Журнал компьютерной инженерии и информационных технологий

Основа для адаптивного агентного обучения «на лету» TTP

Марджери Дж. Дойл

В этой статье мы сообщаем о методах и гибких фреймворках, используемых для разработки, интеграции и тестирования адаптивных агентских тактик, методов и процедур (AB-TTP) в сложной учебно-исследовательской среде. Среда моделирования и имитации (M&S), разработанная для исследовательской лаборатории ВВС 711th/HPW, была использована для основы для Not-So-Grand-Challenge (NSGC); вариант использования в применении. Для этого мы использовали свойства сложных адаптивных систем и ситуаций. Допуская контекстно-ориентированное моделирование и, в конечном счете, способность агента самостоятельно оценивать, тестировать и изучать новые тактики. Эти возможности были достигнуты посредством использования агентом и системой модуляризации, декомпозиции и/или использования комбинаторных возможностей агента/ов, системы и/или функциональных свойств ситуации; т. е. возможностей. Разработка и использование архитектуры Knowledge-to-Model (k2Mod) Environment Abstraction (EA) дала агентам возможность получать ситуационную осведомленность, распознавать изменения в своей среде и реагировать и реагировать соответствующим образом. Фактически, адаптивный агентский интеллект (AI), т. е. используемые модели, даже смогли точно предсказать свою собственную производительность и настроить свои собственные параметры. Этот метод также способствует скорости, с которой новые определения агентов, параметры ситуации, агентский интеллект и ABTTP могут быть разработаны и обновлены с помощью «обучения ИИ на лету»; каламбур задуман. Кроме того, формализация такого протокола предоставляет сообществу M&S процесс, который способствует переносимости, удобству использования, повторному использованию и компоновке для быстрой разработки агентного моделирования и агентского интеллекта на основе исследований в сложных средах.