EMuds: adaptation in text-based virtual worlds
A deKemp Robert · reroDoc Digital Library · 1999
Cette thèse introduit une approche méthodologique à la conception d'agents artificiels. En une tentative de résoudre le problème de l'enracinement symbolique en intelligence artificielle, une nouvelle perspective théorique sur la relation agent-environnement est explorée et un jeu d'expériences sont menées pour motiver cette méthodologie. Suite à l'idée selon laquelle l'enracinement d'un agent dans son environnement est dépendant, intuitivement, de l'adaptation de ses mécanismes de représentation internes à la structure de l'environnement, l'hypothèse discutée est que l'enracinement n'est possible que si un agent est capable d'appliquer un principe de compression d'information à sa représentation de l'environnement. Ceci mène à la suggestion que les algorithmes de contrôle d'agents soient classifiés selon les ressources nécessaires à ces algorithmes pour résoudre une série de problèmes types. Pour soutenir cette hypothèse, une plateforme d'expérimentation appelée EMud a été conçue et implémentée. Le modèle d’environnements supporté par cette plateforme à été élaboré pour que des expériences graduellement plus complexes puissent être effectuées, en particulier pour que le modèle puisse être utilisé dans le cadre de simulations de systèmes distribués dans lesquels des agents artificiels opèrent. Le type d'algorithme choisi pour tester les idées théoriques introduites dans la première partie de la thèse est le système classificateur XCS, dont une version à été implémentée. Au cours de la présentation formelle de ce système, une démonstration de l'équivalence d’une forme simplifiée de ce système avec l'algorithme de Q-Learning est faite. Une nouvelle illustration du rôle de la notion de précision dans ce système est aussi introduite. Des expériences sur le problème du multiplexeur sont ensuite menées pour exhiber les propriétés de compression d'information or de généralisation du XCS. En utilisant une approche sur différentes représentations du multiplexeur, la capacité à généraliser du système XCS et son influence sur la résolution du problème est étudiée. Par la suite, une seconde expérience dans laquelle l'information nécessaire à la résolution du problème est répartie temporellement est menée. Les résultats dans cette situation montrent que le système XCS est incapable de généraliser efficacement. Il est conclu que par une classification des algorithmes basée sur l'efficacité avec laquelle ceux-ci peuvent représenter l'information nécessaire à la résolution de problèmes types, il devrait être possible de mieux comprendre comment concevoir des agents artificiels pour des problèmes spécifiques.