Methodological Issues for Designing Multi-Agent Systems with Machine Learning Techniques: Capitalizing Experiences from the RoboCup Challenge - Archive ouverte HAL Accéder directement au contenu
Rapport (Rapport De Recherche) Année : 1998

Methodological Issues for Designing Multi-Agent Systems with Machine Learning Techniques: Capitalizing Experiences from the RoboCup Challenge

Une approche méthodologique de la Conception de Systémes Multi-Agents Apprenant

Résumé

This paper deals with one of the probably most challenging and, in our opinion, little addressed question that can be found in Distributed Artificial Intelligence today, that of the methodological design of a learning multi-agent system (MAS). In previous work, in order to solve the current software engineering problem of having the ingredients (MAS techniques) but not the recipes (the methodology) we have defined Cassiopeia, an agent-oriented, role-based method for the design of MAS. It relies on three important notions: (1) independence from the implementation techniques; (2) definition of an agent as a set of three different levels of roles; (3) specification of a methodological process that reconciles both the bottom-up and the top-down approaches to the problem of organization. In this paper we show how this method enables Machine Learning (ML) techniques to be clearly classified and integrated at first hand in the design process of an MAS, by carefully considering the different levels of behaviors to which they can be applied and the techniques which appear to be best suited in these cases. This presentation allows us to take a broad perspective on the use of all the various techniques developed in ML and their potential use within an MAS design methodology. These techniques are illustrated by examples taken from the RoboCup challenge. We then show that a large part of the design activity is nevertheless left to be done as a result of heuristic choices or experimental work. This allows us to propose the Andromeda framework, which consists in a tighter integration of ML techniques within Cassiopeia itself, in order to assist the designer along the different steps of the method and to develop self-improving MAS.
Cet article est consacré à l'une des questions les plus difficiles, et les plus intéressantes, que l'on puisse trouver en IAD aujourd'hui, à savoir celle de la conception méthodologique d'un système multi-agent capable d'apprendre. Dans des travaux précédents, nous avions défini la méthode de conception orientée-agent Cassiopée, qui s'appuie sur trois notions essentielles : (1) indépendance vis-à-vis des techniques d'implémentation; (2) définition d'un agent comme un ensemble de rôles à trois différents niveaux; (3) spécification d'une démarche méthodologique qui puisse réconcilier les approches ascendantes et descendantes du problème de l'organisation. Dans cet article, nous montrons comment cette méthode permet de classifier et d'intégrer les techniques d'apprentissage au processus de conception d'un SMA, en considérant soigneusement les différents niveaux de comportement auxquels elles peuvent être appliquées et les techniques qui apparaissent les plus adaptées dans ces différents cas de figures. Cette présentation nous permet de faire un état de l'art des techniques développées en apprentissage automatique et de leur usage potentiel en IAD. Nous montrons ensuite qu'une grande partie de la conception reste néanmoins à la charge du concepteur sous la forme de choix heuristiques ou de travail expérimental. Ceci nous amène à présenter la plate-forme de conception Andromède, qui consiste en une étroite intégration des techniques d'apprentissage dans la méthode Cassiopée elle-même, afin d'assister le concepteur tout au long des différentes étapes de la méthode et de développer des SMA adaptatifs.
Fichier principal
Vignette du fichier
lip6.1998.041.pdf (370.15 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-02547805 , version 1 (20-04-2020)

Identifiants

  • HAL Id : hal-02547805 , version 1

Citer

Alexis Drogoul, Jean-Daniel Zucker. Methodological Issues for Designing Multi-Agent Systems with Machine Learning Techniques: Capitalizing Experiences from the RoboCup Challenge. [Research Report] lip6.1998.041, LIP6. 1998. ⟨hal-02547805⟩
74 Consultations
105 Téléchargements

Partager

Gmail Facebook X LinkedIn More