《第十四章 分布式人工智能81》
分布式人工智能（Distributed Artificial Intelligence，DAI）是一门研究在逻辑上或物理上分散的智能系统如何协同工作以解决复杂问题的学科。这一领域起源于20世纪70年代末，主要关注点是如何使多个智能实体通过并行处理和相互协作来提升问题解决的能力和效率。
分布式人工智能系统的特点包括：
1. 数据、知识和控制在逻辑上和物理上都是分散的，不存在全局控制或全局数据存储。
2. 系统中的各求解机构通过计算机网络连接，通信成本相对较低，有利于协同工作。
3. 各个机构能够相互协作，共同解决单个机构无法单独完成的任务。
DAI的主要优势在于：
1. 提升问题求解能力，通过分布式处理，可以处理更复杂的问题。
2. 提高效率，利用并行计算加速问题求解过程。
3. 扩大应用范围，适用于各种规模和类型的系统。
4. 减少软件复杂性，通过分解任务和分散责任，简化了系统设计。
早期的分布式人工智能研究主要包括分布式问题求解，如合同网（Contract Net）模型，由Davis 和 Smith在1980年提出，它利用投标和合同的方式进行任务分配。此外，分布式车辆监控测试系统（DVMT）展示了分布式传感网络在环境监测和问题求解中的应用。ACTOR模型则为并发编程和分布式智能行为提供了理论基础，强调竞争、承诺、协作和协商在DAI中的重要性。
随着研究的发展，多主体系统（Multiagent Systems, MAS）成为了90年代DAI研究的焦点。MAS关注的是自主智能主体间的协作和协调，这些主体共享知识，共同追求全局或局部目标。智能主体被认为是构建人工智能的核心，它们的智能行为协调是AI研究的关键问题。
多主体系统的研究涵盖了主体理论、主体结构、主体通信以及主体间的协调与协作。例如，MACE系统是一个用于开发分布式AI系统的实验平台，其中每个计算单元都是一个具有知识表示和推理能力的主体，通过消息传递进行通信。而分布式运输调度系统DTDS-I和分布式知识处理系统DKPS则分别在运输调度和知识处理方面探索了分布式问题求解的架构和算法。
分布式人工智能是一个不断发展的领域，它结合了计算机科学、人工智能和网络技术，致力于创造能够高效协同工作的智能系统，以解决现实世界中的复杂挑战。随着技术的进步，DAI将继续推动智能系统的创新，为各种应用提供更强大、更灵活的解决方案。
