Theory of Agents

Una visión general sobre la Teoría de Agentes

∗ † ‡
Colbert Pretell Vega Carlos Alfaro Morales Carlos Saavedra Cortez
Universidad Nacional de Universidad Nacional de Universidad Nacional de
Trujillo Trujillo Trujillo
Francisco Solanano 353, Torre Tagle 129, Trujillo Pedro Muñiz 371, Trujillo
Trujillo La Libertad, Perú La Libertad, Perú
La Libertad,Perú artas_ceam@hotmail.com charles_saa@hotmail.com
colbert.pretell@gmail.com

ABSTRACT representar el razonamiento sobre de las propiedades de los

En el presente articulo se ha dado una breve descripción
de la Teorı́a de Agentes, Arquitectura de agentes, tipos de
agentes, otros conceptos que abarca la teoria de agentes
como son agentes móviles y Multi-Agente. Además se han
presentado algunas aplicaciones en donde se muestra que
esta área ha brindado algunas alternativas en la gestion del
conocimiento en los diferentes problemas surgidos en la ac-
tualidad.Hay muchas áreas que todavı́a pueden ser cubiertas
en Teorı́a de Agentes, el objetivo es investigar y desarrollar
aplicaciones para darle continuidad y mejora.
Keywords
IA, AI, SMA, Agente, creencias, intenciones ,conocimiento,
Multi-agentes
1. INTRODUCCIÓN
La teorı́a de agentes como concepto ha ido cobrando impor-
tancia tanto en la Inteligencia Artificial como en la Ciencia
de la Computación. Este paradigma basado en agentes ha
sido uno de los que más ha invadido la tecnologı́a de cómputo
durante los últimos diez años, pasando de ser un concepto
dentro de la IA a ser una tecnologı́a de cómputo en donde
diferentes ciencias han aportado sus teorı́as para dar origen
la Teorı́a de agentes, entre estas se encuentra la participación
dela Sociologı́a, Psicologı́a, Biologı́a, Economı́a, en general,
todas aquellas áreas humanistas y cuya área es el compor-
tamiento de entidades vivas esto debido a que los agentes
pueden representar tendencias y comportamientos sociales.
La teorı́a de agentes está interesada en la pregunta ‘?Qué es
un agente? Y el uso de los formalismos matemáticos para
∗Estudiante Pretell
†Estudiante Alfaro
‡Estudiante Saavedra
agentes; para llevar todo este formalismo hacia conceptos
más aplicables se necesitaba de arquitecturas de agente, para
lo cual muchos investigadores de ingenierı́a de software prin-
cipalmente se interesaron en el problema de diseñar sistemas
software o hardware que pudieran satisfacer las propiedades
especificadas por las teorı́as de agentes; gracias a estas arqui-
tecturas y las muchas investigaciones que aún se están desar-
rollando para lograr agentes más robustos y confiables, nos
ha permitido aterrizar los conceptos en implementaciones
exitosas de diversos tipos agentes que operan en ambientes
distintos y con diferente tipo de complejidad.
2. QUÉ ES UN AGENTE?
Carl Hewitt, afirmaba recientemente que la pregunta de qué
es un agente? es desconcertante para la comunidad infor-
mática basada en agentes, de la misma manera que la pre-
gunta de qué es la inteligencia? Es desconcertante para la
comunidad en general de IA 1 .[10]
Una débil Noción de Agentes
Quizás la forma más general en cual el termino agente es
usado es para denotar un hardware o (mas usualmente) Sis-
tema de computadora bsadao en software que disfruta de las
siguientes propiedades:
• Autonomia: los agentes operan sin la intervención di-
recta de los seres humanos u otros, y tienen algún tipo
de control sobre sus acciones y estado interno (Castel-
franchi, 1995)[10].
• Habilidad Social: Los agentes interactúan con otros
agentes(y posiblemente los humanos) a través de algún
tipo de lenguaje agente-comunicación (Genesereth y
Ketchpel, 1994)[10].

• Reactividad: Los agentes perciben su ambiente, (que

puede ser el mundo fı́sico, un usuario a través de una
interfaz gráfica, una colección de otros agentes, Inter-
net, o quizás todas estas combinadas), y responder de
manera oportuna a los cambios que se producen en
ella[10].
1
Inteligencia Artificial
 • los agentes no se limitan a actuar en función de su en-
torno, ellos son capaces de mostrar un comportamiento
dirigido a un objetivo al tomar la iniciativa[10].
Una fuerte noción de Agente
Para algunos investigadores, especialmente los que trabajan
en IA el término “agente” tiene un significado más fuerte
y más concreto que el esbozado anteriormente. Estos in-
vestigadores en general, definen un agente como un sistema
informático que, además de tener las propiedades anteri-
ormente mencionadas, ya sea conceptualizado o implemen-
tado utilizando conceptos que son aplicados a los seres hu-
manos. Por ejemplo, es bastante común en la IA para carac-
terizar un agente utilizando conceptos mentalistas, como el
conocimiento, la creencia, la intención y obligación. Algunos
investigadores de la IA han ido más allá y consideran agentes
emocionales. Otra forma de dar a los agentes atributos como
humanos es para representar visualmente, tal vez mediante
un icono gráfico caricatura o una cara animada - por razones
obvias, estos agentes son de particular importancia para los
interesados en las interfaces humano-computadora[10].
Entonces podemos decir que un agente es todo aquello que
puede percibir su ambiente a través de emisores y que re-
sponde o actúa en tal ambiente por medio de efectores(ver
Figure1). La forma como reaciona puede o no ser la correcta,
siendo asi podemos decir que un Agente Racional es un
agente que hace lo correcto; considerando que lo correcto es
aquello que premite al agente obtener el mejor desempeño;
pero, ¿Cómo medir el desempeño?, para esto definimos el
termino Medida de Desempeño como el criterio que sirve
para definir que tan exitoso ha sido un agente[8].
Figure 1: Agente
Otras atribuciones de Agentes
Entre las que tenemos:
• Movilidad: es la capacidad de un agente para mo-
verse por una red electrónica[10].
• Veracidad: es la suposición de que un agente no co-
municará intencionadamente información falsa[10].
• Benevolencia: es la suposición de que los agentes no
tienen metas en conflicto, y que cada agente por lo
tanto siempre intentará hacer lo que se pide de él[10].
