El problema del marco de referencia tiene tres aspectos principales: 1.

Cuestin Perspectiva: Hay que distinguir entre la perspectiva del observador y la perspectiva del agente s mismo. En particular, las descripciones del comportamiento de un perspectiva del observador no debe ser tomado como el interno mecanismos que subyacen en el comportamiento descrito. 2. Comportamiento frente al mecanismo de expedicin: El comportamiento de un agente es siempre el resultado de una interaccin sistema-ambiente. Lo no puede explicarse sobre la base de los mecanismos internos solamente. 3. Cuestin Complejidad: La complejidad que observamos en un comportamiento en particular no siempre indicar con precisin la complejidad de los mecanismos subyacentes. Rolf Pfeifer y Scheier cristiana. 2001. La comprensin de Inteligencia. Pgina 112. The MIT Press. Parte 1 de este volumen ha explorado agentes y ambientes y aspectos importantes de agentenvironment interaccin, incluyendo el movimiento y la realizacin, y cmo afecta el comportamiento. Parte 2 explora el comportamiento del agente, incluyendo diferentes tipos de comportamiento, tales como la comunicacin, la bsqueda, saber (conocimiento) y la inteligencia. En este captulo se explora el tema de comportamiento de los agentes con mayor profundidad. El captulo est organizado de la siguiente manera. Seccin 6.1 proporciona una definicin de la conducta. Seccin 6.2 retoma la distincin entre el reactivo frente a agentes cognitivos desde una perspectiva conductual. Secciones 6,3 a 6,5 describir conceptos tiles relacionados con comportamiento: la emergencia, la autoorganizacin, la adaptabilidad, la evolucin, el marco de referencia problema, stigmergy, y el enjambre de inteligencia. Seccin 6.6 analiza cmo podemos implementar diferentes tipos de comportamiento que utilizan agentes de tortugas en NetLogo. Un mtodo particular llamado boids se discute en la Seccin 6.7. 6.1 Qu es el comportamiento? La forma en que un agente se comporta a menudo se utiliza para distinguir y distinguir qu y quines son, ya sea animal, humana o artificial. Comportamiento tambin puede estar asociada con los grupos de agentes, no slo una agente nico. Por ejemplo, el comportamiento cultural humano se refiere a un comportamiento que est asociado con un nacin en particular, pueblo o grupo social, y se distingue de la conducta de un ser humano individual o el cuerpo humano. Comportamiento tambin tiene un papel importante que desempear en la supervivencia de diferentes especies y subespecies. Se ha sugerido, por ejemplo, que la msica y el arte forman parte de un conjunto de

comportamientos mostrado por nuestra propia especie que nos proporcionan con el borde evolutiva sobre los neandertales. Descarga de libros electrnicos gratuitos en bookboon.com Inteligencia Artificial - Comportamiento del Agente I 8 Comportamiento En los dos captulos anteriores, hemos hablado acerca de diversos aspectos relativos a las conductas de los encarnados, agentes situados, por ejemplo, cmo el comportamiento de un agente desde una perspectiva de diseo puede ser caracterizada en trminos de su movimiento se exhibe en un entorno, y cmo los agentes exhiben una serie de comportamientos de reactiva a cognitiva. No hemos, sin embargo, proporcion una definicin ms concreta de lo que es el comportamiento. Desde la perspectiva del diseo de consagrados, agentes situados, comportamiento puede ser definido como sigue. La comportamiento particular de un encarnado, agente situado es una serie de acciones que realiza en la interaccin con un entorno. El orden especfico o forma en que los movimientos de las acciones se hacen y la resultado general que se produce como resultado de las acciones define el tipo de comportamiento. Podemos definir un accin como una serie de movimientos realizados por un agente en relacin con un resultado especfico, ya sea por voluntad (por cognitivas basadas en acciones) o por el instinto (por reactivos basados en acciones). Con esta definicin, el movimiento est siendo tratado como una parte fundamental de los componentes que caracterizar cada tipo de comportamiento - en otras palabras, las acciones y reacciones del agente se ejecuta como se est realizando el comportamiento. La distincin entre un movimiento y una accin es que una accin comprende uno o ms movimientos realizados por un agente, y tambin que hay un resultado especfico que se produce como resultado de la accin. Por ejemplo, un agente humano podra desear para realizar la accin de girar un interruptor de luz encendido. El resultado de la accin es que la luz se enciende. Esta accin requiere de una serie de movimientos a realizar, tales como levantar la mano hasta el interruptor de la luz, movindose un dedo especfico subir de la mano, a continuacin, utilizando el dedo para tocar la parte superior del interruptor, y luego aplicando presin hacia abajo hasta que se mueve el interruptor. La distincin entre una accin y un especial

comportamiento es que un comportamiento comprende una o ms acciones realizadas por un agente en una determinada orden o manera. Por ejemplo, un agente puede preferir un tipo de ahorro de energa de la conducta por slo conectar las luces cuando sea necesario (este es un ejemplo de un tipo de comportamiento cognitivo, ya que implica un eleccin consciente). Otro agente siempre puede encender la luz a travs del hbito, ya que entra en un cuarto (este es un ejemplo de un tipo de comportamiento principalmente a posteriori). El comportamiento es la forma en que un agente acta en una situacin determinada o un conjunto de situaciones. La situacin se define por la las condiciones ambientales, de sus circunstancias propias y el conocimiento que el agente tiene actualmente a su disposicin. Si el agente tiene conocimientos suficientes para una situacin dada, entonces puede optar por buscar ms conocimiento acerca de la situacin. Comportamientos puede estar compuesta de subcomportamientos. La bsqueda de ms conocimiento es en s mismo un comportamiento, por ejemplo, y puede ser un componente del comportamiento original. Tambin hay varios aspectos a la conducta, incluyendo las siguientes: deteccin y el movimiento (sensoriomotriz coordinacin), el reconocimiento de la situacin actual (clasificacin), la toma de decisiones (seleccin de una respuesta apropiada); rendimiento (ejecucin de la respuesta). Descarga de libros electrnicos gratuitos en bookboon.com Inteligencia Artificial - Comportamiento del Agente I 9 Comportamiento Los comportamientos van desde la plena conciencia (cognitiva) con el inconsciente (reactiva), de manifiesta (hecho de una manera abierta) para convertirlo (hecho de una manera secreta), y de voluntario (el agente acta de acuerdo a su propia voluntad) para involuntaria (hace sin control consciente o hecho en contra de la voluntad del agente). El trmino "comportamiento" tambin tiene diferentes significados dependiendo del contexto (Reynolds, 1987). La definicin anterior es aplicable cuando el trmino se usa en relacin con las acciones de un ser humano o animal, pero tambin es aplicable en la descripcin de las acciones de un sistema mecnico, o el complejo acciones de un sistema catico, si el punto de vista orientado a agentes (en este caso se considera que los agentes son los seres humanos,

animales, sistemas mecnicos o sistemas complejos). Sin embargo, en la realidad virtual y multimedia aplicaciones, el trmino a veces se puede utilizar como un sinnimo de animacin por ordenador. En creble agentes y mbitos de vida artificial, la conducta se utiliza "para referirse a las acciones de improvisacin y realistas de un carcter autnomo "(Reynolds, 1987). Tambin solemos atribuir antropomrficamente humano caractersticas de comportamiento con cmo una computadora funciona cuando decimos que un sistema informtico o programa de ordenador se comporta de una manera determinada sobre la base de las respuestas a nuestra interaccin con el sistema o programa. Del mismo modo, a menudo (por lo general errneamente) atribuyen caractersticas del comportamiento humano con animales y objetos inanimados como los automviles. 6,2 agentes reactivos frente cognitiva En esta seccin, se seguir estudiando la importante distincin entre el reactivo y cognitivo comportamiento que se puso de manifiesto por primera vez en el captulo anterior. Los agentes pueden ser caracterizados por donde se sentarse en un continuo, como se muestra en la figura 6,1. Este continuo oscila entre agentes puramente reactivos que los no presentan capacidades cognitivas (como hormigas y termitas), a los agentes que presentan un comportamiento cognitivo o tienen la capacidad de pensar. Tabla 6.1 se detallan las diferencias entre los dos tipos de agentes. En realidad, Los agentes han exhibido tanto reactiva y comportamientos cognitivos en diferentes grados, y la distincin entre reactivo y cognitivo puede ser arbitraria. Figura 6,1 El continuo de agentes, de reactivo a cognitiva (basado en Ferber, J. 1999; pgina 20). Agentes cognitivos o "Pensando" Agentes Los seres humanos Agentes Inteligentes Humanos Virtuales Insectos Insectos parecidos a robots Insectos virtuales Animales Robots Vida Artificial Agentes puramente reactiva Continuo de agentes

Descarga de libros electrnicos gratuitos en bookboon.com Inteligencia Artificial - Comportamiento del Agente I 10 Comportamiento Comparando las capacidades de los agentes reactivos con agentes cognitivos enumerados en la Tabla 6,1, es evidente que agentes reactivos son muy limitados en lo que pueden hacer, ya que no tienen la capacidad de planificar, coordinar entre ellas o establecer y comprender los objetivos especficos, sino que simplemente reaccionar a los acontecimientos cuando ocurren. Esto no les impide tener un papel que desempear en la elaboracin de un comportamiento inteligente. El reactivo escuela de pensamiento es que no es necesario para que los agentes sean individualmente inteligente. Sin embargo, pueden trabajar colectivamente para resolver problemas complejos. Su poder proviene del poder de los muchos - Por ejemplo, los insectos a base de colonias como las hormigas y las termitas tienen la capacidad para realizar tareas complejas tales como encontrar y comunicarse con el paradero de los alimentos, la lucha contra los invasores, y la construccin estructuras complejas. Pero lo hacen a nivel de poblacin, no a nivel individual, con muy rgido comportamientos repetitivos. En contraste, la escuela de pensamiento cognitivo busca construir agentes que exhiben inteligencia en algunos manera. En este enfoque, los agentes individuales tienen metas, y pueden desarrollar planes sobre la forma de alcanzarlos. Utilizan mecanismos de comunicacin ms sofisticados, e intencionalmente puede coordinar su actividades. Tambin mapear su medio ambiente de alguna manera usando una representacin interna o base de conocimientos que puedan consultar y actualizar a travs de mecanismos de aprendizaje con el fin de ayudar a orientar sus decisiones y acciones. Como resultado, son mucho ms flexibles en su comportamiento en comparacin con agentes reactivos. Agentes reactivos agentes cognitivos Utilice comportamientos simples. Usar comportamientos complejos. Tener baja complejidad. Tener alta complejidad. No son capaces de prever el futuro. anticipar lo que va a suceder. No tener metas. Tener objetivos especficos. No planificar o coordinar entre s mismos. Hacer planes y pueden coordinar entre s.

