Skupinové učení s logickými reprezentacemi
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F07%3A03131228" target="_blank" >RIV/68407700:21230/07:03131228 - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Collaborative Learning with Logic-Based Models
Popis výsledku v původním jazyce
Adaptivity is a fundamental property of any intelligent system. In this paper, we present how adaptivity in multi-agent systems can be implemented by means of collaborative logic-based learning. The proposed method uses inductive logic programming to generalize agents' observations into sets of rules and inter-agent communication of acquired knowledge to improve team adaptation process. Based on Horn logic, the method is interoperable with semantic web languages and techniques. It has been implemented as a modular software component that can be readily integrated into the control loop of an intelligent agent or an autonomic component. We have evaluated the method on a realistic logistic scenario, in which teams of trading agents learn the properties ofthe environment in order to optimize their operation.
Název v anglickém jazyce
Collaborative Learning with Logic-Based Models
Popis výsledku anglicky
Adaptivity is a fundamental property of any intelligent system. In this paper, we present how adaptivity in multi-agent systems can be implemented by means of collaborative logic-based learning. The proposed method uses inductive logic programming to generalize agents' observations into sets of rules and inter-agent communication of acquired knowledge to improve team adaptation process. Based on Horn logic, the method is interoperable with semantic web languages and techniques. It has been implemented as a modular software component that can be readily integrated into the control loop of an intelligent agent or an autonomic component. We have evaluated the method on a realistic logistic scenario, in which teams of trading agents learn the properties ofthe environment in order to optimize their operation.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
JC - Počítačový hardware a software
OECD FORD obor
—
Návaznosti výsledku
Projekt
—
Návaznosti
Z - Vyzkumny zamer (s odkazem do CEZ)
Ostatní
Rok uplatnění
2007
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Adaptive and Learning Agents and Multi-Agent Systems 2007
ISBN
—
ISSN
0922-8721
e-ISSN
—
Počet stran výsledku
15
Strana od-do
89-103
Název nakladatele
Océ Business Services
Místo vydání
's-Hertogenbosch
Místo konání akce
Maastricht
Datum konání akce
2. 4. 2007
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—