จากการตอบสนองสู่การวางแผน
ในการพัฒนาการออกแบบตัวแทน เราได้ก้าวข้ามจาก ตัวแทนแบบตอบสนอง (Reflex Agents), ซึ่งจับคู่การรับรู้โดยตรงกับการกระทำตามกฎง่ายๆ (เช่น "ถ้ามีรถคันหน้าเบรก ให้เริ่มเบรก") ไปสู่ ตัวแทนแก้ปัญหา (Problem-Solving Agents). ตัวแทนแบบตอบสนองจะทำงานตามบริบททันที ในขณะที่ตัวแทนแก้ปัญหาจะ มีเป้าหมายเป็นหลัก. พวกเขาจะพิจารณาผลลัพธ์ในอนาคตของการกระทำเพื่อหาลำดับที่ตอบสนองวัตถุประสงค์ที่เฉพาะเจาะจง
- ตัวแทนแบบตอบสนอง: $Action = Function(Percept)$
- ตัวแทนวางแผน: $Action\_Sequence = Search(State, Goal)$
การแสดงสถานะแบบอะตอม
ในระดับพื้นฐานนี้ ตัวแทนจะใช้ การแสดงสถานะแบบอะตอม (Atomic Representation). ซึ่งหมายความว่าสถานะของโลกจะถูกมองว่าเป็นกล่องดำ—โหนดเดียวที่ไม่มีโครงสร้างภายในให้เห็นแก่ขั้นตอนวิธีค้นหา ตัวแทนจะพิจารณาเฉพาะ:
- สถานะ ($S$): ภาพรวมของสภาพแวดล้อม
- การกระทำ ($A$): การเปลี่ยนแปลงระหว่างสถานะ
- การทดสอบเป้าหมาย: การตรวจสอบค่าบูลีนว่าสถานะ $s \in S_{goal}$ หรือไม่
วงจรการแก้ปัญหา
ตัวแทนแก้ปัญหามีวงจรที่แตกต่างกันสี่ขั้นตอนเพื่อนำทางในสภาพแวดล้อม:
- การกำหนดเป้าหมาย: การตัดสินใจว่าจะดำเนินการตามวัตถุประสงค์ใดตามสถานการณ์ปัจจุบัน
- การกำหนดปัญหา: การสรุปโลกแห่งความเป็นจริงให้เป็นแบบจำลองทางคณิตศาสตร์ (สถานะและการกระทำ)
- การค้นหา: การจำลองลำดับของการกระทำเพื่อค้นหา เส้นทางที่เหมาะสมที่สุด.
- การดำเนินการ: การดำเนินการตามการกระทำที่พบระหว่างขั้นตอนการค้นหาโดยไม่ต้องพิจารณาเพิ่มเติม (สมมติว่าสภาพแวดล้อมคงที่)
การนำไปใช้ใน Python (agent_types.py)
1
class ReflexAgent:
2
defact(self, percept):
3
# Direct mapping: Rule -> Action
4
return rules.get(percept, default_action)
5
6
class ProblemSolvingAgent:
7
def__init__(self):
8
self.seq = [] # Buffered action sequence
9
10
defact(self, percept):
11
# If we are mid-execution, continue
12
ifself.seq:
13
returnself.seq.pop(0)
14
15
# Otherwise, Plan (Search)
16
state = self.update_state(percept)
17
goal = self.formulate_goal(state)
18
problem = self.formulate_problem(state, goal)
19
20
# Search returns a list of actions
21
self.seq = search_algorithm(problem)
22
23
returnself.seq.pop(0)