 No tener representacin del medio ambiente. mapa de su entorno (es decir, construir interno representaciones de su entorno). No adaptarse o aprender. Exposicin comportamiento aprendido. Puede trabajar juntos para resolver complejos problemas. Puede resolver problemas complejos, tanto por trabajo juntos y trabajando individualmente. Tabla 6.1 reactiva frente a los agentes cognitivos. Descarga de libros electrnicos gratuitos en bookboon.com Inteligencia Artificial - Comportamiento del Agente I 11 Comportamiento En Inteligencia Artificial, el enfoque conductual para la construccin de sistemas inteligentes se llama Comportamiento Basada en Inteligencia Artificial (BBAI). En este enfoque, propuesto por primera vez por Rodney Brooks, la inteligencia es descompuesto en un conjunto de semi-autnomas independientes mdulos. Estos mdulos fueron originalmente concebido como se ejecuta en un dispositivo independiente con sus propios hilos de procesamiento y puede ser pensado como agentes separados. Brooks abog por un enfoque reactivo a la IA Y se utilizan mquinas de estados finitos (similar a los que se muestran en la Seccin 6,3 y por debajo) para implementar los mdulos de comportamiento. Estos estados finitos mquinas no tienen memoria convencional, y no directamente para proporcionar alto nivel cognitivo funciones tales como el aprendizaje y la planificacin. Ellos especificar el comportamiento de una forma reactiva, con el agente reaccionar directamente con el medio ambiente en lugar de construir una representacin de ella de alguna manera tal como un mapa. El enfoque basado en el comportamiento de la IA se ha vuelto popular en robtica, pero tambin est encontrando otro aplicaciones en los mbitos de la animacin por ordenador y agentes virtuales inteligentes, por ejemplo. 6.3 Aparicin, auto-organizacin, adaptabilidad y evolucin Esta seccin discute varias caractersticas de agentes autnomos que son importantes desde un comportamiento perspectiva - emergente, auto-organizacin, de adaptacin y comportamiento en evolucin. Un sistema complejo es un sistema que comprende muchos componentes que cuando interactan unas con otras producir una actividad que es mayor que lo que es posible por los componentes que actan individualmente. A multiagente

sistema es un sistema complejo si los agentes presentan comportamientos que son emergentes. Emergencia en un sistema complejo es la aparicin de un nuevo y ms alto nivel de propiedad que no es un agregado lineal simple de las propiedades existentes. Por ejemplo, la masa de un avin no es una propiedad emergente ya que es simplemente la suma de la masa de los componentes individuales del avin. Por otro lado, la capacidad de volar es una propiedad emergente ya que esta propiedad desaparece cuando las piezas del avin se desmonta. Emergente propiedades tambin son comunes en la vida real - por ejemplo, el comportamiento cultural de los seres humanos, los alimentos forrajeando comportamiento de las hormigas y su comportamiento en la construccin de montculos termitas. Comportamiento emergente es la aparicin de comportamiento de un sistema multi-agente que no se observ anteriormente y que no es el resultado de un simple combinacin lineal de comportamiento de los agentes existentes. Algunas personas creen que la inteligencia es una propiedad emergente (vase el captulo 10), el resultado de agentagent medio ambiente y las interacciones de agentes reactivos, encarnados, situado agentes. Si esto es as, entonces este proporciona una ruta alternativa para la produccin de un comportamiento inteligente - en lugar de construir agentes cognitivos explcitamente la programacin habilidades cognitivas superiores como el razonamiento y la toma de decisiones, la alternativa es construir agentes con capacidades reactivas tales como el reconocimiento de patrones y el aprendizaje, y esta dar lugar a un comportamiento inteligente como resultado. Este enfoque, sin embargo, an tiene que dar sus frutos como el mecanismos detrs de reconocimiento de patrones de los seres humanos y la capacidad de aprendizaje an no se hayan comprendido y no tenemos sofisticados algoritmos suficientes en esta rea para el agente de aprender la forma que los humanos, por ejemplo, como la capacidad de un nio para adquirir el lenguaje. Sin embargo, la va ms tradicional a inteligencia artificial - el de disear agentes explcitos con ms alto nivel capacidades cognitivas tambin tiene sin embargo, a dar sus frutos. Descarga de libros electrnicos gratuitos en bookboon.com Por favor, haga clic en el anuncio Inteligencia Artificial - Comportamiento del Agente I 12

Comportamiento Un sistema se dice que es auto-organizarse en un patrn o estructura en el sistema surge de forma espontnea que no fue el resultado de ningn externas presiones. Un sistema multi-agente muestra el comportamiento de auto-organizacin como un resultado de aplicar reglas locales cuando se forma un patrn o estructura como una como resultado de su interaccin que no fue causada por un agente externo. Sistemas auto-organizados suelen mostrar propiedades emergentes. Muchos sistemas naturales exhiben un comportamiento de auto-organizacin. Algunos ejemplos son: enjambres de pjaros y peces, y los rebaos de animales como vacas, ovejas, bfalos y cebras (biologa), la formacin y la estructura de los planetas, las estrellas y las galaxias (desde el campo de la astrofsica), formaciones de nubes y los ciclones (meteorologa), la estructura superficial de la tierra (Geofsica), reacciones qumicas (qumica), los movimientos autnomos de los robots (robtica), redes sociales (Internet); informticos y de trfico redes (tecnologa), de origen natural, tales como patrones fractales helechos, copos de nieve, las estructuras cristalinas, paisajes, fiordos (mundo natural), los patrones que se producen en la piel, alas de mariposa, insecto piel y los vasos sanguneos en el interior del cuerpo (biologa), crecimiento de la poblacin (la biologa); el comportamiento colectivo de las colonias de insectos como las termitas y las hormigas (biologa), la mutacin y la seleccin (Evolucin), y la competencia, los mercados de valores y los mercados financieros (economa). Cebras en frente de una termita montculo en Tanzania.

Descarga de libros electrnicos gratuitos en bookboon.com Inteligencia Artificial - Comportamiento del Agente I 13 Comportamiento La Biblioteca NetLogo modelos contiene una serie de modelos que simulan la autoorganizacin. Para ejemplo, el flocado modelo imita el comportamiento de las aves que acuden - despus de ejecutar el modelo para algunos tiempo, los agentes de tortuga se auto-organizarse en una pocas manadas donde todos los pjaros en la cabeza en una direccin similar. Esto es a pesar de comportamiento de los agentes individuales slo consiste en unas pocas reglas locales (vanse ms detalles en la seccin 6.7 ms adelante). En el modelo de lucirnagas, los agentes de tortugas son capaces de sincronizar su parpadeante utilizando nicamente las interacciones entre los agentes adyacentes, de nuevo slo las reglas locales definen los agentes individuales ' comportamiento. El modelo de termitas y el modelo de mquina de estados Ejemplo simular el comportamiento de termitas. Despus de ejecutar estos modelos hace algn tiempo, los parches de 'astillas' va a

terminar siendo colocado en unos montones. Tres imgenes de la modelo de estado Ejemplo Mquina se muestran en la Figura 6.2. La imagen ms a la izquierda se muestra el entorno en el inicio de la simulacin (nmero de garrapatas = 0). Muestra agentes colocados al azar en todo el entorno, con las manchas amarillas que representan la madera chips, y las formas blancas que representan las termitas. Las imgenes medias y ms a la derecha muestra el medio ambiente despus de 5000 y garrapatas 50.000, respectivamente. Las formas naranja representa termitas que se llevar las virutas de madera, las formas blancas las que no lo son. Las dos imgenes muestran el sistema de termitas agentes, astillas de madera y el medio ambiente progresivamente auto-organizacin para que las virutas de madera terminan en unos montones.
El procedimiento de configuracin distribuye aleatoriamente los agentes de parches amarillos y los agentes de termitas en todo el medio ambiente. El comando de pedir en el procedimiento go define el comportamiento de los agentes de termitas. El enfoque utilizado es representar el comportamiento como una mquina de estados finitos que consiste en cuatro estados con una accin diferente o tarea que el agente realiza proporcionando la transicin al siguiente estado. Estas tareas son: la bsqueda de un chip de madera, la bsqueda de una nueva pila, colocando una viruta de madera, y salir de la Pile. Una mquina de estados finitos simplificado para este modelo se muestra en la Figura 6.3. Figura 6,3 El comportamiento de NetLogo Cdigo 6,1 convierte en una mquina de estado finito. es un mundo interesante Obtener bajo la piel de la misma. Oportunidades para graduados Cheltenham | 24,945 + beneficios Uno de los servicios de inteligencia del Reino Unido, GCHQ papel es doble: para reunir y analizar informacin de inteligencia que ayuda a dar forma britnico respuesta a los acontecimientos mundiales, y para proporcionar asesoramiento tcnico para la proteccin de la comunicacin del Gobierno y sistemas de informacin. Al hacerlo, nuestros especialistas - en Informtica, Internet, ingeniera, idiomas, aseguramiento de la informacin, las matemticas y la inteligencia - consiga bien debajo de la superficie de los asuntos mundiales. Si usted pensaba que el mundo era un lugar interesante, que realmente debera explorar el mundo del trabajo. www.careersinbritishintelligence.co.uk Los solicitantes deben ser ciudadanos britnicos. GCHQ valora la diversidad y da la bienvenida a

