人工智能基础实践教程 习题及答案 第9章 习题

第9章习题9.1多Agent系统（MAS）相比单个Agent系统的主要优势是什么？答：与单个Agent相比，多Agent系统的主要优势体现在：任务分解与并行处理使复杂问题求解效率更高；系统鲁棒性强，部分Agent失效不会导致整体瘫痪；资源利用率高，可分布式利用地理分散的计算与感知资源；扩展性好，通过增加Agent数量即可线性扩展系统能力；适应动态环境能力强，Agent可局部自主响应变化，并通过协作涌现出个体不具备的“集体智能”。但需注意，MAS也带来了通信协调开销增加、系统设计更复杂等挑战。9.2比较完全集中式结构与完全分布式MAS组织结构的优缺点，分别说明它们适用于什么样的任务场景。答：两种结构的特点比较和适用场景见下表。结构类型优点缺点适用场景完全集中式通信开销小、决策快速中心节点易失效、扩展性差规模小、环境明确的任务完全分布式容错性强、可扩展性好协调复杂、通信开销大大规模、动态、开放环境9.3黑板通信与消息传递通信在多Agent系统中各有何特点？在什么情况下更适合使用黑板通信？答：在消息传递中，Agent之间直接通信，灵活但耦合度高，适合小规模系统。在黑板通信中，通过共享工作区交换信息，解耦Agent之间的直接依赖，适合多知识源协作的复杂问题求解（如专家系统）。9.4分布式约束满足问题（DCSP）与传统约束满足问题（CSP）的主要区别是什么？答：它们的核心区别在于问题的分布性与求解方式。传统CSP假设所有变量和约束集中存储，由单一求解器在全局视图下统一搜索解空间；而DCSP中，变量和约束天然分布在多个自主Agent中，每个Agent只掌握局部信息（自身变量及与之相关的约束），没有Agent拥有全局视图。求解时，DCSP依赖Agent之间通过通信（如发送ok和nogood消息）进行协作，以分布式方式逐步收敛到全局一致解，而CSP则采用集中式回溯、约束传播等算法直接计算。9.5在异步回溯算法中，什么是“nogood”信息？它在算法执行过程中起到什么作用？答：nogood信息表示当前Agent无法在现有view中找到合法值，需要向高优先级Agent报告冲突。它触发高优先级Agent重新赋值，形成递归回溯，避免局部冲突阻塞全局求解。9.6异步回溯算法求解n皇后问题，将皇后数量扩展为n（如n=5,6），并测试程序是否仍能正确求解；增加一个函数统计算法找到所有解所需的循环次数（iter_i）；分析n=4,5,6时，算法收敛所需的最大循环次数变化趋势。答：皇后数量增加时，需要做如下修改：在Play_Game函数中增加循环计数器；调整max_loop_time为更大值（如500）；在while循环中累加iter_i。n=4,5,6时，算法收敛所需的循环次数如下：n=4时，约30-60次；n=5时，约100-200次；n=6时，约300-500次。基本趋势是最大循环次数随n增加呈指数增长。9.7设计一个多Agent救援系统，包含两类Agent：探索者负责搜索目标位置，发现后通知最近的搬运者；搬运者负责收到通知后前往目标，将其搬运回基地。要求：用伪代码或Python实现核心协作逻辑。说明如何避免多个搬运者前往同一目标（任务分配机制）。分析角色分工相比“全能型”单Agent系统的优势。答：1）核心协作逻辑的Python实现importmathfromcollectionsimportdequeclassPosition:def__init__(self,x,y):self.x=xself.y=ydefdistance_to(self,other):returnabs(self.x-other.x)+abs(self.y-other.y)#曼哈顿距离classTarget:def__init__(self,pos):self.pos=posself.assigned_carrier=None#已分配的搬运者classExplorer:def__init__(self,id,pos,base_pos):self.id=idself.pos=posself.base_pos=base_posself.found_targets=[]defsearch(self,all_targets,carriers):"""搜索未被分配的目标"""fortargetinall_targets:iftarget.assigned_carrierisNoneandtargetnotinself.found_targets:self.found_targets.append(target)#找到最近的空闲搬运者nearest=Nonemin_dist=float('inf')forcarrierincarriers:ifcarrier.is_idle:dist=self.pos.distance_to(carrier.pos)ifdist<min_dist:min_dist=distnearest=carrierifnearest:nearest.assign_target(target,self.base_pos)print(f"探索者{self.id}发现目标({target.pos.x},{target.pos.y})，分配给搬运者{nearest.id}")returntargetreturnNoneclassCarrier:def__init__(self,id,start_pos):self.id=idself.pos=start_posself.is_idle=Trueself.assigned_target=Noneself.base_pos=Noneself.path=[]defassign_target(self,target,base_pos):"""分配任务"""self.assigned_target=targetself.base_pos=base_posself.is_idle=Falsetarget.assigned_carrier=self#规划路径：当前位置->目标->基地self.path=self.plan_path(self.pos,target.pos)+self.plan_path(target.pos,base_pos)defplan_path(self,start,end):"""BFS路径规划（简化版）"""#实际应用中可用BFS，这里简化为曼哈顿路径path=[]x,y=start.x,start.ywhilex!=end.x:x+=1ifx<end.xelse-1path.append(Position(x,y))whiley!=end.y:y+=1ify<end.yelse-1path.append(Position(x,y))returnpathdefstep(self):"""执行一步移动"""ifself.path:self.pos=self.path.pop(0)ifnotself.path:#到达终点self.is_idle=Trueself.assigned_target=Noneprint(f"搬运者{self.id}完成任务，返回空闲")returnTruereturnFalse#模拟主循环defsimulate(explorers,carriers,targets,max_steps=100):forstepinrange(max_steps):print(f"\n---第{step+1}步---")#探索者搜索forexplorerinexplorers:explorer.search(targets,carriers)#搬运者移动all_idle=Trueforcarrierincarriers:ifnotcarrier.is_idle:all_idle=Falsecarrier.step()ifall_idleandall(t.assigned_carrierisnotNonefortintargets):print("所有目标已搬运完成！")break#示例运行if__name__=="__main__":base=Position(0,0)explorer=Explorer(1,Position(5,5),base)carrier1=Carrier(1,Position(2,2))carrier2=Carrier(2,Position(8,8))targets=[Target(Position(3,4)),Target(Position(6,7))]simulate([explorer],[carrier1,carrier2],targets)2）任务分配机制为了避免冲突，采用互斥锁定与最近分配策略。互斥锁定是指每个目标有一个assigned_carrier属性，一旦被分配给某搬运者，立即锁定，其他搬运者无法再获取。最近