INTELIGÊNCIA ARTIFICIAL

Eugénio Oliveira / FEUP

INTELIGÊNCIA ARTIFICIAL

Professor Eugénio Oliveira

Doutora Ana Paula Rocha

Doutor Henrique Lopes Cardoso

Think

INTELIGÊNCIA ARTIFICIAL

Sitio web institucional

OBJETIVOS GENÉRICOS DA UNIDADE CURRICULAR:

Incursão em um novo “continente” do saber ! 3 Palavras chave: * CONHECIMENTO * LÓGICA * ENGENHARIA

INTELIGÊNCIA ARTIFICIAL

Objetivos:

* APRENDER novos MÉTODOS de resolver problemas * USAR outras TÉCNICAS de realizar sistemas

* REALIZAR diferentes PROGRAMAS para pesquisar soluções Conclusão: APRENDER novas formas de resolver Problemas que

Eugénio Oliveira / FEUP

INTELIGÊNCIA ARTIFICIAL

I

I-INTRODUÇÃO À INTELIGÊNCIA ARTIFICIAL

Metodologias e Objetivos

Aspetos

científicos e tecnológicos

Debilidades metodológicas

específicos embora intersetando com outras áreas das Ciências da Computação e das C. Cognitivas, das Neurociências, da Sociologia, da Economia e da Electrónica

nos domínios da Programação, da Algoritmia, da Análise Sistémica, da Perceção e Interpretação de dados e outros ramos da Engenharia.

INTELIGÊNCIA ARTIFICIAL

CIÊNCIA DA COMPUTAÇÃO ENGENHARIAS: Computação Eletrónica Robótica ... Psicologia Cognitiva Sociónica INTELIGÊNCIA ARTIFICIAL: Ciência Versus Tecnologia

INTELIGÊNCIA ARTIFICIAL

Economia

Teoria da Decisão Teoria do Jogo

Eugénio Oliveira / FEUP

Comentários > ambígua (a definição contém o definido); > verdade de "Lapalice" (computadores mais úteis).

INTELIGÊNCIA ARTIFICIAL

Definições

"A Inteligência Artificial é o estudo das ideias que, implementadas

no computador, lhes permitam realizar os mesmos objetivos que

fazem as pessoas parecer inteligentes".

"Mais especificamente a IA tenta que os computadores sejam mais úteis e ao mesmo tempo estuda os princípios que tornam a inteligência possível"

"O campo da Inteligência Artificial tem como pressuposto que

existem

processos comuns baseando perceção e pensamento e

que estes processos podem ser compreendidos e estudados

científicamente. Além disso é completamente irrelevante para

a teoria da IA quem (ou o quê) "

percebe

" ou "

pensa

" - homem

ou computador. Isso é um detalhe de implementação...".

N. Nilsson

ex-director do Stanford Research Institut; Stanford

Robotics Lab.

INTELIGÊNCIA ARTIFICIAL

Comentário:> polémico. A IA desviou-se, durante algum tempo deste paradigma para se tornar mais realista, mais independente do funcionamento da mente humana.

Eugénio Oliveira / FEUP

"A IA é o estudo dos processos que possibilitam aos computadores

realizar tarefas para as quais, no momento, as pessoas são mais

aptas.“

E. Rich.

Comentário:> Vaga. Incompleta. Mas aproximativa da verdade na sua simplicidade

Outra definição:

A Inteligência Artificial é uma disciplina científica cujo objetivo

fundamental é realizar sistemas computacionais capazes de exteriorizar

comportamentos operacionais semelhantes aos humanos em situações

estereotipadas.

INTELIGÊNCIA ARTIFICIAL

Eugénio Oliveira / FEUP

• EVOLUÇÃO:

Ciência da Cognição + Ciência da Computação Inteligência Artificial Engenharia do Conhecimento Agentes Autónomos

INTELIGÊNCIA ARTIFICIAL

• DIFERENCIAÇÃO:

Técnicas de Inteligência Artificial para: i) problemas complexos

ii) Modelação do raciocínio

Fazer as máquinas

pensar…

Modelos

Computacionais para o

estudo

da mente racional

Máquinas que realizam

funções requerendo

inteligência

Estudar processos

computacionais que

simulam inteligência

Definições de Inteligência Artificial organizada em 4 categorias

Sist. que “pensam” como humanos Sist. que “pensam” racionalmente Sist. que “agem” como humanos Sist. que “agem” racionalmente