los solicitantes de todos los sectores de la comunidad. Queremos que nuestra fuerza laboral que refleje la diversidad de nuestro trabajo. TOP GOBIERNO EMPLEADOR Descarga de libros electrnicos gratuitos en bookboon.com Inteligencia Artificial - Comportamiento del Agente I 16 Comportamiento Un sistema en el sentido general se dice que evolucionar si se adapta o cambios en el tiempo por lo general a partir de un simple a una forma ms compleja. El trmino 'evolucin' tiene diferente significados en contextos diferentes y esto puede causar un poco de confusin. A ms significado especfico se refiere el trmino "evolucionar" a la teora de Darwin de la evolucin una especies se dice que evolucionan cuando se produce un cambio en el ADN de su poblacin de una generacin a la siguiente. El cambio se transmite de padres a hijos a travs de la reproduccin. Estos cambios pueden ser pequeos, pero a lo largo de muchas generaciones, los efectos combinados pueden dar lugar a cambios sustanciales en los organismos. Con el fin de diferenciar los distintos significados del trmino 'evolucin', podemos definir el comportamiento de adaptacin y la evolucin por separado de la siguiente manera. Un agente de exposiciones de adaptacin comportamiento cuando se tiene la capacidad de cambiar su comportamiento de alguna manera en respuesta a cambios en la ambiente. Si el entorno cambia, el comportamiento que est bien adaptado al ambiente anterior ya no puede ser tan bien adaptados, por ejemplo, en la Seccin 5.4, se demostr cmo un comportamiento adecuado para resolver el laberinto de Hampton Court Palace medio ambiente no est tan bien adaptado a la Chevening Casa laberinto ambiente y viceversa. La evolucin de comportamiento, por otro lado, se produce en una poblacin cuando su composicin gentica ha cambiado de una generacin a la siguiente. Evolucin de la poblacin se debe a dos grandes mecanismos naturales seleccin y la deriva gentica. La seleccin natural es un proceso mediante el cual los individuos con rasgos heredables que son tiles para la reproduccin y la supervivencia en el medio ambiente se volvern ms comunes en la poblacin, mientras que los rasgos dainos se vuelven ms escasos. La deriva gentica es el cambio en la frecuencia relativa de los

rasgos heredables debido a la funcin de probabilidad para determinar qu individuos sobrevivir y reproducirse. Evolucin de los seres humanos y especies de animales se produce a travs cientos de miles de aos, ya veces millones. Para poner estas escalas de tiempo en perspectiva, y para ilustrar cmo pequeos cambios pueden tener efectos de cambio de poca, nos Puede utilizar el ejemplo de la cordillera del Himalaya. La lnea de falla se extiende desde un extremo de la cordillera del Himalaya a la otro ya que se encuentra en el lmite entre el eurasitico y Indo-Australiana placas tectnicas, y, en consecuencia, es una de las zonas ssmicas ms activas del mundo. Los estudios han demostrado que el Himalaya se sigue aumentando a la tasa de alrededor de 1 cm por ao. Aunque un aumento de 1 cm por aos puede parecer insignificante, si proyectamos tan lejos en el futuro, entonces el efecto acumulativo puede ser notable. Despus de 100 aos, se han incrementado en slo un metro, despus de 1000 aos, 10 millones; despus de 10000 aos, a 100 metros, no siendo especialmente significativo en comparacin con la altura total media de la montaa rango. Sin embargo, despus de 100.000 aos, se han incrementado en 1 km - es decir ms del 10% de la altura actual del Monte Everest, que es 8.848 metros. Despus de un milln de aos, el aumento de la altura ser de 10 km, lo que ms del doble de la altura actual del Monte. Everest. Monte Everest, visto desde el Rongbuk valle, cerca al campamento base a 5.200 m. Charles Darwin Descarga de libros electrnicos gratuitos en bookboon.com Inteligencia Artificial - Comportamiento del Agente I 17 Comportamiento Un proceso que produce muy poco cambio de ao en ao, si continua, producir dramtico cambios en el curso de un milln de aos. Monte Everest aumentando constantemente durante un milln de aos es claramente un situacin hipottica, porque hay otros factores en juego, como la erosin y la tectnica de placas movimiento. Por el contrario, el aumento de los mares, hasta tan pequea cantidad como 1 cm por ao, puede resultar en cambio dramtico en un perodo mucho ms corto de tiempo. Deriva Continental tambin ha provocado un cambio significativo en el panorama mundial. La distancia de vuelo entre Sydney, Australia y Wellington, Nueva Zelanda, por ejemplo, es 2220 kilometros. Si Nueva Zelanda ha estado moviendo aparte de Australia, a

razn de 1 cm por ao, entonces esto ha ocurrido en un perodo de 222 millones de aos. No importa qu tan bien adaptado una especie en particular puede ser para sobrevivir en su entorno actual, lo har necesidad de adaptarse a los cambios de nivel poca-si ha de sobrevivir por un tiempo muy largo. 6.4 El Marco de Referencia Problema Es importante no atribuir las explicaciones equivocadas de observaciones a los mecanismos que subyacen a la comportamiento de un agente incorporado situado dentro de un entorno. El marco de referencia problema pone de relieve la diferencia entre la perspectiva del observador y la perspectiva de lo observado por para su realizacin diferente. Cada agente de la vida real es nica con su propio cuerpo y el cerebro, con un nico conjunto de capacidades de deteccin, y tiene una ubicacin nica dentro del entorno (ya que en la vida real ambientes no hay dos cuerpos pueden ocupar el mismo espacio al mismo tiempo). Por lo tanto, cada agente tiene un perspectiva nica de su entorno, por lo tanto, la perspectiva del agente que realiza la observacin se muy diferente a la perspectiva del agente que est siendo observado. La disparidad en los marcos de referencia ser ms pronunciada entre las especies con formas de realizacin muy diferentes, por ejemplo, entre los seres humanos e insectos. A menudo, los seres humanos como observadores a cometer el error de atribuir similar a la humana capacidad para describir los mecanismos detrs de la conducta que est siendo observado. Por ejemplo, montculos de termitas magnticas en el norte de Australia y toda la cara norte de lejos parecen lpidas en un cementerio. En este caso, es fcil hacer que el error que estas fueron creadas de acuerdo con algn centro plan, pero los montculos de las termitas son el resultado de muchos agentes individuales para la aplicacin conducta reactiva simple. Rolf Pfeifer y Scheier cristiano (1999) afirman que hay tres aspectos principales en el marco del problema de referencia: la perspectiva problema, el problema de conducta-contra-mecanismo, y la complejidad cuestin (ver cita al comienzo de este captulo). La perspectiva cuestin se refiere a la necesidad de distinguir entre las perspectivas de el observador y lo observado, y no atribuir las descripciones de los mecanismos de punto de vista del observador. The-behaviourversus estados mecanismo de emisin de que el comportamiento de un agente no est

slo el resultado de los mecanismos internos solamente, el agente y el medio ambiente interaccin tambin tiene un papel importante que desempear. La complejidad puntos de emisin seala que el comportamiento complejo no es necesariamente el como resultado de complejos mecanismos subyacentes. Rolf Pfeifer y Scheier cristiano utilizar el experimento mental de una hormiga en una playa propuesto por primera vez por Simon (1969) para ilustrar estos temas. Un escenario similar se plantea en experimento mental 6.1. Imagnese lo que el mundo ve como a una hormiga haciendo su camino a travs de hierba alta ... Descarga de libros electrnicos gratuitos en bookboon.com Inteligencia Artificial - Comportamiento del Agente I 18 Comportamiento Pensamiento Experimento 6.1 Una hormiga en la playa. Imagine una hormiga vuelve a su nido en la orilla de una playa cerca de un bosque. Se encuentra obstculos en el camino en el bosque, como el pasto largo (ver imagen), hojas y ramas cadas, y luego velocidades de hasta una vez que llega a la playa que est cerca de su nido. Sigue un camino especfico a lo largo de la playa y se encuentra con nuevos obstculos tales como piedras, trozos de madera pequeos, algas secas y basura tan diversos descartado como botellas de plstico y desechos arrojado al mar. La hormiga parece estar siguiendo un ruta de acceso especfica, y para reaccionar a la presencia de los obstculos girando en direcciones determinadas, como si guiado por un mapa mental que tiene del terreno. La mayora de las hormigas despus de la hormiga original tambin viajar por el misma manera. Con el tiempo, todas las hormigas regresan al nido, incluso las que parecan haberse perdido a lo largo del camino. Un nio caminando por la playa nota el rastro de las hormigas. l decide bloquear su camino por la construccin de una pequeo montculo de arena a su paso. La hormiga primero que llega al nuevo obstculo parece inmediatamente reconocer que hay algo nuevo en su camino que no estaba all antes. En repetidas ocasiones gira a la derecha, y luego a la izquierda, como si la caza de un camino alrededor del obstculo. Otras hormigas tambin llegan, y juntos parecen ser coordinar la bsqueda de un camino alrededor del obstculo. Finalmente, las hormigas son capaces de encontrar un camino alrededor de

