On the Development of Intelligent Agents for MOBA Games
Universidade Federal de Minas Gerais(米纳斯吉拉斯联邦大学)
多人在线对战竞技场(MOBA)是当今最受欢迎的游戏类型之一。随着这一类型的日益增长,有必要开发有效的智能代理来与人类玩家并肩作战或对抗。在本文中,我们解决的问题,代理开发的MOBA游戏。我们实现了一个两层架构的代理,同时处理导航和游戏机制。这种架构依赖于影响图的使用,这是一种广泛使用的战术分析方法。使用{ \em League of Legends}作为测试平台进行了几个实验,并在这种高度动态的实时环境中显示出有希望的结果。
2017-06-08 cs.AI
Socially Intelligent Genetic Agents for the Emergence of Explicit Norms
North Carolina State University(北卡罗来纳州立大学);University of Bristol(布里斯托尔大学)
规范有助于规范一个社会。规范可以是明确的(以结构化形式表示)或隐含的。我们通过发展代理人来解决明确规范的出现,这些代理人在决定制裁和确定替代规范时为违反规范提供解释。这些代理使用遗传算法来产生规范,并使用强化学习来学习这些规范的值。我们发现,应用解释导致规范,提供更好的凝聚力和目标满意度的代理。我们的研究结果在不同慷慨态度的社会中是稳定的。
2022-08-07 cs.AI cs.LG cs.MA
Mastering the Digital Art of War: Developing Intelligent Combat Simulation Agents for Wargaming Using Hierarchical Reinforcement Learning
Naval Postgraduate School(海军研究生院)
针对兵棋推演复杂性导致传统强化学习受限的问题,提出包含观测抽象、多模型集成、混合AI及分层强化学习的综合框架,有效提升了智能体的计算效率、适应性与可靠性。
2024-08-23 cs.AI cs.LG
Contextually Aware Intelligent Control Agents for Heterogeneous Swarms
University of New South Wales(新南威尔士大学);Defence Science and Technology Group(国防科学技术集团)
一个新兴的挑战,在群体牧羊研究是设计有效的和高效的人工智能算法,保持低计算上限,同时增加群体的能力,在不同的情况下操作。我们提出了一种方法来设计一个上下文感知的群体控制智能代理。智能控制代理(shepherd)首先使用群度量来识别与其交互的群的类型,然后从其行为库中为该特定群类型选择合适的参数化。我们的方法的设计原则是增加的情况下意识(即信息内容)的控制代理,而不牺牲有效的群体控制所需的低计算成本。我们证明了成功的牧羊在同质和异质群。
2022-11-22 cs.AI
Multi-Agent Broad Reinforcement Learning for Intelligent Traffic Light Control
智能交通灯控制系统(ITLCS)是一个典型的多智能体系统(MAS),它由多条道路和多个交通灯组成,构建ITLCS的MAS模型是缓解交通拥堵的基础。现有的MAS方法主要基于多Agent深度强化学习(MADRL)。MABRL的深度神经网络(DNN)虽然有效,但训练时间长,参数难以追踪。最近,广义学习系统(BLS)提供了一种选择性的方法,通过一个平面网络在深层神经网络学习。此外,广泛的强化学习(BRL)扩展BLS在单智能体深度强化学习(SADRL)问题,有希望的结果。然而,BRL并不关注代理的复杂结构和相互作用。基于MADRL的特点和BRL的问题,本文提出了一个多Agent广义强化学习(MABRL)框架来研究BLS在MAS中的作用。首先,与大多数现有的MADRL方法不同,这些方法使用一系列深层神经网络结构,我们用广泛的网络对每个代理进行建模。然后,引入动态自循环交互机制来确定“3W”信息:何时交互,需要考虑哪些Agent,传递什么信息。最后,基于智能交通灯控制场景进行了实验。我们比较了MABRL方法与六种不同的方法,并在三个数据集上的实验结果验证了MABRL的有效性。
2022-07-05 cs.AI cs.LG cs.MA
Ultimate Intelligence Part III: Measures of Intelligence, Perception and Intelligent Agents
Gök Us Sibernetik Ar&Ge Ltd. Şti.(Gök Us Sibernetik 研发有限公司)
我们建议,操作员感应作为一个适当的模型的感知。我们解释了如何减少通用代理模型的操作员感应。我们提出了一个通用的操作员感应健身措施,并展示了它如何可以用于强化学习模型和稳态(自我保护)代理的自由能原则的基础上。我们表明,该行动的稳态剂可以解释的运营商诱导模型。
2017-09-08 cs.AI
LEXSYS: Architecture and Implication for Intelligent Agent systems
LORIA(洛里亚实验室);IITA (International Institute of Tropical Agriculture)(国际热带农业研究所);University of Wales(威尔士大学)
豆类专家系统是尼日利亚伊巴丹国际热带农业研究所构想的一个项目。它是由COMBS(基于玉米的系统研究协作组)于1990年发起的。这是一个通用的框架,表征在农场测试的技术设计,可持续的谷物为基础的种植制度。LEXIBLE并不是一个真正的专家系统,而只是一个用户友好的信息系统。这项工作是一种尝试,给出一个正式的表示现有的系统,然后提出智能代理可以应用的领域。