• Racionalidad es la suposición de que un agente ac-
turá en orden a sus objetivos y no actuar de tal manera
que se evite sus objetivos, en la medida que permitan
sus creencias[10].
3. TEORÍAS DE AGENTES
Una teoria de agentes completa expresada en un logica con
las propiedades(), debe definir como están relacionados los
atributos de la agencia. Por ejemplo Este necesitará mostrar
como estan relacionadas la información de un agnete y sus
pro actitudes; como el estado cognitivo de un agente cam-
bia con el tiempo; como el ambiente afecta en un estado
cognitivo de un agente; y como la información del agente y
proactitudes permiten a éste mejores acciones. Dando buena
cuenta de estas relaciones es el problema más importante que
enfrentan los teoricos de agentes[10].
Acontinuación vamos a reseñar brevemente algunos de estos
trabajos:
3.1 Moore - Conocimiento y Accion
Moore fue en muchos aspectos un pionero del uso de la lógica
para captar los aspectos del agente. Su preocupación prin-
cipal era el estudio del conocimiento pre-condiciones para
las acciones-la pregunta de que un agente debe conocer para
poder llevar a cabo alguna acción. Se formalizó un modelo de
capacidad lógica que contiene una modalidad de conocimiento,
y una dinámica lógica como para la acción de modelado.
Este formalismo permitió la posibilidad de un agente que
tiene información incompleta acerca de cómo lograr una
meta, y realizar acciones con el fin de averiguar cómo lo-
grarlo[10].
3.2 Intención Cohen y Levesque
Una de las aportaciones más conocidas e influyentes en el
área de la teorı́a del agente se debe a Cohen y Levesque.
Su formalismo se utilizó originalmente para desarrollar una
teorı́a de la intención, que los autores requiere como req-
uisito previo para una teorı́a de los actos de habla (Cohen
y Levesque, 1990b). Sin embargo, la lógica se ha revelado
ultimamente a ser tan útil para el razonamiento acerca de
los agentes que se ha utilizado en un análisis de conflictos y
la cooperación en el diálogo multi-agente , ası́ como varios
estudios en los fundamentos teóricos de la resolución coop-
erativa de problemas. Aquı́, vamos a revisar su utilización
en el desarrollo de una teorı́a de la intención[10].
Cohen y Levesque identificaron 7 propiedades que deben ser
satisfechas por una teorı́a razonable de la intención:
1. Las Intenciones plantean problemas para los agentes,
que tienen que determinar las formas de alcanzarlos.
2. Intencciones de proporcionar un “filtro” para la adop-
ción de otras intenciones que no debe entar en con-
flicto.
3. Agentes deben realizar el seguimiento del éxito de sus
intenciones, y se inclinan a intentarlo de nuevo si sus
intentos fallan.
4. Agentes creen que sus intenciones son posibles.
5. Los Agentes no creen que no dará lugar a sus inten-
ciones.
6. Bajo ciertas circunstancias, los agentes creen que van
a lograr sus intenciones.
 7. Agentes no tienen la intención de esperar todos los
efectos secundarios de sus intenciones.
Teniendo en cuenta estos criterios, Cohen y Levesque adop-
tan un enfoque de dos niveles para el problema de la formal-
ización de la intención. En primer lugar ellos construyen
un logica racional del agente, siendo cuidadoso en clasificar
la relación entre los operadores modales básicos. En este
marco, introducen una serie de construcciones derivados, que
constituyen una “teorı́a parcial de la acción racional”; la in-
tención es una de estas construcciones. La primera gran con-
strucción de derivados es el objetivo persistente. Un agente
tiene un objetivo persistente de ϕ si:
1. Tiene un objetivo que ϕ eventualmente llega a ser ver-
dadero, y cree que ϕ no es actualmente verdadero.
2. Antes de que caiga el objetivo ϕ, una de las siguientes
condiciones deben tener: (i) el agente cree que ϕ se ha
cumplido, o (ii) el agente cree ϕ nunca será satisfecha.
3.3 Rao y Georgeff- Creencia, Deseo e Inte-
ción
Como ya se menciono, no hay un consenso claro ni en la
comunidad de IA o en la de filosofia presisamente sobre que
combinación de información y pro-actitudes son las más ade-
cuadas para caracterizar los agentes racionales. En el tra-
bajo de Cohen and Levesque, descrito anteriormente, solo
dos actitudes basicas fueron utilizadas: creencias y metas.
Ademas actitudes tales como intención fueron definidas en
terminos de estas. En trabajos relacionados, Rao and Gerog-
eff han desarrollado un marco lógico para la teoria de agentes
basados en tres nodalidaes primitivas: creencias, deseos e in-
tenciones. Ellos estan preocupados árticularmente en la no-
ción de realismo la pregunta es como un agente tiene creen-
cias sobre que el futuro afetara sus deseos and intenciones.
En otro trabajos, ellos tambien consideran la posibilidad
para agregar planes sociales a su formalismo[10].
3.4 Singh
Un enfoque muy distinto a los agentes de modelado fue
tomada por Singh, quien ha desarrollado una interesante fa-
milia lógica para la representación de las intenciones, creen-
cias, conocimientos, know-how, y la comunicación en un
marco de tiempo de ramificación. En formalismo de Singh es
extremadamente rico, y el esfuerzo considerable se ha dedi-
cado a establecer sus propiedades. Sin embargo, su comple-
jidad impide una discusión detallada[10].
3.5 Werner
Werner ha sentado las bases de un modelo general del agente,
que se basa en el trabajo en economı́a, la teorı́a de jue-
gos, teorı́a de autómatas, la situación de la semántica , y la
filosofı́a. En el momento de la escritura, sin embargo, las
propiedades de este modelo no se han investigado en pro-
fundidad[10].
3.6 Modelado de Sistemas MultiAgentes
Wooldridge desarrolló una familia de lógicas para represen-
tar las propiedades de los sistemas multi-agente. A diferen-
cia de los enfoques antes citada, el objetivo de Wooldridge no
era elaborar un marco general para la teorı́a del agente.Por
lo contario, el la construcción del formalismo es que puede
ser usado en la especificación y verificación de Reales Sis-
tema Multiagnete. Con este fin, desarrolló un simple, y en
algunos sentido general, el modelo de los sistemas multi-
agente, y mostró cómo las historias en la ejecución de dicho
sistema podrı́a ser utilizado como la base semántica para una
familia tanto lineal como ramificada. Luego dio ejemplo de
como estas logicas podrı́an ser usadas en la especificación y
verificación de protocolos para la acción cooperativa[10].