el obstculo y continuar su viaje de regreso al nido. Despus de algn tiempo adicional, una ruta en particular es elegido que est cerca de la ruta ms corta hacia el nido. Desde el punto de vista del observador, las hormigas parecen mostrar un comportamiento inteligente. En primer lugar, se parecen ser siguiendo un camino complejo especfico, y parece que tienen la capacidad de reconocer la hitos a lo largo del camino. En segundo lugar, parece que tienen la capacidad de comunicar informacin entre los s mismos. Por ejemplo, rpidamente transmitir la ubicacin de una nueva fuente de alimento de modo que otras hormigas puede seguir. En tercer lugar, pueden encontrar el camino ms corto entre dos puntos. Y en cuarto lugar, se puede hacer frente a un entorno cambiante. Sin embargo, sera un error atribuir inteligencia a la conducta de las hormigas. Los estudios han demostrado que las hormigas se acaba de ejecutar un pequeo conjunto de reglas de forma reactiva. No tienen capacidad de crear una mapa de su entorno que otras hormigas pueden seguir en un tiempo posterior. Ellos no son conscientes del contexto de su situacin, tal como lo han recorrido un largo camino, pero ahora estn cerca del nido, por lo que puede acelerar como resultado el fin de volver ms rpido. No se puede comunicar directamente informacin excepto por olor qumico establecido en el medio ambiente. No pueden discutir y ejecutar un nuevo plan de ataque cuando las cosas no salen segn lo planeado, y no hay coordinador central. Contraste esto con humanos habilidades como un orientador con un mapa para localizar indicadores de control colocados por alguien ms en el bosque o en la playa, o un corredor acelerando al final de un largo plazo, porque ella sabe que est a punto de concluir, o un cazador en una tribu de regresar al campamento para decirle a otros cazadores donde hay ms juego, o el jefe de la de la tribu diciendo a un grupo de cazadores que salir a buscar ms comida. Ahora ms que imaginar la hormiga tiene un cuerpo gigante, del mismo tamao que el de un humano. Lo ms probable es que el comportamiento de la hormiga gigante ser muy diferente a la hormiga de tamao normal como resultado. Los objetos pequeos que los fueron obstculos para que la hormiga con un cuerpo de tamao normal ya no representan un problema. De hecho, estos sera ignorado con toda probabilidad y la hormiga gigante volvera ms directamente de vuelta al

nido. Otro objetos que la hormiga de tamao normal no hubiera sido consciente de como un sistema distinto, como un rbol, se ahora plantean un problema diferente para la hormiga gigante en relacin con su progreso a travs del terreno. Y puede ahora ser difcil para la hormiga gigante para detectar el olor qumico previsto en el suelo. En resumen, la cambio en el cuerpo de la hormiga dramticamente altera su punto de vista de su entorno. Descarga de libros electrnicos gratuitos en bookboon.com Por favor, haga clic en el anuncio Inteligencia Artificial - Comportamiento del Agente I 19 Comportamiento 6,5 Stigmergy y Swarm Intelligence En las termitas y las hormigas modelos descritos anteriormente, ya hemos visto varios ejemplos de cmo una coleccin de agentes reactivos pueden realizar tareas complejas que estn ms all de las capacidades de cualquiera de los agentes que actan solos. Desde nuestro propio marco de referencia, estos agentes parecen ser colectivamente exhibiendo un comportamiento inteligente, aunque como se ha explicado en la seccin anterior, este sera incorrecto. Los modelos de NetLogo ilustrar cmo los mecanismos detrs de este comportamiento son muy simples - slo un pocas reglas que definen cmo los agentes deben interactuar con el medio ambiente. En esta seccin se definen dos conceptos importantes relacionados con la inteligencia de un conjunto de agentes: stigmergy, y la inteligencia de enjambre. Una coleccin de agentes exhiben stigmergy cuando hacen uso del medio ambiente, de alguna manera, y por lo tanto, son capaces de coordinar sus actividades para producir estructuras complejas a travs de autoorganizacin. La idea clave detrs stigmergy es que el medio ambiente puede tener una influencia importante en el comportamiento de un agente y viceversa. En otras palabras, la influencia entre el medio ambiente y agente es bidireccional. En la vida real, stigmergy ocurre entre los insectos sociales como las termitas, las hormigas, las abejas y avispas. Como hemos visto con las termitas y las hormigas modelos, stigmergy puede ocurrir entre muy simples agentes reactivos que slo tienen la capacidad de responder de manera localizada a la informacin local. Estos agentes carecen de la inteligencia y el conocimiento mutuo en el sentido tradicional, no usan

la memoria, y no tienen la capacidad de planificar, controlar o comunicarse directamente unos con otros. Sin embargo, tienen la capacidad para realizar las tareas de nivel superior, como resultado de sus actividades combinadas. ? ?? ? ? ??????? ? ??? ? ? ?? En Pars o en lnea Los programas internacionales impartidos por profesores y profesionales de todo el mundo BBA en Negocios Globales MBA in International Management / Marketing Internacional DBA en Negocios Internacionales / International Management MA en Educacin Internacional Mster en Comunicacin Intercultural MA en Lenguas Extranjeras Innovador - Prctico - Flexible - Affordable Visita: www.HorizonsUniversity.org Escribe: Admissions@horizonsuniversity.org Llamar: 01.42.77.20.66 www.HorizonsUniversity.org Descarga de libros electrnicos gratuitos en bookboon.com Inteligencia Artificial - Comportamiento del Agente I 20 Comportamiento Stigmergy no se limita a los ejemplos naturales de la vida - el Internet es un ejemplo obvio. Muchos sistemas informticos tambin hacen uso de stigmergy - por ejemplo, la colonia de hormigas algoritmo de optimizacin es un mtodo para encontrar rutas ptimas como soluciones a los problemas. Algunos sistemas informticos utiliza datos compartidos estructuras que son administrados por una comunidad distribuida de clientes que soporta organizacin emergente. Un ejemplo es la arquitectura de pizarra, como se usa en los sistemas de AI primero desarrollado en la dcada de 1980. La pizarra hace uso de la comunicacin a travs de una memoria compartida que se puede escribir de manera independiente por un agente examinados por otros agentes, al igual que una pizarra de la vida real puede en una sala de conferencias. Las pizarras se utilizan ahora en primera persona juegos de accin en vdeo, y como un medio de comunicacin entre los agentes en una red de ordenadores (el ltimo se discute en ms detalle en la seccin

7,9). Una colonia de hormigas, y un enjambre de abejas - tanto el uso de los conocimientos locales stigmergic para coordinar sus actividades. Una coleccin de agentes de inteligencia de enjambre exhiben cuando hacen uso del conocimiento local stigmergic para coordinar sus actividades y para producir estructuras complejas a travs de la autoorganizacin. La mecanismos detrs de la inteligencia de enjambre exhibida por los insectos sociales son robustos ya que no hay control centralizado. Tambin son muy eficaces - como se demuestra por el tamao de todo el mundo poblaciones y la duplicacin de soluciones a travs de las diferentes especies. Algunos nmeros hincapi en este punto. Los cientficos estiman que hay aproximadamente 9.000 especies de hormigas y un cuatrilln (1015) hormigas que viven en el mundo de hoy (Elert, 2009). Adems, se ha estimado que las colonias de hormigas cosechadoras, por ejemplo, tienen un nmero similar de neuronas como un cerebro humano. Los seres humanos tambin hacen uso de enjambre inteligencia de muchas maneras. La enciclopedia en lnea Wikipedia, es slo un ejemplo que resulta de la inteligencia colectiva de los seres humanos que actan de forma individual con control centralizado mnimo. Social la creacin de redes a travs de sitios web en lnea es otra. Ambos hacen uso de la informacin local stigmergic establecido descendi en la nube. Descarga de libros electrnicos gratuitos en bookboon.com Inteligencia Artificial - Comportamiento del Agente I 21 Comportamiento 6.6 Implementar el comportamiento de los agentes tortuga en NetLogo En NetLogo, el comportamiento de un agente se especifica explcitamente mediante el comando pregunta. Esto define la serie de comandos que cada agente o agentset ejecuta, en otras palabras, el procedimiento es que el agente para llevar a cabo. Un procedimiento en un programa de ordenador es una serie especfica de comandos que se ejecutan en un de manera precisa con el fin de producir un resultado deseado. Sin embargo, tenemos que tener cuidado de hacer una distincin entre el comportamiento real del agente y de la mecnica del procedimiento que NetLogo

