基于統(tǒng)計的對手模型及在規(guī)劃中的應用.doc
約42頁DOC格式手機打開展開
基于統(tǒng)計的對手模型及在規(guī)劃中的應用,全文42頁約20000字論述翔實 目錄目錄2摘要4abstract5第一章 緒論6第二章 對手建模92.1 對手模型的起源和研究意義92.1.1 經(jīng)典博奕92.1.2 敵對搜索中的應用102.1.3 多主體環(huán)境中的應用112.2 多主體環(huán)境中的對手建模112.2.1 bdi模型112....
內(nèi)容介紹
此文檔由會員 棉花糖糖 發(fā)布
基于統(tǒng)計的對手模型及在規(guī)劃中的應用
全文42頁 約20000字 論述翔實
目 錄
目 錄 2
摘 要 4
ABSTRACT 5
第一章 緒論 6
第二章 對手建模 9
2.1 對手模型的起源和研究意義 9
2.1.1 經(jīng)典博奕 9
2.1.2 敵對搜索中的應用 10
2.1.3 多主體環(huán)境中的應用 11
2.2 多主體環(huán)境中的對手建模 11
2.2.1 BDI模型 11
2.2.2 利用信念網(wǎng)絡從觀察到的情況識別主體的行為 12
2.2.3 DFA學習MAS的對手建模 13
第三章 ROBOCUP中的對手模型 14
3.1 ROBOCUP環(huán)境介紹 14
3.1.1 RoboCup 14
3.1.2 仿真機器人足球 15
3.1.3 對手建模挑戰(zhàn) 18
3.1.4 在線教練比賽 18
3.2 現(xiàn)有的對手建模手段 19
3.2.1 理想模型 19
3.2.2 位置概率模型 19
3.2.3 基于特征的模型 20
3.2.4 總結(jié) 21
第四章 基于統(tǒng)計的對手模型 22
4.1 思想來源 22
4.1.1跟蹤多個主體的思想 22
4.1.2自動建模的思想 22
4.1.3將主體行為與環(huán)境結(jié)合形成事件的思想 22
4.1.4非馬爾可夫的思想和統(tǒng)計方法 23
4.2 模型描述 23
4.2.1主體行為的定義 23
4.2.2事件的定義 23
4.2.3對手模型的定義 24
4.3 建立對手模型 24
4.3.1主體行為和事件的識別 24
4.3.2利用字符樹（Trie）統(tǒng)計觀察到的事件序列 25
4.3.3對手模型預測函數(shù) 26
4.3.4和其他相關(guān)工作的比較 30
第五章 在ROBOCUP中的統(tǒng)計對手模型建立 31
5.1 球員行為的定義和識別 31
5.2 具體模型建立過程算法 33
5.2.1主導行為和輔助行為的區(qū)別 33
5.2.2解決輔助行為在預測沖突 34
第六章 ROBOCUP規(guī)劃中的應用及實驗結(jié)果 35
6.1 防守盯人規(guī)劃 35
6.2 實驗結(jié)果 36
第七章 總結(jié) 38
參考文獻 39
致 謝 42
摘 要
多主體系統(tǒng)（Multi-Agent Systems）是當前人工智能研究的主要方向之一，主體和多主體系統(tǒng)在動態(tài)、不可預測的環(huán)境中的適應性將在很大程度上決定其的研究能否滿足實際應用的基本要求。研究在動態(tài)的、有競爭和合作的多主體的環(huán)境中其他主體的建模，以及基于對手模型的規(guī)劃是提高主體和多主體系統(tǒng)適應性的重要手段，因而對其他主體的建模和基于該模型的規(guī)劃的研究越來越受到國內(nèi)外研究者的重視。
筆者在文中介紹并分析以往研究者相關(guān)工作的優(yōu)點和不足（必須事先假定主體內(nèi)部結(jié)構(gòu)，或者需要事先根據(jù)人的經(jīng)驗手工編碼的方式建立可能的模式庫，和不能跟蹤多個主體的合作行為），然后在基于統(tǒng)計的外部建模方法和筆者自己前一階段工作[20][21][22]的基礎(chǔ)上綜合改進，提出了一種基于統(tǒng)計方法的對手模型(包括模型表示方式、建模算法和用于預測時的算法)。該模型能夠（1）不需事先定義模式庫，通過分析觀察輸入在線建模；（2）跟蹤、描述和預測多個主體的合作行為。從而增加了模型的靈活性與可信度，使得分析并預測主體的意圖和團隊的策略以及針對對手的規(guī)劃成為可能，彌補以往對手模型的不足。筆者還在RoboCup仿真機器人足球比賽（一個近年來已成檢驗多智能系統(tǒng)研究成果的一個公共平臺）中實現(xiàn)了該模型，并將該模型用于球隊的防守規(guī)劃中，本文介紹了這些工作。
關(guān)鍵字：多主體系統(tǒng)，對手建模,卡方相關(guān)性檢測，機器人足球
ABSTRACT
Multi-Agent Systems (MAS) is now one of the main directions in international Artificial Intelligence research. Whether research on agents and MAS can satisfy the basic requirements of the practical applications depends, to a great extent, on the adaptability of agents and Multi-Agent Systems in dynamic and unexpected environments. It is an effective approach to improve agents’ or MAS’s adaptability to model other agents in dynamic and unexpected Multi-Agent environment in which agents compete or cooperate with each other, and then carry out planning based on the opponent model. Hence, more and more researchers put emphases upon the study of opponent modeling and planning based on opponent model.
