pycor = 15) [set plabel [question] of point 5]
if (pxcor = 46 and pycor = 15) [set plabel [question] of point 6]
if (pxcor = -48 and pycor = 0) [set plabel [question] of point 7]
if (pxcor = -27 and pycor = 0) [set plabel [question] of point 8]
if (pxcor = -18 and pycor = 0) [set plabel [question] of point 9]
if (pxcor = 4 and pycor = 0) [set plabel [question] of point 10]
if (pxcor = 12 and pycor = 0) [set plabel [question] of point 11]
if (pxcor = 32 and pycor = 0) [set plabel [question] of point 12]
if (pxcor = 42 and pycor = 0) [set plabel [question] of point 13]
if (pxcor = 63 and pycor = 0) [set plabel [question] of point 14]
]
ask points [set size 5 set color blue]
ask point 0 [create-straight-path-to point 1]
ask point 0 [create-straight-path-to point 2]
ask point 1 [create-straight-path-to point 3]
ask point 1 [create-straight-path-to point 4]
ask point 2 [create-straight-path-to point 5]
ask point 2 [create-straight-path-to point 6]
ask point 3 [create-straight-path-to point 7]
ask point 3 [create-straight-path-to point 8]
ask point 4 [create-straight-path-to point 9]
ask point 4 [create-straight-path-to point 10]
ask point 5 [create-straight-path-to point 11]
ask point 5 [create-straight-path-to point 12]
ask point 6 [create-straight-path-to point 13]
ask point 6 [create-straight-path-to point 14]
ask straight-paths [set label-color lime]
ask straight-path 0 1 [set answer "Yes" set label answer]
ask straight-path 0 2 [set answer "No" set label answer]
ask straight-path 1 3 [set answer "Yes" set label answer]
ask straight-path 1 4 [set answer "No" set label answer]
ask straight-path 2 5 [set answer "Yes" set label answer]
ask straight-path 2 6 [set answer "No" set label answer]
ask straight-path 3 7 [set answer "Yes" set label answer]
ask straight-path 3 8 [set answer "No" set label answer]
ask straight-path 4 9 [set answer "Yes" set label answer]
ask straight-path 4 10 [set answer "No" set label answer]
ask straight-path 5 11 [set answer "Yes" set label answer]
ask straight-path 5 12 [set answer "No" set label answer]
ask straight-path 6 13 [set answer "Yes" set label answer]
ask straight-path 6 14 [set answer "No" set label answer]
;; pytaj punkty [stw�rz �cie�k� z jednym z innych punkt�w]
;; u�� go tak, aby linki si� nie nak�ada�y
ask straight-paths [ set thickness 0.5 ]
a
create-agents 1 [
set color lime
set size 5
set location point 0 ;; start at point 0
move-to location
]
ask links [ set thickness 0.5 ]
end

jest pi�tna�cie stan�w reprezentowanych przez punkty agenta ��wia od 0 do punktu 14, kt�re definiuj� w�z�y w drzewie i czterna�cie przej�� po�rednich, kt�re definiuj� �cie�ki mi�dzy w�z�ami. Tak jak poprzednio, kod definiuje agenta zwanego agentem agenta ��wia, a my mo�emy r�wnie� u�y� tego agenta, aby pokaza�, w jaki spos�b drzewo decyzyjne jest wykonywane w zale�no�ci od decyzji podj�tych przy u�yciu kodu wymienionego w poni�szym kodzie NetLogo.

to go
ask agents [
let neighbours [out-link-neighbors] of location
let user-question [question] of location
let answers [] ;; all the answers for current node
let answers-points []
;; (punkty, do kt�rych agent powinien przej�� w zale�no�ci od odpowiedzi)
let parent-point location
ask [out-link-neighbors] of location [
let this-link in-link-from parent-point
let this-answer [answer] of this-link
set answers fput this-answer answers
set answers-points fput self answers-points
]
ifelse empty? answers
;; jeste�my w w�le li�cia
[ let user-answer user-one-of user-question ["No" "Yes"]
ifelse user-answer = "Yes"
[ user-message "Excellent! Let's try another bird."]
[ user-message "Sorry, I cannot guess what the bird is."
user-message "Let's try another bird." ]
set location point 0 ;; Go back to the beginning
ask links [ set thickness 0.5 ]
;; (zresetuj przej�cia, aby nie wy�wietla�a si� wybrana �cie�ka)
]
;;w przeciwnym razie jeste�my w w�le wewn�trznym
[ let user-answer user-one-of user-question answers
let pos position user-answer answers
let new-location item pos answers-points
;; zmie� grubo�� cza, kt�re skrzy�uj�, aby pokaza�
;; wybran� �cie�k�
ask [link-with new-location] of location [ set thickness 1.1 ]
face new-location
move-to new-location
set location new-location
]
]
tick
end

Kod dzia�a poprzez wybranie ��cza wyj�ciowego, kt�re odpowiada odpowiedzi udzielonej przez odpowied� u�ytkownika na pytanie zwi�zane z bie��cym stanem odwiedzanym przez agenta ��wia. Je�li zostanie osi�gni�ty w�ze� li�cia i przypuszczenie jest poprawne, program odpowiada komunikatem "Excellent! Spr�bujmy innego ptaka". "W przeciwnym razie odpowiada wiadomo�ciami u�ytkownika" Przepraszam, nie mog� odgadn��, co to jest ptak. "I" Spr�bujmy innego ptaka. Drzewa decyzyjne i FSM to dwa sposoby reprezentowania zachowania autonomicznych agent�w. W powy�szych przyk�adach kodu NetLogo, je�li postrzegamy zachowanie jako ruch przeprowadzony w abstrakcyjnym �rodowisku, to zwi�zek mi�dzy ruchem a zachowaniem jest jasny. Ramka odniesienia lub punkt obserwacji obserwatora jest zatem wa�nym aspektem zachowania, kt�ry nale�y wzi�� pod uwag�. Na przyk�ad, je�li agent ma zdolno�� podejmowania decyzji, to ma pewn� autonomi� i dlatego ma mo�liwo�� poruszania si�. Istniej� r�ne rodzaje zachowa�, takie jak komunikacja, wyszukiwanie i rozumowanie, kt�re chcemy zbada�. Chcemy widzie�, �e ruch agent�w w �rodowisku jest wsp�lnym elementem wszystkich tych zachowa�.

Animacja komputerowa

Animacja komputerowa to proces manipulowania wy�wietlanymi obrazami, aby stworzy� iluzj� ruchu. Z�udzenie optyczne jest spowodowane zjawiskiem oka zwanym "uporczywo�ci� widzenia", w kt�rym oko zachowuje wra�enie obrazu przez kr�tki czas po jego znikni�ciu. Animacja komputerowa wykorzystuje r�norodne techniki. Tradycyjne podej�cie polega na pokazaniu kolejnych obraz�w z ka�dym obrazem nieznacznie r�ni�cym si� od jednego obrazu do drugiego. Animacja komputerowa jest wa�na dla bada� nad sztuczn� inteligencj�, poniewa� mo�e s�u�y� nie tylko do tworzenia symulacji agent�w komputerowych w celu sprawdzenia wiarygodno�ci ich zachowania w �rodowiskach wirtualnych, ale tak�e do tworzenia modeli umo�liwiaj�cych przewidywanie zachowania agent�w rzeczywistych, takich jak ludzie i roboty. W powy�szych przyk�adach NetLogo zastosowali�my ju� podstawowe techniki animacji komputerowej, aby podkre�li� zwi�zek mi�dzy ruchem a zachowaniem

Biblioteka modeli NetLogo udost�pnia model przyk�adu Animacja kszta�tu, aby zilustrowa�, jak u�ywa� kszta�t�w do tworzenia animacji. Edytor kszta�t�w ��wi zosta� u�yty do stworzenia dziewi�ciu r�nych kszta�t�w os�b i szesnastu r�nych kszta�t�w kwiat�w. Model dzia�a poprzez sukcesywne pokazywanie r�nych kszta�t�w z jednej ramki do drugiej. Zapewnia to prymitywn� form� animacji podobn� do tej, kt�ra jest tworzona przy u�yciu podr�cznego podr�cznika (zwanego tak�e flip book), cz�sto u�ywanego w ilustrowanych ksi��kach dla dzieci, kt�re zawieraj� seri� obraz�w, kt�re zmieniaj� si� stopniowo z jednej strony na drug� i kt�re staj� si� animacj�, kiedy szybko si� zmienia.

Kod modelu znajduje si� poni�ej w Kodzie NetLogo. Model definiuje dwatypyy - kwiaty i osoby. Po naci�ni�ciu przycisku Go program wywo�uje procedur� animacji wielokrotnie z pr�dko�ci� okre�lon� przez zmienn� globaln� secinds-per-frame. Animowana procedura najpierw wywo�uje polecenie move-person , kt�ra po prostu wybiera nast�pny kszta�t osoby do wy�wietlenia i przesuwa si� do przodu o niewielk� ilo��, nast�pnie wywo�uje procedur� age-flower, kt�ry ustawia kszta�t ka�dego ��wia kwiatowego do nast�pnego kszta�tu w sekwencji, a nast�pnie w ko�cu kie�kuje nowy kwiat 20% czasu wywo�ania procedury.

breed [ flowers flower ]
breed [ people person ] ;; putting people last ensures people appear
;; przed kwiatami w widoku
people-own [frame] ;; zakres od 1 do 9
flowers-own [age] ;; zakres od 1 do 16
to setup ;; wykonywane po naci�ni�ciu przycisku SETUP
clear-all ;; usu� wszystkie �atki i ��wie
create-people 1 [
set heading 90 ;; tj. w prawo
set frame 1
set shape "person-1"
]
end
to go
every seconds-per-frame [
animate
tick
]
end
to animate
move-person
ask flowers [ age-flower ]
if random 100 < 20
[ make-flower ]
end
to move-person
ask people [
set shape (word "person-" frame)
forward 1 / 20
;; Edytor kszta�t�w ma siatk� podzielon� na 20 kwadrat�w, kt�re przy ustawieniu
;; rysunek wykonany dla u�ytecznych punkt�w odnosz�cych si� do nogi i buta, do
;; sprawiaj�, �e stopa przesuwa si� o jeden kwadrat do ty�u
;; w kontakcie z ziemi� (w stosunku do osoby), ale
;; z pr�dko�ci� wzgl�dn� 0, gdy porusza si� do przodu o 1/20 przesuni�cia w prz�d
;; za�ata� ka�d� ramk�
set frame frame + 1
if frame > 9
[ set frame 1 ] ;; wr�� do pocz�tku cyklu klatek animacji
]
end
to age-flower ;; procedura kwiatowa
set age (age + 1)
; wiek s�u�y do �ledzenia, ile lat ma kwiat
;; ka�da starsza ro�lina jest nieco wy�sza z odrobin�
;; wi�ksze li�cie i kwiat.
if (age >= 16) [ set age 16 ]
;; mamy tylko 16 klatek animacji, wi�c przesta� mie� 16 lat6
set shape (word "flowexr-" age)
end
to make-flower
;; je�li na ka�dej �atce jest kwiat, zabij ich wszystkich
;; i zacz�� od nowa
if all? patches [any? flowers-here]
[ ask flowers [ die ] ]
;; teraz, gdy jeste�my pewni, �e mamy miejsce, w rzeczywisto�ci zrobimy nowy kwiat
ask one-of patches with [not any? flowers-here] [ sprout 1 [
set breed flowers
set shape "flower-1"
set age 0
set color one-of [magenta sky yellow]
]
]
end

Jako kolejny przyk�ad, poni�szy kod NetLogo ilustruje, w jaki spos�b zapewni� iluzj� ludzkiej postaci stick id�cej po ekranie. Program polega na ci�g�ym losowaniu sze�ciu nieznacznie r�nych figurek, z kt�rych ka�da r�ni si� tylko pozycj� d�oni i n�g.