se usa para definir el comportamiento. El propsito de la mayor parte de los comandos de procedimiento es manipular variables internas incluidas las variables globales y variables propias del agente. Esto ltimo refleja el estado del agente y pueden ser representados como puntos en un espacio n-dimensional. Sin embargo, este estado es insuficiente para describir el comportamiento del agente. Su comportamiento est representado por las acciones del agente realiza lo que resulta en un cambio a su propio estado, el estado de otros agentes o con el estado de la ambiente. El tipo de cambio que se produce representa el resultado de la conducta. Algunos comportamientos de ejemplo que ya hemos visto que exhiben los agentes en los modelos de NetLogo son: bsqueda de alimento comportamiento de los agentes de hormigas en el modelo de las hormigas que se traduce en que la comida se devuelve eficientemente al nido como resultado, el comportamiento de los agentes de la construccin del nido de termitas en las termitas y Los modelos de mquinas de estado de ejemplo lo que resulta en las astillas de madera que se colocan en pilas como un resultado; y la pared siguiendo el comportamiento de los agentes de tortuga en la pared siguiendo el ejemplo del modelo que resultados en los agentes de tortuga todas las paredes de los siguientes en una direccin particular como un resultado. La Biblioteca Modelos en NetLogo viene con muchos ms ejemplos donde los agentes exhiben muy diferente conductas. En la mayora de estos modelos, los mecanismos subyacentes son debido a la aplicacin mecnica de algunas reglas locales que definen el comportamiento. Por ejemplo, el modelo Fireflies simula la capacidad de los una poblacin de lucirnagas usando solamente las interacciones locales para sincronizar sus parpadeando como un resultado. La Heatbugs modelo muestra cmo varios tipos de comportamiento emergente puede surgir como resultado de agentes de aplicacin de reglas simples para mantener una temperatura ptima alrededor de s mismos. La Flocado modelo imita el comportamiento del flocado de las aves, que tambin es similar a la escolarizacin comportamiento de los peces y el comportamiento de manada de vacas y ovejas. Este resultado se consigue sin una lder, con cada agente que se ejecuta el mismo conjunto de reglas. La compacidad del cdigo de NetLogo en estos modelos que refuerza complejidad de la conducta no se correlaciona necesariamente con la

complejidad de los mecanismos subyacentes. El comportamiento puede ser especificado por varias alternativas, tales como por procedimientos de NetLogo y comandos, y por autmatas de estados finitos como se indica en la Seccin 6.3. Este ltimo es un modelo abstracto de comportamiento con una memoria interna limitada. En este formato, el comportamiento puede ser considerado como el resultado de un agente moviendo de un estado a otro estado - o puntos en un espacio n-dimensional - como puede ser representado como una grafo dirigido con los estados, transiciones y acciones. Con el fin de hacer la conexin entre un procedimiento implementado en un lenguaje de programacin como NetLogo y autmatas finitos del estado (y por lo tanto, enfatizar la analoga entre el comportamiento y el movimiento de un agente situado en un entorno), la comportamiento pared siguiente de NetLogo Cdigo 5,7, repite a continuacin, se ha convertido a un equivalente mquina de estado finito en la Figura 6.4. Descarga de libros electrnicos gratuitos en bookboon.com Por favor, haga clic en el anuncio Inteligencia Artificial - Comportamiento del Agente I 22 Comportamiento al comportamiento de la pared de seguimiento , Comportamiento clsico "mano-on-the-wall ' si no la pared? (90 * direccin) 1 y la pared? (135 * direccin) (sqrt 2) [Rt 90 * direccin] ;; Muro recto: girar a la izquierda si es necesario (a veces ms de una vez) mientras que [la pared? 0 1] [lt 90 * direccin] ;; Avanzar fd 1 final Cdigo NetLogo 6.2 El comportamiento pared siguiente extrada de NetLogo Cdigo 5.7. Descarga de libros electrnicos gratuitos en bookboon.com Inteligencia Artificial - Comportamiento del Agente I 23 Comportamiento El cdigo se ha convertido en una mquina de estados finitos mediante la organizacin de los estados en el sentido "- piensa modo de actuar "de la operacin tal como se indica en la Seccin 5.5. Obsrvese que no se limitan a hacer la conversin de esta manera particular - que son libres de organizar los estados y transiciones en el

sentido que sea deseamos. En este ejemplo, los estados y las transiciones, como se muestra en la figura se han organizado a reflejar el tipo de accin (deteccin, pensar o actuar) el agente va a realizar durante el prximo transicin fuera del estado. Asimismo, independientemente de la va elegida, el orden en que los estados son atravesadas es siempre un estado de deteccin seguido de un estado de pensamiento entonces un estado de la actuacin. Esto es seguido por otro estado de deteccin y as sucesivamente. Por ejemplo, el comportamiento del agente se inicia por un estado de deteccin (con la etiqueta Estado de Deteccin 1) en la mitad izquierda de la figura. Slo hay una transicin fuera de este estado, y el sentido particular que se usa es la visin de que la accin que se realiza es la bsqueda de un muro en la preferida lado (es decir, el lado derecho si tras las paredes de la mano derecha, y el lado izquierdo si tras las paredes de la mano izquierda). Luego, el agente entra en un estado de pensamiento (Thinking Estado 1) que tenga en cuenta la informacin que tiene recibido de lo que acaba de detectar. La accin pensando que el agente realiza es observar si existe una pared cercana o no. Si no existiera, entonces el agente se mueve a un estado de accin (Actuando Estado 1) que consiste en realizar la accin de giro de 90 en la direccin del lado preferido. Si haba un pared, entonces ninguna accin se lleva a cabo (en funciones del Estado 2). Tenga en cuenta que no hacer nada es considerado una accin, ya que es un movimiento de longitud cero. El agente luego se trasladar a un nuevo estado de deteccin (Deteccin Estado 2) que consiste en la accin de deteccin de buscar una pared por delante. Lo har a travs de bucle repetidamente el Estado actuando (Actuando Estado 3) de giro de 90 en la direccin opuesta al lado preferida y vuelve al estado de deteccin 2 hasta que no hay una pared de delante. A continuacin, se trasladar al estado actuando (en funciones del Estado 4) del movimiento 1 paso adelante y de nuevo al principio. Figura 6,4 El comportamiento pared siguiente de NetLogo Cdigo 6,2 convierte en una mquina de estado finito. Descarga de libros electrnicos gratuitos en bookboon.com Por favor, haga clic en el anuncio Inteligencia Artificial - Comportamiento del Agente I 24 Comportamiento Como se seal en la seccin 5.5, el 'Sense - Think - Ley "mtodo de operacin tiene limitaciones a

la hora aplicado a modelar la vida real el comportamiento inteligente o cognitiva, y abrazar un enfoque alternativo encarnada, cognicin situada sugiri. Sin embargo, sigue siendo una pregunta relativa a cmo implementar este enfoque ya que, efectivamente implica sentir, pensar y actuar todos los que ocurren en el mismo tiempo es decir, al mismo tiempo, en lugar de secuencialmente. Dos modelos de NetLogo se han desarrollado para ilustran una forma de esto puede ser simulado. El primer modelo (llamado de la pared siguiendo el ejemplo 2) es un modificacin del modelo Wall Ejemplo A continuacin se describe en el captulo anterior. La modificado interfaz proporciona un selector que permite al usuario seleccionar el comportamiento de pared estndar o un siguiente variante modificada. El cdigo modificado se muestra en Cdigo NetLogo 6,3.

Con el fin de simular el carcter simultneo de la conducta modificada, la siguiente pared original comportamiento se ha dividido en tres sub-comportamientos - estos son especificados por el piemodificada-1, caminar modificado-2 y caminar-Modified-3 procedimientos en el cdigo anterior. El procedimiento de primera Comprueba si el agente est todava tras una pared, y se vuelve hacia el lado preferido si es necesario. A continuacin, establece una variable de agente, sometido a control de siguiente-wall? true para indicar que ha hecho esto. El segundo procedimiento comprueba si existe una pared de delante, gira en la direccin opuesta al lado preferido si hay, y luego establece la variable de agente nuevo camino-es-claro? para indicar si hay una pared adelante o no. El tercer procedimiento se adelanta un paso, pero slo si el camino est libre a proa y el comprobar lo siguiente muro se ha hecho. Esencialmente el comportamiento general es el mismo que antes, puesto que todo lo que hemos hecho es la de dividir el original comportamiento en tres sub-comportamientos - en otras palabras, haciendo esto por s solo no logra nada nuevo. La razn para hacer esto es que nos permite ejecutar los comportamientos sub-de manera no secuencial, independientemente el uno del otro, con el fin de simular 'de deteccin y pensar y actuar "comportamiento donde' & ' indica cada una se hace al mismo tiempo, sin ningn orden en particular. Esto se puede hacer en

NetLogo usando el askconcurrent comando como se muestra en el procedimiento go en el cdigo. Esto asegura que cada agente tiene Resulta ejecutar comandos del procedimiento walk-modificado. La principal diferencia en comparacin con la comportamiento estndar es evidente en este procedimiento. La interfaz con el modelo proporciona otro selector que permite al usuario establecer una choose-sub-comportamientos variable que controla cmo los comportamientos son subejecutado. Si esta variable se establece en 'Elegir-todo en orden aleatorio ", entonces todos los tres sub-comportamientos se ejecutar como con el comportamiento normal, pero esta vez en un orden aleatorio, de lo contrario, es la variable establece en 'elige uno-a-aleatorio ", y slo una sola sub-comportamiento elegido es. Es evidente que la forma en que se ejecuta el comportamiento modificado es ahora discerniblemente diferente a la norma comportamiento - aunque el primero ejecuta el mismo sub-comportamientos de este ltimo, esto se realiza, bien en sin ningn orden en particular, o slo uno de cada tres sub-comportamientos se elige cada tick. Y sin embargo, cuando se ejecuta el modelo, los resultados globales mismas se logran independientemente de que la variante de modelo elegido cada agente ha conseguido con xito seguir las paredes que se encuentran en el medio ambiente. Hay menor variaciones entre cada variante, como repetidamente que van y vienen por cortos cul-de-sacs para la variantes modificadas. La capacidad de las variantes modificadas, sin embargo, para lograr un resultado similar al de la original es interesante ya que el mtodo modificado es a la vez eficaz y robusta - con independencia del momento, y en qu orden los comportamientos sub-son ejecutados, el resultado global sigue siendo el mismo. Descarga de libros electrnicos gratuitos en bookboon.com Inteligencia Artificial - Comportamiento del Agente I 27 Comportamiento Un segundo modelo NetLogo, los siguientes Muro Eventos modelo, ha sido creado para conceptualizar y visualizar el comportamiento modificado. Este modelo considera que un agente al mismo tiempo reconoce y procesos mltiples corrientes de "acontecimientos" que reflejan lo que est sucediendo a s mismo y en el medio ambiente (De una manera similar a la adoptada en corriente del procesamiento de eventos (ESP) (Luckham,

