agentes inteligentes com foco de atenção afetivo em ...€¦ · agentes inteligentes com foco de...

UNIVERSIDADE DO RIO GRANDE DO NORTEFEDERAL

UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE

CENTRO DE TECNOLOGIA

PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA

Agentes Inteligentes com Foco de AtençãoAfetivo em Simulações Baseadas em Agentes

Alberto Signoretti

Orientador: Prof. Dsc. Sergio Viana Fialho

Co-orientador: Prof. Dr. André Maurício Cunha Campos

Tese de Doutorado apresentada ao Pro-grama de Pós-Graduação em EngenhariaElétrica da UFRN (área de concentração:Engenharia de Computação) como parte dosrequisitos para obtenção do título de Doutorem Ciências.

Natal, RN, agosto de 2012

UFRN / Biblioteca Central Zila MamedeCatalogação da publicação na fonte

Signoretti, Alberto.Agentes Inteligentes com Foco de Atenção Afetivo em Simulações Baseadas

em Agentes / Alberto Signoretti - Natal, RN, 2012208 f.:i1.

Orientador: Sergio Vianna FialhoCo-orientador: André Maurício Cunha Campos

Tese (doutorado) - Universidade Federal do Rio Grande do Norte. Centro deTecnologia. Programa de Pós-Graduação em Engenharia Elétrica e da Compu-tação.

1. Inteligência artificial - Tese. 2. Simulação baseada em agentes - Compu-tação - Tese. 3. Agentes afetivos - Computação - Tese. 4. Foco dinâmico deatenção - Computação - Tese. 5. Engenharia Elétrica e da Computação - Tese.I. Fialho, Sergio Vianna. II. Campos, André Maurício Cunha. III. UniversidadeFederal do Rio Grande do Norte. V. Título.

RN/UF/BCZM CDU 004.8

Aos meus pais, Romolo e Gabriella,filhos, Gabriel e Rodolfo, e amada

esposa, Michele, pela paciênciadurante a realização deste trabalho.

Agradecimentos

Ao meu orientador e ao meu co-orientador, professores Sergio Vianna Fialho e AndréMaurício, sou grato pela orientação e pela amizade de ambos.

À professora Anne Magály, pela valiosa ajuda nas suas sugestões, discussões e pelo seuapoio para a realização deste trabalho.

Ao amigo Pedro Vitor L. Rodrigues, pela ajuda na implementação e na participação quepermitiu a finalização deste trabalho.

Ao colega Antonino Feitosa, pela ajuda na implementação inicial das idéias.

Aos demais colegas de pós-graduação, pelas críticas e sugestões.

À minha família, Marco, Adriana, Nice, Patrícia, Cleber e Davi pelo incansável apoiodurante toda esta jornada.

Resumo

Simulações baseadas em agentes cognitivos podem se tornar tarefas computacional-mente intensivas, especialmente quando o ambiente de simulação é um sistema complexo.Este panorama se torna pior na medida em que restrições de tempo são adotadas. Simu-lações desse tipo seriam beneficiadas por um mecanismo que melhorasse o modo peloqual os agentes percebem e reagem a mudanças nesses tipos de ambiente. Ou seja, umaabordagem para melhorar a eficiência (desempenho e acurácia) no processo de decisão deagentes autônomos em uma simulação, seria útil.

Em ambientes complexos e repletos de variáveis, é possível que nem todas as in-formações disponíveis para o agente sejam necessárias para o seu processo de decisão,dependendo, é claro, da tarefa que esteja sendo executada. O agente precisaria filtrar asinformações que lhe chegam, assim como nós o fazemos com o nosso foco de atenção.Com a utilização de um foco de atenção, somente as informações importantes ao contextode execução do agente são percebidas (processadas cognitivamente), o que pode melhoraro processo de decisão.

A arquitetura proposta neste trabalho apresenta uma estrutura de agentes cognitivosdividida em duas partes: 1) uma parte principal contendo o raciocínio/planejamento, oconhecimento e o estado afetivo do agente e, 2) um conjunto de comportamentos queserão acionados pelo planejamento com o intuito de atingir os objetivos do agente. Cadaum desses comportamentos possui um foco de atenção ajustável dinamicamente duranteo tempo de execução do agente, de acordo com a variação do seu estado afetivo.

O foco de atenção presente em cada comportamento é dividido em foco qualitativo,o qual é responsável pela qualidade dos dados percebidos, e foco quantitativo, o qual éresponsável pela quantidade dos dados percebidos. Desse modo, o comportamento serácapaz de filtrar as informações enviadas pelos sensores dos agentes e construir uma listade elementos, contendo somente as informações necessárias ao agente, dependendo docontexto do comportamento em execução no momento.

Com base no mecanismo de foco de atenção humano, o agente também é dotado deum estado afetivo. O estado afetivo do agente é baseado nas teorias humanas da emoção,humor e personalidade. Esse modelo atua como base para o mecanismo de ajuste contínuodo foco de atenção do agente, tanto da parte qualitativa, como da parte quantitativa. Comesse mecanismo, o agente pode ajustar o seu foco de atenção durante a execução docomportamento, de forma a tornar-se mais eficiente perante as mudanças ocorridas noambiente.

A arquitetura proposta pode ser utilizada de forma bastante flexível. O foco de atençãopode trabalhar tanto de forma fixa (onde nem o foco qualitativo e nem o quantitativo va-riam), quanto com diferentes combinações entre a variação ou não dos focos qualitativo e

quantitativo. A arquitetura foi desenvolvida sobre uma plataforma para agentes BDI, maso seu projeto permite que seja usada em qualquer outro tipo de agente, pois as alteraçõessão feitas apenas no nível da percepção do agente.

Para avaliar a contribuição do trabalho, uma série extensa de experimentos foramrealizados sobre uma simulação baseada em agentes num cenário de incêndio. Nas si-mulações, agentes utilizando a arquitetura proposta neste trabalho são comparados comagentes similares (com o mesmo modelo de raciocínio), porém capazes de processar todasas informações que lhes são enviadas pelo ambiente (agentes oniscientes). Intuitivamente,é de se imaginar os agentes oniscientes seriam mais eficiente que os com filtros de per-cepção, uma vez que eles podem processar todas as opções possíveis antes de tomar umadecisão. Porém, os experimentos mostram que os agentes com foco de atenção podemser tão eficientes quanto os oniscientes, levando vantagem porém na capacidade de re-solverem o mesmo problema em um tempo significativamente menor. Os experimentosindicam, portanto, a eficiência da arquitetura proposta.

Palavras-chave: Simulação baseada em agentes, agentes afetivos, foco de atençãodinâmico.

Abstract

Simulations based on cognitively rich agents can become a very intensive computingtask, especially when the simulated environment represents a complex system. This situ-ation becomes worse when time constraints are present. This kind of simulations wouldbenefit from a mechanism that improves the way agents perceive and react to changesin these types of environments. In other worlds, an approach to improve the efficiency(performance and accuracy) in the decision process of autonomous agents in a simulationwould be useful.

In complex environments, and full of variables, it is possible that not every informationavailable to the agent is necessary for its decision-making process, depending indeed, onthe task being performed. Then, the agent would need to filter the coming perceptionsin the same as we do with our attentions focus. By using a focus of attention, only theinformation that really matters to the agent running context are perceived (cognitivelyprocessed), which can improve the decision making process.

The architecture proposed herein presents a structure for cognitive agents divided intotwo parts: 1) the main part contains the reasoning / planning process, knowledge andaffective state of the agent, and 2) a set of behaviors that are triggered by planning inorder to achieve the agent’s goals. Each of these behaviors has a runtime dynamicallyadjustable focus of attention, adjusted according to the variation of the agent’s affectivestate.

The focus of each behavior is divided into a qualitative focus, which is responsiblefor the quality of the perceived data, and a quantitative focus, which is responsible for thequantity of the perceived data. Thus, the behavior will be able to filter the informationsent by the agent sensors, and build a list of perceived elements containing only the infor-mation necessary to the agent, according to the context of the behavior that is currentlyrunning.

Based on the human attention focus, the agent is also dotted of a affective state. Theagent’s affective state is based on theories of human emotion, mood and personality. Thismodel serves as a basis for the mechanism of continuous adjustment of the agent’s atten-tion focus, both the qualitative and the quantative focus. With this mechanism, the agentcan adjust its focus of attention during the execution of the behavior, in order to becomemore efficient in the face of environmental changes.

The proposed architecture can be used in a very flexibly way. The focus of atten-tion can work in a fixed way (neither the qualitative focus nor the quantitaive focus onechanges), as well as using different combinations for the qualitative and quantitative focivariation. The architecture was built on a platform for BDI agents, but its design allowsit to be used in any other type of agents, since the implementation is made only in the

perception level layer of the agent.In order to evaluate the contribution proposed in this work, an extensive series of ex-

periments were conducted on an agent-based simulation over a fire-growing scenario. Inthe simulations, the agents using the architecture proposed in this work are comparedwith similar agents (with the same reasoning model), but able to process all the informa-tion sent by the environment. Intuitively, it is expected that the omniscient agent wouldbe more efficient, since they can handle all the possible option before taking a decision.However, the experiments showed that attention-focus based agents can be as efficient asthe omniscient ones, with the advantage of being able to solve the same problems in asignificantly reduced time. Thus, the experiments indicate the efficiency of the proposedarchitecture.

Keywords: Agent Based Simulation, Affective agents, Dynamic attention focus, Or-ganizational simulation.

Sumário

Sumário i

Lista de Figuras v

Lista de Tabelas x

1 Introdução 11.1 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.1.1 O Ambiente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41.1.2 A Percepção . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61.1.3 O Processo de Raciocínio e Planejamento . . . . . . . . . . . . . 71.1.4 A Afetividade . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81.1.5 A Hipótese de Pesquisa . . . . . . . . . . . . . . . . . . . . . . . 9

1.2 Inspiração: Comitês Classificadores com Filtro para Seleção de Atributos 101.3 Justificativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111.4 Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

1.4.1 O Foco de Atenção do Agente . . . . . . . . . . . . . . . . . . . 121.4.2 O Módulo Afetivo do Agente . . . . . . . . . . . . . . . . . . . 13

1.5 Contribuições da Pesquisa . . . . . . . . . . . . . . . . . . . . . . . . . 131.6 Estrutura da Tese . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2 Conceitos Básicos 152.1 Agentes Inteligentes e Sistemas Multiagentes . . . . . . . . . . . . . . . 15

2.1.1 Agentes Inteligentes . . . . . . . . . . . . . . . . . . . . . . . . 152.1.1.1 Características dos Agentes Inteligentes . . . . . . . . 152.1.1.2 Uma Taxonomia para Agentes Inteligentes . . . . . . . 162.1.1.3 Uma Arquitetura Geral para Agentes Inteligentes . . . 18

2.1.2 Sistemas Multiagentes . . . . . . . . . . . . . . . . . . . . . . . 182.1.2.1 Uma Taxonomia para Sistemas Multiagentes . . . . . . 192.1.2.2 Interações em Sistemas Multiagentes . . . . . . . . . . 202.1.2.3 O Framework Jason . . . . . . . . . . . . . . . . . . . 23

2.2 Simulação Computacional . . . . . . . . . . . . . . . . . . . . . . . . . 242.2.1 Processo de Modelagem e Simulação . . . . . . . . . . . . . . . 262.2.2 Simulação Baseada em Agentes - MABS . . . . . . . . . . . . . 27

2.3 Emoção, Humor e Personalidade: A Afetividade Humana . . . . . . . . . 292.3.1 A Relação entre a Psicologia e a Ciência da Computação . . . . . 29

i

2.3.2 Emoção . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 302.3.3 Personalidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . 352.3.4 Humor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

3 Trabalhos Relacionados 433.1 Trabalhos Relacionados ao Uso de Foco de Atenção . . . . . . . . . . . . 433.2 Trabalhos Relacionados ao Uso da Afetividade . . . . . . . . . . . . . . 47

4 Affective Attention Focus Agent (AAFA) 534.1 Arquitetura AAFA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

4.1.1 Módulo Core . . . . . . . . . . . . . . . . . . . . . . . . . . . . 554.1.2 Módulo Behavioral . . . . . . . . . . . . . . . . . . . . . . . . . 564.1.3 Funcionamento da Arquitetura . . . . . . . . . . . . . . . . . . . 58

4.2 O Sub-Módulo Foco de Atenção . . . . . . . . . . . . . . . . . . . . . . 604.2.1 A Fase de Pré-Processamento das Percepções do Ambiente . . . . 624.2.2 Foco Qualitativo . . . . . . . . . . . . . . . . . . . . . . . . . . 644.2.3 Foco Quantitativo . . . . . . . . . . . . . . . . . . . . . . . . . . 67

4.3 O Sub-Módulo Afetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . 684.4 O Foco de Atenção Afetivo . . . . . . . . . . . . . . . . . . . . . . . . . 72

4.4.1 Atualização do Estado Emocional . . . . . . . . . . . . . . . . . 744.4.2 Atualização do Foco Qualitativo . . . . . . . . . . . . . . . . . . 764.4.3 Atualização do Estado de Humor . . . . . . . . . . . . . . . . . 774.4.4 Atualização do Foco Quantitativo . . . . . . . . . . . . . . . . . 784.4.5 Processo de Decaimento Emocional . . . . . . . . . . . . . . . . 794.4.6 Processo de Decaimento do Humor . . . . . . . . . . . . . . . . 80

5 Implementação e Validação da Arquitetura AAFA 825.1 Implementando o AAFA usando o Jason . . . . . . . . . . . . . . . . . . 825.2 Metodologia de Validação . . . . . . . . . . . . . . . . . . . . . . . . . 855.3 Análise de Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92

5.3.1 Cenário de Teste 01 . . . . . . . . . . . . . . . . . . . . . . . . . 945.3.1.1 OMN versus AAF-SfTf . . . . . . . . . . . . . . . . . 945.3.1.2 OMN versus AAF-SdTf . . . . . . . . . . . . . . . . . 985.3.1.3 OMN versus AAF-SdTd . . . . . . . . . . . . . . . . . 1025.3.1.4 OMN versus AAF-SfTd . . . . . . . . . . . . . . . . . 1055.3.1.5 Comparativo Geral Cenário de Testes 01 . . . . . . . . 108

5.3.2 Cenário de Teste 02 . . . . . . . . . . . . . . . . . . . . . . . . . 1155.3.2.1 OMN versus AAF-SfTf . . . . . . . . . . . . . . . . . 1155.3.2.2 OMN versus AAF-SdTf . . . . . . . . . . . . . . . . . 1175.3.2.3 Comparativo Geral Cenário de Testes 02 . . . . . . . . 1215.3.2.4 Foco Qualitativo versus Foco Quantitativo . . . . . . . 1305.3.2.5 Aspecto Danger versus Aspecto Fatal . . . . . . . . . 135

5.4 Avaliação Geral dos Resultados . . . . . . . . . . . . . . . . . . . . . . 140

6 Considerações Finais e Trabalhos Futuros 1466.1 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1466.2 Trabalhos em Andamento . . . . . . . . . . . . . . . . . . . . . . . . . . 147

6.2.1 Framework PIABA . . . . . . . . . . . . . . . . . . . . . . . . . 1476.2.2 Sistema NatalGis . . . . . . . . . . . . . . . . . . . . . . . . . . 1506.2.3 Projeto: Desenvolvimento de Personagens Virtuais Afetivos . . . 151

6.3 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153

Referências Bibliográficas 156

A Informações Adicionais A 168A.1 Análise Resultados do Cenário de Teste 03 . . . . . . . . . . . . . . . . . 168

A.1.1 OMN versus AAF-SfTf . . . . . . . . . . . . . . . . . . . . . . 168A.1.2 OMN versus AAF-SdTf . . . . . . . . . . . . . . . . . . . . . . 171A.1.3 OMN versus AAF-SdTd . . . . . . . . . . . . . . . . . . . . . . 174A.1.4 Comparativo Geral Cenário de Testes 03 . . . . . . . . . . . . . . 176

B Informações Adicionais B 182B.1 Dados sobre Avaliação Estatística do Cenário 01 . . . . . . . . . . . . . 183

B.1.1 Agentes AAF-SdTd . . . . . . . . . . . . . . . . . . . . . . . . 183B.1.2 Agentes AAF-SfTf . . . . . . . . . . . . . . . . . . . . . . . . . 186B.1.3 Agentes AAF-SdTf . . . . . . . . . . . . . . . . . . . . . . . . . 189B.1.4 Agentes AAF-SfTd . . . . . . . . . . . . . . . . . . . . . . . . . 192

B.2 Dados sobre Avaliação Estatística do Cenário 02 . . . . . . . . . . . . . 195B.2.1 Agentes AAF-SfTf . . . . . . . . . . . . . . . . . . . . . . . . . 195B.2.2 Agentes AAF-SdTf . . . . . . . . . . . . . . . . . . . . . . . . . 198

B.3 Dados sobre Avaliação Estatística do Cenário 03 . . . . . . . . . . . . . 201B.3.1 Agentes AAF-SfTf . . . . . . . . . . . . . . . . . . . . . . . . . 201B.3.2 Agentes AAF-SdTf . . . . . . . . . . . . . . . . . . . . . . . . . 204B.3.3 Agentes AAF-SdTd . . . . . . . . . . . . . . . . . . . . . . . . 207

Lista de Figuras

1.1 Relacionamento entre o Foco Espacial e o Foco Temporal. . . . . . . . . 13

2.1 Robô Aspirador [Wooldridge 2002]. . . . . . . . . . . . . . . . . . . . . 172.2 Agentes reativos: Arquitetura Subsumption [Brooks 1986]. . . . . . . . . 182.3 Arquitetura geral para agentes inteligentes [Garcia & Sichman 2003]. . . 192.4 Taxonomia para Sistemas Multiagentes [Garcia & Sichman 2003]. . . . . 202.5 Ciclo padrão de raciocínio da plataforma Jason [Bordini et al. 2007]. . . 242.6 A simplificação do modelo de simulação [Signoretti et al. 2008]. . . . . . 252.7 Processo de simulação e modelagem [Signoretti et al. 2008]. . . . . . . . 262.8 Modelo OCC original [Junior 2008]. . . . . . . . . . . . . . . . . . . . 33

4.1 Visão resumida da arquitetura AAFA. . . . . . . . . . . . . . . . . . . . 544.2 Arquitetura AAFA em detalhes. . . . . . . . . . . . . . . . . . . . . . . 564.3 Diagrama de sequência da arquitetura AAFA. . . . . . . . . . . . . . . . 594.4 Relacionamento entre o sub-módulo afetivo e os demais componentes de

um comportamento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 604.5 Membrana virtual proposta para a percepção do agente AAFA. . . . . . . 614.6 Processo completo do Foco de Atenção dos agentes AAFA. . . . . . . . . 684.7 O modelo OCC reduzido usado no sub-módulo afetivo. Baseado em

[Bartneck 2002a]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 704.8 Interação entre os modelos de emoção, humor e personalidade na arqui-

tetura AAFA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 714.9 Comportamento de l(x(t)) para δ = 1,5 e µ = 0,2. . . . . . . . . . . . . 804.10 Comportamento da intensidade emocional considerando o processo de

elicitação e decaimento. OCC+ representa a emoção positiva e OCC-representa a emoção negativa. . . . . . . . . . . . . . . . . . . . . . . . 81

5.1 Ciclo de raciocínio do Jason incluindo o Affective Attention Focus . . . . 835.2 Representação gráfica do Cenário de teste 01. Legenda: 1=sinalização

de emergência; 2=saída de emergência; 3=foco de incêndio; 4=alarmesonoro; 5=agente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88

5.3 Representação gráfica do Cenário de teste 02. Legenda: 1=sinalizaçãode emergência; 2=saída de emergência; 3=foco de incêndio; 4=alarmesonoro; 5=agente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88

5.4 Representação gráfica do Cenário de teste 03. Legenda: 1=sinalizaçãode emergência; 2=saída de emergência; 3=foco de incêndio; 4=alarmesonoro; 5=agente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89

iv

5.5 N. agentes mortos em relação ao foco qualitativo - cenário 01. . . . . . . 985.6 N. agentes mortos em relação ao foco quantitativo - cenário 01. . . . . . . 985.7 Passos de simulação em relação ao foco qualitativo - cenário 01. . . . . . 985.8 Passos de simulação em relação ao foco quantitativo - cenário 01. . . . . 985.9 Tempo de simulação em relação ao foco qualitativo - cenário 01. . . . . . 985.10 Tempo de simulação em relação ao foco quantitativo - cenário 01. . . . . 985.11 N. agentes mortos em relação ao foco qualitativo - cenário 01. . . . . . . 1015.12 N. agentes mortos em relação ao foco quantitativo - cenário 01. . . . . . . 1015.13 Passos de simulação em relação ao foco qualitativo - cenário 01. . . . . . 1015.14 Passos de simulação em relação ao foco quantitativo - cenário 01. . . . . 1015.15 Tempo de simulação em relação ao foco qualitativo - cenário 01. . . . . . 1015.16 Tempo de simulação em relação ao foco quantitativo - cenário 01. . . . . 1015.17 N. de agentes mortos em relação ao foco qualitativo - cenário 01. . . . . . 1045.18 N. de agentes mortos em relação ao foco quantitativo - cenário 01. . . . . 1045.19 Passos de simulação em relação ao foco qualitativo - cenário 01. . . . . . 1045.20 Passos de simulação em relação ao foco quantitativo - cenário 01. . . . . 1045.21 Tempo de simulação em relação ao foco qualitativo - cenário 01. . . . . . 1045.22 Tempo de simulação em relação ao foco quantitativo - cenário 01. . . . . 1045.23 N. de agentes mortos em relação ao foco qualitativo - cenário 01. . . . . . 1075.24 N. de agentes mortos em relação ao foco quantitativo - cenário 01. . . . . 1075.25 Passos de simulação em relação ao foco qualitativo - cenário 01. . . . . . 1075.26 Passos de simulação em relação ao foco quantitativo - cenário 01. . . . . 1075.27 Tempo de simulação em relação ao foco qualitativo - cenário 01. . . . . . 1075.28 Tempo de simulação em relação ao foco quantitativo - cenário 01. . . . . 1075.29 Comparativo do n. de mortos nos casos de melhor quantidade de mortos

- cenário 01. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1115.30 Comparativo do n. de passos nos casos de melhor quantidade de mortos -

cenário 01. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1115.31 Comparativo do tempo nos casos de melhor quantidade de mortos - cená-

rio 01. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1115.32 Comparativo do n. de mortos nos casos de melhor tempo de simulação -

cenário 01. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1125.33 Comparativo do n. de passos nos casos de melhor tempo de simulação -

cenário 01. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1125.34 Comparativo do tempo nos casos de melhor tempo de simulação - cenário

01. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1125.35 Comparativo do n. de mortos com a média geral dos experimentos - ce-

nário 01. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1135.36 Comparativo do n. de passos com a média geral dos experimentos - cená-

rio 01. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1135.37 Comparativo do tempo com a média geral dos experimentos - cenário 01. 1135.38 Comparativo do n. de mortos por foco qualitativo - cenário 01. . . . . . . 1155.39 Comparativo do n. de mortos nos por foco quantitativo - cenário 01. . . . 1155.40 Comparativo do n. de passos por foco qualitativo - cenário 01. . . . . . . 115

5.41 Comparativo do n. de passos por foco quantitativo - cenário 01. . . . . . . 1155.42 Comparativo do tempo por foco qualitativo - cenário 01. . . . . . . . . . 1155.43 Comparativo do tempo por foco quantitativo - cenário 01. . . . . . . . . . 1155.44 N. de agentes mortos em relação ao foco qualitativo - cenário 02. . . . . . 1195.45 N. de agentes mortos em relação ao foco quantitativo - cenário 02. . . . . 1195.46 Passos de simulação em relação ao foco qualitativo - cenário 02. . . . . . 1195.47 Passos de simulação em relação ao foco quantitativo - cenário 02. . . . . 1195.48 Tempo de simulação em relação ao foco qualitativo - cenário 02. . . . . . 1195.49 Tempo de simulação em relação ao foco quantitativo - cenário 02. . . . . 1195.50 N. de agentes mortos em relação ao foco qualitativo - cenário 02. . . . . . 1225.51 N. de agentes mortos em relação ao foco quantitativo - cenário 02. . . . . 1225.52 Passos de simulação em relação ao foco qualitativo - cenário 02. . . . . . 1225.53 Passos de simulação em relação ao foco quantitativo - cenário 02. . . . . 1225.54 Tempo de simulação em relação ao foco qualitativo - cenário 02. . . . . . 1225.55 Tempo de simulação em relação ao foco quantitativo - cenário 02. . . . . 1225.56 Comparativo do n. de mortos nos casos de melhor quantidade de mortos

- cenário 02. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1265.57 Comparativo do n. de passos nos casos de melhor quantidade de mortos -

cenário 02. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1265.58 Comparativo do tempo nos casos de melhor quantidade de mortos - cená-

rio 02. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1265.59 Comparativo do n. de mortos nos casos de melhor tempo de simulação -

cenário 02. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1275.60 Comparativo do n. de passos nos casos de melhor tempo de simulação -

cenário 02. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1275.61 Comparativo do tempo nos casos de melhor tempo de simulação - cenário

02. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1275.62 Comparativo do n. de mortos com a média geral dos experimentos - ce-

nário 02. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1285.63 Comparativo do n. de passos com a média geral dos experimentos - cená-

rio 02. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1285.64 Comparativo do tempo com a média geral dos experimentos - cenário 02. 1285.65 Comparativo do n. de mortos por foco qualitativo - cenário 02. . . . . . . 1295.66 Comparativo do n. de mortos nos por foco quantitativo - cenário 02. . . . 1295.67 Comparativo do n. de passos por foco qualitativo - cenário 02. . . . . . . 1295.68 Comparativo do n. de passos por foco quantitativo - cenário 02. . . . . . . 1295.69 Comparativo do tempo por foco qualitativo - cenário 02. . . . . . . . . . 1295.70 Comparativo do tempo por foco quantitativo - cenário 02. . . . . . . . . . 1295.71 Simulação no cenário 02 com o aspecto Danger ativado. . . . . . . . . . 1315.72 Simulação no cenário 02 com o aspecto Fatal ativado. . . . . . . . . . . . 1325.73 N. de mortos agentes SfTf com F = 10001 e F = 10101 - cenário 02. . . 1335.74 T. de simulação agentes SfTf com F = 10001 e F = 10101 - cenário 02. . 1335.75 N. de mortos agentes SfTf com F = 10001 e F = 10101 - cenário 02. . . 1345.76 T. de simulação agentes SfTf com F = 10001 e F = 10101 - cenário 02. . 134

5.77 N. de mortos agentes OMN e agentes AAF com F = 10001 - cenário 02. . 1375.78 T. de simulação agentes OMN e agentes AAF com F = 10001 - cenário 02.1375.79 N. de mortos agentes OMN e agentes AAF com F = 10100 - cenário 02. . 1375.80 T. de simulação agentes OMN e agentes AAF com F = 10100 - cenário 02.1375.81 T. de simulação agentes AAF com F dinâmico.F = 10001 e F = 10100 -

cenário 02. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1375.82 T. de simulação agentes AAF com F fixo. F = 10001 e F = 10100 -

cenário 02. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1375.83 Mortos por f. qualitativo. . . . . . . . . . . . . . . . . . . . . . . . . . . 1405.84 Mortos por f. qualitativo. . . . . . . . . . . . . . . . . . . . . . . . . . . 1405.85 Mortos por f. quantitativo. . . . . . . . . . . . . . . . . . . . . . . . . . 1405.86 Mortos por f. quantitativo. . . . . . . . . . . . . . . . . . . . . . . . . . 1405.87 Passos por f. qualitativo. . . . . . . . . . . . . . . . . . . . . . . . . . . 1415.88 Passos por f. qualitativo. . . . . . . . . . . . . . . . . . . . . . . . . . . 1415.89 Passos por f. qualitativo. . . . . . . . . . . . . . . . . . . . . . . . . . . 1415.90 Passos por f. quantitativo. . . . . . . . . . . . . . . . . . . . . . . . . . . 1425.91 Passos por f. quantitativo. . . . . . . . . . . . . . . . . . . . . . . . . . . 1425.92 Passos por f. quantitativo. . . . . . . . . . . . . . . . . . . . . . . . . . . 1425.93 Tempo por f. qualitativo. . . . . . . . . . . . . . . . . . . . . . . . . . . 1435.94 Tempo por f. qualitativo . . . . . . . . . . . . . . . . . . . . . . . . . . 1435.95 Tempo por f. qualitativo . . . . . . . . . . . . . . . . . . . . . . . . . . 1435.96 Tempo por f. quantitativo. . . . . . . . . . . . . . . . . . . . . . . . . . 1445.97 Tempo por f. quantitativo . . . . . . . . . . . . . . . . . . . . . . . . . . 1445.98 Tempo por f. quantitativo . . . . . . . . . . . . . . . . . . . . . . . . . . 144

6.1 A arquitetura do NatalGIS onde IA representa o agente de Interface, RAo agente de Recomendação e CA o agente de Controle [Junior et al. 2011] 151

A.1 Passos de simulação (SfTf) em relação ao foco qualitativo - cenário 03. . 171A.2 Passos de simulação (SfTf) em relação ao foco quantitativo - cenário 03. . 171A.3 Tempo de simulação (SfTf) em relação ao foco qualitativo - cenário 03. . 171A.4 Tempo de simulação (SfTf) em relação ao foco quantitativo - cenário 03. . 171A.5 Passos de simulação (SdTf) em relação ao foco qualitativo - cenário 03. . 173A.6 Passos de simulação (SdTf) em relação ao foco quantitativo - cenário 03. . 173A.7 Tempo de simulação (SdTf) em relação ao foco qualitativo - cenário 03. . 173A.8 Tempo de simulação (SdTf) em relação ao foco quantitativo - cenário 03. 173A.9 Comparativo do n. de passos nos casos de melhor tempo de simulação -

cenário 03. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179A.10 Comparativo do tempo nos casos de melhor tempo de simulação - cenário

03. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179A.11 Comparativo do n. de passos com a média geral dos experimentos - cená-

rio 03. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180A.12 Comparativo do tempo com a média geral dos experimentos - cenário 03. 180A.13 Comparativo do n. de passos por foco qualitativo - cenário 03. . . . . . . 181A.14 Comparativo do n. de passos por foco quantitativo - cenário 03. . . . . . . 181

A.15 Comparativo do tempo por foco qualitativo - cenário 03. . . . . . . . . . 181A.16 Comparativo do tempo por foco quantitativo - cenário 03. . . . . . . . . . 181

Lista de Tabelas

2.1 Aplicações de Simulação Multiagente. . . . . . . . . . . . . . . . . . . . 282.2 Respostas emocionais em relação ao nível de visibilidade dos efeitos. . . 322.3 Descrição dos tipos de humor no modelo PAD. . . . . . . . . . . . . . . 402.4 Dimensões do PAD versus Traços do OCEAN. . . . . . . . . . . . . . . 412.5 Matriz de correlação entre o modelo OCC e o PAD. . . . . . . . . . . . . 42

4.1 Matriz αi j - OCC versus PAD. . . . . . . . . . . . . . . . . . . . . . . . 78

5.1 Configuração dos parâmetros da arquitetura proposta usada nos testes devalidação. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92

5.2 Meta_info operators definidos para os testes de validação da arquiteturaproposta. (fUF=factorUpdateFocus). . . . . . . . . . . . . . . . . . . . . 93

5.3 Foco quantitativo usado nos testes com o cenário 01. . . . . . . . . . . . 945.4 Foco qualitativo usado nos teste com o cenário 01. . . . . . . . . . . . . . 945.5 Tabela de resultados comparativos entre agentes oniscientes (OMN) e

agentes AAFA com foco qualitativo e quantitativo fixo (AAF-SfTf) - ce-nário 01. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95

5.6 Tabela de resultados comparativos entre agentes oniscientes (OMN) eagentes AAF-SfTf agrupados por foco quantitativo e por foco qualitativo- cenário 01. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96

5.7 Tabela de resultados comparrativos entre agentes oniscientes (OMN) eagentes AAFA com foco qualitativo dinâmico e foco temporal fixo (AAF-SdTf) - cenário 01. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99

5.8 Tabela de resultados comparativos entre agentes oniscientes (OMN) eagentes AAF-SdTf agrupados por foco quantitativo e por foco qualitativo- cenário 01. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100

5.9 Tabela de resultados comparrativos entre agentes oniscientes (OMN) eagentes AAFA com foco qualitativo dinâmico e foco quantitativo dinâ-mico (AAF-SdTd) - cenário 01. . . . . . . . . . . . . . . . . . . . . . . . 102

5.10 Tabela de resultados comparativos entre agentes oniscientes (OMN) eagentes AAF-SdTd agrupados por foco quantitativo e por foco qualita-tivo - cenário 01. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

5.11 Tabela de resultados comparativos entre agentes oniscientes (OMN) eagentes AAFA com foco qualitativo fixo e foco quantitativo dinâmico(AAF-SfTd) - cenário 01. . . . . . . . . . . . . . . . . . . . . . . . . . . 105

ix

5.12 Tabela de resultados comparativos entre agentes oniscientes (OMN) eagentes AAF-SfTd agrupados por foco quantitativo e por foco qualitativo- cenário 01. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106

5.13 Melhores resultados em relação ao número de mortos no cenário de teste01. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108

5.14 Melhores resultados em relação ao tempo de simulação no cenário de teste01. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109

5.15 Média dos resultados de todos os experimentos no cenário de teste 01. . . 1105.16 Foco quantitativo usado nos testes com o cenário 02. . . . . . . . . . . . 1165.17 Tabela de resultados comparativos entre agentes oniscientes (OMN) e

agentes AAFA com foco qualitativo e quantitativo fixo (AAF-SfTf) - ce-nário 02. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

5.18 Tabela de resultados comparativos entre agentes oniscientes (OMN) eagentes AAF-SfTf agrupados por foco quantitativo e por foco qualitativo- cenário 02. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118

5.19 Tabela de resultados comparativos entre agentes oniscientes (OMN) eagentes AAFA com foco qualitativo dinâmico e quantitativo fixo (AAF-SdTf) - cenário 02. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120

5.20 Tabela de resultados comparativos entre agentes oniscientes (OMN) eagentes AAF-SdTf agrupados por foco quantitativo e por foco qualitativo- cenário 02. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121

5.21 Melhores resultados em relação ao número de mortos no cenário de teste02. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

5.22 Melhores resultados em relação ao tempo de simulação no cenário de teste02. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

5.23 Média dos resultados de todos os experimentos no cenário de teste 02. . . 1245.24 Tabela de resultados médios agentes AAF-SfTf com foco qualitativo F=1001

- cenário 02. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1335.25 Tabela de resultados médios agentes AAF-SfTf com foco qualitativo F=10101

- cenário 02. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1345.26 Tabela de resultados médios agentes AAF-SdTf com foco qualitativo ini-

cial F = 10101 - cenário 02. . . . . . . . . . . . . . . . . . . . . . . . . 1355.27 Tabela de resultados médios agentes AAF com foco qualitativo inicial

F=10001 - cenário 02. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1385.28 Tabela de resultados médios agentes AAF com foco qualitativo inicial

F=10100 - cenário 02. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139

A.1 Foco quantitativo usado nos testes com o cenário 03. . . . . . . . . . . . 168A.2 Tabela de resultados comparativos entre agentes oniscientes (OMN) e

agentes AAFA com foco qualitativo e quantitativo fixo (AAF-SfTf) - ce-nário 03. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169

A.3 Tabela de resultados comparativos entre agentes oniscientes (OMN) eagentes AAF-SfTf agrupados por foco quantitativo e por foco qualitativo- cenário 03. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170

A.4 Tabela de resultados comparativos entre agentes oniscientes (OMN) eagentes AAFA com foco qualitativo dinâmico e foco quantitativo fixo(AAF-SdTf) - cenário 03. . . . . . . . . . . . . . . . . . . . . . . . . . . 171

A.5 Tabela de resultados comparativos entre agentes oniscientes (OMN) eagentes AAF-SdTf agrupados por foco quantitativo e por foco qualitativo- cenário 03. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172

A.6 Tabela de resultados comparativos entre agentes oniscientes (OMN) eagentes AAFA com foco qualitativo e foco quantitativo dinâmicos (AAF-SdTd) - cenário 03. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174

A.7 Tabela de resultados comparativos entre agentes oniscientes (OMN) eagentes AAF-SdTd agrupados por foco quantitativo e por foco qualita-tivo - cenário 03. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175

A.8 Comparação de resultados do Número de Passos de Simulação agrupadospor foco quantitativo e qualitativo dos agentes SdTd e SdTf - cenário 03. . 176

A.9 Comparação de resultados do Tempo de Simulação agrupados por focoquantitativo e qualitativo dos agentes SdTd e SdTf - cenário 03 . . . . . . 176

A.10 Melhores resultados em relação ao tempo de simulação no cenário de teste03. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177

A.11 Média dos resultados de todos os experimentos no cenário de teste 03. . . 178

B.1 AAF-SdTd - Cenário 01 - Número de Mortos . . . . . . . . . . . . . . . 183B.2 AAF-SdTd - Cenário 01 - Passos de Simulação . . . . . . . . . . . . . . 184B.3 AAF-SdTd - Cenário 01 - Tempo Total de Simulação . . . . . . . . . . . 185B.4 AAF-SfTf - Cenário 01 - Número de Mortos . . . . . . . . . . . . . . . . 186B.5 AAF-SfTf - Cenário 01 - Passos de Simulação . . . . . . . . . . . . . . . 187B.6 AAF-SfTf - Cenário 01 - Tempo Total de Simulação . . . . . . . . . . . 188B.7 AAF-SdTf - Cenário 01 - Número de Mortos . . . . . . . . . . . . . . . 189B.8 AAF-SdTf - Cenário 01 - Passos de Simulação . . . . . . . . . . . . . . 190B.9 AAF-SdTf - Cenário 01 - Tempo Total de Simulação . . . . . . . . . . . 191B.10 AAF-SfTd - Cenário 01 - Número de Mortos . . . . . . . . . . . . . . . 192B.11 AAF-SfTd - Cenário 01 - Passos de Simulação . . . . . . . . . . . . . . 193B.12 AAF-SfTd - Cenário 01 - Tempo Total de Simulação . . . . . . . . . . . 194B.13 AAF-SfTf - Cenário 02 - Número de Mortos . . . . . . . . . . . . . . . . 195B.14 AAF-SfTf - Cenário 02 - Passos de Simulação . . . . . . . . . . . . . . . 196B.15 AAF-SfTf - Cenário 02 - Tempo Total de Simulação . . . . . . . . . . . 197B.16 AAF-SdTf - Cenário 02 - Número de Mortos . . . . . . . . . . . . . . . 198B.17 AAF-SdTf - Cenário 02 - Passos de Simulação . . . . . . . . . . . . . . 199B.18 AAF-SdTf - Cenário 02 - Tempo Total de Simulação . . . . . . . . . . . 200B.19 AAF-SfTf - Cenário 03 - Número de Mortos . . . . . . . . . . . . . . . . 201B.20 AAF-SfTf - Cenário 03 - Passos de Simulação . . . . . . . . . . . . . . . 202B.21 AAF-SfTf - Cenário 03 - Tempo Total de Simulação . . . . . . . . . . . 203B.22 AAF-SdTf - Cenário 03 - Número de Mortos . . . . . . . . . . . . . . . 204B.23 AAF-SdTf - Cenário 03 - Passos de Simulação . . . . . . . . . . . . . . 205B.24 AAF-SdTf - Cenário 03 - Tempo Total de Simulação . . . . . . . . . . . 206B.25 AAF-SdTd - Cenário 03 - Número de Mortos . . . . . . . . . . . . . . . 207

B.26 AAF-SdTd - Cenário 03 - Tempo Total de Simulação . . . . . . . . . . . 208

Capítulo 1

Introdução

A utilização de simulações nas diversas áreas do conhecimento humano, e em especialnas organizações, tem trazido inúmeros benefícios, tais como: a estimativa de resultadosna execução de uma determinada ação, avaliação dos riscos associados com um determi-nado processo, a identificação de possíveis problemas antes mesmo de suas ocorrências[Canuto, Campos & Alchieri 2005][Sierhuis et al. 2000]. A simulação não é uma fer-ramenta de tomada de decisão mas sim uma ferramenta de apoio a decisão [Siebers &Aickelin 2008][Siebers & Clegg 2008a]. Os modelos baseados em reprodução da “rea-lidade organizacional” têm se tornado efetivos no estudo de comportamentos dentro dosambientes organizacionais e também fora deles. O uso de tais modelos proporciona a re-dução dos riscos e custos no processo de tomada de decisão em sistemas administrativos,produtivos, econômicos, financeiros, atingindo, com isso, maior interesse da sociedade[Campos et al. 2003]. Para tanto, a simulação vem permitindo a reprodução das açõesda “realidade” sob forma virtual e auto-dirigida, que enfatizem o conhecimento das inter-relações dos elementos dos sistemas.