breed [paths path] ;; ��wie, kt�re rysuj� ko�czyny i prost� cia�a
;; posta� jako po��czona �cie�ka
breed [circle-paths circle-path] ;; do rysowania g�owy
to setup
clear-all
create-paths 5 [initialize-paths] ;; �rodki do rysowania �cie�ek dla czterech ko�czyn
;; (dwie nogi, dwie r�ce) oraz cia�o
set-default-shape paths "circle" ;; to jest kszta�t ��wia dla
;; rysowanie �cie�ki
ifelse forward-movement-increment > 0
[draw-stick-figure -56 0 [160 7 170 7] [190 7 200 7] [165 7 130 5]
[19 7 130 5] [0 0 0 12]]
;;jeszcze
[draw-stick-figure 56 0 [160 7 170 7] [190 7 200 7] [165 7 130 5]
[195 7 130 5] [0 0 0 12]]
end
to initialize-paths
pen-up
set size 0
set pen-size 4
end
to initialize-circle-paths
pen-up
set size 0
set pen-size 8
end
to go
let frame 1
let xpos forward-movement-increment
ifelse forward-movement-increment > 0
[set xpos xpos - 56]
;;jeszcze
[set xpos xpos + 56]
while [xpos > -57 and xpos < 57]
[
if clear-display-in-between
[clear-drawing]
let front-leg item (frame mod 6) [[160 7 170 7] [170 7 180 7]
[180 7 190 7] [190 7 200 7] [180 7 190 7] [170 7 180 7]]
let back-leg item (frame mod 6) [[190 7 200 7] [180 7 190 7]
[170 7 180 7] [160 7 170 7] [170 7 180 7] [180 7 190 7]]
let front-arm item (frame mod 6) [[165 7 130 5] [173 7 125 5]
[187 7 125 5] [195 7 130 5] [187 7 125 5] [173 7 125 5]]
let back-arm item (frame mod 6) [[195 7 130 5] [187 7 125 5]
[173 7 125 5] [165 7 130 5] [173 7 125 5] [187 7 125 5]]
let body [0 0 0 12] ;; body does not change orientation
draw-stick-figure xpos 0 front-leg back-leg front-arm back-arm body
set frame frame + 1
set xpos xpos + forward-movement-increment
tick
]
end
to draw-limb [limb-color top-x top-y specs]
;; rysuje ko�czyn� dla sylwetki kija zgodnie ze specyfikacjami
;; g�ra ko�czyny jest na wsp�rz�dnych top-x, top-y
;; z��cze �rodkowe jest rysowane w nag��wku [specyfikacja pozycji 0] o d�ugo�ci
;; [specyfikacja pozycji 1]
;; sp�d ko�czyny jest rysowany w nag��wku [specyfikacja pozycji 2] od z��cza z
;; d�ugo�� [specyfikacja pozycji 3]
let dir-to-joint item 0 specs
let joint-length item 1 specs
let dir-to-bot item 2 specs
let bot-length item 3 specs
pen-up
set color limb-color
set size 1.5
setxy top-x top-y
pen-down
stamp
if joint-length > 0 [
set heading dir-to-joint
forward joint-length
stamp
]
set heading dir-to-bot
forward bot-length
stamp
pen-up
end
to draw-stick-figure [xpos ypos front-leg back-leg front-arm back-arm body]
;; narysuj figur� w nast�puj�cej kolejno�ci, tak aby przednia noga
;; a ramiona pojawiaj� si� przed tyln� nog� i r�kami
ask path 0 [draw-limb gray xpos ypos back-leg] ;; tylna noga
ask path 3 [draw-limb gray xpos ypos + 12 back-arm] ;; tylen rami�
ask path 1 [draw-limb white xpos ypos front-leg] ;; przednia r�ka
ask path 2 [draw-limb white xpos ypos body] ;; cia�o
ask path 4 [draw-limb white xpos ypos + 12 front-arm] ;; przednie ramie
create-circle-paths 1 [initialize-circle-paths]
set-default-shape circle-paths "circle 2"
ask circle-path 5 [setxy xpos 15 set size 6 set color white stamp]
end
Program wykorzystuje dwa typy ��wi do rysowania �cie�ek, jedn� za pomoc� linii prostych do rysowania ko�czyn i cia�a, a drug� za pomoc� okr�g�ej �cie�ki do rysowania g�owy. Kod opiera si� na dw�ch podstawowych procedurach - draw-limb i l draw-stick-figure. Procedura draw-limb s�u�y do rysowania ko�czyny, r�ki lub nogi, poprzez narysowanie �cie�ki sk�adaj�cej si� z trzech punkt�w - punkt�w pocz�tkowych, �rodkowych i ko�cowych - z dwiema liniami prostymi ��cz�cymi punkt �rodkowy z pozosta�ymi dwoma punktami. Parametr limb-color s�u�y do okre�lenia, jaki kolor rysowane s� punkty i linie. Mo�na go u�y� do nadania g��bi figurze przy u�yciu ja�niejszego koloru (na przyk�ad white) dla ko�czyn przednich i ja�niejszego koloru dla ko�czyn tylnych (gray). Dla wygody procedura jest r�wnie� stosowana jako rysunek cia�a jako pojedynczej linii. Procedura draw-stick-figure rysuje figurk�, najpierw rysuj�c tyln� nog� i rami�, a nast�pnie przedni� nog�, nast�pnie cia�o i przednie rami�, a na ko�cu g�ow�. W procedurze g��wnej go wielokrotnie powtarzana jest procedura draw-stick-figure z sze�cioma r�nymi specyfikacjami, kt�re okre�laj� nieco inne pozycje ko�czyn. Model Stick Figure Animation idzie dalej i pozwala u�ytkownikowi tworzy� wiele figurek i przemieszcza� je tak, jak pokazano na rysunku 4.8. Program pozwala u�ytkownikowi zarejestrowa� migawk� ekranu jako "ramk�", a nast�pnie odtworzy� wszystkie klatki na raz w celu utworzenia sekwencji animacji.

Model dzia�a poprzez nagrywanie klatek w nowatorski spos�b. Zamiast przechowywa� informacje o ��wiach i linkach w ka�dej klatce osobno, tworzone s� nowe kopie ��wia i agent�w link�w, a stare kopie s� nast�pnie ukrywane przed przegl�dark�. Innymi s�owy, wszystkie stare ramki nadal istniej� w �rodowisku - u�ytkownik po prostu nie widzi ich wszystkich. Powi�zany z ka�dym agentem jest dodatkowa informacja do przechowywania numeru klatki podczas jej nagrywania. To jest nast�pnie u�ywane do okre�lenia, kiedy ka�dy agent powinien by� wizualizowany podczas sekwencji animacji. Spos�b wykonania tej czynno�ci przedstawiono w kodzie NetLogo

breed [points point] ; punkty zwi�zane z postaci� prostej
breed [heads head] ; dla rysowania g�owy
breed [sides side] ; cztery boki kwadratu wyboru
turtles-own
[ frame ; numer klatki ��w jest powi�zany z
child ] ; kopi� ��wia dla nast�pnej klatki
links-own [link-frame] ; liczba ramek, z kt�rymi link jest powi�zany
globals
[ frames ; ile ramek do tej pory
selected ] ; zestaw agenta aktualnie wybranych obiekt�w
to start-recording
clear-all
set frames 0 ; jak dot�d brak ramek
set-default-shape points "circle" ; to jest kszta�t punkt�w
set-default-shape heads "circle 2"
;aki jest kszta�t g�owy postaci
set-default-shape sides "line"
; jest to kszta�t bok�w wybranego regionu
;; pocz�tkowo nie wybrano �adnych ��wi
set selected no-turtles
end
to record-this-frame
; rejestruje bie��c� �ramk�, kopiuj�c wszystkich agent�w i ��cza,
; czyni�c ich wszystkich niewidocznymi, a nast�pnie zwi�kszaj�c ich liczb� klatek
let this-child nobody
let that-child nobody
let this-colour white
let this-thickness 1
let this-frame 0
ask turtles with [frame = frames]
[ ; nagraj wszystkie ��wie w tej ramce dla potomno�ci
hatch 1 ; zr�b now� kopi� tego ��wia na nast�pn� klatk�
[ set frame frames + 1
set this-child self ]
set child this-child
hide-turtle ; uczy� star� kopi� niewidoczn�
]
ask turtles with [frame = frames]
[ ; nagraj r�wnie� wszystkie ich linki dla potomno�ci
set this-child child
ask my-links
[ ; skopiuj ten link
set that-child [child] of other-end
set this-colour color
set this-thickness thickness
ask this-child ; zr�b now� kopi� tego linku do nast�pnej klatki
[ setup-link that-child this-colour this-thickness (frames + 1) ]
hide-link ; uczy� star� kopi� niewidoczne
]
]
set frames frames + 1
end
to setup-link [ this-turtle colour this-thickness this-frame ]
; do skonfigurowania ��cza
create-link-with this-turtle
[
set link-frame this-frame
set thickness this-thickness
set color colour
]
end
to play-frames
; tworzy animacj�, odtwarzaj�c wszystkie klatki, kt�re zosta�y
; zarejestrowane jako niewidzialne ��wie i linki
let this-frame 0
while [this-frame <= frames]
[ ; wy�wietl wszystkie klatki po kolei
ask turtles [ hide-turtle ] ; najpierw ukryj wszystkie ��wie
ask links [ hide-link ] ; ukryj r�wnie� po��czonych
ask turtles with [frame = this-frame]
[ show-turtle ]
ask links with [link-frame = this-frame]
[ show-link ]
display
wait frame-delay
set this-frame this-frame + 1
] end

Kod definiuje trzy typy agent�w: points, okre�laj�ce, gdzie r�ce, �okcie, stopy, kolana, szyja i d� s� dla postaci; head, do okre�lenia, gdzie jest g�owa; i sides, u�ywane do wybierania agent�w ��wia podczas edycji. Nast�pnie definiuje trzy procedury zwi�zane z przyciskami start-recording, record-frame i play-frames w lewym g�rnym rogu interfejsu modelu. Wszyscy agenci ��wie (tj. g�owy i punkty) posiadaj� dwie zmienne: frame, kt�ra jest numerem ramki podczas tworzenia obiektu; i child, kt�re jest u�ywane przez procedur� record-this-frame, aby pom�c w kopiowaniu powi�za� mi�dzy agentami ��wia. W efekcie jest to wska�nik od napastnika do agenta podrz�dnego, gdy agenci i ��cza s� kopiowane podczas tej procedury. S�u�y do zapewnienia powi�za� mi�dzy agentami potomnymi r�wnolegle do ��czy mi�dzy agentami macierzystymi po ich skopiowaniu. Macierzy�ci agenci staj� si� niewidzialni. Procedura play-frames wykonuje nast�pnie animacj�, zwi�kszaj�c liczb� klatek i wy�wietlaj�c tylko tych agent�w i ��cza, kt�re maj� bie��cy numer klatki, podczas gdy wszystko inne staje si� niewidoczne. Chocia� kod dla tego jest stosunkowo prosty, nie jest to najbardziej efektywny spos�b wykonywania animacji - cyklicznie przechodzi przez wszystkich agent�w z ka�dej klatki, co mo�e spowolni� animacj�, je�li liczba agent�w i ramek jest du�a. Op�nienie jest r�wnie� dodawane w celu spowolnienia animacji - mo�na to kontrolowa� za pomoc� suwaka frame-delay w interfejsie modelu. Procedura start_recording po prostu usuwa �rodowisko, ustawia domy�lne kszta�ty dla ka�dego z agent�w i ustawia zmienn� globaln� selected na pusty zestaw agent�w ��wi. Ta zmienna jest u�ywana podczas edycji, gdy mysz jest klikni�ta lub przeci�gni�ta, aby pokaza�, kt�re ��wie zosta�y wybrane do przemieszczania si� lub do usuni�cia. Kod do tego mo�na znale�� w modelu, pod��aj�c za linkiem URL poni�ej. Zwr�� uwag�, �e ten model u�ywa tego samego kodu, co w przypadku mapy.

Animowane mapowanie i symulacja

Celem map jest przedstawienie sposobu reprezentowania tego, co istnieje w �rodowisku. Wiele map, takich jak mapy topograficzne, to statyczne reprezentacje �rodowiska - reprezentuj� tylko obiekty, kt�rych po�o�enia si� nie zmieniaj�. Jednak �rodowiska s� zwykle dynamiczne z punktu odniesienia obserwatora, gdzie pozycje agent�w i obiekt�w zmieniaj� si� stale wraz z up�ywem czasu. Oczywi�cie, potrzebujemy jakiej� metody reprezentowania agent�w i obiekt�w w ruchu, je�li chcemy odpowiednio reprezentowa� �rodowisko, kiedy je mapujemy. Jednym z rozwi�za� opracowanych od 1950 roku jest "animowane mapowanie", kt�re ��czy animacj� komputerow� z mapowaniem. Animacj� mo�na zdefiniowa� jako szybkie wy�wietlanie obraz�w 2D lub 3D w celu stworzenia iluzji scen ruchu. W mapowaniu animowanym mapa s�u�y do reprezentowania statycznych relacji istniej�cych w �rodowisku, a nast�pnie nak�adana jest na animacj� w celu odzwierciedlenia zmian zachodz�cych w �rodowisku w czasie. Wizualizacja umo�liwia ogl�danie historycznych wydarze� i zmian� skali czasowej - albo poprzez przyspieszenie animacji, aby by�a szybsza ni� w czasie rzeczywistym, albo poprzez jej spowolnienie. Zmieniaj�c sekwencj� zdarze� i wypr�bowuj�c r�ne scenariusze (to znaczy pytaj�c pytania typu "co je�li", takie jak "co by si� sta�o, gdyby do tego dosz�o ...?"), Wizualizacja bardziej przenosi si� w symulacj� ni� odwzorowywanie. Rola symulacji polega na na�ladowaniu lub modelowaniu system�w naturalnych lub ludzkich lub na okre�leniu mo�liwych konsekwencji zestawu dzia�a� wykonywanych przez agent�w lub mo�liwych przysz�ych pozycji obiekt�w w ruchu. G��wn� rol� mapowania jest reprezentowanie jak najbli�szej istniej�cej relacji �rodowiskowej, ale kolejn� rol� jest wykorzystanie jej do przewidywania, co mo�e nast�pi� w przysz�o�ci za pomoc� symulacji. Niekt�re przyk�ady animowanego mapowania to wizualizacja spadku Arktyki Lodowiec i Lodowa Grenlandia w ostatnich latach, rozprzestrzenianie si� cywilizacji i wzrost populacji w ci�gu ostatnich dw�ch stuleci, oraz przewidywane �cie�ki huragan�w, jak cz�sto s� pokazywane na kana�ach pogodowych. Animacja zapewnia mo�liwo�� dodania kolejnego wymiaru czasu, kt�ry jest trudny do przedstawienia na mapach statycznych, i obejmuje zmienne, takie jak czas trwania, szybko�� zmiany i jej po�o�enie, zdarzenia kolejno�ci, czas wyst�pienia zmian, cz�stotliwo�� i synchronizacja. Korzystanie z animowanych map w Internecie zwi�ksza si�, gdy u�ytkownik ma mo�liwo�� obserwowania, jak zmiany zachodz� w czasie i gdzie u�ytkownik mo�e r�wnie� manipulowa� r�nymi parametrami, takimi jak punkt widzenia, szybko�� zmian i typ danych wizualizowanych. . Biblioteka modeli w NetLogo zawiera r�wnie� przyk�ady animowanego mapowania. Model Wielkiego Kanionu symuluje opady na wschodnim kra�cu Wielkiego Kanionu (gdzie Kanion Szalonego Dziadka i Saddle Canyon spotykaj� si�, tworz�c Kanion Tapeats). Ka�da �ata w symulowanym �rodowisku odpowiada obszarowi oko�o 32 m na ka�dej stronie i jest oparta na danych z National Elevation Dataset dost�pnego pod adresem http://seamless.usgs.gov. Na rysunku poni�ej pokazano dwa zrzuty ekranu po tym, jak model w oddzielnych symulacjach wykonano odpowiednio dla 50 tik�w i 100 tik�w, przy oporze ustalonym na 10 kropli na zaznaczenie. Symulacja reprezentuje wy�sze poziomy w l�ejszych kolorach i ni�szych rz�dach w ciemniejszych kolorach. jak krople deszczu p�yn� od ja�niejszej do ciemniejszej, i zacznij tworzy� ka�u�e wody w miejscach, gdzie ni�sza kraina jest otoczona wy�szym l�dem.

