Pokročilý plánovač záměrů pro BDI systémy

Abstract

Tato práce představuje současné přístupy k plánování záměrů v systémech typu Belief-Desire-Intention (BDI). Konkrétně se zaměřuje na přístupy, které zahrnují metodu Monte Carlo Tree Search (MCTS) ve spojení se stromy typu Goal-Plan (GPT) pro reprezentaci záměrů agenta s hlavními cíli. Tyto metody jsou upraveny tak, aby mohly být použity v systémech založených na jazyce AgentSpeak(L). Pro efektivní použití stromů Goal-Plan v takových systémech je zavedena strategie late variable binding. Metoda MCTS s prokládáním na úrovni akcí a varianta MCTS využívající zpětnovazební učení jsou implementovány v jazyce Python a integrovány do systému FRAg. Jsou navrženy dvě alternativní architektury integrace se systémem FRAg. Nakonec je porovnána jejich výkonnost s existujícími metodami plánování záměrů v rámci systému FRAg.

This thesis presents current approaches to intention scheduling in Belief-Desire-Intention (BDI) systems. Specifically approaches that incorporate the Monte Carlo Tree Search (MCTS) method with Goal-Plan trees (GPT) to represent agents' intentions with top-level goals. These methods are modified to be compatible with systems that are based on the AgentSpeak(L) language. In order to use Goal-Plan trees in such a system efficiently, a late variable binding strategy is introduced. The MCTS method with action level interleaving and online learning variant of MCTS method are implemented in Python language and integrated into the FRAg system. With two alternative architectures of integration with FRAg system being proposed. Finally, their performance is evaluated and compared against existing intention scheduling methods within FRAg system.