Untersuchte Fragen<\/h1>\n
Im Zusammenhang mit MAS sind in den letzten Jahren ganz unterschiedliche Fragen untersucht worden. Diese reichen von der Frage, ob Kooperation bzw. Kommunikation \u00fcberhaupt notwendig ist bis hin zu verschiedenen Details einer Kooperation. Auch hier erlaubt es ein \u00dcberblick, die mit Wolf und Schafe verfolgten Fragen etwas einzuordnen<\/a>.<\/p>\n Aus der Lekt\u00fcre haben sich bisher folgende, spezifische Anregungen ergeben, die im Rahmen von Wolf und Schafe hilfreich sein k\u00f6nnten bzw. weiter verfolgt werden sollen.<\/p>\n Ein Agent lebt in einer Umwelt und verf\u00fcgt \u00fcber:<\/p>\n Ein Agent nimmt etwas in der Umwelt als anderen Agenten war, wenn er dieses etwas mit diesen Bestimmungsst\u00fccken modelliert. (Stone & Veloso<\/a>)<\/p>\n Koordination kann locker sein, wenn alles „normal“ l\u00e4uft. Bei Problemen sollte sie verst\u00e4rkt werden. Eskalationsstufen (Stone & Veloso<\/a>):<\/p>\n Die Steuerung der Schafe auf zwei Ebenen:<\/p>\n Aus den verschiedenen Arbeiten zur „pursuit domain“ ergibt sich eine bunte Sammlung von m\u00f6glichen Reaktionsmustern:<\/p>\n Jedes Schaf peilt das Nachbarfeld zum Wolf an, das am n\u00e4chsten liegt. Nicht sehr effizient, da gegenseitige Behinderung. (Stone & Veloso<\/a>)<\/p>\n Jedes Schaf versucht so nahe zum Wolf und so weit weg von den anderen Schafen zu sein, wie m\u00f6glich. Ist im offenen Feld (nur diagonale Bewegungen, hexagonales Feld) offenbar sehr effizient (sofern der Wolf sich zuf\u00e4llig bewegt, folgt er einer geraden Linie, gibt es Probleme). (Stone & Veloso<\/a>)<\/p>\n Zum einfachen Reaktionsmuster hinzu F\u00e4lle als negative Beispiele, wann vom Muster abwichen werden sollte. (Ho & Kamel<\/a>)<\/p>\n Informationen zu den einzelnen F\u00e4llen (die Situation) in folgendem Ausschnitt aus der ganzen Welt speichern (Ho & Kamel<\/a>):<\/p>\n Absprachen k\u00f6nnen vor dem Spiel stattfinden, so dass w\u00e4hrend dem Spiel weniger Kommunikation notwendig ist. (Stone & Veloso<\/a>)<\/p>\n (Als Erg\u00e4nzung zum „Ecken blockieren“:) Das Schaf, das am weitesten weg ist, k\u00fcndet die Ecke an, die es anpeilt. Dann w\u00e4hlt das n\u00e4chste Schaf aus den verbleibenden die n\u00e4chste und k\u00fcndet an, etc. Klappt schon besser. (Stone & Veloso<\/a>)<\/p>\n Wenn f\u00fcr ein Teammitglied der Weltzustand durch die Wahrnehmung nicht eindeutig gegeben ist, k\u00f6nnen andere Zusatzinfos liefern (Friedrich, Kaiser, Rogalla & Dillmann<\/a>)<\/p>\n Zwei M\u00f6glichkeiten von der Fallbasis eines anderen zu profitieren<\/p>\n Um eine Beute zu verfolgen, die sich zuf\u00e4llig bewegt, gen\u00fcgt eine einfachere Sprache, als wenn sich die Beute auf einer geraden Linie bewegt. (Jim & Giles<\/a>)<\/p>\n