Kolejnym modelem NetLogo, kt�ry wykorzystuje animowane mapowanie, jest model Continental Divide. Celem tego modelu jest wykazanie, w jaki spos�b dzieli si� kontynentalny kontynent, oddzielaj�cy kontynent od tego, w jaki spos�b deszcz w oddzielnych regionach wp�ywa do dw�ch zbiornik�w wodnych. Przyk�adem u�ytym w symulacji jest kontynent p�nocnoameryka�ski, a dwa zbiorniki wodne to oceany Pacyfiku i Atlantyku. Rysunek 4.10 pokazuje cztery zrzuty ekranu przy r�nych tikach - przy 0 kleszczach (g�rny lewy), 407 kleszczach (prawy g�rny r�g), 791 tykni�� (lewy dolny r�g) i 1535 tykni�� (prawy dolny r�g). W symulacji model jest inicjowany za pomoc� mapy elewacji, a nast�pnie oba oceany wzrastaj� przyrostowo, a dwie r�wniny zalewowe stopniowo zbli�aj� si� ku sobie wzajemnie na kontynencie, a� ostatecznie zderzaj� si� ze sob�. Tam, gdzie zderzaj� si� ze sob�, jest miejsce podzia�u kontynentalnego. Animowane mapowanie i symulacja r�wnie� daj� mo�liwo�� przedstawienia wiedzy, kt�ra jest bardziej zbli�ona do usytuowania i realizacji w Sztucznej Inteligencji przyj�tej u nas. Dalsze szczeg�y tego znajduj� si� w cz�ci 9. W nast�pnych kilku cz�ciach b�dziemy r�wnie� bada�, w jaki spos�b mo�emy uzyska� podstawowych agent�w w NetLogo, aby wykonywa� animowane ruchy i ruchy w prostych �rodowiskach 2D oraz tworzy� animowane labirynty. Przyk�ady z labiryntu zostan� wykorzystane w kolejnych rozdzia�ach, aby pom�c w wyja�nieniu wa�nych typ�w zachowa� agenta, takich jak wyszukiwanie. Ponadto wszystkie modele NetLogo opisane w tych ksi��kach i znalezione w Bibliotece modeli mo�na uzna� za przyk�ady animowanego mapowania i symulacji

Podsumowanie

Podkre�lono znaczenie przep�ywu dla po�o�onych agent�w. Z perspektywy projektowania mo�emy scharakteryzowa� zachowanie agenta i podejmowanie decyzji z punktu odniesienia obserwatora w kategoriach ruch�w, kt�re on eksponuje. Je�li mamy mapowa� �rodowiska i zachowania w celu zaprojektowania zorientowane na agenta systemy sztucznej inteligencji, a nast�pnie ruch musi zosta� uwzgl�dniony. Animacja map przedstawia jeden ze sposob�w osi�gni�cia tego. Podsumowanie wa�nych poj��, kt�re nale�y wyci�gn�� z tego rozdzia�u, pokazano poni�ej:

• *Ruch dla agenta dotyczy tego, w jaki spos�b agent porusza swoim cia�em i jak wybiera poruszanie si� po �rodowisku.
• *Ruch odnosi si� do ci�g�ej zmiany po�o�enia cia�a w wyniku przy�o�onych si�. Ruch jest obserwowany od
• szczeg�lny uk�ad odniesienia. Wszystko jest w ci�g�ym ruchu w stosunku do niesko�czonej liczby ram odniesienia.
• *Zachowanie usytuowanego agenta mo�na scharakteryzowa� pod wzgl�dem ruchu i ruchu w otoczeniu.
• *Animacja komputerowa opiera si� na zjawisku oka zwanym "uporczywo�ci� widzenia", aby zapewni� iluzj� ruchu.
• *Animowane mapy i symulacja s� przydatnymi narz�dziami do reprezentowania i wizualizacji dynamicznych �rodowisk

Uciele�nienie

"Nigdy tak naprawd� nie rozumiesz osoby, dop�ki nie rozwa�asz rzeczy z jego punktu widzenia - dop�ki nie wejdziesz w jego sk�r� i nie przejdziesz przez ni�. "Atticus Finch w "Zabi� drozda" Harper Lee. 1960. "Zasada koordynacji czuciowo-ruchowej stwierdza, �e wszelkie inteligentne zachowanie (na przyk�ad percepcja, kategoryzacja, pami��) ma by� rozumiane jako koordynacja sensoryczno-ruchowa ... Zasada ma dwa g��wne aspekty. Pierwszy dotyczy przyk�adu wykonania. Percepcja, kategoryzacja i pami��, procesy, kt�re do tej pory by�y postrzegane tylko z perspektywy przetwarzania informacji, musz� by� teraz interpretowane z perspektywy obejmuj�cej procesy sensoryczne i motoryczne ... Praktyczna realizacja odgrywa wa�n� rol� w tej koordynacji ... Drugim i bardziej szczeg�owym punktem tej zasady jest to, �e poprzez koordynacj� zmys�owo-ruchow� uciele�nione czynniki mog� strukturowa� sw�j wk�ad i tym samym wywo�ywa� regularno�ci, kt�re znacznie upraszczaj� uczenie si�. "Strukturyzacja danych wej�ciowych" oznacza, �e poprzez interakcj� z otoczeniem generowane s� dane sensoryczne, kt�re nie s� po prostu dane." Rolf Pfeifer i Christian Scheier.

Nasze cia�o i nasze zmys�y

Podobnie jak w przypadku ruchu w poprzedniej cz�ci, nasze cia�o, umys� i zmys�y stanowi� podstaw� wielu powszechnych metafor u�ywanych w ludzkim j�zyku. Nasze zrozumienie jako cz�owieka wywodzi si� z podstawowych poj�� zwi�zanych z naszym fizycznym uciele�nieniem w realnym �wiecie i zmys��w, kt�rych u�ywamy, aby je postrzega�. Cz�sto wyra�amy i rozumiemy abstrakcyjne poj�cia, kt�rych nie mo�emy bezpo�rednio wyczu� na podstawie tych podstawowych poj��. Tradycyjnie, stosuj�c klasyfikacj� najpierw przypisan� Arystotelesowi, za pi�� g��wnych zmys��w uwa�a si� za wzrok, s�uch, w�ch, smak i dotyk. Czasami ludzie odnosz� si� r�wnie� do "sz�stego zmys�u" (czasami nazywanego tak�e pozazmys�ow� percepcj� lub ESP) - mo�emy uzna� to okre�lenie za metafor�, kt�r� ludzie u�ywaj� w j�zyku naturalnym do opisu nie�wiadomych proces�w my�lowych w terminach innego sensu. B��dem jest uwa�anie "sz�stego zmys�u" za rzeczywiste, poniewa� istnieje bardzo ma�o naukowych dowod�w na poparcie tego. Jednak nasze cia�a faktycznie maj� o wiele wi�cej ni� tylko pi�� podstawowych zmys��w, jak pokazuje wyb�r poni�ej

Zmys� : Opis

Wzrok(widzenie) : Zdolno�� oka do wykrywania fal elektromagnetycznych. Mog� to w rzeczywisto�ci by� dwa lub trzy zmys�y jako r�ne recptory kt�re s�u�� do wykrywania koloru i jasno�ci oraz g��boko�ci percepcji (stereopsis) mo�e by� funkcj� poznawcz� m�zgu (to znaczy post-sensorycznego).

S�uch (przes�uchanie) : Zdolno�� ucha do wykrywania wibracji spowodowanych d�wi�kiem.

Zapach (w�ch) : Zdolno�� nosa do wykrywania r�nych cz�steczek zapachu.

Smak : Zdolno�� j�zyka do wykrywania w�a�ciwo�ci chemicznych substancji takich jak �ywno��.Mo�e to by� pi�� lub wi�cej r�nych zmys��w, poniewa� do wykrywania s�u�� r�ne receptory s�odki, kwa�ny, s�ony i gorzki smak.

Dotyk (mechanorecepcja) : Zdolno�� zako�czenia nerw�w, zwykle w sk�rze, do reagowania na zmiany ci�nienia (na przyk�ad, jak jest twardy, czy trwa lub czy�ci si�).

B�l (nocycepcja) : Zdolno�� odczuwania uszkodzenia lub uszkodzenia tkanki. Istniej� trzy rodzaje receptor�w b�lu - w sk�rze (sk�rne), w stawach i ko�ciach (somatyczne) i w ciele narz�dy (trzewne).

R�wnowaga (ekwilibriocepcja) : Zdolno�� uk�adu b��dnika przedsionkowego w uszach wewn�trznych do wyczuwania cia�a ruch, kierunek i przyspieszenie oraz utrzymanie r�wnowagi. S� dwa oddzielne zmys�y zaanga�owane, aby wykry� moment p�du i przyspieszenie liniowe (a tak�e grawitacj�).

Propriocepcja (zmys� kinestetyki) : Zdolno�� do bycia �wiadomym wzgl�dnych pozycji cz�ci cia�a (takich jak gdzie r�ka jest w stosunku do nosa nawet przy zamkni�tych oczach).

Poczucie czasu : Zdolno�� cz�ci m�zgu do �ledzenia czasu, na przyk�ad dobowego (dziennego) rytmy lub kr�tkoterminowy (ultrasyjski) czasomierz.

Poczucie temperatury (termocepcja) : Zdolno�� sk�ry i wewn�trznych przej�� sk�rnych do wykrywania ciep�a i jego braku ciep�o (na zimno).

Zmys�y wewn�trzne (interocepcja) : Zmys�y wewn�trzne, kt�re s� pobudzane z wn�trza cia�a z licznych receptor�w w narz�dy wewn�trzne (takie jak p�ucne receptory rozci�gaj�ce znajduj�ce si� w p�ucach, kt�re kontroluj� cz�sto�� oddech�w i inne wewn�trzne receptory zwi�zane z rumie�cem, po�ykaniem, wymioty, rozszerzenie naczy� krwiono�nych, rozszerzenie gazu w przewodzie pokarmowym i odruch wymiotny podczas jedzenia, na przyk�ad).

