Agentes e Inteligência Artificial Distribuída

Código:

EIC0033

Sigla:

AIAD

Áreas Científicas
Classificação	Área Científica
OFICIAL	Inteligência Artificial

Ocorrência: 2020/2021 - 1S

Ativa?	Sim
Unidade Responsável:	Departamento de Engenharia Informática
Curso/CE Responsável:	Mestrado Integrado em Engenharia Informática e Computação

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
MIEIC	168	Plano de estudos a partir de 2009/10	4	-	6	56	162

Língua de trabalho

Português - Suitable for English-speaking students

Objetivos

A unidade curricular assume-se como de Engenharia (evidenciando apenas a teoria essencial para se entender as aplicações práticas) e proporciona uma perspetiva global das técnicas associadas à computação baseada em agentes, explorando, por um lado, a modelação e simulação de sistemas complexos baseadas em agentes computacionais, e também o desenvolvimento de aplicações de agentes inteligentes e de sistemas multi-agente com capacidade de adaptação.
A Programação e a Engenharia de Software Orientada a Agentes são apresentadas como uma nova metáfora para a descrição e programação de sistemas computacionais distribuídos. 

Os conhecimentos adquiridos serão consolidados através da utilização de ferramentas de software apropriadas, com as quais os estudantes são incentivados a elaborar pequenos projetos de desenvolvimento. O objetivo principal é que os estudantes saibam especificar e implementar sistemas complexos, adaptativos, distribuídos e descentralizados usando o paradigma dos sistemas multi-agente.

Resultados de aprendizagem e competências

No final da unidade curricular, os estudantes deverão ser capazes de:

• Modelar sistemas complexos recorrendo a agentes computacionais
• Projetar sistemas distribuídos e descentralizados seguindo o paradigma dos sistemas multi-agente
• Desenvolver agentes de software inteligentes, seguindo diferentes arquiteturas
• Avaliar a execução de uma simulação baseada em agentes ou de um sistema multi-agente distribuído
• Desenvolver sistemas multi-agente com mecanismos de adaptabilidade

 

Modo de trabalho

Presencial

Pré-requisitos (conhecimentos prévios) e co-requisitos (conhecimentos simultâneos)

É útil o conhecimento de técnicas de Inteligência Artificial

Programa

1. Computação baseada em agentes

• Objetivos e enquadramento
• Simulação baseada em agentes vs sistemas multi-agente
• Ferramentas para desenvolvimento de sistemas multiagente e para simulação baseada em agentes: JADE e Repast

2. Agentes inteligentes

• Definições
• Agentes e ambientes
• Tipos básicos de agentes
• Arquiteturas de agentes. Raciocício dedutivo. Raciocínio prático: agentes BDI. Agentes reativos: arquitetura de subsumpção.

3. Sistemas multi-agente

• Definições
• Comunicação. Atos de discurso. ACL. Standards FIPA. Protocolos de interação. JADE.
• Engenharia de Software Orientada a Agentes

4. Tomada de decisão multiagente

• Teoria de jogos. Utilidades e preferências. Estratégias dominantes. Equilíbrio de Nash. Ótimo de Pareto. Incerteza. Jogos cooperativos.
• Desenho de mecanismos. Teoria da escolha social.
• Leilões. Protocolos de leilão. Leilões combinatórios. Leilões duplos.
• Negociação. Attributos da negociação. Táticas de negociação:tempo e comportamento. Negociação para alocação de tarefas. Acordos e utilidades. Acordos Pareto-ótimos e individualmente racionais. Protocolo de concessão monótona. Negociação na alocação de recursos.

5. Introdução à simulação baseada em agentes

7. Aprendizagem por reforço

• Agentes com aprendizagem.
• Aprendizagem por reforço. Funções de reforço e valor. Processos de decisão de Markov. Tarefas episódicas e contínuas. Aprendizagem por diferença temporal. Q-learning.
• Deep reinforcement learning

Bibliografia Obrigatória

Michael Wooldridge; An introduction to multiagent systems. ISBN: 978-0-470-51946-2 (2nd Edition, 2009)

Bibliografia Complementar

Shoham Yoav; Multiagent systems. ISBN: 978-0-521-89943-7
S. Russel and P. Norvig; 'Artificial Intelligence: A Modern Approach', Prentice Hall, 2003
Richard S. Sutton, Andrew G. Barto; Reinforcement Learning: An Introduction, A Bradford Book, 2018. ISBN: 978-0262039246

Métodos de ensino e atividades de aprendizagem

Exposição com interação nas aulas teóricas. Exploração de ferramentas nas aulas teorico-práticas.
Acompanhamento da realização dos trabalhos práticos. Aprendizagem orientada por projetos.

Software

Plataforma de Sistemas Multi-Agente JADE
Ambiente de Simulação REPAST

Palavras Chave

Ciências Físicas > Ciência de computadores > Cibernética > Inteligência artificial
Ciências Físicas > Ciência de computadores > Arquitectura de computadores > Computação distribuída
Ciências Tecnológicas > Engenharia > Engenharia de simulação

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Designação	Peso (%)
Exame	50,00
Trabalho laboratorial	50,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Estudo autónomo	44,00
Frequência das aulas	52,00
Trabalho laboratorial	66,00
Total:	162,00

Obtenção de frequência

Um aluno inscrito obtém frequência se cumprir a assiduidade às aulas teórico-práticas (máximo de faltas permitido corresponde a 25% das aulas previstas).

Fórmula de cálculo da classificação final

Nota Final = 50% * Trabalho + 50% * Exame
Trabalho = 70% * Trabalho1 + 30% * Trabalho2

Para obter aprovação, aplicam-se as seguintes classificações mínimas:
- Trabalho1: 8.0 valores em 20
- Trabalho2: 8.0 valores em 20
- Exame: 7.0 valores em 20

Provas e trabalhos especiais

A avaliação em épocas especiais consiste na elaboração de dois Trabalhos práticos e de um Exame escrito (com consulta), valendo cada uma destas componentes 50% da nota final. A aprovação na Unidade Curricular pressupõe a obtenção de uma classificação mínima de 8.0 valores em 20, em cada um dos trabalhos e de uma classificação mínima de 7.0 em 20 no exame escrito.

Avaliação especial (TE, DA, ...)

Todos os componentes de avaliação são exigidos a todos os alunos, independentemente do regime de inscrição e da necessidade de obter avaliação de frequência. Os alunos inscritos ao abrigo de regimes especiais sem frequência de aulas práticas devem acordar com os docentes sessões de acompanhamento e avaliação prática.

Melhoria de classificação