O estudo da dinâmica das organizações humanas, através de modelos computacio-nais, tem feito grande uso do paradigma de agentes através da simulação multi-agentes[Wooldridge 2002]. Esse tipo particular de simulação tem mostrado ser uma importanteferramenta no estudo de sistemas complexos adaptativos e, em especial, em sistemassociais [Gilbert & Buckingham 1999] e organizacionais [Prietula et al. 1998][Ilgen &Hulin 2000].

Não existe dúvida que as práticas gerenciais são decisivas para o desempenho de qual-quer organização independentemente do seu tipo. Porém, a maioria dos métodos de pes-quisa operacional [Hillier & Lieberman 2010] servem apenas para analisar as práticasgerenciais que já estejam implementadas. Frequentemente, eles são pouco úteis paraespecular sobre a possibilidade do que poderia acontecer em determinadas circunstân-cias especiais. A simulação pode ser usada para responder a esse tipo de especulação.Neste contexto, a simulação multi-agente é particularmente interessante, por permitir aexpressão de interação complexa entre entidades do sistema. Essa interação é expressano modelo de simulação, onde o processo de decisão dos atores envolvidos é definido nonível micro e o comportamento global emerge, no nível macro, do relacionamento dosagentes [Siebers & Clegg 2008a].

Simulações de sistema complexos geram a necessidade de manipular uma grande

CAPÍTULO 1. INTRODUÇÃO 2

quantidade de dados e, ocasionalmente, isso deve ser feito considerando-se severas res-trições de tempo. Dessa forma, o processo de raciocínio de agentes de um sistema multi-agente implementado, por exemplo, para funcionar em um ambiente real, pode se tornaruma tarefa computacionalmente intensiva, devido à necessidade de manipular a grandequantidade de informações que caracterizam esse ambiente. Nessa situação, uma maneiramais eficiente de manipular essa quantidade de dados provenientes desse tipo de ambienteé bastante desejável.

Como uma ilustração, considere uma situação de emergência de um incêndio em umprédio repleto de pessoas, que tentam desesperadamente escapar do modo mais rápido eseguro para garantir a sobrevivência. Antes do incêndio, todas esses indivíduos estariam,supostamente, realizando as tarefas normais de trabalho, agindo e percebendo o ambi-ente visando atingir os objetivos com os quais estavam comprometidos. Quando umasituação perigosa é percebida (pelo cheiro de fumaça, ou pelo som do alarme de incên-dio), os objetivos desses indivíduos devem mudar e, como consequência, os elementosdo ambiente que eram úteis para os objetivos anteriores se tornam dispensáveis. A partirdesse instante, os processos de decisão dos indivíduos levam em consideração apenas oselementos importantes para garantir a própria sobrevivência, mesmo que os demais ele-mentos continuem a estar presentes dentro do campo de percepção deles. Os elementosconsiderados “não importantes” são automaticamente descartados, já que eles não são ne-cessários para alcançar o objetivo principal do momento que é sobreviver à situação. Esseprocesso de filtro, efetuado pela percepção dos indivíduos, é realizado inconscientementepela maioria dos seres humanos.

Dado que esse mecanismo de filtragem da percepção dos seres humanos parece fun-cionar muito bem, seria interessante criar um modelo que pudesse imitá-lo. Dessa forma,os agentes poderiam decidir qual informação é ou não importante em relação à situa-ção vivenciada em um determinado momento. Além disso, quando o ambiente muda, oagente poderia contar com um processo de adaptação da sua percepção, para que ela seadequasse à nova situação em andamento. Por convenção, de agora em diante o processode filtragem da percepção passa a ser denominado de foco de atenção do agente.

Outra concepção importante relativa à percepção que os seres humanos têm do mundoao seu redor, é relativa à atividade ou comportamento que está sendo executado. Ou seja,dependendo da atividade ou comportamento, o que é percebido no ambiente é filtradode forma diferente. Por exemplo, a percepção de um indivíduo que dirige um automó-vel é consideravelmente diferente da percepção do indivíduo que segue como passageiro.Desse modo, o modelo de foco de atenção do agente deve poder perceber as informaçõesque são importantes em relação às situações vivenciadas no ambiente, como também per-ceber o que é importante para a atividade ou comportamento que está sendo executado nomomento. Uma solução possível para atender essas necessidades é o agente basear o seuplanejamento a partir de um conjunto de comportamentos que podem ser encadeados deforma a construir um “caminho” para atingir os objetivos necessários. Cada um dessescomportamentos teria, então, um foco de atenção direcionado às suas necessidades. Di-ante de uma situação de emergência como a descrita anteriormente, o agente adotaria umcomportamento de fuga, cujo o foco de atenção seria responsável por perceber somenteas informações necessárias para atingir o objetivo imediato de manter-se vivo. Em uma


situação normal, como a descrita antes do incêndio começar, o agente estaria realizandoum conjunto de comportamentos, cada um com o seu próprio foco de atenção. Esse con-junto de comportamentos teria sido construído pelo seu processo de planejamento, comosendo a melhor opção para ter sucesso nos objetivos com os quais o agente estivessecomprometido.

Com esse modelo de percepção, as simulações poderiam levar em conta ambientesmuito mais descritivos, e permitiria que os agentes fossem mais eficientes no seus proces-sos de raciocínio e planejamento e também mais credíveis no contexto de uma simulaçãoorganizacional.

A arquitetura proposta nesse trabalho provê o agente com um mecanismo de plane-jamento baseado em comportamentos, onde cada comportamento é dotado de um focode atenção, que implementa um processo de percepção que se ajusta dinamicamente[Signoretti et al. 2010]. O processo de ajuste dinâmico da percepção do agente é ins-pirado no modo em que os humanos analisam o ambiente repleto de eventos e objetos emque vivem. Seguindo essa inspiração, o foco de atenção fará com que o módulo de racio-cínio do agente trabalhe com um conjunto reduzido de percepções, contendo somente asinformações mais importantes para o momento analisado. A proposta desse mecanismoé aumentar a eficiência do processo de raciocínio, reduzindo o tempo de execução, semimplicar em redução da precisão.

Normalmente, é fácil para os seres humanos identificar quais percepções devem serfocadas em um situação significativa [Hulse & Memon 2006]. Muitos estudos mos-tram que as emoções executam um importante papel nesse processo (por exemplo [Foxet al. 2001]). Uma vez que as emoções são elicitadas, elas influenciam as ações e osjulgamentos em relação aos eventos que ocorreram previamente no ambiente [Marsella& Gratch 2009], afetando o relacionamento entre a pessoa e o seu ambiente [Smith &Lazarus 1990]. Sendo assim, como a arquitetura proposta se inspira na forma humana depercepção, um módulo afetivo é usado para ajustar dinamicamente o foco de atenção doagente.

Tendo em vista que as emoções são considerados elementos afetivos rápidos (apare-cem e desaparecem em um tempo relativamente curto) [Kasap et al. 2009], a arquiteturaproposta faz uso de um componente afetivo baseado não só nas emoções, mas tambémno humor e na personalidade, considerados elementos afetivos mais estáveis [Gebhardet al. 2003][Gebhard et al. 2004]. Esse modelo afetivo considera os três tipos de elemen-tos afetivos, operando como ocorre nos humanos [Gebhard 2005][Kasap et al. 2009], ouseja:

1. As emoções, como um elemento afetivo rápido, consequência de even-tos ambientais e que decai com um tempo que é função do perfil depersonalidade;

2. O humor, como um elemento afetivo de média duração, cuja duraçãoé normalmente maior do que as emoções e não está ligado a nenhumevento ambiental específico;

3. A personalidade, como um elemento afetivo de longa duração, que re-flete as características individuais que influenciam o modo de percebero ambiente, o comportamento e as ações.


1.1 MotivaçãoOs seres humanos possuem alguns comportamentos que, computacionalmente, são

complicadas de obter. Vivemos em um ambiente que é repleto de informações que mu-dam de forma muito dinâmica mas, mesmo assim, somos capazes de perceber suavesmudanças de determinados aspectos no meio de uma infinidade de outros, muitas vezesatravés do que é denominado de "sexto sentido". Isso sugere algumas perguntas interes-santes como: como conseguimos nos focar em um determinado objetivo em detrimentode outros, mesmo no meio de uma quantidade enorme de informações que nossos senti-dos são capazes de perceber? Ou, como nossa memória funciona, quando nos lembramosde algo de um passado distante ao escutarmos uma música ou termos um vislumbre deuma imagem diante dos nossos olhos? Ou ainda, como, no nosso processo de raciocínio,conseguimos associar situações passadas (nossa "experiência") a fenômenos presentes,que são apenas parcialmente parecidos com o que foi realmente vivenciado no passado?Apesar das respostas ainda não serem um consenso, os seres humanos são muito eficien-tes em lidar com o problema de decidir, em um determinado contexto, o que é importantee o que não é, em um dado instante de tempo, na busca por uma solução adequada queseja aplicável às condições vigentes.

A motivação deste trabalho é usar, como inspiração, as ferramentas humanas de per-cepção, na criação de um modelo computacional de percepção. Este modelo deve sergenérico o suficiente para para ser usado na maioria das arquiteturas atuais de agentesinteligentes. Para entender esse modelo, é necessário compreender as várias partes que oconstituem, ou seja: o ambiente, o processo de percepção das informações desse ambi-ente, o processo de raciocínio e planejamento do agente e a afetividade.

Além das partes do modelo, é necessário considerar que as tarefas que os seres huma-nos realizam automaticamente, quando associam o processo de cognição com o processode raciocínio e planejamento, são influenciados, segundo pesquisadores como Damasio[Damasio 1995], pela emoção e pelos sentimentos. Ou seja, não existe um processo de in-teligência racional dissociado das emoções e dos sentimentos. Dessa forma, é imperativoque os processos emocionais estejam presentes no modelo.

1.1.1 O AmbienteA descrição de um ambiente real, na forma de um modelo computacional, com o

objetivo de gerar um arcabouço onde seres humanos possam viver, se revela uma tarefabastante complexa, mesmo que o tamanho do ambiente considerado seja pequeno, porexemplo um escritório de trabalho. A modelagem completa, somente do ambiente físicoque compõe o escritório já seria exaustiva em relação à quantidade de variáveis necessá-rias para descrever todos os detalhes. Se for considerado a relação entre o ambiente e o serhumano que o ocupa, a quantidade de elementos se multiplica. Para que ambientes reaispossam ser modelados em um processo computacional é necessário pensar em simplifica-ções. É necessário impor uma redução no universo dos dados a serem considerados. Mas,como saber o que é importante e o que não é, em especial quando o ambiente varia emrelação ao tempo de uma forma perceptível?


Mesmo considerando um modelo simplificado, um ambiente real continua sendo com-plexo. Em determinadas circunstâncias é muito dinâmico, apresenta muitos ruídos, e, porpossuir múltiplos aspectos, demanda atenção simultânea a várias necessidades e preocu-pações por parte dos “seres” que nele estarão inseridos. Neste contexto, não é possívelesperar que um processo de decisão possa ser baseado na totalidade do conhecimentodisponível sobre o ambiente. Segundo Russell [Russell & Norvig 2009], um ambiente,simulado como o mundo real, pode ser descrito através de algumas características como:

• Observável: um ambiente pode ser parcialmente observável devido aruído, sensores não acurados ou porque, simplesmente, parte do estadodo ambiente está faltando. No mundo real os sensores não podem de-tectar todas as informações para municiar um processo de tomada dedecisão;• Não-determinístico: Se o próximo estado do ambiente é completamente

determinado pelo estado atual e pelas ações executadas pelos indivíduosque nele estão inseridos, então podemos dizer que o ambiente é deter-minístico, ou seja, previsível. Este, obviamente, não é o caso do mundoreal, onde não se pode prever o futuro, logo, o ambiente em questão énão-determinístico;• Não-episódico: em um ambiente episódico, a experiência dos indiví-

duos inseridos nele é dividida em episódios atômicos. Cada episódioconsiste da percepção do indivíduo e da realização de uma única ação.O próximo episódio não depende de ações realizadas em episódios an-teriores. O mundo real é evidentemente sequencial, ou seja, as decisõesatuais podem influenciar todas as decisões futuras;• Dinâmico: o mundo real está sempre mudando, mesmo que os indiví-

duos não executem nenhuma ação sobre ele. O ambiente pode mudar,inclusive, enquanto o indivíduo delibera sobre qual ação tomar;• Contínuo: em um mundo real, todos os parâmetros variam de forma

contínua no tempo, não há elementos discretos.

Ou seja, o ambiente real é: parcialmente observável, não-determinístico, não-episódico,dinâmico e contínuo.

Caso se considere um ser humano em seu ambiente natural, junto com a infinidadede informações necessárias para descrever (modelar) este ambiente, podem-se identificarvárias perguntas difíceis de responder, tais como:

1. Como se processam as decisões necessárias à vida cotidiana?2. Ao tomar uma decisão sobre a sua rotina são consideradas todas as in-

formações existentes e todas as possíveis consequências associadas acada uma delas?

3. O que define o contexto no qual uma decisão é considerada racional?

Se o ambiente citado anteriormente for um modelo computacional e o ser humano umagente de software com algumas caracterísiticas inspiradas nas dos humanos, como hu-mor, emoção e personalidade, como fazer com que este agente reaja de forma convincente


em um dado contexto? O primeiro ponto a considerar na busca desta resposta é o fato deque os agentes participantes serão definitivamente limitados. Limitados em energia, emtempo disponível para a conclusão de suas atividades, em condições mecânicas, em po-der computacional, entre outros. Se há um fator limitante, obriga-se a existência de umprocesso de racionalização do uso dos recursos existentes.

Em seu livro Descartes’ Error - Emotion, reason, and the human brain [Damasio1995], Antonio Damásio procura descrever a influência da emoção e dos sentimentos nosprocessos de inteligência racional. Ele trata da conexão entre a emoção e os processos dedecisão e planejamento. Segundo ele, a emoção não somente ajuda o processo de decisão,mas a sua falta pode transformar muitos desses processos em situações não factíveis.A emoção tem um papel decisivo que permite aos humanos lidar com a complexidadedo mundo real. As emoções aceleram os processos cognitivos, criando certos tipos de“atalhos” para o processo deliberativo em determinadas situações. A falta destes “atalhos”parece deixar os humanos incapazes de lidar com a complexidade habitual do mundo emum período de tempo aceitável. Ou seja, as emoções funcionam como um mecanismomediador entre a capacidade cognitiva e o ambiente externo.

Na atualidade, muitos trabalhos tem sido inspirados na estrutura do cérebro humano,na tentativa de reproduzir o modo em que as decisões são tomadas, os problemas sãoresolvidos e como um planejamento de ações encadeadas é definido. Porém, somentenos tempos mais recentes é que apareceram trabalhos em que estão incluídos aspectoscomo emoções, humor e personalidade. Exceções são trabalhos como o de Herbert Si-mon [Simon 1967] e Aaron Sloman [Sloman & Croucher 1981], que hoje servem comoinspiração de muitos outros.

Várias são as razões que explicam a falta de interesse na emoção, personalidade eestado de humor. Primeiramente, pode-se citar o fato comum de considerar as emoçõescomo algo que “atrapalha” o processo de raciocínio, especialmente a sua “clareza”. Ouseja, a noção de que emoção e razão estão de lados opostos. Uma segunda razão é ofato de que não se sabe o bastante sobre esses conceitos para a construção de um modelocompleto [Damasio 1995][Morgado 2006][Sarmento 2004].

Entretanto, emoções, personalidade e humor são aceitos atualmente como elementospresentes em todo o ciclo cognitivo de um indivíduo, e isso inclui o processo de percepçãoe tomada de decisão. Desta forma, não há como desprezar o uso destes conceitos naconstrução de um agente de software, cuja a percepção seja inspirada em um processohumano e atue como ferramenta de auxílio para lidar com ambientes e/ou problemascomplexos.

1.1.2 A PercepçãoO ser humano possui em seu corpo vários sensores captando percepções do ambi-

ente e transformando-as em informações úteis para a sua tomada de decisão. A cadasegundo, um sem número de percepções oriundas dos nossos sensores (sentidos) preci-sam ser tratadas, mas como não é possível lidar com todas elas, somente algumas sãoconsideradas. Esse processo de filtragem, realizado de forma natural (e normalmente semser notado), ocorre com base naquilo que é considerado mais importante para o momento.


Esse subconjunto reflete o que o foco de atenção decidiu ser suficiente e necessário paraser percebido.

Presta-se atenção naquilo que emociona ou naquilo que repercute de alguma forma,positivamente ou negativamente, na realização dos objetivos atuais. Aspectos emocio-nais são, portanto, importantes na elaboração de modelos computacionais que definam ofoco de atenção de um agente. Se esse modelo pretende ser genérico o suficiente para sercapaz de modelar diferentes indivíduos, faz-se igualmente necessário que a natureza doindivíduo seja levada em conta. Há pessoas detalhistas, que conseguem perceber minú-cias e diferenças sutis, provavelmente não notadas por outras pessoas. Há também pessoasque conseguem ter uma visão de conjunto mais rica que outras, visualizando melhor asrelações entre diferentes percepções. Em outras palavras, assim como as emoções, ca-racterísticas individuais, ou de personalidade, precisam ser igualmente levadas em contana elaboração de um modelo perceptivo [Morgado 2006] [da Silva 2009] [Ortony 2003][Campos et al. 2009b] [Campos et al. 2009a] [Campos et al. 2008] [Silverman, Johns,Cornwell & O’Brien 2006] [Silverman, Bharathy, Cornwell & O’Brien 2006] [Kasapet al. 2009].

Além da percepção, o processo de tomada de decisão pode sofrer o mesmo tipo deinfluência das emoções e da personalidade de um indivíduo [Damasio 1995]. Ou seja, aparte afetiva influencia o que se percebe do mundo e, também, como se raciocina sobreessas informações. Em resumo, pessoas afetivamente distintas percebem e raciocinam deformas distintas. O que para um indivíduo de perfil neurótico é considerado uma catás-trofe, pode ser percebido como uma oportunidade por um indivíduo cujo perfil seja maisaberto a novidades. Vários trabalhos sobre agentes computacionais já foram desenvolvi-dos com esse intuito, porém em nenhum, de nosso conhecimento, aborda-se um foco deatenção como o proposto neste trabalho.

Um indivíduo, através de seu processo de percepção, busca no ambiente os elementosque fornecem informações sobre esse ambiente como um todo. Esses elementos são, porconvenção, denominados elementos perceptivos.

Diante de todos os elementos perceptivos presentes no ambiente, o indivíduo deve, dealguma forma, racionalizar a quantidade e a qualidade de elementos percebidos, priori-zando os elementos que são mais importantes em relação aos seus objetivos, sejam elesimediatos ou de mais longo prazo. A quantidade de elementos percebidos estabelece, de-pendendo da situação, o maior ou menor detalhamento que o foco de atenção tem sobre oambiente. Como mencionado anteriormente, a quantidade de informação considerada (onível de detalhe com que o agente percebe o ambiente) é também função da necessidadesdo comportamento que o agente está executando [Bajcsy 1988]. Por exemplo, para umagente que dirige um automóvel, o nível de detalhe sobre a posição de outros automóveise obstáculos necessita ser mais precisa do que para o agente que está como passageiro[Campos et al. 2009b] [Campos et al. 2009a].

1.1.3 O Processo de Raciocínio e PlanejamentoOs indivíduos têm como objetivo alcançar um ou mais estados considerados desejá-

veis no ambiente em que se situam. Ou seja, procuram executar ações, visando obter


uma determinada configuração deste ambiente. A cada ação executada, um conjunto devariáveis do ambiente será afetada, transformando o estado atual, fazendo com que esseevolua em uma determinada direção. Em um ambiente onde existem vários indivíduos,o ambiente será afetado pelas ações de todos eles. Então, um indivíduo em particular,precisa saber o efeito que suas próprias ações causam e também constantemente verificaro estado do ambiente, para avaliar o que pode ter sido modificado pela ação dos outros.Na arquitetura proposta, o raciocínio e o planejamento de qual será a próxima ação a serexecutada serão feitos, portanto, com base no estado atual do ambiente, no estado futurodesejado e nas condições de emoção e humor em que se encontra o indivíduo durante esseprocesso, levando-se em conta também o seu perfil de personalidade.

As condições de tomada de decisão e, por conseguinte, o raciocínio e o planejamentopodem ser formadas por estados internos ou por estados emocionais, capacidades físicas,atitudes, humor, personalidade, objetivos, ou ainda por estados externos, que constituemas percepções do mundo [da Silva 2009].

Vários trabalhos focam no uso da personalidade em agentes [Campos et al. 2006][Canuto et al. 2005], porém a maioria utiliza a personalidade em mecanismos baseadosem valência. Esta é uma abordagem quantitativa, onde o processo de decisão do agente écontrolado pela influência (quantitativa) do seu perfil de personalidade em relação a umasituação específica. Apesar de funcional, esta abordagem utiliza funções que dependemdo tipo de situação a ser tratada pelo agente, ou seja, ela é dependente do contexto. Nestecaso, a solução não é flexível para ser aplicada a diferentes contextos, pois para cadanova situação, as funções que calculam as valências deveriam ser reajustadas. Dessemodo, para valorizar a generalidade precisa-se utilizar o perfil de personalidade comoum mecanismo qualitativo sobre o processo de decisão [Campos et al. 2009b][Camposet al. 2008].

O processo de raciocínio utiliza o conjunto dos elementos perceptivos produzido pelapercepção, além dos dados que fazem parte do conhecimento próprio do indivíduo. Apartir destes dados, este processo considera os planos e ações cujas consequências sejammais propícias às prioridades do indivíduo dentro de um determinado contexto e segundoo padrão de comportamento que atualmente está em execução. Além da prioridade queé dada aos planos cujas consequências são alinhadas com as prioridades, existe o fatorrelativo ao tempo disponível para que o raciocínio e o planejamento sejam concluídos.Em ambientes que representam a realidade, não é factível considerar uma disponibilidadede tempo ilimitada, para que uma solução ótima seja encontrada, para cada situação quese apresenta. Neste aspecto, todo o processo é limitado pelo fator tempo. Ao fim de umdado intervalo de tempo, deve ser escolhida a melhor opção até aquele momento.

1.1.4 A AfetividadeOs termos temperamento e afetividade são usados, neste trabalho, para reunir os con-

ceitos de emoção, humor e personalidade presentes nos seres humanos, quando a idéia érepresentá-los em um modelo computacional. Estes três conceitos têm diferenças quantoà estabilidade temporal de cada um. As emoções são tratadas como instáveis e de poucaduração, embora o decaimento (ou desaparecimento) de fenômenos emocionais, como


alegria e medo, sejam diferentes (fenômenos positivos decaem mais rapidamente do queos negativos [Kessler et al. 2008]). De uma forma geral, as emoções são consideradasbreves no tempo. Já os fenômenos do humor, como ser ranzinza ou estar de "bom hu-mor", costumam ser fenômenos mais estáveis do que as emoções, durando mais tempo,de algumas horas até dias. Já a personalidade é algo tido, na maioria das pesquisas, comoum fenômeno estável e com pouca tendência a mudar ao longo do tempo de vida adulta[Wilson 1999][Wilson 2000] [Kessler et al. 2008][da Silva 2009].

Pesquisas das últimas décadas, em especial as de António Damásio [Damasio 1995],têm revelado a importância das emoções e dos fenômenos mais duráveis (humor e perso-nalidade) nos processos cognitivos dos humanos. Desta forma, modelos computacionaisdestes fenômenos também são importantes.

Além da importância para os processos cognitivos, Damásio reforça a importânciadestes fenômenos nos mecanismos neurológicos, que criam fortes marcas em comporta-mentos avaliados como adequados ou não em um determinado contexto vivido [da Silva2009]. Outro ponto a considerar é que a indexação dessas marcas na memória não de-manda um processo de raciocínio consciente [da Silva 2009] [Oliveira & Sarmento 2002].Sendo assim, essas marcas relativas às emoções, humor e personalidade são consideradasem todos os ítens armazenados na memória e poderão ser utilizadas quando estes ítensfizerem parte do processo de raciocínio e planejamento.

1.1.5 A Hipótese de PesquisaConsiderando os aspectos discutidos anteriormente, pode-se concluir que: os seres

humanos vivem em um ambiente altamente complexo, caracterizado por ser não total-mente observável, não determinístico, não episódico, dinâmico e contínuo. A quantidadede variáveis que define este ambiente é extremamente elevada e, muitas vezes, com umadinâmica rápida e complexa. Ou seja, a tarefa de um ser humano em sobreviver em seuambiente, e ainda atingir os seus objetivos é matematicamente não trivial. Porém, o serhumano, apesar de suas limitações e fragilidades, parece lidar muito bem com este tipode complexidade.

Segundo as pesquisas citadas anteriormente, a nossa cognição, percepção, foco deatenção, e processo de raciocínio são fortemente influenciados pelo que foi denominadode temperamento ou afetividade, ou seja, pelas emoções, humor e perfil de personalidade.Considerando que os seres humanos se saem bem em ambientes complexos e dinâmicoscom este aparato cognitivo, a ideia é propor um modelo computacional baseado em afeti-vidade, para implementar o foco de atenção em agentes inteligentes, visando melhorar aeficiência dos seus processos de raciocínio e planejamento.

Para os ambientes de simulação demasiado complexos, a motivação é dispor de ferra-mentas inspiradas na experiência dos seres humanos para permitir que somente os dadosmais adequados sejam levados em consideração, avaliando a percepção tanto do ponto devista qualitativo como quantitativo.


1.2 Inspiração: Comitês Classificadores com Filtro paraSeleção de Atributos

A inspiração inicial para o projeto da arquitetura proposta neste trabalho foi baseadoem trabalhos anteriores com comitês classificadores [Santana 2008a]. Com o desenvol-vimento das pesquisas com comitês de classificadores e a verificação de que esse tipo demodelo possui melhor desempenho que os modelos individuais, dado que os classifica-dores base sejam diversos, surge uma nova aplicação junto às pesquisas com seleção deatributos, que é a de encontrar subconjuntos diversos de atributos para a construção dosclassificadores base de comitês de classificadores [Santana 2008a].

A busca de um subconjunto de dados que seja suficientemente representativo da amos-tra original, permitindo a diminuição da dimensionalidade do conjunto, sem que hajaperda do desempenho do modelo de análise, é um dos objetivos básicos da seleção deatributos utilizada em diversas áreas como: mineração de dados, aprendizado de máquina,computação gráfica, visão computacional, reconhecimento de padrões, entre outros. San-tana [Santana 2008][Santana 2008a][Santana 2012] defende a idéia de usar um filtro paraque somente os dados significativos sejam selecionados, para que o esforço computacio-nal de análise desses dados seja reduzido, porém sem perda de precisão. Nesse aspecto,o esforço computacional para a execução da filtragem deve ser compensado pela reduçãono tempo da análise. Essa mesma idéia define o objetivo deste trabalho, ao se aplicar umacamada de software para filtrar as percepções do agente, de forma a aumentar a eficiênciado agente como um todo.

A generalização dessa idéia no conceito de uma arquitetura de foco de atenção paraagentes é discutida no Capítulo 4 (Seção 4.2), através do uso de um foco qualitativo paraqualificar a informação segundo seu nível de importância, e de um foco quantitativo,responsável por quantificar a informação a ser disponibilizada.

Seguindo por esse caminho, um outro algoritmo de filtro para uso em sistemas demulticlassificadores é proposto em [K. Vale & Souto 2008] e aprimorado em [AnneM.P. Canuto 2012]. O filtro tem a função de melhorar a diversidade, que é conside-rada um dos aspectos principais no projeto desses sistemas. Como meio de aumentar adiversidade, são fornecidos diferentes conjuntos de dados (padrões e/ou atributos) paraos classificadores individuais. O mecanismo ReinSel [Anne M.P. Canuto 2012] tem afunção de escolher somente os atributos que são importantes para determinada classe deproblemas, baseando-se num processo de reforço.

Para cada atributo analisado é calculado um parâmetro RP (reward/punishment), quedefine a posição do atributo em uma lista ordenada por prioridade. Os atributos com osmaiores valores para RP estarão no início da lista. A construção dessa lista usa o mesmoprincípio do foco qualitativo discutido nas Seções 4.2 e 5.2. Depois que todos os atributosforam analisados e a lista está ordenada de forma decrescente em função do valor de RP,o foco quantitativo N é usado, estabelecendo que os primeiros N elementos da lista deparâmetros serão distribuídos para os classificadores individuais.


1.3 JustificativaO desenvolvimento de uma arquitetura de agentes baseada em comportamentos com

foco de atenção, se justifica através de pelo menos três potenciais aplicações:

1. A criação de agentes para atuar em simuladores organizacionais base-ados em sistemas multiagente. Nessa situação, a utilização de agentesbaseados em comportamentos, cuja percepção utiliza um processo defoco de atenção como o proposto, permitirá tratar mais eficientementea grande quantidade de informações que precisam ser percebidas paraque os agentes tenham um comportamento mais credível;• Sistemas de simulação baseados em sistemas multiagentes são lar-

gamente usados em simulação de organizações humanas [Canutoet al. 2005] [Canuto et al. 2006] [Campos et al. 2005] [Camposet al. 2006] [Canuto, Campos & Alchieri 2005], sob os mais diver-sos aspectos e objetivos.• Sistemas de simulação baseados em sistemas multiagentes podem

ser usados como jogos sérios [Johannes S. Breuer 2010] [Camposet al. 2003] [Campos et al. 2003] que, utilizando de atributos lú-dicos, podem ser utilizados em um processo avaliativo [Campos,Canuto, Tedesco & Alchieri 2006] ou em processos de treinamento[Canuto et al. 2004].

2. A criação de uma arquitetura de agente para uso no desenvolvimento deatores sintéticos (AS) [da Silva 2009];• “Os atores sintéticos (AS) são agentes inteligentes com caracterís-

ticas especiais, como atitudes, emoções e personalidade e que estãoenvolvidos em ambientes multimídia ou virtuais representados poravatares” [da Silva 2009]. A arquitetura de agentes inteligentes do-tados de foco de atenção proposto neste trabalho visa fornecer umaarquitetura de agente mais eficiente para a criação de AS que este-jam envolvidos em ambientes dinâmicos, com restrições sérias detempo e sobrecarga de informações. O presente trabalho propõeuma arquitetura de agente (parte interna do AS), e não pretende es-tender os estudos à interface homem-máquina (avatar) para o AS.

3. A criação de uma arquitetura de agente que possa usar a mesma estru-tura de raciocínio para diferentes contextos de aplicação.• Agentes inteligentes resolvedores de problemas devem ter a carac-

terística de serem genéricos o suficiente, para abordarem diferentescontextos, sem ser necessário uma completa reestruturação da suaarquitetura interna. A idéia proposta estabelece uma arquitetura in-terna acoplada ao uso do foco de atenção, que pode ser genérica osuficiente para ser utilizada em diversos contextos.


1.4 ObjetivoO objetivo do presente trabalho é desenvolver uma arquitetura de agentes inteligentes

baseada em comportamentos dotados de foco de atenção. O foco de atenção desenvol-vido faz uso de modelos de emoções [Ortony et al. 1990], humor [Mehrabian 1996b] epersonalidade [McRae & Costa 1996][McCrae & Costa 1989][Zeisset 2006], os quaisimplementam o módulo afetivo do agente.

O processo de focalização presente em cada comportamento faz uso do módulo afe-tivo para implementar um processo de redução do conjunto de informações disponíveispara a percepção do agente. O novo conjunto de informações criado contém apenas asinformações mais importantes para o contexto da ocasião. Isso significa uma abordagemtanto qualitativa quanto quantitativa sobre o conjunto de elementos perceptíveis.

O módulo afetivo permite que o processo de foco de atenção possa ser dinâmico nodecorrer da atividade do agente. Dessa forma, o foco de atenção se ajusta de acordo comas mudanças ocorridas no ambiente.

1.4.1 O Foco de Atenção do AgenteO foco do agente tem que lidar com dois aspectos particulares do conjunto de elemen-

tos de informação que estão disponíveis no ambiente. O primeiro se refere à definiçãode quais são os ítens que interessam ao agente naquele momento específico, e em queordem de prioridade esses ítens de interesse devem estar dispostos. O segundo aspecto,se refere à quantidade de elementos perceptivos que o agente pode ou deseja utilizar noseu processo de raciocínio.

Observando os dois aspectos citados, conclui-se que o primeiro aborda a situaçãodo ponto de vista qualitativo e o segundo do ponto de vista quantitativo. O problemaqualitativo é tratado pelo foco qualitativo e o quantitativo pelo foco quantitativo do agente.O foco qualitativo se preocupa com o “o quê” o agente irá priorizar em seu processode percepção. Não só é estabelecido o que é importante, mas também o quanto cadaitem é importante, criando-se assim, uma ordem de prioridade. O foco quantitativo porsua vez, se refere à quantidade de informação que o agente consegue perceber em umdeterminado instante de tempo. O resultado é um subconjunto de tudo aquilo que seufoco qualitativo define como importante e na quantidade definida pelo foco quantitativo.O fator tempo está associado indiretamente à quantidade de informação que o agentevai processar ao efetuar a percepção. Quanto mais elementos perceptíveis para processar,mais tempo deve ser despendido na tarefa de análise das informações provenientes de cadaelemento percebido, bem como, mais variáveis terão que ser consideradas no processo deraciocínio e planejamento. Desta forma, em situações de tempo restrito ou de urgência, apercepção deve se concentrar apenas nos elementos perceptíveis que sejam essenciais paraa tomada de decisão em relação àquele momento. A Figura 1.1 mostra esquematicamenteo relacionamento entre o foco qualitativo e o foco quantitativo do agente.

A proposta deste trabalho é utilizar uma abordagem dirigida a processo, que especificaum conjunto de comportamentos nos agentes que são baseados nos seus perfis de perso-nalidade. O principal objetivo é fazer com que os agentes sejam capazes de raciocinar


Figura 1.1: Relacionamento entre o Foco Espacial e o Foco Temporal.

sobre as suas opções seguindo as suas preferências. Isso torna o processo de raciocínio eplanejamento não só mais realístico mas também mais flexível, pois se torna independentedo contexto [Campos et al. 2009b] [Campos et al. 2009a].

1.4.2 O Módulo Afetivo do AgenteA cada ciclo de percepção do agente novas informações são recebidas pelos sensores

do agente. Estas informações, depois de analisadas, poderão se tornar fatos que precisamser armazenados na base de crenças deste agente sobre o estado do ambiente que o rodeia.Cada uma destas crenças (fatos), ao ser percebida, provoca o aparecimento de emoçõesque podem alterar o estado emocional e, por conseguinte, o estado de humor do agente.

As variações no estado emocional e no estado de humor são usadas para adequar aimportância que o agente dá a determinados tipos de informação, alterando o foco qua-litativo de agente. Além disso, as variações do estado afetivo são também usadas paraatualizar a quantidade de informações que serão manipuladas a cada ciclo de percepção,ou seja, para ajustar o foco quantitativo do agente. As variações sobre o estado emocionale de humor são moduladas pelo perfil de personalidade do agente.

Além das crenças obtidas através da percepção, a base de crenças armazena dados so-bre o que se conhece como fatores cognitivos sociais [Romano et al. 2005]. Dentre outras,são armazenadas informações sobre a percepção própria do agente (o que ele conhece so-bre si mesmo) [Morgado 2006] [Sarmento 2004] e os padrões (do inglês standards) doque o agente acha certo ou errado.

1.5 Contribuições da PesquisaAs contribuições deste trabalho podem ser descritas como segue:

1. Proposta de uma arquitetura de foco de atenção genérica baseada emum foco espacial e um foco temporal;


2. Proposta de uma arquitetura de agentes baseada em comportamentos;3. Proposta de uso conjunto dos modelos de humor (PAD), emoções (OCC)

e personalidade (OCEAN) em um mecanismo de atualização do focoespacial e temporal dos agentes;

4. Proposta de desenvolvimento de um framework para criação de simula-ções multiagentes.

1.6 Estrutura da TeseAlém deste capítulo de introdução, esta tese está dividida em outros cinco capítulos.

No Capítulo 2, são descritos os conceitos básicos relacionados ao processo de pesquisa eimplementação realizado neste trabalho. No Capítulo 3, é apresentado um sumário de ou-tros trabalhos que são correlacionados com a atual pesquisa. No Capítulo 4, é apresentadaa implementação da arquitetura proposta por este trabalho é apresentada e discutida. NoCapítulo 5, é apresentada um estudo de caso onde os dados de vários experimentos sãoavaliados para comprovar a eficiência da arquitetura proposta. Finalmente, no Capítulo 6,são apresentadas algumas conclusões sobre esta pesquisa, a descrição de alguns trabalhosiniciados em decorrência desta pesquisa, e algumas idéias para trabalhos futuros.

Capítulo 2

Conceitos Básicos

Este capítulo apresenta uma série de conceitos básicos necessários ao entendimentoda arquitetura proposta neste trabalho. São abordados conceitos relativos a agentes inteli-gentes, sistemas multiagentes, simulação computacional (com ênfase à simulação baseadaem agentes) e à afetividade humana.

2.1 Agentes Inteligentes e Sistemas MultiagentesNesta seção, os conceitos relacionados a sistemas multiagentes são descritos, tanto do

ponto de vista individual (agentes inteligentes) quanto do ponto de vista de uma comuni-dade de agentes (sistemas multi-agentes)

2.1.1 Agentes InteligentesAntes de apresentar o conceito de agentes inteligentes é interessante introduzir o con-

ceito de agentes. Agente é aquele que age, é qualquer entidade que é origem de umfenômeno ou de um processo. Um agente é capaz de perceber o ambiente no qual estáinserido e agir sobre ele [Wooldridge 2002][Russell & Norvig 2009].

O termo agente é aplicado em várias áreas do conhecimento. Em computação, essetermo pode ser usado para designar um agente de software ou um agente inteligente.Agentes de software são entidades que executam um conjunto de operações que lhes fo-ram incumbidas por um usuário ou outro programa [Wooldridge 2002].

Agentes inteligentes, por sua vez, são entidades reais ou virtuais, que possuem objeti-vos e, para atingi-los, devem ser capazes de comunicar-se com outros agentes inteligentese de interagir com o ambiente no qual estão inseridos. O agente deve possuir capacida-des e oferecer serviços, e tende a atingir seus objetivos utilizando suas competências e osrecursos oferecidos pelo sistema, incluindo os demais agentes inteligentes. Na subseçãoseguinte são apresentadas as principais características de um agente inteligente [Bordiniet al. 2007] [Fabio Bellifemine & Greenwood 2007] [Padgham & Winikoff 2004].

2.1.1.1 Características dos Agentes Inteligentes

Um agente inteligente deve possuir algumas características básicas. Essas caracterís-ticas são descritas a seguir [Wooldridge 2002] [Knapik & Johnson 1998]:

CAPÍTULO 2. CONCEITOS BÁSICOS 16

• Reatividade: Capacidade de reagir às mudanças do ambiente a partir deum contexto conhecido;• Proatividade: Capacidade de tomar iniciativas para atingir seus objeti-

vos;• Habilidade Social: Capacidade de interagir com outros agentes.• Autonomia: Capacidade de tomar decisões e operar no ambiente sem

intervenção de outro agente (geralmente humanos);• Adaptabilidade: Capacidade do agente de adaptar seu processo de deci-

são frente a situações desconhecidas.