Kilka cech autonomicznych agent�w

Z perspektywy projektowania mo�emy uzna� ka�dego agenta za w pewien spos�b uciele�niony, u�ywaj�c zmys��w, aby uzyska� informacje o jego otoczeniu. Mo�emy zdefiniowa� wykonanie w nast�puj�cy spos�b. Autonomiczny agent jest uciele�niony poprzez jak�� manifestacj�, kt�ra pozwala mu wyczu� jego otoczenie. Jego uciele�nienie dotyczy jego fizycznego cia�a, kt�re wykorzystuje do poruszania si� po swoim otoczeniu, jego czujnik�w, kt�re wykorzystuje do uzyskiwania informacji o sobie w stosunku do �rodowiska i jego m�zgu kt�ry wykorzystuje do przetwarzania informacji zmys�owych. Agent istnieje jako cz�� rodowiska, a jego percepcja i dzia�ania s� okre�lane przez spos�b, w jaki wsp�dzia�a on ze �rodowiskiem i innymi agentami poprzez jego realizacj� w dynamicznym procesie. Wcielenie agenta mo�e polega� na fizycznej manifestacji w rzeczywistym �wiecie, takim jak cz�owiek, robot przemys�owy lub pojazd autonomiczny, lub mo�e mie� symulowan� lub sztuczn� manifestacj� w �rodowisku wirtualnym. Je�li zajmuje si� wy��cznie abstrakcyjnymi informacjami, na przyk�ad agentem indeksowania stron WWW, takim jak Googlebot, to jego �rodowisko mo�na z perspektywy projektowania reprezentowa� jako przestrze� n-wymiarow�, a jego mo�liwo�ci wykrywania odnosz� si� do ruchu wok� tej przestrzeni. Podobnie, rzeczywiste �rodowisko dla czynnika ludzkiego lub zrobotyzowanego mo�e by� uwa�ane za przestrze� n-wymiarow�, a uciele�nienie agenta odnosi si� do jego zdolno�ci do uzyskiwania informacji o rzeczywistym �rodowisku podczas poruszania si�. Mo�emy uwa�a� cia�o agenta za zmys�owe urz�dzenie do przechwytywania danych wej�ciowych. Na przyk�ad zmys�y w ludzkim ciele s� dyktowane przez jego uciele�nienie - to znaczy, �e ca�e cia�o ma wiele czujnik�w, kt�re wyst�puj� w ca�ym ciele, umo�liwiaj�c naszemu umys�owi uzyskanie "obrazu" ca�ego cia�a, gdy oddzia�uje ono na �rodowisko . Pfeiffer i Scheier podkre�laj� wa�n� rol�, jak� musi spe�nia� uciele�nienie i koordynacja sensoryczno-motoryczna w okre�laniu inteligentnego zachowania. Craig Reynolds opisuje dalsze cechy autonomicznych czynnik�w, kt�re mo�na wykorzysta� do rozr�nienia r�nych klas autonomicznych czynnik�w, takich jak usytuowanie i zachowanie reaktywne. Mo�emy zdefiniowa� usytuowanie w nast�puj�cy spos�b. Autonomiczny agent znajduje si� w swoim �rodowisku, dziel�c si� nim z innymi agentami i obiektami. Dlatego jego zachowanie jest okre�lane z perspektywy pierwszoosobowej przez jego interakcje mi�dzy agentami oraz interakcje mi�dzy agentami. Autonomous agents wykazuj� a zakres zachowa�, od czysto reaktywnych do bardziej deliberatywnych lub kognitywnych. M�wi si�, �e autonomiczny agent znajduje si� w �rodowisku wsp�dzielonym przez innych agent�w i / lub innych obiekty. Agent mo�e by� wyizolowany samodzielnie, na przyk�ad agent wyszukiwania danych wyszukuj�cy wzorce w bazie danych znajduj�cej si� w abstrakcyjnej n-wymiarowej przestrzeni reprezentuj�cej �rodowisko bazy danych. Umieszczony agent mo�e mie� wiele zachowa�, od czysto reaktywnych, gdy czynnik jest regulowany przez bodziec, kt�ry otrzymuje od swoich zmys��w, po funkcje poznawcze, gdzie agent rozwa�a bodziec, kt�ry otrzymuje i decyduje o odpowiednich dzia�aniach. Przy czysto reaktywnym podej�ciu agent nie musi utrzymywa� reprezentacji �rodowiska - �rodowisko jest w�asn� baz� danych, kt�r� mo�e po prostu "sprawdzi�", bezpo�rednio z ni� wsp�pracuj�c. Z kolei agent poznawczy u�ywa reprezentacji tego, co dzieje si� w �rodowisku, aby podejmowa� decyzje. Reynolds zauwa�a, �e kombinacje atrybut�w zawartych, usytuowanych i reaktywnych definiuj� odr�bne klasy autonomicznych czynnik�w, z kt�rych niekt�re przedstawiono w tabeli poni�ej. Jednak, w przeciwie�stwie do Reynoldsa, b�dziemy uwa�a�, �e wszyscy agenci znajduj� si� w jakim� �rodowisku (czy jest to rzeczywiste, wirtualne lub abstrakcyjne �rodowisko, reprezentowane przez jak�� n-wymiarow� przestrze�) i uciele�nione dzi�ki zdolno�ci do odczuwania i interakcji ze swoim �rodowiskiem w w jaki� spos�b, jawnie lub niejawnie

Typ agenta : Opis : Przyk�ad (y)

Ludzie i inni prawdziwi,�ywi ,agenci : Organiczne byty, kt�re istniej� w realnym �wiecie. :My sami; stworzenia biologiczne.

Rzeczywiste autonomiczne roboty : Urz�dzenia mechaniczne, kt�re znajduj� si� w prawdziwym �wiecie. : Roboty w fabryce samochod�w; pojazdy autonomiczne (AV).

Prawdziwe p�autonomiczne roboty : Urz�dzenia mechaniczne, kt�re s� cz�ciowo autonomiczne, a cz�ciowo obs�ugiwany przez ludzie, usytuowani w prawdziwym �wiecie. : Roboty marsja�skie, Spirit i Opportunity; Roboty do usuwania bomb.

Agenci wirtualni : Prawdziwi agenci, kt�rzy znajduj� si� w wirtualnym �wiecie. : Nieodtwarzane postacie (NPC) w grach komputerowych

Wirtualni p�-autonomiczni agenci : �rodki cz�ciowo autonomiczne, oraz cz�ciowo obs�ugiwany przez ludzi, usytuowany w �wiecie wirtualnym : Awatary; strzelanki pierwszoosobowe w gry komputerowe; agenci w sportowych grach symulacyjnych

Symulowani agencji : Agenci, kt�rzy s� badani metodami obliczeniowymi, symulacja usytuowana w wirtualnym �wiecie. : Symulacje sztucznego �ycia; symulacje robot�w.

Dodanie mo�liwo�ci wykrywania do Turtle Agents w NetLogo

Mo�emy zaprojektowa� agent�w ��wi NetLogo wprowadzone w poprzedniej cz�ci, aby uwzgl�dni� mo�liwo�ci wykrywania za pomoc� wcielonej, usytuowanej perspektywy projektowania. Jednym z powod�w tego jest to, �e chcieliby�my u�y� agent�w ��wia do przeszukiwania labirynt�w (a nie tylko ich narysowania), aby zademonstrowa� zachowanie podczas wyszukiwania za pomoc� animowanych technik mapowania. Wyszukiwanie jest wa�nym procesem, kt�ry agent musi wykona�, aby odpowiednio wykonywa� wiele zada�. Jednak zanim agent b�dzie m�g� wyszukiwa�, musi najpierw mie� mo�liwo�� wykrywania obiekt�w i innych agent�w istniej�cych w �rodowisku w celu znalezienia obiektu lub agenta, kt�rego szuka. Bez trudu mogliby�my zastosowa� bezcielesne rozwi�zanie do wyszukiwania w labiryncie. W tym podej�ciu agent ��wia przeprowadzaj�cy wyszukiwanie po prostu pod��a �cie�kami, kt�rych ruch zosta� wst�pnie zdefiniowany w programie (podobnie jak w modelach rysunkowych labiryntu). Alternatywne, uciele�nione podej�cie polega na tym, �e agent ��wia jest zaprogramowany z mo�liwo�ci� "patrzenia" w �rodowisko labiryntu, interpretowania tego, co "widzi", a nast�pnie wybierania �cie�ki, kt�r� chce pod��a�, nie ograniczaj�c si� do wst�pnie zdefiniowanych �cie�ek kt�re by�y wymagane do rozwi�zania bezcielesnego. �atwo zaprogramowane funkcje wykrywania cz�sto spotykane w animacjach komputerowych i silnikach gier komputerowych opieraj� si� na detekcji blisko�ci. Tutaj agent "wyczuwa", czy w pobli�u znajduje si� obiekt, a nast�pnie decyduje o odpowiednim zachowaniu w odpowiedzi. Model Look Ahead Example, kt�ry jest dostarczany wraz z bibliotek� modeli NetLogo, implementuje agent�w ��wia z podstawow� form� wykrywania blisko�ci, skutecznie symuluj�c elementarn� form� widzenia, przez co agenci "patrz�" przed siebie na niewielk� odleg�o�� w kierunku podr�y, zanim zaczn� si� porusza� . Proces patrzenia w przysz�o�� pozwala ka�demu agentowi ��wia okre�li�, co znajduje si� przed nim, a nast�pnie, w razie potrzeby, zmieni� jego kierunek. Zrzut ekranu modelu pokazano na rysunku

Na obrazie pokazano pi�� agent�w ��wi pod��aj�cych r�nymi �cie�kami, jak przedstawiaj� to czerwone linie zygzakowate, z grotem strza�ki wskazuj�cym aktualn� pozycj� ��wia i wskazuj�c� aktualny kierunek podr�y. Kiedy ��w wykryje przeszkod� przed nim, zmieni sw�j kierunek na nowy losowy nag��wek. Kod modelu przedstawiono w kodzie NetLogo

;; Ta procedura konfiguruje �atki i ��wie
to setup
;; Wyczy�� wszystko.
clear-all
;; Spowoduje to utworzenie �szachownicy� z niebieskimi �atami. Co trzeci patch
;; b�dzie niebieski (pami�taj, �e modulo daje reszt� podzia�u).
ask patches with [pxcor mod 3 = 0 and pycor mod 3 = 0]
[ set pcolor blue ]
;; To sprawi, �e najbardziej zewn�trzne �aty b�d� niebieskie. Ma to na celu zapobieganie
;; ��wie z owijania na ca�ym �wiecie. Zauwa�, �e u�ywa liczby
;; �atki s�siada zamiast lokalizacji. To jest lepsze, poniewa� to ;; pozwoli ci zmieni� zachowanie ��wi poprzez zmian�
;; kszta�tu �wiata (i jest mniej podatny na pomy�ki)
ask patches with [count neighbors !
[ set pcolor blue ]
;; Spowoduje to utworzenie ��wi na losowo wybranej liczbie ��wi
;; czarne �aty.
ask n-of number-of-turtles (patches with [pcolor = black])
[
sprout 1
[ set color red ]
]
end
;; Ta procedura powoduje ruch ��wi
to go
ask turtles
[
;; Ten wa�ny warunek okre�la, czy maj� zamiar wej�� do
;; niebieska �atka. To pozwala nam podj�� decyzj�, co robi� PRZED
;; ��w wchodzi w niebiesk� plam�. To dobry spos�b na symulacj� obrazu ;; �ciana lub bariera, na kt�r� ��wie nie mog� si� porusza�. Zauwa�, �e nie

;; u�yj jakichkolwiek informacji o kursie lub pozycji ��wia. Pami�taj,
;; �atka z wyprzedzeniem 1 to �atka, na kt�rej by�by ��w, gdyby si� poruszy� ;; naprz�d 1 w bie��cym nag��wku.
ifelse [pcolor] of patch-ahead 1 = blue
[ lt random-float 360 ] ;; We see a blue patch in front of us. Turn a
;; losowa ilo��
[ fd 1 ] ;; W przeciwnym razie przej�cie do przodu jest bezpieczne.
]
tick
end

Je�li uruchomimy model d�u�ej (400 cykli lub wi�cej) przy zmiennej liczbie ��wi ustawionej na 50 zamiast 5, w�wczas czerwone �cie�ki szybko pokrywaj� wi�kszo�� pustej przestrzeni w otoczeniu, jak pokazano na rysunku

Ten przyk�ad pokazuje, jak stosunkowo skromna liczba agent�w o bardzo ograniczonych mo�liwo�ciach wykrywania wci�� mo�e bardzo szybko ca�kowicie pokry� ca�e �rodowisko. Taka zdolno�� do grupy prawdziwych agent�w jest cz�sto bardzo u�yteczn� cech�, na przyk�ad owady, takie jak mr�wki, kt�re musz� znale�� r�d�a po�ywienia. Z punktu widzenia obserwatora podczas uruchamiania modelu mo�na �atwo doj�� do b��dnego wniosku, �e agenci celowo przeszukuj� swoje �rodowisko, ale analiza kodu NetLogo ujawnia, �e agenci w tym przyk�adzie s� po prostu bardziej reaktywni ni� poznawczy - oni nie celowo przeszukuj otoczenie, ale w wyniku ich prostego, po��czonego zachowania, osi�gnij taki sam efekt, jaki osi�gaj� agenci o bardziej �wiadomym zachowaniu w wyszukiwaniu dzi�ki ich zdolno�ci do koordynowania i ��czenia wynik�w. Dzi�ki detekcji blisko�ci mo�emy r�wnie� symulowa� czujniki do "dotykania" i "patrzenia". Model �ciana po przyk�adzie w Bibliotece modeli NetLogo przybli�a akcj� dotykania agenta, �ci�le �ledz�c obiekt w �rodowisku. Zrzut ekranu modelu pokazano na rysunku.