2010-03-26 cs.AI
Intelligent Coordination among Multiple Traffic Intersections Using Multi-Agent Reinforcement Learning
Siemens Technology and Services Pvt. Ltd.(西门子技术服务私人有限公司);International Institute of Information Technology Hyderabad(海得拉巴国际信息技术学院);Indian Institute of Science Bengaluru(班加罗尔印度科学研究所)
我们使用异步优势演员评论(A3 C)实现一个人工智能智能体的控制器,优化交通流量在一个单一的交叉口,然后将其扩展到多个交叉口,考虑多代理设置。我们探索了三种不同的方法来解决多智能体问题-(1)使用A3 C的异步属性,使用单个智能体控制多个交叉口(2)利用多个交叉口的独立智能体之间的自我/竞争游戏(3)在智能体之间摄取全局奖励函数,以引入交叉口之间的合作行为。我们观察到,(1)和(2)导致交通拥堵减少。此外,(3)与(1)和(2)的使用导致拥塞的进一步减少。
2020-06-28 cs.AI cs.LG cs.MA
Acquisition and use of knowledge over a restricted domain by intelligent agents
Mackenzie University(麦肯齐大学);Fluminense Federal University(弗鲁米嫩塞联邦大学)
这篇简短的论文提供了一个架构的描述,以获取和使用知识的智能代理在互联网基础设施的一个有限的域。拟议的体系结构被添加到智能代理部署模型中,该模型通过一个非常有用的服务器为互联网自治系统管理员提供服务。这种服务器严重依赖于人类的任意和最终更新,变得不可靠。这是一份立场文件,提出了三个仍在进行中的研究问题。
2018-05-06 cs.AI cs.MA cs.NI
An Argumentation-based Approach for Explaining Goal Selection in Intelligent Agents
Federal University of Technology - Paraná (UTFPR)(巴拉那联邦理工大学)
在实践推理的第一步,即审议或目标选择,智能代理生成一组可追求的目标,然后选择他承诺实现的目标。可解释的人工智能(XAI)系统,包括智能代理,必须能够解释其内部决策。在目标选择的上下文中,智能体应该能够解释导致他们选择(或不选择)某个目标的推理路径。在这篇文章中,我们使用一种基于论证的方法来生成关于推理路径的解释,此外,我们的目标是用选择过程中出现的冲突以及这些冲突是如何解决的信息来丰富解释。我们提出了两种类型的解释:部分的和完整的一个和一组解释方案,以产生伪自然的解释。最后,我们将我们的建议应用于更清洁的世界场景。
2020-09-14 cs.AI
Investigating Enactive Learning for Autonomous Intelligent Agents
Monash University(莫纳什大学)
认知的生成方法通常被认为是传统认知科学的一种可行的替代方法。生成认知将解释的焦点从施事的内部表征转移到与环境的直接感觉运动交互。在本文中,我们通过人工代理模拟的方式研究生成学习。我们比较了在迷宫环境中觅食任务的经典强化学习上操作的代理的执行。代理的特性进行了分析,在环境状态,目标和勘探/开采权衡的可访问性。我们证实,制定剂可以成功地与环境相互作用,并学会避免不利的相互作用,使用内在定义的目标。的enactive代理的性能被证明是有限的负担得起的行动的数量。
2018-10-09 cs.AI cs.LG cs.RO
Active Learning for Autonomous Intelligent Agents: Exploration, Curiosity, and Interaction
Inria Bordeaux Sud-Ouest(法国国家信息与自动化研究所波尔多西南分部);University of Zaragoza(萨拉戈萨大学)
在这项调查中,我们提出了不同的方法,允许智能代理自主探索其环境,收集信息和学习多个任务。不同的社区提出了不同的解决办法,在许多情况下,这些办法是相似和/或互补的。这些解决方案包括主动学习、探索/利用、在线学习和社会学习。所有这些方法的共同点是,它是代理选择和决定下一步收集什么信息。这些方法的应用已经包括辅导系统,自主抓取学习,导航和地图以及人机交互。我们讨论这些方法是如何相关的,解释他们的相似之处和他们的差异方面的问题假设和成功的指标。我们认为,这种综合讨论将改善跨学科的研究和应用。
2014-03-06 cs.AI
Alleviating Media Bias Through Intelligent Agent Blogging
L3S Research Center(L3S研究中心);Leibniz University Hannover(汉诺威莱布尼茨大学)
大众媒体的消费者必须有一个全面的,平衡的和多元化的新闻选择,以获得一个公正的观点;但实现这一目标可能是非常具有挑战性的,费力和耗时。随着时间的推移,新闻故事的发展,其(不)一致性,以及媒体的不同报道水平是一个认真的读者必须克服的挑战,以减轻偏见。在本文中,我们提出了一个智能代理框架,目前促进在线新闻在萨尔瓦多的主要来源的分析。我们展示了如何将文本分析和Web 2.0技术的先前工具与最小的手动干预相结合,以帮助个人进行理性的决策过程,同时让媒体对他们的工作负责。