INTELIGÊNCIA ARTIFICIAL

racionalidade

humanos

pensar

INTELIGÊNCIA ARTIFICIAL

INTELIGÊNCIA ARTIFICIAL : SINÓPSE CRONOLÓGICA

"Pré-História" Clássico Romântico Pragmático _{Difusão/Integração}

Refundação Antropomorfi. 1956 1962 1974 1982 ₁₉₉₀ Filosofia (Lógica) Matemática : Boole Frege Psicologia: Behaviorismo Cognitivismo (experimentalismo W. James) Cibernética T. de Turing Teoria da Informação (Shannon) Modelo do Neurónio Artificial

(McCulloch & Pits)

Computação neuronal (Doutoramento de Minsky)

Nascimento da IA:

Reunião do Dartmouth College (Minsky, McCarthy, Simon, Newell, Shannon,..). Logic Theorist e G.P.S. (Newell&Simon&Shaw) Geometry P.S. (IBM) Jogo de Damas (A. Samuel) LISP, Time-sharing (McCarthy) Pesquisa+ Conhecimento (advice taker)

Grupos: MIT (Minsky) U.Stanford (McCarthy) Engª do Conhecimento (Feigenbaum) Dendral Sistemas Periciais: MYCIN Raciocínio incerto e Probabilístico: Prospector Frames (Minsky) PROLOG (Colmerauer) Tom Mitchell em Stanford, “Formação de Conceitos (ML) Computadores da 5º Geração (MITI) Hdw dedicado: Controlo "Fuzzy" ESPRIT Redes Neuronais Robótica reactiva (Brooks) S.Baseados em Conhecimento divulgados SOAR - Newell Aprendizagem Máquina Agentes "situados" IA Distribuída: S.Multi-Agente Ag. cognitivos IA + Web Deep Blue COG no MIT Robô humanóide (R.Brooks) 2000 Agentes Emocionais KISMET Agentes Robóticos Inteligência Social /Redes Data & Text mining Semântica da LN e, Web E- Business Intelligence Agentes Cognitivos Robótica ("Shakey")

Cálculo Integral (SAINT) Gramática SIR (B.Raphael) Perceptrão (Rosenblatt) Eliza

Minsky & Papert e polémica dos perceptrões

saída do reconhecimento de formas

PROGRAMA DE INTRODUÇÃO À INTELIGENCIA ARTIFICIAL I INTRODUÇÃO

Objetivo

Metodologia (ensino e avaliação)

Evolução e Cronologia da Inteligência Artificial Documentação

II NOÇÕES BASICAS

III MÉTODOS DE RESOLUÇÃO DE PROBLEMAS

PROGRAMA

Definições: o que é a I. A. ? Aplicações: em que domínios ? Definições básicas de Agente

Arquiteturas de Agentes: dos Reativos aos Cognitivos

Sistemas de "Produções"

Estratégias de Controlo da Pesquisa Sistemática

Encadeamento directo e inverso (Primeiro em Prof. e Primeiro em Largura) Pesquisa irrevogável: “Subir-a-colina” ( "hill climbing“)

“Arrefecimento Simulado” (“Simulated Annealing”)

Eugénio Oliveira / FEUP

III MÉTODOS DE RESOLUÇÃO DE PROBLEMAS (cont.)

PROGRAMA

** Apresentação pelos alunos e mini-teste de avaliação na Aula Teórica

Computação Evolucionária (Algoritmos Genéticos) Pesquisa Heurística: "O melhor primeiro"

Algoritmo A* e decréscimo progressivo da admissibilidade Análise Meios-Fins

Métodos de Satisfação de Restrições: Princípios da "Relaxação"

** Pesquisa em "Jogos": Procedimento Minmax Cortes Alfa-Beta

Exemplos em Prolog de estratégias básicas:

IV INTRODUÇÃO À REPRESENTAÇÃO DO CONHECIMENTO

V ENGENHARIA DO CONHECIMENTO

PROGRAMA

** Apresentação pelos alunos e avaliação na Aula Teórica

Definição de um Sistema de Representação

Estruturas de Representação:

Regras de Produção; Redes Associativas "Frames"; "Scripts"

Lógica de Predicados e Outras Lógicas Raciocínio Inexacto:

Modelo Probabilístico; Fatores de Certeza;