�cie�ki ��wi s� pokazane na rysunku, poniewa� w interfejsie modelu wybrano przycisk przewijania. Zachowanie agenta ��wia jest nazywane "�cian�", poniewa� jest analogiczne do prawdziwego agenta utrzymuj�cego bliski kontakt z zewn�trzn� stron� budynku podobn� do r�ki na �cianie zachowanie labirynt�w. Widoczne na obrazie �rodowisko 2D NetLogo mo�na traktowa� jako map�, kt�ra zapewnia widok z lotu ptaka na wyimaginowane �rodowisko 3D zawieraj�ce budynki, a kraw�dzie obiekt�w na obrazie reprezentuj� zewn�trzne �ciany budynku. Na obrazie niebieskie ��wie pod��aj� za praw� �cian�, podczas gdy zielone ��wie pod��aj� za lew� �cian�. ��wie wol� zachowa� �cian�, kt�r� pod��aj� po okre�lonej stronie cia�a - dla niebieskich ��wi wol� praw� stron�; zielone ��wie wol� lew� stron�. Kod modelu jest pokazany w NetLogo Code

turtles-own [direction] ;; 1 pod��a za praw� �cian�,
;; -1 pod��a za �cian� po lewej stronie
to setup
clear-all
;; stw�rz losowe �ciany, za kt�rymi pod�� wie.
;; szczeg�y nie s� wa�ne
ask patches [ if random-float 1.0 < 0.04 [ set pcolor brown ] ]
ask patches with [pcolor = brown]
[ ask patches in-radius random-float 3 [ set pcolor brown ] ]
ask patches with [count neighbors4 with [pcolor = brown] = 4]
[ set pcolor brown ]
;; teraz zr�bcie ��wie. SPROUT stawia ��wie na �rodkach �at
ask n-of 40 patches with [pcolor = black] [
sprout 1 [
if count neighbors4 with [pcolor = brown] = 4
[ die ] ;; trapped!
set size 2 ;; wi�ksze ��wie s� lepiej widoczne
set pen-size 2 ;; grubsze linie s� lepiej widoczne
face one-of neighbors4 ;; twarz� na p�noc, po�udnie, wsch�d lub zach�d
ifelse random 2 = 0
[ set direction 1 ;; pod��aj za praw� �cian�
set color blue ]
[ set direction -1 ;; pod��aj za lew� �cian�
set color green ]
]
]
end
to go
ask turtles [ walk ]
tick
end
to walk ;; procedura ��wia
;; obro� w prawo je�li konieczne
if not wall? (90 * direction) and wall? (135 * direction)
[ rt 90 * direction ]
;; w razie potrzeby skr�� w lewo (czasami wi�cej ni� raz)
while [wall? 0] [ lt 90 * direction ]
;; ruszaj naprz�d
fd 1
end
to-report wall? [angle] ;; turtle procedure
;; zwr�� uwag�, �e k�t mo�e by� dodatni lub ujemny. je�li k�t jest r�wny ;; pozytywne, ��w wygl�da dobrze. je�li k�t jest ujemny,
;; ��w wygl�da w lewo.
report brown = [pcolor] of patch-right-and-ahead angle 1
end

Procedura chodzenia okre�la chodzenie agent�w ��wia. Ka�dy agent ma zmienn� kierunku, kt�ra definiuje stron�, kt�r� woli utrzyma� na �cianie. Je�li po preferowanej stronie nie ma �ciany, ale po tej stronie znajduje si� �ciana, to ��w musi zwr�ci� si� do preferowanej strony aby nie zgubi� �ciany. Je�li �ciana znajduje si� bezpo�rednio z przodu, to ��w przesuwa si� zawsze w stron� przeciwn� do preferowanej strony, a� znajdzie przed sob� otwart� przestrze�, w kt�rej mo�e si� przesun�� do przodu. Zar�wno model Look Ahead Example jak i Wall Following demonstruj� wsp�lny modus operandi dla uciele�nionych, usytuowanych agent�w, kt�ry sk�ada si� z pierwszego wykrywania, po kt�rym nast�puje selekcja i wykonanie zachowania. Ten modus operandi jest jedn� z mo�liwych metod dzia�ania dla czynnika reaktywnego, kt�ry polega na tym, �e agent najpierw wyczuwa, co dzieje si� w �rodowisku, a nast�pnie decyduje si� wykonywa� okre�lone zachowania w oparciu o to, co wyczuwa. W przypadku modelu Look Ahead Example agent ��wia najpierw wyczuwa, czy jest przed nami niebieska �ata, a nast�pnie wybiera pomi�dzy obracaniem a poruszaniem si� do przodu w oparciu o to, czego si� dowie. W przypadku modelu Wall Following Example agent najpierw wyczuwa, czy straci� �cian� i reaguje, obracaj�c, je�li to konieczne. Wtedy agent wielokrotnie wyczuwa, czy przed nim jest �ciana, a nast�pnie si� obraca, a� wreszcie wyczuwa, �e nie ma ju� przed ni� �ciany, po kt�rej porusza si� do przodu. Aparatura sensoryczna czynnika jest wa�nym czynnikiem przy okre�laniu mo�liwego wyniku zachowania agenta. Je�li agent nie ma mo�liwo�ci wykrywania, nie ma mo�liwo�ci reagowania na jego otoczenie. Podobnie, je�li mo�liwo�ci wykrywania s� pod pewnymi wzgl�dami ograniczone, agent nie b�dzie w stanie odpowiada� zdarzeniom, kt�re wyst�puj� w �rodowisku, kt�re wykracza poza zakres lub zakresy, kt�re mo�e wykry�. Na przyk�ad, dla wzroku, koty mog� widzie� w s�abym �wietle ze wzgl�du na specjalne mi�nie oka, niekt�re w�e maj� specjalne narz�dy i nietoperze maj� czujniki w�z�owe, kt�re pozwalaj� im wykry� �wiat�o podczerwone, a niekt�re ptaki widz� w ultrafiolecie do 300 nanometr�w. Natomiast ludzie maj� w�szy zakres widzenia ni� te przyk�ady, kt�re ograniczaj� i definiuj� nasz� zdolno�� reagowania na to, co widzimy. Interakcja mi�dzy agentem a �rodowiskiem ma r�wnie� wa�n� rol� do odegrania w okre�laniu tego, co agent wyczuwa. Zosta�o to zilustrowane za pomoc� przyk�adowego modelu linii widzenia w bibliotece modeli NetLogo. Zrzut ekranu modelu pokazano na rysunku

Obraz pokazuje niekt�rych agent�w ��wi poruszaj�cych si� po losowych nag��wkach, a ich obecna linia wzroku jest narysowana kropkami w tym samym kolorze, co kolor agenta. �rodowisko jest wirtualn� reprezentacj� krajobrazu, z wykorzystaniem reprezentacji cz�sto u�ywanej w grafice komputerowej nazywanej map� wysoko�ci. Zielone cieniowanie ka�dego �aty odzwierciedla jego wysoko�� - im ja�niejsze cieniowanie, tym wy�sza jest wysoko�� aty. Na przyk�ad znacz�cy pik wyst�puje w lewym dolnym rogu �rodowiska 2D; ciemnozielony obszar natychmiast po prawej stronie szczytu wskazuje g��bok� depresj�. Linia wzroku jest obliczana z perspektywy pierwszej osoby ka�dego agenta. Bior�c pod uwag� aktualny kurs i lokalizacj� agenta, linia prosta jest wy�wietlana do przodu, okre�laj�c, czy �atki przed agentem nie s� zas�aniane przez nic na wy�szych wysoko�ciach po drodze. W lewej r�ce figury przedstawiono wykres tego, co pomara�czowy agent mo�e "zobaczy�" przed nim. Prawie lewa pionowa kolumna na wykresie pokazuje wysoko�� aty, na kt�rej stoi pomara�czowy agent. Pionowe kolumny po prawej stronie pokazuj� elewacje �at z przodu agenta zgodnie z jego aktualn� pozycj�. Poniewa� kolejne dwie poprawki s� ni�sze od aktualnej wysoko�ci agenta, zosta�y one pomalowane na kolor pomara�czowy, aby wskaza�, �e agent b�dzie w stanie "zobaczy�" t� cz�� terenu. Widok trzeciej �atki jest jednak zas�oni�ty przez wy�sz� elewacj� drugiego plastra, wi�c kolor ten jest czarny, co oznacza, �e agent nie b�dzie w stanie "spojrze�" bezpo�rednio na t� cz�� krajobrazu. Podobnie, ogl�danie tego, co jest na czwartej i sz�stej �atce, jest mo�liwe, poniewa� nie s� zas�aniane przez wy�sze wysoko�ci jakichkolwiek po�rednich �at, ale pozosta�e �atki s� zas�oni�te od linii wzroku. Jako analogi� do rzeczywistej sytuacji, rozwa� cz�owieka pr�buj�cego zlokalizowa� punkt kontrolny (np. czerwon� flag�) w biegu na orientacj� w terenie wydm piaszczystych. Cz�sto czerwona flaga b�dzie zas�oni�ta z linii wzroku osoby, dop�ki osoba nie znajdzie si� do�� blisko flagi, szczeg�lnie je�li jest ona umieszczona w zag��bieniu. Jednak�e, gdy osoba porusza si� w terenie zbli�aj�c si� do flagi, stanie si� widoczna, gdy dana osoba osi�gnie punkt widokowy, kt�ry nie ma interweniuj�cych wzniesie� lub wy�szych nachylonych teren�w blokuj�cych widok. Ten przyk�ad ilustruje znaczenie wykorzystania usytuowanej z perspektywy pierwszoosobowej perspektywy do projektowania uciele�nionych agent�w. Wynikowe zachowanie agent�w jest bardziej wiarygodne z punktu odniesienia obserwatora, a interakcja agent-�rodowisko dodaje do realizmu. Kod modelu jest pokazany w NetLogo Code

breed [walkers walker]
breed [markers marker]
patches-own [elevation]
to setup
ca
set-default-shape markers "dot"
;; ustaw teren
ask patches [ set elevation random 10000 ]
repeat 2 [ diffuse elevation 1 ]
ask patches [ set pcolor scale-color green elevation 1000 9000 ]
create-walkers 6 [
set size 1.5
setxy random-xcor random-ycor
set color item who [orange blue magenta violet brown yellow]
mark-line-of-sight
]
end
to go
;; pozby� si� wszystkich starych marker�w
ask markers [ die ]
;; move the walkers
ask walkers [
rt random 10
lt random 10
fd 1
mark-line-of-sight
]
;;nakre�li� tylko pomara�czowe urz�dzenie
ask walker 0 [ plot-line-of-sight ]
tick
end
to mark-line-of-sight ;; procedura chodzika
let dist 1
let a1 0
let c color
let last-patch patch-here
;; powtarzaj wszystkie �atki
;; zaczynaj�c od �aty bezpo�rednio przed nami ;; przechodz�c przez MAKSYMALN� WIDOCZNO��
while [dist <= maximum-visibility] [
let p patch-ahead dist
;; je�li patrzymy uko�nie w poprzek ;; �atka jest mo�liwe, �e dostaniemy
;; ta sama �atka dla odleg�o�ci x i x + 1
;; ale nie musimy sprawdza� ponownie
if p != last-patch [
;; znajd� k�t mi�dzy pozycj� ��wia
;; i na g�rze �aty.
let a2 atan dist (elevation - [elevation] of p)
;; je�li k�t ten jest mniejszy ni� k�t w kierunku
;; ostatnia widoczna �atka nie ma bezpo�redniej linii od ��wia
;; do danej �atki, kt�ra nie jest zas�oni�ta przez inn�
;; �ata.
if a1 < a2
[ ask p [ sprout-markers 1 [ set color c ] ]
set a1 a2 ]
set last-patch p
]
set dist dist + 1
]
end

W g��wnej metodzie, agenci ��wie wykonuj� ma�� losow� praw�, a nast�pnie lew� tur� (zmieni to lekko ich nag��wek), przesuwaj� si� do przodu o 1 stopie�, a nast�pnie wyznaczaj� lini� wzroku, wykonuj�c procedur� mark-line-of-sight. Procedura ta przechodzi przez wszystkie �atki przed agentem do maksymalnej odleg�o�ci zdefiniowanej przez zmienn� interfejsu maximum-visibility. Dla ka�dej odr�bnej �atki wzd�u� linii bie��cego nag��wka agenta, najpierw znajduje k�t mi�dzy po�o�eniem ��wia a wierzcho�kiem �aty. Je�li k�t do ostatniej widocznej �aty jest mniejszy ni� ten k�t, to jej widok �aty nie jest zatkany i rysuje znacznik w �rodowisku, aby pokaza�, �e widzi dany patch. Zakres widzenia mo�na rozszerzy� aby obejmowa� sto�ek zamiast pojedynczej linii za pomoc� wbudowanego reportera in-cone NetLogo. Ten reporter zg�asza zestaw agent�w, kt�re mieszcz� si� w sto�ku widzenia zdefiniowanym przez parametry odleg�o�ci i k�ta patrzenia. Sto�ek skupia si� wok� bie��cego kursu ��wia. Je�li k�t wynosi 360 �, wyniki s� r�wnowa�ne z promieniem le��cym w polu widzenia. Model Vision Cone Example dostarczony przez bibliotek� modeli NetLogo demonstruje u�ycie tego reportera, jak pokazuj� zrzuty ekranu na rysunku

