Avtomatsko modeliranje večagentnih sistemovBežek, Andraž (Avtor) Bratko, Ivan (Mentor) Gams, Matjaž (Komentor) večagentni sistemimodeliranjeagentstrategijainterakcijaEna najtežjih, do sedaj nerešenih nalog večagentnega modeliranja je iz sledenja nizkonivojskega obnašanja skupine agentov in zgolj osnovnega domenskega znanja ugotoviti, kakšno skupno strategijo izvajajo. Ta naloga je zahtevna iz dveh ključnih razlogov. Prvič, agenti so samostojne entitete, ki skušajo v nenehni interakciji s sodelujočimi agenti, nasprotnikovimi agenti ter okoljem skladno izvajati vnaprej dogovorjeno strategijo. Iz nizkonivojskega opisa delovanja posameznih agentov je zato težko izluščiti visokonivojsko strategijo skupine agentov. Drugič, pri učenju ima sistem poleg opazovanja nizkonivojskega obnašanja na voljo le osnovno domensko znanje. Tako osnovno domensko znanje je običajno na razpolago, naloga pa zahteva odkrivanje bolj poglobljenega znanja, kakršnega imajo le domenski strokovnjaki. V disertaciji je predstavljen izvirni algoritem za strateško modeliranje MASDA (angl. Multi-Agent Strategy Discovering Algorithm), ki skuša iz sledenja nizkonivojskega obnašanja skupine agentov in zgolj osnovnega domenskega znanja ugotoviti, kakšno skupno strategijo izvajajo. MASDA uporablja postopek abstrakcije, ki omogoča ločevanje modelov agentnega delovanja, ki so posledica izvrševanja večagentne strategije, od modelov, ki so posledica agentnih odzivov na lokalne spremembe okolja. Zgrajeni model opisuje sodelovanje agentov, predstavljeno v grafični in simbolni obliki; grafični opis omogoča vizualno predstavitev večagentnega delovanja, simbolni opis pa na človeku razumljiv način predstavi pomembne značilnosti večagentne interakcije. S tem je omogočena človeška analiza, razlaga ter avtomatska klasifikacija. Uspešnost algoritma smo v disertaciji prikazal na dveh večagentnih domenah. V domeni robotskega nogometa RoboCup zgrajeni modeli po mnenju domenskega strokovnjaka vsebinsko opisujejo del nogometne strategije. Meritve z osnovnimi kriteriji strojnega učenja na osnovi: klasifikacijske točnosti, priklica in natančnosti, potrjujejo primernost uporabe modelov MASDA pri avtomatski klasifikaciji. V domeni agentnega podajanja žoge 3vs2 Keepaway je bila deklarativna uspešnost modela potrjena v primerjavi z izvorno kodo treh znanih strategij, ujemanje posnemanja igranja pa s primerjanjem časovne uspešnosti ter s strojnim in človeškim primerjanjem ujemanja izvajanih akcij.[A. Bežek]20062015-07-10 20:56:41Doktorska disertacija68071sl