多智能體系統(tǒng)教材課件匯總完整版ppt全套課件最全教學教程整本書電子教案全書教案課件合集

1、 第1章 多智能體系統(tǒng)概述1.1 自然智能和人工智能1.2 多智能體系統(tǒng)1.3 多智能體系統(tǒng)的主要技術內(nèi)容1.4 Netlogo仿真工具 第1章 多智能體系統(tǒng)概述 依賴于表現(xiàn)智能的智能體不同，我們可以簡單地把智能分為人工智能和自然智能（非人工智能）?，F(xiàn)實中最普遍存在的就是大自然創(chuàng)造的各種智能體，也就是各種動物以及我們?nèi)祟愖约?。自然智能特指大自然?chuàng)造的智能現(xiàn)象。人工智能是由機器、設備或軟件等人造對象所表現(xiàn)出的智能。 1.1.1 自然智能 自然智能包括：（1）生物個體智能，由有機的生命形態(tài)個體所表現(xiàn)出的智能。（2）人類個體智能，由人類個體所表現(xiàn)出的智能。（3）群體智能，由眾多智能個體的集合所表現(xiàn)出

2、的智能（4）系統(tǒng)智能，由多種有機或無機元素組成的復雜系統(tǒng)所表現(xiàn)出的智能。 1.1.1 自然智能 定義1.1生物智能（Biological Intelligence， BI）就是指各種生物個體所表現(xiàn)出來的，能夠自主的對環(huán)境做出適應的反應行為。 1.生物個體智能 人類智能（human intelligence）是人類個體所表現(xiàn)出的智能。定義1.2從感覺到記憶到思維這一過程，稱為“智慧”，智慧的結果就產(chǎn)生了行為和語言，將行為和語言的表達過程稱為“能力”，兩者合稱“智能”。 2.人類個體智能 群體智能是由眾多智能個體的集合所表現(xiàn)出的智能。定義1.3群體智能（Swarm Intelligence，SI）

3、是指在集體層面表現(xiàn)的分散的、去中心化的自組織行為。定義1.4涌現(xiàn)行為在全局狀態(tài)中是顯而易見的，它們沒有明確地被編入程序，但它是個人之間局部互動的結果。根據(jù)觀察者建立的一些指標，它被認為是有趣的。 3.群體智能 群體智能SI可以視為系統(tǒng)智能（System Intelligence，SI）的一個特殊情況。系統(tǒng)智能可以視為所有智能的根本模式，我們將從系統(tǒng)智能中揭示智能的真正來源。系統(tǒng)智能是由多種有機或無機元素組成的復雜系統(tǒng)所表現(xiàn)出的智能。 4.系統(tǒng)智能 定義1.5如果一個系統(tǒng)能夠獨立而有效地解決某種問題，那么這個系統(tǒng)就是智能的。諸如自然界的石、木、山、水等生態(tài)系統(tǒng)，乃至一個星球，它們都可以在科學現(xiàn)象

4、的支配下，遵循自然規(guī)律，感應外界信息，交換物質(zhì)能量，有序耗散運行。因此，物理實體系統(tǒng)也可以定義為是一種原始智能系統(tǒng)。 4.系統(tǒng)智能1.1 自然智能和人工智能1.2 多智能體系統(tǒng)1.3 多智能體系統(tǒng)的主要技術內(nèi)容1.4 Netlogo仿真工具 第1章 多智能體系統(tǒng)概述1.2.1 多智能體系統(tǒng)定義與特點1.2.2 多智能體系統(tǒng)的形式化描述1.2.3 多智能體系統(tǒng)理論的發(fā)展1.2.4 多智能體系統(tǒng)應用 1.2 多智能體系統(tǒng) 智能分為自然智能和人工智能，相應地，智能體就分為自然智能體和人工智能體。一個自然智能體可以是人群中的個人、經(jīng)濟系統(tǒng)中的經(jīng)營者、生態(tài)系統(tǒng)中的植物個體、動物個體等；人工智能體可以是交

5、通流中的智能汽車，計算網(wǎng)絡中的計算機，無人機等。 1.智能體 定義1.7任何可以被看作是通過傳感器感知環(huán)境并且通過執(zhí)行器作用于環(huán)境的實體都被稱為智能體（Agent）。 1.智能體 定義1.8智能體的感知序列是該智能體所接收的所有數(shù)據(jù)完整的歷史。感知信息做為智能體的感知輸入，而感知序列是感知信息的集合。一般而言，智能體在任何給定時刻的行動選擇取決于到那個時刻為止智能體的整個感知序列。 1.智能體 定義1.9把任意給定感知序列集合到執(zhí)行動作集合的映射稱為智能體函數(shù)。 定義1.10智能體程序是在物理實體上運行的智能體函數(shù)的具體實現(xiàn)。 1.智能體 下面給出智能體程序的偽碼表示：function TAB

6、LE-DRIVEN-AGENT(percept)returns an action static：percepts， 一個序列，初始為空； table: 動作列表，以感知序列為索引，初始完全指定； 將percept加入到percepts中； action - LOOKUP(percepts, table)； return action； 1.智能體 定義1.11智能化智能體（Intelligent Agent，IA）是這樣一種智能個體，對于任意感知序列，智能體能夠根據(jù)接收到的感知序列和對環(huán)境的先驗知識選擇使性能度量期望最大化的行動。智能化智能體（IA）既強調(diào)它的智能性（Intelligent）

7、，也表明其代理能力（Agent）。智能性是指應用系統(tǒng)使用推理、學習和其他技術來分析解釋它接觸過的或剛提供給它的各種信息和知識的能力，智能可以由一些方法，函數(shù)，過程，搜索算法或加強學習來實現(xiàn)。 1.智能體 （2）感知智能 第二個是感知智能，涉及機器的視覺、聽覺、觸覺等感知能力，即機器可以通過各種類型的傳感器對周圍的環(huán)境信息進行捕捉和分析，并在處理后根據(jù)要求作出合乎理性的應答與反應。感知智能，讓機器能聽懂我們的語言、看懂世界萬物。 1.智能體 1.智能體 定義1.12多智能體系統(tǒng)是由一定數(shù)量的智能個體通過相互合作和自組織，在集體層面上呈現(xiàn)出有序的協(xié)同運動和行為。 2.多智能體系統(tǒng) 每個智能體僅擁有