4. CLASIFICACIÓN DE AGENTES
Existe varias tipos de agentes, según como lo clasifiquen en
nuestro caso vamos a dar dos tipos de clasificaciones:
Primero según el propósito que deban alcanzar[2].
Propiedad Significado
Reactivo Responde inmediatamente al cambios en el ambiente
Autónomo Tiene control sobre sus acciones
Orientado a metas No actúa en respuesta al ambiente, sino que sigue un plan para alcanzar su propósito
Temporalmente continuo Es un proceso que esta continuamente corriendo
Comunicativo, sociable Tiene la capacidad de comunicarse con otros agentes, tal vez también con personas
Adaptativo Cambia su comportamiento de acuerdo a sus experiencias
Móvil Se puede transportar autónomamente hacia otro lado
Flexible Sus acciones no están determinadas de ante mano
Personaje Con personalidad y“estado emocional”
Según Stuart J. Russell y Peter Norvig se clasifican en:
• Agente Reflejo Simple:Un agente reflejo simple(ver
Figure2) almacena asociaciones entrada/salida frecuentes
en forma de reglas condición-acción (también re-
glas situación-acción o producciones),la asociación[8]:
si el coche de delante frena y sus luces de freno se
encienden, entonces el agente taxista debera
advertirlo y empezar a frenar también.
se almacena de la forma:
si coche-delante-frena entonces empezar-a-frenar
Los humanos tenemos muchas de estas asociaciones:reflejos
innatos, respuestas aprendidas.
Las reglas condición-acción permiten establecer la conex-
ión entre la percepción y la acción.
Los agentes reflejos simples se pueden aplicar en pocos
casos.
• Agente Reflejo con Estado Interno:En ocasiones
no es posible tomar una decisión a partir de una sola
percepción porque los sensores no proporcionan toda
la información, por ejemplo[8]:
Figure 2: Estructura de un Agente Reflejo Simple
si el coche de delante es un modelo antiguo no se
podrá determinar si ha frenado a partir de una única
imagen
Un agente reflejo con estado interno mantiene la in-
formación que necesita para distinguir entre estados
diferentes del mundo.
Figure 3: Estructura Agente con Estado Interno
La percepción actual se interpreta a partir del estado
anterior utilizando información sobre: como evoluciona
el mundo independientemente del agente, como influyen
en el mundo las acciones del agente.
• Agente Basado en Objetivos:a veces no es posi-
ble tomar una decisión unicamente a partir del estado
actual del mundo,por ejemplo[8]:
al llegar a un cruce el taxi puede realizar distintas
acciones
Un agente basado en objetivos utiliza una descripción
de las metas a alcanzar que le sirve para escoger entre
las distintas acciones posibles, p.e.
el destino del pasajero
La toma de decisiones basada en objetivos 6= la toma
de decisiones basada en reglas condición-acción: tiene
en cuenta el estado en el futuro, es más flexible.
La búsqueda y la planificación son dos subáreas de la
IA dedicadas a la resolución de problemas utilizando
Figure 4: Agente Basado en Objetivos
objetivos.
• Agente basado en Utilidades:los objetivos unica-
mente no bastan para asegurar un comportamiento
ideal, por ejemplo[8]:
diferentes secuencias de acciones pueden llevar al
destino que el pasajero desea, pero algunas son mas
rápidas, seguras o baratas que otras
Un agente basado en la utilidad utiliza un criterio para
estimar el grado de satisfacción de un estado para el
agente que le sirve para escoger entre distintas acciones
válidas.
La utilidad es una función que asocia a un estado un
número real, y debe considerar situaciones problemáti-
cas, por ejemplo:
compromiso adecuado a adoptar en caso de objetivos
en conflicto
Figure 5: Estructura Agente Basado en Utilidades
La búsqueda en juegos es una subárea de la IA que
utiliza funciones de utilidad en la resolución de prob-
lemas.
5. ARQUITECTURA DE AGENTES
La Arquitectura de un Agente tiene diversas interpretaciones,
Maes la define como: Una metodologı́a particular para con-
struir agentes. Especifica como el agente puede ser descom-
puesto en la construcción de un conjunto de módulos com-
ponentes y como estos módulos deben ser hechos para in-
teractuar. El conjunto total de módulos y sus interacciones
tienes que dar una respuesta a la pregunta de cómo los datos
del sensor y el estado interno actual del agente determinan
las acciones y el futuro estado interno del agente[10].
Kaelbling considera que la Arquitectura de un Agente es:
Una colección especifica de módulos de software o Hardware,
tı́picamente representados por cajas con flechas que indican
el flujo de datos y de control entre los módulos. Una visión
más abstracta de una arquitectura es como una metodologı́a
general para el diseño de descomposiciones modulares par-
ticulares para tareas particulares[10]. El enfoque clásico
para la construcción de agentes es considerarlos como un
tipo particular de sistema basado en conocimiento. Este
paradigma es conocido como “symbolic AI”. Comenzaremos
la revisión de las arquitecturas con una mirada a este paradigma,
y las hipótesis que lo sustentan.
5.1 Enfoque Clásico: Arquitecturas Delibera-
tivas
El fundamento sobre el cual el paradigma “symbolic AI” se
basa es la Hipótesis del Sistema Simbólico Fı́sico, formulado
por Newell y Simon. Un sistema simbólico fı́sico es definido
para ser un conjunto fı́sicamente factible de entidades fı́sicas
(sı́mbolos) que pueden ser combinados para formar estruc-
turas, las cuales son capases de ejecutar procesos que operan
sobre estos sı́mbolos de acuerdo al conjunto simbólicamente
codificado de instrucciones. La Hipótesis del Sistema Sim-
bólico Fı́sico entonces dice que este sistema es capaz de la
acción general inteligente. Definimos que una arquitectura
de agente o agente deliberativo es la que contiene una rep-
resentación explicita (modelo simbólico del mundo), en el
cual las decisiones son hechas por razonamiento lógico (o al
menos pseudológico), basados en casamiento de patrones y
manipulación simbólica. Algunos esfuerzos hechos dentro de
la “Comunidad de IA Simbólica” para construir agentes son:
• Agentes de Planificación
Desde los comienzos de los 70s, la comunidad de plani-
ficación de IA ha estado estrechamente interesada con
el diseño de agentes artificiales; parece razonable afir-
mar que la mayorı́a de las innovaciones en el diseño
agente proceden de esta comunidad. Tal vez el primer
sistema más conocido de planificación fue STRIPS (1971).