Lewy zrzut ekranu na rysunku zosta� uzyskany w wyniku ustawienia zmiennej Interfejsu vision-radius na 50 i vision-angl na 40; prawy zrzut ekranu zosta� uzyskany przez ustawienie tych zmiennych odpowiednio na 20 i 360. Kod tego modelu przedstawiono w kodzie NetLogo.

breed [ wanderers wanderer ] ;; du�y czerwony ��w, kt�ry si� porusza
breed [ standers stander ] ;; ma�e szare ��wie, kt�re po prostu tam stoj�
to setup
clear-all
;; zrobi� t�o wielu losowo rozrzuconych obraz�w ;; stacjonarne szare ��wie
create-standers 6000
[
setxy random-xcor random-ycor
set color gray
]
;; zr�b jednego wielkiego czerwonego ��wia, kt�ry b�dzie si� porusza�
create-wanderers 1
[
set color red
set size 15
]
;; uczyni� pocz�tkowo sto�ek wizji
go
end
to go
ask standers [ set color gray ]
ask wanderers
[
rt random 20
lt random 20
fd 1
;; m�g�by u�y� tutaj IN-CONE-NOWRAP zamiast IN-CONE
ask standers in-cone vision-radius vision-angle
[
set color white
]
]
tick
end

Model wykorzystuje dwa typy agent�w - typu wanderer dla du�ego czerwonego agenta, kt�ry bada otoczenie z jego si�� widzenia, jak pokazano na zrzutach ekranu i typ stander, kt�ra s�u�y do narysowania 6000 losowo rozmieszczonych szarych agent�w w �rodowisku w procedurze instalacji. W metodzie g��wnej, tak jak w przypadku przyk�adu Line of Sight, agenci ��wi wykonuj� ma�e losowe prawo, nast�pnie lewy obr�t, a nast�pnie krok 1 w prz�d. Nast�pnie ustawienie koloru wszystkich kolumn w sto�ku widzenia, zdefiniowanych przez zmienne vision-radius i vision-angle, pokazuje ich aktualne pole widzenia. Wyczuwanie w agentach nie musi ogranicza� si� do tradycyjnych zmys��w, takich jak widzenie lub dotyk. Na przyk�ad, r�wnowaga r�wnowagi lub r�wnowaga w po��czeniu z innymi zmys�ami, takimi jak system wzrokowy i propriocepcja, pozwalaj� ludziom i zwierz�tom uzyska� informacje o ich pozycji cia�a w stosunku do najbli�szego otoczenia. Wra�anie mo�e obejmowa� wykrycie dowolnego aspektu �rodowiska, takiego jak obecno��, nieobecno�� lub zmiana w danym atrybucie. Dzi�ki temu agent mo�e �ledzi� gradient w �rodowisku zwi�zanym z atrybutem. Na przyk�ad, przydatny sens dla prawdziwych agent�w to zdolno�� do wykrywania zmian w elewacji, aby m�c w razie potrzeby kierowa� si� w g�r� lub w d�. Przyk�ad modelu Hill Climbing w bibliotece modeli NetLogo pokazuje, w jaki spos�b mo�na wdro�y� taki sens. Zrzut ekranu modelu pokazano na rysunku , a kod pokazano w NetLogo Code

turtles-own
[
peak? ;; wskazuje, czy ��w osi�gn�� szczyt�,
;; to znaczy, �e nie mo�e ju� i�� pod g�r� z miejsca, w kt�rym stoi
]
to setup
clear-all
;; zrobi� krajobraz ze wzg�rzami i dolinami
ask n-of 100 patches [ set pcolor 120 ]
;; lekko wyg�adzi� krajobraz
repeat 20 [ diffuse pcolor 1 ]
;; umie��cie ��wie na centrach �at w krajobrazie
ask n-of 800 patches [
sprout 1 [
set peak? false
set color red
pen-down
]
]
end
to go
;; zatrzymaj si�, gdy wszystkie ��wie osi�gn� szczyt
if all? turtles [peak?]
[ stop ]
ask turtles [
;; pami�taj, gdzie zacz�li�my
let old-patch patch-here
;; aby u�y� UPHILL, ��wie okre�laj� zmienn� �atki
uphill pcolor
;; czy wci�� jeste�my tam, gdzie zacz�li�my? je�li tak, nie zrobili�my tego ;; ruszaj si�, wi�c musimy by� na szczycie
if old-patch = patch-here [ set peak? true ]
]
tick
end

Zrzut ekranu pokazuje agenty ��wia, kt�re rozpoczynaj� si� w przypadkowych miejscach, a nast�pnie przesuwaj� si� stopniowo w g�r� do najwy�szego lokalnego punktu w ich bezpo�rednim otoczeniu (tj. W kierunku �at z najja�niejszym cieniowaniem). Poniewa� pojedynczy punkt wysoki s�u�y jako najwy�szy punkt dla wielu otaczaj�cych �at, powoduje to, �e �cie�ki agent�w ��cz� si� w liniowe wzory linii, jak pokazano na rysunku. Pionowa linia na lewo od figury przedstawia na przyk�ad wierzcho�ek ridgeline w �rodowisku 2D. Jako analogi� do prawdziwych agent�w ludzkich, mo�emy wyobrazi� sobie, �e wielu piechur�w wspina�o si� z r�nych pozycji startowych w g�r� grzbietu, a kiedy dotr� do linii grzbietowej, wszystkie ko�cz� si� po jednej �cie�ce na szczyt. Model wykorzystuje polecenie uphill w NetLogo, kt�re kieruje agenta do przeniesienia do s�siedniej �aty, kt�ra ma najwy�sz� warto�� dla konkretnej zmiennej �atki. Zmienna w tym przypadku jest �atka color. Metoda go ka�e ka�demu ��wiowi kierowa� si� w kierunku do g�ry, dop�ki nie b�dzie to ju� mo�liwe, w kt�rym to przypadku zmienna peak ��wia? jest ustawiona na true, aby wskaza�, �e ��w osi�gn�� szczyt. Kiedy wszystkie ��wie osi�gn� szczyt, wtedy nie jest ju� wykonywane �adne przetwarzanie. Pokazuje, jak r�ne zachowania ��wi "eksploruj�" pusty labirynt. Dzia�anie Hand On The Wall powoduje, �e agent ��wia pod��a za lew� �cian� lub praw� r�k� (jak na rysunku), w zale�no�ci od losowego wyboru, jaki agent wykonuje zaraz po wej�ciu do labiryntu. Agent ��wia bardzo szybko dotrze do wyj�cia z labiryntu na szczycie. Natomiast zachowanie Random Forward 0 spowoduje, �e agentowi ��wia nigdy nie uda si� znale�� wyj�cia do labiryntu. B�dzie on wielokrotnie pod��a� za �cianami w kierunku przeciwnym do ruchu wskaz�wek zegara (jak na rysunku), je�li agent obraca si� natychmiast po pierwszym wej�ciu do labiryntu lub w kierunku zgodnym z ruchem wskaz�wek zegara, je�li najpierw skr�ca w lewo. Jednak nigdy nie zdo�a wydosta� si� z niesko�czonej p�tli, w kt�rej jest uwi�ziony. Taki bezowocny wynik jest typowy dla czynnika reaktywnego. Nie mo�e doj�� do wniosku, �e �le si� dzieje, a nast�pnie odpowiednio dostosowa� swoje zachowanie, aby osi�gn�� po��dany stan - po prostu reaguje. Z punktu widzenia obserwatora bezowocno�� zachowania jest mniej widoczna ni� w przypadku pozosta�ych dw�ch zachowa� zaimplementowanych w modelu, poniewa� wydaje si�, �e agent ma jaki� plan, powtarzaj�c te same kroki w k�ko. (To oczywi�cie by�oby b��dne za�o�enie, agent nie ma �adnego planu). Jednak agenci wykonuj�cy dwa pozosta�e zachowania wykazuj� podobny do siebie wz�r, �e "bezmy�lnie" migocz� wok� otoczenia w pozornie bez celu, losowo, w przeciwie�stwie do ma�ego ptaka lub �my (jak w przypadku zachowania Random Forward 2). w realnym �yciu lub mucha wielokrotnie uderzaj�ca o zamkni�te okno (jak w przypadku zachowania Random Forward 1). Oba mog� by� frustruj�ce, poniewa� oba mog� dotrze� do wyj�cia z wystarczaj�c� ilo�ci� czasu, ale cz�sto, gdy zbli�aj� si� do wyj�cia, mog� uda� si� ca�kowicie w niew�a�ciwym kierunku. Rysunek pokazuje, jak r�ne zachowania ��wi badaj� Labirynt Pa�acu Hampton Court.

Hand On The Wall Behaviour doskonale nadaje si� do tego �rodowiska, poniewa� agent ��wia wykonuj�cy takie zachowanie zawsze osi�gnie cel b�d�cy centrum labiryntu, niezale�nie od tego, czy agent najpierw wybra� skr�t w lewo, czy w prawo (jak pokazano na rysunku). ). Z kolei zachowanie Random Forward 0 spowoduje, �e agentowi uda si� tylko odkry� pierwsz� trzeci� cz�� labiryntu, poniewa� nie mo�e on skr�ci� w prawo lub w lewo w po�owie korytarza. Pozosta�e dwa zachowania spowoduj� w ko�cu sukces dla agent�w, kt�rzy je wykonuj�, ale wymaga to czasu i wysi�ku ze strony agent�w i ogromnego szcz�cia. Rysunek 5.10 pokazuje, jak r�ne zachowania ��wi badaj� labirynt Chevening House.

W The Wall Behaviour ten czas nie jest dobrze dopasowany do tego �rodowiska, poniewa� labirynt zosta� zaprojektowany specjalnie w celu udaremnienia takiego zachowania. Natomiast zachowanie Random Forward 0 mo�e z powodzeniem zako�czy� labirynt w niekt�rych przypadkach, podczas gdy w poprzednim labiryncie zawsze ko�czy�o si� niepowodzeniem. To pokazuje, jak �rodowisko odgrywa kluczow� rol� w okre�laniu sukcesu (lub jego braku) agent�w o r�nych zachowaniach. Zachowanie si� jednak nad wszystkim nie jest zbyt skuteczne, poniewa� przez wi�kszo�� czasu agent zostaje uwi�ziony, bez ko�ca odbijaj�c si� od centrum labiryntu. Pozosta�e dwa zachowania ponownie daj� sukces agentom, kt�rzy je wykonuj�, ale to wymaga czasu i wysi�ku (i szcz�cia) ze strony agent�w. Alternatywn� mo�liwo�ci� wykonania pojedynczego zachowania jest po��czenie dw�ch lub wi�cej zachowa�. Jest to bardzo �atwe do przetestowania w modelu Mazes - po prostu wybierz inne zachowanie, u�ywaj�c selektora turtle-behaviour w interfejsie podczas wykonywania programu. Na przyk�ad dla w prawym dolnym rogu trzeciego rysunku, pocz�tkowe zachowanie zosta�o ustawione na Random Forward 0, a nast�pnie w odpowiednim czasie (aby pom�c agentowi ��wia dotrze� do �rodka labiryntu), zachowanie zosta�o zmienione na Hand On The Wall . Ta kombinacja zachowa� jest zwykle bardziej skuteczna ni� jakiekolwiek pojedyncze zachowanie, nawet je�li prze��czanie odbywa si� losowo, poniewa� Hand On The Wall jest najbardziej skuteczny w robieniu post�pu, ale wymaga czasowego wy��czenia, aby umo�liwi� agentowi w pewnym momencie przeskocz na wysp� po�rodku labiryntu. Z tego mo�na wyci�gn�� wnioski, �e po��czone zachowania mog� by� bardziej skuteczne ni� pojedyncze zachowanie, a to mo�e sta� si� konieczne, gdy zmieni si� otoczenie, je�li agent chce zachowa� skuteczno�� w danym zadaniu

