Literatur: Sundermeyer K., Modellierung von Agentensystemen. Müller J. (Hrsg.): Verteilte Künstliche Intelligenz. BI, Mannheim, 1993, 22-44. Russel S., Norvig P., Artificial Intelligence a Modern Approach, Prentice Hall, New Jersey, 1995, 31-50. Wooldrige M., Jennings N.R., Intelligent Agents: Theory and Practice. Submitted to Knowledge Engineering Review.

Der Begriff des Agenten stammt von "agens" (lat.) handeln, dies führt jedoch nicht zu einer Klärung des Begriffes Agenten, da das Wesen von Handlungen durchaus nicht geklärt ist, z.B. sind Handlungen intendiert, sind Handlungen a priorie an einen Handelnden geknüpft. "Handeln" bildet jedoch auf jeden Fall eine der Aufgaben von Agenten neben Wahrnehmen, Kommunizieren, Planen und Entscheiden.

Der Begriff "Agenten" werden nicht nur im Kontext der KI genutzt, sondern auch in anderen Bereichen der Informatik, daher kann zwischen 2 Definitionen unterschieden werden, einer allgemeineren (und daher schwächeren) und einer "KI" spezifischen (und daher stärkeren) Definition.

Allgemeinere Definition von Agent bezeichnet ein Hardware oder Softwaresystem (i.A. Softwaresystem), welches über folgende Eigenschaften verfügt:

Die engere Auffassung von Agenten fordert zusätzlich, mentale Eigenschaften, wie :

Zudem legt man häufig den Agenten folgenden Charakter zugrunde:

Agentenarchitekturen präsentieren, die Umsetzung von Agentenspezifikationen in Implementierungen. Wie können Softwaresysteme konstruiert werden, die die Eigenschaften von Agenten wiederspiegeln. Welche Softwarestrukturen sind angemessen?

Ein Agent:

Rationalität bedeutet nicht Allwissenheit, rationales Handeln orientiert sich an:

Neben Rationalität wird von Agenten Autonomie in ihren Handlungen gefordert:

Ein Agent transformiert Wahrnehmungen in Aktionen. Er läßt sich somit durch eine Menge von Beobachtungs- Aktionspaaren charakterisieren (vgl. "Blackbox"),

Jedoch würde die Menge der Aktionspaare um Schach zu spielen etwa 35100 Einträge benötigen.

Je nach Komplexität des Agenten müssen andere Repräsentations- und Verarbeitungsmechanismen gefunden werden, um die Aktivität eines Agenten zu beschreiben.

Im einfachsten Fall hängt die Aktion des Agenten nur von der aktuellen Beobachtung ab.

Dieser Art der Agenten wird als reaktiv, reflexiv oder auch situativ, in eine Situation geworfen, bezeichnet.

Das aktuelle Wetter alleine scheint das Verhalten des Agenten nicht zu erklären.

Wir erfahren, daß Agent003 ab und zu unter Erkältungen zu leiden hat.

Aktionen eines Agenten hängen von aktuellen Beobachtung, wie auch dem Zustand des Agenten ab, vgl. Konzepte der Systemtheorie. Auch dieser Agent ist immer noch als reaktiv oder situativ einzustufen, d.h. seine kognitiven Fähigkeiten sind stark eingeschränkt.

Der Zustand, wie auch die Funktionen, die die Beobachtung und den Zustand in einen neuen Zustand und eine Aktion überführen können sehr unterschiedlich komplex sein.

So kann je nach Ziel und Bedürfnissen, die bisherige Definition des Agenten entsprechend erweitert werden, um bestimmte Ziele und Wünsche.

Wie ist es zu erklären, daß 005 auch bei schönem Wetter manchmal einen Schirm mitnimmt? Eine Erklärungsmöglichkeit diese Verhalten ist die Wahrscheinlichkeit, daß es später regnen wird, und die Präferenz des Agenten 005 näher zu betrachten.

Schließen unter Unsicherheit.

(vgl. Kap. 2 der Vorlesung)

Wie wahrscheinlich ist es, daß es heute regnen wird?