Este sistema toma una descripción simbólica del mundo
y un estado objetivo deseado, y un conjunto de de-
scripciones de acciones, que caracterizan el pre y el
post condiciones asociadas con varias acciones. A con-
tinuación, intenta encontrar una secuencia de acciones
que permitan conseguir el objetivo, mediante el uso
de un sencillo análisis de medios y fines, que esencial-
mente implica el casamiento de post-condiciones de las
acciones en contra del objetivo deseado. El algoritmo
de panificación STRIPS fue muy simple y probo no ser
efectivo en problemas de incluso moderada compleji-
dad. Dos mayores innovaciones fueron la planificación
jerárquica (1974) y la planificación no lineal (1975).
Sin embargo en los 80s, Chapman estableció algunas
teorı́as las que indicaban que incluso tales técnicas re-
finadas en última instancia, resultaran ser inutilizables
en algún sistema con restricciones de tiempo. A pesar
de estas dificultades, varios intentos han sido hechos
para construir agentes cuyo principal componente es
un panificador, por ejemplo: el Integrated Planning,
Execution and Monitoring (IPEM), sofisticado sistema
basado en un planificador no lineal (1988). Sistemas
Wood’s AUTODRIVE tuvo agentes de planificación
operando in un entorno muy dinámico (1993). Etzioni
ha construido Softbots que pueden planificar y actuar
en un entorno UNIX (1994) [7] y [10].
• Bratman, Israel and Pollack - IRMA
Algunos investigadores consideraron un marco de tra-
bajo para la teorı́a de agentes basado en creencias, de-
seos e intenciones. Algunos investigadores han desar-
rollado también Arquitecturas de agentes basados en
estas actitudes, un ejemplo es el Intelligent Resource-
bounded Machine Architecture (IRMA) (1988). Esta
arquitectura tiene cuatro estructuras de datos simbóli-
cas claves: una librearia de planes, y representaciones
explı́citas de las creencias, deseos e intenciones. Adi-
cionalmente, la arquitectura tiene: un razonador, para
razonar acerca del mundo; un analizador de medios
y fines, para determinar qué planes podrı́a ser usados
para lograr las intenciones del agente; un analizador
de oportunidad, el cual monitorea el ambiente a fin de
determinar otras opciones para el agente; un proceso
de filtrado; y un proceso de deliberación. El proceso de
filtrado es responsable de determinar el subconjunto de
los posibles caminos de acción del agente que tienen la
propiedad de ser coherente con las intenciones actuales
del agente. Escoger entre las opciones que compiten es
hecho por el proceso de deliberación[10].
• Vere and Bickmore - HOMER
Un experimento interesante en el diseño de agentes
fue llevado a cabo por Vere y Bickmore (1990) Argu-
mentan que el permitir a Tecnologı́as para la inteligen-
cia están suficientemente desarrollados para poder con-
struir un prototipo de agente autónomo, con capacidad
lingüı́stica, capacidad de planificación y actuación, etc.
Ellos desarrollaron un agente y lo bautizaron HOMER.
Este agente es una simulación de robot submarino, el
cual existe en un mundo acuático bidimensional, acerca
del cual tiene solo un conocimiento parcial. HOMER
toma las instrucciones de un usuario en un limitado
subconjunto del inglés con solo un vocabulario de 800
palabras. HOMER puede planear como lograr estas
instrucciones, y entonces puede ejecutar estos planes
modificarlos según sea necesario durante la ejecución.
HOMER tiene una memoria episódica limitada, y us-
ando esta es capaz de responder preguntas de sus ex-
periencias pasadas[10].
• Jennings - GRATE
GRATE es una arquitectura en capas en la cual el com-
portamiento del agente es guiado mediante actitudes
mentales de creencias, deseos, intenciones y voluntad
común. El agente es dividido en dos partes distintas:
un sistema de nivel de dominio y una capa de control
y cooperación, el primero resuelve problemas para la
organización; será en el dominio de control industrial,
finanzas o transportación. El segundo nivel es un con-
trolador de meta nivel que opera en el sistema de nivel
de dominio con el objetivo de garantizar que las ac-
tividades del nivel de dominio del agente están coor-
dinadas con las de otros dentro de la comunidad. La
capa de cooperación está compuesta de tres módulos
 genéricos: un módulo de control con interfaces para el
sistema de nivel de dominio, un módulo de valoración
de situaciones y un módulo de cooperación[10].
5.2 Enfoques alternativos: Arquitecturas re-
activas.
Se ha observado que aún hay problemas no resueltos aso-
ciados con la IA simbólica. Estos problemas han llevado
a los investigadores a cuestionar la viabilidad de todo el
paradigma y el desarrollo de lo que generalmente se conoce
como Arquitecturas reactivas. Para nuestro propósitos debe-
mos definir una que arquitectura reactiva es la que no incluye
algún tipo de modelo central del mundo simbólico y no usa
razonamiento simbólico complejo[10].
• Brooks - Comportamiento de Lenguajes
Rodney Brooks - un investigador del MIT - que aparente-
mente se vio frustrado por los enfoques de IA para
construir mecanismos de control para robots móviles
autónomos. Esbozo una arquitectura alternativa para
construir agentes, llamada Arquitectura Subsumption
(1986). Los enfoques alternativos comienzan con los
trabajos de Brooks. Brooks ha propuesto tres tesis
claves:
– El comportamiento inteligente puede ser generado
sin representación explicita del tipo que propone
la IA simbólica.
– El comportamiento inteligente puede ser generado
sin razonamiento abstracto explı́cito del tipo que
propone la IA simbólica.
– La inteligencia es una propiedad emergente de
ciertos sistemas complejos.
Brooks señala dos ideas clave que ha informado sus
investigaciones:
– Situacionalidad y realización: inteligencia Real es
situada en el mundo, no en sistemas incorpóreos
tales como demostradores de teoremas o sistemas
expertos.
– Inteligencia y aparición: El comportamiento in-
teligente surge como un resultado de la interac-
ción del agente con los entornos. También, in-
teligencia está en el ojo del espectador; y no una
propiedad innata y aislada.
Brooks ha demostrado que la Arquitectura Subsump-
tion a pesar de ser simple, los robots hechos bajo esta
realizan tareas que serı́an impresionantes si ellas fueran
ejecutadas por sistemas de IA simbólica.