8、不完全的信息和問題求解能力；不存在全局控制，而采用分布式控制策略。 3.多智能體系統(tǒng)特點 （2）系統(tǒng)中每個智能體都具有相對簡單的功能及有限的信息采集、處理、通訊能力，然而經(jīng)過局部個體之間的信息傳遞和交互作用后，整個系統(tǒng)往往在群體層面上表現(xiàn)出高效的協(xié)同合作能力及高級智能水平，從而實現(xiàn)單個智能體所不能完成的各種艱巨、復雜、精度要求高的任務。 3.多智能體系統(tǒng)特點 （4）多智能體運行的特點是協(xié)同協(xié)作規(guī)則。在物聯(lián)網(wǎng)背景下，每個物體會發(fā)展成一個智能體，實體交互不僅僅在兩個物體之間發(fā)生，而是每一個智能體可以和任何一個其他的智能體進行交互。多智能體之間的交互，其實就是在定義協(xié)同協(xié)作規(guī)則，智能體之間的行為交互

9、方式或者交互模式。 3.多智能體系統(tǒng)特點1.2.1 多智能體系統(tǒng)定義與特點1.2.2 多智能體系統(tǒng)的形式化描述1.2.3 多智能體系統(tǒng)理論的發(fā)展1.2.4 多智能體系統(tǒng)應用 1.2 多智能體系統(tǒng) 定義 1.13 一個智能體是一個自我管理，自我決策，自我控制及自我學習的個體，有自己的行為和內(nèi)部狀態(tài)，免受其它智能體的明確控制。 1.智能體數(shù)學模型 智能體e是一個七元組，其中S描述了智能體e的當前狀態(tài)；B是動作；See是感知器部件；Choose是決策器部件；Change是智能體動作的執(zhí)行對環(huán)境狀態(tài)的影響；F是一個評估函數(shù)；G是智能體e的目標集。 1.智能體數(shù)學模型 定義 1.14 智能體e的狀態(tài)S被

10、一組靜態(tài)或動態(tài)屬性刻畫，即，S=S1,SN。 例如，在交通網(wǎng)中，研究智能體的狀態(tài)屬性和環(huán)境的狀態(tài)，智能體的狀態(tài)屬性包括智能體的位置、速度、運行方向、源地址、目的地址、下一步、智能體之間的動態(tài)關系等等動態(tài)屬性；定義 1.15 智能體e的本地有窮動作集合是B=b1,bk。 1.智能體數(shù)學模型 定義 1.16 智能體感知部件的功能是See: S一P，其中，S=s0,s1,.,sm是環(huán)境狀態(tài)集合。該函數(shù)將智能體所在的環(huán)境狀態(tài)映射為感知輸入。定義 1.17 智能體動作決策部件的功能是Choose : PB，該函數(shù)刻畫了它根據(jù)感知信息的狀態(tài)序列確定智能體待實施的本地動作bi。定義 1.18智能體動作的執(zhí)行

11、對環(huán)境狀態(tài)的影響是Change：SXA P(S)，其中P是冪集符號。 1.智能體數(shù)學模型 定義 1.19一個智能體通過使用一個評估函數(shù)F進行條件的評價。例如，在交通網(wǎng)中，評估函數(shù)包括速度、方向、是否到達目的地等。 定義 1.20 智能體e可以有一組目標，記作G=g1，gN。每個目標gi是要取得一個狀態(tài)S，滿足評估函數(shù)F取得某個預定義的值，即gi=S|F(.)=，其中是一個常量。 1.智能體數(shù)學模型 定義 1.21 一個多智能體系統(tǒng)是三元組 ，符號 IA 用來表示多智能體集（Intelligent Agent，IA），E 是 IA 駐留的環(huán)境，是系統(tǒng)目標函數(shù)，通常是智能體狀態(tài)的非線性函數(shù)。 2.

12、多智能體系統(tǒng)數(shù)學模型 定義 1.22 環(huán)境E=es1,es2,esN，其中每個esi 對應于一個靜態(tài)或動態(tài)屬性，N為屬性個數(shù)。 2.多智能體系統(tǒng)數(shù)學模型 作為一個多智能體系統(tǒng)中的主要構件之一，一個環(huán)境E通常起著三個作用。首先，它作為智能體可以活動的范圍。這是環(huán)境的靜態(tài)觀點。例如對于交通網(wǎng)，交通環(huán)境是以道路為中心的物的環(huán)境；第二，環(huán)境作為布告牌，其中智能體可以讀取或發(fā)布它們的信息。在這種動態(tài)觀點下，環(huán)境始終在改變。在這個意義上，環(huán)境可以被看作一個智能體之間的間接的通信媒介。對于交通網(wǎng)環(huán)境如交通安全設施、交通信號、交通標線和路面交通標示等意義性交通環(huán)境；第三，環(huán)境保持一個中央時鐘，如果必要的話，有

13、助于所有智能體的行為。 2.多智能體系統(tǒng)數(shù)學模型 是自組織系統(tǒng)目標函數(shù)，是智能體狀態(tài)的非線性函數(shù)。在交通網(wǎng)研究中，目標函數(shù)可以是交通網(wǎng)的最短路徑。而涌現(xiàn)行為是智能體之間、智能體和環(huán)境之間的交互產(chǎn)生的，在宏觀層面上呈現(xiàn)出整體協(xié)調(diào)一致的運動效果。 2.多智能體系統(tǒng)數(shù)學模型1.2.1 多智能體系統(tǒng)定義與特點1.2.2 多智能體系統(tǒng)的形式化描述1.2.3 多智能體系統(tǒng)理論的發(fā)展1.2.4 多智能體系統(tǒng)應用 1.2 多智能體系統(tǒng) 1、在該方面的研究早期，大量的工作集中在對自然界生物群體建模仿真上。 2、對多智能體系統(tǒng)的研究進入“網(wǎng)絡化系統(tǒng)與圖論描述”階段。 3、針對多智能體系統(tǒng)理論的研究進入實際應用階段

