To cope with dynamics and uncertainties, a novel penalty function-based hybrid, multi-agent shop floor control system is proposed in this dissertation. The key characteristic of the proposed system is the capability of adaptively distributing decision-making power across different levels of control agents in response to different levels of disturbance. The subordinate agent executes tasks based on the schedule from the supervisory level agent in the absence of disturbance. Otherwise, it optimizes the original schedule before execution by revising it with regard to supervisory level performance (via penalty function) and disturbance. Penalty function, mathematical programming formulations, and quantitative metrics are presented to indicate the disturbance levels and levels of autonomy. These formulations are applied to diverse performance measurements such as completion time related metrics, makespan, and number of late jobs. The proposed control system is illustrated, tested with various job shop problems, and benchmarked against other shop floor control systems. In today's manufacturing system, man still plays an important role together with the control system Therefore, better coordination of humans and control systems is an inevitable topic. A novel BDI agent-based software model is proposed in this work to replace the partial decision-making function of a human. This proposed model is capable of 1) generating plans in real-time to adapt the system to a changing environment, 2) supporting not only reactive, but also proactive decision-making, 3) maintaining situational awareness in human language-like logic to facilitate real human decision-making, and 4) changing the commitment strategy adaptive to historical performance. The general purposes human operator model is then customized and integrated with an automated shop floor control system to serve as the error detection and recovery system. This model has been implemented in JACK software; however, JACK does not support real-time generation of a plan. Therefore, the planner sub-module has been developed in Java and then integrated with the JACK. To facilitate integration of an agent, real-human, and the environment, a distributed computing platform based on DOD High Level Architecture has been used. The effectiveness of the proposed model is then tested in several scenarios in a simulated automated manufacturing environment.

This lever deals with the realization of the iterpreter of an Driven Agent by the PROLOG implementation. The model was used by Jason implemented in Java that interprets the language of AgentSpeak(L). An interpreter and a program for processing agent systems in the language AgentSpeak (L) were created. This interpreter can work with multiple agents, can implement a system with an environment and use the FRAg system for interpretation. Examples of agent systems in AgentSpeak (L) were proposed to describe the functionality of the interpreter, and subsequently the advantages and disadvantages of the FRAg system were described.

O raciocínio realizado em agentes BDI envolve essencialmente manipular três estruturas de dados representando suas crenças, desejos e intenções. Crenças de agentes BDI tradicionais não representam incerteza, e podem ser expressas como um conjunto fechado de literais ground. As restrições que indicam se um dado desejo é viável e pode ser adotado como uma intenção em agentes BDI tradicionais podem ser representadas como expressões lógicas sobre crenças. Dado que Redes Bayesianas permitem que representem-se informações com incerteza probabilisticamente, agentes BDI bayesianos as empregam para suportar incerteza em suas crenças. Em agentes BDI bayesianos, crenças representadas em Redes Bayesianas referem-se a estados de variáveis de eventos, possuindo probabilidades dinâmicas individuais que referem-se à incerteza. Os processos the constituem o raciocínio neste modelo de agente requerem mudanças a fim de acomodar esta diferença. Dentre estes processos, este trabalho concentra-se especificamente na seleção de desejos. Uma estratégia prévia para seleção de desejos é baseada em aplicar um limiar a probabilidades de crenças. Entretanto, tal abordagem impede que um agente selecione desejos condicionados em crenças cujas probabilidades estejam abaixo de um certo limiar, mesmo que tais desejos pudessem ser atingidos caso fossem selecionados. Para lidar com esta limitação, desenvolvemos três abordagens alternativas para seleção de desejos sob incerteza: Ranking Probabilístico, Loteria Viciada e Seleção Multidesejos Aleatória com Viés. Probability Ranking seleciona um desejo usando uma lista de desejos ordenados em ordem decrescente de probabilidade de pré-condição. Loteria Viciada seleciona um desejo usando um valor numérico aleatório e intervalos numéricos – associados a desejos – proporcionais às probabilidades de suas pré-condições. Seleção Multidesejos Aleatória com Viés seleciona múltiplos desejos usando valores numéricos aleatórios e considerando as probabilidades de suas pré-condições. Apresentamos exemplos, incluindo o agente Vigia, assim como experimentos envolvendo este, para mostrar como essas abordagens permitem que um agente às vezes selecione desejos cujas crenças pré-condições possuem probabilidades muito baixas. / The reasoning performed in BDI agents essentially involves manipulating three data structures representing their beliefs, desires and intentions. Traditional BDI agents’ beliefs do not represent uncertainty, and may be expressed as a closed set of ground literals. The constraints that indicate whether a given desire is viable and passive to be adopted as an intention in traditional BDI agents may be represented as logical expressions over beliefs. Given that Bayesian Networks allow one to represent uncertain information probabilistically, Bayesian BDI agents employ Bayesian Networks to support uncertainty in their beliefs. In Bayesian BDI agents, beliefs represented in Bayesian Networks refer to states of event variables, holding individual dynamic probabilities that account for the uncertainty. The processes that constitute reasoning in this agent model require changes in order to accomodate this difference. Among these processes, this work is specifically concerned with desire selection. A previous strategy for desire selection is based on applying a threshold on belief probabilities. However, such an approach precludes an agent from selecting desires conditioned on beliefs with probabilities below a certain threshold, even if those desires could be achieved if they were selected. To address this limitation, we develop three alternative approaches to desire selection under uncertainty: Probability Ranking, Biased Lottery and Multi-Desire Biased Random Selection. Probability Ranking selects a desire using a list of desires sorted in decreasing order of precondition probability. Biased Lottery selects a desire using one random numeric value and desire-associated numeric intervals proportional to the probabilities of the desires’ preconditions. Multi-Desire Biased Random Selection selects multiple desires using random numeric values and considering the probabilities of their preconditions. We present examples, including theWatchman agent, as well as experiments involving the latter, to show how these approaches allow an agent to sometimes select desires whose belief preconditions have very low probabilities.