1988). Estos eventos ocurrir en cualquier orden y tienen diferentes tipos, pero son tratados como equivalentes entre s en trminos de la forma en que se procesan. El comportamiento se define uniendo una serie de eventos en un bosque de rboles (Uno o ms grficos acclicos dirigidos) como se muestra en la figura 6,5. Los rboles vincular serie de eventos (Representados como nodos en el grfico) que debe ocurrir en conjuncin con la otra. Si un evento en particular no se registra en el rbol, entonces ese evento no es reconocido por el agente (es decir, se ignora y no tiene efecto sobre el comportamiento del agente). El procesamiento de los eventos se realiza de forma reactiva - es decir, una camino particular en el rbol se recorre sucesivamente coincidan con los acontecimientos que estn sucediendo en la actualidad al agente contra las transiciones salientes de cada nodo. Si no hay transiciones salientes u partido ninguno, entonces el camino es un callejn sin salida, momento en el que el recorrido se detendr. Esto se hace simultneamente para cada evento, en otras palabras, hay mltiples puntos de partida y por lo tanto activaciones simultneas en toda la red forestal. Figura 6.5 Captura de pantalla de la siguiente Muro Eventos modelo definir el comportamiento pared modificado siguiente. Descarga de libros electrnicos gratuitos en bookboon.com Por favor, haga clic en el anuncio Inteligencia Artificial - Comportamiento del Agente I 28 Comportamiento En la figura, los rboles de sucesos se han definido con el fin de representar la siguiente pared modificada comportamiento definido anteriormente. Cada nodo en el grfico representa un evento que est marcado por una corriente identificador, separadas por un "=", seguido de un identificador de evento. Por ejemplo, el nodo etiquetado [Motor-event = mover hacia adelante-1] identifica el evento motor de avanzar un paso. Para este modelo de comportamiento, hay cuatro tipos de eventos - eventos de sensor, donde el agente se inicia activamente de deteccin en un flujo de entrada sensorial especfica (como la vista como en la figura); eventos de motor, donde el agente est realizando algn movimiento o accin; detectada-objeto de eventos, que se producen cuando una determinada objeto es reconocido por el agente, y eventos abstractas, que son situaciones abstractas que son

el resultado de uno o ms sensoriales, motoras y eventos abstractos, y que tambin pueden ser creados o eliminados por el agente desde su memoria interna (que registra los eventos abstractos se encuentran activos). Si una determinada evento extracto se encuentra en la memoria, entonces se puede utilizar para la coincidencia posterior por el agente a lo largo de un rbol camino. Por ejemplo, el nodo etiquetado [evento de deteccin de uso de la vista =] hacia la parte central derecha de la cifra representa un evento donde el agente est utilizando el sentido de la vista. Muchos eventos pueden ocurrir en este canal de entrada sensorial, pero slo dos acontecimientos especialmente relevantes para la definicin de los siguientes pared comportamiento - estos son los dos eventos de motor, siendo uno de ellos la accin de mirar hacia adelante, y el otro es el accin de mirar a la derecha. Luego, dependiendo de la ruta que se sigui, sinti diferente-objeto eventos se encuentran en el rbol, ya sea que un objeto es detectado pared, o nada detectada se. Estas rutas continuar hasta que un evento de motor final se lleva a cabo (como girar 90 hacia el lado no preferido a la parte superior derecha de la figura) o un evento abstracto es creada (por ejemplo, si la pared est siendo seguido Se ha comprobado en la parte inferior de la figura). Destino MMU MMU se enorgullece de ser una de las universidades ms populares en el Reino Unido. Unos 34.000 estudiantes de todas partes del globo seleccionar su planes de estudio de ms de 1.000 cursos y calificaciones. Estamos ubicados en la ciudad dinmica pero convenientemente compacto de Manchester, situado en el centro de una red de transporte sofisticado que incluye un gran aeropuerto internacional en las afueras. Las partes del campus son aclamados por su estilo arquitectnico y se remontan a ms de 150 aos, en contraste directo con nuestro estilo de enseanza que es completamente moderno, innovador y con visin de futuro. MMU ofrece cursos de pregrado y posgrado en las siguientes reas temticas: Arte, Diseo y Performance Computacin, Ingeniera y Tecnologa Negocios y Gestin Ciencias, Estudios Ambientales y Geografa Derecho, Educacin y Psicologa Alimentacin, Hostelera, turismo y ocio Estudios

 Humanidades y Ciencias Sociales Para ms detalles o un formulario de solicitud por favor pngase en contacto con MMU Internacional. email: international@mmu.ac.uk Telfono: +44 (0) 161 247 1022 www.mmu.ac.uk / internacional Descarga de libros electrnicos gratuitos en bookboon.com Inteligencia Artificial - Comportamiento del Agente I 29 Comportamiento Tenga en cuenta que a diferencia del sentido - Think - Ley modelo se muestra en la Figura 6.3, este modelo de comportamiento no es restringida a un orden particular de eventos. Cualquier tipo de evento puede "seguir" a otro, y dos de la misma tipo son tambin posible - por ejemplo, en la ruta que comienza en el lado izquierdo de la figura hay dos extracto eventos despus uno del otro. Tambin tenga en cuenta que el uso de "seguir" la palabra es engaoso en este contexto. Aunque lo describe adecuadamente que un enlace se produce despus de otro en un camino particular, en el modelo de rbol, la evento de hecho, puede ocurrir simultneamente, y el orden especificado por el camino de rbol es arbitraria y slo describe el orden en que el agente se reconoce la presencia de eventos se multiplican produciendo. Para ejemplo, no hay ninguna razn por la cual el orden opuesto no puede estar presente tambin en el rbol, o una alternativa Para que conducir a la misma conducta (por ejemplo, intercambio de los dos eventos extracto en la parte inferior de la camino de la mano izquierda en la figura no tendr ningn efecto sobre el comportamiento resultante del agente).

El primer cdigo define dos razas, estados y caminos, que representan las transiciones entre estados. Cada agente de estado tiene tres variables asociadas con ella - profundidad, que es la distancia desde el estado de raz para el rbol; corriente, que identifica el nombre del tipo especfico de evento es, y evento, que es el nombre del evento. El tipo de evento que se llama un "arroyo" como estamos usando una analoga de la apariencia de los eventos como similar al flujo de objetos abajo de una secuencia. Muchos eventos pueden 'flujo' pasado, algunos

aparecer simultneamente, pero tambin hay un orden especfico para la llegada de los eventos en los que, si elegimos hacer caso omiso de un evento en particular, se pierde - tenemos que tratar con l de alguna manera. El procedimiento de instalacin inicializa los rboles de sucesos mediante una llamada al procedimiento add-eventos para cada ruta. Este procedimiento tiene un nico parmetro como entrada, que es una lista de eventos, especificado como pares de corriente nombres y eventos. Por ejemplo, para el primer add-eventos llamada, la lista contiene cinco pruebas: la primero es un caso de uso de la vista en la corriente de deteccin del evento, y la segunda es una mirada a derecha evento en la corriente de motor-evento, y as sucesivamente. Un camino dirigido que contiene todos los eventos en el evento lista se agrega a los rboles de sucesos. Si el primer evento en la lista no aparece en la base de cualquier rbol existente, entonces la raz de un rbol se crea una nueva, y de una trayectoria no de ramificacin de la raz se aade a incluir la eventos restantes de la lista. De lo contrario, los primeros eventos en la lista se compara con trazado existente, con los nuevos estados aadido al final, cuando los hechos ya no coinciden. El procedimiento de complementos de eventos tambin se utiliza en el modelo Modelling Language discute en la Seccin 7,5, y en la visualizacin de los diferentes mtodos de representacin del conocimiento analizados en el Captulo 9. 6,7 Boids En 1986, Craig Reynolds dise un modelo distribuido para simular el comportamiento animal que implique coordinado movimiento, como acuden las aves, los peces y la escolarizacin de pastoreo para los mamferos. Reynolds observ el comportamiento acudiendo en masa de los mirlos, y se pregunt si sera posible conseguir criaturas virtuales a multitud de la misma manera en una simulacin por ordenador en tiempo real. Su hiptesis era que haba reglas simples responsables de este comportamiento. El modelo que ide se utilicen agentes virtuales llamados boids que tienen una forma limitada de realizacin similar a la utilizada por los agentes en el modelo de cono de visin descrito en la Seccin 5,3. El comportamiento de la boids se divide en tres capas - accin de seleccin, la direccin y la locomocin - como se muestra en la figura 6,6. La mayor preocupacin capa seleccin de acciones que controla comportamientos tales como el