2009-02-04 cs.AI
Resolving Resource Incompatibilities in Intelligent Agents
Federal University of Technology - Paraná (UTFPR)(巴拉那联邦理工大学)
一个智能体通常可以同时追求多个程序目标,这可能导致它们之间出现一些冲突(不兼容)。在本文中,我们专注于由于资源限制而出现的不兼容性。因此,本文的贡献是双重的。一方面,我们给出了一个算法,从一组追求的目标,识别资源不兼容性,另一方面,我们提出了两种方法来选择这些目标,将继续追求:(i)第一是基于抽象论证理论,和(ii)第二个基于我们开发的两个算法。我们在整篇文章中使用示例来说明我们的建议。
2020-09-13 cs.AI
Intelligent Agent for Hurricane Emergency Identification and Text Information Extraction from Streaming Social Media Big Data
Old Dominion University(老道明大学)
本文介绍了我们利用社交媒体大数据和人工智能支持飓风灾害应急响应的研究。目前的飓风紧急救援做法高度依赖紧急呼叫中心。最近的飓风哈维事件揭示了当前系统的局限性。我们使用飓风哈维和相关的休斯顿洪水作为激励方案进行研究和开发的原型作为使用智能代理作为辅助角色,以支持应急中心在飓风应急响应的概念验证。该智能代理用于在自然灾害事件期间收集实时流推文,以识别请求救援的推文,提取关键信息,如地址和相关的地理编码,并将提取的信息可视化在决策支持的交互式地图中。我们的实验显示了有希望的结果和研究在支持飓风应急响应中的潜在应用。
2021-06-14 cs.AI
Automatic Vehicle Checking Agent (VCA)
Gomal University(戈马尔大学)
智力的定义是根据可以定量衡量的表现给出的。在这项研究中,我们提出了一个概念模型的智能代理系统的自动车辆检测代理(VCA)。为了实现这一目标,我们已经介绍了几种代理表现出智能功能。它们是管理代理、内部代理、外部代理、监视器代理和报告代理。提出了评价车辆自动检测代理(VCA)性能的方法和措施。为促进智能系统的发展,提出了校准数据和测试设备的建议。
2011-12-03 cs.AI
Multi-Agent Target Assignment and Path Finding for Intelligent Warehouse: A Cooperative Multi-Agent Deep Reinforcement Learning Perspective
Harbin Institute of Technology Shenzhen(哈尔滨工业大学(深圳));School of Mechanical Engineering and Automation(机械工程与自动化学院);Tsinghua University(清华大学);Tsinghua Shenzhen International Graduate School(清华大学深圳国际研究生院)
针对智能仓库中目标分配与路径规划常被分开求解且忽略智能体物理动力学的问题,提出协作式多智能体深度RL方法同时建模并求解TAPF,在多种任务设置下实现合理分配、近最短路径及更高时间效率。
2024-10-27 cs.AI cs.MA
Exploring Sentiment Manipulation by LLM-Enabled Intelligent Trading Agents
Bowdoin College(鲍登学院)
本研究首次探索基于连续深度强化学习的智能交易代理,其控制大语言模型在社交媒体发布内容,通过操纵情绪优化奖励并增加利润,在模拟市场中验证了该行为。
2025-02-22 cs.AI cs.CE cs.LG
A Novel Approach for Cardiac Disease Prediction and Classification Using Intelligent Agents
Anna University(安娜大学)
我们的目标是开发一种新的方法,心脏疾病的预测和诊断使用智能代理。最初,使用基于过滤器和包装器的代理对症状进行预处理。过滤器将删除缺失或不相关的症状。包装器用于根据阈值限制提取数据集中的数据。每个症状的依赖性使用依赖性检查代理来识别。该分类是基于先验和后验概率的症状与证据价值。最后将症状分为五类,即缺席,开始,轻度,中度和严重。使用合作的方法,心脏问题的解决和验证。
2010-09-27 cs.AI cs.MA
Brainstorm/J: a Java Framework for Intelligent Agents
尽管许多研究人员在多智能体系统(MAS)领域的设计和编程代理的努力,几年前的研究社区开始考虑到不同的MAS之间存在的共同特征。基于这些共同的特点,一些工具已经解决了特定应用领域或特定类型的代理的代理开发的问题。因此,它们的范围仅限于MAS的巨大应用领域的一个子集。在本文中,我们提出了一个通用的基础设施编程代理的名称是头脑风暴/J的基础设施已实现为一个面向对象的框架。因此,我们的方法支持更广泛的MAS应用程序比以前的努力,是灵活的和可重用的。
2000-07-04 cs.AI
A Proposal for Intelligent Agents with Episodic Memory
HP Labs – HP Inc.(惠普实验室 – 惠普公司)