Pode-se verificar pela lista acima, que as características de um agente são um conjuntode capacidades que se pode esperar dele. Essas capacidades auxiliarão o agente a atingirseus objetivos.

2.1.1.2 Uma Taxonomia para Agentes Inteligentes

A forma de classificação mais enfatizada na literatura é a representação interna doagente, que determina o agente como sendo cognitivo ou reativo [Wooldridge 2002][Franklin & Graesser 1997]. O agente pode ser classificado também como híbrido, quandoune características cognitivas e reativas.

O agente cognitivo contém um modelo de representação interna do ambiente e dosoutros agentes baseado em estados mentais. Pode manter um histórico das interaçõese ações passadas e, devido a essa memória, são capazes de planejar suas ações futuras.Existem algumas formas de se modelar um agente cognitivo, as duas mais usadas naliteratura são: Modelagem de agentes cognitivos baseados em lógica e Modelagem deagentes cognitivos com crenças, desejos e intenções.

No primeiro tipo citado, os estados internos do agente são determinados através defórmulas lógicas. Seu comportamento baseia-se em regras de dedução e histórico deações passadas. Os agentes baseados nesse modelo possuem uma base de conhecimentoformada por:

• Sentenças que representam as percepções do agente sobre o ambiente eos outros agentes;• Sentenças válidas implicadas a partir das sentenças das percepções;• Regras de inferência utilizadas para implicar novas sentenças a partir

das sentenças existentes.

Esse modelo de agente pode ser exemplificado pela Figura 2.1, que ilustra um agenterobô aspirador de pó. Esse agente pode executar as ações: ir para frente, virar e aspirar.O agente decide por uma ação, a partir de regras de dedução baseadas nos predicados:Em(x,y), Sujeira(x,y) e Faça(a), onde x e y indicam o posicionamento do robô no ambientee a indica a ação a ser tomada. Um exemplo de regra de dedução que pode ser aplicada aeste exemplo é:

Em(x,y)∧Su jeira(x,y)−→ Faca(aspirar) (2.1)


Figura 2.1: Robô Aspirador [Wooldridge 2002].

Já o segundo tipo de agente cognitivo, agentes BDI (Beliefs, Desires and Intentions),é baseado na teoria do raciocínio prático humano, desenvolvida, pelo filósofo MichaelBratman [Bratman 1965] [Bordini et al. 2007][Georgeff et al. 1998] e consiste de trêsatitudes mentais básicas:

• Crenças (Beliefs): representam o que se sabe sobre o estado do ambientee dos outros agentes do sistema;• Desejos (Desires): ações que devem ser executadas pelos agentes para

alcançar seus objetivos;• Intenções (Intention): objetivos, algo que o agente quer alcançar.

O processo deliberativo do agente BDI consiste em formar novos desejos (subobje-tivos) com base nas crenças, desejos e intenções atuais, como passo para obtenção doobjetivo final do agente. Normalmente, esse processo é formado por duas etapas: geraçãode opções e filtragem. A primeira etapa consiste na escolha de um conjunto de opções(desejos) levando em conta as crenças e intenções atuais, enquanto a filtragem tem comoobjetivo escolher a melhor alternativa gerada pela etapa anterior.

Os agentes reativos, por sua vez, são baseados em modelos de organização biológicaou etológica (formigas, cupins, abelhas, etc.). O modelo de funcionamento de um agentereativo é formado por um par estímulo-resposta (ação-reação). Nesse modelo não hárepresentação explícita do conhecimento e não há histórico das ações passadas. A formade organização de um sistema reativo é semelhante à observada por animais que vivemem grandes comunidades e baseia-se na hipótese de que o comportamento inteligente éresultado da interação do agente com o ambiente [Alexander S. Klyubin 2004].

Um modelo de agente reativo pode ser definido usando a arquitetura subsumption[Brooks 1986], apresentada na Figura 2.2. Essa arquitetura determina uma hierarquia decomportamentos direcionada à realização de tarefas. Cada comportamento possui umaestrutura simples baseada em regras (Se “situação” então “ação”).

A hierarquia define as prioridades dos comportamentos, onde as camadas mais baixasrepresentam comportamentos mais instintivos e tem prioridade de ação maior.

Alguns autores [Garcia & Sichman 2003] [Knapik & Johnson 1998] argumentam queuma arquitetura que combine as soluções reativas e cognitivas é mais adequada para aconstrução de agentes inteligentes. Nesse caso, o agente híbrido deve possuir um módulocognitivo, um módulo reativo e uma função mediadora que decida qual módulo deve ter


Figura 2.2: Agentes reativos: Arquitetura Subsumption [Brooks 1986].

o controle do agente em dado momento. Uma arquitetura geral dos agentes inteligen-tes, que pode ser aplicada tanto aos agentes cognitivos quanto aos reativos e híbridos, éapresentada na próxima subseção.

2.1.1.3 Uma Arquitetura Geral para Agentes Inteligentes

A Figura 2.3, baseada em [Garcia & Sichman 2003], apresenta uma arquitetura geralde um agente inteligente. Como ilustrado, um agente deve possuir algum mecanismo dedecisão que permita escolher como atuar. Esse mecanismo de decisão (Módulo Decisor)pode utilizar-se de modelos de negociação; planejamento; decisão; padrões de reação epreferências definidas pelo usuário, além dos dados percebidos do ambiente e da comuni-cação com outros agentes.

O agente pode possuir interfaces de interação com o usuário, por onde serão passadosos parâmetros de configuração e resultados; com outros agentes (troca de mensagens) ecom o ambiente (sensores e atuadores).

Essa arquitetura propõe ainda um módulo configurador, que recebe os parâmetros deconfiguração definidos pelo usuário e um módulo controlador, que gerenciará os outrosmódulos passando as informações pertinentes.

Esse modelo de arquitetura deixa em aberto o modus operandi do agente, ou seja, esseagente pode ser puramente reativo, isto é, ser baseado em circunstância e ação, ou podeser mais elaborado requerendo um modelo de decisão e planejamento.

2.1.2 Sistemas MultiagentesSistema multiagente é um sistema que possui vários agentes, cada um com sua fun-

ção, interagindo entre si. A comunidade de agentes, em geral, trabalha por um objetivocomum, que é o objetivo do sistema. Porém, esse objetivo comum não é necessariamenteigual aos objetivos individuais de cada agente [Fabio Bellifemine & Greenwood 2007][Padgham & Winikoff 2004].

Um sistema multiagente pode ser definido formalmente como sendo uma tupla defi-


Figura 2.3: Arquitetura geral para agentes inteligentes [Garcia & Sichman 2003].

nida da seguinte forma [Wooldridge 2002]:

〈a,An,Om,Rx,Oy〉 (2.2)

• a é um espaço, também chamado de ambiente, onde estão inseridostodos os componentes do sistema;• An é um conjunto de n entidades ativas, agentes inteligentes;• Om é um conjunto de m entidades passivas, objetos, que são recursos do

sistema;• Rx é um conjunto de x relações que indica as dependências entre objetos

e agentes ou entre agentes;• Oy é um conjunto de y operações que define como os agentes podem

atuar no ambiente.

2.1.2.1 Uma Taxonomia para Sistemas Multiagentes

Uma taxonomia para os sistemas multiagentes (MAS) é apresentada em [Garcia &Sichman 2003]. Nessa taxonomia, descrita a seguir e ilustrada na Figura 2.4, os agentessão classificados segundo a perspectiva, abertura, granularidade, composição e interação.

• Perspectiva: indica o objetivo do sistema. O sistema tem perspectiva desimulação, quando seu objetivo são as interações sociais, e tem perspec-


Figura 2.4: Taxonomia para Sistemas Multiagentes [Garcia & Sichman 2003].

tiva de resolução, quando objetiva resolver problemas de forma coope-rativa e distribuída. Essa classificação é mais didática que real, já queum sistema pode mesclar as duas vertentes.• Abertura: o sistema pode ser aberto ou fechado. No primeiro caso,

agentes com intenções variadas, normalmente projetados por diferentespessoas, interagem no sistema (como, por exemplo, os robôs virtuais naInternet), já o sistema fechado é tipicamente projetado para atender umobjetivo específico.• Granulidade: indica se o sistema é composto por poucos agentes (baixa

granulidade) ou muitos agentes (alta granulidade).• Composição: indica se o sistema é formado por agentes homogêneos

(agentes do mesmo tipo) ou heterogêneos.• Interação: define os diversos tipos de relacionamentos entre os agentes

componentes do sistema. Um sistema pode apresentar várias formas deinteração, normalmente comunicação, cooperação, coordenação e ne-gociação.

2.1.2.2 Interações em Sistemas Multiagentes

Denomina-se interação entre os agentes ou entre o agente e o ambiente, uma troca deinformações, que pode ser realizada de forma direta (comunicação explícita) ou indireta(emissão de sinais através do ambiente). Nessa troca de informações, processos maiscomplexos podem ser utilizados de acordo com os objetivos dos agentes envolvidos. Aseguir são apresentadas as formas mais comuns de interação entre agentes [Wooldridge


2002][Russell & Norvig 2009].

Comunicação

A comunicação é a base para as demais interações entre os agentes. Os agentes se co-municam para melhor atingir seus objetivos, pois a comunicação expande sua capacidadede percepção, permitindo que eles se beneficiem com as informações dos outros agentes.A comunicação entre agentes pode influenciar na execução de ações e modificar estadosinternos dos outros agentes.

Na comunicação entre agentes não pode haver equívocos sobre a intenção do ato co-municativo, por isso, as linguagens de comunicação entre agentes são baseadas na teoriados atos da fala [Austin 1965].

A teoria dos atos da fala trata a comunicação como ação, ou seja, a comunicação deveser realizada pelo agente do mesmo modo que outras ações, auxiliando a realização desuas intenções. Essa teoria apresenta uma forma de organizar a conversação, para que amesma se torne mais eficaz.

Quando um agente envia uma mensagem deve indicar qual a intenção da comunica-ção, ou seja, deve enviar a tipologia junto com a mensagem, auxiliando o entendimento damensagem pelo destinatário e facilitando a obtenção de seus objetivos. Essa mensagempode ser enviada para um único agente (ponto-a-ponto) ou para vários agentes (broad-cast).

As mensagens trocadas pelos agentes são representadas usando duas linguagens: aexterna e a interna. A linguagem interna é a linguagem usada para expressar o conteúdoda mensagem. Já a externa é usada para declarar os participantes da comunicação; a des-crição do conteúdo (assunto) e o tipo de ato comunicativo (tipologia). Tanto a linguageminterna quanto a externa devem ser conhecidas por todos os participantes da comunica-ção. Como exemplo de linguagem externa tem-se a KQML e a FIPA-ACL , as linguagensinternas usadas por elas são a KIF e a FIPA-SL, respectivamente [Fabio Bellifemine &Greenwood 2007].

Coordenação

A coordenação ocorre para que os agentes decidam a ordem de execução das ações,qual agente irá realizar qual ação, como os agentes irão trocar informações sobre o resul-tado da execução das mesmas, como terão acesso a recursos escassos, como irão eventu-almente alterar a prioridade de suas ações em função das ações dos outros, dentre outras,ou seja, os agentes devem se coordenar para agir.

Existem algumas técnicas de coordenação para realizar o gerenciamento de interde-pendências entre as atividades dos agentes [Wooldridge 2002] [Russell & Norvig 2009],como por exemplo:

• Estruturas Organizacionais: Estabelece uma relação hierárquica entreos agentes, ajudando a especificar quais ações cada agente é capaz detomar e como ele pode interagir com os outros agentes (semelhante auma organização empresarial humana).


• Normas e Leis Sociais: Estabelece padrões de comportamento entre osagentes, onde alguns desses padrões são determinados de forma autori-tária (pelo desenvolvedor, por exemplo).• Planejamento multiagente: Define um plano para alcançar determinado

objetivo.• Intenções Conjuntas: Os agentes possuem um engajamento conjunto,

bem como engajamentos individuais. Os agentes se comprometem juntoao grupo a realizar determinada tarefa ou a resolver determinado pro-blema. Esse comprometimento pode ser revisto ao longo do processo.• Modelagem Mútua: Coordenação das atividades de um agente baseada

no que ele acredita sobre os objetivos e intenções dos demais (sem co-municação direta).• Planejamento Global-Parcial (PGP): Agentes trocam informações de

forma a expandir seus planos parciais para atingir o objetivo do sis-tema. Não existe um plano global para o sistema, e sim planos parciaisde cada agente. Através da comunicação entre os agentes e da troca deinformações sobre seus planos individuais, os agentes devem conseguiratingir o objetivo final do sistema.

Em um sistema multiagente, uma ou mais técnicas de coordenação entre os agentespodem ser usadas e sua escolha dependerá do tipo de sistema, de suas restrições, de suaorganização e objetivos.

Cooperação

A cooperação ocorre quando um agente precisa da ajuda de outros agentes ou quandoquer ajudar outros agentes, isto porque os agentes estão tentando atingir conjuntamenteum mesmo objetivo. O primeiro caso ocorre quando o agente não é capaz de executar umadeterminada tarefa, porque não possui conhecimento suficiente, ou porque não conhecetoda informação de entrada necessária (cooperação por partilha de tarefas). Já o segundocaso ocorre quando um agente possui uma informação que sabe ser útil para outro agente(cooperação por partilha de resultados).

Nesse modelo quando um agente possui um problema que não pode resolver (iden-tificação do problema), ele procura algum outro agente que o faça (anúncio). Aquelesagentes que puderem resolver o problema farão propostas ao agente solicitante (lança-mento de propostas), que fechará contrato com aquele agente que tiver a melhor proposta.Nesse caso, as propostas envolvem o custo para realização da tarefa [Smith 1980].

Negociação

O processo de negociação, por sua vez, ocorre quando os agentes divergem em rela-ção a certos aspectos do problema a ser resolvido ou quando apesar de poderem executarsuas tarefas sozinhos, negociar a execução dessas tarefas pode trazer benefícios aos agen-tes envolvidos. Neste último caso, a negociação pode não resultar em acordo, fazendocom que cada agente execute a tarefa inicialmente definida. Já no primeiro caso, onde


os agentes divergem sobre a resolução do problema, um acordo deverá ser encontrado[Santana 2008a].

A negociação pode ser vista como uma troca de mensagens baseada num dado proto-colo, destinada ao estabelecimento de um acordo entre os agentes. Segundo Wooldridge[Wooldridge 2002], este processo ocorre em uma série de rounds, onde, em cada round,cada agente faz uma proposta aos demais. Essas propostas são definidas pelas estratégiasindividuais de cada agente.

Um exemplo de protocolo de negociação é o PCM (Protocolo de Concessão Monotô-nica) [Rosenschein & Zlotkin 1994]. Nesse modelo, em cada round cada agente x propõeum acordo γx.

Cada acordo proposto inclui um custo para a realização da tarefa. A decisão sobrea utilidade do acordo proposto será dada pela diferença entre o custo para realização datarefa sem acordo, ou seja, o agente resolverá a tarefa sozinho, e o custo para realizaçãoda tarefa com acordo. O custo, que deve ser minimizado, depende do problema abordado.

2.1.2.3 O Framework Jason

Jason [Bordini et al. 2007] é um interpretador para uma versão estendida da linguagempara criação de agentes BDI AgentSpeak [Rao 1996]. As origens do modelo BDI sãobaseadas na teoria do raciocínio prático, desenvolvida pelo filósofo Michael Bratman jádiscutidas anteriormente.

O framework Jason implementa a semântica operacional da linguagem AgentSpeak efornece uma plataforma para o desenvolvimento de sistemas multiagentes. Nessa plata-forma, os agentes são construídos usando um conjunto de crenças, objetivos e planos. Oconjunto de crenças é implementado na base de crenças do agente com um conjunto defatos lógicos. Os objetivos são expressões de estados do ambiente que o agente gostariade tornar verdadeiras. Em outras palavras, se um agente está trabalhando para atingir umdeterminado objetivo g, isso significa que o agente está comprometido em agir no intuitode mudar o estado do ambiente para uma condição em que ele (o agente) possa, a partirdas informações percebidas no ambiente, chegar à conclusão de que g é realmente ver-dadeiro [Bordini et al. 2007]. Finalmente, o conjunto de planos define o conhecimento(know how) do agente, para poder atingir os objetivos com os quais está comprometido.Os planos são desencadeados através de mudanças ocorridas na base de crenças do agente.Um processo de deliberação escolhe entre todos os planos considerados aptos para seremexecutados, qual o melhor a ser executado no contexto atual e esse plano se torna uma in-tenção a ser executada pelo agente. O conjunto de planos define também o que se chamade comportamento do agente.

De modo resumido, a Figura 2.5 mostra o ciclo padrão de raciocínio da plataforma Ja-son. Como várias outras partes da plataforma, a função de atualização da base de crenças(belief update function - BUF) e a a função de revisão da base de crenças (belief revi-sion function - BRF) podem ser customizadas e estendidas pela aplicação desenvolvida.Essa característica foi utilizada para a implementação da arquitetura AAFA na plataformaJason.

Considerando a versão do ciclo de raciocínio mostrada na Figura 2.5, a BUF é res-ponsável por acessar as percepções do agente em relação ao ambiente e atualizar a base


Figura 2.5: Ciclo padrão de raciocínio da plataforma Jason [Bordini et al. 2007].

de crenças do agente. Essa atualização segue os seguintes passos:

• Fatos que estão presentes nas percepções e na base de crenças são atua-lizados pelos fatos percebidos;• Fatos que estão na percepção do agente e não estão presentes na base de

crenças são adicionados à base de crenças;• Fatos que estão na base de crenças e que não estão presentes na percep-

ção são apagados da base de crenças do agente.

A BRF padrão não faz nada. Essa função precisa ser customizada pelo desenvolvedorda aplicação, considerando o comportamento do agente.

2.2 Simulação ComputacionalO termo simulação possui vários sentidos em diferentes contextos. Em computação,

simulação é uma técnica empregada para testar a representação de algo real ou que podevir a ser real. Esse “algo real” pode vir de inúmeros domínios do conhecimento [Siebers& Aickelin 2008]. Alguns exemplos são:

• Das ciências exatas: quando queremos, por exemplo, testar se um com-ponente de software é robusto (livre de bugs);• Das ciências dos materiais: quando queremos, por exemplo, testar a

resistência de um concreto sob a pressão da água em um reservatório;• Das ciências químicas: quando queremos, por exemplo, testar a reação

em cadeia da mistura de dois gases;


• Das ciências econômicas: quando queremos, por exemplo, testar a hi-pótese de novas regras macro-econômicas;• Das ciências sociais: quando queremos, por exemplo, testar uma teoria

sobre de influência social, e assim por diante.

Dos exemplos acima, pode-se identificar três conceitos essenciais em simulação. Oprimeiro é o de sistema, que representa o que estamos simulando, ou seja, o “algo real”.Para testar a resistência de um concreto em um reservatório, então o reservatório, o ma-terial, a pressão atmosférica e todos os elementos que fazem parte do objeto de estudorepresentam o sistema. Estritamente falando, o sistema engloba tudo que influencia o quevai ser estudado na simulação. Quando não é possível especificar ou não se conhece tudoque influencia um sistema, diz-se que este é um sistema aberto. Por outro lado, quando épossível garantir que o sistema sofrerá alterações exclusivamente através da influência deelementos conhecidos (ou seja, dentro do próprio sistema), diz-se que este é um sistemafechado [Signoretti et al. 2008].

Porém, simular não significa realizar testes sobre um sistema real, mas sim sobre ummodelo que pode representar de forma adequada o sistema real. Portanto, o segundoconceito essencial é o de modelo do sistema. Um modelo traduz o sistema através de sim-plificações que acreditamos não alterar o propósito de estudo. Por exemplo, dependendodo que se quer estudar no sistema, nosso modelo pode ser mais ou menos simplificado,como na Figura 2.6. A visão de modelo foi resumida por Marvin Minsky através dadefinição:

“Para um observador B, um objeto A* é um modelo deum objeto A, na medida em que B pode usar A* pararesponder as questões que lhe interessam a respeito de A”[Minsky 1969]).

Figura 2.6: A simplificação do modelo de simulação [Signoretti et al. 2008].

O modelo utilizado na simulação precisa sofrer alterações e as conseqüências dessasalterações devem ser avaliadas. Enfim, o terceiro conceito essencial é o de variáveis do


modelo. Alguns autores definem simulação como a variação de um modelo ao longodo tempo [Siebers & Aickelin 2008]. Apesar dessa definição não ser a mais genérica,pois elementos do modelo podem variar sem que o tempo varie, ela destaca um elementopresente na maioria das simulações: o tempo. O tempo é, portanto, a variável-mestreda maioria dos modelos e serve como referência para classificar tipos de simulação emcontínua e discreta [Siebers & Clegg 2008a].

2.2.1 Processo de Modelagem e SimulaçãoApesar do conceito de simulação estar fortemente relacionado à ideia de “previsão”,

um dos maiores interesses em simulação não advém da capacidade de “prever” o futurode um sistema, mas sim da possibilidade de avaliar o conhecimento que se tem sobre umdeterminado domínio. Essa idéia é mais nítida quando os sistemas abertos estão sendosimulados, como as organizações humanas. Nesse caso, a simulação permite que teoriassobre organizações possam ser elaboradas, modeladas, simuladas e seus resultados con-frontados com a realidade. Após esta confrontação, pode-se verificar em que as hipótesesgeradas podem ser melhoradas e um novo ciclo do processo pode ser iniciado.

Por esta breve descrição, se pode perceber que o processo de simulação consiste emum conjunto de operações a serem realizadas de forma seqüencial e, em geral, cíclica.Esse processo se inicia a partir de observações de um sistema real, fundamentadas a priorisobre uma teoria. Em seguida, o processo se torna iterativo e recursivo, onde o conhe-cimento do sistema, adquirido através da utilização do modelo, constitui em uma novainformação sobre o próprio modelo. A Figura 2.7 ilustra esse processo.

Figura 2.7: Processo de simulação e modelagem [Signoretti et al. 2008].


Quando o modelo concebido é um modelo determinístico, ou seja, os resultados ge-rados dependem exclusivamente dos parâmetros iniciais da simulação, esses resultadospodem ser diretamente utilizados na confrontação com o sistema real e, eventualmente,podem servir como base para propor alterações no próprio sistema. Porém, como a mai-oria dos sistemas não funciona de forma determinística, seus modelos devem tambémrefletir essa característica. Quando um modelo, a partir de um conjunto de condiçõesiniciais fixas, é capaz de gerar diferentes resultados, diz-se que esse é um modelo esto-cástico. A simulação baseada em agentes (vide Seção 2.2.2) é dita estocástica e discreta[Siebers & Aickelin 2008] [Siebers & Clegg 2008a].

Os valores e informações oriundos de uma simulação com um modelo estocástico nãorepresentam resultado algum, não significam nada, uma vez que, pela própria aleatorie-dade do modelo, seu estado pode ter seguido um curso atípico. Para se avaliar, de fato,o modelo, é preciso executar várias simulações, coletar e organizar os dados e fazer umlevantamento de padrões típicos encontrados. O uso de ferramentas e métodos estatísticosse torna, portanto, essencial nesse processo.

2.2.2 Simulação Baseada em Agentes - MABSA técnica de modelagem baseada em agentes se originou da aplicação do conceito de

agente ao contexto de simulação, dando origem ao termo simulação multiagente. Destaforma, o modelo leva em conta entidades computacionais autônomas, que apresentam ascaracterísticas já mencionadas anteriormente. Nessa linha de pensamento, o comporta-mento dos agentes não é descrito de forma centralizada, como em geral ocorre em outrostipos de simulação. Na modelagem baseada em agentes, cada agente é uma entidade ativana simulação.

Não existe um consenso único nesta área e muito se discute qual seria o conjuntocorreto de propriedades que caracterizariam um agente: pró-atividade, reatividade, noçãode espaço, habilidade para aprender, habilidade social, capacidade cognitiva, etc. Em re-lação à utilização de modelos de simulação baseados em agentes, não é necessária umadiscussão profunda sobre a existência ou não das qualidades mencionadas anteriormente,pois os casos de uso são de tal maneira diferentes, que não se chegaria a uma unanimi-dade. Mas, os agentes detém uma característica intrínseca e inegável: são essencialmentedistribuídos. Em comparação com outras formas de simulação, não há um lugar no mo-delo baseado em agentes que defina o comportamento global do sistema. Nesse modelo,o comportamento é definido de forma individual para cada agente, e o comportamentoglobal emerge a partir do resultado dos vários comportamentos individuais acontecendosimultaneamente. Dependendo da situação, podem ser dezenas, milhares ou até mesmomilhões de indivíduos (agentes), cada um seguindo suas próprias regras de comporta-mento e convivendo em algum tipo de ambiente. Vale salientar que o termo “convivência”inclui a comunicação que estes agentes podem trocar entre si e com o próprio ambienteonde estão inseridos. Este fato é a explicação do porque a modelagem baseada em agentesé também conhecida como modelagem bottom-up [Siebers & Aickelin 2008] [Siebers &Clegg 2008a].

A abordagem baseada em agentes é considerada interessante, pois permite capturar


estruturas mais complexas e dinâmicas [Li et al. 2008]. Além disso, permite a constru-ção de modelos sem a necessidade do conhecimento total de todas as interdependênciasexistentes em um nível global. Pode-se conhecer muito pouco a respeito sobre o que afetacada agente no nível de agregação, ou sobre as seqüências operacionais esperadas no nívelglobal do sistema, mas se existe uma percepção sobre o comportamento individual dosparticipantes do processo, os agentes podem ser construídos e, a partir da interação entreeles, é possível obter o comportamento global [Troitzsch 2000].

Por razões similares, a simulação multiagente é muito utilizada pela indústria do ci-nema e dos jogos para o desenvolvimento de simulações realísticas de indivíduos e soci-edades. Como exemplo de jogos tem-se “The Sims” e no cinema os “Orcs” do filme “OSenhor dos Anéis” [Siebers & Aickelin 2008].

Os modelos baseados em agentes são, normalmente, mais fáceis de serem mantidos,pois refinamentos ou alterações sempre resultam em atividades de escopo local e nãoglobal. Entretanto, deve ser considerado que, uma mudança em nível local, pode trazeralterações no nível global que sejam inesperadas ou mesmo indesejadas. Isso aconteceporque modificações mínimas nos agentes são aumentadas de forma exponencial, quandocentenas de agentes coexistem no sistema.

Aplicações de MABS

Simulação multiagentes pode ser aplicada a inúmeros domínios, e é em geral em-pregada na modelagem de sistemas complexos. A Tabela 2.1 mostra algumas de suasaplicações, em função do campo de interesse [Siebers & Aickelin 2008].

Campo Exemplo de AplicaçãoCiências Sociais Sociedade de insetos, aprendizado em grupo, Dinâmica dos

grupos sociais crescimento e declínio de culturas, alastra-mento de epidemias, desobediência civil

Economia Mercado de ações, mercados auto-organizáveis, comporta-mento do consumidor, redes de consumo

Ecologia Dinâmica das populações, dinâmica do uso da terra, devas-tação florestal, crescimento florestal

Ciências Políticas Direitos do uso da água, origem e padrões de violência, di-visão de poder entre populações multiculturais

Tabela 2.1: Aplicações de Simulação Multiagente.

Apesar da simulação computacional ter sido usada largamente desde os anos 60, asimulação multiagentes só se tornou popular por volta dos anos 90. Atualmente é umaferramenta conhecida no mundo acadêmico e em busca do mesmo reconhecimento nomercado comercial. Sua evolução ao longo do tempo não é muito bem documentada,basicamente pelo fato de que não existe consenso em relação ao que define um agentecomputacional.

A técnica para criar modelos computacionais utilizando a metáfora de múltiplas en-tidades individuais distribuídas no espaço foi inicialmente desenvolvida durante os anos


40, quando John Von Neumann iniciou seus trabalhos com os autômatos celulares. Umautômato celular é constituído por um conjunto células, onde cada uma pode estar emum de uma série predefinida de estados. As mudanças de estado em uma célula ocorrembaseadas nos estados anteriores desta célula e no histórico das células vizinhas. Estesmodelos foram usados inicialmente no estudo de processos de crescimento populacionale auto-reprodução [Siebers & Aickelin 2008], como o clássico modelo de John Conwaydo “jogo da vida” [Gardner 1970]

Apesar de autômatos celulares utilizarem a metáfora de “entidades individuais”, se asregras de suas alterações durante uma simulação são definidas de forma centralizada, asimulação não pode ser considerada multiagente, mas uma simulação a eventos discretos.Porém, quando cada entidade reage independentemente de um módulo central, ou seja,quando possui suas próprias regras e reage diferentemente aos estímulos externos (célulasvizinhas), pode-se então considerar uma simulação multiagente.

Provavelmente um dos primeiros trabalhos nesse sentido data do início dos anos 60,quando William McPhee publicou um artigo modelando o comportamento dos eleitores[McPhee 1966]. Outras fontes sugerem o inicio da simulação multiagente a partir do tra-balho de Craig Reynolds, modelando o comportamento de agentes biológicos como, porexemplo, o comportamento de bandos de pássaros [Reynolds 1987]. Acadêmicos comoJim Doran e Scott Moss usaram a abordagem baseada em agentes na área das ciências so-ciais, para abordar fenômenos como redes de consumo, dinâmica populacional, dinâmicade sistemas políticos, entre outros [Aylett et al. 2000].

2.3 Emoção, Humor e Personalidade: A Afetividade Hu-mana

2.3.1 A Relação entre a Psicologia e a Ciência da ComputaçãoÉ crescente a busca de sistemas informatizados para a solução de problemas do mundo

real, em áreas como: Educação, Engenharia, Administração e outras. Isso porque, com ainformatização, buscam-se cada vez mais os benefícios relativos à qualidade e à produti-vidade nos serviços.

No contexto de organizações, a análise da organização, a solução de seus problemas,o aumento de sua produtividade e, até mesmo, o seu crescimento dentro do mercado nãoé tarefa fácil. Estudos mostram que qualquer organização que queira ter sucesso deveinvestir principalmente nas pessoas que estão nela inseridas, pois o capital humano é oprincipal diferencial competitivo das organizações bem-sucedidas.

É nesta perspectiva de obter resultados positivos, no que se refere ao comportamentoorganizacional, que pesquisas estão sendo realizadas unindo duas forças científicas parao avanço das organizações. Uma é a Psicologia, a qual fornece bases teóricas e instru-mentais sobre o comportamento humano, abordando o estudo do indivíduo através daobservação objetiva, trabalhando na integração de construtos como personalidade e açãocomportamental do indivíduo. A outra é a Informática, que vem remodelando a formade trabalhar das pessoas, aumentando a produção e gerando melhor qualidade de atendi-


mento para os clientes [Canuto et al. 2004].Apesar de parecerem domínios disjuntos, a Psicologia e a Informática possuem in-

terseções cuja história não é recente. As teorias preconizadas pela Psicologia, principal-mente da Psicologia Cognitiva, têm sido amplamente utilizadas como fonte de inspiraçãopara inúmeros trabalhos desenvolvidos na Computação, sobretudo na área de I.A. (Inteli-gência Artificial).

Uma sub-área da I.A., que é também bastante influenciada pelo enfoque das CiênciasHumanas (não apenas Psicologia) é área de Sistemas Multiagentes (SMA), cuja metáforaé baseada no comportamento social, onde um grupo de agentes procura solucionar cola-borativamente problemas globais. Nessa abordagem, o comportamento de um sistema évisto como o resultado emergente da interação de várias entidades individuais. Estuda-se,portanto, não apenas os mecanismos de cognição de uma entidade, mas como ela interagecom as demais e com o ambiente no qual ela está inserida [Campos et al. 2006].

Esta sub-área da I.A. está em constante crescimento e tem sido amplamente aplicadaao estudo de organizações, devido à capacidade que os modelos computacionais baseadosnesta abordagem têm de representar, cada vez mais, características fundamentais para oestudo das organizações. Hoje, através de modelos computacionais é possível representarde forma mais precisa a estrutura, os objetivos, as tarefas, as normas, a cultura, os recursose, principalmente, as complexas ações provenientes do comportamento humano. Alémdisso, pelos estudos que vêm sendo realizados, já é possível representar as emoções e suasconseqüências no contexto social [Ortony 2003] [Ortony et al. 1990] [Oatley & Johnson-Laird 1987].

Esses modelos são úteis quando seus componentes são colocados em atividade, emum processo chamado “simulação”. Esta simulação pode ser considerada um jogo, ondecada participante se envolve com elementos presentes na vida real através do fictício, deforma lúdica e atrativa [Campos et al. 2003] [da Silva 2009].

Estes tipos de jogos, também conceituados como jogos de empresas ou jogos sérios[Johannes S. Breuer 2010], vêm surgindo cada vez mais no âmbito organizacional, comouma ferramenta preciosa quando se busca treinamento e integração das pessoas que for-mam as equipes de trabalho. Segundo alguns autores [Bates 1992] [Campos et al. 2003][Campos et al. 2003], o aprendizado por meio de jogos lúdicos é muito maior do quequando o conceito ou a idéia que se quer transmitir é passada numa sala de aula por uminstrutor [Aldrich 2005]. Os jogos para o treinamento de pessoas trazem muitos benefí-cios, como desenvolvimento e aperfeiçoamento das habilidades de comunicação e criati-vidade dos participantes, integração de equipes, avaliação e aprimoramento de habilidadesorganizacionais e outros [Campos et al. 2003].

2.3.2 EmoçãoA emoção humana estabelece um conjunto de interações funcionais com a Cognição.

Ao contrário do que foi durante muito tempo defendido, estas interações foram identifi-cadas como essenciais para o aparecimento do comportamento inteligente em ambientescomplexos e com requisitos críticos de tempo [Ortony 2003].

Segundo Damásio em seu livro Descarte’s Error [Damasio 1995], a emoção não so-


mente ajuda o processo de decisão, mas a sua falta pode transformar muitos desses pro-cessos de decisão em processos não factíveis. Ou seja, existe influência da emoção edos sentimentos nos processos de inteligência dita racional. As emoções e os sentimen-tos pessoais de cada indivíduo estão conectados aos processos de decisão e planejamentorealizados a cada instante da interação destes indivíduos com o ambiente.

As emoções aceleram os processos cognitivos criando, em determinadas situações,certos tipos de “atalhos” para o processo deliberativo. A falta destes “atalhos” parecedeixar os humanos incapazes de lidar com a complexidade habitual do mundo em umperíodo de tempo aceitável [Sarmento 2004] [Morgado 2006].

Emoções funcionam como um mecanismo mediador entre as capacidades cognitivase o ambiente. O processo de decisão humano se baseia em um cérebro e um corpo,trabalhando paralela e colaborativamente, em busca de uma solução. Esse mecanismoprecisa considerar [Damasio 1995]:

• O estado atual do agente (focando nos componentes que são importantespara a decisão);• O estado do ambiente;• A influência de experiências anteriores;• Como o ambiente pode ser influenciado pelas ações tomadas.

Considerando a complexidade do processo de decisão, torna-se necessário um meca-nismo otimizado de acesso à memória, que considere apenas as informações relevantesao processo em questão.

Também segundo Damásio, existe uma influência significativa da emoção na acelera-ção do processo de busca, pois permite redução do espaço de análise e compensação daincerteza dos dados obtidos através da percepção. Considerando aplicações onde a com-plexidade das variáveis ambientais a serem tratadas seja considerável, bem como o tempodisponível para a busca de uma solução aplicável ao contexto da situação seja escasso,um processo de otimização da decisão parece ser bem vindo [Scheutz 2002].

É consenso o fato de que não é possível modelar a inteligência sem considerar a emo-ção. Várias são as razões para que existam tão poucos trabalhos científicos abordando oassunto [Sarmento 2004][Morgado 2006] [da Silva 2009]. Entre outras podem ser citadas:

• O comum e debatido fato de que a emoção e a razão estão em ladosopostos (acredita-se que a emoção prejudica a razão);• Não se conhece o suficiente em relação à emoção para a construção de

um modelo compreensível;• Ainda não existe uma definição de consenso em relação à natureza da

emoção.

Mantendo a consideração de um agente de software tentando simular um comporta-mento humano, tanto no indivíduo humano quanto no agente de software, não é possívelmanter a situação de alerta por um longo período. Pelos limites físicos no caso do hu-mano, e pelos limites de energia, temperatura, processamento entre outros no caso doagente. Ou seja, são mundos similares embora dispares.


Os conceitos baseados em emoção se apresentam em diferentes “papéis”. Três aspec-tos devem ser considerados:

• Reconhecimento da emoção humana;• Expressão de um comportamento emocional;• Modelagem e simulação do comportamento humano.

Pelo reconhecimento das emoções, as pessoas extraem informação adicional que nãoé transportada diretamente pela conversa, gestos (linguagem corporal), texto ou outrasformas explícitas de comunicação. O reconhecimento emocional executa um papel centralna decodificação de sinais durante uma conversação, o que ajuda a reduzir a possibilidadede ambiguidade de uma mensagem.

A emoção influencia os movimentos do nosso corpo e as nossas expressões. Esseefeito é conhecido como Sentic Modulation [Sarmento 2004][Vicente & Pain 1998]. Nossosistema motor pode ser visto como uma portadora, modulada pelas respostas emocionais,como numa modulação AM. Algumas mensagens são explícitas, outras nem tanto. Na ta-bela 2.2 [Sarmento 2004] são mostrados alguns tipos das respostas emocionais divididasde acordo com o nível de visibilidade do efeito.

Efeitos Aparentes Efeitos Menos AparentesExpressão Facial Respiração, pulso, freqüência cardíacaEntonação da voz Temperatura, Flutuação elétrica da peleGestos e postura corporal Pressão sanguíneaDilatação da pupila

Tabela 2.2: Respostas emocionais em relação ao nível de visibilidade dos efeitos.

Considerando a transmissão de informação para um computador usando o teclado, porexemplo, a mensagem será reduzida a uma string de caracteres usando um padrão. Essaperda de informação associada às mensagens diminui sensivelmente as possibilidades deuma interação completa homem-máquina.

Computadores que pudessem detectar o estado emocional do usuário, por exemplo,poderiam reagir de acordo, em relação a uma frustração ou desorientação. Outra possibi-lidade seria o agente interpretando o estado emocional durante uma comunicação mediadapor computador (chat, e_ mail, ...) e recriar o mesmo comportamento emocional no des-tino ( usando um avatar ou outro). Ou seja, o uso de emoções pode trazer vários benefíciospara o ambiente computacional [Picard 1995][Picard 1997].

A maioria dos trabalhos com agentes em ambientes virtuais que lidam com emoçãose baseiam no Modelo de Emoções proposto por Ortony, Clore e Collins (OCC) [Ortonyet al. 1990]. O modelo OCC apresenta o Estado Emocional de um agente como umaavaliação da sua situação (reação ao seu ambiente), considerando:

• Eventos do ambiente;• Ações do agente;• Presença de outros agentes;


• Objetos do ambiente.

Desta forma, quando o indivíduo está focado em um evento, ele também está interes-sado nas consequências que este evento pode trazer, tanto para ele como para os outrosindivíduos que estejam presentes. Se o foco são os agentes, existe o interesse em deter-minar quais ações estes agentes podem realizar e, finalmente, quando o foco recai sobreobjetos, existe o interesse nas características que estes objetos possuem e no que elespodem oferecer.

Estes aspectos que caracterizam o ambiente são traduzidos em uma estrutura de vintee dois tipos de emoções, baseadas nas reações construídas e quantificadas a partir da ava-liação do que é percebido do ambiente [Ortony 2003]. As reações possuem valência, deforma a representar se a emoção gerada é positiva ou negativa. O modelo alia a valênciadas emoções a um conjunto de variáveis que determinam a intensidade dos tipos de emo-ções geradas [Bartneck 2002b] [Ortony et al. 1990]. A Figura 2.8 mostra graficamente aestrutura do modelo OCC [Bartneck 2002b][Junior 2008].