establecimiento de estrategias, metas y la planificacin. Estos se componen de los comportamientos de direccin en el siguiente nivel que se relacionan con trayectoria ms bsico las tareas de determinacin, como camino siguiendo, y la bsqueda y huida. Estos a su vez se componen de comportamientos de locomocin relacionadas con el movimiento, la animacin y articulacin de las criaturas virtuales. Para describir su modelo, Reynolds (1999) usa la analoga de los vaqueros que tiende a una manada de ganado fuera en el rango cuando una vaca se aleja de la manada. El jefe de pista juega el papel de la seleccin accin - l le dice a un vaquero para devolver la perdida de la manada. El vaquero juega el papel de la direccin, la descomposicin la meta en una serie de objetivos secundarios que se relacionan con los comportamientos de direccin individuales llevadas a cabo por el vaquero y del caballo del equipo. El vaquero conduce su caballo por las seales de control, tales como comandos vocales y el uso de las espuelas y riendas que resultan en el equipo en movimiento rpido o ms lento o girando a la izquierda o la derecha. La caballo realiza la locomocin que es el resultado de una interaccin compleja entre visual del caballo percepciones, los movimientos de sus msculos y articulaciones y su sentido del equilibrio. Descarga de libros electrnicos gratuitos en bookboon.com Por favor, haga clic en el anuncio Inteligencia Artificial - Comportamiento del Agente I 33 Comportamiento Figura 6,6 La jerarqua de los comportamientos de movimiento utilizados para el modelo Boids (Reynolds, 1987). Tenga en cuenta que las capas seleccionadas por Reynolds son arbitrarias y ms de un problema de diseo que refleja la naturaleza del problema de modelado. Reynolds se seala que las estructuras alternativas son posibles y la elegido para el modelado de simples criaturas que acuden no sera adecuado para un problema diferente tales como el diseo de un agente conversacional o chatbot. ESTUDIO EN SUECIA - INICIO DEL PREMIO NOBEL La estrecha colaboracin con FUTURO Empleadores, tales como ABB y Ericsson BIENVENIDOS A NUESTRO MUNDO DE LA ENSEANZA!

INNOVACIN, jerarquas planas Y de mente abierta PROFESORES SASHA Shahbazi IZQUIERDA DE IRN MASTERS EN PRODUCTOS Y PROCESO DESARROLLO Y LOTES DE Innebandy l te dir todo sobre Y RESPONDER A SUS PREGUNTAS EN MDUSTUDENT.COM www.mdh.se Descarga de libros electrnicos gratuitos en bookboon.com Inteligencia Artificial - Comportamiento del Agente I 34 Comportamiento El comportamiento flocado de las aves es similar al comportamiento de la escolarizacin de pescado y de comportamiento de manada mamferos como antlopes, cebras, bisontes, vacas y ovejas. Al igual que para las criaturas de la vida real, lo que los boids puede ver en cualquiera punto en el tiempo se determina por la direccin en la que se enfrentan y el medida de la visin perifrica como se define por un cono con un ngulo especfico y la distancia. El ngulo del cono determina el tamao de un "Ciega" que tienen lugar - es decir, la parte que est fuera de su rango de visin directamente detrs de su cabeza opuesta a la direccin en que estn enfrentando. Si el ngulo del cono es de 360 , entonces ser capaz de ver todo alrededor de ellos, y si menos que eso, entonces el tamao de la mancha ciega es la diferencia entre el ngulo de cono y 360 . Un boid puede ser fcilmente implementado en NetLogo utilizando el comando en cono como para el cono de visin modelo. La figura 6.7 es una captura de pantalla de un boid implementado en NetLogo (vase la evasin de obstculos 1 modelo, por ejemplo). La imagen muestra la visin de los conos de color azul cielo con un ngulo de 300 (el tamao de la mancha ciega es por lo tanto 60 ). La tortuga se dibuja a travs del "crculodireccional" forma en el centro de la imagen azul y de color, con la lnea de radio blanco apuntando en la misma direccin que el rumbo actual de la tortuga. El ancho del cono depende de la longitud parmetro pasado al comando en cono y el tamao del parche para el medio ambiente.

Ahora vamos a ver cmo algunos de estos comportamientos puede ser implementado en NetLogo. Tenga en cuenta que, como con todos los implementaciones, hay varias maneras de producir cada uno de estos comportamientos. Por ejemplo, tenemos Ya vimos comportamiento pared siguiendo lo demuestra el modelo Wall Ejemplo A continuacin se describe en el captulo anterior, y por la continuacin de la pared Ejemplo 2 modelo descrito en este captulo. Aunque el comportamiento no es exactamente la misma para ambos modelos, el resultado es efectivamente el mismo. Ambos modelos tienen agentes que utilizan el mtodo de cono de visin de realizacin de la Figura 6,7 que es a la corazn del modelo de comportamiento boids. Dos modelos han sido desarrollados para demostrar la evasin de obstculos. Algunas capturas de pantalla de la primera modelo, llamado evitacin de obstculos 1, se muestra en la figura 6,8. Muestran una boid solo moverse un entorno tratando de evitar las filas blancas de obstculos - una analoga sera una polilla tratando de evitar chocar contra las paredes mientras vuela alrededor. El alcance de la visin boids se muestra por el color cielo halo que rodea la boid - que se ha fijado en longitud de 8 en el modelo con un ngulo de 300 . la imagen de la izquierda muestra la boid justo despus el botn de configuracin de la interfaz se ha pulsado la partida hacia las filas de obstculos. Despus de unos pocos ticks, el borde de la piel de pitn del cono de visin en la punta de la mitad noreste fila apuntando obstculo diagonal (representado por el cambio en el color de la obstculo en la punta de blanco a rojo), entonces se da la vuelta a su izquierda, a unos 80 y cabezas hacia el exterior diagonal. Su cono visin continuacin, golpea cerca de la punta de la diagonal y, finalmente, el boid vuelve otra vez y se aleja de los obstculos en direccin norte hacia el este frente como se muestra en la segunda imagen a la derecha.

El procedimiento de instalacin coloca el boid en una ubicacin aleatoria en el medio ambiente, y llama a los drawobstacles procedimiento para dibujar los obstculos blancas en la mitad inferior del medio ambiente. La

pedir comando Wanderers en el procedimiento go define el comportamiento de la boid. El boid har un derecho y giro a la izquierda de una cantidad aleatoria, luego de avanzar una cierta cantidad especificada por la variable boid velocidad definida en la interfaz. Entonces el boid llama al procedimiento evitar-patches para llevar a cabo la prevencin de colisiones. En este procedimiento, en primer lugar el halo que rodea el cielo de color boid se borra mediante el establecimiento patches cielo de colores para negro. A continuacin, el halo visin se vuelve a dibujar todo el boid en funcin de su ubicacin actual - el borrado rpido seguido por el nuevo trazado causas boid a parpadear al igual que una mariposa que bate sus alas rpidamente. La boid continuacin, realiza la evitacin de colisin a retroceder por una distancia igual a boid velocidad, y hace un giro a la izquierda. La ltima parte del procedimiento establece los parches que se han colisionado a rojo. Descarga de libros electrnicos gratuitos en bookboon.com Inteligencia Artificial - Comportamiento del Agente I 39 Comportamiento La evasin de obstculos modelo 2 ilustra evasin de obstculos en el mismo entorno que el aspecto Ahead Modelo de la Biblioteca de modelos (que se examinan en la seccin 8.3). La captura de pantalla de este modelo es muestra en la Figura 6.9. El boid se puede ver hacia el centro a la izquierda del medio ambiente. La ruta de la boid ha tomado se traza en rojo. Esto muestra claramente que la boid ha tenido xito en evitar colisiones con las paredes y obstculos. La longitud del cono de visin de la boid se fij en 1, y el ngulo 300 . El cdigo es similar a la evitacin de obstculos modelo 1. Figura 6.9 Captura de pantalla de la evasin de obstculos modelo 2. El seguimiento y evitar implementos modelo que buscan y huyen de comportamientos. Tres imgenes de la modelo se muestran en la Figura 6,10. La imagen de la izquierda muestra cuando hay un vagabundo agente de color rojo, y 100 agentes seguidor de color verde. Se muestra que la mayora de los agentes apuntando hacia el vagabundo agente. Durante la simulacin, los agentes seguidor todos persiguen activamente el agente vagabundo que deambula alrededor. La imagen central muestra 100 agentes avoider color amarillo que tratar de evitar el

vagabundo agente. En este caso, la mayor parte de los agentes avoider estn apuntando lejos de la agente vagabundo y se activamente alejarse de ella durante la simulacin. La imagen de la derecha muestra la situacin cuando el 50 agentes de seguidores y 50 agentes avoider estn en el medio ambiente, junto con el agente de vagabundo. La la imagen muestra que la mayora de los agentes seguidor en verde que apunta hacia el vagabundo, y la mayora de la agentes avoider en amarillo en direccin opuesta a ella. Al principio, todos los agentes estn espaciados al azar en todo el entorno, pero despus de la simulacin se ha utilizado por un corto nmero de garrapatas, lo que suele surge es que tanto el seguidor y agentes avoider comenzar a agruparse como se muestra en la imagen.