在未来,我们可以预期,人工智能代理,一旦部署,将需要不断学习他们的经验,在其操作寿命。这些代理还需要与人类和其他代理就其经验的内容进行沟通,在传递其学习的背景下,为了解释其在特定情况下的行为,或者只是为了更自然地与人类有关代理获得的经验,这些经验不一定与其分配的任务有关。我们认为,为了支持这些目标,代理将受益于情景记忆,也就是说,记忆编码代理的经验,以这样一种方式,代理可以重温的经验,沟通,并使用其过去的经验,包括代理自己过去的行动,学习更有效的模型和政策。在这篇简短的论文中,我们提出了一种潜在的方法来提供一个具有这种能力的人工智能智能体。我们利用不断增长的身体的工作检查的功能和操作的内侧颞叶(MTL)在哺乳动物中,以指导我们添加一个情景记忆的能力,人工人工智能智能体组成的人工神经网络(ANN)。在此基础上,我们强调的重要方面要考虑的内存组织,我们提出了一个架构结合人工神经网络和标准的计算机科学技术支持存储和检索的情景记忆。尽管是初步的工作,我们希望这篇简短的论文可以引发围绕创建具有记忆的智能代理的讨论,或者至少提供一个不同的观点。
2020-05-07 cs.AI
Aplib: Tactical Programming of Intelligent Agents
Utrecht University(乌得勒支大学)
本文介绍了aplib,一个Java库编程智能代理,具有BDI和多机构,但在它上面添加了一个新的战术编程层的启发域的定理证明。Aplib还以这样的方式实现,以提供领域特定语言(DSL)的流畅性。与专用的BDI代理程序设计语言(如JASON、2APL或GOAL)相比,aplib的嵌入式DSL方法确实意味着\aplib \程序员仍将受到Java语法的限制,但另一方面,他们获得了Java程序员所获得的所有优势:丰富的语言特征(面向对象、静态类型检查、$λ$ -表达式、库等)、一整套开发工具、与其他技术的集成,大社区等。
2019-11-12 cs.AI cs.PL
LLM-Based Intelligent Agents for Music Recommendation: A Comparison with Classical Content-Based Filtering
本文研究将Gemini和LLaMA大语言模型与多智能体结合用于个性化音乐推荐,并与传统基于内容的模型比较,结果显示LLM满意度达89.32%,展现出良好应用潜力。
2025-08-07 cs.AI cs.IR cs.LG
Distinguishing Autonomous AI Agents from Collaborative Agentic Systems: A Comprehensive Framework for Understanding Modern Intelligent Architectures
本研究针对大模型催生的独立AI智能体与协作式Agentic AI两类范式,通过分析运作原理、架构等建立区分框架,梳理演进路径、对比应用场景,提出关键挑战的解决方案,为智能体选型与下一代智能系统开发提供指导。
2025-06-16 cs.AI
Winning Isn't Everything: Enhancing Game Development with Intelligent Agents
EA Sports, Electronic Arts(美国艺电公司EA Sports部门);EA Digital Platform – Data & AI, Electronic Arts(美国艺电公司EA数字平台-数据与人工智能部门)
最近,有几个引人注目的成就,智能体学会了与人类玩游戏并击败他们。在本文中,我们研究的问题,培训智能代理服务的游戏开发。与为“击败游戏”而构建的代理不同,我们的代理旨在产生类似人类的行为,以帮助进行游戏评估和平衡。我们讨论了两个基本的指标,我们衡量的基础上,人的相似性的代理,即技能和风格,这是多方面的概念与本文概述的实际意义。我们报告了四个案例研究,其中的风格和技能要求告知用于训练代理的算法和指标的选择;从A* 搜索到最先进的深度强化学习。我们进一步表明,最先进的深度强化学习模型的学习潜力不会从基准环境无缝转移到目标环境,而不会严重调整它们的超参数,导致工程工作和计算成本随着目标域的数量而线性缩放。
2020-04-28 cs.AI cs.LG cs.MA
Terra Nova: A Comprehensive Challenge Environment for Intelligent Agents
The University of Edinburgh(爱丁堡大学)
本文推出受《文明V》启发的强化学习研究综合挑战环境Terra Nova,其在单一环境中同时集成多类典型RL挑战,可测试智能体跨交互变量的深度长时序推理能力,区别于仅聚合无关并行任务的传统多任务基准。
2025-11-19 cs.AI
Towards Socially Intelligent Agents with Mental State Transition and Human Utility
University of California, Los Angeles(加州大学洛杉矶分校);Columbia University(哥伦比亚大学)
构建一个社会智能代理涉及许多挑战。其中之一是跟踪智能体的心理状态转换,并教会智能体像人类一样在其价值观的指导下做出决策。为此,我们建议将心理状态模拟和价值建模到对话代理。首先,我们建立了一个混合的心理状态解析器,从对话和事件观察中提取信息,并保持代理的思想的图形表示;同时,基于transformer的价值模型从人类价值数据集ValueNet中学习人类偏好。实证结果表明,该模型达到了最先进的性能上的对话/动作/情感预测任务的幻想文本冒险游戏数据集,光。我们还展示了示例案例来演示:(i)拟议的心理状态解析器如何通过基于位置和对象等上下文来帮助代理的决策,以及(ii)价值模型如何帮助代理根据其个人优先级做出决策。
2022-07-22 cs.AI cs.CL
Genes in Intelligent Agents
School of Computer Science and Engineering, Southeast University(东南大学计算机科学与工程学院)