O raciocínio realizado em agentes BDI envolve essencialmente manipular três estruturas de dados representando suas crenças, desejos e intenções. Crenças de agentes BDI tradicionais não representam incerteza, e podem ser expressas como um conjunto fechado de literais ground. As restrições que indicam se um dado desejo é viável e pode ser adotado como uma intenção em agentes BDI tradicionais podem ser representadas como expressões lógicas sobre crenças. Dado que Redes Bayesianas permitem que representem-se informações com incerteza probabilisticamente, agentes BDI bayesianos as empregam para suportar incerteza em suas crenças. Em agentes BDI bayesianos, crenças representadas em Redes Bayesianas referem-se a estados de variáveis de eventos, possuindo probabilidades dinâmicas individuais que referem-se à incerteza. Os processos the constituem o raciocínio neste modelo de agente requerem mudanças a fim de acomodar esta diferença. Dentre estes processos, este trabalho concentra-se especificamente na seleção de desejos. Uma estratégia prévia para seleção de desejos é baseada em aplicar um limiar a probabilidades de crenças. Entretanto, tal abordagem impede que um agente selecione desejos condicionados em crenças cujas probabilidades estejam abaixo de um certo limiar, mesmo que tais desejos pudessem ser atingidos caso fossem selecionados. Para lidar com esta limitação, desenvolvemos três abordagens alternativas para seleção de desejos sob incerteza: Ranking Probabilístico, Loteria Viciada e Seleção Multidesejos Aleatória com Viés. Probability Ranking seleciona um desejo usando uma lista de desejos ordenados em ordem decrescente de probabilidade de pré-condição. Loteria Viciada seleciona um desejo usando um valor numérico aleatório e intervalos numéricos – associados a desejos – proporcionais às probabilidades de suas pré-condições. Seleção Multidesejos Aleatória com Viés seleciona múltiplos desejos usando valores numéricos aleatórios e considerando as probabilidades de suas pré-condições. Apresentamos exemplos, incluindo o agente Vigia, assim como experimentos envolvendo este, para mostrar como essas abordagens permitem que um agente às vezes selecione desejos cujas crenças pré-condições possuem probabilidades muito baixas. / The reasoning performed in BDI agents essentially involves manipulating three data structures representing their beliefs, desires and intentions. Traditional BDI agents’ beliefs do not represent uncertainty, and may be expressed as a closed set of ground literals. The constraints that indicate whether a given desire is viable and passive to be adopted as an intention in traditional BDI agents may be represented as logical expressions over beliefs. Given that Bayesian Networks allow one to represent uncertain information probabilistically, Bayesian BDI agents employ Bayesian Networks to support uncertainty in their beliefs. In Bayesian BDI agents, beliefs represented in Bayesian Networks refer to states of event variables, holding individual dynamic probabilities that account for the uncertainty. The processes that constitute reasoning in this agent model require changes in order to accomodate this difference. Among these processes, this work is specifically concerned with desire selection. A previous strategy for desire selection is based on applying a threshold on belief probabilities. However, such an approach precludes an agent from selecting desires conditioned on beliefs with probabilities below a certain threshold, even if those desires could be achieved if they were selected. To address this limitation, we develop three alternative approaches to desire selection under uncertainty: Probability Ranking, Biased Lottery and Multi-Desire Biased Random Selection. Probability Ranking selects a desire using a list of desires sorted in decreasing order of precondition probability. Biased Lottery selects a desire using one random numeric value and desire-associated numeric intervals proportional to the probabilities of the desires’ preconditions. Multi-Desire Biased Random Selection selects multiple desires using random numeric values and considering the probabilities of their preconditions. We present examples, including theWatchman agent, as well as experiments involving the latter, to show how these approaches allow an agent to sometimes select desires whose belief preconditions have very low probabilities.