14、。1.2.1 多智能體系統(tǒng)定義與特點1.2.2 多智能體系統(tǒng)的形式化描述1.2.3 多智能體系統(tǒng)理論的發(fā)展1.2.4 多智能體系統(tǒng)應用 1.2 多智能體系統(tǒng)1.智能機器人2.智能交通3.柔性制造4. 分布式預測、監(jiān)控及診斷 5. 虛擬現(xiàn)實 6. 無線傳感器網(wǎng)絡應用1.1 自然智能和人工智能1.2 多智能體系統(tǒng)1.3 多智能體系統(tǒng)的主要技術內(nèi)容1.4 Netlogo仿真工具 第1章 多智能體系統(tǒng)概述 AI的重要任務就是實現(xiàn)智能體程序，智能體程序是運行在一定的體系結構上。這里的體系結構是指智能體的感知器、執(zhí)行器和承載這些機構的結構。智能體 = 智能體程序 + 智能體體系結構 1.多智能體及環(huán)境建模

15、 AI的重要任務就是實現(xiàn)智能體程序，智能體程序是運行在一定的體系結構上。這里的體系結構是指智能體的感知器、執(zhí)行器和承載這些機構的結構。智能體 = 智能體程序 + 智能體體系結構 1.多智能體及環(huán)境建模 AI的重要任務就是實現(xiàn)智能體程序，智能體程序是運行在一定的體系結構上。這里的體系結構是指智能體的感知器、執(zhí)行器和承載這些機構的結構。智能體 = 智能體程序 + 智能體體系結構 1.多智能體及環(huán)境建模 （1）智能體體系結構 智能體體系結構研究在理論體系的基礎上如何設計內(nèi)部模塊以及它們之間的關系，從而使系統(tǒng)具備各種屬性。體系結構為程序提供來自傳感器的感知信息，運行程序，并且把程序產(chǎn)生的行動選擇傳送給

16、執(zhí)行器。 1.多智能體及環(huán)境建模 智能體的結構需要解決以下問題：Agent由哪些模塊組成；這些模塊之間如何交互信息；Agent感知的信息如何影響它的行為和內(nèi)部狀態(tài)；如何將這些模塊用軟件或硬件的方式組合起來形成一個有機的整體。 1.多智能體及環(huán)境建模 （2）各種智能體的體系結構人們提出了各種智能體的理論。大致可以分成三類：反應型智能體、慎思型智能體和混合型智能體。 1.多智能體及環(huán)境建模（1）蜂擁問題（flockingProblem）（2）編隊控制問題（Formation Control Problem） （3）聚集問題（Rendezvous Problem）（4）同步問題（Synchroniz

17、ationProblem） 2.一致性問題（Consensus或Agreememt）（1）群集問題（Swarming Problem）群集（Swarm）是指在一個共同的環(huán)境中，以一種連貫和協(xié)調(diào)的方式運行的大量、獨立的異質(zhì)或同質(zhì)智能體集合。群集架構（Swarm architectures）促進了分散和自組織，這通常會導致涌現(xiàn)行為（Emergent behaviour）。群體的涌現(xiàn)行為是群體與其環(huán)境（或同伴）相互作用的結果，而不是設計的直接結果。3.群體智能問題 （2）群體智能的概念和特點群體智能（Swarm Intelligence）是指“具有一定自治能力的個體通過合作行為表現(xiàn)出復雜的智能行為特

18、性”。群體智能中的群體是指一組可以（通過改變局部環(huán)境）進行相互通信或間接通信的個體，這些個體通過合作可以進行分布問題的求解，而這些個體則只具有較為簡單的能力或智能。3.群體智能問題 （3）群體智能研究方向和主要方法群體智能的研究方向主要有以下幾個方面： 群體協(xié)作搬運物體行為的研究，模擬建立巢穴的行為和自行裝配行為的研究，蟻群覓食過程的研究，群體任務分配行為和分工的研究，群體自組織行為及群體分類行為的研究等。 研究的主要方法有：多機器人合作搬運算法、模擬建巢算法、蟻群組合優(yōu)化算法和網(wǎng)絡路由控制算法、多機器人任務分配算法、數(shù)據(jù)分析和圖的分割算法等。3.群體智能問題 （1）協(xié)同任務分配問題研究 （2

19、）路徑規(guī)劃算法研究 4.認知智能體 多智能體系統(tǒng)學習大致分為以下三個階段： A.在學習開始之前收集數(shù)據(jù)階段； B.單個智能體對局部信息的學習，通過通信將自己學習的部分與其他機器進行交互，從而實現(xiàn)共享信息； C.各個智能體綜合所學習和共享獲得的信息。 5.多智能體學習（1）通信決策（2）通信的代價（3）通信失敗與恢復（4）通信語言 6.多智能體通信 多智能體系統(tǒng)在表達實際系統(tǒng)時，通過各智能體間的通訊、合作、互解、協(xié)調(diào)、調(diào)度、管理及控制來表達系統(tǒng)的結構、功能及行為特性。 7.多Agent協(xié)作 要研究的Agent，不僅僅具有個體理性，而且具有集體理性。由這種智能體組成的多Agent系統(tǒng)，可以達到一種

20、平衡的協(xié)作狀態(tài)，從而是整個系統(tǒng)達到動態(tài)穩(wěn)定和優(yōu)化。 7.多Agent協(xié)作1.1 自然智能和人工智能1.2 多智能體系統(tǒng)1.3 多智能體系統(tǒng)的主要技術內(nèi)容1.4 Netlogo仿真工具 第1章 多智能體系統(tǒng)概述 NetLogo的第一個實現(xiàn)是用LISP（列表處理語言）編寫的，并于1967年發(fā)布。最初的設計目的是向孩子們介紹編程的概念，從而發(fā)展更好的思維能力，并將其轉移到其他環(huán)境中。它的目標是使初學者能夠輕松進入，同時滿足高級用戶的需求。最著名的標志環(huán)境涉及到海龜。海龜最初是一種坐在地板上的虛擬生物，通過接收用戶或程序員的指令，它可以被引導四處移動。海龜被用來畫形狀、圖案和圖畫。 NetLogo是由

21、Wilensky在1999年編寫并發(fā)布的。它最初是由美國西北大學的連接學習和計算機建模中心開發(fā)的，目前正在該大學的連接學習和計算機建模中心進行持續(xù)開發(fā)。NetLogo非常適合于對時間依賴的復雜系統(tǒng)進行建模，并且允許用戶向并發(fā)操作的成百上千個獨立智能體發(fā)送指令。這使得我們有可能探索微觀層面的個人行為與來自個體互動的宏觀層面模式之間的聯(lián)系。下課了 第2章 反應智能體2.1 復雜自組織系統(tǒng)2.2 反應智能體建模2.3 掃地機器人反應行為模型2.4 城市森林公園火災撲救反應行為模型 第2章 反應智能體 復雜系統(tǒng)呈現(xiàn)出高度的非線性、多態(tài)穩(wěn)定性、時間不可逆性、分岔、突變、混沌、自組織、自適應、高度不確定性