本文提出遗传强化学习(GRL)框架,将机器“基因”定义为可跨代遗传的神经网络片段,使智能体获得祖先经验、本能和更强学习能力,推动机器智能向生物智能演进。
2023-10-27 cs.AI cs.LG cs.NE
Design of Intelligent Agents Based System for Commodity Market Simulation with JADE
Gunadarma University(古纳达尔玛大学)
一个供工业规模使用的马铃薯商品市场正在吸引几类行为者。他们是农民、中间商和工业。一个多智能体系统已经建成,模拟这些演员到代理实体,人工给定的参数的基础上,在一个模拟场景文件。每种类型的代理都有自己的模糊逻辑代表实际行动者的知识,用于解释值,并采取适当的决策,而在模拟。该系统将模拟市场活动与编程的行为,然后产生的结果作为电子表格和图表图形文件。这些结果包括每个代理人的年度财务和商品数据。该系统还将从这些输出中预测每个下一个值。
2012-12-27 cs.AI cs.MA
Artificially intelligent agents in the social and behavioral sciences: A history and outlook
Department of Computer Science, Aalto University(阿尔托大学计算机科学系);Center for Computational Social Science, Kobe University(大阪大学计算社会科学中心);Department of Methodology, London School of Economics and Political Science(伦敦政治经济学院方法论系)
回顾人工智能代理在社会与行为科学中的历史发展与当前趋势,涵盖从可编程计算机到社会模拟、大语言模型实验等,强调其在科学过程中的作用及带来的变化,如社会系统科学兴起等,凸显与相关技术紧密相连。
2026-07-21 cs.AI cs.CY
FML-based Dynamic Assessment Agent for Human-Machine Cooperative System on Game of Go
National University of Tainan(台南大学);Tokyo Metropolitan University(东京都立大学);Haifong Weiqi Academy(海峰围棋学院)
在本文中,我们展示了应用模糊置标语言(FML)构建一个基于FML的动态评估代理(FDAA),我们提出了一个基于FML的人机合作系统(FHMCS)的围棋比赛。提出的FDAA包括一个智能决策和学习机制,智能游戏机器人,近端开发代理,和智能代理。智能游戏机器人基于Facebook Darkforest的开源代码,它具有代表性的状态转移应用程序编程接口机制。最接近的开发代理包含一个动态评估机制,GoSocket机制,和一个模糊知识库和规则库的FML引擎。智能代理包含一个GoSocket引擎和一个汇总代理,该汇总代理基于估计的胜率、实时模拟数量和预测移动的匹配度。此外,还给出了用于玩家性能评估的FML和用于游戏结果评论的语言描述.我们在2016年测试了5场比赛,并在2017年1月测试了60场Google Master Go(AlphaGo程序的新版本)的比赛,通过实验验证和验证了FDAA和FHMCS变体的性能。实验结果表明,FDAA算法可以有效地应用于Go语言的应用程序。
2017-07-16 cs.AI
Agentic SPARQL: Evaluating SPARQL-MCP-powered Intelligent Agents on the Federated KGQA Benchmark
WU Vienna(维也纳经济大学);Leuphana Universität Lüneburg(吕讷堡大学);Complexity Science Hub Vienna(维也纳复杂性科学中心)
本文探讨了基于SPARQL-MCP的智能代理在联邦SPARQL查询中的潜力,扩展了知识图谱问答基准,并评估了通过MCP集成SPARQL联邦与LLM代理的能力。
2026-04-09 cs.AI cs.IR cs.MA
Unity: A General Platform for Intelligent Agents
Unity Technologies(Unity科技公司)
人工智能的最新进展是由日益逼真和复杂的模拟环境的存在所驱动的。然而,许多现有的环境提供不切实际的视觉效果,不准确的物理,低任务复杂性,有限的代理人的角度来看,或人工代理之间的交互能力有限。此外,许多平台缺乏灵活配置模拟的能力,使得从学习系统的角度来看,模拟环境是一个黑盒子。在这项工作中,我们提出了一种新的分类现有的模拟平台,并讨论了最高级别的通用平台,使学习环境的发展,丰富的视觉,物理,任务和社会的复杂性。我们认为,现代游戏引擎是唯一适合作为通用平台,并作为一个案例研究检查的Unity引擎和开源的Unity ML代理工具包。然后,我们调查了Unity和Unity ML-Agents Toolkit支持的研究,讨论了灵活,交互式和易于配置的通用平台可以促进的研究类型。
2020-05-06 cs.AI cs.LG cs.NE
From decision to action : intentionality, a guide for the specification of intelligent agents' behaviour
Laboratoire d’Informatique des SYstèmes Complexes(复杂系统信息学实验室);Centre Européen de Réalité Virtuelle(欧洲虚拟现实中心)