Figura 2.8: Modelo OCC original [Junior 2008].


O processo para a geração de uma emoção, utilizando o modelo para o caso de umagente em um ambiente de simulação, pode ser dividido em quatro fases adaptadas de[Bartneck 2002b] [da Silva 2009]:

• Classificação: o agente percebe o evento do ambiente e verifica qualcategoria (evento, ação ou objeto) será afetada;• Quantificação: a intensidade com que a categoria foi afetada é calcu-

lada;• Interação: o tipo e o valor da emoção gerada interage com o estado

emocional do agente provocando uma alteração do mesmo;• Internalização: a alteração do estado emocional é propagada pelo mo-

delo.

Do ponto de vista da Engenharia, o Estado Emocional poderia ser construído usando-se um conjunto de regras, relacionando os vários aspectos do ambiente (eventos, outrosagentes, resultados das ações, dentre outros) [Lino et al. 2006] [Adamatti & Bazan 2002][Bazzan & Bordini 2001].

A emoção participa do modelo do agente, modulando o seu processo de decisão, alémde fornecer a característica imprevisível associada às interações humanas. Isso parece serfundamental no aumento de realismo de um ambiente de treinamento simulado [Camposet al. 2005] [Canuto et al. 2006].

Para executar o processo de classificação, o agente precisa conhecer a relação de umobjeto particular com as suas atitudes. Dependendo desta relação, uma categoria ou outraserá afetada, amor ou ódio por exemplo. Para melhor compreender o modelo OCC consi-dere o seguinte exemplo [Bartneck 2002b]: seja um agente que gosta de bananas e recebeum cacho inteiro por parte do usuário. O agente vai avaliar as consequências do evento doponto de vista do usuário e isso deve resultar em pena (pity), pois o usuário ficou com umcacho de bananas a menos. Em seguida, o agente avalia as consequências do evento doseu próprio ponto de vista e isso resultará em satisfação (satisfaction), pois ele acabou deganhar um cacho de bananas. Depois disso, o agente avalia a ação do usuário, o que re-sulta em admiração (admiration) e, finalmente, ele avalia o aspecto do objeto que resultaem amor (love).

O processo de classificação, para ser realizado, necessita de conhecimento por partedo agente. Ele precisa ter conhecimento sobre o relacionamento com o usuário. Já que aemoção que foi gerada foi pena e não ressentimento (vide Figura 2.8), o relacionamento éclassificado como bom, ou seja o agente gosta do usuário. O agente deve possuir objetivos(goals Figura 2.8) e deve conhecer qual a relação entre o evento de receber alimento e umobjetivo como por exemplo, “permanecer vivo”, o qual necessita cumprir com sucessotarefas do tipo “buscar alimento”. Neste caso, o evento de receber um cacho de bananascontribui positivamente com o objetivo. Além disso, o agente precisa conhecer o queesperar do usuário (standards Figura 2.8), pois, somente sabendo que o usuário não tem aobrigação de doar bananas o tempo todo, o agente pode disparar a emoção de admiração.Por último, o agente deve conhecer que gosta de bananas (attitudes figura 2.8).

Em resumo: o conhecimento que o agente deve possuir para que o modelo OCC possafuncionar está ligado aos objetivos (goals), padrões (standards) e atitudes (attitudes). O


modelo não especifica a forma como este conhecimento deve ser armazenado, manipu-lado ou atualizado. Esta tarefa deve ser definida no projeto da arquitetura de agente quepretende utilizar o modelo.

Além do processo de classificação da emoção, é necessário estabelecer a sua inten-sidade, ou seja, executar a quantificação. Para isso o modelo faz uso de três variáveisglobais, que estão diretamente relacionadas à consequência dos eventos, ações dos agen-tes e aos aspectos dos objetos. Respectivamente, tem-se a desejabilidade (desirability), alaudabilidade (praiseworthiness) e a atratividade (appealingness), como visto na Figura2.8.

Segundo Bartneck [Bartneck 2002b], para o cálculo da desejabilidade é necessáriodefinir uma hierarquia de objetivos, para que se possa estabelecer um nível relativo deimportância do evento que ocorreu em relação aos objetivos do agente. Porem, é necessá-rio considerar que eventos podem ocorrer fora da hierarquia de objetivos e estes tambémprecisarão ser avaliados de alguma maneira. O modelo também requer que seja man-tida alguma história em relação aos eventos, ações e objetos avaliados pelo agente. Issoserve, por exemplo, para influenciar o valor da desejabilidade em relação a um evento queacontece repetidas vezes. Um evento repetitivo tem muito menos influência emocionaldo que um evento que acontece pouco frequentemente. Obviamente essa função históricadeve levar em consideração o tempo em que os eventos ou ações ocorreram para definir afrequência. A função histórica não é descrita no modelo, sendo necessário desenvolvê-lapara cada caso de implementação.

O modelo OCC se baseia unicamente na avaliação dos eventos que ocorrem no ambi-ente externo, para definição de quais emoções surgirão bem como como que intensidade.É importante notar que os eventos internos (por exemplo: sensações, memórias, estadofísico), que são parte de algumas teorias modernas sobre emoções são negligenciadas naabordagem usada no modelo OCC [Kessler et al. 2008].

2.3.3 PersonalidadeA psicologia tem contribuído para a compreensão de manifestações comportamentais,

aspectos motivacionais, aspectos cognitivos e aspectos de relacionamento dos indivíduosdentro de uma organização social.

O uso de modelos de personalidade em agentes facilita a criação de cenários maisrealísticos. A personalidade é o que permite que agentes que estejam atuando no mesmoroteiro de atividades, sujeitos às mesmas restrições, compartilhando os mesmo valores eacreditando nas mesmas coisas, tenham comportamentos diferentes. A personalidade de-fine um mecanismo de preferências, para criar padrões de comportamento independentesde qualquer outro aspecto [Campos et al. 2009b] [Zeisset 2006].

O conceito de personalidade tem se modificado em relação aos diferentes momentossocio-históricos, desde sua origem etimológica do grego, “pessoa”, que se referia à más-cara usada pelos atores no teatro e, portanto, à aparência. Atualmente, personalidade éentendida como um padrão de características inter-relacionadas, constante e não consci-ente, que se expressa de forma quase automática [Campos et al. 2006]. Especificamentenas últimas décadas, o estudo da personalidade enfoca duas tradições distintas: a nomo-


tética e a idiográfica. A primeira diz que a personalidade pode ser descrita em função dodesvio individual em relação a um valor grupal de manifestações comportamentais. Tema finalidade de formular proposições gerais, e seus autores buscam regularidades ou varia-ções permanentes entre distintos grupos de sujeitos. Por sua vez, a perspectiva idiográficadá ênfase ao individual e ao peculiar de cada indivíduo, apresentando como a noção maisimportante dessa perspectiva, que toda individualidade é resultante da história particularde relações estabelecidas entre os aspectos biológicos e os elementos familiares, social ecultural [Canuto et al. 2004]. Como resultado deste contínuo movimento teórico, algunspontos de uma ou outra definição foram incorporados às novas expressões teóricas, umdesenvolvimento marcado pelo constante avanço metodológico, teórico e instrumental, nabusca por diferentes manifestações comportamentais em diversos países [Lino et al. 2006][Canuto et al. 2004].

Existem muitas teorias da psicologia que tratam da personalidade humana. Estas teo-rias podem ser divididas em duas categorias: a dos tipos de personalidade e a dos traçosde personalidade [Campos et al. 2009b]. As teorias de traços de personalidade expressamas características humanas, através da quantificação de um conjunto de características queformam uma taxonomia. Como exemplos desse tipo de teoria encontram-se a de Millon[Alchieri et al. 2004] e a OCEAN [McCrae & John 1992], também conhecida como Big-Five. Já as teorias dos tipos de personalidade não expressam as características usandovalores, mas sim um conjunto de tipos aos quais o indivíduo pertence. Um exemplo destetipo de teoria é o MBTI [Zeisset 2006], criado a partir de uma extensão da teoria original-mente proposta por C. Jung [Jung 1921].

Para Millon [Alchieri et al. 2004], por exemplo, as características de personalidadeemergem de uma matriz em que estão presentes tanto predisposições biológicas quanto asexperiências de aprendizagem e, em função delas, organizam-se estilos estáveis de pensar,enfrentar situações, perceber, sentir e vincular-se com outras pessoas e demais objetos domundo cultural. Personalidade é entendida como um construto, que representa um padrãode funcionamento, uma forma intrínseca de agir, que resulta de uma matriz de variáveisdeterminadas pelo desenvolvimento biopsicológico. O modelo teórico proposto por Mil-lon considera a importância dos fatores biológicos, como a genética, criando uma matrizúnica e específica para cada sujeito, que representa um papel fundamental na formaçãoda personalidade [Alchieri et al. 2004].

A teoria de personalidade OCEAN é definida como um conjunto de traços de per-sonalidade organizada em cinco dimensões básicas [McCrae & John 1992] [McCrae &Costa 1989]:

• Abertura à experiência ou intelecto (Openess);• Consciência (Conscientiousness);• Extroversão/Introversão (Extroversion);• Nível de socialização (Agreableness);• Neuroticismo ou Estabilidade Emocional (Neuroticism).

A combinação destes cinco fatores reflete vários aspectos da personalidade humana.Por exemplo: uma pessoa autoritária tem uma consciência alta, mas uma socialização e


abertura a novas experiências baixas. Várias combinações são possíveis, o que resulta emuma larga variedade de estilos de personalidade.

As cinco dimensões do OCEAN podem ser detalhadas como segue [McCrae & John1992]:

• Abertura à experiência ou intelecto (Openess): Indivíduos abertos à ex-periência, em geral, são pessoas que apreciam a arte (curiosas intelec-tualmente), a emoção e a aventura, costumam ter idéias diferentes, sãoimaginativas e curiosas e também sensíveis ao belo. São pessoas cri-ativas e conscientes dos seus sentimentos. Pessoas com baixo nível deabertura são mais convencionais e possuem interesses mais tradicionais.São pessoas mais fechadas, conservadoras e portanto mais resistentes amudanças• Consciência (Conscientiousness): Pessoas mais conscientes têm ten-

dência a apresentar auto-disciplina e comportamento ordeiro e respon-sável. Mostram preferência pelo comportamento planejado ao invés docomportamento espontâneo. São confiáveis e tidos como inteligentes.Negativamente podem se tornar perfeccionistas compulsivos ou wor-kaholics.• Extroversão/Introversão (Extroversion): O indivíduo extrovertido é ca-

racterizado por emoções positivas e por buscar a companhia de outros.São normalmente pessoas cheias de energia e entusiasmadas pela ação.Os introvertidos perdem a exuberância, energia e os níveis de energia.Tendem a ser quietos, deliberativos e menos envolvidos com o mundoexterior.• Nível de socialização (Agreableness): Indivíduos sociáveis tendem a ser

socialmente agradáveis, calorosos e dóceis. Compartilham seus interes-ses com os outros e possuem uma visão otimista da natureza humana,acreditando que as pessoas são honestas, decentes e confiáveis. Já os in-divíduos pouco sociáveis colocam os seus interesses pessoais antes dosinteresses dos outros. Muitas vezes seu ceticismo em relação aos outrosos tornam não amigáveis e não cooperativos.• Neuroticismo ou Estabilidade Emocional (Neuroticism): Indivíduos neu-

róticos possuem a tendência de apresentar emoções negativas como raiva,ansiedade e depressão. Indivíduos com alto grau de neuroticismo sãoemocionalmente instáveis e vulneráveis ao estresse. Tendem a inter-pretar as situações normais como ameaças e, normalmente, as emoçõesnegativas tendem a durar bastante tempo, ou seja, estão sempre de mauhumor. No outro extremo da escala, indivíduos com baixo neuroticismotendem a ser mais estáveis emocionalmente, calmos e livres de senti-mentos negativos persistentes.

Normalmente, usando-se o modelo OCEAN, um perfil de personalidade seria dadocomo um conjunto de números reais num intervalo entre zero e um ([0,1]∈R ) atribuídosa cada traço.


Embora largamente aceito, o modelo Big-Five tem suas limitações para a modelagemdo comportamento artificial. Como o modelo mapeia o comportamento em cinco fatores,não é possível derivar o comportamento apenas pelos níveis dos fatores isoladamente. Ouseja, não se pode dizer que alguém tem o estilo autoritário apenas avaliando os níveisde cada um dos cinco fatores. Desta forma, podem existir indivíduos que, apesar deterem os mesmos níveis nos fatores individuais, se comportam de modo distinto quandosubmetidos a uma mesma situação ambiental [Parunak et al. 2006].

Outro estudioso do comportamento humano, Carl Jung, utiliza categorias de introver-são e extroversão e funções emocionais e cognitivas para descrever os diferentes traçosda personalidade humana. Estes aspectos podem ser vistos como a dimensão básica dasdiferenças individuais [Jung 1921].

Segundo este enfoque, para identificar um tipo psicológico, é necessário determinar asatitudes de um indivíduo. Estas atitudes definirão se a pessoa é guiada pelo mundo interno(introversão) ou pelo mundo externo (extroversão). Uma vez feita essa definição, o indivi-duo pode ser classificado de acordo com a sua função dominante, conhecida como FunçãoPrincipal, a qual descreve o comportamento preferencial do indivíduo. Há quatro funçõespsicológicas possíveis que podem ser classificadas como dominantes: Pensamento, Sen-timento, Sensação e Intuição. Jung divide estas funções em racionais e irracionais, ondeas racionais (pensamento e sentimento) ajudam julgamentos e processo decisórios, e asirracionais (sensação e intuição) fornecem informações que podem servir de base para oprocesso de julgamento. A combinação das atitudes fundamentais (introversão e extro-versão) com as quatro funções dominantes resulta em oito diferentes tipos psicológicosque classificam o indivíduo.

Para tornar a descrição do comportamento individual mais completa usa-se tambémuma classificação para o comportamento menos preferido. Neste caso, usa-se uma funçãode classificação chamada de função auxiliar, que mapeia as funções menos preferidas doindivíduo.

Segundo Jung [Jung 1921], todas as funções estão presentes em todos os indivíduos,havendo porém apenas uma dominante, a qual é definida pela Função Principal. Nor-malmente, a função auxiliar é o oposto da principal. Ou seja, normalmente, se a funçãoprincipal é racional a função auxiliar será irracional [Parunak et al. 2006].

O processo Myers-Briggs Type Indicator (MBTI) de avaliação é um questionário pro-jetado para medir preferências psicológicas, na maneira como as pessoas percebem omundo e tomam decisões [Myers et al. 1998]. Estas preferências são baseadas nas teo-rias descritas por Jung no seu livro Psychologische Typen de 1921 [Jung 1921]. O de-senvolvimento original do questionário foi feito por Katharine Cook Briggs e sua filha,durante a Segunda Grande Guerra. A motivação foi a tentativa de melhorar a adaptaçãodas mulheres que foram obrigadas a assumir os lugares dos homens nas fábricas duranteo esforço de guerra. A idéia era, a partir do conhecimento sobre as preferências psicoló-gicas, identificar quais os postos de trabalho que fossem mais confortáveis e efetivos paraestas mulheres, que atuavam pela primeira vez no trabalho fabril. O instrumento MBTI,derivado do questionário inicial, é largamente usado no meio organizacional.

O modelo MBTI categoriza os indivíduos em quatro dimensões, baseadas nas prefe-rências contidas nos padrões de comportamento: 1) a direção preferida da energia e da


atenção; 2) a maneira preferida de obter informações; 3) a maneira preferida de tomardecisões; e 4) o modo de vida preferido no mundo exterior [Campos et al. 2009b]. Estasdimensões servem para identificar, respectivamente, quatro pares de preferências opostas:

• Extroversion - Introversion (E-I): define a atitude mental que dirige ofoco de atenção. Os extrovertidos tendem a dirigir a sua atenção para osoutros, para as atividades e para as coisas que os rodeiam. Os introver-tidos tendem a dirigir a sua atenção para o seu próprio mundo interiordas idéias, memórias ou imagens.• Sensing - Intuition (S-N): representa o estilo de percepção, definindo o

tipo de informação que a pessoa prefere. As pessoas que preferem assensações são mais interessadas nas informações reais, práticas e con-cretas. As pessoas que preferem a intuição estão mais interessadas eminformações abstratas, conceituais, obtidas através da interpretação pró-pria do ambiente.• Thinking - Feeling (T-F): diz respeito a como as pessoas tomam deci-

sões. As pessoas ligadas ao pensamento preferem tomar decisões basea-das em fatos objetivos e seguindo análises lógicas do tipo causa e efeito.As pessoas sentimentais tendem a tomar as decisões baseadas em valo-res subjetivos, pessoais, prestando atenção sobretudo na influência quea decisão terá sobre outras pessoas.• Judging - Perceiving (J-P): é relativo ao estilo de vida adotado. As

pessoas identificadas com o julgamento preferem viver de uma maneiraplanejada e estruturada. As pessoas identificadas com a percepção pre-ferem viver de maneira mais flexível, espontânea e aberta a novas expe-riências.

Em seu trabalho, Mcrae e Costa [McCrae & Costa 1989] apresentam correlações entreo MBTI e o OCEAN, a partir de uma pesquisa realizada com 267 homens, com um resul-tado similar obtido com um grupo de 201 mulheres. Este estudo estabeleceu que existeuma correlação clara entre os tipos E-I e S-N do modelo MBTI e extroversão e aberturaao novo do OCEAN, respectivamente. Entre os tipos T-F e J-P e os traços nível de so-cializaçao e consciência, respectivamente, existe uma correlação moderada. Segundo oestudo, o que realmente não se encontra no MBTI é uma dimensão que trate da estabili-dade emocional (neuroticismo).

2.3.4 HumorLevando em consideração o aspecto temporal do comportamento, as emoções repre-

sentam estruturas instáveis no decorrer do tempo e com periodicidade variada. Por exem-plo, da mesma forma que se pode ficar rapidamente zangado, volta-se de forma rápidapara um estado considerado “normal” [da Silva 2009]. A personalidade, porém, é vistacomo sendo constante durante quase todo o tempo de vida do indivíduo. Entre estas duasestruturas existe o humor, uma estrutura associada ao temperamento, que é mais estávelque as emoções e mais inconstante do que a personalidade [Wilson 2000].


O estado de humor reflete um estado de duração intermediária, que geralmente nãoestá relacionado a um evento concreto, a uma ação ou a um objeto diretamente. O humoré uma condição afetiva estável, que tem enorme influência sobre as funções cognitivasdos indivíduos [Morris 1989][Gebhard 2005].

O trabalho de Mehrabian [Mehrabian 1996b][Mehrabian 1996a] criou o arcabouçoPAD (Pleasure, Arousal, Dominance) para descrever e medir as diferenças individuais dehumor. Neste framework os traços P, A e D estabelecem três eixos independentes, quecriam um espaço tridimensional de humor. Ou seja, os três eixos criam um espaço tridi-mensional de regiões de tipos de temperamento. Para melhor visualizar o espaço criado,é interessante tratar cada eixo em dicotomias: +P e -P para agradável e desagradável, +Ae -A para excitado e sem excitação, e +D e -D para dominante e submisso. A Tabela2.3 mostra as denominações para cada um dos octantes criados no espaço PAD e suasrespectivas características.

Tipo PAD DescriçãoEntediado (Bored) (-P-A-D) Triste, solitário, socialmente arredio, fisi-

camente inativoDesdenhoso (Disdainful) (-P-A+D) Desprezo pelos outros, isolado, arredio e

calculista, algumas vezes anti-socialAnsioso (Anxious) (-P+A-D) Preocupado, nervoso, inseguro, tenso, in-

feliz, propenso à doençaHostil (Hostile) (-P+A+D) Raivoso, estado emocional negativo, pos-

sivelmente violentoDócil (Docile) (+P-A-D) Agradável, sem emoção e submisso, sim-

pático, conformadoRelaxado (Relaxed) (+P-A+D) Confortável, seguro, confiante, resistente

ao estresseDependente (Dependent) (+P+A-D) Ligado às pessoas, necessitado de outrosExuberante (Exuberant) (+P+A+D) Extrovertido, “saído”, feliz, sociável

Tabela 2.3: Descrição dos tipos de humor no modelo PAD.

Um octante define uma descrição discreta do humor a partir dos valores de P, A e D.Por exemplo, uma pessoa é descrita como relaxada (Relaxed), se ela é agradável (valorde P é positivo), não excitada (A é negativo) e dominante (D é positivo). Uma medidada força desse estado de humor pode ser definida como a distância do ponto ao zerodo espaço PAD. Algebricamente é a norma do vetor PAD, criado para aquele estado dehumor, sendo o valor máximo de cada eixo em módulo igual a 1, e

√3 como o maior

valor da norma [Gebhard 2005].Segundo Mehrabian [Mehrabian 1996b], o traço P é usado como um índice geral

de ajustamento psicológico, ou seja, indivíduos com um temperamento agradável sãoconsiderados ajustados psicológicamente, enquanto indivíduos com humor desgradávelsão considerados desajustados psicológicamente. Desta forma, Exuberante, Dependente,Relaxado e Dócil são consideradas quatro categorias de indivíduos ajustados psicologi-camente, enquanto, Entediado, Desdenhoso, Ansioso e Hostil são consideradas quatro


categorias de indivíduos desajustados psicologicamente.O humor pode ser inferido a partir de medições e avaliações do estado emocional do

indivíduo, ao longo de uma representativa quantidade de situações diárias [Mehrabian1996b]. Ou seja, as emoções que surgem a todo momento vão, ao longo do tempo, influ-enciando o estado de humor do indivíduo. Por um outro lado, a personalidade, elementomais estável, também é responsável por um certo grau de influência no estado de humor,definindo na realidade, o estado básico de humor dos indivíduos [Gebhard 2005]. Por“estado de humor básico” entende-se o estado de humor no qual o indivíduo permanecequando o efeito das emoções cessa. O estudo de Mehrabian [Kessler et al. 2008] estabe-leceu uma correlação entre modelo de humor criado por ele e o modelo de personalidadeOCEAN descrito anteriormente. A tabela 2.4 mostra a correlação definida por Mehrabianentre o modelo PAD e o modelo OCEAN. As letras que compõem as expressões da coluna“Humor Básico” se referem aos componentes do modelo de personalidade, ou seja:O =Openess,C =Conscientiousness,E =Extroversion,A=Agreableness,N =Neuroticism.

PAD Humor BásicoP 0,21∗E +0,59∗A+0,19∗NA 0,15∗O+0,30∗A+0,57∗ND 0,25∗O−0,32∗A+0,17∗C+0,60∗E

Tabela 2.4: Dimensões do PAD versus Traços do OCEAN.

A relação entre o humor e as emoções mencionada anteriormente, também foi descritapor Mehrabian [Mehrabian 1996b] através de uma correlação entre o modelo de emoçõesOCC (2.3.2) e o modelo PAD. A correlação mostra a intensidade com que cada emoçãoinfluencia cada traço do humor. Essa relação foi explorada no trabalho Gebhard [Gebhard2005]. A Tabela 2.5 mostra essa relação numérica para um conjunto de emoções negativase positivas usadas por Gebhard.


Emoções P A D Traços de HumorAdmiração 0,50 0,30 -0,20 DependenteAnger -0,51 0,59 0,25 HostilDesagrado -0,40 0,20 0,10 HostilDesapontamento -0,30 0,10 -0,40 AnsiosoAngústia -0,40 -0,20 -0,50 DócilMedo -0,64 0,60 -0,43 EntediadoMedo Confirmado -0,50 -0,30 -0,70 EntediadoInveja 0,30 -0,30 -0,10 DócilGratificação 0,60 0,50 0,40 ExuberanteGratidão 0,40 0,20 -0,30 DependenteFeliz por 0,40 0,20 0,20 ExuberanteÓdio -0,60 0,60 0,30 HóstilEsperança 0,20 0,20 -0,10 DependenteAlegria 0,40 0,20 0,10 ExuberanteAgrado 0,4 0,16 -0,24 DependenteAmor 0,30 0,10 0,20 ExuberantePena -0,40 -0,20 -0,50 EntediadoOrgulho 0,40 0,30 0,30 ExuberanteAlivio 0,20 -0,30 0,40 RelaxadoRemorso -0,30 0,10 -0,60 AnsiosoCensura -0,30 -0,10 0,40 DesdenhosoRessentimento -0,20 -0,30 -0,20 EntediadoSatisfação 0,30 -0,20 0,40 RelaxadoVergonha -0,30 0,10 -0,60 Ansioso

Tabela 2.5: Matriz de correlação entre o modelo OCC e o PAD.

Capítulo 3

Trabalhos Relacionados

Este capítulo apresenta algumas considerações gerais em relação a um conjunto detrabalhos que, de algum modo, são relacionados com a arquitetura aqui proposta. Comocomentado anteriormente, são contribuições deste trabalho: a proposta de um processo defoco de atenção para agentes inteligentes, subdividido em foco qualitativo e foco quanti-tativo, a utilização de um modelo afetivo como parte do processo de atualização contínuado foco de atenção e também a utilização, como base do modelo afetivo, de um conjuntointerrelacionado, formado por três modelos afetivos: OCC para as emoções, PAD parao humor e OCEAN para a personalidade. Como os autores deste trabalho desconhecemalgum trabalho com as mesmas características do apresentado nesta pesquisa, os traba-lhos relacionados aqui discutidos, foram divididos em duas sub-seções para facilitar aleitura e o entendimento: trabalhos relacionados ao uso de foco de atenção e trabalhosrelacionados ao uso da afetividade.

3.1 Trabalhos Relacionados ao Uso de Foco de AtençãoSob o argumento de “foco de atenção”, abordam-se trabalhos cuja preocupação seja

o de tratar, de alguma forma, a percepção do agente com o intuito de adequar o conjuntode informações percebidas, de acordo com o contexto em que o agente esteja atuandono momento. Nesse caso, esse processo de adequação pode servir tanto à definição dasações do agente, como também à revisão dos objetivos com os quais o agente estejacomprometido, sejam eles baseados em aspectos humanos ou não.

No trabalho de Luís F. Morgado [Morgado 2006] existe a preocupação de integraros aspectos emocionais humanos em agentes computacionais, visando obter melhores re-sultados em processos de raciocínio voltados a ambientes complexos como os de temporeal. A arquitetura proposta para o modelo emocional de fluxo, definida neste trabalho,tenta englobar tanto as características de modelos de base fisiológica, onde a emoção estádiretamente relacionada com alterações internas do “organismo” que tenta se adaptar damelhor forma ao seu ambiente, como também os modelos de apreciação cognitiva, ondea emoção é resultado da interpretação de ações e eventos do ambiente externo. Em con-trapartida, o modelo emocional de fluxo não leva em consideração o conceito de humor eda personalidade.

O modelo emocional de fluxo [Morgado 2006] representa tanto os elementos cogni-

CAPÍTULO 3. TRABALHOS RELACIONADOS 44

tivos como os objetivos do agente numa forma de onda periódica com frequência fixa.Desta forma, o nível de interesse do agente por determinado elemento cognitivos se dápela ressonância da frequência do elemento em relação à frequência dos objetivos doagente. Este processo permite estabelecer o quanto um determinado elemento cognitivoé importante ou não. Estabelecendo um nível mínimo de importância, somente os ele-mentos cognitivos que tiverem a relação de ressonância maior do que esse mínimo serãopercebidos, o que cria, segundo o autor, uma barreira de depleção que dá origem ao focodo agente.

A proposta de Morgado [Morgado 2006] aborda o foco através de um processo com-parativo baseado nas leis da física (ressonância entre frequências), o que pode tornar adescrição do foco do agente complexa para determinados ambientes, em especial quandoa generalidade quanto ao contexto é desejável. A definição de várias frequências que res-soem em diferentes níveis em relação a um conjunto de objetivos de vários agentes nãoé tarefa simples. Além disso, o acompanhamento das decisões do agente também pareceser uma tarefa complexa, em especial quando se consideram vários agentes interagindosimultaneamente. Dessa forma, a proposta deste trabalho procura trabalhar com um pro-cesso de “gatilho de informação” (MIO - Meta_Info Operators discutidos mais adiante),cuja a descrição e implementação são muito mais fáceis, pois tratam os eventos relevantescomo uma descrição de um conjunto de informações percebidas do ambiente.

O trabalho de Sarmento e Oliveira [Sarmento 2004] [Oliveira & Sarmento 2002][Luis Sarmento 2004] [Oliveira & Sarmento 2003] utiliza um cenário bastante complexo,e dinâmico. O cenário é um floresta em chamas, onde vários agentes devem eliminaros focos do incêndio trabalhando cooperativamente. Os agentes são dotados de um es-tado emocional criado a partir da experiência cognitiva do agente, que é analisada por umconjunto de regras. Esta análise influencia um conjunto de variáveis chamadas de acumu-ladores emocionais. São variáveis que decaem exponencialmente e que, dependendo dainfluência do ambiente, podem ter seus valores aumentados quando uma emoção surge.A partir do instante seguinte ao da alteração do valor do acumulador, o decaimento ex-ponencial recomeça. O conjunto destas variáveis define o estado emocional do agente.Esse estado influencia no processo de decisão das ações de um agente. Por exemplo,um agente, a partir de uma alteração positiva do acumulador emocional que mapeia omedo, a partir uma súbita exposição ao fogo devido a uma mudança brusca na direçãodo vento, pode provocar no agente o uso de ações imediatas que o distanciem do focodo fogo. Como o acumulador decai exponencialmente, a manutenção desse estado dealerta vai durar um certo tempo, o que faz o comportamento do agente se tornar maisconservador durante este período. Esse tempo dependerá de qual fator estabelece o decai-mento exponencial do acumulador “medo”. Um decaimento rápido define que o agentevoltará rapidamente ao seu padrão anterior de tomada de decisão, um decaimento lentorepresentará o contrário.

No cenário utilizado por Sarmento e Oliveira, o Pyrosim [Luis Sarmento 2004] [Oliveira& Sarmento 2003], os autores trabalham com o conceito de agentes BDI [Pereira et al.2005] [Bartneck 2002b], onde os agentes utilizam a abordagem de proprio perception,ou seja, o agente pode não ser capaz de perceber a totalidade dos recursos disponíveis etambém pode sub-estimar o seu conhecimento em relação ao uso de um recurso ou seu


potencial em determinar a solução de um problema.O foco de atenção do agente utilizado por Sarmento e Oliveira no Pyrosim é estabele-

cido de forma indireta, pois o ciclo de raciocínio do agente é dividido em dois níveis, o decontrole e o deliberativo. No ciclo de controle são abordados os objetivos que definem asobrevivência do agente. Ou seja, antes de deliberar sobre qualquer coisa, o agente devese comprometer com o objetivo primordial que é o de permanecer vivo. Para múltiploscontextos, esses objetivos precisam ser redefinidos e, também, a relação que o agenteestabelece com eles. Deste modo, a estrutura do agente precisa ser reestruturada, paraque ele possa ser usado em um novo ambiente. Pode-se dizer que o agente trabalha comum foco fixo, que não pode ser dinamicamente alterado. Na arquitetura proposta nestetrabalho, o foco qualitativo pode ser facilmente modificado para que o foco de atençãodo agente seja alterado e com isso a sua relação com o ambiente. Alterando-se a relaçãodo agente com o ambiente, os objetivos do agente poderão, também ser alterados. Alémdisso, a proposta não se limita à arquitetura de agentes BDI.

No trabalho de Koster e Dignum [Koster et al. 2008] é discutido o conceito de umfiltro de relevância, para que sistemas multiagentes possam atuar de modo mais eficienteem ambientes altamente dinâmicos, tais como os encontrados nos sistemas móveis quelidam com diferentes serviços. Para esses casos é definido um “observador de contexto”que calcula, em conjunto com os planos, desejos e intenções (arquitetura BDI [Bordiniet al. 2007]) que o agente tem definidos atualmente, a relevância dos dados recebidos. Arelevância é calculada utilizando-se uma base de regras e planos da linguagem AgentS-peak [Rao 1996]. Desse modo, o ciclo de raciocínio BDI, incorporando a questão de quãorelevantes são os dados, pode tomar decisões mais eficientes em um ambiente dinâmico,melhorando a usabilidade da aplicação. Uma importante observação feita nesse trabalho,refere-se ao fato de que o processo do “pensar” do agente deve ser o mais eficiente possí-vel, para tornar o momento do “perceber” o mais próximo possível do momento do “agir”,evitando assim, que alterações no ambiente, ocorridas entre esses dois momentos, façamcom que as ações do agente possam ser inócuas. Segundo os autores, deve-se encontrarum balanço entre o planejamento proativo, onde há o risco de que o ambiente mude aoponto que o plano definido não possa ser executado, e o ato de simplesmente reagir, com oprimeiro plano disponível, que carrega o risco de se usar um plano não ótimo, ou mesmoerrado. Dignum, em trabalho anterior [Dignum 2000], já descrevia uma alteração do cicloBDI para permitir que o agente focasse o seu raciocínio em um conjunto mais específicode dados. Nesse caso, foi adotado o conceito de raciocínio social, o qual se baseia emnormas e obrigações. Agentes convivendo em sociedade seguem normas, e o conheci-mento dessas normas permite facilitar a coordenação (se sabe o que se pode ou não fazer)e a antecipação de certos comportamentos, com um certo grau de confiabilidade. Asobrigações, por outro lado, estão associadas ao reforço das estratégias desejáveis, o queenvolve a punição ao violadores. De um certo modo, normas e obrigações focalizam aatividade do agente dentro de determinados critérios definidos por quem modela a aplica-ção. O conceito de relevância dos dados é bastante similar ao conceito usado na definiçãodo foco Qualitativo, porem é diretamente relacionada a agentes BDI. O conceito de focoquantitativo não é abordado nesse trabalho.

O trabalho de Weys [Danny Weyns 2004] define um modelo baseado no conceito de


active perception, que possibilita o direcionamento da percepção do agente para os as-pectos mais relevantes do ambiente, de acordo com a tarefa atual do agente. O modelodecompõe a percepção em três partes: detecção (sensing), interpretação e filtragem. Nadetecção, o estado do ambiente é mapeado para uma representação onde o agente podeusar um conjunto de focos que, uma vez selecionados, permitem ao agente perceber so-mente tipos específicos de dados. Depois disso, esses dados são adequados através do usode leis de percepção, as quais definem as restrições a determinadas percepções. No pro-cesso de interpretação, o agente utiliza blue prints para mapear o que foi percebido em ummodelo que possa ser processado pelo agente. Por último, existe o processo de filtragem,que é responsável por reduzir o conjunto de dados de acordo com critérios baseados nocontexto da tarefa em execução. O conceito aqui utilizado é bastante similar ao propostoneste trabalho, porem a implementação parece ser bem mais complexa e custosa em ter-mos de camada de software adicional ao processo de percepção. Novamente o conceitode foco quantitativo não é utilizado.

Em seu trabalho, Pereira e Tettamanzi [Célia Da Costa Pereira 2008] discutem o fatode que a geração de objetivos em agentes BDI deve levar em consideração que nem todasas crenças, obtidas da percepção, são igualmente importantes, e que a confiança da fonteda informação também deve ser considerada. Desse modo, o processo deliberativo quedefine os objetivos que o agente pode e deve alcançar se baseia na relevância da informa-ção percebida, bem como no grau de confiabilidade atribuído à fonte da informação. Arelevância das crenças em relação aos objetivos é definida com base em uma relação deordem e a lógica fuzzy é usada para representar os graus de confiança. O modelo proposto,porém, não comenta sobre a possibilidade da relevância da informação poder ser ajustada,como no foco qualitativo proposto, durante a execução do agente, pois considera que osagentes não usam o seu estado mental interno para atualizar os objetivos.

O trabalho de Castelfranchi [Cristiano Castelfranchi 2006] trata da possibilidade deusar o conceito de comportamentos antecipados, definidos previamente para determina-das situações do ambiente. Para isso, utiliza a abordagem baseada na expectativa do que oagente percebe. Caso os dados percebidos estejam fora do que era esperado pelo modelointerno do agente, um alerta é gerado, fazendo com que o agente utilize um comporta-mento dito “cuidadoso”. Em outras palavras, o agente passa a ser mais detalhista comrelação ao que percebe e menos auto-confiante com relação à análise feita para definiras ações a serem executadas. O comportamento “cuidadoso” é atrelado ao conceito deestabilidade da personalidade, onde os mais estáveis são mais cuidadosos, ao contráriosdos agentes com personalidades menos estáveis. A possibilidade de construir um agenteadaptativo que possa ajustar, em tempo de execução, o grau de “cuidado” que deva usar,é comentado mas não implementado e nem testado, como é feito com o foco quantitativoe qualitativo da proposta deste trabalho.

Uma abordagem do foco de atenção que é próxima ao que é proposto na arquiteturaAAFA para agentes com foco qualitativo fixo e foco quantitativo fixo, é o trabalho de Lo-rini e Piunti [Lorini & Piunti 2010]. Eles propõem um mecanismo para estender a funçãode atualização da base de crenças do agente, a BUF (Belief Base Update Function) dosagentes BDI. Nesse caso, a BUF proposta, utilizando um mecanismo de relevância base-ado numa função de probabilidade, faz com que somente as crenças com um certo grau


de relevância sejam atualizadas na base de crença do agente. A função de probabilidadeque define a noção de relevância se baseia no conceito de dependência probabilística e,por conseguinte, a noção de irrelevância se baseia no conceito de independência. Comocomentado antes, isso se aproxima ao que é usado nos agentes com foco de atenção fixoda arquitetura AAFA, porém o trabalho não faz alusão a nenhum processo dinâmico deajuste dos critérios de relevância e tão pouco a uma análise quantitativa da percepção.Do mesmo modo que vários outros trabalhos citados nesta seção, diz respeito somente aociclo de raciocínio BDI, não sendo flexível para ser usada em outras arquiteturas.

Em trabalho mais recente, Venanzi e Piunti [Matteo Venanzi 2011] introduzem umprocesso para filtrar os dados percebidos, usando o conceito de confiança sobre fontesdesconhecidas disponíveis no ambiente. Para ser usado em sistemas abertos, propõem queo fator de confiança, definido para as fontes de informação, seja baseado numa avaliaçãocognitiva feita pelo agente. Ao invés de considerar dados referentes a relacionamentosanteriores e fontes de reputação, o agente define o fator de confiança dinamicamente,baseando-se num reduzido conjunto de propriedade observáveis, definido como conjuntode sinais legíveis (Manifesta), do qual é possível inferir um conjunto de propriedadese capacidades (Kypta) de quem está sendo observado. Desse modo, um agente confiaem outro (em suas informações) se o DoT (Degree of Trust) desse for superior a umdeterminado nível. O cálculo do DoT se baseia na observação do (Manifesta), que expõeas propriedades do agente observado, em termos de habilidades e capacidades de realizaruma determinada tarefa. Quanto mais habilidoso ou “poderoso” for o agente observadona realização de uma determinada tarefa, maior o seu DoT em relação a informaçõesrelativas àquela tarefa.

3.2 Trabalhos Relacionados ao Uso da AfetividadeO uso da afetividade é mais frequentemente encontrada em trabalhos que visam mode-

lar e emular, em algum nível de credibilidade, o comportamento humano. Como exemplosnesse contexto, pode-se citar os agentes de interface chamados chatterbots, agentes tuto-res em sistemas de educação a distancia, personagens virtuais ou atores sintéticos, entreoutros.

Como comentado acima, modelos de afetividade como emoções, humor e personali-dade são normalmente usados para simular, em algum nível, o comportamento humano.Diferentes arquiteturas foram propostas com esse propósito, como por exemplo: ALMA(A Layred Model of Afect) [Gebhard 2005], BASIC (Believable Adaptable Socially In-telligent Character for Social Presence) [Romano et al. 2005], SIMPLEX (Simulation ofPersonal Emotion Experience) [Kessler et al. 2008] e o trabalho de Kasap et al. [Kasapet al. 2009], que utiliza o conceito proposto por Egges em [Egges et al. 2004].