22、和實時性等特征，采用經(jīng)典系統(tǒng)科學的理論和方法難以分析解釋，由此誕生的一門科學稱之為復雜性系統(tǒng)科學，簡稱復雜性科學。 1.復雜性科學 復雜性科學，是以研究自然、社會的復雜性及復雜系統(tǒng)為核心，揭示其運作演變規(guī)律的科學，體現(xiàn)出非線性、生成性、自組織性等特點，以及能夠幫助我們對各種復雜現(xiàn)象取得更好理解以便加以控制的理論和方法的科學，被譽為“21世紀的科學”。 1.復雜性科學 定義2.1復雜系統(tǒng)是由大量組分組成的網(wǎng)絡，不存在中央控制，通過簡單運作規(guī)則產(chǎn)生出復雜的集體行為和復雜的信息處理，并通過學習和進化產(chǎn)生適應性。 2.復雜系統(tǒng) 如果系統(tǒng)有組織的行為不存在內(nèi)部和外部的控制者或領導者，則稱之為自組織（Se

23、lf-organizing）。 自組織是一個系統(tǒng)在內(nèi)在機制的驅(qū)動下，自行從簡單向復雜、從粗糙向細致方向發(fā)展，不斷提高自身復雜度和精細度的過程。在自組織系統(tǒng)中，微觀層次上一個相當簡單的行為會導致整個系統(tǒng)很復雜的組織。這種由于簡單規(guī)則以難以預測的方式產(chǎn)生出系統(tǒng)的宏觀行為現(xiàn)象叫做涌現(xiàn)行為（Emergent Behavior）。 2.復雜系統(tǒng) 人們每時每刻都處在并能看到許許多多的復雜系統(tǒng)， 如蟻群、生態(tài)、胚胎、神經(jīng)網(wǎng)絡、人體免疫系統(tǒng)、計算機網(wǎng)絡和全球經(jīng)濟系統(tǒng)。所有這些系統(tǒng)中， 眾多獨立的要素在許多方面進行著相互作用。在每種情況下， 這些無窮無盡的相互作用使每個復雜系統(tǒng)作為一個整體產(chǎn)生了自發(fā)性的自組織。

24、霍蘭把這類復雜系統(tǒng)稱為復雜適應系統(tǒng)。 3.復雜適應系統(tǒng) 定義2.2在系統(tǒng)范圍內(nèi)具有適應能力的結構，并且智能體間具有簡單的局部交互的功能，這樣的系統(tǒng)可以稱作自組織系統(tǒng)。自組織系統(tǒng)是一類復雜系統(tǒng)。復雜自組織系統(tǒng)具有不同于傳統(tǒng)確定性系統(tǒng)的特點，如大規(guī)模、分布式、異構、動態(tài)以及開放等。 4.自組織系統(tǒng) 自組織系統(tǒng)一般具有以下復雜性特點。（1）駐留環(huán)境的開放性自組織系統(tǒng)通常駐留在開放的環(huán)境中，環(huán)境的變化不受系統(tǒng)控制并同時對系統(tǒng)的演化產(chǎn)生影響，系統(tǒng)需要通過不斷調(diào)整和組織以適應環(huán)境變化。（2）系統(tǒng)演化的適應性系統(tǒng)總是向適應環(huán)境變化的方向調(diào)整，即演化的方向總是向系統(tǒng)適應環(huán)境變化而擁有的一種時間、空間、功能上的

25、格局。（3）系統(tǒng)個體自治性，無集中控制系統(tǒng)中的個體都是自治的，不受其他個體控制。（4）涌現(xiàn)性它是指系統(tǒng)通過內(nèi)部元素的交互在系統(tǒng)整體上產(chǎn)生了新的屬性、特征、性質(zhì)、結構等等。這些新特性無法從單個元素中體現(xiàn)。 4.自組織系統(tǒng) 定義2.2在系統(tǒng)范圍內(nèi)具有適應能力的結構，并且智能體間具有簡單的局部交互的功能，這樣的系統(tǒng)可以稱作自組織系統(tǒng)。自組織系統(tǒng)是一類復雜系統(tǒng)。復雜自組織系統(tǒng)具有不同于傳統(tǒng)確定性系統(tǒng)的特點，如大規(guī)模、分布式、異構、動態(tài)以及開放等。 4.自組織系統(tǒng)2.1 復雜自組織系統(tǒng)2.2 反應智能體建模2.3 掃地機器人反應行為模型2.4 城市森林公園火災撲救反應行為模型 第2章 反應智能體 最基本

26、的AI系統(tǒng)是純反應型的，它既不能儲存記憶也不能利用過去的經(jīng)驗來做決定。深藍（Deep Blue）是IBM公司開發(fā)的國際象棋超級計算機，是這種類型機器的典型示例。它在90年代末曾擊敗了國際象棋大師Garry Kasparov。 2.2.1純反應型智能體 Deep Blue可以識別棋盤上的每一個棋子，并知道每個棋子在如何移動。它還可以預測對手下一步會怎么走，并從可能性中選擇自己最優(yōu)的移動。但是它對于過去毫無概念，對于過去的事情沒有任何記憶。Deep Blue會忽略一切之前的時刻，它所做的就是關注當下棋盤上的棋子，并從目前來看可能的下一步動作中作出選擇。 2.2.1純反應型智能體 目前的智能機器，要

27、不就完全沒有世界的概念，要不就是只有一個非常有限和專門的，與它特定功能相關的概念。Deep Blue的設計創(chuàng)新點不是要拓展計算機的認知范圍，相反，開發(fā)者研發(fā)了一種方法來將范圍縮小，根據(jù)機器評估每一步棋的可能效果，直接去除一些不必要的選項。如果沒有這項特殊能力，Deep Blue則會需要一個更強大的電腦，來打敗真正的人類棋手。 2.2.1純反應型智能體 考慮到自然界和人類社會中復雜系統(tǒng)的多樣性，對一個復雜系統(tǒng)的建模是困難的。為此，我們將從三個方面來理解ABM模型：空間環(huán)境、個體、模擬推進。 2.2.2 ABM建模的基本概念 個體都是生活在具有一定結構的環(huán)境中。環(huán)境提供了個體生活所需要的信息和資源

