下载文档原格式
《人工智能及其应用》教学讲义第七章分布式人工智能§ 7.1分布式人工智能系统一、什么是分布式人工智能分布式人工智能(Distributed Artificial Intelligenee)，简称DAI，它是人工智能和分布式计算相结合的产物。
DAI 的提出，适应了设计并建立大型复杂智能系统以及计算机支持协同工作( CSCW)的需要。
其目的主要研究在逻辑或物理上实现分散的智能群体Age nt的行为与方法，研究协调、操作它们的知识、技能和规划，用以完成多任务系统和求解各种具有明确目标的问题。
目前，DAI的研究大约可划分为两个基本范畴：一是分布式问题求解 (Distributed Problem Solving ，DPS);另一个是关于多智能体系统( Multi Age nt System，MAS )实现技术的研究。
所谓分布式问题求解，往往针对待解决的总问题，将其分解为若干子任务，并为每个子任务设计一个问题求解的子系统。
这里，首先需要智能地确定一个分配的策略：如何把总工作任务在一群模块(Module )或者节点(Node)之间进行子任务分配；其次需要智能地确定一个工作任务协同的策略：要在基于分散、松耦合知识源的基础上，实现对问题的合作求解。
这里所谓“分散”的概念是指任务的控制操作和可利用的信息都是分布的，没有全局控制和全局数据；知识源分布在不同的处理节点上，数据、信息、知识和问题的答案可以按照某种规则予以共享。
多智能体系统又常称为多Age nt系统或简称为MAS，主要研究不同的智能体之间的行为协调和进行工作任务协同。
即在一群自治的Age nt之间，通过协调它们的知识、目标、技能和系统规划，以确定采取必要的策略与操作，达到求解多任务系统及解决各种复杂问题的目标。
MAS是单个的Age nt技术和分布式系统相结合的发展产物，也是分布式人工智能研究的一个前沿领域。
目前，MAS的研究重点是：如何协调多个Age nt的行为，从而协同地完成大型复杂的工作任务。
分布式人工智能和Agent技术7.1 分布式人工智能分布式人工智能（Distributed Artificial Intelligence，DAI）的研究始于20世纪70年代末，主要研究在逻辑上或物理上分散的智能系统如何并行地、相互协作地实现问题求解。
其特点是：（1）系统中的数据、知识以及控制，不但在逻辑上而且在物理上分布的，既没有全局控制，也没有全局的数据存储。
（2）各个求解机构由计算机网络互连，在问题求解过程中，通信代价要比求解问题的代价低得多。
（3）系统中诸机构能够相互协作，来求解单个机构难以解决，甚至不能解决的任务。
分布式人工智能的实现克服了原有专家系统、学习系统等弱点，极大提高知识系统的性能，可提高问题求解能力和效率，扩大应用范围、降低软件复杂性。
其目的是在某种程度上解决计算效率问题。
它的缺点在于假设系统都具有自己的知识和目标，因而不能保证它们相互之间不发生冲突。
近年来，基于Agent的分布式智能系统已成功地应用于众多领域。
7.2 Agent系统Agent提出始于20世纪60年代，又称为智能体、主体、代理等。
受当时的硬件水平与计算机理论水平限制，Agent的能力不强，几乎没有影响力。
从80年代末开始，Agent理论、技术研究从分布式人工智能领域中拓展开来，并与许多其他领域相互借鉴及融合，在许多领域得到了更为广泛的应用。
M.Minsky曾试图将社会与社会行为的概念引入计算机中，并把这样一些计算社会中的个体称为Agent，这是一个大胆的假设，同时是一个伟大的、意义深远的思想突破，其主要思想是“人格化”的计算机抽象工具，并具有人所有的能力、特性、行为，甚至能够克服人的许多弱点等。
90年代，随着计算机网络以及基于网络的分布计算的发展，对于Agent及多Agent系统的研究，已逐渐成为人工智能领域的一个新的研究热点，也成为分布式人工智能的重要研究方向。
目前，对于Agent系统的研究正在蓬勃的发展可分为基于符号的智能体研究和基于行为主义的智能体研究。