Modelo Dempster-Schafer; ** Lógica dos Conjuntos Difusos

Lógica: Logica Proposicional, Logica de Predicados, Lógica Intencional. (referência)

Sistemas Baseados em Conhecimento

Sistemas Periciais: Caraterização Estrutura

Rep. do Conhecimento e Meta-Conhecimento Motor de Inferência e Geração de Explicações Casos exemplares de Sistemas Periciais:

ORBI; SMYCIN; ARCA Demonstrações

Eugénio Oliveira / FEUP

VI INTRODUÇÃO À LINGUAGEM NATURAL COMPUTACIONAL

VII APRENDIZAGEM AUTOMÁTICA

VIII INTRODUÇÃO ÀS REDES NEURONAIS

PROGRAMA

** Apresentação pelos alunos e mini-teste de avaliação na Aula Teórica

Objetivos e dificuldades

Análises Sintática e Semântica

ATN; Redes Associativas; "Frames“; Casos Típicos (referência) Aproximação clássica e uso da Lógica :

Gramáticas com Cláusulas Definidas; alguns ex. em Português Gramáticas de extraposição

Tipos de aprendizagem

ap. de Conceitos; ap. pelo exemplo; ap. por analogia ap. Baseada em Explicações (EBL) :

Descrição dos Algorítmos para EBG, mEBG e IOL; Exemplo concreto

Aprendizagem Indutiva: Algoritmos ID3 e C4.5 Exemplos de Aplicação

Princípios básicos

Acompanhamento dos Exercícios em Prolog e trabalhos 1 2 3 4 5 6 7 8 9 10 11 12 Intr. IA Noções Básicas Representação Conhecimento Linguagem Natural SPeri ciais Aprendizagem S. Automática RN 13

Agentes, pesquisa, minimax, AG, optimização

14 15 16 17 18 19 20 21 22 23 24 25 Repres. Conhec;SP Pesq.Sistem. 26 Lançamento trabalhos

PROGRAMA

AG LNatural Aprend.

Métodos de Resolução de Problemas

Pesq.Heuríst. Pesq.Jogos

Eugénio Oliveira / FEUP

BIBLIOGRAFIA de Inteligência Artificial

Quadros tópicos disponibilizados no “sítio web” da disciplina- Eugénio Oliveira

LIVROS

• "ARTIFICIAL INTELLIGENCE: A Modern Approach", S.Russel and P.Norvig; Prentice Hall, 3rd Ed 2010

• "ARTIFICIAL INTELLIGENCE" E. Rich; K. Knight, 2nd Ed., MacGraw-Hill, 1991 • “C4.5-Programs for Machine Learning" Ross Quinlan,Morgan Kaufmann,1993

•"THE ART OF PROLOG" Sterling and Shapiro, MIT Press, 1986

•• "INTELIGÊNCIA ARTIFICIAL-Fundamentos e Aplicações " E.Costa, A.Simões; FCA editores, 2004

BIBLIOGRAFIA

• REVISTAS

• “Autonomous Agents and Multi-Agent Sytems”, Springer • "ARTIFICIAL INTELLIGENCE“ Elsevier-North-Holland • "IEEE EXPERT"

Trabalhos práticos tipo Mini-Projecto

• B. Resolução de Problemas de Otimização

B1. Otimização de Corte de Placas de madeira/vidro

B2. Otimização do Problema de Alocação de Lotes de Terreno B3. Otimização de Horários de Motoristas dos STCP

B4. Otimização da Localização de Prontos-Socorro numa Cidade

B5. Aplicação de Algoritmos Genéticos para localização de uma Barragem Métodos: Pesquisa Sistemática/Informada, Algoritmos Genéticos, Pesquisa Tabu, Arrefecimento Simulado

A. Pesquisa Sistemática/Informada de Soluções

A1. Pesquisa de trajetos em redes de transportes públicos A2. Trajeto de um robô em ambiente conhecido

A3. Pesquisa aplicada ao Problema de Alocação de Lotes de Terreno A4. Pesquisa aplicada à resolução do jogo Rush

A5. Pesquisa aplicada à resolução do Solitário Sokoban

Eugénio Oliveira / FEUP

TRABALHOS

C. Pesquisa com Adversários – Jogos

C1. Jogo de Tabuleiro – Tic-Tac-Ku C2. Jogo de Tabuleiro – Yinsh

C3. Jogo de Tabuleiro – Hex C4. Jogo de Tabuleiro – Blockade

C5. Jogo de Tabuleiro – Samurai de Reiner Knizia

Métodos: Algoritmo MiniMax com Cortes Alfa-Beta e variações deste

D. Engenharia do Conhecimento e Linguagem Natural

D1. Desenvolvimento de uma "Shell" (com fuzzy)

