AIMA Notizen

Teil III
Kapitel 7: Logische Agenten

Inhalt

die Wissensbasis kann um neue Aussagen erweitert werden
Anfragen können gestellt werden, die Antwort folgt aus der KB
Der Agent teilt der KB seine Wahrnehmungen mit, fragt was er tun soll, teilt mit, dass er entsprechendes tun wird und tut es.
Abstraktion: das Verhalten des Agenten wird nicht vorgegeben, vielmehr erhält er Wissen und Ziele und sucht sich selbstständig die auszuführenden Aktionen
deklaratives Design, im Gegensatz zum prozeduralen Ansatz
eventuell kann ein KB-basierter Agent selbst aus Beobachtungen lernen (-> Kapitel 18)

performance: +1000 Gold finden, -1000 abstürzen oder gefressen werden, -1 jede Aktion, -10 Pfeil verschießen
environment: 4x4-Feld, Start im Feld [1,1] nach rechts kuckend, Wumpus und Gold sind irgendwo, jedes Feld ist mit W.keit 0.2 ein Loch
actuators: vorwärts, 90° drehen, Gold nehmen, Pfeil schießen
sensors:

die Invarianten, Vor- und Nachbedingungen der Wumpus-Welt können in Aussagen gefasst werden
es kann mehrere äquivalente Repräsentationen des Wissens des Agenten geben

siehe F1: Syntax, Semantik, Wahrheit, Modell, Folgerbarkeit, Inferenz/Ableitung, korrekte und vollständige Ableitung,

am besten eine Mischung zwischen forward-chaining um wenn gerade nichts zu tun ist nützliches Wissen zu explizieren und backward-chaining um konkrete einfache Anfragen zu beantworten

nach Davis, Putnam, Logemann und Loveland, 1960, 1962
Tiefensuche, aber mit Verbesserungen:
frühzeitige Rückgabe: sobald eine Klausel falsch oder alle Klauseln wahr sind, ist ein Modell der Formel gefunden und es kann abgebrochen werden, auch wenn noch nicht allen Aussagensymbolen ein Wahrheitswert zugeordet ist
wahre Klauseln werden gestrichen
falsche Literale werden aus den Klauseln gestrichen
Heuristik gleicher Literale: wenn ein Symbol nur als positives bzw. nur als negatives Literal vorkommt, dann muss der Wahrheitswert so gewählt werden, dass das Literal wahr wird
unit-clause-Heuristik: Klauseln aus nur einem Symbol werden zuerst behandelt
benimmt sich für Hornformeln wie forward-chaining

bei der lokalen Suche soll zwischen Zufälligkeit um lokale Minima zu vermeiden und gieriger Maximierung um zielführend zu sein optimiert werden
vgl. auch simuliertes Härten, hill-climbing, min-conflicts zur Lösung von CSPs in Kapitel 5.
Eingabe: Menge von Klauseln, Wahrscheinlichkeit p für zufällige Entscheidungen (üblich ~0.5), Anzahl max_flips der maximal auszuführenden Schritte
zunächst Wahl einer zufälligen Belegung
Loop

Vertauschung des Wahrheitswerts eines beliebigen Aussagensymbols der nicht erfüllten Klausel

oder Vertauschung des Wahrheitswerts des Aussagensymbols, das die meisten erfüllten Klauseln erbringt

kann nicht mit Sicherheit zeigen, dass kein Modell existiert, da es nach einer bestimmten Anzahl Schritte abbricht oder wenn es beliebig lange ausgeführt wird für unerfüllbare Formeln nicht terminiert (-> gleichzeitig die negierte Formel auf Erfüllbarkeit testen)
harte Erfüllbarkeit, Unterspezifizierung, ...

Reflexagent mit Zustand, prozedurales Extrem
Verbindung der Rezeptoren über logische Schaltungen und Verzögerungen für Rückkopplungen zu den Aktuatoren
zusätzlich Register, in die Werte gespeichert und gelesen werden können

Prägnanz: in der Wissensbasis muss (variante) Information immer für den entsprechenden Zeitpunkt repliziert werden, der Schaltkreis kennt nur relative (beschränkte) Zeit zum Jetzt
Effizienz: alles was ein Schaltkreis kann kann er in linearer Zeit zu seiner Größe. Inferenz für solche Probleme ist auch linear; zusätzlich können noch andere Probleme gelöst werden, dann aber in exponentieller Zeit
Vollständigkeit: Schaltkreis-basierte Agenten lösen Probleme nicht vollständig
Simplizität: Ansichtssache, problemabhängig

letzte Änderung: 20. Dezember 2004.

mail AT timobaumann.de