本文介绍了虚拟现实中交互式和参与式的基于Agent的仿真的行为规范。在这种情况下,有必要达到高水平的表达能力,以加强设计师和行为模型之间的互动,在内联原型。这就需要在设计过程的早期就考虑语义的需要。意向代理模型在这里被暴露为一个可能的答案。它依赖于一种混合的命令式和声明式方法,侧重于决定和行动之间的联系。讨论了基于该模型的虚拟环境仿真工具的设计
2011-07-17 cs.AI cs.MA
Towards a Declarative Agentic Layer for Intelligent Agents in MCP-Based Server Ecosystems
本文提出了一种声明性代理层,旨在解决基于MCP服务器生态系统中代理工作流的可靠性问题,通过明确的架构结构提升任务执行的可验证性和可重复性。
2026-01-24 cs.AI cs.SE
On simple expectations and observations of intelligent agents: A complexity study
Indian Statistical Institute(印度统计研究所);Unive Rennes(雷恩大学);IRISA(法国国家信息与自动化研究所雷恩分院)
本文研究公开观察逻辑 POL 各片段可满足性问题的计算复杂性,并揭示其与公开宣告逻辑之间的内在联系。
2023-06-05 cs.AI cs.CC cs.LO
ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks
IEEE
ComAgent通过多LLM代理式AI框架,实现复杂无线网络任务的自动化设计与优化,展现出超越单体LLM的性能优势。
2026-01-27 cs.AI
Creative Problem Solving in Artificially Intelligent Agents: A Survey and Framework
Tufts University(塔夫茨大学);Georgia Tech(佐治亚理工学院)
创造性问题解决(CPS)是人工智能(AI)中的一个子领域,专注于解决自治系统中的异常问题的方法。尽管在规划和学习方面取得了许多进展,但解决新问题或使现有知识适应新环境,特别是在部署后环境可能以不可预测的方式发生变化的情况下,仍然是智能系统安全和有用集成的限制因素。越来越多的自主系统的出现决定了人工智能智能体通过创造力来处理环境不确定性的必要性。为了促进CPS的进一步研究,我们提出了CPS的定义和框架,我们采用它来对该领域现有的人工智能方法进行分类。我们的框架包括四个主要组成部分的CPS问题,即:1)问题制定,2)知识表示,3)方法的知识操作,和4)方法的评价。我们用开放性的研究问题来结束我们的调查,并为未来提出了方向。
2022-04-21 cs.AI
Intelligent Electric Vehicle Charging Recommendation Based on Multi-Agent Reinforcement Learning
University of Science and Technology of China(中国科学技术大学);Baidu Research(百度研究院);Baidu Inc.(百度公司);Rutgers University(罗格斯大学)
电动汽车(EV)由于其环境和能源的可持续性,已成为现代交通系统的首选。然而,在许多大城市,电动汽车司机往往无法找到合适的地点充电,因为有限的充电基础设施和时空不平衡的充电需求。事实上,最近出现的深度强化学习提供了从各个方面长期改善充电体验的巨大潜力。在本文中,我们提出了一个框架,命名为多智能体时空强化学习(主),智能推荐公共充电站,共同考虑各种长期的时空因素。具体而言,通过将每个充电站视为一个单独的代理,我们将此问题制定为多目标多智能体强化学习任务。我们首先开发了一个多代理的演员评论家框架与集中式细心的评论家协调地理分布的代理之间的推荐。此外,为了量化未来潜在的收费竞争的影响,我们引入了一个延迟访问策略,利用未来的收费竞争的知识在训练过程中。然后,为了有效地优化多个学习目标,将集中式注意力评价器扩展到多评价器,并提出了一种动态梯度重加权策略来自适应地引导优化方向。最后,在两个真实数据集上的大量实验表明,与九种基线方法相比,Master实现了最佳的综合性能。
2021-02-15 cs.LG
On verifying expectations and observations of intelligent agents
Indian Statistical Institute(印度统计研究所);ENS Rennes(雷恩高等师范学院)
公共观察逻辑(Public Observation Logic,POL)是动态认知逻辑的一种变体,用于推理代理人的期望和代理人的观察。智能体对当前的情况有一定的期望,这些期望是由相关的协议驱动的,他们会排除期望与观察不匹配的可能世界。在这项工作中,我们调查的计算复杂性的模型检验问题的POL和证明其PSPACE-完全。我们还研究了POL的各种语法片段。我们验证了POL模型检验在验证交互式系统的不同特性和功能方面的不同期望和(匹配)观察系统的适用性。最后,我们对模型检验算法的实现进行了讨论。
2022-05-12 cs.AI cs.CC cs.LO
Intelligent AI Delegation
Google DeepMind(谷歌DeepMind)
本文提出了一种适应性框架,用于智能AI委派,通过任务分配、授权、责任转移和信任机制,提升复杂环境下的任务分解与委派能力。
2026-02-12 cs.AI
Active Inference for an Intelligent Agent in Autonomous Reconnaissance Missions
Swedish Defence Research Agency(瑞典国防研究局)