El comportamiento de las tres razas de los agentes se define por los vagabundos, seguidores y evasores procedimientos. El primero define el comportamiento del agente vagabundo para que deambula en un semi-aleatoria la moda. El segundo define el comportamiento para el agente seguidor que consiste en el agente primero moviendo presentar una. cantidad definida por el usuario de acuerdo con las variables de interfaz de velocidad y velocidad boid-escala- Entonces que utiliza el NetLogo en radio-reportero para detectar si el vagabundo es circular en su campo de visin cuyo tamao est definido por la variable de interfaz de radio de deteccin. Si la hay, entonces se mover hacia ella. El comportamiento del agente avoider se define de una forma similar, siendo la nica diferencia que se dirige en la direccin opuesta (180 ) de la errante en lugar de hacia ella. El flocado Con el modelo de obstculos es una modificacin del modelo de flocado proporcionado en la NetLogo Modelos de Biblioteca. El modelo de biblioteca utiliza el mtodo estndar para implementar el comportamiento flocado ideado por Craig Reynolds. En este enfoque, el flocado surge de la aplicacin de tres subyacente a los comportamientos de direccin. Estos son: la separacin, donde el boid trata de evitar acercarse demasiado a boids otros; alineacin, donde el boid trata de moverse en la misma direccin que boids cercanos y;

cohesin, donde el boid intenta moverse hacia boids otros a menos que sean demasiado cerca. Con el modificada modelo, el usuario tiene la opcin adicional de aadir varios objetos en el medio ambiente, tal como un arrecifes de coral, pastos marinos y un tiburn. Esto es con el fin de simular lo que sucede cuando el rebao se encuentra con uno o ms objetos, y para simular mejor el medio ambiente para un banco de peces. Algunas capturas de pantalla de el modelo modificado se muestra en la Figura 6,11. Figura 6.11 Capturas de pantalla de la Flocado Con el modelo de obstculos. Descarga de libros electrnicos gratuitos en bookboon.com Inteligencia Artificial - Comportamiento del Agente I 43 Comportamiento La imagen superior izquierda muestra el modelo en el inicio despus de que el botn de configuracin en la interfaz ha sido presionado. La imagen superior muestra el modelo de centro despus de que haya sido ejecutado por un corto tiempo y una escuela de agentes de tortugas se ha formado. La imagen superior derecha muestra el modelo con parches de colisin aadido en el medio en la forma de un tiburn cargado inmediatamente despus de la anterior imagen fue tomada. Estos parches hacen que los agentes de tortugas a alejarse cuando han colisionado con ellos. La imagen de abajo a la izquierda muestra la imagen de fondo superpuesta sobre la misma imagen. La imagen inferior muestra el centro escolar que se acerca el objeto desde una direccin diferente. La imagen inferior derecha muestra la escena poco despus de que - ahora la escuela ha dividido en dos sub-escuelas despus de la colisin y se dirige lejos del objeto. Los parches de colisin trabajar por el modelo que estipula que cualquier parche que no es de color negro se debe evitar; es decir, todos los colores excepto el negro boids fuerzas para dar la vuelta de 180 con el fin de evitar una colisin. Otro cambio en el modelo es que la velocidad de los boids ahora puede ser controlado desde la interfaz a permitir una mayor prueba de movimientos individuales y esto tambin proporciona un medio para analizar el reacciones de los boids.

El procedimiento de instalacin crea una poblacin aleatoria de agentes de tortuga. El comando pedir en cualquier lugar procedimiento define el comportamiento de los agentes - que simplemente llama al procedimiento rebao. Aqu el primer agente comprueba para ver si hay cualquier otros agentes dentro de su cono de visin, a continuacin, si los hay, lo busca en el vecino ms cercano, y luego aplica el comportamiento de la direccin de separacin como se define en la independiente procedimiento si es demasiado estrecha. De lo contrario, se aplica el comportamiento de la direccin de alineacin tal como se define por la alinear procedimiento seguido por el comportamiento de la direccin de cohesin tal como se define por el procedimiento de coherencia. Estos tres procedimientos hacen uso de cualquiera de los turnos de distancia o gire hacia-los procedimientos que hacen el turno boid lejos de o hacia una particular referencia partida dado el rumbo actual boid. La referencia partida para el comportamiento de la direccin de separacin es la partida de vecino ms cercano de la boid, para la comportamiento de alineacin de direccin es el promedio de los compaeros de partida el rebao pitn, y para la cohesin comportamiento de la direccin es la media en direccin a compaeros de rebao del pitn. En la simulacin, una serie de fenmenos emergentes puede ser presenciado. El rebao rpidamente se forma en el comenzando cuando hay obstculos que se han cargado. Un efecto notable giro tambin se puede observar de los boids dentro del rebao si los parmetros de la interfaz inicial se establece como mnimo de separacin = 1,25 parches, max-align-TURN = 15,00 grados, Max-cohere-TURN = 15,00 grados y-maxseparate vuelta = 4,00 grados. Cuando la escuela se encuentra con un obstculo, que cambia de direccin como un grupo con boids individuales suelen readquirir el rebao muy rpidamente si se separan. Cundo suficiente de los boids ha detenido su curso, el resto de la escuela sigue el juego sin tener que habiendo estado en colisin con el obstculo. De vez en cuando, la escuela se divide en dos escuelas separadas partida en diferentes direcciones como se muestra en la imagen inferior derecha de la figura 6,10. En 2020, la elica podra proporcionar una dcima parte del de nuestro planeta necesidades de electricidad. Ya en la actualidad, saber hacer innovador de SKF es crucial para ejecutar una gran proporcin de la turbinas elicas del mundo. Hasta el 25% de los costes de generacin se refieren a mantenimiento. Estos efectos pueden reducirse drsticamente gracias a nuestro sistemas de monitoreo de condicin en lnea y automtica lubricacin. Nos ayudar a que sea ms econmico para crear

ms limpia, energa ms barata de la nada. Al compartir nuestra experiencia, conocimientos y creatividad, industrias pueden aumentar el rendimiento ms all de las expectativas. Por lo tanto necesitamos los mejores empleados que pueden frente a este desafo! El poder de la Ingeniera del Conocimiento Brain Power Enchufe en El Poder de la Ingeniera del Conocimiento. Vistenos en www.skf.com / conocimiento Descarga de libros electrnicos gratuitos en bookboon.com Inteligencia Artificial - Comportamiento del Agente I 46 Comportamiento El camino Multitud modelo siguiente se implementa el comportamiento de boids en una multitud que estn siguiendo un camino. El comportamiento de los boids en el modelo puede tener dos variaciones - un camino multitud de base siguiendo comportamiento, y otro con prevencin de colisiones (esto se ajusta utilizando el control deslizante de comportamiento en la interfaz). Figura 6.12 proporciona dos capturas de pantalla del modelo de los dos comportamientos diferentes. La imagen de la izquierda muestra la "multitud" de boids partida por el camino ms o menos en la misma direccin de izquierda a derecha. Esta se produjo despus de que la simulacin ha estado funcionando durante un corto tiempo. Tenga en cuenta que algunos de los agentes son muy cerca uno del otro - esto es porque no hay evitacin de colisiones, a diferencia con el comportamiento segundo muestra a la derecha. Aunque el cdigo del ncleo de estos comportamientos es similar (para el cdigo, siga URL enlace al final de este captulo) se basa en utilizar el comando en cono como con el otro boid implementaciones agente anteriores, el comportamiento resultante con evasin de obstculos es notablemente diferente. Por ejemplo, ms sub-grupos de agentes ahora tratar de ir en contra del flujo, como se muestra en la imagen derecha. Figura 6.12 Imgenes de la Ruta de la muchedumbre siguiendo el modelo de poblacin = 30: La muchedumbre bsico como consecuencia de comportamientos (imagen izquierda), con prevencin de colisiones (imagen derecha). Una implementacin fiel de boids Reynolds debe incluir algn tipo de fuerza de gobierno implementado usando la aproximacin de masa en la que cada punto tiene una masa boid y trabaja en relacin con las fuerzas. Sin embargo,

estas implementaciones NetLogo han demostrado cmo una aproximacin al enfoque de Reynolds puede ser alcanzado relativamente fcil, y en muchos casos, el comportamiento resultante de las boids es como se desea. 6.8 Resumen Comportamiento basado en Inteligencia Artificial (BBAI) adopta el enfoque conductual para edificios inteligentes sistemas. Este enfoque se descompone en distintas inteligencia independientes semiautnomas mdulos que describen comportamientos distintos. El comportamiento de un agente es una serie de acciones que lleva a cabo cuando interaccin con un entorno. El orden especfico o una manera en la que los movimientos se realizan y el resultado general que se produce como resultado de las acciones define el tipo particular de comportamiento. Descarga de libros electrnicos gratuitos en bookboon.com Inteligencia Artificial - Comportamiento del Agente I 47 Comportamiento Perspectivas diferentes conducen a diferentes explicaciones, y las cosas diferentes formas comprendidos. La marco del problema de referencia se refiere a la dificultad de entender el comportamiento de las distintas especies. No slo los puntos de vista un aspecto diferente para cada agente, sonido, tacto, olfato y gusto diferente as, debido a la forma de realizacin diferente de la agente que realiza la observacin con respecto al agente siendo observado. (Por ejemplo, trate de imaginar que una hormiga.) Es importante no atribuir el mal explicaciones de las observaciones a los mecanismos detrs de la conducta de un agente encarnado encuentra dentro de un entorno, y especialmente importante para evitar atribuir complicados mecanismos (por ejemplo, algn tipo de "inteligencia") para observar el comportamiento del agente cuando ste tiene una estructura diferente de referencia, es decir, una forma de realizacin diferente