第二章:智能Agent
一.Agent和环境
- Agent通过传感器感知环境并通过执行器对所处环境产生影响 。机器人Agent可以通过摄像头，红外测距仪作为传感器，各种马达作为执行器。软件Agent接受键盘敲击，文件内容和网路数据包作为传感器输入，并以屏幕显示，写文件和发送网络数据包为执行器来作用于环境。
- Agent的感知序列：是该Agent所收到的所有输入数据的完整历史。
- Agent函数：描述Agent的行为，它将任意给定感知序列映射为行动。
（1）人造Agent的Agent函数通过Agent程序实现，Agent程序是具体实现。
二.好的行为：理性的概念
理性是使期望的性能最大化
- 理性Agent：理性Agent是做事正确的Agent，即对于每一可能的感知数据序列，一个理性的Agent应该采取一个行为以达到最大的性能。
- 理性的判断：
（1）性能度量：一个客观的标准来评价Agent的行为的成功性
3.理性agent能够进行信息收集，理性的agent应该具有自主性，能够进行学习
三.环境的性质
- 任务环境：包括性能度量，环境，Agent的执行器和传感器，英文缩写为PEAS.(设计Agent时，第一步就是尽可能完整地详细说明任务环境)
- 例子：
（1）自动驾驶出租车:
（2）挑拣零件机器人:
（3）交互式英语教学者:
- 环境的性质决定了Agent的设计，也决定了实现Agent的主要技术群体的实用性。
- 任务环境分类：
（1）分类一：完全可观察的 vs.部分可观察的
如果Agent根本没有传感器，环境则是无法观察的
（2）分类二：单agent vs.多agent
（3）分类三：确定的 vs.随机的
如果环境的下一个状态完全取决于当前状态和Agent执行的动作，则环境是确定的。否则，它是随机的。我们说环境不确定是指它不是完全可观察的或不确定的
（4）分类四：片段式的 vs. 延续式的
片段式：Agent的经历被分成一个个原子片段，在每个片段中Agent感知信息并完成单个行动，下一个片段不依赖于以前的片段.
延续式：在延续环境中，当前决策会影响到所有未来的决策。
（5）分类五：静态的 vs. 动态的
如果环境在Agent计算的时候会变化，则该Agent环境是动态的；否则为静态
半动态的:环境本身不变化但Agent的性能评价随时间变化。
（6）分类六：离散的 vs.连续的
环境的状态，时间的处理方式以及Agent的感知信息和行动都有离散/连续之分
（7）分类七：已知的 vs.未知的
Agent的知识状态
最难处理的状态： 部分可观察的，随机的，连续的，动态的，延续式的，多agent的
四.Agent的结构
- AI的任务是设计Agent程序，它实现的是把感知信息映射到行动的Agent函数
- 体系结构：具备物理传感器和执行器的计算装置。
- Agent=体系结构+程序
- Agent程序
（1）以传感器得到的当前感知信息为输入
（2）以执行器的行动为输出
注意：Agent程序以当前感知为输入，而Agent函数是以整个感知历史作为输入的。如果Agent的行为要依赖于整个感知序列，那么该Agent必须要记住感知信息。 - Agent的表驱动方法的缺点：
（1）表太大
（2）创建表时间长
（3）非自主性，需人工填写
（4）即使能够学习，也需要很长的时间 - 四种基本的Agent程序
（1）简单反射Agent：基于当前的感知选择行动，不关注感知历史
（2）基于模型的反射Agent: Agent根据感知历史维持内部状态,Agent随时更新内部状态信息
（3）基于目标的Agent：除了根据感知信息之外，还要根据目标信息来选择行动，但效率比较低，需要推理。
（4）基于效用的Agent：当达到目标的行为有很多种的时候，需要考虑效率。环境是部分可观察的和随机的，不确定下的决策过程可以通过基于效用的agent来实现。
- 学习Agent可被划分为4个组件
（1）性能元件：相当于整个agent
（2）评判元件：反映性能元件做得如何
（3）学习元件：负责改进提高
（4）问题产生器：提出一些新的有建设性的探索尝试
- Agent的基本特性：
(1) 自治性(Autonomy ) :
Agent能根据外界环境的变化，而自动地对自己的行为和状态进行调整，而不是仅仅被动地接受外界的刺激，具有自我管理自我调节的能力。
(2) 反应性(Reactive):
能对外界的刺激作出反应的能力
(3) 主动性(Proactive):
对于外界环境的改变，Agent能主动采取活动的能力。
(4) 社会性(Social ) :
Agent具有与其它Agent或人进行合作的能力，不同的Agent可根据各自的意图与其它Agent进行交互，以达到解决问题的目的。
(5) 进化性:
Agent能积累或学习经验和知识，并修改自己的行为以适应新环境