本研究提出一种主动推理路径规划方法,结合Dempster-Shafer理论与高斯传感器模型,引导智能体在自主侦察任务中平衡探索与利用,以维持通用作战态势图。
2026-09-07 cs.AI
IntelligentCrowd: Mobile Crowdsensing via Multi-Agent Reinforcement Learning
University of Washington(华盛顿大学);Monash University(莫纳什大学)
智能移动设备的繁荣使得移动人群感知(MCS)成为完成复杂感知和计算任务的一种有前途的范例。在过去的研究中,人们从MCS平台的角度出发,在激励机制和任务分配策略的设计上做了大量的工作,以激励移动用户的参与。然而,在实践中,MCS参与者面临着来自其感知环境以及其他参与者策略的许多不确定性,并且他们如何相互交互并做出感知决策还没有得到很好的理解。在本文中,我们采取MCS参与者的角度来推导一个在线感知策略,以最大限度地提高他们的收益,通过MCS的参与。具体来说,我们的移动用户和传感环境的交互模型作为一个多代理马尔可夫决策过程。每个参与者不能观察其他人的决定,而是需要仅基于本地信息来决定她在感知任务中的努力水平,例如,它自己的感知信号质量记录。为了应对随机感知环境,我们开发了一个智能人群感知算法智能人群利用多智能体强化学习(MARL)的力量。我们的算法导致每个用户的最佳感知策略,以最大限度地提高对随机感知环境的预期回报,并可以在个人参与者的水平,以分布式的方式实现。数值模拟表明,IntelligentCrowd显着提高用户的支付顺序MCS任务在各种传感动态。
2020-11-25 cs.LG cs.MA
Unsupervised Transfer Learning for Spoken Language Understanding in Intelligent Agents
Carnegie Mellon University(卡内基梅隆大学);Amazon Alexa AI(亚马逊Alexa人工智能部门)
用户与语音驱动代理的交互会产生大量未标记的话语。在本文中,我们探索的技术,有效地转移这些未标记的话语知识,以提高口语语言理解(SLU)任务的模型性能。我们使用嵌入从语言模型(ELMo),以利用未标记的数据,通过学习上下文的单词表示。此外,我们还提出了ELMo-Light(ELMoL),这是一种更快,更简单的SLU无监督预训练方法。我们的研究结果表明,与从头开始训练相比,在大型未标记话语语料库上进行无监督预训练可以显著提高SLU性能,甚至可以优于传统的监督传输。此外,我们表明,从无监督转移技术的收益可以进一步提高监督转移。这些改进在低资源设置中更加明显,并且当仅使用1000个标记的域内样本时,我们的技术与从头开始训练10- 15倍标记的域内数据的性能相匹配。
2018-11-13 cs.AI cs.CL cs.LG
Toward Agentic AI: Generative Information Retrieval Inspired Intelligent Communications and Networking
College of Computing and Data Science, Nanyang Technological University(南洋理工大学计算与数据科学学院);University of Technology and Design, Singapore(新加坡科技设计大学);Institute for Infocomm Research, Agency for Science, Technology and Research(新加坡科技研究局信息通信研究院);Auburn University(奥本大学);University of Houston(休斯顿大学);Kyung Hee University(庆熙大学)
本文提出生成式信息检索启发的智能体AI框架,通过多源检索与自反思验证提升电信网络规划决策的准确性、一致性与检索效率。
2025-02-24 cs.AI cs.NI
Building Intelligent Agents with Neuro-Symbolic Concepts
Massachusetts Institute of Technology(麻省理工学院);Stanford University(斯坦福大学)
本文提出以神经符号概念为中心的智能体范式,通过组合符号程序与神经网络表示实现持续学习、灵活推理及跨域零样本迁移。
2026-09-29 cs.AI cs.CL cs.CV
Adversarial Conversational Shaping for Intelligent Agents
University College London(伦敦大学学院)
针对当前对话系统不稳定、准确性不足的问题,研究了两种基于对抗式对话塑造的智能对话增强模型,并在强化学习框架下结合不同训练细节探讨其性能。
2023-07-20 cs.CL cs.LG
Intelligent Design 4.0: Paradigm Evolution Toward the Agentic AI Era
Department of Systems Engineering(系统工程系);City University of Hong Kong(香港城市大学);Department of Decision Analytics and Operations(决策分析与运营系);Department of Information Systems(信息系统系)
本文提出智能设计4.0范式,基于基础模型的代理AI系统,推动工程设计的自动化与智能化发展。
2025-10-29 cs.AI cs.CE
Commonsense Spatial Reasoning for Visually Intelligent Agents