• Agre and Chapman- PENGI
Agre observo que la mayorı́a de actividades diarias
son rutinarias en el sentido que requieren poco ra-
zonamiento abstracto. La mayorı́a de tareas, una vez
aprendidas, pueden ser ejecutadas de manera rutinaria,
con una pequeña variación. Agre propuso una eficiente
arquitectura de agente podrı́a ser basada en la idea
de “argumentos de ejecución”. La idea es que como
la mayorı́a de decisiones son rutinas, ellas pueden ser
codificadas en estructuras de bajo nivel (tales como
circuitos), que necesitan solo actualizaciones periódi-
cas, quizás para manejar nuevos tipos de problemas.
Sus enfoques fueron ilustrados con el famoso sistema
PINGI (1987). PENGI es un juego de computadora
simulado, con el personaje central controlado utilizando
el esquema expuesto anteriormente.
• Rosenschein and Kaelbling - situated automata
Otro enfoque es el de Rosenschein and Kaelbling (1991).
En su paradigma situated automata , un agente es
especificado en términos declarativos y es compilado
bajo una maquina digital, la cual satisface las especifi-
caciones declarativas. Esta maquina digital puede op-
erar en una manera probablemente limitada en tiempo;
no hace alguna manipulación simbólica, y en efecto las
expresiones simbólicas son representadas en la maquina
como todo.
• Meas - Arquitectura de agente en red
Pattie Maes ha desarrollado una arquitectura de agente
en la cual un agente es definido como un conjunto
de módulos de competencia. Estos módulos se pare-
cen vagamente a los comportamientos de arquitectura
Subsumption de Brooks. Cada módulo es especificado
por el diseñador en términos de pre y post condiciones
(más bien como operadores STRIPS), y un nivel de
activación, el cual da como indicación un valor real
de la relevancia de la situación del módulo en particu-
lar. Una vez especificados, un conjunto de módulos es
compilado en una res de activación por propagación,
en la cual los módulos son enlazados uno con otro en
maneras definidas por su pre y pos condiciones.
5.3 Arquitecturas Híbridas
Muchos investigadores sugirieron que ni el enfoque comple-
tamente deliberativo ni el enfoque completamente reactivo
son adecuados para construir agentes. Un obvio enfoque es
construir un agente de dos (o más) subsistemas: uno delib-
erativo, conteniendo un modelo simbólico del mundo, el cual
desarrolla planes y toma decisiones de la manera propuesta
por la corriente principal de la IA simbólica; y otro reactivo,
el cual es capaz de reaccionar a eventos que ocurren en el
entorno sin entablar un razonamiento complejo. A veces al
componente reactivo se le da algún tipo de precedencia sobre
el deliberativo, lo que puede proveer una rápida respuesta
a importantes eventos del ambiente. Presentaremos algunos
ejemplos[10]:
• Ferguson - TOURINGMACHINES
Ferguson desarrollo una arquitectura de agente hib-
rida TOURINGMACHINES (1992). La arquitectura
consistı́a del subsistema de percepción y el de acción,
que conectan directamente con el medio ambiente del
agente, y tres capas de control, incrustadas en un marco
de trabajo de control, el cual es intermediario entre las
capas. Cada capa es un proceso de ejecución concur-
rentemente independiente como actividad productora.
• Burmeister et al. - COSY
La arquitectura COSY (1994) es una arquitectura BDI
hibrida que incluye elementos del PRS y del IRMA, y
fue desarrollado especı́ficamente para un tesbed multi-
agente llamado DASEDIS. La arquitectura tiene 5com-
 ponentes principales: sensores, actuadores, comunica-
ciones, cognitivo, e intención. Los primeros tres com-
ponentes son sencillos: los sensores reciben las per-
cepciones de entrada no comunicativas, los actuadores
permiten al agente realizar acciones no comunicativas,
y el componente de comunicación permite al agente
enviar mensajes. De los componentes restantes, el de
intención contiene objetivos a largo plazo, actitudes,
responsabilidades y el cómo el control de elementos
toma parte en el razonamiento y las decisiones hechas
del componente cognitivo; y el componente cognitivo
es el que contiene el conocimiento base de las creen-
cias del agente, y tres componentes de procedimiento:
un componente de ejecución de scripts, un componente
de ejecución de protocolos y un componente de razon-
amiento, decisión y reacción.
• Müller et al. - INTERRAP
INTERRAP (1994), al igual que Ferguson’s TOUR-
INGMACHINES, es una arquitectura en capas, en la
que cada capa sucesiva representa un nivel más alto
de abstracción que el del anterior, en , las capas es-
tán subdivididas en dos capas verticales: una contiene
capas de bases de conocicmiento, y la otra contiene
varias componentes de control que interactúan con las
bases de conocimiento en sus niveles.
6. OTROS CONCEPTOS
6.1 Sistemas Multi-Agente
Dentro del paradigma de agentes, uno de los conceptos más
atrayentes es la resolución de problemas mediante la uti-
lización de Sistemas Multi-agente (SMA). La mayor com-
plejidad en los SMA se centra en la resolución de la co-
municación y coordinación de los agentes que componen el
sistema[4].
Existe una gran cantidad de ventajas para la elección de una
arquitectura multiagente,
Como posibles motivos tenemos[4]:
• La facilidad de diseño o implementación.
• La información y los sistemas se encuentran distribui-
dos y no pueden ser accedidos de forma centralizada
(por problemas fı́sicos, polı́ticos, económicos, etc.)
La complejidad de los sistemas participantes requiere un en-
foque distribuido, por algunas de las siguientes razones[4]:
• los sistemas están geográficamente distribuidos.
• Los sistemas poseen muchos componentes.
• Los sistemas son fuertemente heterogéneos.
• Necesidad de soportar un contenido masivo, tanto en
cantidad de conceptos, como en la información alma-
cenada acerca de estos.
• El dominio de la aplicación que debe ser cubierto por
el sistema puede ser muy amplio.
Dado que el sistema se compone de más de un agente, es
sumamente necesario establecer un sistema de comunicación
entre los mismos. Esta comunicación permite además la co-
operación entre todos los agentes para lograr los objetivos
globales del sistema, más allá de que cada agente posea sus
propios objetivos individuales, los cuales pueden ser conoci-
dos por los demás agentes del sistema o no.