Nestes trabalhos, a preocupação maior é dar ao modelo a condição de reagir emocio-nalmente ao ambiente, alterando o seu estado emocional como consequência. O modelode emoções adotado é o OCC [Ortony et al. 1990]. Como modelo de personalidade éusado o OCEAN ou BigFive [McCrae & John 1992]. Esse modelo de personalidade éconsagrado em implementações computacionais, pela sua simplicidade e por se tratar deum modelo de traços de personalidade. Como elo de ligação entre as emoções (de curto


prazo) e a personalidade (de longo prazo), em alguns casos, é utilizado o modelo de hu-mor conhecido como PAD [Mehrabian 1996b] [Mehrabian 1996a]. A idéia por trás destestrabalhos é, usando um modelo afetivo, fazer com que, em um determinado contexto, ocomportamento do agente possa ser percebido por um usuário como sendo um comporta-mento humano.

Visando melhorar a interação humano x computador, o trabalho de Kessler [Kessleret al. 2008], SIMPLEX (Simulation of Personal Emotion Experience), utiliza um modeloafetivo baseado na interrelação dos modelos OCC (emoções), PAD (humor) e OCEAN(personalidade) definida por Mehrabian [Mehrabian 1996b][Mehrabian 1996a]. O pro-cesso de avaliação do ambiente (appraisal), elicita as emoções cujas intensidades sãocalculadas com base nos objetivos do agente. Esses objetivos são parametrizados com umnível de relevância e um nível de realização, que estabelece o quanto desse objetivo jáfoi concluído. O estado emocional é usado para atualizar o estado de humor, cujo pontoinicial é definido com base no perfil de personalidade, conforme discutido na seção 2.3.4.O estado emocional influencia no processo de memorização do agente, pois somente osfatos cujas intensidades emocionais forem maiores são armazenados. O estado afetivo(emocional, humor e personalidade) é usado para definir o perfil de comportamento doagente, ou seja, que tipo de ações ele será capaz de executar. Além disso, esse estadotambém influencia como o agente realiza o processo de avaliação do ambiente.

Em seu trabalho, Romano [Romano et al. 2005] define o modelo BASIC (BelievableAdaptable Socially Intelligent Character for Social Presence), que visa criar personagensvirtuais mais credíveis. Utiliza como modelo de emoçõe o OCC e como modelo de per-sonalidade o OCEAN. O perfil de personalidade (valores de cada traço) define de queforma a intensidade das emoções elicitadas são calculadas. O modelo usa o que definecomo social cognitive factors, para indicar de que modo o personagem virtual se com-porta socialmente. Esses fatores são calculados com base no conhecimento do agente,seus objetivos, seus padrões do que é certo e errado, a percepção sobre si mesmo, entreoutros. A memória do agente armazena as experiências de relacionamento com outroscaracteres. A cada nova interação, a experiência é atualizada. As experiências possuemum tempo de decaimento, ou seja, não havendo atualização a experiência é esquecida.

O trabalho de Gebhard [Gebhard 2005], o ALMA (A Layred Model of Afect), é umdos primeiros a implementar o modelo afetivo baseado na integração dos modelos OCC,PAD e OCEAN definida por Mehrabian [Mehrabian 1996b]. O modelo é usado em agen-tes conversacionais do projeto VirtualHuman virtual research. O modelo usa, essencial-mente, um processo de elicitação da emoção, cujo cálculo da intensidade é baseado emum conjunto de regras chamado de Basic appraisal rules. Também são usados conjuntosde Appraisal rules para interpretar as atitudes próprias e de outros agentes, as emoçõesmostradas por outros agentes e o humor mostrado por outros agnetes. As emoções, umavez elicitadas e quantificadas, atualizam o modelo de humor PAD, cujo o valor inicial écalculado conforme o perfil de personalidade (vide seção 2.3.4).

Continuando no escopo dos agentes conversacionais, surgem os trabalhos de Egges[Egges et al. 2004] e de Kasap [Kasap et al. 2009]. O primeiro define a utilizaçãodo mesmo processo de integração dos modelos OCC, PAD e OCEAN defendido porGebhard [Gebhard 2005], porém com um processo de avaliação das emoções e de atua-


lização do humor diferentes. Em [Kasap et al. 2009], utiliza-se basicamente o mesmoprocesso de integração definido por Egges e introduz-se o conceito de episodic memory.Nesse caso, os fatos armazenados na memória do agente possuem um marca que se ba-seia no estado de humor do agente quando o fato aconteceu. Esses fatos possuem umperíodo de decaimento (são esquecidos) e definem como o agente vai restabelecer umainteração que já existiu previamente. Ou seja, o agente vai lembrar de como a intera-ção prévia foi concluída (desde que o fato não tenha sido esquecido) e continuar comum estado emocional existente no final da última interação. O conceito de episodic me-mory e do modelo afetivo definido em [Kasap et al. 2009] é utilizado por Thalmann em[Magnenat-Thalmann & Kasap 2009] na construção de personagens virtuais para jogossérios [Johannes S. Breuer 2010].

Os tutores virtuais fazem parte também dos agentes conversacionais. Nesse contexto,o uso das emoções como forma de modular o processo cognitivo, descrito por Becker[Asano et al. 2006], é encontrado nos trabalhos de Mello [Gabriel Mello 2009] e de Ja-cob Junior [Junior 2008]. Nesses casos, é predominante o uso do modelo OCC para asemoções.

Gartch and Marsella [Marsella & Gratch 2009] também introduziram um modelocomputacional chamado EMA (EMotion and Adaptation), que modela a dinâmica dasemoções de resposta mais rápidas e de respostas mais lentas em um só processo de per-cepção, o qual trabalha sobre a forma com que o agente interpreta seu relacionamento como ambiente. Esse processo de interpretação inclui tanto o processo deliberativo associadoà respostas emocionais mais lentas, quanto o reativo, associado às respostas emocionaismais rápidas. O modelo EMA efetua o processo de avaliação do ambiente (appraisal),construindo uma estrutura de dados para cada avaliação chamada appraisal frames. Cadaum desses frames vai provocar a elicitação de um emoção que é associada a ele. Um pe-queno nível de inferência é feito para definir o tipo da emoção e sua intensidade, usando-seo nível de desejabilidade do frame em relação aos objetivos do agente. O modelo usa oconceito de humor para selecionar os frames, que vai definir a ação que o agente executaráno ambiente. O humor é representado como um agrupamento dos tipos de emoções eli-citadas, ou seja, o humor é, basicamente, um vetor contendo os tipos das emoções que jásurgiram no agente e suas intensidades médias. A cada avaliação do ambiente, os valoresdas emoções contidas nesse vetor são ajustados, dependendo do que está sendo elicitadono momento. No EMA, o foco de atenção do agente é definido como sendo o apprai-sal frame mais recente e com o ajuste de humor mais alto. O ajuste de humor é feitosomando-se o valor da intensidade da emoção do frame com o valor da mesma emoçãono vetor de humor.

Em seu trabalho de modelagem do comportamento humano em um ambiente social,Schmidt [Schmidt 2002] e Urban [Urban & Schmidt 2001] utilizam o modelo de refe-rência PECS (Physical condition, Emotional state, Cognitive capabilities, Social status).Este modelo dá enfase ao comportamento emergente que é típico da formação de grupose sociedades em ambientes sociais. O comportamento humano é influenciado pela partefísica, emocional, cognitiva e por fatores sociais como o status, por exemplo. O modelopropõe um humano como uma unidade psicosomática, com capacidades cognitivas e in-serido em um ambiente social. No modelo, a percepção do agente recebe as informações


provenientes do ambiente e as filtra sob a influência do status social, do estado físico edo estado emocional. O módulo de cognição se encarrega de raciocinar, usando para issoum modelo do ambiente em que o agente está inserido, um modelo do própio agente euma memória. O raciocínio, em conjunto com o módulo de comportamento, cria umasequência de execução. O módulo do comportamento sob a influêcia do status social, doestado físico e do estado emocional instrui o módulo ator na execução das ações sobre oambiente.

Os aspectos emocionais humanos são integrados ao trabalho de Morgado [Morgado2006], com o intuito de atingir resultados mais eficientes no processo de raciocínio deagentes que precisam lidar com ambientes complexos. Nessa arquitetura, o nível de in-teresse do agente em um elemento perceptivo é determinado pela ressonância entre afrequência do elemento perceptivo e as frequências que definem os objetivos do agente.Como resultado, somente os elementos cuja relação de ressonância seja superior a deter-minado nível serão percebidos. O nível dessa relação de ressonância estabelece a quanti-dade de elementos que são percebidos pelo agente. No caso, níveis maiores com relaçãoà ressonância das frequências restringem a permeabilidade da percepção e, de forma con-trária, níveis mais baixos aumentam essa permeabilidade. As frequências ressoantes e apermeabilidade da percepção definem um foco de atenção qualitativo e quantitativo. Osníveis de ressonância são associados à sensibilidade do agente em relação às emoçõespositivas e negativas que são elicitadas. A sensibilidade em relação às emoções elicitadastambém define o tempo de deliberação que o agente dispõe, para encontrar as soluções deação.

A proposta de Oliveira e Sarmento [Oliveira & Sarmento 2003][Sarmento 2004] usadois níveis no processo de deliberação: o primeiro delibera sobre a sobrevivência doagente e o segundo delibera sobre as demais situações do ambiente. O segundo nível só éexecutado caso o primeiro permita, ou seja, enquanto houverem situações que ponham asobrevivência do agente em risco, a deliberação sobre outros assuntos é evitada. O agente,ao realizar a percepção, elicita emoções baseadas no modelo OCC. Essas emoções sãoarmazenadas em acumuladores emocionais, que são variáveis cujo nome define o tipoda emoção elicitada, e seu valor representa a intensidade dela. O estado emocional doagente é definido pelo conjunto de acumuladores emocionais, e esse conjunto parametrizao comportamento do agente. Por exemplo, se o acumulador medo está alto, o agente adotaum comportamento mais conservador e pode até fugir dos focos de incêndio, porém,se esse acumulador está baixo, a postura do agente será mais agressiva, podendo ir deencontro aos focos de incêndio para tentar apagá-los.

Em seu modelo de comportamento humano para simuladores e jogos, Silverman[Silverman, Johns, Cornwell & O’Brien 2006] [Silverman, Bharathy, Cornwell & O’Brien2006] propõe o uso de PMF (Performance Moderator Functions). O trabalho introduzum ambiente de teste chamado PMFserv, que foi criado para implementar e estudar comoPMF podem se interligar para criar uma arquitetura. Até o momento da publicação, oambiente de testes interliga as PMF relacionadas à psicologia e estresse, personalidade,processos culturais e emotivos, percepção, cognição e processos sociais. O objetivo éatingir a maturidade no entendimento de como estas PMF podem ajudar na criação de ummodelo, para simulação do comportamento humano em diferentes contextos.


Em seu trabalho sobre atores sintéticos em jogos sérios, Danielle Silva [da Silva 2009]procura definir uma arquitetura onde o comportamento do ator sintético se mantenha está-vel e coerente por longos períodos de interação, tanto em jogos de aventura como nos deRPG. Em sua pesquisa encontra-se a constatação de que o uso apenas das emoções conduza um comportamento instável e esteriotipado. As emoções são essenciais para a criaçãode um ator que exprima credibilidade, mas é necessário usar a personalidade para gerarestabilidade comportamental. Para isso, Danielle, implementa uma extensão ao modeloPcSA (Personality-Centred Synthetic Actos) [Silva et al. 2001] apud [da Silva 2009] de-nominado XPcSA (eXtended PcSA). Nesta extensão, a personalidade se basea na teoria deBales [Bales 1991]apud [da Silva 2009] para a representação da personalidade observada,a teoria do sistema de personalidade universal [McRae & Costa 1996]apud[da Silva 2009]para definir como a personalidade é gerada, e o modelo OCC [Ortony et al. 1990] paradefinir a emoção.

Na arquitetura XPcSA o processo de decisão é influenciado pela personalidade atravésdos traços que definem o comportamento. Os objetivos do ator são divididos em moti-vacionais, realizáveis e cíclicos, sendo associados à personalidade segundo a teoria deBales, a qual estabelece uma preferência. Desse modo, as ações ganham pesos relativos acada tipo de personalidade, através de dados empíricos de especialistas. Na definição dequal ação deverá ser tomada pelo ator, o peso é levado em consideração.

A personalidade define a variabilidade para as emoções. As emoções são tratadascomo eixos dicotômicos, ou seja, não existe a emoção felicidade em conjunto com aemoção tristeza, mas sim um grau de felicidade, que será tão mais positivo quanto maisfeliz estiver o ator, e o contrário quando estiver triste. A variabilidade das emoções sendodefinida pela personalidade, faz com que essa estabeleça o quão instável será o perfilemocional do ator.

As atitudes representam os relacionamentos que são mantidos com os outros atores ecom os objetos do mundo onde o ator está inserido. São gerados sentimentos relativosa estes relacionamentos, que são mais estáveis do que as emoções. Estes sentimentostêm como referência as emoções geradas, a partir da relação com os outros atores, comos objetos, e com as crenças e padrões adotados pelo ator. As atitudes não decaem como tempo, mas sim devido às avaliações do histórico dos acontecimentos. As atitudes,mesmo sendo de longo prazo, são consideradas emoções [Ortony et al. 1990], por issorecebem um tratamento similar a essas, no que diz respeito à influência da personalidade.

A arquitetura XPcSA também considera os estados fisiológicos do ator ligados aosaspectos, tais como sobrevivência, vitalidade, cansaço e segurança. A cada um destesestados é associado um objetivo instrumental para o ator. Os estados fisiológicos decaemsegundo fatores constantes no tempo e, ao atingir um nível limite, disparam o objetivoinstrumental associado. Nessa arquitetura, mesmo sem embasamento teórico, foi feitauma relação de bom senso entre os estados fisiológicos e a personalidade do ator.

No caso da arquitetura proposta neste trabalho, o modelo afetivo é utilizado comoforma de tornar o foco de atenção do agente, tanto o qualitativo como o quantitativo,dinâmicos. Não é objetivo do trabalho que o comportamento do agente seja, de algumaforma, humanizado. O conjunto de trabalhos apresentados nesta Seção serve apenas comoapoio e referência para a utilização dos modelos OCC, PAD e OCEAN como modelos


com uma integração viável e comprovada computacionalmente, para a implementação dofoco de atenção dinâmico da arquitetura AAFA.

Considerando as diferenças entre a arquitetura AAFA proposta e os trabalhos apre-sentados na Seção 3.1, o que inclui a ausência em todos os casos citados, do processode quantificação da percepção do agente, e a inexistência de trabalhos conhecidos e entretodos os citados na Seção 3.2, que utilizem um mecanismo afetivo para tornar dinâmico oprocesso de focalização do agente, torna-se justificável o desenvolvimento da arquiteturaAAFA.

Capítulo 4

Affective Attention Focus Agent (AAFA)

Simulação baseada em agentes (MABS) pode se tornar um processo computacio-nalmente intensivo, devido à quantidade de dados que devem ser processados por cadaagente, especialmente em situações que envolvem restrições de tempo. Normalmente, aquantidade de dados com a qual os agentes precisam lidar é proporcional à complexi-dade do ambiente modelado para a simulação, pois, como já mencionado em 2.1.1.2, oagente possui um modelo desse ambiente internamente para efetuar o seu raciocínio equanto mais complexa for essa representação, mais computacionalmente intensiva será oprocesso de raciocínio do agente [Wooldridge 2002]. O objetivo do presente trabalho épropor um mecanismo para tornar os agentes mais eficientes, no que diz respeito ao seuprocesso de planejamento e raciocínio.

De forma análoga com o que acontece com agentes humanos, a abordagem utilizadaneste trabalho é a de filtrar os dados percebidos no ambiente em um subconjunto menor,categorizado e ordenado, para que o processo de planejamento e raciocínio possa, maisobjetivamente, encontrar uma solução aceitável num tempo menor. Para efetuar a filtra-gem dos elementos percebidos, a nossa proposta utiliza um processo dividido em trêspassos listados a seguir.

1. Pré-processamento das informações recebidas através da percepção doagente. Detalhado na Seção 4.2.1;

2. Indexação da informação recebida conforme um conjunto de categoriasque descrevem o ambiente e ordenação desse conjunto de acordo coma prioridade associada a cada categoria (denominado de Foco Qualita-tivo). Detalhado na Seção 4.2.2;

3. Definição da quantidade de informações que será processada (denomi-nado de Foco Quantitativo). Detalhado na Seção 4.2.3.

Para que o agente possa lidar com um ambiente dinâmico, situação bastante comumem simulações baseadas em agentes, a prioridade dada a cada categoria de informaçãoe a quantidade de informação a ser processada necessitam de um mecanismo de ajustedinâmico. Na arquitetura de agente proposta neste trabalho, esse mecanismo de adaptaçãoutiliza um modelo afetivo que considera emoções, humor e personalidade, baseado emconceitos da psicologia humana.

As seções seguintes explicam a estrutura da arquitetura AAFA de uma maneira mo-dular. Na primeira parte, Seção 4.1, a arquitetura é abordada a partir de um conjunto de

CAPÍTULO 4. AFFECTIVE ATTENTION FOCUS AGENT (AAFA) 54

módulos onde a função individual e o relacionamento entre esses módulos é explicadode forma geral. Nas Subseções 4.1.1, 4.1.2 e 4.1.3 são mostrados os detalhes gerais decada módulo componente da arquitetura. As Seções 4.2, 4.3 e 4.4 detalham a propostae a implementação do foco de atenção do agente, do módulo afetivo e de toda a dinâ-mica envolvida nas características afetivas do agente e de sua influência sobre o foco deatenção. Essas seções detalham o objetivo principal desse trabalho: a implementação ea avaliação de um processo de focalização da percepção de um agente mediado por umprocesso afetivo.

4.1 Arquitetura AAFANa arquitetura proposta neste trabalho, a qual se baseia nas idéias inicialmente pro-

postas por Campos em [Campos et al. 2009b], um agente consiste de dois diferentesmódulos: o módulo core e o módulo behavioral. Enquanto o primeiro inclui as crenças(conhecimento) do agente, o motor de raciocínio global e o mecanismo de planejamento,o que se constitui no modelo mental do agente, o segundo é responsável por criar umainterface entre o modulo core e o ambiente externo ao agente. Em outras palavras, o mó-dulo behavioral especifica os módulos de percepção e de ação, e o módulo core especificao raciocínio e o planejamento do agente.

O módulo behavioral consiste de um conjunto de comportamentos que são usadoscomo elementos de um processo de planejamento, onde esses comportamentos podem serencadeados para que um objetivo seja atingido. Os planos são desenvolvidos e avaliadospelo módulo core, mais especificamente pelo sub-módulo planner. Dessa forma, o agentemuda seu comportamento de acordo com o plano adotado por ele. Como elementos deum plano, os comportamentos possuem um conjunto de pré-condições e pós-condiçõesassociadas, para que o encadeamento entre eles seja possível. A Figura 4.1 mostra umavisão resumida da arquitetura proposta para os agentes.

Figura 4.1: Visão resumida da arquitetura AAFA.


A arquitetura AAFA define um plano como um conjunto de comportamentos conca-tenados (do inglês nested), de forma similar à definição de tarefa (task) na técnica deplanejamento Hierarchical Task Network (HTN) [Lekavy & Navrat 2007]. Para agentescom múltiplos objetivos a atingir é razoável imaginar a existência de múltiplos planos,inclusive com alguns sendo executados em paralelo. Nesse caso, é factível pensar naexistência de comportamentos sendo executados em paralelo. O sub-módulo planner,descrito a seguir, é o responsável por definir quais os comportamentos que podem serexecutados em paralelo ou não. No caso de comportamentos paralelos, o sub-móduloMIO (descrito a seguir) é o responsável pela adequação conjunta dos focos qualitativospara os comportamentos executados em paralelo. Tanto essa função do sub-módulo MIO,quanto o sub-módulo planner não fazem parte do escopo deste trabalho, cujo objetivo émostrar evidencias que o foco de atenção (qualitativo e quantitativo) é capaz de melhorara eficiência dos agentes durante a execução um determinado comportamento.

Mais especificamente, um comportamento define o que o agente está fazendo no mo-mento (o conjunto de ações que está em execução) e no que o agente está prestandoatenção atualmente (eventos que interessam ao agente). Quando um agente muda seucomportamento, isso implica em um diferente conjunto de ações e também numa dife-rente coleta de informações no ambiente.

Agentes garimpam informações do ambiente através do uso de sensores, os quaisatuam como um filtro em relação ao que está acontecendo ao redor do agente. A atuaçãodesses sensores representa a percepção do agente em um determinado estado, conside-rando que um comportamento configure um estado no agente. A razão para incluir ossensores no comportamento, ao invés de no agente propriamente dito (módulo core) édevido ao fato que o foco de atenção pode mudar de acordo com o que o agente estejafazendo. Por exemplo, se um agente está dirigindo um automóvel, ele precisa prestaratenção a determinados eventos que não são importantes quando esse agente é um sim-ples passageiro. Dessa forma, se os comportamentos são diferentes, o agente deve sersensível a diferentes percepções. A percepção de um determinado evento pelo comporta-mento do agente implica em (possivelmente) mudança das suas crenças e no seu estadoafetivo.

4.1.1 Módulo CoreComo mencionado anteriormente, o módulo core consiste em um mecanismo para

planejamento e raciocínio global, uma base de crenças e o modelo mental do agente. AFigura 4.2 mostra em detalhes a estrutura da arquitetura dos agentes AAFA. Nessa figura,as linhas sólidas representam o fluxo de informação e as linhas tracejadas representam ainfluência do estado afetivo do agente sobre os outros processos.

O múdulo core é dividido nas seguintes partes:

• Planner: é o sub-módulo responsável por criar e avaliar os planos com-pletos especificados como uma árvore hierárquica de possíveis compor-tamentos para alcançar os objetivos do agente. Essa árvore de comporta-mentos é criada usando o conhecimento que o agente possui e que estáarmazenado na sua base de crenças (belief base). Na implementação


Figura 4.2: Arquitetura AAFA em detalhes.

realizada nesta proposta, a saída deste sub-módulo é o comportamentoque o agente deve executar;• Affective Module: é o sub-módulo responsável por estabelecer o estado

emocional e o estado de humor do agente, e por armazenar o perfil depersonalidade. Esse componente é colocado “sobre” os demais, já queque ele não armazena ou processa informações, mas determina o modocomo esses outros componentes executam esse processamento [Camposet al. 2009b][Campos et al. 2008]. Esse sub-módulo é explicado emmais detalhes na Seção 4.3;• Belief Base: é o sub-módulo (base de dados) onde as crenças do agente

são armazenadas. Essas crenças são consequências do que é percebidono ambiente ou conclusões provenientes do processo de raciocínio. Elasrepresentam o conhecimento que o agente possui sobre si mesmo e so-bre o ambiente que o envolve.

4.1.2 Módulo BehavioralO módulo behavioral contém um conjunto de comportamentos que são responsáveis

por criar uma interface entre o ambiente e o agente. Esse módulo é dividido nas seguintespartes:


• Sensors: é o sub-módulo responsável por detectar os elementos cogniti-vos do ambiente. A detecção é executada por um conjunto de sensores;• Actuators: é o sub-módulo responsável pela execução da ação escolhida

no ambiente;• Attention Focus: é o sub-módulo responsável por manipular o conjunto

de elementos cognitivos detectados pelos sensores, usando o foco qua-litativo e o foco quantitativo. Nesse processo, um conjunto de elemen-tos percebidos é criado e promove a atualização da base de crenças doagente (belief base). Este sub-módulo é explicado em mais detalhes naSeção 4.2 e 4.4;• MIO: é o sub-módulo que implementa um componente adaptativo que

atua sobre os dados da belief base (MIO, sendo o acrônimo de: Meta_InfoOperators). Esses operadores funcionam como “gatilhos” que utilizama informação disponível na belief base (depois do processo de atuali-zação executado pelo sub-módulo Attention Focus) para entender o queacontece ao redor do agente, a fim de redefinir as configurações do focoqualitativo, do foco quantitativo e do estado afetivo. Essa reconfigura-ção é a forma do agente reagir às mudanças ocorridas no ambiente. Estesub-módulo é explicado em maiores detalhes na Seção 4.4;• Behavior Reasoning: é o sub-módulo responsável por escolher a melhor

ação para ser executada pelo agente no ciclo de simulação atual. Esseprocesso de escolha é influenciado pelo estado afetivo e utiliza informa-ções dos sub-módulos attention focus, MIO e belief base.

Como mencionado anteriormente, dentro de um plano, o conceito de comportamentousado neste trabalho é similar ao conceito de tarefa (task) na técnica de planejamentoHierarchical Task Network (HTN) [Lekavy & Navrat 2007]. Seguindo essa linha depensamento, comportamentos podem ser compostos por outros comportamentos (sub-comportamentos). Desse modo, sub-comportamentos visam atingir sub-objetivos estabe-lecidos pelo comportamento. Formalmente, um comportamento B qualquer é especificadocomo uma tupla:

B = 〈R,G,S,P,Act〉 (4.1)

A tupla B que define o comportamento é constituída por:

R,G são os conjuntos onde são definidos os requisitos (pré-condições) e osobjetivos (pós-condições). Eles são usados para concatenar a sequênciade comportamentos (plano) em um nível específico de abstração; 1

S é um conjunto de sub-objetivos em um nível mais baixo de abstração queos objetivos principais. Se S 6= {}, o agente terá que criar planos paraalcançar esses sub-objetivos em S;

1Não é objetivo deste trabalho tratar a coordenação multiagente de planos. Um processo de coordenaçãopode ser implementado considerando apenas os eventos detectados em E.


P é um conjunto de tuplas 〈E,br f 〉 especificando os eventos (E) que o agenteestá prestando atenção durante a execução do comportamento e a funçãode revisão de crenças correspondente (belief revision function - br f ).Desse modo, quando um evento E é detectado pelo comportamento, abr f correspondente é executada. Como consequência, os objetivos comos quais o agente está comprometido podem ser alterados;

Act é um procedimento de ação (sequência de instruções) a ser executadapelo comportamento do agente. Quando S 6= {}, Act é executado depoisdos sub-objetivos especificados em S terem sido atingidos.

Os comportamentos podem ser aninhados em um plano hierárquico e todos os eventospresentes na árvore de comportamentos em uso (do comportamento mais abstrato até omais concreto deles) são de interesse do agente e passíveis de detecção. Por exemplo,considere o comportamento de dirigir um automóvel como parte de um plano de alcançaruma determinada localização. Nesse caso, todos os eventos registrados como interessan-tes para esse comportamento são detectáveis, mesmo quando um sub-comportamento deum baixo nível de abstração (por exemplo: esterçar o volante) esteja sendo executado.

4.1.3 Funcionamento da ArquiteturaCombinando a estrutura da arquitetura, mostrada na Figura 4.2, e o diagrama de

sequência de um ciclo operacional, mostrado na Figura 4.3, é possível definir o ciclode deliberação de um agente AAFA. Esse ciclo de deliberação considera uma simulaçãoonde os agentes envolvidos coexistam em um ambiente determinado. A Figura 4.3 mostraum diagrama de sequência do relacionamento entre um agente e seu ambiente. O agenteé representado pelos dois módulos principais: o módulo core e um um comportamentoespecífico pertencente ao módulo behavioral mostrado na Figura 4.2.

O ciclo de deliberação é dividido em uma série de passos que são mostrados atravésdos números e letras associados às setas no diagrama de sequência (Figura 4.3). Essesnúmeros definem a relação entre a estrutura da arquitetura (Figura 4.2) e o diagrama desequência.

1. (seta A) - O sub-módulo planner, usando o conhecimento disponível nabelief base do agente, define um plano detalhado (uma concatenação decomportamentos) para alcançar um objetivo com o qual o agente estejacomprometido;

2. (seta A) - O módulo planner também é responsável por avaliar o anda-mento do plano criado, quando então ele aciona o comportamento a serexecutado no momento;

3. (seta 1) - O comportamento atual do agente detecta as mudanças noambiente onde o agente está, através da percepção dos elementos desseambiente. Essas percepções podem mudar as crenças do agente (o co-nhecimento do agente);

4. (seta 2) - Os elementos percebidos no ambiente são manipulados pelofoco de atenção mencionado anteriormente (foco qualitativo e foco quan-titativo), através da execução do pré-processamento;


Figura 4.3: Diagrama de sequência da arquitetura AAFA.

5. (seta 3) - O conjunto de percepções filtradas criado pelo foco de atençãoé usado pela função buf (belief update function), para atualizar a beliefbase do agente;


6. (seta 4) - Os Meta_Info Operators (MIO) verificam a belief base doagente logo após a atualização feita pela função buf (seta 3);

7. (seta 5) - O MIO verifica o estado afetivo do agente e, baseado nasatualizações da belief base verificadas no passo anterior, define o novoestado afetivo, aplicando a função de atualização do estado afetivo (af-fective state update function);

8. (seta 6) - O MIO, baseado no novo estado afetivo e nas crenças doagente, atualiza o foco de atenção;

9. O sub-módulo de raciocínio do comportamento checa as crenças doagente (seta 7), o estado afetivo (seta 8), o foco de atenção (seta 10)e, conjuntamente com as informações recebidas do MIO (seta 9), definea melhor ação a ser executada pelo comportamento atual do agente;

10. (seta 11) - A ação a se executada é enviada para o sub-módulo actuator;11. (seta 12) - O sub-módulo planner inicia um novo ciclo e o plano atual

é avaliado. Caso seja necessário, um novo plano é criado, caso contrá-rio o plano continua sendo seguido e o comportamento a ser ativado éescolhido.

Como mencionado anteriormente, o sub-módulo afetivo atua como se fosse colocado“sobre” os outros componentes, já que ele não processa diretamente informação, mastrabalha como uma base de dados dinâmica, que define o modo como os demais compo-nentes executam seus processos. A Figura 4.4 mostra de forma esquemática esse relacio-namento.

Figura 4.4: Relacionamento entre o sub-módulo afetivo e os demais componentes de umcomportamento.

4.2 O Sub-Módulo Foco de AtençãoConsiderando a osmose celular biológica como uma metáfora e pensando o agente

AAFA como a célula, pode-se dizer que o foco de atenção trabalha como a membrana da


célula biológica, nesse caso uma “membrana” virtual. Como tal, o foco de atenção tra-balha filtrando a informação proveniente do ambiente, para que o agente receba somentea informação que realmente importa para o seu processo de raciocínio e planejamento.Da mesma maneira que a membrana biológica, o foco de atenção pode ser mais ou me-nos permeável em relação à informação que manipula. A Figura 4.5 mostra a metáforaassociada à membrana virtual.

Figura 4.5: Membrana virtual proposta para a percepção do agente AAFA.

A “permeabilidade” do foco de atenção é ajustada dinâmicamente pelo MIO, que tra-balha associada com o estado afetivo do agente. Essa associação com um componenteafetivo é útil para reduzir ou aumentar a quantidade de elementos percebidos como tam-bém para estabelecer o que é mais ou menos importante para o agente em um contextoparticular.

O foco de atenção do agente é estruturado como um foco qualitativo, o qual é relaci-onado com os conteúdos nos quais o agente está interessado, e em um foco quantitativoo qual é relacionado à quantidade de elementos que o agente é capaz de perceber emdeterminado lapso de tempo.

Para o foco qualitativo, a definição do que é mais ou menos importante para o agenteé baseado na associação de aspectos de categoria a todas as percepções do ambiente.A adição desses aspectos é feita durante a fase de pré-processamento das percepçõesdo ambiente. O foco qualitativo estabelece um nível de importância (denominado LoI)para cada uma das categorias que são denominadas aspects. Considerando a importânciaassociada a cada aspecto do ambiente, o foco qualitativo pode ordenar o conjunto dasinformações percebidas por prioridade. Este conjunto ordenado é chamado de lista depercepção.

Para o foco quantitativo, a quantidade de elementos percebidos é associada com o


tempo de processamento gasto pelo mecanismo de planejamento e raciocínio. O focoquantitativo é responsável por reduzir a lista de percepção, criada pelo foco qualitativo,em um subconjunto com uma quantidade menor de informação. Essa quantidade de in-formação é definida pelo parâmetro L, que é também dinamicamente atualizado de acordocom o estado afetivo do agente.

As próximas subseções explicam em detalhes os três passos (pré-processamento, focoqualitativo e foco quantitativo) de funcionamento do foco de atenção.

4.2.1 A Fase de Pré-Processamento das Percepções do AmbienteComo mencionado na introdução deste capítulo, a fase de pré-processamento da per-

cepção do ambiente é o primeiro passo da operação do foco de atenção. Essa fase depré-processamento é necessária por causa de duas razões básicas, a saber:

• Nível de variação: o foco de atenção precisa ter mais atenção naquiloque tenha tido uma mudança significativa desde o última iteração. Dessemodo, é necessário incluir um valor nas percepções, indicando o seunível de variação.• Aspectos: o foco de atenção também precisa associar um aspecto a cada

percepção do ambiente. Isso permite definir a importância dessas per-cepções para tratamento posterior.

Assim, é necessário adicionar estes dois novos parâmetros ao conjunto já utilizado,juntamente com cada percepção do ambiente.

A informação do ambiente é coletada através dos sensores do agente, e então pré-processada para ser convertida em um formato, que possa ser processado pelos compo-nentes internos do agente. Essas informações, denominadas elementos cognitivos, sãoagrupados de acordo com alguma característica do ambiente. Por exemplo, no caso deum ambiente formado por um grid, os elementos cognitivos poderiam ser agrupados comcélulas desse grid. Nesse caso, o processo de sensoriamento recebe um grupo de célulascomo elementos cognitivos. Cada célula contém um grupo de informações que confi-guram a célula em um determinado instante de tempo durante a simulação. Em outraspalavras, em um instante de tempo t, o processo de sensoriamento recebe um conjunto deelementos cognitivos do ambiente definido como um conjunto P(t):

P(t) = {C1(t),C2(t), · · · ,Cn(t)} (4.2)

Cada elemento Ci(t) compreende um conjunto de informações que descreve o con-teúdo de cada elemento cognitivo. Para esse exemplo particular (que é detalhado noCapítulo 5), cada elemento cognitivo Ci(t) é uma célula e o seu conteúdo consiste deinformação que descreve a própria célula: por exemplo, a existência de um agente na cé-lula, não existe fogo, a temperatura é 7 (numa escala pré-definida de 1 a 10), a fumaça é5 (numa escala pré-definida de 1 a 10), e assim por diante.

Em relação ao pré-processamento, os elementos cognitivos (Ci(t)) terão uma nota-ção para seu estado antes do processo e depois do processo. Para a identificação desse


estado usa-se a notação pre e pos. O conjunto de elementos cognitivos antes do pré-processamento pode ser definido do seguinte modo:

Ci(t)pre = {d1(t),d2(t), · · · ,dk(t)} (4.3)

Cada elemento di(t) descreve uma condição associada ao elemento cognitivo que de-pende do sistema sendo modelado. No exemplo anterior, para um elemento cognitivoCi(t) que descreve uma célula que tem um agente, não tem fogo, a temperatura é igual a7, e a fumaça é igual a 5, o conjunto (equation 4.3) seria:

Ci(t)pre = {[agent,〈true/ f alse〉], [ f ire,〈true/ f alse〉], [temp,7], [smoke,5]} (4.4)

O conjunto P(t) (Equação 4.2) é enviado para o sub-módulo foco de atenção pelossensores. Esse módulo, juntamente com a informação disponível na belief base do agente,executa o pré-processamento desse conjunto de elementos cognitivos produzindo, paracada elemento, tuplas do tipo:

ei(t) = 〈di(t),Ai,4di(t)〉 ∀ di(t) ∈Ci(t) (4.5)

Nesse ponto, cada Ci(t)pre, que antes do pré-processamento era representado con-forme a Equação 4.3, agora passa a ser denominado Ci(t)pos e é composto por um con-junto de tuplas representada da seguinte maneira:

Ci(t)pos = {〈d1(t),A1,4d1(t)〉,〈d2(t),A2,4d2(t)〉, · · · ,〈dk(t),Ak,4dk(t)〉}Ci(t)pos = {e1

i (t),e2i (t), · · · ,ek

i (t)}(4.6)

As tuplas ei(t) são denominadas elementos perceptivos. Esses elementos são usadospelo foco de atenção do agente a fim de criar um conjunto contendo somente as percepçõesque são importantes para o processo de planejamento e raciocínio. Os componentes doselementos perceptivos são definidos como segue:

• di(t) é o valor associado à informação no instante de tempo t quando foidetectada pelo sensor no ambiente;• Ai é o conjunto de aspectos ambientais associados ao elemento percep-

tivo ei(t) que são usados pelo foco qualitativo. Esse conjunto pode serrepresentado, por exemplo, do seguinte modo: Ai = {ai

1,ai2, · · · ,ai

n}. Osaspectos e o seu uso no foco de atenção é detalhado na próxima seção;• 4di(t) é a variação no valor de di entre o instante de tempo t e a úl-

tima percepção, cujo cálculo se baseia nos dados armazenados na beliefbase). Esse parâmetro somente possui sentido quando a informação ditem um valor numérico associado.

Para cada elemento perceptivo ei(t) cuja informação di tem um valor numérico as-sociado, o valor entre duas percepções consecutivas pode sofrer uma variação positiva


(4di(t) é positivo), ou seja o valor de di(t) sofreu um acréscimo, ou uma variação ne-gativa (4di(t) é negativo), quando o valor de di(t) sofre um decréscimo. Estas situaçõespodem ser interpretadas pelo processo de raciocínio do agente através de uma semânticaassociada ao elemento perceptivo.

Ao final do pré-processamento, o conjunto P(t), inicialmente definido pela Equação4.2, passa a ser definido como:

P(t) = {C1(t)pos,C2(t)pos, · · · ,Cn(t)pos} (4.7)

Doravante, qualquer alusão feita aos elementos cognitivos Ci(t), se refere aos elemen-tos cognitivos resultantes do pré-processamento das percepções do ambiente, ou seja, serefere ao conjunto Ci(t)pos, definido na Equação 4.6.

4.2.2 Foco QualitativoComo mencionado anteriormente, o foco qualitativo está relacionado com o conteúdo

no qual o agente está interessado. Em outras palavras, o foco qualitativo é responsávelpor estabelecer o nível de importância das informações coletadas pelos sensores, a fim dedefinir quais as delas são as que realmente importam para o agente.

Para esse propósito, o ambiente é caracterizado através de um conjunto de atributoschamados aspectos (A = {a1,a2, · · · ,ak}) que são definidos pelo usuário quando o ambi-ente de simulação está sendo modelado. O interesse relativo a cada aspecto do ambienteé assinalado por valores definidos pelo usuário durante o processo de modelagem dosagentes. Esses valores representam o nível de interesse (LoI) do agente associado a cadaaspecto. Mais a frente define-se que o modo de operação dos níveis de interesse pode serestático ou dinâmico, sendo esse último dependente do estado afetivo do agente. Baseadono conjunto A e no conjunto de interesses associados LoI, o foco de atenção é capaz decriar um ordem de prioridade para os elementos cognitivos presentes no conjunto P(t).Os conjuntos A e LoI trabalham conjuntamente e definem o que é chamado de foco qua-litativo do agente.

Para o caso particular usado neste trabalho, um exemplo para o conjunto A pode serexemplificado por:

A = {exit,agents,danger,signs, f atal} (4.8)

Considerando o caso anterior, um conjunto LoI pode ser exemplificado por:

LoI = {1,0.5,0.8,0.2,1} (4.9)

Para um agente, a Equação 4.11 representa uma associação do nível de interesse 1para o aspecto exit (LoIexit = 1), 0.5 para o aspecto agents (LoIagents = 0.5), 0.8 paradanger (LoIdanger = 0.8), 0.2 para signs (LoIsigns = 0.2) e 1 para f atal (LoI f atal = 1).Estes valores foram normalizados, desse modo, o valor 1 representa 100% de interesseem relação ao aspecto.