Uciele�nione, po�o�one poznanie

Spos�b, w jaki proste reaktywne �rodki ��wiowe w modelu Mazes powy�ej poruszaj� si� wok� labirynt�w, mo�na por�wna� do wynik�w dla agent�w zachowuj�cych si� poznawczo - czyli agent�w, kt�rzy wiedz�, �e musz� dotrze� do centrum lub wyj�cia z labiryntu i kt�rzy s� w stanie rozpoznaj�, kiedy dotarli do miejsca w labiryncie, kt�re ma wiele �cie�ek do przeszukania. Innymi s�owy, maj� zdolno�� rozpoznania, �e istnieje wyb�r, gdy wyb�r pojawia si� w �rodowisku (np. kiedy agent osi�ga skrzy�owanie w labiryncie). Ten akt rozpoznania jest podstawow� cz�ci� poznania, a tak�e zasadnicz� cz�ci� poszukiwa�. Jest to zwi�zane z sytuacj�, w kt�rej znajduje si� agent, sposobem poruszania si� jego cia�a i interakcji ze �rodowiskiem. Jest to r�wnie� zwi�zane z tym, co dzieje si� w �rodowisku zewn�trznym i / lub co dzieje si� z innymi agentami w tym samym �rodowisku, je�li takie istniej�. Tradycyjne podej�cie do poznania zajmuje punkt widzenia przetwarzania informacji, �e percepcja i uk�ady ruchowe s� urz�dzeniami wej�ciowymi i wyj�ciowymi. Na przyk�ad jedna konkretna metoda charakteryzowania Poznania jest jak cykl "zmys� - my�l - dzia�anie": najpierw agent postrzega co� (zmys�), potem przetwarza to, co postrzega (my�li), potem wykonuje dzia�anie (akt). Ostatnie badania dotycz�ce uciele�nionych nauk kognitywnych zakwestionowa�y jednak takie uproszczone podej�cie do charakteryzowania zachowa� poznawczych i k�ad� wi�kszy nacisk na dynamiczne oddzia�ywanie cia�a z otoczeniem poprzez koordynacj� czuciowo-ruchow�. Alternatywne podej�cie, zwane uciele�nionym, usytuowanym poznaniem, zak�ada, �e wszystkie aspekty poznania agenta kszta�towane s� przez interakcj� cia�a agenta ze �rodowiskiem, w kt�rym si� znajduje, oraz z innymi czynnikami, kt�re wsp�istniej� w tym �rodowisku. W tym podej�ciu cia�o i umys� po�rednika oddzia�uj� jednocze�nie ze sob� i ze �rodowiskiem. Nie ma wewn�trznych reprezentacji, kt�re charakteryzowa�yby ruchy agenta i jego cia�a jako oddzielnych i odr�bnych zdarze� w "sensie - my�l - dzia�aniu". Zamiast tego, odczuwanie, my�lenie i dzia�anie zachodz� i wp�ywaj� na siebie jednocze�nie. W rezultacie wszystkie aspekty poznania, takie jak kategorie, poj�cia, idee i my�li oraz wszystkie aspekty zachowa� poznawczych, takie jak podejmowanie decyzji, wyszukiwanie, planowanie i uczenie si�, s� kszta�towane przez interakcj� mi�dzy umys�em, cia�em i otoczeniem. Wcielona, usytuowana perspektywa poznania jest metod� de rigueur dla pola uciele�nionej naukikognitywnej. Zosta�o to przyj�te na przyk�ad przez badaczy z dziedziny j�zykoznawstwa opartych na wczesnej pracy Lakoffa i Johnsona, kt�re uwypukli�o znaczenie metafory poj�ciowej w ludzkim j�zyku i kt�ra pokaza�a, jak jest ona powi�zana z naszym postrzeganiem poprzez nasz wcielenie i fizyczne uziemienie. . Jest r�wnie� szeroko stosowany w robotyce, wynikaj�cej z prze�omowych prac Rodneya Brooksa w tej dziedzinie, kt�rzy twierdz�, �e maszyny musz� by� fizycznie uziemione w �wiecie rzeczywistym poprzez zmys�owe i motoryczne umiej�tno�ci poprzez cia�o. Dzie�o to dzieli inteligencj� na warstwy zachowa�, kt�re opieraj� si� na fizycznym usytuowaniu agenta w jego otoczeniu i dynamicznej reakcji z nim. Takie podej�cie zyska�o popularno�� tak�e w innych obszarach, takich jak animacja behawioralna i inteligentni agenci wirtualni.

Podsumowanie i dyskusja

Cia�o agenta odgrywa kluczow� rol� w poznaniu. Spos�b, w jaki cia�o agenta wchodzi w interakcje i znajduje si� w jego otoczeniu w po��czeniu z jego systemami wykrywania i motorycznymi, determinuje wiele jego zachowa�. Mo�e wydawa� si� oczywiste, �e autonomiczne czynniki maj� cia�o i znajduj� si� w otoczeniu, ale z perspektywy projektowania nie mo�na zani�a� znaczenia projektowania inteligentnego zachowania opartego na tych atrybutach; na przyk�ad u�ycie perspektywy projektowania z perspektywy pierwszej osoby zmusza projektanta do rozwa�enia aspekt�w z punktu widzenia agenta, zamiast narzucania projektu z zewn�trznego punktu widzenia. Tradycyjne podej�cie do charakteryzowania poznania - cyklu "sensu - my�lenia - aktu" zak�ada, �e poznawanie odbywa si� w oddzielnych odczuciach, my�lach i zachowaniach aktorskich. Chocia� podej�cie to jest odpowiednie do projektowania prostych �rodk�w reaktywnych, ma ono ograniczenia przy projektowaniu agent�w wykazuj�cych inteligentne zachowanie. Podkre�la si� alternatywne podej�cie, zwane uciele�nionym, usytuowanym poznaniem jednoczesne odczuwanie, my�lenie i dzia�anie. W niniejszym rozdziale przedstawiono wiele modeli w NetLogo, aby zademonstrowa� r�ne aspekty dotycz�ce wdra�ania uciele�nionych, usytuowanych agent�w. Agenty wymagaj� jakiego� sposobu wyczuwania �wiata, a modele pokaza�y, w jaki spos�b mo�na symulowa� r�ne zmys�y, takie jak: wzrok (przyk�ad z wyprzedzeniem, przyk�ad z lini� wzroku i modele z przyk�adem sto�ka widzenia); i dotknij (model Wall Po przyk�adach). Agenci nie musz� ogranicza� si� do tradycyjnego ludzkiego sensu. Mog� r�wnie� u�ywa� zmys��w dostosowanych do rozpoznawania zmian w otoczeniu, takich jak podniesienie terenu (model Hill Climbing Example) lub chemikalia wprowadzone do otoczenia (model Ants). �rodowisko wyra�nie ma wa�n� rol� do odegrania w okre�laniu zachowania agenta w tych przyk�adach, ale mo�e r�wnie� wp�ywa� na to, co agent jest w stanie wyczu� w oparciu o sytuacj�; na przyk�ad dla modelu linii wzroku teren okre�la, co jest widoczne dla agenta w dynamicznym procesie, kt�ry jest zwi�zany z bie��c� lokalizacj� i ruchem agenta; w przypadku modelu Mazes niekt�re czynniki zostaj� uwi�zione, poniewa� ich odczuwane zachowanie pomija sensown� �cie�k�. Jednak�e dwa wa�ne aspekty uciele�nionego, usytuowanego poznania nie zosta�y wykazane przez �aden z tych modeli. Po pierwsze, aby realistyczne i wiarygodne zachowanie rozwija�o si� w pe�nych, po�o�onych wirtualnych agentach, ymagana jest fizyczna symulacja cia�a agenta i spos�b, w jaki wsp�dzia�a on ze �rodowiskiem wirtualnym. Po drugie, aby poznanie mog�o mie� miejsce w zdrowym tego s�owa znaczeniu, agent powinien �wiadomie przetwarza� informacje zmys�owe, podejmowa� decyzje, zmienia� swoje preferencje i stosowa� dowoln� istniej�c� wiedz�, jak� mo�e mie� podczas wykonywania zadania lub procesu my�lenia umys�owego; innymi s�owy, wiedz�, co robi�. Podsumowanie wa�nych poj��, kt�re nale�y wyci�gn�� z tego rozdzia�u, pokazano poni�ej:

• *Realizacja dla autonomicznego agenta dotyczy cia�a, z kt�rego korzysta agent, do poruszania si�, odczuwania i interakcji ze �rodowiskiem.
• " *Usytuowanie dotyczy autonomicznego agenta znajduj�cego si� w otoczeniu z innymi agentami i obiektami, a jego zachowanie zale�y od tego, co dzieje si� w �rodowisku.
• *Reaktywne zachowanie dotyczy agenta reaguj�cego bez �wiadomej my�li na zdarzenie, kt�re ma miejsce. Natomiast zachowania poznawcze wymagaj� bardziej deliberatywnego podej�cia - agent �wiadomie przetwarza informacje zmys�owe, podejmuje decyzje, zmienia swoje preferencje i stosuje dowoln� istniej�c� wiedz�, jak� mo�e mie� podczas wykonywania zadania lub procesu my�lowego my�lenia.
• *Cykl "zmys� - my�l - akt" odnosi si� do szczeg�lnego modus operandi dla autonomicznego czynnika wykazuj�cego inteligentne zachowanie. Cykl ten polega na tym, �e agent stosuje kolejno trzy zachowania: agent najpierw wyczuwa, co dzieje si� w �rodowisku, a nast�pnie zastanawia si�, co m�wi� jego zmys�y, w tym decyduje, co robi� dalej, a nast�pnie robi to, co postanowi� zrobi�. w oparciu o odpowiednie dzia�ania.
• *Wcielona, usytuowana perspektywa poznania zak�ada, �e wszystkie aspekty poznania agenta kszta�towane s� przez interakcj� cia�a agenta ze �rodowiskiem, w kt�rym si� znajduje. Wyczuwanie, my�lenie i dzia�anie odbywa si� jednocze�nie i w po��czeniu ze sob�, a nie osobno

Wykonanie zada� w spos�b reaktywny bez poznania

Czy agent mo�e wykona� nie�atwe zadanie, nie wiedz�c, �e je wykonuje? Innymi s�owy, czy agent mo�e "rozwi�za�" problem bez poznawczo bycia �wiadomym, �e rozwi�zuje problem? Aby odpowiedzie� na to pytanie, najpierw musimy zapyta�, co rozumiemy przez "poznawczo bycie �wiadomym". Poznanie odnosi si� do proces�w umys�owych czynnika inteligentnego, naturalnego lub sztucznego, takich jak rozumienie, rozumowanie, podejmowanie decyzji, planowanie i uczenie si�. Mo�na j� r�wnie� zdefiniowa� w szerszym znaczeniu, ��cz�c j� z aktem mentalnym poznania lub rozpoznania agenta w odniesieniu do my�li, kt�r� on my�li lub dzia�ania, kt�re wykonuje. Tak wi�c zachowanie poznawcze zachodzi, gdy agent �wiadomie przetwarza swoje my�li lub dzia�ania. Zgodnie z t� definicj�, autonomiczny agent wykazuje zachowania poznawcze, je�li �wiadomie przetwarza informacje zmys�owe, podejmuje decyzje, zmienia swoje preferencje i stosuje dowoln� istniej�c� wiedz�, jak� mo�e mie� podczas wykonywania zadania lub procesu my�lowego my�lenia. Poznanie wi��e si� r�wnie� z percepcj�. Postrzeganie agenta jest mentalnym procesem uzyskiwania zrozumienia lub �wiadomo�ci informacji zmys�owych. Powr��my teraz do pytania postawionego na pocz�tku tego rozdzia�u. Rozwa� zdolno�� owada do �erowania na jedzenie. Mr�wki, na przyk�ad, maj� mo�liwo�� szybkiego znalezienia �r�de� po�ywienia, ale robi� to wyczuwaj�c zapach chemiczny ustanowiony przez inne mr�wki, a nast�pnie odpowiednio reaguj�, stosuj�c ma�y zestaw zasad. Pomimo, �e nie s� poznawczo �wiadomi tego, co robi�, osi�gaj� cel, jakim jest pe�ne zbadanie �rodowiska, sprawne lokalizowanie pobliskich �r�de� �ywno�ci i powr�t do gniazda. Model Ants dost�pny w bibliotece modeli NetLogo symuluje jeden ze sposob�w, w jaki mo�e si� to zdarzy�. Zrzut ekranu modelu pokazano na rysunku