6.2 Agentes Móviles
Primeramente diferenciaremos unagente estático de un agente
móvil[6]:
• Agente estático: Aquél que sólo puede ejecutarse en
la máquina donde fue iniciado. Si éste necesita inter-
actuar con otros agentes o programas o requiere cierta
información que no se encuentra en el sistema, la co-
municación puede llevarse a cabo mediante cualquier
método de interacción para objetos distribuido, como
CORBA o RMI de Java.
• Agente móvil: Aquél que no está limitado al sistema
donde se inició su ejecución, siendo capaz de trans-
portarse de una máquina a otra a través de la red.
Esta posibilidad le permite interactuar con el objeto
deseado de forma directa sobre el sistema de agentes
donde se halla dicho objeto.
Las tareas de búsqueda y tratamiento de la informa-
ción, resulta excesivamente tedioso y complejo. En
nuestro caso, puede enviarse un agente a los destinos
más interesantes para el usuario, localizar y filtrar la
información deseada siguiendo las normas dictadas por
éste y traerla consigo al ordenador de origen, permi-
tiendo ahorrar tiempo de conexión y ancho de banda
y, por lo tanto, dinero. Los agentes móviles suelen
programarse normalmente en lenguajes interpretados
o generadores de código intermedio -Telescript, Java,
Tcl-, ya que éstos dan un mejor soporte a entornos het-
erogéneos La seriación es el proceso tı́pico por el que se
representa el estado completo de un agente mediante
una serie que puede ser fácilmente transportada por la
red. El proceso de descodificación de dicha serie en el
agente se denomina diseriación.
7. APLICACIONES
Acontinuación presentamos algunas aplicaciones utilizando
diferentes tipos de agentes agentes:
7.1 Aplicación de la teoría de Agentes al mod-
elo de grafos para la detección de patrones
en Textos
Text Mining
Es un área de investigación emergente que puede ser carac-
terizada o definida como el descubrimiento de conocimiento
en grandes colecciones de textos.
Se asocia principalmente al descubrimiento de patrones in-
teresantes como clusters, asociaciones, desviaciones, simili-
tudes, y diferencias.
Asimismo, la búsqueda de patrones en textos es una
herramienta útil en aplicaciones para reconocimiento inteligente
de caracteres, sistemas de compresión de texto, traducciones
automáticas, y aplicaciones similares en las que un sistema
debe elegir el siguiente elemento (letra, palabra, fonema, etc)
de entre una lista de posibles candidatos[2].
Por otro lado, los Attributed Relational Graphs (ARG)
se definen como una extensión de los grafos ordinarios aso-
ciando atributos discretos o reales a sus vértices y arcos.
El uso de los atributos permite a los ARG ser posibles de
no sólo modelar estructuras topológicas de una entidad sino
también sus propiedades no estructurales, que usualmente se
pueden representar como vectores. Estas caracterı́sticas ha-
cen a esta herramienta un elemento útil a la hora de realizar
búsqueda de patrones.
Los Agentes ejecutan una variedad de operaciones sencil-
las a partir de una representación de las metas y deseos
del usuario. Este comportamiento se modela mediante la
metodologı́a BDI (Belief, Desire and Intentions) , que per-
mite representar el accionar de un agente a partir del conocimiento
que posea, las metas y sus intenciones.
En esta aplicación, se define un algoritmo basado en grafos
para la detección de patrones de textos. Debido a que el
volumen de información que se debe procesar es grande, di-
cho algoritmo contempla la aplicación del modelo de agentes
para controlar de manera dinámica el espacio de búsqueda
y, en consecuencia, reducir los tiempos de procesamiento de
los textos.
También se define un modelo genérico basado en los ARG
para la búsqueda de patrones con la incorporación de la
teorı́a de agentes para la reducción de caminos irrelevantes
en el grafo. Principalmente, se obtiene:
• Flexibilidad en el tipo de patrón que se desea detec-
tar: El modelo admite un conjunto de parámetros que
permiten configurar la relación existente entre gramas
de un texto en función de la distancia existente entre
ellos. Dicha configuración se establece a partir de la
definición de una función peso que pondera las distan-
cias antes mencionadas[2].
• Control del volumen del grafo con la reducción de caminos
irrelevantes: Mediante la incorporación de la teorı́a de
agentes y en función de las creencias, los deseos y las
intenciones de los agentes definidos en el modelo, se es-
tablece un control sobre el volumen del grafo seleccio-
nando aquellos arcos más relevantes para el mismo[2].
• Velocidad en la detección de patrones: A partir de la
incorporación de los agentes al modelo de grafos se
reducen los tiempos de búsqueda de patrones[2].
Adicionalmente se desarrolló un software que permite, a par-
tir de la búsqueda de patrones en textos, la categorización
de los mismos.
La diferencia de esta aplicación con los otros es que se pre-
senta un modelo genérico para la búsqueda de patrones en
textos que permite al usuario definir mediante una función
peso el tipo de patrón que desea buscar y que realiza un
control sobre el volumen del grafo para obtener mayor ve-
locidad de procesamiento. Es decir, lo determinado en este
artı́culo es independiente del objetivo que tenga el usuario,
el idioma o las caracterı́sticas del procesamiento que se le
quiera dar al texto[2].
7.2 Tecnología Agente a los Sistemas de Infor-
mación de las Organizaciones
Con la tecnologı́a agente se pueden automatizar algunas tar-
eas que hasta ahora eran realizadas directamente por per-
sonas y también estructurar y formalizar métodos de ejecu-
ción de determinadas tareas[5] y [3]. El propósito de aplicar
la tecnologı́a agente a los SI es conseguir un incremento
de la sinergia que se crea entre la experiencia y las apti-
tudes de las personas. El enfoque agente implica asignación
de tareas y delegación de responsabilidades. Con el fin de
cumplir las tareas asignadas, los agentes toman autónoma-
mente su propia iniciativa y deciden dinámicamente qué ac-
ciones deben realizar respondiendo a su entorno.
Teniendo en cuenta todas las caracterı́sticas y el hecho de
que la tecnologı́a de agente y multiagente se basa en la
descomposición del problema en procesos cooperantes que
comparten conocimientos, y su procesamiento de modo de-
scentralizado, se puede decir que esta tecnologı́a resulta ade-
cuada para la construcción de sistemas de información por
los siguientes motivos:
• El sistema distribuido de agentes permitirá mantener
la estructura de la organización y el acceso a la infor-
mación se producirá por la comunicación entre agentes.
Ası́ un decisor podrá solicitar y obtener servicios de
otros núcleos de la organización.
