基于有色网的行动推理的描述与分析

来源 :江苏大学 | 被引量 : 1次 | 上传用户:qq20881010
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
行动推理是人工智能的一个重要的研究领域。Agent一般处于动态不完全可知的环境中,为了完成给定的任务,通过自主推理、规划、寻找出从初始状态到达目标状态的动作序列,从而实现目标。Petri网是公认的特别适合描述并发和同步的形式化工具,它具有图形化的直观表示方式和丰富的分析方法,非常适合表示和模拟具有异步、并发、动态等特征的系统。本文基于Petri网的高级网形式——有色网来描述行动推理。本文的主要工作如下:(1)提出了一种基于有色网的形式化表示单agent行动推理的方法——CPNSRAA网(Colored Petri Net for Simple Agent of Reasoning about Action),采用CPNSRAA网对状态、动作以及动作之间的各种复合关系(顺序关系、循环关系、条件关系、异步并发关系、冲突关系、真并发关系、中断关系)进行了形式化地表示。(2)提出了一种根据系统的初始条件、目标以及动作的前提条件和后继状态,来构造表示行动推理的CPNSRAA网系统的有效方法,使用该方法构造的CPNSRAA网系统能描述和实现agent在动态环境下进行自主行动推理和面向目标规划,同时提出了一个在CPNSRAA网系统中进行搜索,寻找出实现目标的动作序列生成方法。(3)提出了一个针对多agent系统的CPNMRAA网(Colored Petri Net for MultiAgent of Reasoning about Action)模型。该模型把多agent行动推理系统分为agent模块和环境模块两个大模块,对agent模块中的动作模块和通信模块,以及环境模块中的同步模块和对agent的通信和动作进行处理的模块都分别进行了形式化地表示与分析,并采用它为办公室环境多agent行动推理实例进行了建模和分析。(4)对研究的内容进行了建模和仿真。对办公室环境单agent行动推理实例进行建模和仿真,得出了实现目标的动作序列,并对agent的赋时行动推理进行了仿真,结果验证了CPNSRAA网表示行动推理的有效性和可行性,最后通过仿真报告进一步分析了CPNSRAA网系统的有界性和活性。本论文利用Petri网能较好地表示系统的异步、并发等特征的优点,在采用petri网表示agent行动推理方面做了一些尝试,为agent行动推理技术的研究和实现打下了一定的基础。
其他文献
投资监控系统是一个涉及经济利害的金融系统,所以系统对于用户的权限管理有着相当严格的要求,同时,由于系统功能的繁杂和用户群的庞大,对系统的权限管理以及日后的权限维护提
随着计算机的出现与普及,尤其是上世纪90年代互联网蓬勃兴起之后,人们摆脱了信息贫乏的桎梏,进入了一个信息极度丰富的社会,人们能从Internet获得数目惊人的信息。如何快捷准确地
安全防范问题仍然是现代人们普遍关心的问题。传统模拟家居监控产品已不能满足社会的需要,将逐渐被数字化的产品取代。随着嵌入式技术、多媒体技术、网络技术的快速发展,网络
在软件测试中,测试数据生成是其核心与关键。实际测试活动中,往往要求能达到一定程度的路径覆盖。因此,探讨一种辅助面向路径测试数据自动生成的有效方法,具有十分重要的意义。程
果蝇视觉系统对运动目标非常敏感,它为运动目标的位置、速度检测与跟踪的研究提供了丰富生物信息,也为探讨人工果蝇视觉神经网络奠定了生物理论基础。基于此,本文针对静态、
开关磁阻电机(Switched Reluctance Motor,SRM)是一种在20世纪80年代兴起,并得到迅速发展的新型调速电机。它不仅保持了交流感应电机的结构简单、坚固可靠的优点以及直流电机良好的可控性,还具有交流调速系统和直流调速系统所达不到的性价比高和适用能力强等优点,是现代传动系统中强有力的竞争者,具有广阔的发展前景。但是由于SRM运行时由径向吸力所导致的定子形变激发定子振动而产生噪声
随着大数据时代的到来,数据仓库已普遍运用在各个领域,企业数据仓库的分析型处理技术也日趋成熟。企业管理者可以通过决策分析系统从海量数据中提取重要数据以支持决策,决策
随着全球信息化的进程逐渐加快,网络信息量的爆炸式增长,人们查找信息越来越难。 Web 搜索引擎的出现在一定程度上解决了这种矛盾。然而现行的大型通用搜索引擎无法根据用
医学影像己成为现代医学中的一个重要的组成部分。医学影像的研究包括两个独立的部分:医学成像系统及医学图像处理。前者强调对图像形成的过程研究,后者主要对已经获得的图像
实际数据库中存在较多的连续型数值属性,而现有的很多数据挖掘方法只能处理离散型的属性,因而需要对连续属性进行离散化,因此,连续属性离散化方法成为数据挖掘领域重要的基础