Author analyzed both advantages and deficiency (opponent’s reasoning architecture and pattern library have to be defined beforehand or unable to track the cooperative actions of multiple agents) of former researchers’ related works. And then basing on the statistical external modeling method and author’s previous work [20][21][22], this paper present a statistical opponent model, which is composed by the model representation, the model constructing algorithm and the predicting algorithm. Comparing to previous models, this model is more flexible and reliable, and can trace multiple agents’ cooperative actions to make analyzing agent’s intention and team’s strategy and adversarial planning possible. Author implemented this model in RoboCup Simulation Soccer domain, and used it in the defending planning. This thesis will describe above work in details.
Keywords: Multi-Agent Systems, Opponent Modeling, Robot Soccer, Chi-Square Dependency Test
部分參考文獻
[15] D. Carmel and S. Markovitch. Opponent modeling in multi-agent systems. In G. Weiss and S. Sen, editors, Adaptation and Learning in Multi-Agent Systems, Lecture Notes in Artificial Intelligence. IJCAI’95 Workshop, Springer, 1995.
[16] G. A. Kaminka, M. Fidanboylu, A. Chang, and M. Veloso, Learning the Sequential Behavior of Teams from Observations. In Proceedings of the 2002 RoboCup Symposium.
[17] R. L. Kurse, A. J. Ryba. Data Structures and Program Design in C++. Chapter 11, Apr. 2001 published.
[18] 陳小平. 關(guān)于慎思式適應. 計算機科學, Vol.29, No.9(S), 49-51
[19] H. Kitano, M. Tambe, P. Stone, M. Veloso, S. Coradeschi, E. Osawa, H. Matsubara, I. Noda, and M. Asada. The RoboCup synthetic agent challenge 97. In Proceedings of the Fifteenth International Joint Conference on Artificial Intelligence, pages 24–29, San Francisco, CA, 1997. Morgan Kaufmann.
[20] Zhanxiang Huang, Y. Yang, X. Chen, An Approach to Plan Recognition and Retrieval for Multi-agent Systems, accepted by the Workshop on Adaptability in Multi-Agent Systems, Jan.27-Feb.1, 2003, University of New South Wales, Sydney, Australia.
全文42頁 約20000字 論述翔實
目 錄
目 錄 2
摘 要 4
ABSTRACT 5
第一章 緒論 6
第二章 對手建模 9
2.1 對手模型的起源和研究意義 9
2.1.1 經(jīng)典博奕 9
2.1.2 敵對搜索中的應用 10
2.1.3 多主體環(huán)境中的應用 11
2.2 多主體環(huán)境中的對手建模 11
2.2.1 BDI模型 11
2.2.2 利用信念網(wǎng)絡從觀察到的情況識別主體的行為 12
2.2.3 DFA學習MAS的對手建模 13
第三章 ROBOCUP中的對手模型 14
3.1 ROBOCUP環(huán)境介紹 14
3.1.1 RoboCup 14
3.1.2 仿真機器人足球 15
3.1.3 對手建模挑戰(zhàn) 18
3.1.4 在線教練比賽 18
3.2 現(xiàn)有的對手建模手段 19
3.2.1 理想模型 19
3.2.2 位置概率模型 19
3.2.3 基于特征的模型 20
3.2.4 總結(jié) 21
第四章 基于統(tǒng)計的對手模型 22
4.1 思想來源 22
4.1.1跟蹤多個主體的思想 22
4.1.2自動建模的思想 22
4.1.3將主體行為與環(huán)境結(jié)合形成事件的思想 22
4.1.4非馬爾可夫的思想和統(tǒng)計方法 23
4.2 模型描述 23
4.2.1主體行為的定義 23
4.2.2事件的定義 23
4.2.3對手模型的定義 24
4.3 建立對手模型 24
4.3.1主體行為和事件的識別 24
4.3.2利用字符樹（Trie）統(tǒng)計觀察到的事件序列 25
4.3.3對手模型預測函數(shù) 26
4.3.4和其他相關(guān)工作的比較 30
第五章 在ROBOCUP中的統(tǒng)計對手模型建立 31
5.1 球員行為的定義和識別 31
5.2 具體模型建立過程算法 33
5.2.1主導行為和輔助行為的區(qū)別 33
5.2.2解決輔助行為在預測沖突 34
第六章 ROBOCUP規(guī)劃中的應用及實驗結(jié)果 35
6.1 防守盯人規(guī)劃 35
6.2 實驗結(jié)果 36
第七章 總結(jié) 38
參考文獻 39
致 謝 42
摘 要
多主體系統(tǒng)（Multi-Agent Systems）是當前人工智能研究的主要方向之一，主體和多主體系統(tǒng)在動態(tài)、不可預測的環(huán)境中的適應性將在很大程度上決定其的研究能否滿足實際應用的基本要求。研究在動態(tài)的、有競爭和合作的多主體的環(huán)境中其他主體的建模，以及基于對手模型的規(guī)劃是提高主體和多主體系統(tǒng)適應性的重要手段，因而對其他主體的建模和基于該模型的規(guī)劃的研究越來越受到國內(nèi)外研究者的重視。