O raciocínio realizado em agentes BDI envolve essencialmente manipular três estruturas de dados representando suas crenças, desejos e intenções. Crenças de agentes BDI tradicionais não representam incerteza, e podem ser expressas como um conjunto fechado de literais ground. As restrições que indicam se um dado desejo é viável e pode ser adotado como uma intenção em agentes BDI tradicionais podem ser representadas como expressões lógicas sobre crenças. Dado que Redes Bayesianas permitem que representem-se informações com incerteza probabilisticamente, agentes BDI bayesianos as empregam para suportar incerteza em suas crenças. Em agentes BDI bayesianos, crenças representadas em Redes Bayesianas referem-se a estados de variáveis de eventos, possuindo probabilidades dinâmicas individuais que referem-se à incerteza. Os processos the constituem o raciocínio neste modelo de agente requerem mudanças a fim de acomodar esta diferença. Dentre estes processos, este trabalho concentra-se especificamente na seleção de desejos. Uma estratégia prévia para seleção de desejos é baseada em aplicar um limiar a probabilidades de crenças. Entretanto, tal abordagem impede que um agente selecione desejos condicionados em crenças cujas probabilidades estejam abaixo de um certo limiar, mesmo que tais desejos pudessem ser atingidos caso fossem selecionados. Para lidar com esta limitação, desenvolvemos três abordagens alternativas para seleção de desejos sob incerteza: Ranking Probabilístico, Loteria Viciada e Seleção Multidesejos Aleatória com Viés. Probability Ranking seleciona um desejo usando uma lista de desejos ordenados em ordem decrescente de probabilidade de pré-condição. Loteria Viciada seleciona um desejo usando um valor numérico aleatório e intervalos numéricos – associados a desejos – proporcionais às probabilidades de suas pré-condições. Seleção Multidesejos Aleatória com Viés seleciona múltiplos desejos usando valores numéricos aleatórios e considerando as probabilidades de suas pré-condições. Apresentamos exemplos, incluindo o agente Vigia, assim como experimentos envolvendo este, para mostrar como essas abordagens permitem que um agente às vezes selecione desejos cujas crenças pré-condições possuem probabilidades muito baixas. / The reasoning performed in BDI agents essentially involves manipulating three data structures representing their beliefs, desires and intentions. Traditional BDI agents’ beliefs do not represent uncertainty, and may be expressed as a closed set of ground literals. The constraints that indicate whether a given desire is viable and passive to be adopted as an intention in traditional BDI agents may be represented as logical expressions over beliefs. Given that Bayesian Networks allow one to represent uncertain information probabilistically, Bayesian BDI agents employ Bayesian Networks to support uncertainty in their beliefs. In Bayesian BDI agents, beliefs represented in Bayesian Networks refer to states of event variables, holding individual dynamic probabilities that account for the uncertainty. The processes that constitute reasoning in this agent model require changes in order to accomodate this difference. Among these processes, this work is specifically concerned with desire selection. A previous strategy for desire selection is based on applying a threshold on belief probabilities. However, such an approach precludes an agent from selecting desires conditioned on beliefs with probabilities below a certain threshold, even if those desires could be achieved if they were selected. To address this limitation, we develop three alternative approaches to desire selection under uncertainty: Probability Ranking, Biased Lottery and Multi-Desire Biased Random Selection. Probability Ranking selects a desire using a list of desires sorted in decreasing order of precondition probability. Biased Lottery selects a desire using one random numeric value and desire-associated numeric intervals proportional to the probabilities of the desires’ preconditions. Multi-Desire Biased Random Selection selects multiple desires using random numeric values and considering the probabilities of their preconditions. We present examples, including theWatchman agent, as well as experiments involving the latter, to show how these approaches allow an agent to sometimes select desires whose belief preconditions have very low probabilities.

This term project desribes simulator of multiagent system implementation. It explains basic concepts of agent and multiagent systems. Simulator is implemented as a separated object, which allows to join various models of environment and agents acting in this environment. Evaluation of several types of agent cooperation behavior is in last section of this project.

Thesis aims at fighter combat and maneuvring - so called Dogfighting. The purpose of this work is to create intelligent autopilot based on Agent system, eligible of executing in-air maneuvers and tactics in real-time simulation. In the first part, theoretical basis of air combat will be introduced, such as weapon systems, maneuvring and tactics in mutual combat 1 on 1, odds fight 2 on 1, and last but not least mass fights. Also agent programming will be introduced, as well as recognizing of agent rules and processes and its transformation to agent language. The second part describes building of a simple graphical simulation environment based on JMonkey game engine. Agent system maintaining every single aircraft within the simulation will be created and own network socket protocol for communication between intelligent behavior and simulation environment will be discussed and documented.