28、，個體可以讀取環(huán)境信息并且發(fā)布信息給環(huán)境，因此環(huán)境是動態(tài)變化的。 1.空間環(huán)境（虛擬世界） 在Netlogo中，空間環(huán)境包括由無數(shù)小方塊組成的虛擬網(wǎng)格世界和實際地圖場景兩種類型。柵格法（網(wǎng)格法）是將環(huán)境分解成一組網(wǎng)格單元，采用矩陣表示工作環(huán)境，每一個矩形柵格都有一個值與之對應，表示在該網(wǎng)格中存在障礙物，表示智能體可以運動空間。每個網(wǎng)格的坐標用其中心點的位置坐標代替，將工作環(huán)境等分成M*N的小方格，障礙物用灰色網(wǎng)格表示（不足一格的按一格算），與可運行空間區(qū)別開。實際生產(chǎn)應用中常需要建立電子地圖用來表示工作環(huán)境。 1.空間環(huán)境（虛擬世界） 在虛擬網(wǎng)格世界中，世界的本質(zhì)是離散的。世界是是由地塊組成的

29、2維網(wǎng)格，其基本區(qū)域稱為patch（地塊）。每個地塊是一塊正方形的“地面”（ground）。例如。在汽車跟馳模型中，汽車處于一個二維的虛擬網(wǎng)格世界中，環(huán)境就是一條道路。通過將地塊著不同的顏色，同時利用一些屬性，模擬我們現(xiàn)實生活中的街區(qū)，道路，紅綠燈。海龜，就是這里面可以移動的汽車。 1.空間環(huán)境（虛擬世界） 定義2.3 環(huán)境ES通過一個集合描述，ES=es1，es2，esN，其中每個esi對應于一個靜態(tài)或動態(tài)屬性，N為屬性個數(shù)。在每個時刻，ES也描述了環(huán)境E的當前狀態(tài)。如圖2.1所示，為了讓智能體識別障礙物，每個esi對應于一個方格，將灰色網(wǎng)格單元用1表示，白色網(wǎng)格單元用0表示，這樣，整個工作

30、環(huán)境即表示為一個M*N的0-1矩陣表示。 1.空間環(huán)境（虛擬世界） 1.空間環(huán)境（虛擬世界） 智能體存在于它們的環(huán)境之中。環(huán)境是決定智能體行為的基礎。面向智能體的系統(tǒng)的復雜性不僅是智能體與其他智能體交互的結果，也是智能體與環(huán)境交互的結果。虛擬環(huán)境是測試人工智能系統(tǒng)的一個很好的方法。 2.個 體 定義2.4個體是模型中包括狀態(tài)S、行為B和行為規(guī)則R等屬性的實體（圖2.2）。 2.個 體 （2）Patches（地塊，靜態(tài)Agent）這些都是固定的智能體，在Netlogo世界的網(wǎng)格中，每一個小方塊都是這樣的一個智能體。除了正方形，地塊不能顯示任何形狀，但是每個地塊都可以有自己的顏色。 2.個 體 （

31、3）Observer（觀察者，虛擬Agent）總是有這樣一種智能體，我們可以把它看作Netlogo本身（實質(zhì)上，觀察者就是我們用戶）。這個智能體并不顯示在Netlogo世界中，但是它是唯一一個可以在模型中執(zhí)行某些全局操作的智能體（例如執(zhí)行clear-all命令）。 2.個 體 （4）Links（鏈接，靜態(tài)Agent）這些是連接一只海龜和另一只海龜?shù)闹悄荏w。沒有直接移動鏈接的指令；當端點上的一只或兩只海龜移動時，鏈接就會移動。（鏈接也可以配置為tie，其中一個端點turtle的移動將強制另一個端點turtle移動）。鏈接可以是定向的，也可以是無定向的：對于無定向鏈接，我們不認為鏈接是從一只海龜?shù)?/p>

32、另一只海龜，而僅僅認為鏈接在這兩只海龜之間。另一方面，定向鏈接總是從一只海龜?shù)搅硪恢缓｝敗?2.個 體 定義2.5個體的狀態(tài)S被一組靜態(tài)和動態(tài)屬性刻畫，即，S=S1，SN。個體的屬性是個體內(nèi)部的描述，是個體區(qū)別于其他個體的特征所在。個體的屬性可以分為靜態(tài)（固定）和動態(tài)屬性，靜態(tài)屬性不可更新，例如個體的標識、內(nèi)部基因等。動態(tài)屬性可以更新，例如個體的位置、生命期、興趣特征等。個體的屬性可以被其他的局部臨近個體進行查閱和調(diào)用，作為其他局部個體的更新依據(jù)。 3.個體狀態(tài) （1）Netlogo的turtles個體的屬性在Netlogo中創(chuàng)建的每個智能體都有特定的屬性特征，我們可以查看Patches 和t

33、urtles的屬性，把鼠標箭頭放在智能體上，點擊鼠標右鍵，檢查Patches 和turtles的屬性。turtles是：who， color， heading， xcor， ycor， shape， label，label-color，breed，hidden?，size，pen-size 和pen-mode。 3.個體狀態(tài) （2）地塊屬性Netlogo的每個地塊都有一些內(nèi)置的數(shù)據(jù)屬性，patches個體的屬性比較簡單，包括pxcor（地塊x坐標），pycor（地塊y坐標），pcolor（地塊顏色），plabel（地塊標記）和plabel-color（地塊標記顏色），注意地塊變量前面都有字符p

34、。 3.個體狀態(tài) 定義2.6Agent的本地動作是B=b1，bN。Agent的本地動作像創(chuàng)生，前進，后退，左轉，右轉等，這些內(nèi)置于Netlogo中的命令稱為原語。在Netlogo中，命令在概念上等同于我們通常所說的語句，要執(zhí)行的更改系統(tǒng)狀態(tài)的動作的規(guī)范。 Netlogo的動作可以是系統(tǒng)內(nèi)置的原語動作，例如move-to，back （bk），die，forward （fd），jump，left（lt），sprout等，也可以是用戶自定義的函數(shù)動作。用戶還要根據(jù)實際問題的需要，自己創(chuàng)建各種動作。在Netlogo中是用函數(shù)實現(xiàn)的。例如，在跟馳模型中，主要的動作就是加速和減速。 4.個體動作 定義2.

