Actividad 3

Neste tutorial será usado um mundo virtual com um agente. O agente é um herói e o ambiente é uma selva. O ambiente é discreto e cada célula pode ter objetos ou não. Os objetos dentro do ambiente são:

Os macacos podem prejudicar ao agente se estão na mesma posição. As pedras ocupam todo um quadrado, assim nenhum outro objeto pode estar na posição de uma pedra. O agente só pode ver os objetos no quadrado atual e no quadrado na frente dele.

As possíveis ações do agente são:

A saúde do agente vai diminuir a cada iteração ou se um macaco está atacando-lo. Comer hambúrguer aumenta o nível de saúde 

Agent Exercise 1

Execução inicial do ambiente:

 A seguinte imagem apresenta o PAM Graph

 A seguinte imagem apresenta a lista de tarefas (task) que estão sendo programadas para ser executadas

 A seguinte imagem apresenta a lista de tarefas (task) que estão sendo executadas atualmente e sua informação.

ALife Agent Exercise 2

A execução inicial do programa é apresentada na seguinte imagem. Aqui o agente ainda não sabe quando tem pouca energia devido a que não tem um detetor de feature para quando a energia é menor do que 0.66

 A primeira tarefa é adicionar o feature detector para quando o agente tenha baixa energia. Isso pode se completar adicionando uma classe chamada BadHealthDetector

 O segundo passo é, no arquivo factoryData.xml, procurar a secção task e adicionar uma nova tarefa chamada BadHealthDetector associada à classe feita no passo anterior. Assim é criado um tipo de tarefa (task) chamada BadHealthDetector

 O seguinte passo é a criação de uma tarefa no módulo PerceptualAssociativeMemory do agente chamada BadHealthDetector:

 Finalmente é necessária a inclusão de um detetor para quando apareça um macaco na frente:

ALife Agent Exercise 3

Na primeira parte vai-se criar uma tarefa chamada predatorAttentionCodelet dentro do arquivo de configuração do agente:

 A seguir é modificado o parâmetro refractoryPeriod da tarefa GoodHealthAttentionCodelet para ver o efeito de modificar esta propriedade no Global Workspace. Enquanto menor seja esse valor, maior é a frequência em que ele aparece na Global Workspace:

ALife Agent Exercise 4

Na primeira parte é modificada a operação dentro do modulo ProceduralMemory para lograr que o agente se movimente mesmo ele tenha boa energia. A mudança é feita na propriedade chamada scheme.10b dentro do arquivo de configuração do agente:

 A seguir se modificara a forma como são inicializadas alguns nós e links, para isso é necessário criar um inicializador próprio. Primeiro se especificará o novo inicializador dentro do arquivo de configuração do agente, no modulo PerceptualAssociativeMemory na tag <initializerclass> 

 Depois são adicionados as pedras e as comidas como nós filhos do mesmo pai "object"

 No seguinte passo será modificado a estratégia de decaimento do nó "object". No arquivo factoryData.xml estão definidas todas as estratégias. Uma de elas é a slowDecay que tem um parâmetro muito pequeno. Será modificado o código da classe CustomPamInitializer para utilizar está estratégia.

 Para adicionar a nova estratégia ao nó "object" são adicionadas as seguintes linhas de código à classe CustomPamInitializer

// Task 3: INSERT YOUR CODE HERE **************************
DecayStrategy decayStrategy = factory.getDecayStrategy("slowDecay");
objectNode.setDecayStrategy(decayStrategy);

Advanced Exercise 1

Nesta tarefa a ideia é adicionar o código necessário para que o agente atue da seguinte maneira:

Isto é porque quando o agente está na mesma posição de uma árvore os macacos não podem ataca-lo.

O primeiro passo é definir um novo attention codelet dentro do arquivo de configuração do agente:

 O codelet é chamado de TreeAtentionCodelet e como node é utilizado o nó tree.

Assim cada vez que o agente detete o nó tree é chamado o codelet, a seguir é apresentada a figura do Global Workspace quando o agente deteta uma árvore na frente:

 O seguinte passo é adicionar a ação que será realizada quando o agente detete a árvore . Ele deveria avançar na frente para ficar na mesma posição da árvore e assim ficar a salvo dos macacos. As ações são definidas no módulo de Procedural Memory:

 O resultado é o seguinte: se o agente vê uma árvore na frente, ele avança e ocupa o mesmo lugar da árvore. 

 O agente vai ficar nessa posição o tempo todo até que a energia dele desça muito.  

Advanced Exercise 2

A ideia deste exercício é modificar o algoritmo de seleção de ações. Atualmente o agente está utilizando a classe padrão de LIDA para seleção de ações chamada BasicActionSelection. O agente chama essa classe desde o módulo ActionSelection:

 A modificação desta classe requer a criação de uma nova classe no nosso projeto que execute um novo algoritmo de seleção de ações que pode levar em conta muitas coisas do mundo, mas o tempo e o limitado conhecimento da arquitetura não possibilitaram a conclusão desta atividade.

A classe está definida no Framework do LIDA.