筆者在文中介紹并分析以往研究者相關(guān)工作的優(yōu)點和不足（必須事先假定主體內(nèi)部結(jié)構(gòu)，或者需要事先根據(jù)人的經(jīng)驗手工編碼的方式建立可能的模式庫，和不能跟蹤多個主體的合作行為），然后在基于統(tǒng)計的外部建模方法和筆者自己前一階段工作[20][21][22]的基礎(chǔ)上綜合改進，提出了一種基于統(tǒng)計方法的對手模型(包括模型表示方式、建模算法和用于預測時的算法)。該模型能夠（1）不需事先定義模式庫，通過分析觀察輸入在線建模；（2）跟蹤、描述和預測多個主體的合作行為。從而增加了模型的靈活性與可信度，使得分析并預測主體的意圖和團隊的策略以及針對對手的規(guī)劃成為可能，彌補以往對手模型的不足。筆者還在RoboCup仿真機器人足球比賽（一個近年來已成檢驗多智能系統(tǒng)研究成果的一個公共平臺）中實現(xiàn)了該模型，并將該模型用于球隊的防守規(guī)劃中，本文介紹了這些工作。
關(guān)鍵字：多主體系統(tǒng)，對手建模,卡方相關(guān)性檢測，機器人足球
ABSTRACT
Multi-Agent Systems (MAS) is now one of the main directions in international Artificial Intelligence research. Whether research on agents and MAS can satisfy the basic requirements of the practical applications depends, to a great extent, on the adaptability of agents and Multi-Agent Systems in dynamic and unexpected environments. It is an effective approach to improve agents’ or MAS’s adaptability to model other agents in dynamic and unexpected Multi-Agent environment in which agents compete or cooperate with each other, and then carry out planning based on the opponent model. Hence, more and more researchers put emphases upon the study of opponent modeling and planning based on opponent model.
Author analyzed both advantages and deficiency (opponent’s reasoning architecture and pattern library have to be defined beforehand or unable to track the cooperative actions of multiple agents) of former researchers’ related works. And then basing on the statistical external modeling method and author’s previous work [20][21][22], this paper present a statistical opponent model, which is composed by the model representation, the model constructing algorithm and the predicting algorithm. Comparing to previous models, this model is more flexible and reliable, and can trace multiple agents’ cooperative actions to make analyzing agent’s intention and team’s strategy and adversarial planning possible. Author implemented this model in RoboCup Simulation Soccer domain, and used it in the defending planning. This thesis will describe above work in details.
Keywords: Multi-Agent Systems, Opponent Modeling, Robot Soccer, Chi-Square Dependency Test
部分參考文獻
[15] D. Carmel and S. Markovitch. Opponent modeling in multi-agent systems. In G. Weiss and S. Sen, editors, Adaptation and Learning in Multi-Agent Systems, Lecture Notes in Artificial Intelligence. IJCAI’95 Workshop, Springer, 1995.
[16] G. A. Kaminka, M. Fidanboylu, A. Chang, and M. Veloso, Learning the Sequential Behavior of Teams from Observations. In Proceedings of the 2002 RoboCup Symposium.
[17] R. L. Kurse, A. J. Ryba. Data Structures and Program Design in C++. Chapter 11, Apr. 2001 published.
[18] 陳小平. 關(guān)于慎思式適應. 計算機科學, Vol.29, No.9(S), 49-51
[19] H. Kitano, M. Tambe, P. Stone, M. Veloso, S. Coradeschi, E. Osawa, H. Matsubara, I. Noda, and M. Asada. The RoboCup synthetic agent challenge 97. In Proceedings of the Fifteenth International Joint Conference on Artificial Intelligence, pages 24–29, San Francisco, CA, 1997. Morgan Kaufmann.
[20] Zhanxiang Huang, Y. Yang, X. Chen, An Approach to Plan Recognition and Retrieval for Multi-agent Systems, accepted by the Workshop on Adaptability in Multi-Agent Systems, Jan.27-Feb.1, 2003, University of New South Wales, Sydney, Australia.