35、7Agent的行為規(guī)則集是R=r1，rN。每個行為規(guī)則ri是要選擇一個或多個在每一步要執(zhí)行的本地行為。個體的規(guī)則是個體行為選擇的依據(jù)。個體的行為選擇模擬個體的決策機制。個體的規(guī)則由條件（IF）和行為（Behavior）組成。每個規(guī)則形式如下：Rule：If 條件then 行為例如，在跟馳模型中，主要的行為規(guī)則就是：Rule：if（前面有車）then 減速 else 加速 5.個體行為規(guī)則 定義2.8Agent的鄰居是一組實體Ne=n1，nm.每個鄰居ni和實體e之間的關系（例如距離）滿足一個和應用相關的約束。在不同MAS系統(tǒng)中，一個實體的鄰居可以是固定的或動態(tài)的改變。例如，在Boids系統(tǒng)中，

36、在一個Boid的可視范圍內(nèi)其他Boid被視為它的鄰居。因此Boids到處飛，他們的鄰居隨著時間動態(tài)變化。 6.個體鄰居 地塊可以與海龜和其他地塊相互作用。patch的全部意義在于，它們提供了一個海龜可以與之互動的環(huán)境。turtle能夠直接訪問所在之處的patch，對該patch的屬性進行讀寫。 7.個體環(huán)境交互 在Netlogo模擬中本質(zhì)上是離散的：世界（空間）是離散的（網(wǎng)格、地塊）。時間也是離散的。Netlogo 許多模型的時間是按小間隔推進的，一個小間隔叫滴答（ticks）。一般情況下你希望每個滴答視圖更新一次。這就是基于時鐘更新的默認行為。如果需要額外的更新，可以使用display命令強

37、制更新（如果使用速度滑動條快進，這些更新會被跳過）。 8.系統(tǒng)更新 智能是一種涌現(xiàn)現(xiàn)象，即整體宏觀態(tài)總是具有一些特別的屬性，而這些屬性并不存在于構成整體的微觀態(tài)中，而這些整體的特殊屬性又是依賴于微觀態(tài)元素的相互作用而產(chǎn)生的。 9.宏觀模式涌現(xiàn) 模式（pattern）：簡單相互作用在宏觀尺度形成一定模式。涌現(xiàn)：模式從無到有的過程， 如市場價格形成，組織的誕生。NetLogo提供了許多不同的模型，說明它采用的面向智能體的編程范式擅長以一種不復雜的方式對一系列令人驚訝的現(xiàn)象進行建模。 9.宏觀模式涌現(xiàn)2.1 復雜自組織系統(tǒng)2.2 反應智能體建模2.3 掃地機器人反應行為模型2.4 城市森林公園火災撲

38、救反應行為模型 第2章 反應智能體1.問題背景2.3 掃地機器人反應行為模型掃地機器人可以避開障礙物，但可以通過簡單的反應行為快速覆蓋所有環(huán)境。1.問題背景本模型模擬了一個掃地機器人，它的任務是清潔房間的地板。用戶可以在環(huán)境中繪制障礙物，以更好地表現(xiàn)真實的生活環(huán)境。該模型實現(xiàn)了機器人的基本反應行為一種使用簡單的向前看機制，對前方的任何障礙物做出反應（圖2.4）。1.問題背景機器人agent只是在環(huán)境中隨機走動以避開障礙物?！跋蚯翱础毙袨槭鞘褂肗etLogo的“向前看patch-ahead ”命令實現(xiàn)的，用來檢查前面是否有任何障礙，如果有，它將隨機轉動一個方向。1.問題背景該模型的目的是表明不需

39、要使用復雜的方法來覆蓋環(huán)境的整個空間。基于基本傳感的隨機行走的簡單反應方法就足夠了。1.問題背景1.問題背景2.模型設計2.3 掃地機器人反應行為模型參數(shù)名稱參數(shù)說明取值范圍robot-size機器人大小210robot-speed機器人速度0.15rate-of-random-turn隨機轉動率0100boundary-width邊界寬度110radius-length半徑長度0203.主要算法代碼2.3 掃地機器人反應行為模型;1、全局變量及其屬性breed robots robot ;掃地機器人品種名稱patches-owndustglobals background-colour ;

40、除障礙物外的背景顏色 obstacles-colour ; 除障礙物的顏色 robot-colour ; 機器人的顏色 n（1）定義變量;2、設置過程to setup clear-all setup-globals ;2.1設置全局變量 set-patches;2.2設置背景屬性 set-robot;2.3創(chuàng)建機器人reset-ticksend（2）定義setup函數(shù);2.1設置全局變量to setup-globalsset-default-shape robots vacuum cleaner robot ;為每個品種設定形狀 sets shapes for each breed set b

41、ackground-colour white ;背景色設置為淡黃色set colour of background light yellow set obstacles-colour brown ;設置障礙的顏色為棕色set colour of obstacles brown set robot-colour red ;設置機器人的顏色 set colour of robotend（2）定義setup函數(shù);2.2設置背景屬性to set-patches ask patches set pcolor background-colour ;設定背景顏色 set colour of backgrou

42、nd if (pxcor = max-pxcor - boundary-width) set pcolor brown if (pxcor = max-pycor - boundary-width) set pcolor brown if (pycor = min-pycor + boundary-width) set pcolor brown ask patches ifelse random 1 = 28 and pxcor = -3 and pycor 0 ;感知到視覺范圍內(nèi)有樹 avoid-tree;3.2避開樹 flock;3.3 給每只鳥調(diào)整一下方向 adjust-heading

43、repeat 5 ask boids fd 0.2 display ;用來使海龜?shù)膭赢嫺鲿场?; ask turtles fd 1 為了獲得更高的效率，以犧牲平滑的動畫為代價，用本行替換 tickend（3）定義go函數(shù);3.1 這定義了機器人應該如何移動。; 這種行為來自Models庫中的Look Ahead示例模型;“向前看”:機器人會直接向前看，看是否有障礙物，距離由半徑長度滑塊確定，如果有，則隨機旋轉一個方向。to make-move let this-patch patch-ahead radius-lengthifelse (this-patch != nobody) and (

