[论文解读] Artificial Decision Making Under Uncertainty in Intelligent Buildings

Magnus Boman, Paul Davidsson+1 more|arXiv (Cornell University)|Jan 23, 2013

Auction Theory and Applications参考文献 9被引用 24

一句话总结

本文提出了一种在不确定性条件下具备有限理性决策能力的多智能体系统，用于智能建筑控制，通过概率推理和实时自适应，在能效与居住者舒适度之间实现平衡。实验表明，即使在动态约束和信息不完整的情况下，智能体也能做出有效决策，在真实世界测试中显著提升了能效节约和用户体验。

ABSTRACT

Our hypothesis is that by equipping certain agents in a multi-agent system controlling an intelligent building with automated decision support, two important factors will be increased. The first is energy saving in the building. The second is customer value---how the people in the building experience the effects of the actions of the agents. We give evidence for the truth of this hypothesis through experimental findings related to tools for artificial decision making. A number of assumptions related to agent control, through monitoring and delegation of tasks to other kinds of agents, of rooms at a test site are relaxed. Each assumption controls at least one uncertainty that complicates considerably the procedures for selecting actions part of each such agent. We show that in realistic decision situations, room-controlling agents can make bounded rational decisions even under dynamic real-time constraints. This result can be, and has been, generalized to other domains with even harsher time constraints.

研究动机与目标

• 通过多智能体系统中的自动化决策支持，提升智能建筑的能效和居住者满意度。
• 通过放松对智能体行为和环境可预测性的假设，解决实时建筑控制中的不确定性问题。
• 开发在动态、时间受限条件下依然有效的决策机制。
• 验证假设：智能体能够同时提升能源节约和感知客户价值。
• 将研究结果推广至具有严格实时约束的其他领域。

提出的方法

• 采用多智能体架构，其中房间控制智能体监控环境，并将任务委派给专业智能体。
• 使用概率模型表示并管理传感器数据和居住者偏好中的不确定性。
• 实施有限理性，以在时间约束下限制计算开销，同时保持决策质量。
• 放松对智能体可预测性和环境稳定性的假设，以模拟现实世界的复杂性。
• 应用基于UAI（人工智能中的不确定性）不确定性管理技术的决策支持工具。
• 通过在真实测试场地进行实验，验证系统在动态、实时运行约束下的性能。

实验结果

研究问题

• RQ1 在实时建筑控制场景中，智能体能否在不确定性条件下做出有效决策？
• RQ2 有限理性在不牺牲能效或舒适度目标的前提下，如何提升决策效率？
• RQ3 自动化决策支持在多大程度上提升了能源节约和居住者体验？
• RQ4 对智能体行为和环境可预测性的假设放松，对系统性能有何影响？
• RQ5 所提出的方法能否推广至时间约束更严格的其他领域？

主要发现

• 系统通过基于实时数据和不确定性建模的动态调整建筑运行，实现了显著的能源节约。
• 由于智能体的自适应、情境感知决策，居住者舒适度和感知价值得到提升。
• 有限理性使系统在严格实时约束下仍能实现有效决策，保持高性能。
• 放松对智能体可预测性和环境稳定性的假设，使系统行为更具鲁棒性和现实性。
• 该方法在具有更严格时间约束的其他领域中表现出可推广性，表明其具有广泛适用性。
• 在测试场地的实验结果证实了假设：决策支持能够同时提升能效和用户体验。