• La información proveniente de las distintas fuentes autóno-
mas de la organización podrá ser oportunamente di-
fundida gracias a la autonomı́a y proactividad de los
agentes.
• La sociabilidad de los agentes permitirá la detección
de cambios en otras partes de la organización. La res-
olución de conflictos será muy útil para la adaptación
a los cambios.
• El conocimiento del estado interno del propio agente
hará que éste conozca sus limitaciones en cuanto a ca-
pacidad de adaptación.
• La autonomı́a y sociabilidad también van a propor-
cionar el medio para identificar las partes interesadas
en los resultados de la toma de decisiones.
Las arquitecturas que se utilizan en las aplicaciones a SI son
de pizarra o de capa. Las arquitecturas de capa se pueden
diferenciar en base a la posibilidad de que las capas accedan
a sensores y actuadores o no[5]. Ası́ se tiene una arquitec-
tura horizontal cuando todas las capas acceden a sensores y
actuadores. En este caso habrá un elevado conocimiento del
control entre capas. La arquitectura es vertical cuando sólo
accede la capa más baja que también será la más compleja.
Por otra parte, atendiendo a la estructura de subordinación
una arquitectura puede ser clasificada como jerárquica, fed-
erativa, autónoma o hı́brida.
 • Arquitectura de pizarra: El sistema está formado por
un conjunto de módulos (agentes) que no se comuni-
can entre sı́, sino a través de una “pizarra” compartida
que mantiene los estados parciales de un problema que
se está resolviendo. Un sistema de control gestiona
los conflictos de acceso entre los módulos. La función
que desempeñan los agentes es variable. La “pizarra”
además es el medio de comunicación entre agentes.
Se debe tener en cuenta que hay investigadores que no
consideran los sistemas de pizarra como sistemas de
inteligencia artificial distribuida debido a que tienen
un mecanismo de control muy centralizado y falta de
memoria local.
• SMA con arquitectura jerárquica, horizontal y mod-
ular: Está compuesta por módulos que realizan una
función concreta y fija. Son módulos especializados,
esto supone que la forma de circular la información en
el sistema ha sido predefinida por el usuario. La estruc-
tura de subordinación de los módulos es jerárquica, de
tal modo que un agente del nivel superior realiza sus
funciones a través de agentes del nivel inferior, y es-
tos no pueden rechazar propuestas pero pueden ofrecer
contrapropuestas. El agente negociará de modo coop-
erativo y competitivo. La deliberación se produce me-
diante un enfoque descendente (top-down) con el que
el agente determina qué pasos debe enlazar para lograr
su objetivo.
• Arquitectura federativa con agente mediador: Un único
agente se encarga de gestionar el conjunto de proce-
sos de asignación centralizando las demandas de los
clientes y las ofertas de los servidores a fin de hacer
que estas dos categorı́as se correspondan. La arquitec-
tura del agente mediador es modular. El problema en
este tipo de aplicaciones reside en que si el mediador
deja de funcionar el sistema se paraliza.
• Sistema basado en la incorporación de un agente para
la toma de decisiones: Solución que consiste en un
sistema de apoyo a la toma de decisiones (Decision
Support System, DSS) que incluye un módulo de toma
de decisiones que es un agente. Este sistema tiene un
enfoque descendente.
7.3 Teoria de Sistemas Multi-Agente para el
Manejo de Recursos en un Sistema automático tos virtuales) que representan a los agentes individuales se
en Casa
El objetivo de está aplicacion fue de presentar un enfoque
para el estudio de Siste automatico en Casa, basado en la
teorı́a sistema Multi-Agente la cual permite introducir un
riguroso formalismo y definir herramientas practicas para
un análisis de la performance[1]. Un Sistema de Automati-
zación del Hogar (HAS) consiste en de:
• Un conjunto GR de recursos(elctricidad, gas, agua caliente) de acuerdo con un calendario elegido, de modo de simular las
globales;
• un conjunto DO de objetos Domóticos;
• un conjunto DA de agentes Domótica, un subconjunto
de DO;
• una Red de Información IN, que conecta objetos y
agentes;
• un R conjunto de reglas que gobiernan el compor-
tamiento individual y la operaciones actuales de los
objetos domóticos y comprende
– la utilización y transformación de recursos exter-
nos,
– la comunicación,
– la percepción y la comprensión;
• un conjunto de operadores L, llamadas Leyes, que de-
scriben la evolución temporal del sistema global de
acuerdo con el comportamiento individual de los obje-
tos y de los agentes[1].
Las nociones descritas deben ser consideradas como instru-
mentos conceptuales que faciliten el modelado y análisis de
ejemplos concretos, ayudar a comprender sus caracterı́sticas
y en la identificación de sus parámetros crı́ticos. Observación
que, en los hechos, la evolución temporal de un Sistema de
Automatización de Casa descrito formalmente sobre la base
de las definiciones antyeriores está completamente determi-
nado por L y depende, en particular, sobre las normas que
forman R.
7.3.1 Simulación del Ambiente
En el entorno virtual, los agentes se caracterizan de una
manera realista, aprovechando la experiencia en el estudio y
modelado de productos. Además de hacer la simulación más
efectiva, esta elección es crucial para permitir que el motor
de simulación para interactuar con los aparatos reales. De
todos modos, ya que la duración de un ciclo del aparato
puede ser bastante largo, una de las caracterı́sticas impor-
tantes del simulador es que se puede trabajar sólo con los
agentes virtuales, cuya velocidad de ejecución se puede au-
mentar la fijación de un parámetro determinado, de forma
de acortar la duración de la simulación. El comportamiento
de cada agente en el simulador se modela como una secuen-
cia de transiciones de estado a estado. La secuencia de las
transiciones de estado durante el funcionamiento normal de
cada agente es hora impulsada, excepto en el caso de un re-
curso requerido es o deja de estar disponible. En tal caso,
este evento puede causar una transición. Básicamente, el
simulador consta de un entorno de software, desarrollado
en ambiente LabVIEW, donde los programas (instrumen-
ejecutan simultáneamente, cada programa pone en práctica
la secuencia de las transiciones de estado que caracteriza a
un agente. Agentes de intercambio de información medi-
ante el intercambio de variables globales. Para ejecutar una
simulación, primero tiene que definir el entorno virtual medi-
ante la indicación de los agentes y las variables globales rela-
cionadas y especificando los valores de una serie de globales e
individuales (es decir, relativa a un solo agente). Durante la
simulación, los agentes se ponen en acción automáticamente,
operaciones normales en un entorno doméstico[1]. El con-
junto de los agentes en el Sistema de Automatización del
Hogar se compone de los siguientes: lavadora, lavavajillas,
calderas, usuario y dispositivos de medición. Otros agentes
se pueden agregar fácilmente, si es necesario, como horno,
aspiradora, etc. Una representación gráfica:

Figure 6: Sistema Automatico en Casa
7.4 Otras Aplicaciones
• Agente Orientado a la Ingenierı́a del Software
Técnicas prototipo propuesto para los sistemas de agente
de la ingenierı́a, con inclusión de metodologı́as para el
análisis orientado a agente y el diseño, especificación
y métodos de verificación de los sistemas de agentes,
y las especificaciones técnicas para la aplicación de
agente. Ingenierı́a de software orientada a agente está
en una fase temprana de la evolución. Aunque hay
muchos argumentos convincentes para apoyar el papel
de la opinión de que los agentes representan una im-
portante dirección de ingenierı́a de software, no existe
todavı́a una falta de experiencia real para apoyar estos
argumentos. metodologı́as preliminares y herramien-
tas de software para apoyar el despliegue de sistemas
de agentes quer están comenzando a aparecer, pero
lentamente[9].