44、pcolor of this-patch = obstacles-colour) lt random-float 360 ;看見前面有一塊障礙物，旋轉一個隨機數(shù)量。 fd 1 ;否則，繼續(xù)前進是安全的。 if dust = 1 set dust 0 set n n - 1 end3.1 集體運動和編隊隊形3.2 基于人工勢場的機器人避障模型3.3 無人機追捕逃犯模型 第3章 一致性問題1.問題背景3.3 無人機追捕逃犯模型該模型描述了多個逃犯在受到無人機追捕時的行為。該模型通過模擬追捕無人機的群集機制，解釋了逃犯的視覺和距離以及無人機的捕獵成功率的影響。逃犯和無人機都觀察它們的環(huán)境以適應其他品

45、種。當無人機總是移動或捕獵時，逃犯移動并觀察無人機的環(huán)境。根據(jù)與無人機的距離，逃犯要么和其他逃犯一起在附近的環(huán)境中，要么試圖逃離無人機。1.問題背景1.問題背景2.模型設計3.3 無人機追捕逃犯模型參數(shù)名稱參數(shù)說明取值范圍number-drone無人機數(shù)量0100number-person逃犯數(shù)量0100vision視覺距離110minimum-separation最小距離010hunter-success-rate追捕成功率0100movement-speed移動速度013.主要算法代碼3.3 無人機追捕逃犯模型breed drones drone;食肉動物breed persons per

46、son;食草動物globals eaten-person;這里每只鳥有兩個屬性;第一個屬性是flockmates,表示在視野范圍內(nèi)，除自己以外所有的鄰居鳥;第二個屬性是nearest-neighbor，表示離這只鳥最近的鄰居（1）定義變量persons-own flockmates;視野內(nèi)的鳥，鳥的感知范圍 next-flockmate;最近的鄰伴 flock-distance ;聚集距離 flee-distance;逃離距離 person-viewing-distance;食草動物視覺距離 person-viewing-angle;食草動物視覺角度drones-own drone-viewi

47、ng-distance;食肉動物視覺距離 drone-viewing-angle;食肉動物視覺角度（1）定義變量to setup clear-all make-drone number-drone ;2.1 make-person number-person ;2.2 ask patches set pcolor white set eaten-person number-person reset-ticksend（2）定義setup函數(shù);2.1 設置場景to setup-patches ask patches set pcolor whiteend;2.2設置全部變量to setup-glo

48、bals set fires-left-in-sim number-of-fires set dead-trees 0 set saved-trees 0end（2）定義setup函數(shù);2.1制造無人機to make-drone number create-drones number set color red set shape drone setxy pxcor pycor set size 1.5 if not any? drones-on patch-ahead 1 fd random 2 + 1 set drone-viewing-distance 12 set drone-view

49、ing-angle 110 end（2）定義setup函數(shù);2.2創(chuàng)建人員to make-person number create-persons number set color blue set shape person setxy pxcor pycor if not any? persons-on patch-ahead 1 fd random 10 + 10 set person-viewing-distance vision set person-viewing-angle 360 set flock-distance (vision * 0.75) set flee-distan

50、ce (vision * 0.5) end（2）定義setup函數(shù)（3）定義go函數(shù);3.每一個時間步，食草動物通過觀察，聚集或逃離,食肉動物尋找獵物。to go ask persons if observe-for-predators flock-distance flock;3.1感知并3.2聚集 if observe-for-predators flee-distance flee ;3.1感知并3.3逃離 move ;3.4移動 ask drones hunt;3.5 尋找獵物 move;3.4移動 tickend下課了 第4章 蟻群自組織與共識自主性4.1 蟻群優(yōu)化概述4.2 蟻群算

51、法的基本實現(xiàn)技術4.3 蟻群覓食問題4.4 月球巖石搜索機器人路徑規(guī)劃 第4章 蟻群自組織與共識自主性4.1 蟻群優(yōu)化概述4.1.1 引言4.1.2 蟻群算法工作原理4.1.3 蟻群算法的基本流程4.1.4 蟻群算法應用當一只螞蟻發(fā)現(xiàn)食物后，會把它帶回蟻巢，同時沿途釋放信息素吸引其他同伴。所以途中螞蟻越多，信息素也就越強。這種信息素就是螞蟻家族在其演化過程中所形成的一種信息傳遞方式，也是一種非常有效的產(chǎn)生共識的方式。同樣，我們?nèi)祟愌莼鰜淼恼Z言、文字、肢體語言，我們創(chuàng)造的紅綠交通燈、人機交互用的鍵盤、屏幕，以及各種各樣的標準、規(guī)則、法律等等，都是共識的不同呈現(xiàn)方式。 1.蟻群算法簡介 螞蟻是一

52、種社會化的動物，通過高度的社會化來進行組織和分工協(xié)作，從而完成一些無法通過單個螞蟻來完成的任務。蟻群算法就是根據(jù)螞蟻種群的覓食行為、任務分配行為和巢穴清理行為等蟻群的生物原型而發(fā)展起來的。 2.蟻群算法生物原型（1）AS蟻群算法（2）ACS蟻群算法（3）MMAS蟻群優(yōu)化算法 3.蟻群算法的發(fā)展4.1 蟻群優(yōu)化概述4.1.1 引言4.1.2 蟻群算法工作原理4.1.3 蟻群算法的基本流程4.1.4 蟻群算法應用 1.蟻群優(yōu)化原理 蟻群算法的機制原理描述如下：信息素和周邊環(huán)境是聯(lián)結螞蟻的重要組成部分。面對不同的環(huán)境，反應也各有不同，造成的影響也不盡相同。 1.蟻群優(yōu)化原理 將圖4.1蟻群行為等效成

53、圖4.2的賦權圖。 1.蟻群優(yōu)化原理 蟻群算法中的人工螞蟻具有如下的特征：（1）系統(tǒng)性（2）自組織性（3）正反饋（4）負反饋（5）分布并發(fā)性 2.蟻群算法的特點4.1 蟻群優(yōu)化概述4.1.1 引言4.1.2 蟻群算法工作原理4.1.3 蟻群算法的基本流程4.1.4 蟻群算法應用（1）感知范圍域螞蟻觀察到的范圍是一個方格世界，相關參數(shù)為速度半徑，一般為3，可觀察和移動的范圍為3x3方格。1.蟻群的規(guī)則（2）環(huán)境信息螞蟻所在環(huán)境中有障礙物、其他螞蟻、信息素，其中信息素包括食物信息素（找到食物的螞蟻留下的）、窩信息素（找到窩的螞蟻留下的），信息素以一定速率消失。1.蟻群的規(guī)則（3）覓食規(guī)則螞蟻在感知