No exemplo adotado neste trabalho (Equação 4.4), um elemento cognitivo depois da


fase de pré-processamento seria representado por:

Ci(t) = {〈[agent, true],{agents}〉,〈[ f ire, f alse],{ f atal}〉,〈[temp,7],{danger},+2〉],〈[smoke,5],{danger},−1〉]}

(4.10)

Nesse exemplo (Equação 4.10), a célula representada por Ci(t) possui os seguinteselementos perceptivos:

• Um agente presente;• Não possui fogo;• A temperatura atual é 7. Essa informação pertence ao aspecto danger

e a variação entre a temperatura no ciclo anterior e o atual é +2. Issosignifica que a temperatura cresceu 2 pontos na escala de medição;• A fumaça atual é 5. Essa informação pertence ao aspecto danger e a

variação entre a fumaça no ciclo anterior e o atual é −1. Isso significaque a fumaça decresceu 1 ponto na escala de medição.

O conjunto Ai que define os aspectos associados aos elementos perceptivos ei(t) =〈di(t),Ai,4di(t)〉 (criados pelo mecanismo de pré-processamento), permitem dois tiposde mapeamento entre a informação di(t) e os aspectos do foco qualitativo:

• Um aspecto pode estar relacionado a várias informações di(t);• Uma informação di(t) pode estar relacionada a vários aspectos.

No exemplo mostrado na Equação 4.10, a informação temperature e smoke são rela-cionadas ao mesmo aspecto danger. A correta interpretação desses mapeamentos é cru-cial para a definição da prioridade associada aos elementos cognitivos. Essa prioridadefunciona como um índice para o processo de ordenação.

A definição da prioridade associada a cada elemento cognitivo Ci(t) requer a interpre-tação dos LoI relacionados a todos os Ai de todos os elementos perceptivos ei(t) ∈Ci(t).Para os elementos perceptivos que se referem a mais de um aspecto, ou seja |Ai| > 1,o processo de ordenação tem que considerar todos os LoIs de ak ∈ Ai para definir qualserá o valor de interesse usado para representar o elemento perceptivo. No caso particularusado neste trabalho, é considerado o maior valor de LoI presente no conjunto Ai do ele-mento perceptivo. Ou seja, para um elemento perceptivo ei(t) = 〈di(t),Ai,4di(t)〉, ondeAi = {a1,a2, · · · ,an}, a função usada para definir a prioridade desse elemento perceptivoRei , é descrita por:

Rei = max(LoIa j)∀ a j ∈ Ai (4.11)

Outras funções para esse processo podem ser definidas dependendo da aplicação.No caso considerado neste trabalho, todos os elementos cognitivos Ci(t) cujos conjuntosAi = {a1,a2, · · · ,an} dos elementos perceptivos ei(t) ∈Ci(t) em que aconteça a condiçãoLoIa j = 0 ∀ a j ∈ Ai, são descartados pelo processo.


Desse modo, após o descarte dos elementos cognitivos, o conjunto P(t) é compostopor um conjunto de elementos cognitivos onde, para cada um desses elementos, pelomenos um dos elementos perceptivos ei(t) ∈Ci(t) possui pelo menos um das aspectos doconjunto Ai cujo LoI 6= 0 no foco qualitativo do agente. Considerando um ambiente emgrid, cada Ci(t)∈ P(t), ou grupo, é uma célula. Em outras palavras, o ambiente é formadopor um grid, no qual as células contém informação que, após a fase de pré-processamento,se tornam elementos perceptivos. Para o ambiente em grid, a Lista de Percepção é umalista de células contendo os elementos para os quais os aspectos listados nos conjuntosAi possuam LoI 6= 0 no foco qualitativo do agente. Essa lista é ordenada usando-se umafunção de prioridade Ra(C) a qual define o nível de importância (valor de rank) de cadaelemento cognitivo (nesse caso, células). Para o caso usado neste trabalho, a função Ra(C)é modelada da seguinte maneira:

Ra(Ci) = max(v(a))∀ a ∈ ACi

onde :ACi = {a ∈ A | ∃ ei

j ∈Ci,eij = 〈di

j,Aij,4di

j〉,a ∈ Aij};

v(a) ∈ [0,1] = LoIa;A = {a1,a2, . . . ,ak} e Ai

j = {ai1,a

i2, . . . ,a

is};

Ci = {ei1,e

i2, . . . ,e

in};

A = con j. de aspectos do f oco qualitativo do agente;Ai

j = con j. de aspectos do elemento perceptivo eij ∈Ci;

Ci = con j. de elementos perceptivos do elemento cognitivo ′i′;ei

j = 〈dij(t),A

ij,4di

j(t)〉 elemento perceptivo ∈Ci;Ai

j ⊇ A e Se di ∈ R entao4di = di(t)−di(t−1) ∈ R.

(4.12)

No foco qualitativo, o valores de LoI em relação aos aspectos podem mudar durante asimulação, se o modo de operação adotado for o dinâmico. Essa variação é feita de acordocom a variação do estado afetivo do agente e no conhecimento armazenado na belief base.O processo de variação é executado pela função de atualização de aspecto (aspect updatefunction) expressa por:

Ua f (s,Em,B)where :s = aspectoEm = estado emocional do agenteB = belie f base do agente

(4.13)

O conjunto LoI e a função Ua f são definidos para cada comportamento do agentedependendo das necessidades de próprio comportamento, por exemplo: o conjunto deobjetivos a ser alcançado. Dessa forma, cada comportamento possui um foco qualitativoparticular adequado para as ações que ele dispõe para executar. Esse fato cria a possibili-dade do agente adaptar seu foco de atenção de acordo com os objetivos globais do agente,em conjunto com o contexto com o qual o agente esteja lidando.


4.2.3 Foco QuantitativoO foco qualitativo explicado na seção anterior não filtra nenhuma informação, apenas

as reúne segundo categorias e as põe em ordem de acordo com a prioridade calculadapela função Ua f . Agora, é importante reduzir este conjunto para um número limitado deelementos. Desse modo, o foco quantitativo é responsável por definir a quantidade de ele-mentos perceptivos que serão disponibilizados aos processo de planejamento e raciocínio.A quantidade de elementos é dada pelo parâmetro L, que funciona como um limitador dalista ordenada pelo foco qualitativo. O processo consiste em considerar apenas os L pri-meiros elementos da lista fornecida pelo foco qualitativo. Essa nova lista é denominadaLista de Elementos Percebidos (PP(t)). A Figura 4.6 ilustra graficamente o processo com-pleto de filtragem feito pelos três passos do foco de atenção: fase de pré-processamento,foco qualitativo e foco quantitativo, o qual pode ser resumido da seguinte forma:

1. O agente detecta no ambiente os elementos cognitivos disponíveis for-mando o conjunto P(t). A fase de pré-processamento cria, para cadaelemento de informação de cada elemento cognitivo Ci(t) uma tupla dotipo ei(t) = 〈di(t),Ai,4di(t)〉, conhecida como elemento perceptivo.

2. O foco qualitativo aplica a função de prioridade Ra(C), a qual consideratodos os elementos perceptivos ei(t) de todos os elementos cognitivosCi(t), criando um valor de rank para cada elemento cognitivo ou célula.Usando o valor de rank, o foco qualitativo ordena a lista de células.

3. O foco quantitativo reduz a lista de células considerando apenas as Liniciais, criando a Lista de Elementos Percebidos PP(t) que é repassadapara o agente.

Na proposta feita neste trabalho, o limitador L não é fixo. Ele pode variar de acordocomo o estado afetivo do agente e, como resultado, assumir diferentes valores quando,por exemplo, o agente está num estado relaxado ou num estado ansioso. Esta linha depensamento foi proposta por Janis e Mann [Janis & Mann 1977], e é usada por Silver-man [Silverman, Johns, Cornwell & O’Brien 2006] [Silverman, Bharathy, Cornwell &O’Brien 2006], o qual descreve a relação entre a efetividade dos indivíduos e seu estadode estresse como uma curva em “U” invertido. Para este trabalho, essa linha de pen-samento foi usada como base para assumir que a quantidade de elementos perceptivosdisponibilizados para os processos de planejamento e raciocínio pode ser consideradaproporcional à efetividade das decisões do agente. Desse modo, o limitador L é rela-cionado diretamente ao estado de humor do agente, considerando a proximidade desseestado de humor com o estado completamente relaxado (PAD =+1−1+1) ou do estadode humor completamente ansioso (PAD =−1+1−1). Neste caso, está sendo feita umarelação direta entre o estado de humor “ansioso” e o estado “estressado” considerado porSilverman. O cálculo deste parâmetro é detalhado na Seção 4.4.4.


Figura 4.6: Processo completo do Foco de Atenção dos agentes AAFA.

4.3 O Sub-Módulo AfetivoA principal característica desse sub-módulo é ser focado no uso de aspectos significa-

tivos da afetividade humana, como: personalidade, humor e emoções.Antes de discutir o sub-módulo afetivo, é importante mencionar que é necessário es-

colher uma maneira para implementar a variação dos parâmetros da arquitetura durantea execução do agente, a fim de prover adaptabilidade ao agente AAFA. Por isso, ummodelo de avaliação afetiva do que acontece no ambiente ao redor do agente foi consi-derado. Desse modo, a avaliação dos eventos do ambiente e a sua relevância (positivaou negativa) em relação ao agente é responsável por alterar os parâmetros da arquite-tura, para adaptar o comportamento do agente ao longo do tempo. Como foi salientadopor Marcella e Gratch em [Marsella & Gratch 2009], a avaliação (do inglês appraisal)é um processo de interpretação do relacionamento entre o agente e seu ambiente [Frijda1987][Smith & Lazarus 1990]. Um modelo largamente usado e com várias e reconhe-cidas implementações computacionais [Burkitt & Romano 2008][Gebhard 2005][Kasapet al. 2009][Romano et al. 2005] é o modelo OCC para representar as emoções humanas[Ortony et al. 1990].

Entretanto, o uso das emoções de forma individual pode fazer com que os parâme-tros fiquem instáveis devido à rapidez de suas mudanças. Desse modo, é necessárioincluir algo que permita que os parâmetros da arquitetura não sofram com grandes va-riações e um único passo de simulação. Para isso, uma outra abordagem baseada no


comportamento humano e interrelacionada com o modelo OCC foi considerada [Burkitt& Romano 2008][Gebhard 2005][Kasap et al. 2009][Romano et al. 2005]. O modelode humor proposto por Mehrabian, o modelo PAD (Pleasure, Arousal and Dominance)[Mehrabian 1996b], foi o escolhido. De acordo com esse modelo, o estado de humor deum individuo pode variar de acordo com as emoções advindas da avaliação dos eventosque ocorrem no ambiente, sendo especificado como um ponto em um espaço tridimensi-onal, denominado espaço PAD3D.

Nos agentes AAFA, o modelo de emoções OCC serve para a avaliação dos eventos doambiente. As emoções geradas a partir daí fazem com que o modelo PAD varie o pontoque define o estado de humor dentro do espaço PAD3D. Falta, porém, definir o pontoinicial para o estado de humor do agente no início da simulação. Essa definição podeser feita aleatoriamente ou pode usar alguma característica própria do agente. Conside-rando a interrelação dos modelos OCC e PAD e as implementações computacionais maisreconhecidas como um critério, o modelo BigFive (OCEAN) [McRae & Costa 1996] foiusado. Esse modelo define um perfil de personalidade baseado em traços (vide Seção2.3.3), sendo usado nesta arquitetura para a definição do ponto inicial para o modelo PADe como parâmetro nas funções de decaimento das emoções e do humor. Estas funções,discutidas mais adiante neste trabalho, são baseadas no traço de personalidade neuroti-cismo. Porém, esse relacionamento é uma metáfora que considera o significado dessetraço de personalidade e a velocidade da variação das emoções e do estado de humor emhumanos [Kasap et al. 2009].

Como descrito em [Gebhard 2005], esse modelo afetivo (OCC, PAD, OCEAN) si-mula o mesmo relacionamento quantitativo entre os três componentes afetivos quandoconsiderados os humanos.

• Emoções: um elemento afetivo de curta duração, o qual é oriundo daavaliação de eventos ambientais e que decai de acordo com o perfil depersonalidade;• Humor: um elemento afetivo de média duração, o qual dura significati-

vamente mais do que as emoções e não associado com nenhum eventoespecífico;• Personalidade: um elemento afetivo de longa duração que reflete carac-

terísticas individuais que influenciam a percepção do ambiente, o com-portamento e as ações. É considerada praticamente estática durante avida adulta. Por causa disso, o perfil de personalidade é parte descritivado agente AAFA e não muda durante a simulação.

A decisão sobre o número de emoções a ser implementado não é algo simples. O usode uma grande quantidade de emoções traz consigo o problema de como mostrar e agiradequadamente para todos os estados emocionais possíveis para um agente. Isso é umproblema quando se considera tanto a expressão visual quanto o comportamento apresen-tado. Alguns autores como Ortony [Ortony & Turner 1990] e Prinz [Prinz 2004] traba-lham com a abordagem de que não existe um conjunto reduzido de emoções básicas, dasquais as demais são derivadas. Outros como [Frijda 1987] e Oatley [Oatley & Johnson-Laird 1987] trabalham com a noção de que existem emoções ditas básicas, e finalmente


existem outros, como Ekman [Ekman 1994], cuja abordagem supõe que todas as emoçõessão básicas. Como pode-se ver, não existe um senso comum sobre quantidade e qualidadedas emoções. Por causa disso, implementações práticas definem as emoções de acordocom a aplicação e com a habilidade de demonstrar os diferentes estados emocionais quesejam possíveis para o agente.

Na arquitetura proposta neste trabalho foi usado um modelo OCC reduzido, definindodoze diferentes tipos de emoções, seis positivas (boas emoções) e seis negativas (emoçõesruins). Este modelo OCC reduzido foi baseado no modelo originalmente usado por Bart-neck em [Bartneck 2002a]. Em relação ao modelo usado por Bartneck, foi introduzidoo galho (já que o modelo OCC é uma árvore) “relevante quanto à perspectiva” (prospectrelevant), o qual é parte do galho “consequências para si” (consequences for self ) nomodelo original (vide Figura 2.8 na Seção 2.3.2). Neste trabalho, as emoções “relevantesquanto à perspectiva”, como esperança e medo, são importantes para o contexto de muitassimulações. O modelo resultante é mostrado na Figura 4.7.

A decisão sobre quais emoções implementar no agente AAFA pertence a quem estámodelando a aplicação (podem ser escolhidas dentre as presentes na Tabela 2.5). Umaconsideração deve ser feita no processo de escolha dessas emoções: elas devem ser esco-lhidas em pares, ou seja, uma emoção positiva (boa) deve contrapor uma emoção negativa(ruim). No caso particular implementado neste trabalho, somente as emoções felicidade(joy) e angústia (distress) foram implementadas, pois foram consideradas suficientes paraa modelagem do comportamento de fuga de um incêndio.

Figura 4.7: O modelo OCC reduzido usado no sub-módulo afetivo. Baseado em [Bartneck2002a].

O trabalho de Mehrabian [Mehrabian 1996a] define uma interrelação entre os trêsmodelos através de um conjunto de tabelas. Usando essa interrelação, os modelos OCC,


PAD e OCEAN operando conjuntamente se tornam o sub-módulo afetivo dos agentesAAFA. Esse conjunto de modelos também é usado em [Burkitt & Romano 2008][Gebhard2005][Kasap et al. 2009], nos quais se implementa um modelo afetivo em agentes queemulam o comportamento humano em processos conversacionais com outros humanos.Diferentemente, na arquitetura AAFA esses modelos são usados para direcionar o foco deatenção dos agentes.

A Figura 4.8 ilustra graficamente a interação entre a emoção, humor e a personalidadeusada na arquitetura AAFA. A implementação computacional dessa interação é explicadanas próximas seções.

Figura 4.8: Interação entre os modelos de emoção, humor e personalidade na arquiteturaAAFA.

Na Figura 4.8, é possível observar que o estado afetivo do agente muda para umacondição positiva (boa), através de eventos que produzam emoções positivas. Isso é mos-trado pela seta “OCC Positivo”. Por outro lado, eventos que produzam emoções negativas(ruins) levam o estado afetivo em direção a uma condição negativa, mostrado pela seta“OCC Negativo”. Isso acontece porque as emoções positivas como felicidade, movem oponto referente ao humor, no espaço PAD3D, para uma posição considerada como “bomhumor”. A situação oposta acontece com emoções negativas como angústia. Para traba-lhar desse modo, o sub-módulo afetivo considera um ponto inicial para o humor do agentebaseado no perfil de personalidade. O cálculo desse ponto inicial, denominado humor bá-sico, se baseia na proposta de Mehrabian [Mehrabian 1996a], mostrada na Equação 4.14.As letras usadas nas expressões se referem aos valores atribuídos aos traços de persona-lidade do modelo OCEAN onde O,C,E,A,N ∈ [−1,1] (vide Seção 2.3.3 para maiores


detalhes). Esse humor básico (Mbase), é o ponto inicial para o humor do agente quandoa simulação é iniciada. Ele também é o valor para o qual o humor do agente retorna(decaindo em um certo tempo) quando os eventos do ambiente cessam.

P = m1 = 0,21∗E +0,59∗A+0,19∗NA = m2 = 0,15∗O+0,30∗A+0,57∗ND = m3 = 0,25∗O−0,32∗A+0,17∗C+0,60∗EMbase = Point(m1,m2,m3)

(4.14)

A mudança na condição do estado afetivo do agente (Figura 4.8), causada quando asemoções são elicitadas, influencia o conjunto LoI do foco qualitativo, o valor do limitadorL do foco quantitativo, o sub-módulo planner e o raciocínio dos comportamentos. Essefato também pode ser visto nas Figuras 4.2 e 4.3. Esse modelo afetivo considera que aintensidade das emoções elicitadas é relacionada com o perfil de personalidade do agente[Gebhard et al. 2004] [Egges et al. 2004] e estado de humor [Gebhard 2006] [Reithingeret al. 2006].

Uma última coisa a ser observada na Figura 4.8: a personalidade influencia o “decai-mento” do estado afetivo. Como foi explicado no início desta seção, a personalidade éconsiderada estática durante a simulação, mas o humor e as emoções procuram emularo comportamento quantitativo encontrado nos humanos: as emoções são um elementoafetivo de curto prazo e o humor é um elemento afetivo de médio prazo. Isso significaque uma emoção elicitada com uma determinada intensidade vai decair (desaparecer) emum curto período de tempo. De modo semelhante, o estado de humor vai retornar ao seuponto inicial, o humor básico (Mbase), depois de um período de tempo que é mais longoque aquele relativo às emoções. Para as emoções, o processo de decaimento leva a in-tensidade delas a zero, mas para o humor, esse processo faz com que o humor retorne àcondição do humor básico. O processo de decaimento é influenciado principalmente pelotraço neuroticismo do perfil de personalidade do modelo OCEAN [Kasap et al. 2009][Romano et al. 2005] [Kessler et al. 2008], ou seja, o traço que define a estabilidade dapersonalidade. Indivíduos com um alto traço de neuroticismo possuem uma tendênciacomportamental onde as emoções positivas tendem a desaparecer mais rapidamente doque as negativas. Um comportamento oposto é encontrado em indivíduos com um baixotraço de neuroticismo, onde as emoções positivas duram mais do que as negativas. Porcausa disso, a arquitetura AAFA define duas funções de decaimento emocional, uma paraas emoções positivas e outra para as negativas (detalhes na Seção 4.4). Essa tendêncianeurótica, influencia indiretamente também o processo de decaimento do humor.

4.4 O Foco de Atenção AfetivoNa Seção 4.2 foi descrito como o sub-módulo do foco de atenção funciona. Nessa

seção foi definido o foco qualitativo e o conjunto relacionado LoI como também o focoquantitativo e seu limitador L, e, finalmente, foram mostrados os três passos para criara lista de elementos percebidos PP(t) (Figura 4.6). Nesse processo, o foco qualitativo equantitativo foram considerados estáticos.


Esta seção apresenta como o sub-módulo afetivo foi implementado e como o estadoafetivo do agente é usado para variar os valores do conjunto LoI, criando um foco qua-litativo dinâmico, e do limitador L, criando um foco quantitativo dinâmico. Todas essascaracterísticas produzem o foco de atenção “afetivo”, ou seja, um foco de atenção onde ofoco qualitativo e quantitativo podem variar durante o tempo da simulação.

A arquitetura proposta foi projetada para trabalhar com ou sem o sub-módulo afetivo.Então, dois modos de operação básicos podem ser usados:

• Modo Arquitetura Fixa (SfTf): o foco qualitativo opera com valoresfixos para o conjunto de valores de interesse sobre os aspectos do am-biente (LoI). Ou seja o foco qualitativo é estático. O foco quantitativotambém trabalha com o valor do limitador L fixo, tornando esse focotambém estático;• Modo arquitetura Dinâmica: Os focos quantitativo e especial podem ser

atualizados dinamicamente pelo sub-módulo afetivo do agente. Nessecaso, existem três outros modos de operação:

– Foco Qualitativo Dinâmico e Foco Quantitativo Fixo (SdTf): o focoqualitativo opera dinamicamente, mas com o limitador L mantidofixo no seu valor inicial. Isso significa que o tamanho da lista deelementos percebidos PP(t) é sempre o mesmo, mas os valores deLoI são dinâmicamente atualizados em todos os passos da simula-ção;

– Foco Qualitativo Fixo e Foco Quantitativo Dinâmico (SfTd): o focoqualitativo é mantido fixo nos valores definidos no início da simu-lação, mas o limitador L opera dinamicamente. Isso significa queo tamanho da lista de elementos percebidos PP(t) varia dinamica-mente, mas os valores usados na execução da função de prioridadeRa(C) são mantidos fixos;

– Foco Qualitativo Dinâmico e Foco Quantitativo Dinâmico (SdTd):os focos qualitativo e quantitativo trabalham de forma dinâmica.

A configuração definindo o modo de operação da arquitetura é feita na descrição dosagentes que serão usados na simulação. No próximo capítulo, uma série de experimentossão discutidos e comparados para evidenciar a efetividade da arquitetura AAFA, mos-trando seus pontos fortes e fracos de cada modo de operação.

Considerando o modo de operação menos restritivo, foco qualitativo dinâmico e focoquantitativo dinâmico, o processo de atualização dos agentes AAFA é implementado emcinco passos descritos a seguir (essa sequência é executada por cada agente vivo na simu-lação):

1. Criação da lista de elementos percebidos (vide Seção 4.2.1);2. Ativação dos meta_info operators;3. Para cada operador ativado:

3.1 Atualização do estado emocional (OCC);3.2 Atualização do foco qualitativo (LoI);


3.3 Atualização do estado de humor (PAD);3.4 Atualização do foco quantitativo (L);

4. Processo de decaimento emocional;5. Processo de decaimento do humor.

O primeiro passo representa o processo de criação da lista de elementos percebidosPP(t) descrito na Seção 4.2. O conjunto LoI do foco qualitativo e o limitador L do focoquantitativo são os que foram definidos ao final do passo de simulação anterior. Todoo processo de atualização se inicia com a lista de elementos percebidos, que contém oselementos nos quais o agente tem interesse.

O segundo passo se refere ao sub-módulo MIO e ao modelo de emoções OCC. ComoGratch e Marsella [Gratch & Marsella 2004] salientaram, para uma simulação emocionalem um domínio específico, é comum usar algoritmos orientados a tarefas para implemen-tar as rotinas de avaliação (appraisal), especificamente projetadas para o comportamentoatual do agente [Asano et al. 2006]. Na arquiteura AAFA, esses algoritmos são imple-mentados nos sub-módulos de cada comportamento do agente. Como mencionado naSeção 4.1.2, o sub-módulo MIO implementa um componente reativo sobre os dados dabelief base. Esses operadores usam as informações disponíveis na belief base (logo apósessa base ter sido atualizada com a lista de elementos percebidos), para entender o queestá acontecendo ao redor do agente a fim de executar o processo de avaliação que definequais são as emoções elicitadas e suas intensidades.

A ativação de um operador MIO depende de um conjunto de condições criados porquem modela a aplicação. Essas condições são avaliadas em relação aos fatos existentesna belief base do agente, e, caso as condições avaliadas sejam verdadeiras, o operadoré ativado e deve executar os passos 3.1 a 3.4 da sequência descrita anteriormente. Ospassos serão realizados, dependendo do modo de operação da arquitetura escolhido. Aimplementação de cada um dos processos de atualização é detalhado nas Seções 4.4.1,4.4.2, 4.4.3 e 4.4.4.

Os passos 4 e 5 compreendem os processos de decaimento discutidos no final daseção anterior. A implementação do decaimento emocional e do decaimento do humorsão detalhados nas Seções 4.4.6 e 4.4.5.

4.4.1 Atualização do Estado EmocionalOs algoritmos orientados a tarefa mencionados anteriormente, que também são deno-

minados regras OCC, são implementados nos agentes AAFA como Met_Info Operators.Esses operadores são funções de avaliação, que trabalham com os fatos da belief base doagente e com a lista de elementos percebidos, verificando a ocorrência de situações de-terminadas. Um situação particular pode ser interpretada como evento ou um ação (videdescrição do modelo OCC na Seção 4.3), que envolve consequências em relação ao es-tado emocional do agente. Ou seja, os meta_info operators são responsáveis por executara elicitação das emoções e por definir as suas intensidades.

O estado emocional do agente é definido pela combinação de dois conjuntos, um


contendo o nome das emoções existentes e o outro contendo as suas intensidades, comosegue:

EmNAME = {emotion1,emotion2, · · · ,emotionn}Em(t) = {em1(t),em2(t), · · · ,emn(t)}

onde : 1≤ n≤ 12 e em(t) ∈ [0,1](4.15)

Na Equação 4.15, emi(t) representa a intensidade da emoção emotioni no tempo t.Em(t) representa o estado emocional atual do agente durante o tempo t.

Os meta_info operators executam o processo de avaliação e mantém as informaçõesrelativas às emoções que foram elicitadas e suas intensidades em um conjunto temporárioEa(t). Esse conjunto temporário também é definido através de um conjunto com o nomedas emoções e outro contendo as suas intensidades, como segue:

EaNAME = {emotion1,emotion2, · · · ,emotionn}Ea(t) = {ea1(t),ea2(t), · · · ,ean(t)}

onde : 1≤ n≤ 12 e ea(t) ∈ [0,1](4.16)

Cada meta_info operator, quando ativado, executa o seu processo de avaliação, defi-nindo quais são as emoções elicitadas, suas intensidades e atualiza o conjunto temporáriodas emoções elicitadas Ea(t). Essa atualização é feita sequenciamente, pois os meta_infooperators são executados em sequência, um depois do outro conforme a implementaçãode quem modela o sistema. Dessa forma, quando um operador é iniciado, a intensidadeeai(t) de uma emoção em particular emotioni é denominada de intensidade atual (current)dessa emoção, representando o resultado atual do processo de atualização feito por to-dos os operadores anteriores. A função padrão de atualização para as emoções elicitadaseai(t) ∈ Ea(t) é definida como segue:

eai(t) =

{Min( f actorU padteEmotion∗ f actorEvent,1) eai(t) = 0Max(eai(t)current ,eai(t)elicited) eai(t) 6= 0

(4.17)

• factorEvent: é a formula que avalia o elemento perceptivo. Por exem-plo, se o meta_info operator avalia a distância de um determinado ele-mento, a variação dessa distância pode ser usado como factorEvent;• factorUpdateEmotion: é um parâmetro de cada meta_info operator que

é definido por quem modela a aplicação (vide Tabela 5.2 do Capítulo 5).

Depois que todos os operadores ativados executaram suas avaliações, o conjunto tem-porário das emoções elicitadas Ea(t) é utilizado para atualizar o estado emocional doagente Em(t). A implementação padrão para a função de atualização do estado emocio-nal, onde eai(t) ∈ Ea(t) e emi(t) ∈ Em(t), é definida a seguir:

emi(t) =

{eai(t) emi(t) = 0Min(1,emi(t)+ eai(t)) emi(t) 6= 0

(4.18)


4.4.2 Atualização do Foco QualitativoComo mencionado anteriormente, os meta_info operators trabalham como um com-

ponente reativo na arquitetura AAFA. Desse modo, o agente reage aos eventos que ocor-rem no ambiente, variando seu estado afetivo e adaptando os valores do conjunto LoI(foco qualitativo) e do limitador L (foco quantitativo). Por exemplo, suponha que, du-rante o processo de avaliação de um meta_info operator seja encontrada uma informaçãorelativa a um aspecto do foco qualitativo ligada à segurança do agente, que tenha sofridouma variação perigosa, capaz de por a vida do agente em risco. Nessa situação, o operadoré responsável por aumentar a intensidade da emoção medo no estado emocional do agente(ou angústia dependendo da modelagem adotada) e por aumentar os valores do conjuntoLoI dos aspectos do foco qualitativo relativos à segurança do agente. A variação do estadoemocional fará com que o estado de humor seja alterado e, provavelmente, o limitador Ldo foco quantitativo seja aumentado. No próximo passo de simulação, usando os valoresatualizados dos focos qualitativo e quantitativo, e também do seu estado emocional, oagente dará prioridade às informações relacionadas com a sua própria segurança.

O foco qualitativo do agente é atualizado por cada operador ativado. A implementaçãopadrão para a função de atualização dos valores do conjunto LoI é definida como segue:

LoI(t) =

{LoI(t)+LoI(t)∗ f actor LoI(t) 6= 0f actor LoI(t) = 0

(4.19)

O parâmetro f actor é definido como segue:

f actor = f actorEvent ∗ f actorU pdateFocus∗ emotionalFunction() (4.20)

• factorEvent: é a fórmula definida na Equação 4.17;• factorUpdateFocus (fUF): é um parâmetro definido para cada meta_info

operator por quem modela a aplicação. É usado para modular o poderde atualização do factorEvent no processo de atualização (vide Tabela5.2 do Capítulo 5);• emotionalFunction(): é uma função de quantificação baseada na relação

entre o operador, as emoções que ele pode elicitar no estado emocionale os valores do conjunto LoI do foco qualitativo.

A emotionalFunction() atua como uma função de mapeamento. Como explicado noinício da Seção 4.4.2, se um meta_info operator encontra uma situação potencialmenteperigosa, ele é responsável por aumentar a intensidade da emoção angústia (distress), porexemplo, e por atualizar o conjunto LoI em relação aos aspectos relativos à segurançado agente. O processo de atualização dos aspectos do foco qualitativo, usa como viés asintensidades das emoções do estado emocional do agente, que são relacionadas com essesaspectos. Se a situação perigosa está acontecendo pela primeira vez e nenhuma outra


situação parecida aconteceu antes, provavelmente a intensidade da emoção angústia serápequena ou mesmo zero, então, a situação perigosa que ocorre nesse instante deve sertratada como um choque para o agente. Nesse caso, o processo de atualização sobre osaspectos do foco qualitativo deve ser máximo. De maneira oposta, se a situação de perigojá aconteceu outras vezes, a resposta emocional já atualizou a intensidade da emoçãoangústia. Assim sendo, a nova situação de perigo é apenas “mais uma”, fazendo comque o processo de atualização dos aspectos seja mais fraco. A ideia é: se o agente jáestá em pânico, o estado de alerta já está no seu máximo, não havendo um modo decolocar o agente em um estado de alerta ainda maior. Uma situação similar é descrita porBarteneck em [Bartneck 2002b], quando ele explica o processo de quantificação associadoà interpretação do modelo OCC, e por Gebhard em [Gebhard et al. 2003], quando eledescreve o viés do perfil de personalidade sobre o processo de elicitação emocional.

No caso particular implementado neste trabalho, a emotionalFunction() mapeia o as-pecto com as intensidades das emoções relacionadas de um intervalo [0,1] em um in-tervalo [2,0]. Em outras palavras, para uma emoção com intensidade zero, o poder deatualização do operador sobre os aspectos do foco qualitativo será máximo. Por outrolado, o poder de atualização do operador será mínimo quando a intensidade emocionalestiver no seu valor máximo.

4.4.3 Atualização do Estado de HumorO estado de humor do agente é implementado como um conjunto contendo os valores

para cada traço do humor do modelo PAD. Esse estado é definido como segue:

M(t) = {m1(t),m2(t),m3(t)}onde :

m1(t) =Value_o f (P)m2(t) =Value_o f (A)m3(t) =Value_o f (D)

(4.21)

Durante a simulação, o estado de humor do agente sofre atualizações que são baseadasno processo de avaliação e elicitação das emoções conduzido pelos meta_info operators.A função de atualização do humor se baseia na relação entre as emoções descritas pelomodelo OCC e os traços de humor descritos pelo modelo PAD descrita por Mehrabianem [Mehrabian 1996a]. A Tabela 4.1 mostra essa relação como uma matriz de emoçõesversus dimensões PAD. Essa tabela é baseada nos trabalhos de Kasap [Kasap et al. 2009]e Gebhard [Gebhard 2005]. A tabela, denominada matriz α , é formada por elementosdenominados parâmetros αi j , onde o índice j é relativo ao nome da emoção e o índice i érelativo ao traço ou dimensão PAD. Além disso, essa tabela é parte da Tabela 2.5 mostradana Seção 2.3.4.

A função de atualização do estado de humor do agente é implementada como segue:

M(t) = M(t)+ fm(Em,α) (4.22)


Emoções Positivas P (m1) A (m2) D (m3) HumorFelicidade (Joy) 0,40 0,20 0,10 ExuberanteEsperança (Hope) 0,20 0,20 -0,10 DependenteAlívio (Relief ) 0,20 -0,30 0,40 RelaxadoSatisfação (Satisfaction) 0,30 -0,20 0,40 RelaxadoGratificação (Gratification) 0,60 0,50 0,40 ExuberanteGratidão (Gratitude) 0,40 0,20 -0,30 DependenteEmoções Negativas P (m1) A (m2) D (m3) HumorAngústia (Distress) -0,40 -0,20 -0,50 DócilMedo (Fear) -0,64 0,60 -0,43 EntediadoDesapontamento (Disappointment) -0,30 0,10 -0,40 AnsiosoMedo-Confirmado (Fear-Confirmed) -0,50 -0,30 -0,70 EntediadoRemorso (Remorse) -0,30 0,10 -0,60 AnsiosoRaiva (Anger) -0,51 0,59 0,25 Ansioso

Tabela 4.1: Matriz αi j - OCC versus PAD.

fm(Em,α) = AtN ∗∑12i=1 ∑

3j=1 αi j ∗ em j(t)

where :AtN = KN ∗NeuroticismEm(t) = {em1(t),em2(t), · · · ,emn(t)}

(4.23)

• AtN : é uma fórmula baseada no fato de que a variação do humor é maisvagarosa em indivíduos com uma personalidade mais estável (baixo va-lor de N), do que em indivíduos com personalidades mais instáveis (altovalor de N) [Egges et al. 2004]. O KN é um parâmetro de ajuste definidopor quem modela a aplicação.

4.4.4 Atualização do Foco QuantitativoO foco quantitativo está relacionado ao limitador L, que estabelece o tamanho da lista

de elementos percebidos PP(t). A função de atualização do foco quantitativo é definidacomo segue:

L(t) = l(x(t))∗Linitial (4.24)

O parâmetro Linitial é o valor inicial definido para o limitador L, feito por quem modelaa aplicação. A implementação de l(x(t)), usado na arquitetura AAFA, é definido comosegue:

l(x(t)) = e−δ(x(t)−µ)2(4.25)

Os parâmetros δ e µ são ajustados na fase de modelagem da simulação e correspon-dem ao grau de uma curva “U” invertido e seu valor máximo respectivamente. Estesparâmetros estão definidos na descrição dos agentes.


A idéia usada para definir a variação do limitador L durante a simulação é baseadana proposta feita por Janis e Mann [Janis & Mann 1977] e usada por Silverman em[Silverman, Johns, Cornwell & O’Brien 2006]. Nesse trabalho, Silverman mostra ummapeamento entre o desempenho de um agente e seu nível de estresse através de umacurva “U” invertido. Essa curva mostra que o desempenho de indivíduos pouco estressa-dos ou muito estressados é baixa, enquanto o melhor nível de desempenho é alcançadopor indivíduos com um valor médio de estresse. Como o foco quantitativo é diretamenteassociado com a desempenho do agente (vide Seção 4.2), o mapeamento foi adaptadousando os estados de humor de extrema ansiedade (−P+A−D = −1+ 1− 1) e de ex-tremo relaxamento (+P−A+D =+1−1+1) como estados similares aos estados muitoestressado e pouco estressado usados por Silverman.

Então, o valor de x(t) ∈ [−1,1] é derivado a partir do estado de humor do agente.Esta derivação é implementada, usando-se um valor médio da distância do ponto querepresenta o estado de humor atual do agente no espaço PAD3D, e as posições que re-presentam os pontos de humor extremamente relaxado (+P−A+D = +1−1+1) e dehumor extremamente ansioso (−P+A−D = −1+1−1). O cálculo de x(t) ∈ [−1,1] édefinido como segue:

x(t) =

{| danxious(Mbase)−drelax(Mbase) |/2

√3 primeiro passo da simulação

| danxious(M(t))−drelax(M(t)) |/2√

3 outros passos de simulação(4.26)

As distâncias drelax e danxious são definidas usando-se as equações paramétricas dasretas num espaço tridimensional e foram implementadas como segue:

drelax(M) =√

(m1−1)2 +(m2− (−1))2 +(m3−1)2 (4.27)

danxious(M) =√(m1− (−1))2 +(m2−1)2 +(m3− (−1))2 (4.28)

Considerando os valores padrões δ = 1,5 e µ = 0,2, o comportamento de l(x(t)) émostrado na Figura 4.9.

Quando l(x(t)) se comporta como mostrado na Figura 4.9, significa que: agentes comum estado de humor próximo à posição de relaxamento extremo (+P−A+D = +1−1+ 1) e de ansiedade extrema (−P+A−D = −1+ 1− 1) usarão valores baixos para olimitador L. Isso representa o que usualmente acontece aos indivíduos que estejam nessassituações extremas: eles costumam considerar um conjunto reduzido de informação doambiente.

4.4.5 Processo de Decaimento EmocionalComo mencionado anteriormente, o decaimento da intensidade das emoções é re-

lacinado com o nível de estabilidade da personalidade (fator Neuroticismo do modeloOCEAN). Por causa disso, as funções de decaimento emocional são baseadas nesse traçodo modelo de personalidade OCEAN, e trabalham de forma diferente para as emoções


Figura 4.9: Comportamento de l(x(t)) para δ = 1,5 e µ = 0,2.

positivas e negativas. As funções foram definidas como segue:

Em(t) =

{Em(t)∗ e−t(N+1,1)/(1−decayEmotion) para emoções positivasEm(t)∗ e(−1,5t/(N+1,1))/decayEmotion para emoções negativas

(4.29)

• decayEmotion: é o parâmetro que define a aceleração do processo dedecaimento emocional. Esse parâmetro faz parte da descrição do agentee é definido por quem modela a aplicação.

Considerando uma emoção positiva qualquer, denominada por OCC+, e a emoção ne-gativa associada denominada OCC-, o comportamento gráfico esperado para a intensidadedessas emoções, em relação ao processo de elicitação e ao seu processo de decaimento émostrado na Figura 4.10. Nesse gráfico são mostradas duas emoções de um agente neu-rótico, tendo as elicitações ocorrendo no mesmo instante e com a mesma intensidade. Épossível verificar que o decaimento da emoção positiva é mais rápido do que decaimentoo visto na emoção negativa.

4.4.6 Processo de Decaimento do HumorO processo de decaimento do humor refere-se ao movimento do ponto representando

o humor atual do agente no espaço PAD3D, voltando ao ponto que representa o humorbásico. Esse movimento de retorno é executado quando não há atualizações sendo feitasno estado emocional do agente. Por simplificação da implementação, esse movimentofoi idealizado para acontecer sobre a reta que conecta o ponto que representa o humoratual do agente M(t), e o ponto que representa o seu humor básico Mbasic. Usando asequações paramétricas da reta entre esses dois pontos no espaço tridimensional, a equaçãodo processo de decaimento do humor foi definida como segue:


Figura 4.10: Comportamento da intensidade emocional considerando o processo de eli-citação e decaimento. OCC+ representa a emoção positiva e OCC- representa a emoçãonegativa.