D2. Sistema de Regras para controlo de dispositivos de Domótica, usando Jess D3. Informações sobre voos da TAP em Linguagem Natural

D4. Informações sobre Filmes de Cinema em Cartaz em Linguagem Natural D5. Informações sobre Restaurantes na cidade do Porto em Linguagem Natural Métodos: Representação do Conhecimento, Raciocínio Incerto, Sistemas Periciais,

TRABALHOS

E. Algoritmos de Aprendizagem e Redes Neuronais

E1. Reconhecimento de Sinais de Trânsito utilizando Redes Neuronais

E2. Aplicação de ID3 ou C4.5 à classificação de Área Destruída em Incêndio E3. Previsão de Área destruída num incêndio utilizando Redes Neuronais E4. Aplicação de ID3 ou C4.5 à classificação da Qualidade de Vinhos Verdes E5. Previsão da qualidade de um Vinho Verde utilizando Redes Neuronais

Eugénio Oliveira / FEUP

• Cálculo das classificações:

– Exame 50% (mínimo 7,5 em 20)

– Frequência 50% (mínimo 7,5 em 20)

» Relatório + Trabalho Intercalar 15%

» Relatório Final 15%

» Participação e avaliação nas Aulas 30%

» Qualidade e Apresentação doTrabalho 40%

Eugénio Oliveira / FEUP

- Nova abordagem:

- Algoritmo:

Cálculo das próximas configurações possíveis (filhos do nodo)

encontra solução SENÃO considerar respostas possíveis para cada nó

TÉCNICAS

Abordagem tradicional:

-Algoritmo simples

-Desvantagens

- Desvantagem:

Mais tempo (todas as sequências possíveis antes de cada movimento)

-Vantagem:

Extensível, versátil (vários jogos,heurísticas; vários níveis), menos memória Matriz M com todas as configurações possíveis de vetores (Vi) número ternário (configuração)  decimal

indexar nova posição na Matriz

Nova posição corresponde ao vetor resposta Vj

gasto de memória; introdução de todas as situações (erros);inflexível

EXEMPLOS SIMPLES e intuitivos da abordagem “orientada IA” (GOFAI):

Exemplo B: Representação do conhecimento

Reconhecimento de Letras

TÉCNICAS

- Uma alternativa:

- Contar o nº de 1s em cada sub-área

(ou a razão entre “1” e “0”)

- Construir vector com os resultados

- Computar distância para os padrões

B

Entradas: contagem de 0s e 1s da matriz analógica (chave: nº 1s de 3 linhas da matriz e combine-as sem colisões numa f. de hashing)

Desvios de letras significativos ou não

Existência de muitos padrões implicam colisões

- Desvantagens:

I J

l I

- Uma abordagem tradicional:

matriz analógica:

Eugénio Oliveira / FEUP

- Nova abordagem:

-Padrões como descrições de caraterísticas:

arc (a,b) AND up(a,b) AND line(b,c) AND left(c,b) AND (nil OR (line(b,d) AND down(d,b))) AND

(nil OR (line(a,e) AND up(e,a))) - Algoritmo -Vantagem a b c d e

TÉCNICAS

- Encontrar instâncias das primitivas (arcos, linhas) - Relacioná-los e comparar com os padrões

- Selecionar o mais próximo

ALGUNS DOMÍNIOS DE INVESTIGAÇÃO E APLICAÇÃO 1 Compreensão Computacional da Linguagem Natural

compreender traduzir

Domínios para a INTELIGÊNCIA ARTIFICIAL

F --> SN SV SN --> Qt SN1

SN --> SN1

SN1 --> N FADJ Gramática elementar FADJ--> nil | FADJ ADJ

SV --> V SN N --> João | bola |…

ADJ --> branca | … Qt --> a | o | … V --> atira

• Tratamento superficial : Análise Lexical (Ex: Eliza ) • Análise em profundidade implica:

Eugénio Oliveira / FEUP

• Interpretação Semântica fundamental para selecção da Acção ex:

Qual é o valor da Aptidão do solo à Agricultura no ponto X

₁

,Y

₁

Depois da Análise sintática, a análise semântica gera: ponto(X1, Y1, D, V), a( 3, D, V-R).