Zwei Agenten mit grunds\u00e4tzlich unterschiedlicher „Wahrheitsdefinition“:<\/p>\n Beispiel: Beide lernen, dass in einem Ofen die Temperatur hoch ist, wenn ein bestimmtes Ventil geschlossen ist. Neue Info: Ventil geschlossen, Temperatur aber tief. 1) bildet neue \u00dcberzeugung, dass dies auch m\u00f6glich ist. 2) kommt zum Schluss, dass Sensor defekt ist. (Lacey, Nakata & Lee<\/a>)<\/p>\n Relativ viele Projekte arbeiten mit genetischen Algorithmen. Dies d\u00fcrfte f\u00fcr Wolf und Schafe eher ungeeignet sein, da psychologisch unplausibel. (Jim & Giles<\/a>)<\/p>\n (Ho & Kamel<\/a>)<\/p>\n Da der Zustandsraum mit allen anderen J\u00e4gern im Blickfeld (7*7) zu gross wird, je ein Zustandsraum mit der Beute und einem J\u00e4ger. Q-Learning in diesem Raum. Ein Kombinationsmodul trifft dann aus den drei Vorschl\u00e4gen eine Auswahl. Es l\u00e4sst sich folgendes Verhalten beobachten:<\/p>\n Optimales Verhalten mit einer einfachen Sprache lernen (einfach: wenig Zeichen), dann Sprache vergr\u00f6ssern (mehr Zeichen) und weiterentwickeln lassen. (Jim & Giles<\/a>)<\/p>\n Das Gebiet der Multi-Agent Systems gibt es seit ca. 1985. Entsprechend umfangreich ist die Literatur dazu bereits. Pursuit Domain Bereits 1986 wurde eine Aufgabe f\u00fcr simulierte Agenten vorgeschlagen, die dem Wolf und Schafe Spiel \u00e4hnlich ist: Auf einem schachbrettartigen Feld … Weiterlesen Anregungen<\/h1>\n
Arbeitsdefinition „Agent“<\/h2>\n
\n
Strategien der Schafe<\/h2>\n
Koordination nach Bedarf<\/h3>\n
\n
Zwei Ebenen Architektur<\/h3>\n
\n
Reaktionsmuster<\/h3>\n
Ecken blockieren<\/h3>\n
Zum Wolf, weg vom Schaf<\/h3>\n
F\u00e4lle als negative Beispiele<\/h3>\n
Fallfenster<\/h3>\n
<\/p>\n
Kommunikationsanl\u00e4sse<\/h3>\n
Vorverhandeln<\/h3>\n
Informieren<\/h3>\n
Hidden States als Kommunikationsanlass<\/h3>\n
Probleme \u00fcbergeben<\/h3>\n
\n
Kommunikationsprobleme<\/h2>\n
Problemtyp und Komplexit\u00e4t der Sprache<\/h3>\n
Kommunikationsprobleme bei Verteiltem Arbeiten<\/h3>\n
\n
Kommunikationsprobleme zwischen Lehrer und Lerner wenn nur einer lernt<\/h3>\n
\n
Kommunikationsprobleme, wenn mehrere lernen als Team zu handeln<\/h3>\n
\n
„Wahrheit“<\/h3>\n
\n
Lernmechanismen<\/h2>\n
Genetische Algorithmen<\/h3>\n
Generelles Algorithmusger\u00fcst f\u00fcr Verst\u00e4rkungslernen<\/h3>\n
Algorithm LearnMAP()\r\n repeat\r\n state <- UPDATE-STATE(state, percept)\r\n action <- CHOOSE-ACTION(state, map)\r\n update-val <- GET-FEEDBACK()\r\n UPDATE-MAP(update-val. map)\r\n until TERMINATION-CONDITION(map)\r\nreturn(map)<\/pre>\n
Modulares Verst\u00e4rkungslernen<\/h3>\n
\n
Lernen der Sprache<\/h2>\n
Sprache wachsen lassen<\/h3>\n
Gelegenheiten zur Spracherweiterung<\/h3>\n
\n
Neue Sprachelemente erkl\u00e4ren<\/h3>\n
\n