M(t) =

m1(t) = mbasic1 + tmood(m1(t)−mbasic1)



(4.30)

O parâmetro tmood define o quanto o ponto M(t) se move em direção ao ponto Mbasicem um passo da simulação. O parâmetro faz parte da descrição do agente, sendo definidopor quem modela a aplicação.

Capítulo 5

Implementação e Validação daArquitetura AAFA

A arquitetura proposta foi projetada de forma suficientemente genérica para ser im-plementada na maioria das plataformas de desenvolvimento de sistemas multiagentes.Entretanto, para o processo de teste, a plataforma de desenvolvimento Jason foi a esco-lhida.

Neste capítulo são apresentados os seguintes tópicos:

1. Seção 5.1: A criação da arquitetura proposta para os agentes usando a plataformaJason;

2. Seção 5.2: A metodologia usada na criação dos cenários de teste (baseados em umasimulação de fuga de um incêndio), e na execução dos experimentos;

3. Seção 5.3: O conjunto de experimentos executados com o objetivo de comprovara eficiência da arquitetura para Agentes com Foco de Atenção Afetivo (AAFA -Affective Attention Focus Agent).

5.1 Implementando o AAFA usando o JasonComo já mencionado, a plataforma de desenvolvimento de sistemas multiagentes es-

colhida para a construção dos agentes AAFA foi o Jason. Na Seção 2.1.2.3, foi menci-onado que o Jason [Bordini et al. 2007] é um interpretador de uma versão estendida dalinguagem AgentSpeak. Essa é uma linguagem de programação em lógica orientada para aconstrução de agentes com arquitetura BDI (Beliefes, Desires and Intentions) [Rao 1996].A principal razão para a escolha dessa plataforma foi a intenção inicial de usar a lingua-gem AgentSpeak para implementar o módulo Core dos agentes e seu módulo de plane-jamento. Essa implementação tinha sido programada para ser executada, quando o de-senvolvimento inicial e os testes dos agentes AAFA estivessem concluídos. No próximocapítulo é exposta mais detalhadamente uma mudança nesse planejamento, tendo em vistaa decisão de desenvolver uma nova plataforma para a criação de sistemas multiagentes.

A fim de implementar o modelo de agente proposto, o ciclo de raciocínio padrãodo Jason (descrito na Seção 2.1.2.3) foi modificado. A Figura 5.1 mostra uma visãoesquemática da arquitetura implementada como parte de um novo ciclo de raciocínio.

CAPÍTULO 5. IMPLEMENTAÇÃO E VALIDAÇÃO DA ARQUITETURA AAFA 83

Figura 5.1: Ciclo de raciocínio do Jason incluindo o Affective Attention Focus

A Figura 4.2 pode ser usada como referência para o entendimento da Figura 5.1, poiselas usam a mesma nomenclatura para os blocos formadores. Como a plataforma Jasonexige, um agente é especificado através de um arquivo de descrição cuja extensão é ASL.Esse arquivo contém, entre outras coisas:

1. Um conjunto inicial de fatos que define as crenças do agente ao iniciara simulação;

2. Um conjunto de regras lógicas que trabalha como uma máquina de in-ferência sobre as crenças que o agente possuir;

3. Um conjunto de objetivos (goals) que devem ser alcançados pelo agentedurante a simulação;

4. Um conjunto de planos que define o comportamento do agente durantea simulação.

Os dois primeiros itens compõem a base de crenças (belief base) do agente. Nela, estárepresentado o conhecimento que o agente dispõe sobre si próprio e sobre o ambiente noqual está situado. O presente trabalho adota a hipótese de mundo fechado, ou seja, o quenão pode ser comprovado com o conhecimento disponível no agente e/ou no ambiente éconsiderado falso.

Por causa do arquivo de descrição ASL do Jason, os módulos core e behavioral daFigura 4.2 foram condensados em um único bloco chamado “Agent” na Figura 5.1. Nessafigura é possível ver que a base de crenças padrão do Jason foi estendida para conterelementos da arquitetura proposta. Os itens 1 e 2 descritos acima estão contidos no blocoBeliefs.

O módulo do foco de atenção (Attention Focus) foi implementado como uma custo-mização da função de atualização da base de crenças do agente, a BUF (Belief Update


Function). Nesse caso, está sendo considerado o processo de organização da percepçãodo ambiente descrito na Seção 4.2. O foco qualitativo e o foco quantitativo, ou seja, osparâmetros definidos pelos conjuntos A e LoI, são implementados como fatos armazena-dos na base de crença do agente. A parte customizada da BUF é responsável por realizaro processamento das informações provenientes do ambiente como descrito na Seção 4.2.1e, ao finalizar esse processo, invoca a função BUF padrão do Jason para realizar a atuali-zação da BB (Base de Crenças - Belief Base) do agente, como descrito na Seção 2.1.2.3.

O estado afetivo do agente é também implementado como um conjunto de fatos nabase de crenças e, como foi discutido na Seção 4.1.3, o módulo afetivo funciona comose estivesse “sobre” os outros módulos, desde que ele não processa informação, mas fun-ciona como uma base de dados que define o modo pelo qual os outros componentes daarquitetura executam suas tarefas. A Figura 4.4 mostra esse relacionamento de um modoesquemático.

O módulo meta_info operators (MIO) e o módulo de raciocínio do comportamentosão implementados como ações internas dos agentes, definidas pelo Jason como açõesque o agente realiza internamente, ou seja, dentro do seu próprio código. Essas açõessão implementadas como uma customização da classe Java internal_Action disponívelna plataforma Jason. Somente um bloco de comportamento é mostrado na Figura 5.1,pois, como o objetivo desse trabalho é testar e validar o processo de foco de atençãoproposto, somente um comportamento foi implementado. Por causa disso, o móduloplanner, presente na Figura 4.2 não foi implementado.

Finalmente, o sub-módulo action é implementado como uma ação externa do agenteJason. Para a plataforma, essas ações são ações que o agente executa no ambiente emele está situado. Essas ações são implementadas como customização da classe Java exter-nal_Action disponibilizada pela plataforma.

Esta seção assume que o leitor tenha conhecimento sobre os conceitos envolvidos nosagentes BDI, na linguagem AgentSpeak e nos processos de customização da plataformaJason. Para maiores informações, as referências básicas para esses assuntos são [Bratman1965], [Rao 1996] and [Bordini et al. 2007] respectivamente.

Seguindo o projeto da arquitetura proposta (Seção 4.4), o sistema implementado podetrabalhar de diferentes maneiras, dependendo da configuração dinâmica ou fixa definidapara o foco qualitativo e foco quantitativo. O sistema desenvolvido sobre a plataformaJason pode ser configurado para operar das seguintes maneiras:

1. Foco Qualitativo Fixo e Foco Quantitativo Fixo: os focos qualitativo equantitativo usam valores definidos no início da simulação e estes semantém fixos durante toda a execução;

2. Foco Qualitativo Dinâmico e Foco Quantitativo Fixo: o foco qualitativoutiliza um valor inicial que é atualizado durante a execução da simula-ção e o foco quantitativo usa um valor fixo que não sofre alterações;

3. Foco Qualitativo Dinâmico e Foco Quantitativo Dinâmico: os foco qua-litativo e quantitativo usam um valor inicial que é atualizado dinamica-mente durante a simulação;

4. Foco Qualitativo Fixo e Foco Quantitativo Dinâmico: o foco qualitativoadota um valor inicial que se mantém fixo ao longo da simulação e o


foco quantitativo adota um valor inicial que é dinamicamente atualizadodurante a simulação;

5. Sem Arquitetura: a arquitetura proposta é desabilitada criando agentesoniscientes para permitir comparações nos testes de validação.

O processo de customização das classes Java da plataforma Jason consumiu umagrande quantidade de horas e foi bastante trabalhosa. O processo de implementação daarquitetura proposta nessa plataforma consiste de mais de seis mil linha de código. Issonão é só uma grande quantidade de código, mas também uma codificação sem uma estru-tura, pois a customização é feita em vários locais diferentes da plataforma original. Esse“espalhamento” do código resultou em problemas sérios para a correção e manutenção.Um ponto importante que é necessário enfatizar é a dificuldade para avaliar e corrigir ocomportamento de um grupo de agentes, com as ferramentas oferecidas pela plataforma.Essas ferramentas são focadas no correção e avaliação do que foi feito em AgentSpeake não das customizações em linguagem Java. A plataforma também não disponibilizanenhum agent profiler para facilitar a avaliação de como as threads que implementam osagentes estão operando.

5.2 Metodologia de ValidaçãoA hipótese de pesquisa desse trabalho é mostrar que a utilização de uma camada de

software, a qual implementa o foco de atenção (qualitativo e quantitativo) do agente, me-lhora o desempenho, segundo a métrica de tempo de execução, dos agentes em relaçãoa agentes oniscientes. Essa camada de software seria útil, por exemplo, para a utiliza-ção desses agentes em sistemas onde o tempo de resposta fosse um elemento importante.Dessa forma, esses agentes, com seus parâmetros de configuração dos agentes AAFAajustados adequadamente, seriam capazes de obter resultados melhores que agentes onis-cientes usados nas mesmas condições.

Para validar essa hipótese, os agentes foram avaliados em um ambiente de simulaçãomultiagente, onde os agentes devem alcançar um objetivo comum a todos eles. No nossocaso específico, a simulação escolhida foi a de fuga de um incêndio. Os agentes estãoconfinados em uma sala onde, em determinado momento, um ou mais focos de incên-dio aparecem. A partir desse instante, o objetivo comum dos agentes é o de sobreviver,encontrando uma saída de emergência.

A fim de avaliar a influência do uso da afetividade em uma arquitetura de agente inte-ligente, é necessário que o ambiente usado por esses agentes seja complexo e dinâmico,como o recomendado por vários autores [Silverman, Johns, Cornwell & O’Brien 2006][Morgado 2006] [Sarmento 2004] [Kasap et al. 2009] [Romano et al. 2005] [Kessleret al. 2008] [Gebhard 2005]. De acordo com eles, um cenário adequado para que o uso daafetividade possa ser significativo deve considerar a quantidade de objetos para o processode planejamento dos agentes, restrições de tempo e problemas próximos a situações reais.

Normalmente, em um cenário com essas características é esperado que nem toda ainformação disponível seja relevante para um processo correto e eficiente de tomada de


decisão. Por causa disso, uma arquitetura como a projetada para os agentes AAFA podeser bem sucedida.

No contexto dos testes realizados para a validação da arquitetura proposta, a avaliaçãodo desempenho dos agentes será feito através da medição de parâmetros da simulaçãocomo um todo, pois considera-se que agentes com um desempenho individual melhorproduzem simulações com parâmetros gerais melhores.

A utilização de parâmetros da simulação ao invés de parâmetros individuais dos agen-tes deveu-se ao fato, já mencionado anteriormente, de que a plataforma Jason não possuisuporte a nenhum tipo de profiler para os agentes. Dessa forma, seria necessário intro-duzir um aplicativo de terceiros para realizar essa tarefa, o que aumentaria bastante acomplexidade do sistema de teste desenvolvido.

A avaliação do desempenho dos agentes é baseado nos seguintes parâmetros de simu-lação:

• Tempo total de simulação e seu desvio padrão;• Número total de passos de simulação e seu desvio padrão;• Número total de agentes mortos na simulação e seu desvio padrão;

Apesar das métricas tempo total de simulação e número total de passos de simulaçãosejam similares, pois são interrelacionadas, decidiu-se efetuar a medição de cada umadelas, para verificar se a redução de tempo de raciocínio poderia influenciar o número depassos.

Nesse caso, os agentes mortos são os agentes que não alcançaram a saída de emergên-cia e foram alcançados pelas chamas do foco de incêndio. Para todas as simulações foidefinido que somente a exposição às chamas mataria o agente, não existindo mortes porexposição à fumaça ou à alta temperatura.

Como mencionado na Seção anterior (5.1), o projeto da arquitetura proposta permiteque ela trabalhe de diversas formas diferentes. Objetivando a melhor descrição e entendi-mento dos resultados obtidos, todos os modos de operação possíveis foram nomeados daseguinte maneira:

• OMN - São os agentes oniscientes. Eles não fazem uso da arquiteturaproposta e percebem todos os elementos cognitivos disponíveis no am-biente;• AAF-SfTf - São agentes que usam a arquitetura proposta configurada

com foco qualitativo e quantitativo fixos;• AAF-SdTf - São agentes que usam a arquitetura proposta configurada

com foco qualitativo dinâmico e foco quantitativo fixo;• AAF-SfTd - São agentes que usam a arquitetura proposta configurada

com foco qualitativo fixo e foco quantitativo dinâmico;• AAF-SdTd - São agentes que usam a arquitetura proposta configurada

com foco qualitativo e quantitativo dinâmicos.

Os agentes utilizados nas simulações utilizam o mesmo algoritmo de raciocínio. Oque diferencia cada um dos modos de operação da arquitetura mostrados anteriormente,


é a quantidade e o tipo de informação que será manipulada pelo processo de raciocínio.No caso dos agentes oniscinetes (OMN), todas as informações do ambiente estarão dis-poníveis, o que significa que o foco de atenção da arquitetura não está operando. Paraos agentes AAF, nos quais o foco de atenção está ativo, a qualidade da informação e aquantidade será analisada conforme o modo de operação definido para a arquitetura (videSeção 4.4).

Tendo em vista que a avaliação do desempenho do raciocínio dos agentes será feitaavaliando-se parâmetros da simulação, foram projetados três cenários diferentes para amesma simulação de fuga de incêndio. Cada cenário foi implementado como um grid2D de tamanho 50x50, onde uma célula não pode conter mais do que um agente, ou sejaos agente são obstáculos uns para os outros. O cenários implementados são descritos aseguir.

• Cenário de teste 01: nível de dificuldade alto. Os agentes são espalha-dos aleatoriamente por todo o ambiente e são definidos três diferentesfocos de incêndio. O foco de incêndio mais próximo ao canto inferioresquerdo possui uma velocidade de propagação duas vezes maior que osoutros dois focos. O cenário possui três saídas de emergência: canto su-perior esquerdo, canto superior direito e canto inferior esquerdo e váriassinalizações de emergência. A Figura 5.2 mostra o cenário;• Cenário de teste 02: nível de dificuldade médio. O cenário tem um foco

de incêndio no meio do ambiente e apenas uma saída de emergência nocanto superior esquerdo. Os agentes são posicionados aleatoriamente naporção do ambiente próxima ao canto inferior direito. O cenário possuiquatro sinalizações de emergência. A Figura 5.3 mostra o cenário;• Cenário de teste 03:nível de dificuldade baixo. O cenário é basicamente

o mesmo do cenário 01 mas com os agentes distribuídos aleatoriamentena porção do ambiente próxima ao canto inferior direito cujo canto dis-põe de uma saída de emergência. A Figura 5.4 mostra o cenário;

Em todos os cenários de teste, os focos de incêndio se propagam de forma homogênea,formando um círculo cujo o centro é o foco inicial. A temperatura e a fumaça se propagamda mesma forma que os focos de incêndio que lhe deram origem, com uma distânciamáxima de dez células da última célula com fogo.

Nesses cenários de teste, a percepção dos agentes foi modelada através de quatrosentidos: audição, olfato, visão e tato. Desse modo, os agentes são capazes de perceberas seguintes informações:

• Ruídos e sons (o que inclui o alarme de incêndio);• Fumaça (mesmo que o alarme não tenha sido disparada ainda);• A localização das saídas;• Os sinais luminosos de emergência indicando o local das saídas;• O fogo;• A temperatura;• Os outros agentes;


Figura 5.2: Representação gráfica do Cenário de teste 01. Legenda: 1=sinalização deemergência; 2=saída de emergência; 3=foco de incêndio; 4=alarme sonoro; 5=agente.


• A direção de movimento dos agentes;• Os agentes mortos.

O cenário de teste básico para essa investigação é um grid de células 50 × 50, ondeos elementos cognitivos são as células desse tabuleiro. Ou seja, a lista de elementospercebidos (perceived elements list) recebida pelo agente é formada por um conjunto de



células contendo, cada uma, um conjunto de elementos do ambiente (informações do am-biente). O tamanho máximo da lista de elementos percebidos é de 2500 elementos, quecorresponde ao número de células recebidas pelos agentes oniscientes (OMN). Como foidiscutido na Seção 4.2.1, depois do processamento dos elementos cognitivos recebidosdo ambiente, cada célula (elemento cognitivo) se torna um conjunto de elementos percep-tíveis com o formato mostrado na Equação 4.5.

Internamente, cada elemento cognitivo (célula) do grid, mapeia um conjunto de in-formações do ambiente usando a fórmula mostrada na Equação 5.1. Dessa forma, cadacélula, através da estrutura Info, indica quando determinada informação está presente ounão e, no caso de informações que são definidas em um determinado intervalo, qual ovalor dessa informação no atual passo de simulação.

In f o = {Position X ,Position Y,Exit,Agent,Fire,Level o f Smoke,Level o f Temperature,Level o f Sound,Alarm,Sign,Dead Agents}

(5.1)

Um exemplo dessa abordagem pode ser visto na Equação 5.2 que mostra uma célulado grid, com as informações que estão disponíveis em um determinado passo de simu-lação. Para esse caso, a célula cuja a posição é (x = 20,y = 30) não contém uma saída,não contém agente e também não contém fogo, o nível de fumaça é 0.2, a temperatura é0.2 e o nível de som é 0.4, não contém alarme ou sinalização de emergência e possui umagente morto.

In f oCelln = {20,30,False,False,False,0.2,0.2,0.4,False,False,1} (5.2)


De acordo com o descrito na Seção 4.2.2, o foco qualitativo do agente é construídocom base em um conjunto de aspectos que caracterizam o ambiente, descritos pelo con-junto A = {a1,a2, · · · ,ak}, e em um conjunto que define o interesse do agente sobre cadaum desses aspectos, o conjunto dos LoI.

Considerando o que o agente é capaz de perceber e as informações disponíveis noscenários utilizados (Equação 5.1 e 5.2), o conjunto de aspectos escolhido para caracterizaresse ambiente em particular foi:

A = {Exit,Agents,Danger,Signs,Fatal} (5.3)

O mapeamento entre as informações disponíveis em cada elemento cognitivo (Equa-ção 5.1 e 5.2) e o conjunto de aspectos do foco qualitativo do agente (Equação 5.3),associado à interpretação semântica implementada no sistema testado é descrito a seguir:

• Fatal– Fire

• Danger– Smoke– Temperature

• Agents– Quantidade de agentes mortos na célula– Quantidade de agentes que chegaram à saída– Quantidade de agentes mortos na mesma direção– Quantidade de agentes que estão na mesma direção

• Signs– Sinais com o mesmo sentido do movimento do agente– Sinais com sentido oposto ao movimento do agente

• Exit– Exit

Conforme o que foi mostrado pela Equação 4.11 da Seção 4.2.2, o nível de interesseLoI do agente em relação a qualquer aspecto é um valor x = {x ∈ R|0 ≤ x ≤ 1}. Porsimplificação do processo de avaliação da arquitetura, os níveis de interesse foram con-siderados binários, ou seja, o interesse do agente sobre um determinado aspecto podeassumir o valor x = 0, significando que não há interesse por parte do agente, ou o va-lor x = 1, significando que há total interesse (100%) por parte do agente em relação aoaspecto considerado.

O interesse sobre o aspecto Exit foi mantido com o valor 1 em todas as simulaçõesem que o foco qualitativo do agente foi utilizado. Essa consideração foi feita por se tratarde um comportamento de fuga de um incêndio, onde a prerrogativa de saber a localizaçãoda saída é básica para o sucesso do objetivo do agente: a sobrevivência. Além disso, osagentes oniscientes recebem todos os elementos cognitivos disponíveis (todas as célulasdo grid), e sempre saberão a localização das saídas existentes. No caso de um agenteque utiliza a arquitetura cujo interesse sobre o aspecto exit tenha valor x = 0 poderá não


perceber a saída e fazer um movimento aleatório, por não ter uma direção estabelecidapara seguir, o que tornaria a comparação com um agente onisciente injusta.

Considerando que o interesse sobre o aspecto exit sempre em 1 e os demais aspectoscom valores binários 0 ou 1, pode-se ter 16 focos espaciais diferentes, variando de F =10000 a F = 11111. A nomenclatura F = 10101 significa que o foco qualitativo doagente foi configurado com os valores de LoI de cada aspecto valendo: Exit = 1,Agents=0,Danger = 1,Signs = 0,Fatal = 1. Como essa nomenclatura é binária, usaremos comoreferência da posição do bit (a sua ordem de grandeza), ou seja, o bit 0 (zero) será o bitmenos significativo e o bit 4 o mais significativo. Dessa maneira o bit 0 representa oLoI relativo ao aspecto Fatal e o bit 4 representa o LoI relativo ao aspecto Exit e assimsucessivamente. Nesse documento, o foco qualitativo do agente será denotado doravantepor F .

Por convenção, o foco quantitativo será denotado por L nesse documento. Para oambiente em grid utilizado como cenário de teste, pode-se ter L como um inteiro nointervalo [0,2500]. Para os propósitos dos teste em questão, o menor valor consideradopara o foco quantitativo foi 250 e o maior 2250 e o incremento padrão usado para variaçãodesse parâmetro foi de 250. Em algumas situações específicas, foi usado um incrementode 100. O valor do foco quantitativo (L) refere-se à quantidade de elementos cognitivos(células do ambiente) que o agente será capaz de perceber e manipular.

Como a hipótese de pesquisa está relacionada ao desempenho dos agentes individu-almente, a interação entre os agentes não é considerada. Ou seja, não existe nenhumprocesso de coordenação ou cooperação entre os agentes. Dessa forma, a quantidade deagentes na simulação torna-se irrelevante para a validação da arquitetura proposta. Aquantidade de agentes influencia apenas o aspecto da dificuldade do ambiente, pois sedois agentes não podem ocupar a mesma célula, todos passam a ser obstáculos uns paraos outros. A única forma de relacionamento entre os agentes é dada pelo aspecto Agentsdo foco qualitativo, pois esse aspecto faz com que o agente considere o número de agentesmortos nas células ao realizar a avaliação do melhor caminho. Além disso, com este as-pecto ativado, o módulo afetivo recebe informações que permitem ao agente considerar aquantidade de agentes mortos na direção escolhida para o movimento, e também a quan-tidade de agentes que estão se movendo na mesma direção escolhida pelo agente. Esserelacionamento pode ser considerado uma forma de Stigmergy, ou comunicação atravésdo ambiente [Bonabeau 1999] [Alexander S. Klyubin 2004].

A quantidade de agentes utilizada nas simulações foi de 15. O número foi escolhidolevando-se em consideração a necessidade de obter valores dos parâmetros de avaliaçãoda simulação, capazes de evidenciar o desempenho dos agentes. Além disso, como odesempenho geral do sistema desenvolvido no Jason foi consideravelmente baixo, foi ne-cessário estabelecer uma quantidade de agentes que permitisse a execução das simulaçõesem um tempo razoável.

O número médio de repetições utilizado para gerar os conjuntos de resultados foi de20. Os conjuntos comparados usaram o mesmo número de repetições. Essa quantidade derepetições foi definido observando-se o comportamento dos resultados para 12, 20, 30 e50 repetições. O valor 20 apresentou a mesma coerência de resultados apresentados pelosvalores 30 e 50 com um tempo de execução menor.


Para localizar os agentes nos cenários, em cada repetição do experimento, foi utilizadoum conjunto de mapas de localização previamente definidos, onde as posições foramaleatoriamente escolhidas. No caso do cenário de teste 01, os agentes foram distribuídospor todo o grid. No cenário de teste 02 e 03, os agentes foram distribuídos na porçãoinferior direita do grid, pois, no caso do cenário 02 a idéia era dificultar o processo deachar a saída e, no caso do cenário 03, a idéia era facilitar esse processo.

Para os agentes com pelo menos um dos focos (qualitativo e/ou quantitativo) atua-lizados dinâmicamente durante a simulação (AAF-SdTd, AAF-SfTd e AAF-SdTf), asconfigurações usadas estão descritas na Tabela 5.1.

Configuração da ArquiteturaSub-Módulo Parâmetro Valor

OCC Emoção Joy (+) / Distress (-)OCC decayEmotion 0.5PAD Mbasico P = 0.495 A =−0.06 D = 0.35 (Calculado)PAD tmood 0.9PAD Kn 0.1

OCEAN Traços O = 0.5 C = 0.5 E = 0.5 A = 0.5 N = 0.5Foco Quantitativo µ 0.1Foco Quantitativo δ 4.0

Tabela 5.1: Configuração dos parâmetros da arquitetura proposta usada nos testes de va-lidação.

O cenário de teste 02 foi o cenário no qual todo o projeto foi desenvolvido e inicial-mente testado. Desse modo, todos os meta_info operators foram desenvolvidos e testadosnesse cenário, não havendo nenhum processo de adaptação deles para os demais cenários.As meta_info operators consideradas para os testes são mostradas na Tabela 5.2.

Todas as simulações utilizadas nos processos comparativos discutidos na Seção 5.3foram executadas nos mesmos computadores, usando-se a mesma configuração básica deserviços ativos em cada máquina. Dessa forma, tornou-se possível comparar os temposreferentes à simulação completa, bem como os tempos de cada passo de simulação.

Um teste estatístico foi utilizado para a comparação dos conjuntos de resultados obti-dos com agentes com a arquitetura proposta ativa e os resultados dos agentes oniscientes.Foi utilizado o Teste de Hipótese (t-test), o qual permite avaliar se dois conjuntos de re-sultados são estatisticamente equivalentes. Nessa investigação foi considerado o t-testbi-caudal com grau de confiança de 95% (α = 0.05) [Demsar 2006].

5.3 Análise de ResultadosOs testes foram realizados em três cenários diferentes como anteriormente explicado.

Os resultados foram agrupados em relação aos cenários. Para cada cenário foram reali-zados um conjunto de testes não obrigatoriamente iguais, mas cujos resultados pudessemfornecer uma visão global do desempenho dos agentes utilizando a arquitetura proposta,


event fireIncreaseDistance event fireDecreaseSmokef actorU pdateEmotion = 0.1 f actorU pdateEmotion = 0.1emotion = distress emotion = joyf requency = 1 f requency = 1fUF = {danger = 0.1 f atal = 0.1} fUF = {exit = 1.0 danger =−0.1}event fireDecreaseDistance event fireIncreaseTemperaturef actorU pdateEmotion = 0.1 f actorU pdateEmotion = 0.1emotion = joy emotion = distressf requency = 1 f requency = 1fUF = {danger =−0.1 f atal =−0.1} fUF = {danger = 0.1}event fireDeadAgentsInDirection event fireDecreaseTemperaturef actorU pdateEmotion = 0.1 f actorU pdateEmotion = 0.1emotion = distress emotion = joyf requency = 1 f requency = 1fUF = {danger = 0.1 f atal = 0.1 fUF = {danger =−0.1}agent =−0.1}event fireNotFindExit event fireAgentExitf actorU pdateEmotion = 0.1 f actorU pdateEmotion = 0.5emotion = distress emotion = joyf requency = 1 f requency = 1fUF = {exit = 0.2} fUF = {danger =−0.1 agent = 0.1

f atal =−0.1}event fireMoveAgentsInDirection event fireAlarmf actorU pdateEmotion = 0.1 f actorU pdateEmotion = 0.5emotion = joy emotion = distressf requency = 1 f requency = 1fUF = {danger =−0.1 agent = 0.1} fUF = {danger = 0.3 f atal = 0.3}event fireDecreaseDistanceFire event fireSignalSameDirectionf actorU pdateEmotion = 0.1 f actorU pdateEmotion = 0.1emotion = distress emotion = joyf requency = 1 f requency = 1fUF = {exit = 0.1 danger =−0.1} fUF = {danger =−0.1 signal =−0.1}event fireIncreaseDistanceFire event fireSignalNotPerceivedf actorU pdateEmotion = 0.1 f actorU pdateEmotion = 0.05emotion = joy emotion = distressf requency = 1 f requency = 1fUF = {danger = 0.1} fUF = {danger = 0.05 signal = 0.5}event fireIncreaseSmoke event fireSignalOtherDirection (Disable)f actorU pdateEmotion = 0.1 f actorU pdateEmotion = 0.1emotion = distress emotion = distressf requency = 1 f requency = 1fUF = {danger = 0.1} fUF = {exit =−0.1 danger = 0.1

signal = 0.1}

Tabela 5.2: Meta_info operators definidos para os testes de validação da arquitetura pro-posta. (fUF=factorUpdateFocus).


em relação aos agentes oniscientes. Para cada seção descrevendo os resultados de um de-terminado cenário, foi construído um comparativo geral para que se possa ter uma visãoglobal dos resultados em relação ao cenário em questão. Ao final do capítulo existe umaseção mostrando um resumo comparativo envolvendo os dados de todos os cenários.

5.3.1 Cenário de Teste 015.3.1.1 OMN versus AAF-SfTf

Para estabelecer o que seriam resultados significativos, todos os 20 cenários gera-dos aleatoriamente foram inicialmente usados em simulações com agentes oniscientes(OMN). A expectativa era a de que eles seriam eficientes em evitar o fogo já que podemperceber o ambiente completo, porém gastariam muito tempo no processo de raciocínio,por causa do elevado número de elementos percebidos. Em uma segunda rodada de testes,os cenários foram usados nas simulações com diferentes agentes AAFA. A configuraçãodo foco quantitativo e qualitativo são mostradas nas Tabelas 5.3 e 5.4 respectivamente.

Foco Quantitativo (L)250750

10001750

Tabela 5.3: Foco quantitativo usado nos testes com o cenário 01.

Foco Qualitativo (F) Exit Agents Danger Signs FatalF=10000 1 0 0 0 0F=10010 1 0 0 1 0F=10001 1 0 0 0 1F=10011 1 0 0 1 1F=11000 1 1 0 0 0F=11010 1 1 0 1 0F=11001 1 1 0 0 1F=11011 1 1 0 1 1F=10100 1 0 1 0 0F=10110 1 0 1 1 0F=10101 1 0 1 0 1F=10111 1 0 1 1 1F=11100 1 1 1 0 0F=11110 1 1 1 1 0F=11101 1 1 1 0 1F=11111 1 1 1 1 1

Tabela 5.4: Foco qualitativo usado nos teste com o cenário 01.


A Tabela 5.5 mostra os resultados dos agentes oniscientes (OMN) e dos agentes AAFAcom foco espaial e quantitativo fixos, ou seja, agentes AAF-SfTf. Considerando o númerode 15 agentes inicialmente presentes na simulação, a tabela mostra a média do número deagentes mortos (Davg), seus desvio padrão (Ddev), a média do número de passos total dasimulação (Savg), seu desvio padrão (Sdev), a média do tempo total de simulação (Tavg), eseu desvio padrão (Tdev). Como mencionado anteriormente o foco qualitativo é represen-tado por “F” e o foco quantitativo por “L”. Os valores médios dos resultados mostradossão calculados como a média aritmética de todos os valores obtidos para cada parâme-tro em todas as repetições das simulações realizadas. A linha identificada por “Average”representa os valores médios dos parâmetros considerando todos os experimentos feitoscom os agentes AAF-SfTf independente do foco qualitativo ou quantitativo utilizado. Alinha identificada por “All” representa os valores médios dos parâmetros considerandotodos os experimentos realizados com os agentes oniscientes (OMN). Essa nomenclaturaé válida para todos os demais resultados apresentados nesse trabalho.

Por convenção, a expressão “estatisticamente” associada aos termos “similar”, “igual”,“inferior” ou “superior”, refere-se ao fato de que não foram encontradas evidencias es-tatísticas que contradigam o exposto. Dessa forma, a expressão “estatisticamente supe-rior(es)”, por exemplo, significa que não existe evidencia estatística de que os valoresencontrados não sejam superiores. Os dados relativos às análises estatisticas realizadasestão expostos nos apêndice A deste documento.

OMN F L Davg Ddev Savg Sdev Tavg TdevAll 8.667 1.546 51.750 9.288 210.349 26.468

AAF-SfTf F L Davg Ddev Savg Sdev Tavg TdevAverage 8.443 1.653 45.984 8.981 97.494 87.125

Best Dead 11001 250 5.929 1.580 40.071 4.605 36.095 3.972Best Time 10000 750 7.643 1.172 36.071 4.697 19.799 1.930

Worst Dead 10111 750 10.059 1.110 47.471 9.063 117.600 10.611Worst Time 10110 1750 9.933 1.652 53.933 9.096 297.974 26.122

Tabela 5.5: Tabela de resultados comparativos entre agentes oniscientes (OMN) e agentesAAFA com foco qualitativo e quantitativo fixo (AAF-SfTf) - cenário 01.

Avaliando os resultados mostrados na Tabela 5.5 verificou-se que o número de agen-tes mortos obtidos com o AAF-SfTf são estatisticamente iguais ao resultado dos agentesoniscientes (OMN) para os casos “Average” e “Best Time”, estatisticamente inferior parao caso “Best Dead” e estatisticamente superior nos casos “Worst Time” e “Worst Dead”.Com relação aos passos de simulação e ao tempo de simulação, todos os casos são estatis-ticamente inferiores ao resultado OMN com exceção do caso “Worst Time” que apresentouresultado superior.

Considerando que o fator morte dos agentes seja o fator de comparação principal,pode-se verificar que o caso “Best Dead” apresenta um valor do número de agentes mortos31.59% menor que o OMN. Com relação ao número de passos e ao tempo de simulaçãodeste mesmo caso, os resultados são 22.57% e 82.84% inferiores ao obtido com os agentesoniscientes. Ou seja, resultados significativamente melhores dos agentes AAF em todos


os parâmetros de simulação analisados.Além da média geral de todos os resultados e as melhores e piores configurações indi-

vidualmente, na Tabela 5.6 pode-se visualizar os resultados considerando o foco quantita-tivo (L), onde são mostrados as médias de todos os testes com o mesmo foco quantitativoe os resultados considerando o foco qualitativo (F), onde são mostrados as médias detodos os testes realizados com o mesmo foco qualitativo.

OMN Davg Ddev Savg Sdev Tavg Tdev8.667 1.546 51.750 9.288 210.349 26.469

AAF-SfTf L Davg Ddev Savg Sdev Tavg Tdev1 250 8.117 1.778 44.922 9.784 42.046 15.4712 750 8.543 1.654 45.755 9.153 79.981 45.8263 1000 8.579 1.613 46.450 8.542 102.699 64.9024 1750 8.532 1.570 46.808 8.555 165.251 126.992

F Davg Ddev Savg Sdev Tavg Tdev1 10000 7.554 1.140 36.196 3.957 20.035 1.7542 10010 7.800 1.281 38.546 3.555 22.045 1.4563 10001 6.986 1.273 43.140 5.403 50.356 12.0344 10011 7.517 1.371 42.998 4.339 52.219 13.0705 11000 7.790 1.294 37.643 3.678 21.810 1.6246 11010 7.798 1.469 38.425 3.698 23.315 1.8647 11001 7.032 1.528 43.686 4.974 52.664 13.2478 11011 7.071 1.201 43.634 4.546 53.631 12.7469 10100 9.468 1.442 58.019 7.324 167.110 90.519

10 10110 9.637 1.251 55.541 7.912 165.913 91.52811 10101 9.247 1.418 46.439 6.572 148.955 87.76112 10111 9.469 1.336 46.982 6.784 152.758 92.74713 11100 9.404 1.467 56.692 7.631 164.979 90.07514 11110 9.639 1.295 55.629 7.792 164.701 89.58315 11101 9.203 1.335 45.889 7.951 149.997 89.65016 11111 9.472 1.323 46.283 6.703 149.420 87.592

Tabela 5.6: Tabela de resultados comparativos entre agentes oniscientes (OMN) e agentesAAF-SfTf agrupados por foco quantitativo e por foco qualitativo - cenário 01.

Observando os dados mostrados na Tabela 5.6, percebe-se que o número de agen-tes mortos para os agentes AAF-SfTf, quando agrupados pelo foco quantitativo (L) sãoestatisticamente semelhantes ao resultado obtido pelos agentes oniscientes, embora os da-dos sejam numericamente inferiores. No caso do agrupamento por foco qualitativo (F),observa-se que nos grupos de 1 a 8 dos agentes AAF-SfTf os valores são estatisticamentemenores, ou seja, o número de mortos nas simulações com esses agentes é entre 10.00%e 18.86% menor que o número de mortos dos experimentos com agentes oniscientes.

Com relação ao aspecto tempo de simulação, tanto o agrupamento por foco quan-titativo (L) como por foco qualitativo (F) apresentam valores estatisticamente inferio-res ao apresentado pelas simulações com agentes oniscientes. Para o agrupamento por


foco quantitativo, os valores de tempo são menores num intervalo que vai de 21.44% até80.01%. Para o agrupamento por foco qualitativo, os valores de tempo são menores numintervalo que vai de 20.56% até 90.48

Com relação ao aspecto passos de simulação, o agrupamento por foco quantitativoapresenta todos os valores como estatisticamente inferiores aos apresentados pelas simu-lações com agentes oniscientes. Porém, para o agrupamento por foco qualitativo isso nãoacontece para os grupos 9,10, 13 e 14. Para esses casos, a quantidade de passos de simu-lação das simulações com agentes AAF-SfTf produziu valores que são estatisticamentesuperiores às simulações com agentes oniscientes.

Importante observar a mudança de comportamento que ocorre a partir do grupo 9. Natransição do grupo 8 para o 9 ocorre a mudança do bit 2 (aspecto Danger) de 0 para 1.No mapeamento entre as informações e os aspectos mencionado anteriormente, pode-severificar que o aspecto Danger está associado as informações de temperatura e fumaça.Conforme descrito na Seção 5.2, a temperatura e a fumaça se espalham da mesma formacircular que o fogo, porém com uma distância de 10 células da última célula que contémfogo. Isso faz com que a quantidade de células com informações relativas ao aspectoDanger cresça muito rapidamente, o que caracteriza uma crescente demanda por proces-samento. Além disso, como será discutido mais adiante (Seção 5.3.2), o aspecto Dangercolocado em 1 faz com que o agente adote uma postura muito mais conservadora, pro-curando caminhos com baixa temperatura e baixo nível de fumaça que obviamente serãocaminhos mais longos para a saída, consequentemente isso eleva o tempo e o número depassos de simulação como também o número de mortos.

Os Gráficos 5.5, 5.7 e 5.9 mostram a variação do número de mortos, número de passosde simulação e de tempo de simulação para todos os grupos de foco qualitativo conside-rados na Tabela 5.6, respectivamente.

A demanda por processamento também é evidenciada nos grupos 3,4, 7 e 8 da Ta-bela 5.6 quando se observa os valores do número de passos de simulação e do tempototal de simulação. Nesses casos, o fator de mudança é o bit 0 que é relacionado como aspecto Fatal. Esse aspecto, pelo mapeamento mostrado na seção anterior, refere-seas informações das células com fogo. Nesse cenário, tem-se três focos de incêndio si-multâneos e ainda com um deles se alastrando ao dobro da velocidade dos outros. Issorepresenta uma grande quantidade de informação já nos passos iniciais da simulação. Osresultado obtidos com o bit 0 com valor 1 (Fatal) são melhores que os obtidos com obit 2 (Danger), como pode ser observado comparando-se o grupo 3 (melhor resultadoem número de mortos) com o grupo 9 ou 14 (pior resultado em número de mortos). Aexplicação para o melhor comportamento do aspecto Danger está no fato que o agente setorna mais propenso a risco, pois ele só se preocupa com o fogo (que é o que realmentepode matá-lo) e usa caminhos mais curtos em busca da saída (vide Seção 5.3.2).

Comparando-se o agrupamento por foco quantitativo (L), mostrado nos Gráficos 5.6,5.8 e 5.10, com o por foco qualitativo (F), vê-se que o foco qualitativo é mais efetivo que ofoco quantitativo em fornecer melhores resultados, tanto para o número de mortos, comopara o número de passos e tempo da simulação. Pode-se observar que existe uma forte de-pendência entre o número de elementos cognitivos que compõem a percepção do agente(o valor de L) com o crescimento dos parâmetros: número de passos e tempo da simu-


Figura 5.5: N. agentes mortos em relação aofoco qualitativo - cenário 01.

