I sistemi multiagente

Il sistema multiagente è un ambiente operativo in cui interagiscono due o più agenti razionali. E' anche detto sistema con agenti multipli.

Esempio. In una mappa a due dimensioni si muovono due agenti robot che perseguono un obiettivo. I due agenti non possono condividere la stessa casella. Pertanto, le decisioni di un agente condizionano le scelte dell'altro.
un esempio di sistema multiagente

La differenza tra multiagente e monoagente

I modelli decisionali multiagente sono molto più complessi dei modelli deterministici o stocastici monoagente.

Perché?

In un modello monoagente, per pianificare una sequenza di azioni il robot deve considerare i seguenti aspetti:

  1. il modello di transizione degli stati
  2. il modello sensoriale delle osservazioni dell'ambiente
  3. il modello di filtraggio per fare previsioni

un esempio di sistema decisionale monoagente

Quindi, in un modello monoagente, l'agente considera soltanto gli effetti delle sue scelte sull'ambiente.

Viceversa, in un modello multiagente il robot deve prendere in considerazione anche le scelte degli altri agenti.

esempio di conflitto nelle scelte

Esempio. I due agenti decidono contemporaneamente di spostarsi nella casella B2. Dal loro punto di vista, la casella B2 è vuota. Così facendo si scontrano, causandosi a vicenda un danno pari a -5.

Per prendere una decisione, l'agente deve formulare una previsione delle decisioni degli altri ed elaborare una strategia di azione.

L'importanza dell'aspettativa razionale

Il comportamento dell'agente influenza le scelte altrui.

Tuttavia, sarebbe sbagliato considerare gli altri come semplici agenti razionali reattivi, perché le decisioni degli altri dipendono dalle loro aspettative.

La realtà è molto più complessa.

le consequenze di un'aspettativa errata

Esempio. Ogni agente si aspetta che l'altro si sposti nella casella B2. Quindi, decide di spostarsi in B1. Pur avendo cercato di prevedere il comportamento dell'altro, entrambi gli agenti si scontrano comunque. Questa volta nella casella B1.

Non è facile trovare la strategia vincente nei sistemi multiagente.

Le decisioni multiagente sono oggetto di studio della teoria dei giochi.

Come costruire la strategia di gioco

La strategia di gioco dipende dal modello in cui operano gli agenti.

Se il gioco è a somma zero, uno vince e l'altro perde, la strategia sarà di competizione ( competition ).

Viceversa, se gli agenti non sono in concorrenza tra loro, possono maturare strategie di cooperazione ( cooperative ) o miste ( co-ompetion ).

Esempio. Se i due agenti non concorrono a raggiungere per primi lo stesso obiettivo, uno dei due potrebbe razionalmente fermarsi per far passare l'altro e ridurre il rischio di incidente.
un esempio di scelte tra due agenti
Tuttavia la cooperazione non si risolve tutti i problemi. La decisione di fermarsi è valida soltanto nei giochi multi-turno ( più turni ). Non è applicabile nei giochi one shot ( un solo turno ). Inoltre, il tempo di attesa potrebbe avere un costo molto alto. Infine, se entrambi gli agenti decidessero di fermarsi per far passare l'altro, si bloccherebbero a vicenda aumentando i costi della strategia ( minore efficienza ).

Altri fattori che influenzano la strategia sono le informazioni a disposizione sull'ambiente e sugli altri agenti.

Se gli agenti fossero in grado di scambiarsi informazioni sulle loro intenzioni tramite una comunicazione, ridurrebbero l'incertezza delle scelte.

un esempio di complessità del modello decisionale multiagente

Un'altra soluzione possibile è l'adozione di regole di comportamento ( rules ) condivise tra gli agenti o la presenza di un'autorità centrale di controllo e coordinamento ( super agent ).

Esempio. L'agente che viene da destra ha sempre la precedenza. Anche in assenza di un semaforo o di un vigile, due agenti artificiali affrontano l'incrocio senza alcun rischio di entrare in conflitto.

In conclusione, non esiste un modello strategico strandard. Ogni agente deve formulare la propria strategia in base alla situazione di gioco.



Per scrivere un commento

knowledge base

Il ragionamento artificiale