Pokazuje koloni� mr�wek rozproszonych w ca�ym �rodowisku, a jej gniazdo jest pokazane przez purpurowy obszar w �rodku obrazu. Pocz�tkowo istnia�y trzy �r�d�a po�ywienia, ale na tym etapie symulacji poprzednie dwa zosta�y ju� poch�oni�te, a pozosta�e �r�d�o �ywno�ci zosta�o znalezione i jest w trakcie zbierania w celu powrotu do gniazda. Bia�o-zielony zacieniony region przedstawia, jak du�o chemicznego zapachu zosta�o obci��one w �rodowisku, a bia�y przedstawia najwi�ksza ilo��. Kod cz�ci modelu definiuj�cej zachowanie mr�wek jest przedstawiony w kodzie NetLogo

patches-own [
chemical ;; ilo�� chemikali�w na tej �atce
food ;; ilo�� jedzenia na tej �atce (0, 1 lub 2)
nest? ;; prawda na �atach gniazd, fa�sz gdzie indziej
nest-scent ;; liczba, kt�ra jest bli�ej gniazd
food-source-number ;; numer (1, 2 lub 3) w celu identyfikacji �r�de� �ywno�ci
]
to recolor-patch ;; procedura �atania
;; nadaj kolor gniazdom i �r�d�om pokarmu
ifelse nest?
[ set pcolor violet ]
[ ifelse food > 0
[ if food-source-number = 1 [ set pcolor cyan ]
if food-source-number = 2 [ set pcolor sky ]
if food-source-number = 3 [ set pcolor blue ] ]
;; kolor skali, aby pokaza� st�enie chemiczne
[ set pcolor scale-color green chemical 0.1 5 ] ]
end
to go ;; przycisk na zawsze
ask turtles
[ if who >= ticks [ stop ] ;; op�ni� pocz�tkowy odlot
ifelse color = red
[ look-for-food ] ;; nie nios�c jedzenia? Szukaj tego
[ return-to-nest ] ;; nios�cego jedzenie? zabierz go z powrotem do gniazda
wiggle
fd 1 ]
diffuse chemical (diffusion-rate / 100)
ask patches
[ set chemical chemical * (100 - evaporation-rate) / 100
;; powoli odparuj chemikalial
recolor-patch ]
tick
do-plotting
end
to return-to-nest ;; procedura ��wia
ifelse nest?
[ ;; upu�� jedzenie i id� dalej
set color red
rt 180 ]
[ set chemical chemical + 60;; upu�� troch� chemikali�w
uphill-nest-scent ] ;; zmierzaj w kierunku najwi�kszej warto�ci zapachu gniazdat
end
to look-for-food ;; procedura ��wia
if food > 0
[ set color orange + 1 ;;odebra� jedzenie
set food food - 1 ;; zmniejsz �r�d�o �ywno�ci
rt 180 ;; i odwr�� si�
stop ]
;; id� w kierunku, w kt�rym zapach chemiczny jest najsilniejszy
if (chemical >= 0.05) and (chemical < 2)
[ uphill-chemical ]
end
;; w�chaj w lewo iw prawo i id� tam, gdzie jest najsilniejszy zapach
to uphill-chemical ;; procedura ��wia
let scent-ahead chemical-scent-at-angle 0
let scent-right chemical-scent-at-angle 45
let scent-left chemical-scent-at-angle -45
if (scent-right > scent-ahead) or (scent-left > scent-ahead)
[ ifelse scent-right > scent-left
[ rt 45 ]
[ lt 45 ] ]
end
;; w�chaj w lewo iw prawo i id� tam, gdzie jest najsilniejszy zapach
to uphill-nest-scent ;; turtle procedure
let scent-ahead nest-scent-at-angle 0
let scent-right nest-scent-at-angle 45
let scent-left nest-scent-at-angle -45
if (scent-right > scent-ahead) or (scent-left > scent-ahead)
[ ifelse scent-right > scent-left
[ rt 45 ]
[ lt 45 ] ]
end
to wiggle ;; procedura ��wia
rt random 40
lt random 40
if not can-move? 1 [ rt 180 ]
end
to-report nest-scent-at-angle [angle]
let p patch-right-and-ahead angle 1
if p = nobody [ report 0 ]
report [nest-scent] of p
end
to-report chemical-scent-at-angle [angle]
let p patch-right-and-ahead angle 1
if p = nobody [ report 0 ]
report [chemical] of p
end

Pe�n� list� kod�w mo�na znale��, wybieraj�c model Mr�wki z Biblioteki modeli, a nast�pnie klikaj�c przycisk Procedure u g�ry interfejsu NetLogo. Ka�dy agent �atki ma wiele zmiennych zwi�zanych z nim - na przyk�ad, chemical przechowuj� ilo�� substancji chemicznych, kt�r� mr�wki u�o�y�y na wierzchu, a nest-scent odzwierciedla, jak blisko jest �atka do gniazda. Procedura recolor-patch pokazuje, jak kolor plastra jest zmieniany zgodnie z ilo�ci� na�o�onego zwi�zku chemicznego. Procedura go okre�la zachowanie mr�wek. Je�li mr�wka nie b�dzie jad�a, b�dzie szuka�a po�ywienia (wykonuj�c procedur� look-for-food), w przeciwnym razie zabierze �ywno�� z powrotem do gniazda (wykonuj�c procedur� return-to-nest). Gdy agent wraca do gniazda, upuszcza substancj� chemiczn�, kt�ra si� porusza. Mr�wki u�ywaj� w�chu, aby wirtualnie "pow�cha�" ten zwi�zek chemiczny, aby poprowadzi� go w kierunku �r�d�a po�ywienia. Poniewa� coraz wi�cej mr�wek przenosi �ywno�� z powrotem gniazdo wzmacnia si�� substancji chemicznej, ale ta choroba r�wnie� ulega rozproszeniu w miar� up�ywu czasu, poniewa� si�a substancji chemicznej zmniejsza si� w ka�dym te�cie w procedurze go. Dwie procedury uphill-chemical i uphill-nest-scent okre�laj� reaktywne zachowania mr�wek pod��aj�c za chemicznym zapachem �r�d�a pokarmu i wracaj�c do gniazda. Mr�wki zasadniczo stosuj� podobne zachowanie do agent�w ��wi wspinaczkowych na powy�szym modelu Hill Climbing przyk�ad (kt�ry jest zgodny z gradientem zdefiniowanym przez zmienn� pcolor w odniesieniu do terenu w �rodowisku 2D). Z kolei czynniki przeciw mr�wkom w modelu Ants pod��aj� za gradientem zdefiniowanym przez zmienn� zmienn� chemical, je�li szukaj� po�ywienia i wracaj� wzd�u� gradientu zdefiniowanego przez zmienny nest-scent, je�li wracaj� do gniazda. Robi� to przez "w�chanie" najpierw w lewo, potem w prawo, a nast�pnie pod��anie �cie�k� z najsilniejszym zapachem. Procedura poruszania zapewnia element losowy ruchowi mr�wek, co zapewnia, �e b�d� one bardzo skuteczne w badaniu ca�ego �rodowiska, podobnie jak czynniki ��wia w Przyk�adzie 2 Look Ahead. W tym przyk�adzie wielu agent�w zatrudniaj�cych proste zachowanie reaktywne jest w stanie wykona� nietrywialne zadanie, po prostu jako skutek uboczny ich wzajemnej interakcji ze �rodowiskiem. Gdyby pojedynczy agent mia� wykazywa� t� sam� zdolno�� - w pe�ni odkrywa� swoje �rodowisko dla jedzenia i odnajdywa� drog� powrotn� do domu, gdy tylko znajdzie jakie� - wtedy my jako obserwatorzy mogliby�my przypisa� pewien stopie� inteligencji agentowi. Mr�wki u�ywaj� formy zbiorowej inteligencji - inteligencja pochodzi z kolektywnego wyniku wielu agent�w wsp�dzia�aj�cych ze sob�. Jest tak�e mo�liwe, aby pojedynczy agent reaktywny (a nie zbi�r agent�w) pomy�lnie uko�czy� nietrywialne zadanie bez wiedz�c, �e to robi? Na przyk�ad, czy pojedynczy agent mo�e przej�� przez labirynt przez zastosowanie prostego zachowania reaktywnego, gdy nie jest w stanie rozpozna�, �e istniej� alternatywne �cie�ki do zbadania? Opracowano model o nazwie Mazes, aby pokaza�, jak to jest mo�liwe. Zrzuty ekranu tego modelu pokazano na trzech rysunkach . Pokazuj� ��wie u�ywaj�ce prostych zachowa� reaktywnych do poruszania si� po trzech labiryntach zdefiniowanych w Cz�ci 3 - pusty labirynt, Labirynt Pa�acu Hampton Court i labirynt Chevening House. Zwr�� uwag�, �e musimy uwa�a�, jak omawiamy zachowanie i dzia�ania agenta ��wia w modelu. Nie mo�emy powiedzie�, �e agent "eksploruje" labirynt - eksploracja zak�ada pewien stopie� woli ze strony agenta prowadz�cego eksploracj�. Podobnie, nie mo�emy powiedzie�, �e agent "rozwi�za�" labirynt, kiedy dotar� do centrum lub doszed� do wyj�cia. Rozwi�zywanie wymaga poznania - czyli rozpoznania danego zadania. Wszystko, co mo�emy powiedzie�, to to, �e agent porusza si� po labiryncie, a dzi�ki temu udaje mu si� osi�gn�� pewien stan (np. centrum lub wyj�cie) jako efekt uboczny jego zachowania. Model zapewnia selektor interfejs�w o nazwie zachowanie ��wia, kt�re pozwala nam zdefiniowa� reaktywne zachowanie agenta ��wia, gdy porusza si� po labiryncie. S� zdefiniowane cztery zachowania: Hand On the Wall, Random Forward 0, Random Forward 1 i Random Forward 2. Kod NetLogo definiuj�cy te zachowania jest pokazany w kodzie NetLogo

to walk ;; procedura ��wiaturtle procedure
;; w razie potrzeby skr�� w prawo
ifelse set-pen-down [ pen-down ] [ pen-up ]
if count neighbors4 with [pcolor = blue] = 4
[ user-message "Trapped!"
stop ]
let xpos [goal-x] of maze 0
if xcor >= xpos and xcor <= xpos + [goal-width] of maze 0 and
ycor = [goal-y] of maze 0
[ ifelse [goal-type] of maze 0 = "Exit"
[ user-message "Found the exit!" ]
[ user-message "Made it to the centre of the maze!" ]
stop ]
if (turtle-behaviour = "Hand On The Wall") [behaviour-wall-following]
if (turtle-behaviour = "Random Forward 0") [behaviour-random-forward-0]
if (turtle-behaviour = "Random Forward 1") [behaviour-random-forward-1]
if (turtle-behaviour = "Random Forward 2") [behaviour-random-forward-2]
end
t′to-report wall? [angle dist]
;; zwr�� uwag�, �e k�t mo�e by� dodatni lub ujemny. je�li k�t jest r�wny ;; pozytywne, ��w wygl�da dobrze. je�li k�t jest ujemny,
;; ��w wygl�da w lewo.
let patch-color [pcolor] of patch-right-and-ahead angle dist
report patch-color = blue or patch-color = sky
; niebieski, je�li jest to �ciana, niebo, je�li jest to zamkni�te wej�cie
end
to behaviour-wall-following
; klasyczne zachowanie �na �cianie�
if not wall? (90 * direction) 1 and wall? (135 * direction) (sqrt 2)
[ rt 90 * direction ]
;; �ciana prosto: w razie potrzeby skr�� w lewo (czasami wi�cej ni� raz)
while [wall? 0 1] [ lt 90 * direction]
;; ruszaj naprz�d
fd 1
end
to behaviour-random-forward-0
; przesuwa si� do przodu, chyba �e jest �ciana, a nast�pnie pr�buje skr�ci� w lewo, a nast�pnie w prawo
; nast�pnie losowo zamienia si� w ostateczno��
if wall? 0 1
[ ifelse wall? 90 1
[ lt 90 ]
[ ifelse wall? 270 1
[ rt 90 ]
[ ifelse random 2 = 0 [lt 90] [rt 90] ]]]
;; ruszaj naprz�d
fd 1
end
to behaviour-random-forward-1
; porusza si� g��wnie w liniach prostych
ifelse wall? 0 1
[ bk 1 ]
;jeszcze
[ let r random 20
ifelse r = 0
[ if not wall? 90 1 [rt 90 fd 1] ]
;jeszcze
[ ifelse r = 1
[ if not wall? 270 1 [lt 90 fd 1] ]
[ let f random 5
while [not wall? 0 1 and f > 0]
[ fd 1
set f f - 1]]]]
end
to behaviour-random-forward-2
; porusza si� w przypadkowych ma�ych krokach
let r random 3
ifelse r = 0
[ if not wall? 90 1 [rt 90 fd 1] ]
[ ifelse r = 1
[ if not wall? 270 1 [lt 90 fd 1] ]
[ if not wall? 0 1 [fd 1] ]]
end

Procedura walk okre�la spos�b poruszania si� agenta ��wia w labiryncie. Agent ma mo�liwo�� wyczucia, czy w pobli�u znajduje si� wall (wykorzystuj�ca prymitywny zmys� oparty na detekcji blisko�ci), a to jest zdefiniowane przez wall? reporter w kodzie. Kod definiuje nast�pnie cztery r�ne rodzaje zachowa�. Procedura behaviour-wall-following okre�la klasyczne zachowanie "r�ka na �cianie" - agent pr�buje trzyma� r�k� na �cianie podobnej do agent�w ��wia w poni�szym przyk�adzie. W przypadku procedury behaviour-random-forward-0 agent ��wia najpierw wyczuwa, czy jest �ciana, a nast�pnie pr�buje skr�ci� w lewo, a potem w prawo, a nast�pnie losowo zmienia si� w ostateczno�ci przed przej�ciem do przodu o 1 stopie�. W przypadku procedury behaviour-random-forward-1 agent ��wia przemieszcza si� g��wnie w linii prostej, chyba �e jest zablokowany przez �cian�. W procedurze behaviour-random-forward-2 agent ��wia przemieszcza si� losowo ma�ymi krokami. Definicje tych zachowa� s� stosunkowo proste, ale niekt�re z nich s� bardzo z�o�one ruchy w wyniku. Nigdzie jednak w definicjach nie ma �adnego poznania ze strony agenta - agent realizuj�cy te zachowania �wiadomie nie robi tego �wiadom, wiedz�c, �e pewne dzia�anie lub dzia�ania doprowadz� do po��danego rezultatu.

Aritificial Intelligence Expertsaie24.pl

Net Logo : Agenci i �rodowisko