面向动态和部分可观测环境中基于本体的自主代理决策

代理（无论是软件还是硬件）通过传感器感知环境并通过执行器行动，常常在动态、部分可观测的环境中运行。它们面临数据不完整和噪声、不可预见情况以及需要实时调整目标的挑战。传统推理和机器学习方法，包括强化学习 (RL)，虽有帮助，但受限于数据需求、预定义目标以及 extensive 探索周期。本体提供了解决方案，通过整合多源信息，增强在复杂环境中的决策能力。本论文介绍一种本体增强决策模型（OntoDeM）用于自主代理。OntoDeM 丰富了代理的领域知识，使其能够解释不可预见事件、生成或调整目标并作出更好的决策。关键贡献包括：1. 基于本体的方法以提高代理的实时观察；2. 用于处理动态、不可预见情况的 OntoDeM 模型，通过演化或生成新目标；3. 在四个真实世界应用中的实现和评估，证明其有效性。与传统和先进的学习算法相比，OntoDeM 在改善代理的观察和动态、部分可观测环境中的决策方面表现优异。