Knowledge Media Institute, The Open University(开放大学知识媒体研究所)
服务机器人有望可靠地理解复杂、快速变化的环境。从认知的角度来看,他们需要适当的推理能力和背景知识,以表现出类似人类的视觉智能。特别是,我们以前的工作已经表明,在世界上的对象之间的空间关系的原因的能力是视觉智能代理的发展的一个关键要求。在本文中,我们提出了一个常识空间推理的框架,这是针对现实世界的机器人应用。从以前的定性空间推理方法,所提出的框架是强大的机器人的观点和对象方向的变化。该框架中的空间关系也映射到用于描述英语中典型对象配置的常识谓词类型。此外,我们还展示了如何在具体的空间数据库中实现这个正式定义的框架。
2021-04-01 cs.AI cs.CV cs.RO
Verisimilar Percept Sequences Tests for Autonomous Driving Intelligent Agent Assessment
University of Sao Paulo(圣保罗大学)
自动驾驶汽车技术有望用更安全的驾驶系统取代人类驾驶员。但是,尽管自动驾驶汽车可以变得比人类驾驶员更安全,但这是一个漫长的过程,将随着时间的推移而不断完善。在这些车辆被部署在城市道路上之前,必须确保最低的安全水平。由于自动驾驶汽车技术仍在开发中,因此没有标准方法来评估此类系统。重要的是要完全理解正在开发的技术,设计有效的手段来评估it.In本文中,我们假设安全关键系统的可靠性作为一种安全措施。我们将自主道路车辆建模为智能代理,并从人工智能的角度对其进行评估。我们的重点是评估的感知和决策系统,并提出了一个系统的方法来评估他们在车辆中的集成。我们从人工智能的最先进的模型的数据依赖性的关键方面,我们还提出了程序来重现它们。
2018-05-07 cs.AI cs.RO
WebNav: An Intelligent Agent for Voice-Controlled Web Navigation
Dept. of Applied AI(应用人工智能系);Cyrion Labs(Cyrian实验室);Dallas, USA(美国达拉斯)
WebNav通过双重大语言模型架构结合视觉截图与动态DOM标记,将自然语言指令转化为精确的网页操作,实现了更智能的语音控制网页导航自动化。
2025-07-06 cs.AI cs.HC
Deep Reinforcement Learning for Optimal Investment and Saving Strategy Selection in Heterogeneous Profiles: Intelligent Agents working towards retirement
从固定收益到固定缴款养老金计划的过渡将退休储蓄的责任从政府和机构转移到个人身上。确定个人的最佳储蓄和投资战略对于稳定的财务状况以及在工作-生活和退休期间避免贫困至关重要,并且在不同职业群体所经历的就业形式和收入轨迹高度多样化的世界中,这是一项特别具有挑战性的任务。我们引入了一个模型,在该模型中,代理学习最优的投资组合分配和储蓄策略,适合他们的异构配置文件。我们使用深度强化学习来训练代理。环境是校准与职业和年龄相关的收入演变动态。该研究侧重于异构收入轨迹依赖于代理配置文件,并纳入代理的行为参数化。该模型提供了一种灵活的方法来估计不同情景下的异构配置文件的终身消费和投资选择。
2022-06-12 cs.LG cs.MA econ.GN
Gapoera: Application Programming Interface for AI Environment of Indonesian Board Game
Universitas Islam Indonesia(印度尼西亚伊斯兰大学)
当前,计算机游戏的发展呈现出巨大的热潮。当今互联网接入的便利性和速度也影响了计算机游戏的发展,尤其是在线玩的计算机游戏。互联网技术已经允许计算机游戏以多人模式玩。在计算机游戏中,玩家之间的互动可以通过几种方式建立,其中之一是通过提供平衡的对手。对手可以使用智能代理开发。另一方面,开发智能代理的研究也在迅速增长。在计算机游戏开发中,测量智能代理的性能的最简单的方法之一是开发允许智能代理与其他玩家交互的虚拟环境。在本研究中,我们尝试开发一个智能代理和虚拟环境的棋盘游戏。为了便于访问,智能代理和虚拟环境然后被开发成一个应用程序编程接口(API)服务,称为Gapoera API。Gapoera的API服务有望帮助游戏开发人员开发游戏,而无需过多考虑游戏中嵌入的人工智能。该服务提供了一个基本的多级智能代理,可以为用户提供在印度尼西亚通常玩的棋盘游戏。虽然Gapoera API可用于各种类型的游戏,但在本文中,我们将重点讨论印度尼西亚流行的传统棋盘游戏,即Mancala。测试结果表明,多级代理的概念开发工作的预期。另一方面,Gapoera API服务的开发也已成功接入多个游戏平台。
2021-10-22 cs.AI cs.MM
From Cognitive Binary Logic to Cognitive Intelligent Agents
Computer Science, `Spiru Haret' University, Bucharest, Romania Faculty of Engineering, `Aurel Vlaicu' University, Arad, Romania
自我意识和智力之间的关系是一个悬而未决的问题。尽管自我意识通常与情商有关,但这里的情况并非如此。本文所描述的问题是如何建模的代理知道(认知)二进制逻辑,也能够通过(没有任何错误)的图灵测试,旨在验证其知识和它的话语的模态状态的真理对应的命题二进制逻辑的语言中的格式良好的公式的某些家庭。
2011-06-18 cs.AI cs.LO math.LO