Master’s thesis of Engineering: An historical based adaptation mechanism for BDI agents

An Historical Based Adaptation Mechanism For BDI Agents

Tác giả: Toan Phung

Lĩnh vực: Computer Science and Information Technology, Science, Engineering, and Technology Portfolio

Nội dung tài liệu: Luận án này trình bày một cơ chế thích ứng dựa trên lịch sử cho các tác nhân BDI (Belief-Desire-Intention). Luận án chỉ ra rằng một trong những hạn chế của mô hình BDI là thiếu các cơ chế rõ ràng để học hỏi, dẫn đến việc các tác nhân không có khả năng thích ứng dựa trên kinh nghiệm quá khứ. Điều này đặc biệt quan trọng trong các môi trường động, nơi các phương pháp thành công trước đây có thể trở nên kém hiệu quả hoặc không hiệu quả. Nghiên cứu này đề xuất một mô hình cho phép tác nhân BDI học hỏi, suy luận tương tự, tỉa dữ liệu và đánh giá độ chính xác của người học, đồng thời xác minh mô hình này bằng thực nghiệm sử dụng học quy nạp và học thống kê.

Mục lục chi tiết:

• Summary
• 1 Introduction
• 2 Background
  • 2.1 Agents
  • 2.1.1 The BDI Agent Architecture
  • 2.2 Machine Learning
  • 2.2.1 Reinforcement Learning
  • 2.2.2 Inductive Logic Programming
  • 2.2.3 Case Based Reasoning
  • 2.2.4 Psychological Approaches to Agent Learning
  • 2.2.5 Biological Approaches to Agent Learning
  • 2.2.6 Anthropological Approaches to Agent Adaptation
  • 2.3 RoboCupRescue
• 3 Learning in the BDI Framework
  • 3.1 Learning Model
  • 3.1.1 Learning Formatter
  • 3.1.2 Learning Parser
  • 3.1.3 Knowledge Extractor
  • 3.2 Inductive Learning Within the Agent Framework
  • 3.3 Calculating The Accuracy Of Decision Trees
  • 3.4 Statistical Learning Within the Agent Framework
  • 3.5 The Simile Algorithm
  • 3.6 The Sliding Window Algorithm
  • 3.7 Exploration
  • 3.8 Implementation of Agent Learning System
  • System Overview
  • Fire Fighting Agent
  • Historical Case-set
  • Learnt Knowledge-set
  • Plan-set
  • Oracle Agent
  • Background Knowledge
  • Oracle Agent’s Plan-set
• 4 Experiments
  • 4.1 Experimental Goals
  • 4.2 Experimental Procedure
  • 4.2.1 Measuring Performance
  • 4.3 Types of Learning Used
  • Assessing The Accuracy Of Learnt Data
  • The Simile Algorithm And Its Effects on Statistical Learning
  • Statistical Clusters and their effects on learning
  • 4.4 Pruning Historical Cases For Efficiency
  • 4.5 When Should The Agent Learn?
  • 4.6 Domain Characteristics And Their Effects On Learning
  • 4.7 General Discussion
• 5 Related Work
• 6 Conclusion
  • 6.1 Future Work
• Appendix
• Bibliography