54、范圍內(nèi)尋找食物，如果感知到就會過去；否則朝信息素多的地方走，每只螞蟻會以小概率犯錯誤，并非都往信息素最多的方向移動。螞蟻找窩的規(guī)則類似，僅對窩信息素有反應。1.蟻群的規(guī)則（4）移動規(guī)則螞蟻朝信息素最多的方向移動，當周圍沒有信息素指引時，會按照原來運動方向慣性移動。而且會記住最近走過的點，防止原地轉圈。1.蟻群的規(guī)則（5）避障規(guī)則當螞蟻待移動方向有障礙物時，將隨機選擇其他方向；當有信息素指引時，將按照覓食規(guī)則移動。1.蟻群的規(guī)則（6）散發(fā)信息素規(guī)則在剛找到食物或者窩時，螞蟻散發(fā)的信息素最多；當隨著走遠時，散發(fā)的信息素將逐漸減少。1.蟻群的規(guī)則for ant in colony do /蟻群中每條

55、螞蟻都逐個更新自己路徑經(jīng)過邊上的的信息素 tour = ant.getTour()； /螞蟻計算路徑的總長度 pheromoneToAdd = getParam(Q) / tour.distance()； /螞蟻計算信息素的更新值 for nodeIndex in tour do /回溯路徑中的每個城市 if lastnode(nodeIndex) do / 如果節(jié)點是路徑上的最后節(jié)點，取出它和第一個節(jié)點間的邊 edge = getEdge(nodeIndex, 0) else edge = getEdge(nodeIndex, nodeIndex+1)/否則，取當前節(jié)點和路徑下一個節(jié)點間的邊

56、 currentPheromone = edge.getPheromone()； /獲得邊上之前的信息素 edge.setPheromone(currentPheromone + pheromoneToAdd)/原有信息素加更新后新信息素 end for / ant路徑上所有的邊的信息素更新完畢end for /蟻群中所有螞蟻都處理完畢2.算法步驟4.1 蟻群優(yōu)化概述4.1.1 引言4.1.2 蟻群算法工作原理4.1.3 蟻群算法的基本流程4.1.4 蟻群算法應用覓食問題，又被稱為搜索問題多機器人隊形控制多機器人地圖構建路徑規(guī)劃追捕策略多機器人協(xié)作物體操作多目標觀測問題機器人足球4.1 蟻群優(yōu)

57、化概述4.2 蟻群算法的基本實現(xiàn)技術4.3 蟻群覓食問題4.4 月球巖石搜索機器人路徑規(guī)劃 第4章 蟻群自組織與共識自主性 轉移概率就是螞蟻從一個點出發(fā)如何判斷選擇下一個目的地的過程。在行進過程中，螞蟻是以先行螞蟻走過路徑所留下來的信息素作為自己的運行指引，螞蟻趨向于選擇信息素濃度更大的方向行進。 4.2.1 蟻群算法中的轉移概率 在尋找最優(yōu)路徑的過程中，螞蟻在經(jīng)過的路段上留下信息素作為溝通協(xié)調(diào)機制，它告訴經(jīng)過這里的螞蟻一些經(jīng)驗，幫助它們判斷該走那條路比較合適。信息素越多的路段上被螞蟻選中的概率就增大，但是信息素在路段上不是一直增大的，它會隨著時間的推移而不斷揮發(fā)，以此來降低信息素的濃度和數(shù)量

58、，避免螞蟻尋找最優(yōu)路徑的過程中陷入了局部最優(yōu)。這種信息素的揮發(fā)機制增強了螞蟻的全局搜索能力。而且，經(jīng)過螞蟻數(shù)量少的路徑上信息素揮發(fā)的更快，螞蟻走的多的路徑信息素會越來越多，這種機制增強了蟻群算法的正反饋機制，使得螞蟻群體逐漸趨向于最終的一條最優(yōu)路徑的附近。4.2.2 信息素更新機制 在不同的算法模型里， 和 的表達的形式有所區(qū)別，要視具體問題來具體對待。目前為止，普遍接受的模型有三種，分別是蟻密系統(tǒng)模型、蟻周系統(tǒng)模型和蟻量系統(tǒng)模型。 4.1 蟻群優(yōu)化概述4.2 蟻群算法的基本實現(xiàn)技術4.3 蟻群覓食問題4.4 月球巖石搜索機器人路徑規(guī)劃 第4章 蟻群自組織與共識自主性1.問題背景4.3 蟻群覓

59、食問題螞蟻離開它們的巢穴，到處亂走尋找食物。螞蟻在覓食和筑巢的過程中會釋放出一種揮發(fā)性化學物質(zhì)信息素。這種化學物質(zhì)可以被其他螞蟻用它們的觸須感知到，并作為刺激其他螞蟻跟隨化學物質(zhì)的蹤跡。隨著許多螞蟻開始跟隨這條路徑，路徑上的化學沉積物得到加強。其他螞蟻的旅行頻率起到了正反饋的作用，蟻群的濃度沿著化學路徑增加。1.問題背景實驗1：同時為蟻群提供從巢穴到食物來源的兩條等長等形橋；實驗2：有兩個橋，一個橋的長度是另一個橋的兩倍；實驗3：實驗開始30分鐘后出現(xiàn)了短分枝的橋。1.問題背景在第一種情況下，螞蟻隨意選擇了任何一條路徑，并通過頻繁地在這條路徑上移動而強化了化學物質(zhì)的沉積。在第二種情況下，蟻群在

60、兩種選擇中選擇了最短路徑；在第三個實驗中，因為當最短的分枝被展示出來的時候，螞蟻已經(jīng)在最長的樹枝上建立了化學痕跡。在化學物質(zhì)沒有蒸發(fā)的情況下，螞蟻繼續(xù)選擇最長的路徑，留下最短的路徑。1.問題背景在模型中，最初我們會在模擬世界的中心有一個巢穴，巢穴周圍有兩堆食物來源。雖然每只螞蟻都遵循一套簡單的規(guī)則，但整個蟻群的行為卻很復雜。這背后的原理是，當每只螞蟻找到了一塊食物，它會把食物帶回蟻穴，并在移動的過程中釋放出一種叫做信息素的化學物質(zhì)。當其他螞蟻“嗅”到這種信息素時，它們會跟隨它走向食物。隨著越來越多的螞蟻把食物帶到蟻穴，它們加強了信息素的蹤跡。1.問題背景2.模型設計4.3 蟻群覓食問題3.主要