人工智能：一种现代的方法 第二章 智能体

前言

本章属于本书的开篇，有两个不便于理解的地方一是讲述的概念过于抽象，且本书的例子有点老套，所以本人以自动驾驶为例来理解本章的概念。二是本文的伪代码不太好看懂，于是改为c伪代码

人工智能：一种现代的方法 第二章 智能体

2.1 环境与智能体

智能体（intelligent agent）：可以感知其环境，自主行动以实现目标，并可以通过学习提高其性能或使用知识的事物

• 通过传感器感知环境，任何给定时刻Agent的感知序列【输入】
• 通过执行器对所处环境产生影响，Agent的动作执行对环境进行改变【输出】
• 根据感知信息，为达到目标，选择环境中最好的可能行为【Agent函数】

智能体通过感知器（sensors）来感知环境，这可能包括摄像头、麦克风、红外线传感器，或者从数据库或网络获取的数据等。智能体通过执行器（actuators）来影响环境，这可能包括马达、扬声器，或者向数据库或网络发送数据等。

环境是智能体所在的上下文，智能体通过与环境交互来实现其目标。环境可以是物理世界，也可以是一个虚拟的世界，如一个计算机游戏或一个网络环境。环境为智能体提供了感知的来源，并接受智能体的行动。

以自动驾驶汽车为例

智能体是自动驾驶系统。它的目标可能是将乘客安全、准时地送达目的地。为了实现这个目标，它需要感知并理解其周围的环境，并做出适当的决策和行动。

自动驾驶系统通过各种感知器来感知环境，这可能包括摄像头（用于识别道路、行人、其他车辆等）、雷达和激光雷达（用于测量物体的距离和速度）、GPS（用于确定车辆的位置），以及各种车载传感器（用于测量车辆的速度、方向、燃油消耗等）。自动驾驶系统通过执行器来影响环境，这可能包括控制汽车的转向、加速、刹车等。

环境是自动驾驶汽车所在的道路和周围的世界。环境为自动驾驶系统提供了感知的来源，并接受其行动。环境包括了其他的车辆、行人、道路、交通信号、天气条件等。

2.2 理性概念

对每一个可能的感知序列，根据已知的感知序列提供的证据和Agent具有的先验知识，理性Agent应该选择能使其性能度量最大化的动作，理性Agent是相对的

以自动驾驶汽车为例

• 感知序列：自动驾驶汽车通过各种传感器收集到的连续环境信息。这些信息可能包括周围车辆的位置和速度、道路状况、交通信号等。
• 先验知识：自动驾驶汽车在驾驶中应用的已知信息。这可能包括交通规则（如红灯停、绿灯行）、驾驶策略（如保持安全距离、不超速行驶）、以及通过机器学习从大量驾驶数据中学习到的模型（如其他车辆的行为模式、道路状况的影响等）。
• 性能度量：用于评估自动驾驶汽车行驶性能的标准。这可能包括行驶的安全性（如没有交通事故）、准时性（如按时到达目的地）、舒适性（如避免急刹车和急转弯）等。
• 理性的决策：在这个上下文中，一个理性的自动驾驶汽车应该根据其感知序列和先验知识，选择那些预期会最大化其性能度量的行动。

2.3环境的性质

2.3.1任务环境的规范描述：PEAS

在人工智能中，PEAS代表了“性能度量(Performance Measure)”，“环境(Environment)”，“执行器(Actuators)”，“传感器(Sensors)”。这是一个用来描述智能系统的框架。

以自动驾驶汽车为例

• 性能度量(Performance Measure): 这是用来评估Agent行为的标准。例如，对于一个自动驾驶汽车，性能度量可能包括安全性（事故的数量），效率（到达目的地的时间），法规遵守（遵守交通规则）等。
• 环境(Environment): Agent所在的环境。对于自动驾驶汽车，环境可能包括道路，其他车辆，行人，交通信号等。
• 执行器(Actuators): Agent与环境交互的方式。对于自动驾驶汽车，执行器可能包括用来控制车辆的方向盘，油门，刹车等。
• 传感器(Sensors): Agent获取环境信息的方式。对于自动驾驶汽车，传感器可能包括摄像头，雷达，激光雷达等。

人工智能系统	性能度量	环境	执行器	传感器
自动驾驶汽车	安全性，效率，法规遵守	道路，其他车辆，行人，交通信号	方向盘，油门，刹车	摄像头，雷达，激光雷达
股票交易机器人	利润，风险控制	股市，经济新闻，公司财报	买卖命令	市场数据，新闻，财报
自动扫地机器人	清洁效率，电池使用效率	家庭环境，障碍物	马达，吸尘器	摄像头，红外线传感器，碰撞传感器
机器人手臂	精确度，速度，安全性	工作台，工件，其他设备	电机，抓取器	摄像头，触摸传感器，距离传感器
推荐系统	用户满意度，点击率，购买率	用户数据，商品数据	显示推荐商品	用户行为数据，商品点击数据