• A Acção é a produção da resposta às questões aqui definidas (objetivos).

Domínios para a INTELIGÊNCIA ARTIFICIAL

Outras situações também requerendo análise semântica:

SISTEMAS PERICIAIS ("EXPERT SYSTEMS") ESPECÍFICO VS GERAL

Conhecimento Vs "Inteligência"

Domínios para a INTELIGÊNCIA ARTIFICIAL

SISTEMA SIMULADOR DO PERITO:

Uso de Conhecimento SIMBÓLICO E HEURÍSTICO Uso de Conhecimento INCERTO, VAGO, INCOMPLETO Acesso ao Conhecimento MODULAR

EXPLICAÇÕES

Eugénio Oliveira / FEUP

ROBÓTICA

- ARQUITETURAS: Cognitivas e Reativas; Híbridas

- PERCEÇÃO: Interpretação de Cenas

- DECISÃO: Geração Automática de Planos

• "Frame Problem"

- Linguagens: Nível Tarefa

- Visão + Modelização+ Interpretação

- COORDENAÇÃO de Equipas

*

Indução

de Regras baseada em:

- analogia; exemplos; explicações

* “Data e Text

Mining

”

- Criação de novo Conhecimento;

- Reconhecimento de padrões (texto, imagem, música)

- Extração de Opiniões, Sumarização

* Adaptação progressiva (Alg. Evolucionários)

NOVAS

LÓGICAS

para o Racicinio Automático

Domínios para a INTELIGÊNCIA ARTIFICIAL

- de ordem n

- Modais e Intencionais

- temporais

- não-monótonas

Eugénio Oliveira / FEUP

INTELIGÊNCIA ARTIFICIAL DISTRIBUÍDA

-

AGENTES

DISTRIBUÍDOS E COOPERATIVOS

Aplicações em domínios

DDD

:

- Gestão e análise de Redes

- Oficinas de Produção (CIM)

- Softbots (Pesquisadores, Shopbots,...)

- Mercados Eletrónicos (Leilões, contratos)

- Instituições Eletrónicas (Empresas Virtuais,

Negociação, contratação)

- Agentes “Emocionais”

- Simulação de eco-sistemas, tráfego,...

Domínios para a INTELIGÊNCIA ARTIFICIAL

ARQUITETURAS CONETIVISTAS E

NEURONAIS

- Informação

sub-simbólica

:

• Previsão

• Controlo adaptativo

TUTORES INTELIGENTES

Representação de Conhecimento do domínio,

Estratégias Pedagógicas de

Ensino (Itinerários de formação adaptativos)

Estratégias de Adaptação/Classificação e constituição de perfis

Domínios para a INTELIGÊNCIA ARTIFICIAL

SIMULAÇÃO DE

COMPORTAMENTOS

Humanos

Arquiteturas “mentalistas” e baseadas em “Emoções”

Coordenação de equipas de entidades autónomas

Sistemas ecológicos

COMPUTAÇÃO

ECONÓMICA

BASEADA EM

AGENTES (ACE)

“Computational study of economic processes as dynamic

systems of interacting agents”

Eugénio Oliveira / FEUP

AGENTES COMPUTACIONAIS

* Agentes são entidades computacionais dispondo de capacidade de

perceção

do ambiente exterior a si (através de "sensores") e de

interação

com esse ambiente (através de "efetuadores").

Introdução aos Agentes

* Agentes usam

sequências

percecionais

juntamente com eventual

conhecimento

à priori para agirem de forma a maximizar o seu

desempenho.

* Agentes dizem-se autónomos

na medida em que o seu

Descrição "

PAGE

" dos Agentes:

[Perceções, Ações, "Goals" (objetivos), "Environment" (ambiente)]

Agora (PEAS- Performance measures, Environment, Actuators, Sensors)

Introdução aos Agentes

Exemplos de Agentes

Eugénio Oliveira / FEUP

Aplicações de AGENTES

APLICAÇÕES de AGENTES e SMA

• Pesquisadores na Web

• Gestão dinâmica de Redes de Distribuição

• Seleção de Recursos distribuídos em Empresas (por ex. de Construção) • Mercados Eletrónicos: de Bens de consumo e de Utilidades (Eletricidade) • Delegação de representação e negociação em Empresas Virtuais

• Gestão e Encaminhamento de Sistemas de Transportes

• Agentes Robóticos de exploração ou deslocamento • Gestão de Comunicações

função

esqueleto-agente

(

perceção

) retorna

ação

estática:

memória

/* a memória do mundo do agente

memória

<---- atualiza_mem (

memória, perceção

)

ação

<---- selecciona_melhor (

memória

)

memória

<---- atualiza_mem (

memória, ação

)

retorna

ação

Notas: a sequência de perceções é criada internamente.

