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:文章来源：https://www.toymoban.com/news/detail-745456.html
// 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:文章来源地址https://www.toymoban.com/news/detail-745456.html
// 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)];
}
到了这里，关于人工智能：一种现代的方法 第二章 智能体的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