2.3.2环境的性质

环境性质	描述	例子
完全可观察 vs 部分可观察	完全可观察的环境是指Agent可以获取环境的所有信息，而部分可观察的环境是指Agent只能获取环境的部分信息。	完全可观察：棋类游戏，部分可观察：扑克牌游戏
单Agent vs 多Agent	单Agent环境是指只有一个Agent在进行决策，而多Agent环境是指有多个Agent同时进行决策。	单Agent：一个自动驾驶汽车在空旷道路上行驶，多Agent：多个自动驾驶汽车在同一条道路上行驶
确定的 vs 随机的	确定的环境是指在给定状态和行动下，下一个状态是确定的，而随机的环境是指在给定状态和行动下，下一个状态是随机的。	确定的：棋类游戏，随机的：股市
片段式的 vs 延续式的	片段式的环境是指任务可以分解成多个独立的片段，每个片段的结果不影响其他片段，而延续式的环境是指任务是连续的，前一步的结果会影响后一步。	片段式的：扔骰子的游戏，延续式的：下棋的游戏
静态的 vs 动态的	静态的环境是指环境的状态在不采取行动的情况下不会改变，而动态的环境是指环境的状态在不采取行动的情况下会改变。	静态的：棋类游戏，动态的：股市
离散的 vs 连续的	离散的环境是指状态或行动的空间是离散的，而连续的环境是指状态或行动的空间是连续的。	离散的：棋类游戏，连续的：自动驾驶汽车的驾驶
已知的 vs 未知的	已知的环境是指环境的规则或动态是已知的，而未知的环境是指环境的规则或动态是未知的。	已知的：棋类游戏，未知的：探索未知的环境

2.4智能体结构

• 简单反射Agent
• 基于模型的反射Agent
• 基于目标的Agent
• 基于效用的Agent

自动驾驶为例

智能体类型	行为	举例
简单反应型智能体	根据当前感知做出反应	红灯停，绿灯行
基于模型的反应型智能体	根据当前和过去的感知以及内部的世界模型做出反应	知道红绿灯的周期，预测何时灯会变绿，然后决定是否需要完全停车或者是减速等待
基于目标的智能体	根据目标和当前的环境状态做出反应	知道红绿灯的周期，如果预计等待时间过长，可能会选择绕行以达到尽快到达目的地的目标
基于效用的智能体	根据效用函数做出反应，效用函数会考虑多个目标和目标之间的权衡	知道红绿灯的周期，如果预计等待时间过长，但绕行会增加燃油消耗，会根据效用函数权衡是否绕行

简单反应型智能体:

// 简单反应型智能体函数
char* SIMPLE_REFLEX_AGENT(char* percept) {
    // 如果感知到红灯，停车
    if (strcmp(percept, "red") == 0) {
        return "stop";
    }
    // 如果感知到绿灯，开车
    else if (strcmp(percept, "green") == 0) {
        return "go";
    }
}

基于模型的反应型智能体:

// 基于模型的反应型智能体函数
char* MODEL_BASED_REFLEX_AGENT(char* percept) {
    // 持久性变量：状态和模型
    static char* state;
    static char* model;

    // 更新状态
    state = UPDATE_STATE(state, percept, model);

    // 如果状态是红灯，停车
    if (strcmp(state, "red_light") == 0) {
        return "stop";
    }
    // 如果状态是绿灯，开车
    else if (strcmp(state, "green_light") == 0) {
        return "go";
    }
    // 如果状态是红灯即将结束，准备开车
    else if (strcmp(state, "red_light_almost_over") == 0) {
        return "prepare_to_go";
    }
}

基于目标的智能体:

// 基于目标的智能体函数
char* GOAL_BASED_AGENT(char* percept) {
    // 持久性变量：状态、模型和目标
    static char* state;
    static char* model;
    static char* goal;

    // 更新状态
    state = UPDATE_STATE(state, percept, model);

    // 如果目标是快速到达目的地
    if (strcmp(goal, "reach_destination_fast") == 0) {
        // 如果状态是红灯，并且红灯的持续时间超过阈值，绕道
        if (strcmp(state, "red_light") == 0 && LIGHT_DURATION(state) > THRESHOLD) {
            return "detour";
        }
        // 否则，遵循交通信号
        else {
            return "follow_traffic_lights";
        }
    }
}

基于效用的智能体:

// 基于效用的智能体函数
char* UTILITY_BASED_AGENT(char* percept) {
    // 持久性变量：状态、模型和效用函数
    static char* state;
    static char* model;
    static int (*utility_function)(char*);

    // 更新状态
    state = UPDATE_STATE(state, percept, model);

    // 获取可能的动作
    char* actions[] = POSSIBLE_ACTIONS(state);

    // 计算每个动作的效用值
    int utility_values[sizeof(actions)/sizeof(char*)];
    for (int i = 0; i < sizeof(actions)/sizeof(char*); i++) {
        utility_values[i] = UTILITY(actions[i], state, utility_function);
    }

    // 返回效用值最大的动作
    return actions[ARGMAX(utility_values)];
}