A medida do desempenho é exterior ao agente

Eugénio Oliveira / FEUP

Desvantagens:

• enormes tabelas. Tempo de construção da tabela • agente sem autonomia

• A IA tenta substituir a programação exaustiva por um código mais compacto que permita gerar comportamento racional

* agente mais elementar: agente_tabela

função

agente_tabela

(

perceção

) retorna

ação

estática:

memória

/* a memória do mundo do agente

tabela indexada pelas perceções. Inicialmente completamente especificada */

memória

<---- atualiza_mem (

memoria, perceção

)

ação

<---- seleciona_melhor (

memoria

)

memória

<---- atualiza_mem (

memoria, ação

)

retorna

ação

* Um Agente com "raciocínio" pode tentar evitar estas desvantagens.

* Como construir agentes capazes de melhor mapear as perceções em ações?

* Consideremos cinco tipos de agentes:

a) Reativos simples

b) Baseados no Modelo do mundo

c) Geridos por objetivos

d) Baseados na utilidade

e) Com Aprendizagem

Eugénio Oliveira / FEUP

Arquiteturas

1) Reativos simples : Usam um conjunto de regras "situação-ação"

* válidos quando a decisão correta é só função da perceção atual

estado do próxima B E N AGENTE mundo Sensores ação ? Efetuadores Regras:Condições->ação A M B I E N T E

Diagrama esquemático de um Agente Reacivo simples

função agente_reativo_simples( perceção ) retorna ação

persistente: regras /*conjunto de regras situação-ação */

estado <--- interpreta_input ( perceção )

regra <--- selecciona ( estado, regras )

A tomada da decisão implica um conhecimento prévio do mundo.

função agente_reativo_c_mem (

perceção) retorna ação

persistente:

estado

,

modelo

/* descrição do estado (corrente) do mundo */

regras, ações

/* conjunto de regras situação_ação */

estado

<--- atualiza_estado (

estado, ação,perceção, modelo

)

regra

<--- selecciona_regra (

estado, regras

)

ação

<--- conclusão_regra (

regra

)

retorna

ação

/*mesma perceção -->ações diferentes,(estado do mundo)

Arquiteturas

2) Baseados no Modelo do mundo:

AGENTE estado do mundo Sensores próxima ação ? Efetuadores Regras:Condições->ação A M B I E N T E

Diagrama esquemático de um Agente com estado interno Modelando o Mundo estado

Eugénio Oliveira / FEUP

Para além da descrição do estado corrente o agente usa informação sobre os

objetivos. Implica

pesquisa

e planeamento. É mais flexivel pois diferentes

Comportamentos são obtidos para o mesmo estado do mundo dependendo do destino.

Arquiteturas

3) Geridos por objetivos:

AGENTE estado do mundo Sensores próxima ação ? Efectuadores A M B I E N T E

Diagrama esquemático de um Agente com objetivos explícitos estado

evolução do mundo resultados das ações

Objetivos

Utilidades são medidas de "satisfação", para o agente, relativamente aos diversos

estados. Utilidades podem ser usadas para decidir entre objetivos em conflito ou ainda (quando há incerteza nas ações) para medir a verosimilhança de atingir o objetivo.

Agentes que usam a função utilidade são mais racionais (ex. jogar xadrez, ...).

Arquiteturas

4) Baseados na utilidade Qual o grau de satisfação do Agente neste estado AGENTE estado do mundo Sensores próxima ação ? Efetuadores A M B I E N T E

Diagrama esquemático de um Agente baseado em Utilidades estado

evolução do mundo resultados das ações

Eugénio Oliveira / FEUP

Arquiteturas

5) Agentes Adaptativos

(na disciplina de AIAD)

AGENTE Crítico Sensores agente executor Efectuadores A M B I E N T E

Diagrama esquemático de um Agente Adaptativo