P(Es regnet heute in Tucson) = 0.05

0<= P(A) <= 1

p(True) = 1 und p(False) = 0

p(A oder B) = p(A) + p(B) - p(A und B)

Wahrscheinlichkeit eines Ereignisses ohne nähere Information. Falls bestimmte Evidenzen für das Auftreten eines Ereignisses existieren, können diese mitgenutzt werden:

p(Es regnet heute in Tucson|
August und Stark Bewölkter Himmel) = 0.9

oder

Bayesische Regel:

	   p(A|B) p(B)
p(B|A) = --------------
              p(A)

Zurück zum Beispiel: Eine weitere Variante

Tante Erna ist zu Besuch und rät Dir auf jeden Fall einen Regenschirm mitzunehmen, da sie Gliederschmerzen hat und dies auf Regen hinweist.

p(Gliederschmerzen|Es regnet heute) = 0.5

p(Regnet) = 0.05

p(Gliederschmerzen) = 0.045

p(Es regnet heute | Gliederschmerzen) = = 0.55

Bedingungen an die Präferenzen eines rationalen Agenten:

Eine Lotterie:

Bedingungen an die Präferenzen oder die Axiome der Theorie des Nutzens:

Eine Utitility Funktion ist eine Funktion die einem Zustand (einer Weltbeschreibung) einen metrischen Wert zuordnet - seine Nützlichkeit (vgl. Versuch der Monetarisierung von Umweltgütern)

Wenn die Präferenzen eines Agenten die Axiome der Theorie des Nutzens erfüllen, dann existiert eine reellwertige Funktion U, die auf den Zuständen der Welt folgenderweise definiert ist.

oder bezüglich unseres Agenten:

MEU Maximize Expected Utility. Ein Agent wählt die Aktion mit dem höchsten erwarteten Nutzen.

Auf unser Beispiel angewandt:

U(mit Regenschirm es regnet) = 0.75

U(mit Regenschirm es regnet nicht) = 0.5

U(ohne Regenschirm es regnet) = 0.01

= 0.55 * 0.75 = 0.41

= 0.55 * 0.01 = 0.0055

= 0.45 * 0.5 = 0.225

Ein Entscheidungstheoretisch Motivierter Agent:

function ET-Agent (Beobachtung) returns Aktion

lokal: eine Menge probabilistischer Annahmen über die Welt

return Aktion.

Ein Entscheidungstheoretisch motivierter Agent in MICE:

(create-agent
 :NAME "EXAMPLE"
 ...
 :CHANNELS '(channel-1 channel-2)
 :SENSORS (list (make-sensor-data :RANGE 
				(make-region	:X-MIN -2 :Y-MIN -2
                                                      	:X-MAX 2  :Y-MAX 2)))
 :DOMAIN-VARIABLES (acons zustand wartend nil)
 :INVOCATION-FUNCTION #'do-agent)
 
(defun do-agent (agent)
  (let* ((scan-data (read-and-reset-scan-data))
         	(messages (read-and-reset-received-messages))
         	(history (agent$DOMAIN-VARIABLES agent))
         	(possible-states (compute-states scan-data 
								messages history))
         	(actions nil))
    (dolist (possible-state possible-states)
      (dolist (possible-action (compute-actions possible-state))
          (let* ((expected-utility 0))
            (dolist (possible-outcome (compute-outcomes 
					possible-action possible-state))
              (incf expected-utility
                    (* (cdr possible-outcome)
                       (utility (car possible-outcome))))))
          (setf actions (acons possible-action 
						expected-utility actions))))
    (sort actions #'> :key #'(lambda (action)
                               (cdr action)))
    ;; (car actions) ist die zu bevorzugende Aktion
    ;; Entsprechend der gewählten Aktion wird nun eine Liste von
    ;; agent-Kommandos zurückgegeben
    ;;
    ;; Bsp: 
	(case (car (car actions))  ; Aktion ist immer ein 								       ; (Cons-)Paar aus eigentlicher 						       ; Aktion und  erwarteter Utility
         	(flucht '((:move :forward))) ...)))

Ein deliberativer Agent:

N. Shardlow

"Action and Agency in Cognitive Science"

Masterthesis University of Manchester

Zwei zentrale Probleme: Deliberativer Agenten

Mehr dazu in Kapitel 4