• Proyecto Moa (Agentes Y Objetos Móviles)
La arquitectura ofrecida por el Open Group, que tam-
bién ha participado en MASIF, está en fase de diseño,
habiéndose definido las especificaciones funcionales y
la implementación del modelo de objetos. MOA per-
mite crear objetos y agentes móviles escritos en lenguaje
8.
Después de haber leido sobre la teorı́a de agentes en los difer-
Java. Un objeto móvil puede contener tareas y, por lo
entes artı́culos y libros vistos hemos llegado a las siguientes
tanto, estar activo. Si dicho objeto es independiente
conclusiones:
y actúa en nombre de un usuario entonces el modelo
MOA lo denomina agente. Las caracterı́sticas funda-
mentales del modelo MOA son:
– Proveer puntos de comprobación para poder reini-
ciar las clases Java.
– Diseño e implementación de un modelo para ob-
jetos y agentes móviles escritos en Java similar
al aportado por el lenguaje Telescript de General
Magic.
– Ofrecer un esquema de nombres apropiado.
– Conservar los canales de comunicación tras cada
migración de un objeto.
– Definir una interfaz para el control de agentes,
ofreciendo suspensión, reanudación, eliminación,
localización y monitorización.
– Soportar control histórico de la actividad de los
agentes.
• Aglets
La arquitectura del Aglets Software Development Kit
(ASDK) presenta una herramienta de desarrollo para
agentes móviles, creada por los laboratorios de I.B.M.
en Tokio, siendo una de las primeras en participar en
las especificaciones MASIF para CORBA. Un Aglet es
un objeto escrito en Java capaz de visitar máquinas que
soporten el entorno de ejecución Aglets WorkBench
(AWB). Dicho entorno permite:
– Cifrar el código y los datos de un aglet utilizando
el método de seriación de Java (JOS).
– Trasladar agentes utilizando el Protocolo para el
Transporte de Aglets (ATP).
– Ofrecer un Interfaz de Programación para Aglets
(A-API).
– Interconexión e intercambio de información entre
aglets y otros objetos mediante paso de mensajes.
– El ciclo de vida de un aglet puede tratarse por
métodos basados en captura de eventos. Los even-
tos definidos son: creación, clonación, expedición,
retractación, eliminación, activación, desactivación
y paso de mensaje.
– Control de seguridad mediante definición de au-
toridades y de sus privilegios y preferencias.
Los elementos principales de la arquitectura aglet sonAglet:
define los métodos básicos para el control de un agente
móvil.
– Representante: aı́sla al aglet del entorno, per-
mitiendo un mayor grado de seguridad y ofre-
ciendo transparencia respecto a la localización del
agente.
– Contexto: ofrece al aglet un interfaz con su en-
torno de operación.
– Mensaje: objetos utilizados para la comunicación
entre aglets.
CONCLUSIONES
• Tanto en el mundo académico y industrial, los agentes
inteligentes será una tecnologı́a clave en el mundo in-
formático.
• Los agentes inteligentes por sus habilidades y propiedades
que poseen darán lugar a mejoras significativas en la
calidad y sofisticación de los sistemas software.
• El desarrollo de los agentes crece cada año con la expe-
riencia adquirida y de las mano de las nuevas técnicas.
• La mayor parte de las aplicaciones que se pueden re-
alizar con agentes móviles también se pueden realizar
con middleware cliente-servidor, que es una solución
más probada, sencilla, y extendida.
9. REFERENCES
[1] G. Conte, G. Morganti, A. M. Perdon, and
D. Scaradozzi. Multi-agent system theory for resource
management in home automation systems. Red de
Agentes Fı́sicos, (2):15–19, 2009.
[2] F. C. Federico. Aplicación de la teorı́a de agentes al
modelo de grafos para la detección de patrones en
textos. CACIC, 2007.
[3] C. A. Iglesias. Fudamentos de los agentes inteligentes.
UPM/DITGSI, 1997.
[4] L. Leal, D. Macı́as, and D. Vilariño. Teorı́a de agentes
y sus aplicaciones. Semana de Informatica, 2007.
[5] S. Liu, Åbo Akademi, T. Centre, and C. Science.
Perspectives on and prospects for software agent
systems, 1999.
[6] T. Magedanz, A. Karmouch, S. Pierre, and I. S.
Venieris, editors. Mobility Aware Technologies and
Applications, Second International Workshop, MATA
2005, Montreal, Canada, October 17-19, 2005,
Proceedings, volume 3744 of Lecture Notes in
Computer Science. Springer, 2005.
[7] J. L. Pollock. Planning agents. Foundations of
Rational Agency, ed. Rao and Wooldridge, 1996.
[8] S. J. Russell and N. Peter. Inteligencia Artificial un
enfoque moderno. Prentice Hall, Inc., New Jersey , NJ,
USA, 1966.
[9] M. Wooldridge and P. Ciancarini. Agent-oriented
software engineering: The state of the art. pages 1–28,
2001.
[10] M. Wooldridge and N. R. Jennings. Intelligent agents:
Theory and practice. Knowledge Engineering Review,
10(1):115–152, 1995.