Figura 5.6: N. agentes mortos em relação aofoco quantitativo - cenário 01.

Figura 5.7: Passos de simulação em relaçãoao foco qualitativo - cenário 01.

Figura 5.8: Passos de simulação em relaçãoao foco quantitativo - cenário 01.

Figura 5.9: Tempo de simulação em relaçãoao foco qualitativo - cenário 01.

Figura 5.10: Tempo de simulação em rela-ção ao foco quantitativo - cenário 01.

lação. O número de mortos se mantém praticamente estável e, como dito anteriormente,estatisticamente similar ao resultado das simulações com agentes oniscientes.

5.3.1.2 OMN versus AAF-SdTf

Considerando os arranjos dos testes definidos para o foco quantitativo (L) na Tabela5.3 e para o foco qualitativo (F) na Tabela 5.4, os resultados das simulações usando agen-


tes com foco qualitativo dinâmico e foco quantitativo fixo, AAF-SdTf, são comparadoscom os resultados obtidos das simulações com agentes oniscientes (OMN) na Tabela 5.7.


AAF-SdTf F L Davg Ddev Savg Sdev Tavg TdevAverage 9.291 1.284 46.513 5.286 134.928 77.921

Best Dead 10001 1750 7.917 1.382 50.500 3.819 229.864 25.431Best Time 10000 250 8.769 1.423 44.153 3.978 37.642 2.132

Worst Dead 11011 1000 10.062 1.248 45.500 4.242 153.538 10.828Worst Time 10110 1750 9.462 1.393 52.000 5.547 279.240 26.492

Tabela 5.7: Tabela de resultados comparrativos entre agentes oniscientes (OMN) e agentesAAFA com foco qualitativo dinâmico e foco temporal fixo (AAF-SdTf) - cenário 01.

Na Tabela 5.7 os resultados referentes ao número de agentes mortos são todos estatis-ticamente similares ao valor obtido nas simulações com agentes oniscientes com exceçãodo valor dos casos Worst Dead e Average que são apontados como estatisticamente supe-riores (o caso Average é numericamente inferior ao caso Worst Time, porem a relação doseu desvio padrão e a quantidade de experimentos leva à rejeição no teste de Hipótese.Esses dados podem ser verificados no apêndice B.1. Para o número de passos tem-sea correspondência entre os resultados estatísticos com os resultado numéricos, ou seja,todos os valores dos agentes AAF-SdTf são menores que os obtidos pelos agentes onis-cientes com exceção do caso Worst Time. O mesmo acontece com o valor do tempo desimulação, onde os casos Best Dead e Worst Time são numericamente e estatisticamentesuperiores aos resultados OMN.

Novamente, considerando que o fator morte dos agentes seja o fator de comparaçãoprincipal, pode-se verificar que o caso “Best Dead” dos agentes AAF-SdTf apresenta va-lores do número de agentes mortos e do número de passos de simulação que são menoresdo que os apresentados pelos agentes OMN, 8.65% e 2.42% respectivamente. Com re-lação ao número de passos de simulação desse mesmo caso, o valor é 9.28% superiorao obtido com os agentes oniscientes. Esses dados não se apresentam tão bons quanto osconseguidos para o caso “Best Dead” para as simulações com agentes AAF-SfTf. Mesmoassim, se for considerado o caso Best Time, veremos que o número de mortos é estatis-ticamente igual ao dos agentes oniscientes, porém o número de passos de simulação é14.68% menor e o tempo de simulação é 82.10% menor, o que é um resultado bastantepromissor.

Além da média geral de todos os resultados e as melhores e piores configurações in-dividualmente, na Tabela 5.8 podem ser visualizados os resultados considerando todos osexperimentos agrupados com relação ao foco quantitativo (L), e de todos os experimentosagrupados com relação ao foco qualitativo (F).

Na Tabela 5.8, percebe-se que o número de agentes mortos para os agentes AAF-SdTfquando agrupados pelo foco quantitativo (L) são estatisticamente superiores ao resultadoobtido pelos agentes oniscientes, com exceção do grupo 4 que foi estatisticamente similarao resultado do OMN. No caso do agrupamento por foco qualitativo (F), observa-se que



AAF-SdTf L Davg Ddev Savg Sdev Tavg Tdev1 250 9.337 1.313 44.750 5.183 47.832 5.3132 750 9.324 1.224 44.496 4.617 103.600 16.7093 1000 9.357 1.270 46.244 4.187 139.497 22.4864 1750 9.147 1.357 50.563 4.865 248.781 43.040


10 10110 9.498 1.241 48.667 5.464 149.966 87.70211 10101 9.676 1.265 44.785 4.659 145.686 85.73212 10111 9.674 1.257 44.844 4.710 146.821 87.02213 11100 9.795 1.197 47.787 5.475 149.308 85.16514 11110 9.613 1.234 47.983 5.786 148.731 84.88115 11101 9.623 1.316 46.370 6.061 148.081 87.48916 11111 9.650 1.206 46.016 4.779 147.010 84.173

Tabela 5.8: Tabela de resultados comparativos entre agentes oniscientes (OMN) e agentesAAF-SdTf agrupados por foco quantitativo e por foco qualitativo - cenário 01.

nos grupos de 1 a 8 dos agentes AAF-SdTf os valores são estatisticamente similares,porém do grupo 9 ao 16 os valores são estatisticamente superiores ao resultado do OMN.

Com relação ao aspecto número de passos de simulação, o agrupamento por focoquantitativo (L) e o agrupamento por por foco qualitativo (F) apresentam, em todos oscasos, valores estatisticamente inferiores aos apresentados pelas simulações com agentesoniscientes.

Com relação ao aspecto tempo de simulação, o agrupamento por foco quantitativo (L)apresenta valores estatisticamente inferiores ao apresentado pelas simulações com agentesoniscientes, com exceção do grupo 4 (L = 1750) onde o valor do tempo foi 18.27% maiorque o tempo médio das simulações com agentes oniscientes. Para o agrupamento por focoqualitativo (F), os valores de tempo são todos estatisticamente e numericamente inferioresao valor do OMN.

Ainda na Tabela 5.8 também se verifica um comportamento similar ao apresentadopelos agentes AAF-SfTf (Tabela 5.6) na transição do grupo 8 para o 9 no agrupamentopor foco qualitativo. Nessa transição ocorre a mudança do bit 2 (aspecto Danger) de 0para 1. Esse comportamento porém, se apresenta muito mais suave com os agentes AAF-


SdTf do que com os agentes AAF-SfTf. Isso pode ser visto pelos Gráficos 5.11, 5.13 e5.15.

Interessante perceber os resultado no agrupamento por foco qualitativo (F) relativo aofoco F = 11000 que corresponde aos aspectos Exit e Agents com seus respectivos LoIcolocados em 1. O conhecimento do movimento dos outros agentes logo no início dasimulação fez com que a resposta dos agentes fosse positiva tanto com relação ao númerode mortos como também em relação ao tempo de simulação.

Figura 5.11: N. agentes mortos em relaçãoao foco qualitativo - cenário 01.

Figura 5.12: N. agentes mortos em relaçãoao foco quantitativo - cenário 01.

Figura 5.13: Passos de simulação em rela-ção ao foco qualitativo - cenário 01.

Figura 5.14: Passos de simulação em rela-ção ao foco quantitativo - cenário 01.

Figura 5.15: Tempo de simulação em rela-ção ao foco qualitativo - cenário 01.



No agrupamento por foco quantitativo (L) da Tabela 5.8, o comportamento do númerode mortos, número de passos de simulação e tempo de simulação em função do valor deL é muito similar ao encontrado nos agentes AAF-SfTf. Isso pode ser verificado nosGráficos 5.12, 5.14 e 5.16.

5.3.1.3 OMN versus AAF-SdTd

Considerando os mesmos arranjos dos testes SfTf e SdTf para o foco quantitativo (L)e para o foco qualitativo (F), a Tabela 5.9 mostra os resultados obtidos com as simula-ções usando agentes AAF-SdTd. Estes agentes apresentam o foco qualitativo e o focoquantitativo dinâmicos.


AAF-SdTd F L Davg Ddev Savg Sdev Tavg TdevAverage 9.253 1.283 45.868 5.504 123.156 71.111

Best Time 11000 250 8.783 1.531 41.130 4.675 35.917 3.820Best Dead 10000 1000 8.318 1.662 45.500 4.367 82.731 14.538Worst Time 11100 1750 9.583 1.824 52.375 5.707 255.274 23.892Worst Dead 10100 1000 9.957 1.732 43.391 3.461 135.811 10.128

Tabela 5.9: Tabela de resultados comparrativos entre agentes oniscientes (OMN) e agentesAAFA com foco qualitativo dinâmico e foco quantitativo dinâmico (AAF-SdTd) - cenário01.

Observando a Tabela 5.9, no tocante ao número de agentes mortos, os valores dos ca-sos Average e Worst Dead são estatisticamente superiores ao valor médio obtido com assimulações com agentes oniscientes (OMN). Já os demais casos apresentam valores esta-tisticamente similares aos valores do OMN. Para o número de passos de simulação e parao tempo todos os casos apresentam valores estatisticamente e numericamente inferioresaos valores do OMN, a menos do caso Worst Time cujos valores são superiores em 1.21%e 21.36% respectivamente.

No caso Average o número de mortos teve um acréscimo em 6.76%, porém apresentouuma redução no número de passos e no tempo de 11.37% e 41.45%. No melhor caso donúmero de mortos (caso Best Dead), tem-se uma redução de 4.02% no número de mortose redução de 12.08% e 60.67% para o número de passos e tempo da simulação respecti-vamente. Para o caso que apresentou o melhor tempo (Best Time), o número de mortossubiu apenas 1.34% e o número de passos e o tempo diminuiu em 20.52% e 82.93%.Observando esses números é possível obter ótimas reduções no tempo de simulação e nonúmero de passos, sem significativa alteração no número de agentes mortos.

Na Tabela 5.10 são apresentados, como nos casos anteriores, os resultados das simula-ções com os agentes AAF-SdTd agrupados por foco quantitativo (L) e por foco qualitativo(F).

Observando a Tabela 5.10 vê-se que para o número de mortos nos experimentos agru-pados por foco quantitativo, todos os valores são estatisticamente similares ao valor ob-tido no OMN. A exceção ocorre no caso L = 750 onde o valor é estatisticamente superior.



AAF-SdTd L Davg Ddev Savg Sdev Tavg Tdev1 250 9.217 1.265 43.782 4.685 44.730 5.0612 750 9.282 1.183 44.145 4.648 95.098 14.3603 1000 9.260 1.337 44.927 4.273 124.722 19.9984 1750 9.251 1.377 50.620 5.463 228.075 39.851


10 10110 9.464 1.247 47.694 5.648 135.978 79.23211 10101 9.743 1.162 44.595 5.286 131.418 78.38812 10111 9.599 1.323 44.991 5.590 133.513 79.54813 11100 9.701 1.219 48.515 6.312 136.090 77.74214 11110 9.648 1.350 47.128 5.196 136.586 79.77115 11101 9.639 1.379 45.057 4.981 133.457 77.42916 11111 9.395 1.234 45.004 5.548 133.546 78.427

Tabela 5.10: Tabela de resultados comparativos entre agentes oniscientes (OMN) e agen-tes AAF-SdTd agrupados por foco quantitativo e por foco qualitativo - cenário 01.

Para o agrupamento por foco qualitativo, todos os valores do número de mortos dos gru-pos de 1 a 8 são estatisticamente similares ao valor obtido no OMN, mas os valores dosgrupos de 9 a 16 são estatisticamente superiores. Repete-se aqui o mesmo comporta-mento já observado anteriormente, quando existe a transição do bit 2 (aspecto Danger)de 0 para 1. Como visto no caso AAF-SdTf, o comportamento é mais suave que o en-contrado nos agentes AAF-SfTf. Isso pode ser verificado no gráfico 5.17. Considerandoo agrupamento por foco quantitativo, observa-se que o comportamento é muito similarao apresentado para os agentes AAF-SfTf e AAF-SdTf e pode ser visualizado no gráfico5.18.

Com respeito ao número de passos de simulação, todos os valores apresentados, tantopelo agrupamento por foco quantitativo como por foco qualitativo, são numericamente eestatisticamente inferiores ao valor de OMN. A maior redução foi alcançada no grupo 5(F = 11000) onde o valor foi 16.50% inferior. A menor redução encontra-se no grupo4 (L = 1750) onde a redução alcançada foi de 2.18%. O gráfico 5.19 mostra o resultadoda variação desse parâmetro no agrupamento por foco qualitativo. O gráfico 5.20 mostra,por sua vez, a variação do parâmetro número de passos de simualção no agrupamento por


Figura 5.17: N. de agentes mortos em rela-ção ao foco qualitativo - cenário 01.

Figura 5.18: N. de agentes mortos em rela-ção ao foco quantitativo - cenário 01.





foco quantitativo. Esse último bastante similar ao comportamento obtido para os agentesAAF-SfTf e AAF-SdTf.

Para o tempo de simulação, somente o grupo 4 (L = 1750) apresentou um aumentoem relação ao valor OMN. Esse aumento foi de 8.43%. Para todos os demais casos, osvalores foram numericamente e estatisticamente inferiores ao valor do tempo em OMN.A redução variou de 78.74% (grupo 1, L = 250) até 34.93% (grupo 9, F = 10100). Ográfico 5.21 mostra o resultado para o agrupamento por foco qualitativo e o gráfico 5.22


para o agrupamento por foco quantitativo.

5.3.1.4 OMN versus AAF-SfTd

Considerando os mesmos arranjos dos testes anteriores para o foco quantitativo (L) epara o foco qualitativo (F), a Tabela 5.11 mostra os resultados obtidos com as simulaçõesusando agentes AAF-SfTd. Estes agentes apresentam o foco qualitativo fixo e o focoquantitativo dinâmico.


AAF-SfTd F L Davg Ddev Savg Sdev Tavg TdevAverage 8.445 1.774 46.105 8.998 88.398 73.662


Tabela 5.11: Tabela de resultados comparativos entre agentes oniscientes (OMN) e agen-tes AAFA com foco qualitativo fixo e foco quantitativo dinâmico (AAF-SfTd) - cenário01.

Na Tabela 5.11, os casos Average e Best Time são estatisticamente similares ao resul-tado OMN com relação ao número de mortos, embora seja numericamente inferiores. Ocaso Worse Time, mesmo sendo numericamente superior, ainda é estatisticamente similarao número de mortos do OMN. O caso Worst Dead é numericamente e estatisticamentesuperior ao OMN, porém o caso Best Dead apresenta-se estatisticamente inferior e comuma redução numérica de 32.31%, o que o torna o melhor resultado para esse parâmetrode todos os testes realizados no cenário 01. Em segundo lugar, aparece o resultado obtidocom os agentes AAF-SfTf com 31.59% de redução.

Com relação ao número de passos todos os casos são estatisticamente inferiores comexceção de Worst Time e Worst Dead que são numericamente e estatisticamente superioresem 19.00% e 4.05% respectivamente.

Com relação ao tempo de simulação, todos os casos são estatisticamente e numeri-camente inferiores com exceção do caso Worst Time que é 28.70% superior ao tempo doOMN.

Na Tabela 5.12 são apresentados, como nos casos anteriores, os resultados das simula-ções com os agentes AAF-SdTd agrupados por foco quantitativo (L) e por foco qualitativo(F).

Observando a Tabela 5.12 vê-se que para o número de mortos nos experimentos agru-pados por foco quantitativo, todos os valores são estatisticamente similares ao valor ob-tido no OMN. Para o agrupamento por foco qualitativo, todos os valores do número demortos dos grupos de 1 a 8 são estatisticamente inferiores ao valor obtido no OMN, e os



AAF-SfTd L Davg Ddev Savg Sdev Tavg Tdev1 250 8.325 1.893 45.056 9.287 40.436 14.0892 750 8.334 1.772 46.152 8.670 72.763 38.9113 1000 8.600 1.738 46.085 8.400 91.404 54.6144 1750 8.522 1.728 47.127 9.671 148.989 107.608


10 10110 9.583 1.346 58.168 8.681 150.484 81.02011 10101 9.393 1.354 46.572 5.963 132.109 77.97212 10111 9.681 1.188 46.719 6.598 133.544 79.42313 11100 9.588 1.411 55.656 7.736 146.953 78.21814 11110 9.873 1.387 56.288 7.163 148.491 77.92815 11101 9.094 1.543 48.847 6.801 133.269 79.26616 11111 9.718 1.366 47.353 8.336 131.721 47.138

Tabela 5.12: Tabela de resultados comparativos entre agentes oniscientes (OMN) e agen-tes AAF-SfTd agrupados por foco quantitativo e por foco qualitativo - cenário 01.

valores dos grupos de 9 a 16 são estatisticamente superiores. Repete-se aqui o mesmocomportamento já observado quando existe a transição do bit 2 (aspecto Danger) de 0para 1. O comportamento se aproxima muito do encontrado nas simulações com agentesAAF-SfTf. Isso pode ser verificado no gráfico 5.23. Interessante perceber que, quandoo bit 0 (aspecto Fatal) é colocado em 1 juntamente com o bit 2, o resultado melhora emtodos os parâmetros medidos. Isso acontece porque os dois aspectos trabalham de formacomplementar. Essa complementaridade também pode ser notada para as simulações comagentes AAF-SfTf.

Considerando o agrupamento por foco quantitativo, observa-se que o comportamentopara o número de mortos também é muito similar ao apresentado para os agentes AAF-SfTf, podendo ser visualizado no gráfico 5.24.

Com respeito ao número de passos de simulação, todos os valores apresentados noagrupamento por foco quantitativo são numericamente e estatisticamente inferiores aovalor de OMN e a maior redução foi encontrada para o grupo L = 250 onde a redução foide 12.94%. No agrupamento por foco qualitativo, a maioria dos valores são numerica-mente e estatisticamente inferiores ao valor OMN, sendo a maior redução encontrada no








caso F = 10000 cujo valor foi de 27.38%. Para os casos apresentados nos grupos 9,10,13e 14 o número de passos de simulação foram númericamente superiores em até 12.40%.Interessante notar que estes grupos referem-se ao foco qualitativo onde o bit 2 (aspectoDanger) aparece com o valor 1 e o bit 0 (aspecto Fatal) aparece com o valor 0. Ou seja,são os casos onde o aspecto Danger opera sem a complementaridade do aspecto Fatal.O gráfico 5.25 mostra o resultado da variação desse parâmetro no agrupamento por focoqualitativo. O gráfico 5.26 mostra, por sua vez, a variação do parâmetro número de pas-


sos de simulação no agrupamento por foco quantitativo. Esse último bastante similar aocomportamento obtido para os agentes AAF-SfTf.

Para o tempo de simulação, todos os casos apresentaram valores numericamente eestatisticamente inferiores ao valor do tempo em OMN. Para o agrupamento por focoquantitativo a maior redução foi encontrada no caso L = 250 com um valor inferior em80.78%. No agrupamento por foco qualitativo a maior redução foi no caso F = 10000 comum valor 89.89% inferior ao valor de tempo do OMN. O gráfico 5.27 mostra o resultadopara o agrupamento por foco qualitativo e o gráfico 5.28 para o agrupamento por focoquantitativo.

5.3.1.5 Comparativo Geral Cenário de Testes 01

Com o intuito de compararmos os quatro diferentes experimentos em relação às simu-lações efetuadas com agentes oniscientes (OMN) foram usados como base: os resultadosmédios e os melhores resultados com relação ao número de mortos e ao tempo de simula-ção, já que esses últimos são os parâmetros mais representativos com relação à eficiênciada arquitetura proposta.

Para cada caso, os gráficos mostram a comparação de todos os parâmetros de cadacaso escolhido. Ou seja, para um caso de melhor número de mortos de um conjunto deexperimentos, serão comparados o número de mortos, o número de passos e o tempo desimulação do referido caso.

Para finalizar a avaliação dos resultados no cenário de teste 01, são mostrados gráficoscomparativos de todos os parâmetros de medição de todos os experimentos agrupados orfoco quantitativo e por foco qualitativo.

Melhores casos em Número de Mortos para o cenário 01A Tabela 5.13 mostra os melhores resultados com relação ao número de mortos de

todos os experimentos realizados no cenário de teste 01. Na Tabela, Davg representa onúmero médio de mortos, Savg o número médio de passos de simulação e Tavg o tempomédio de simulação. Todos as indicações dev se referem ao desvio padrão dos valoresmédios apresentados nas colunas à esquerda.

Davg Ddev Savg Sdev Tavg TdevOMN 8.667 1.546 51.750 9.288 210.349 26.469SfTf 5.929 1.580 40.071 4.605 36.095 3.972SdTf 7.917 1.382 50.500 3.819 229.864 25.431SdTd 8.318 1.662 45.500 4.367 82.731 14.538SfTd 5.867 1.408 38.400 4.079 33.555 3.527

↓32.31% ↓8.91% ↓25.80% ↓56.08% ↓84.05% ↓86.67%

Tabela 5.13: Melhores resultados em relação ao número de mortos no cenário de teste 01.

Nos Gráficos 5.29, 5.30 e 5.31, pode-se observar que o comportamento dos agentesSfTf e SfTd são muito próximos e que os agentes que trabalharam com o foco qualitativo


dinâmico obtiveram resultados piores que os que usaram o foco qualitativo fixo. Cabemaqui duas observações:

1. O cenário de teste 01 é muito dinâmico, em especial se for consideradoo fato de que um dos focos de incêndio se propaga a uma velocidademaior que os outros dois. Dessa forma o processo de alterar o foco deatenção não consegue ser rápido o suficiente para permitir uma adequa-ção apropriada.

2. Os Meta_Info Operators foram calibrados no cenário de teste 02. Umprocesso de calibração desses operadores específica para esse cenáriopoderia aumentar a velocidade do processo de cálculo dos novos valoresdos LoI o que traria, com certeza, melhores resultados. Como o objetivodo presente trabalho foi comparar o desempenho dos mesmos agentesem diferentes cenários, o processo de calibração não foi realizado.

Vale a pena observar a grande redução obtida no fator tempo, principalmente consi-derando que isso foi obtido conjuntamente com uma redução no número de mortos, nosexperimentos com agentes AAF-SfTf e AAF-SfTd. O melhor resultado foi obtido pelosagentes AAF-SfTd, onde a redução de tempo foi da ordem de 84.05%, associada a umaredução no número de mortos da ordem de 32.31%.

Um outra observação a ser feita sobre a Tabela 5.13, é sobre os valores dos desviospadrão para os agentes que usam a arquitetura proposta. Em todos os casos vê-se umaredução no valor do desvio em relação ao desvio padrão das simulações que usam agentesOMN. Em alguns casos, como no desvio padrão do tempo de simulação para agentesSfTd, a redução observada é significativamente alta: 86.67%. Essas reduções evidenciamque o processo de simulação utilizando agentes AAFA é mais estável do que o processousando agentes OMN.

Melhores casos em Tempo de Simulação para o cenário 01A Tabela 5.14 mostra os melhores resultados com relação ao tempo de simulação

considerando todos os experimentos realizados no cenário de teste 01.

Davg Ddev Savg Sdev Tavg TdevOMN 8.667 1.546 51.750 9.288 210.349 26.469SfTf 7.643 1.172 36.071 4.697 19.800 1.930

↓11.81% ↓24.20% ↓30.30% ↓49.43% ↓90.59% ↓92.71%SdTf 8.769 1.423 44.154 3.978 37.642 2.132SdTd 8.783 1.531 41.130 4.675 35.917 3.820SfTd 7.643 1.493 37.071 4.234 20.932 1.939

Tabela 5.14: Melhores resultados em relação ao tempo de simulação no cenário de teste01.

Nos Gráficos 5.32, 5.33 e 5.34, também pode-se observar que o comportamento dosagentes SfTf e SfTd são muito próximos e que os agentes que trabalharam com o foco


qualitativo dinâmico obtiveram resultados piores que os que usaram o foco qualitativofixo. Como esses casos representam os melhores tempos de simulação, pode-se observarque as simulações usando agentes com foco qualitativo dinâmico obtiveram um resul-tado numericamente superior em relação à quantidade de mortos que as simulações comagentes OMN. Apesar de ser considerado estatisticamente similar ao resultado OMN, aquanitdade de mortos das simulações com agentes SdTd foi 1.34% superior.

O melhor resultado na Tabela 5.14 se refere aos agentes AAF-SfTf que conseguiramuma redução de 11.81% no número de mortos, 30.36% no números de passos da simula-ção e de 90.59% no tempo da simulação.

Na Tabela 5.14 também se observa a mesma característica da tabela anterior, comrelação aos valores dos desvios padrão para os agentes que usam a arquitetura proposta.Em todos os casos vê-se uma redução no valor do desvio em relação ao desvio padrão dassimulações que usam agentes OMN. Em alguns casos, como no desvio padrão do tempode simulação para agentes SfTf, a redução observada é significativamente alta: 92.71%.

Valor Médio (Average) para o cenário 01A Tabela 5.15 mostra as médias de todos os experimentos realizados no cenário de

teste 01 separados por tipo de agente.

Davg Savg TavgOMN 8.667 51.750 210.349SfTf 8.443 45.984 97.494

↓2.58% ↓11.14% ↓53.65%SdTf 9.291 46.513 134.927SdTd 9.253 45.868 123.156SfTd 8.445 46.105 88.398

Tabela 5.15: Média dos resultados de todos os experimentos no cenário de teste 01.

Considerando a média de todos os experimentos realizados, verifica-se novamente apredominância, com uma boa vantagem, dos agentes SfTf e SfTd sobre os demais. No-vamente, o melhor resultado, considerando o número de agentes mortos, foi obtido nassimulações com os agentes SfTf que, na média, obtiveram reduções de 2.58%, 11.14%e 53.65% para número de mortos, passos de simulação e tempo de simulação respecti-vamente. Os resultados são muito próximos aos obtidos pelos agentes SfTd que conse-guiram reduções, na média, de 2.56%, 10.91% e 57.98% para os mesmos parâmetros demedição. Esses resultados podem ser visualizados nos Gráficos 5.35, 5.36 e 5.37


Figura 5.29: Comparativo do n. de mortos nos casos de melhorquantidade de mortos - cenário 01.

Figura 5.30: Comparativo do n. de passos nos casos de melhorquantidade de mortos - cenário 01.

Figura 5.31: Comparativo do tempo nos casos de melhor quanti-dade de mortos - cenário 01.


Figura 5.32: Comparativo do n. de mortos nos casos de melhortempo de simulação - cenário 01.

Figura 5.33: Comparativo do n. de passos nos casos de melhortempo de simulação - cenário 01.

Figura 5.34: Comparativo do tempo nos casos de melhor tempo desimulação - cenário 01.


Figura 5.35: Comparativo do n. de mortos com a média geral dosexperimentos - cenário 01.

Figura 5.36: Comparativo do n. de passos com a média geral dosexperimentos - cenário 01.

Figura 5.37: Comparativo do tempo com a média geral dos experi-mentos - cenário 01.


Experimentos Agrupados por Foco Quantitativo e Foco Qualitativo para o cenário01

Congregando os dados de todos os experimentos, agrupando-os por foco quantitativo epor foco qualitativo e colocando-os no mesmo gráfico é possível verificar mais facilmenteas semelhanças comportamentais já mencionadas anteriormente.

Os Gráficos 5.38, 5.40 e 5.42 são relativos aos agrupamentos por foco qualitativo. OsGráficos 5.39, 5.41 e 5.43 são relativos aos agrupamentos por foco quantitativo.

Analisando os gráficos é possível verificar que os comportamentos dos agentes sãoditados pelo foco qualitativo, pois os pontos dos que usam o foco qualitativo fixo são bas-tante similares (SfTf com SfTd) e o mesmo acontece com os que usam o foco qualitativodinâmico (SdTd com SdTf).

No gráfico 5.38 pode-se verificar que os agentes de foco qualitativo fixo conseguemuma boa redução no número de mortos desde que o foco relativo ao aspecto Danger (bit2) não seja ativado. Além disso, vê-se que o aspecto Fatal (bit 0) é importante como fatorde redução do número de mortes quando opera sozinho (primeira metade do gráfico), eque ajuda a melhorar os resultados quando trabalha em conjunto com o aspecto Danger(segunda metade do gráfico). No gráfico 5.39, pode-se verificar que o tamanho da lista deelementos cognitivos percebidos não parece ser uma forte influência nos resultados e queo foco qualitativo é o fator determinante.

Nos Gráficos 5.40 e 5.41 tem-se o parâmetro número de passos de simulação emrelação ao foco qualitativo e ao foco quantitativo respectivamente. No primeiro pode-se observar que a influência dos aspectos Danger (bit 2) e Fatal (bit 0) se repete. Nosegundo pode-se observar a que o foco quantitativo é um fator decisivo em relação aonúmero de passos. Esse comportamento já era esperado pois, quanto maior o valor do L,maior a quantidade de informação a ser processada, o que corresponde a simulações maislongas.

Nos Gráficos 5.42 e 5.43 tem-se o parâmetro tempo de simulação em relação ao focoqualitativo e ao foco quantitativo respectivamente. No primeiro, a forma do gráfico remeteà apresentada no gráfico do número de mortos (gráfico 5.38) com um deslocamento parabaixo. Pode-se ver que, para todos os focos espaciais, a redução no tempo de simulaçãoé significativa e, novamente a relação entre os aspectos Danger (bit 2) e Fatal (bit 0) édeterminante nos resultados. Vale ressaltar que os focos espaciais com mais bits ativa-dos (colocados em 1) configuram uma maior quantidade de informação a ser processada,sendo o limite estabelecido pelo foco quantitativo. Observando-se o segundo gráfico, vê-se a influência direta do foco quantitativo sobre o tempo de simulação. Dessa forma, umfoco qualitativo completo (F = 11111) trabalhando com um foco quantitativo máximo(L = 1750 para este caso) produzirá os maiores tempos de simulação.


Figura 5.38: Comparativo do n. de mortospor foco qualitativo - cenário 01.

Figura 5.39: Comparativo do n. de mortosnos por foco quantitativo - cenário 01.

Figura 5.40: Comparativo do n. de passospor foco qualitativo - cenário 01.

Figura 5.41: Comparativo do n. de passospor foco quantitativo - cenário 01.

Figura 5.42: Comparativo do tempo porfoco qualitativo - cenário 01.

Figura 5.43: Comparativo do tempo porfoco quantitativo - cenário 01.

5.3.2 Cenário de Teste 025.3.2.1 OMN versus AAF-SfTf

Do mesmo modo que foi feito com o cenário de teste 01, todos os possíveis cenáriosforam usados em simulações com agentes oniscientes (OMN). Esses resultados foram abase comparativa utilizada para todos os demais testes.


A partir dos resultados obtidos com o cenário 01, pode-se verificar que o foco quali-tativo era o determinante em relação à eficiência da arquitetura proposta. Desse modo, nocenário de teste 02 foram executados um conjunto de testes principais utilizando agentesAAFA do tipo SfTf e SdTf e, em seguida, um conjunto de testes mais específicos paraavaliação geral do comportamento dos agentes nesse cenário. Visando obter mais infor-mações a respeito da influência do foco quantitativo a configuração básica foi aumentadapara um maior número de valores (Tabela 5.16).Com relação ao foco qualitativo foramusados os mesmos valores que o experimento anterior e que podem ser encontrados naTabela 5.4.

Conforme mencionado anteriormente na descrição dos cenários de teste (vide Seção5.2), este cenário teve os agentes distribuídos de forma aleatória na parte inferior direitado cenário. Assim todos os agentes são posicionados de forma a ter que passar pelo focode incêndio, para poder ter acesso à saída.


100012501500175020002250

Tabela 5.16: Foco quantitativo usado nos testes com o cenário 02.

Do mesmo modo que a descrição utilizada nos experimentos executados no cenárioanterior, a Tabela 5.17 mostra os resultados obtidos pelos agentes oniscientes (OMN) ealguns conjuntos específicos de resultados dos agentes AAF-SfTf. A nomenclatura usadanessa tabela segue o mesmo padrão utilizado nos experimentos realizados no cenárioanterior.

OMN F L Davg Ddev Savg Sdev Tavg TdevAll 0 0 75.867 4.137 718.470 62.002

AAF-SfTf F L Davg Ddev Savg Sdev Tavg TdevAverage 2.937 3.392 66.928 14.466 288.570 270.049


Tabela 5.17: Tabela de resultados comparativos entre agentes oniscientes (OMN) e agen-tes AAFA com foco qualitativo e quantitativo fixo (AAF-SfTf) - cenário 02.

Observando a Tabela 5.17 percebe-se que existem resultados bastante diversos. Pelo


valor do caso Average pode-se pensar em uma certa quantidade de resultados extremos,alguns muito bons como os casos Best Dead e Worst Time e casos muito ruins como oWorst Dead. Para os casos bons, o número de mortos é o mesmo conseguindo pelosagentes OMN, com número de passos estatisticamente e numericamente superior ao casoOMN, em 3.60% para o Best Dead e 3.47% para o Worst Time. O primeiro apresentaum tempo de simulação 78.77% inferior ao tempo dos agentes OMN, mas o segundoapresenta um tempo 16.96% superior. É importante observar que este último resultadorefere-se ao pior tempo de todos os experimentos com agentes AAF-SfTf. Os experimen-tos em questão foram configurados com o maior tamanho de foco quantitativo usado nostestes, L = 2250, e com um foco qualitativo quase completo, F = 11110.

Ainda se referindo ao tempo de simulação, outra interessante observação a ser feita naTabela 5.17, são os valores do desvio padrão do parâmetro tempo total de simulação. Emtodos os casos, com exceção do Average, houve uma redução nos valores, significandoque o processo de simulação com agentes AAFA é mais estável em relação ao tempo doque as simulações usando agentes OMN. No melhor caso, Best Time, essa redução chegoua 94.49%.

Na Tabela 5.18 são apresentados, como nos casos anteriores, os resultados das simula-ções com os agentes AAF-SfTf agrupados por foco quantitativo (L) e por foco qualitativo(F).

Analisando a Tabela 5.18 vê-se que os melhores resultados estão nos casos de 9 a 16do agrupamento por foco qualitativo, onde o bit 2 do aspecto Danger esta ativado. Nota-se que a ativação do bit 0 do aspecto Fatal promove uma piora no resultado de númerode mortos, porém consegue uma pequena melhora no tempo de simulação. Novamente,o foco qualitativo é determinante na obtenção de bons resultados para agentes que usama arquitetura proposta. Os valores dos casos de 9 a 16 se apresentam estatisticamentesimilares (casos 9, 11, 12, 14,15 e 16) ao resultado OMN ou numericamente idênticos(casos 10 e 13).

Os Gráficos 5.44, 5.46 e 5.48 mostram o comportamento dos parâmetros de medi-ção em função do foco qualitativo. Importante observar a influência do bit 0 (Fatal) naprimeira metade do gráfico do número de mortos e a influencia do bit 2 (Danger) na se-gunda metade desse gráfico. Os gráficos do número de passos e do tempo de simulaçãomostram-se similares aos apresentados no cenário de testes 01 para os agentes SfTf (videGráficos 5.7 e 5.9).

Com relação ao agrupamento pelo foco quantitativo mostrado nos Gráficos 5.45, 5.47e 5.49, pode-se observar a dependência direta dos parâmetros de avaliação como o cres-cimento do foco quantitativo. Também é possível ver que somente o foco quantitativonão é suficiente para diminuir o número de mortos para um valor no mesmo patamar doresultado obtido pelos agentes OMN. O valor L = 750 é um limiar de estabilização parao número de mortos e para o número de passos de simulação para esse cenário de teste.

5.3.2.2 OMN versus AAF-SdTf

A Tabela 5.19 mostra as médias dos conjuntos de experimentos que representam osmelhores e os piores resultados das simulações com agentes AAFA-SdTf, a média geral


OMN Davg Ddev Savg Sdev Tavg Tdev0 0 75.86667 4.13710 718.46957 62.00196

AAF-SfTf L Davg Ddev Savg Sdev Tavg Tdev1 250 5.806 4.473 76.851 18.996 108.788 50.4782 500 3.286 2.845 66.920 15.275 156.614 95.5753 750 2.538 3.137 65.647 13.332 208.462 144.2044 1000 2.466 3.121 65.447 13.069 255.916 190.6335 1250 2.478 3.127 65.466 13.175 298.456 233.5106 1500 2.444 3.060 65.563 13.160 336.997 271.8887 1750 2.488 3.093 65.541 13.041 376.539 311.4498 2000 2.444 3.071 65.572 13.141 411.443 347.4139 2250 2.488 3.107 65.347 13.106 443.913 380.645


10 10110 0.000 0.000 78.083 3.058 506.377 219.43211 10101 1.638 3.787 80.927 8.394 516.347 225.09212 10111 1.628 3.704 81.528 9.122 509.256 215.73213 11100 0.000 0.000 78.233 3.406 495.786 213.08714 11110 0.006 0.063 78.011 3.413 512.692 229.80715 11101 1.694 3.852 81.400 8.363 508.501 222.91016 11111 1.651 3.769 81.346 8.368 509.689 220.876

Tabela 5.18: Tabela de resultados comparativos entre agentes oniscientes (OMN) e agen-tes AAF-SfTf agrupados por foco quantitativo e por foco qualitativo - cenário 02.

de todos os experimentos realizados com agentes AAFA-SdTf independente das configu-rações do foco qualitativo e quantitativo, juntamente com a média dos resultados obtidodas simulação com agentes oniscientes (OMN).

Observando a Tabela 5.19 vê-se que o caso Average, apesar de ser numericamentesuperior ao resultado OMN para o número de mortos, é considerado estatisticamentesimilar. Na média de todos os experimentos SdTf no cenário 02, o número de passosfoi estatisticamente superior ao caso OMN (2.14% superior), porém a média do tempofoi estatisticamente inferior (30.51% inferior). Para os casos Best Dead e Worst Time osvalores obtidos para o número de mortos foram idênticos ao obtido no caso OMN. Parao primeiro caso, tem-se uma redução no número de passos de 8.39% e de 79.85% para otempo de simulação. Para o segundo caso, tem-se um aumento de 2.75% no número de








passos e de 59.41% no tempo de simulação. Ou seja, no caso Worst Time, que representao pior tempo de todos os conjuntos de simulações realizado, apenas o número de mortosalcançou o objetivo de se igualar ao resultado OMN.

A Tabela 5.20 mostra os resultados dos experimentos utilizando agentes AFA-SdTf,


OMN F L Davg Ddev Savg Sdev Tavg TdevAll 0 0 75.867 4.137 718.470 62.002

AAF-SdTf F L Davg Ddev Savg Sdev Tavg TdevAverage 0.303 0.967 77.491 4.471 499.283 229.195


Tabela 5.19: Tabela de resultados comparativos entre agentes oniscientes (OMN) e agen-tes AAFA com foco qualitativo dinâmico e quantitativo fixo (AAF-SdTf) - cenário 02.

realizados no cenário de teste 02, agrupados por foco quantitativo (L) e por foco qualita-tivo (F).

Com relação ao agrupamento por foco qualitativo (F) da Tabela 5.20, todos os valo-res são estatisticamente similares ao valor OMN, com exceção dos casos F = 10000 eF = 11000. Para o aspecto número de passos de simulação, todos os casos foram estatis-ticamente superiores, embora, numericamente, as diferenças ficaram situadas no intervaloentre 2.00% e 3.75%. A exceção foi o caso F = 10000, que apresentou um valor estatis-ticamente e numericamente inferior ao valor OMN em 3.16%. Com relação ao tempo desimulação, todos os casos foram estatisticamente e numericamente inferiores ao resultadoOMN em um intervalo entre 20.74% e 59.75%.

Os Gráficos 5.50, 5.52 e 5.54 mostram os parâmetros de medição em função do focoqualitativo (F) usado nos experimentos. Com relação ao número de mortos, vê-se que ofoco qualitativo dinâmico conseguiu se adequar com a rapidez necessária para manter onúmero idêntico ao valor OMN. Com relação ao número de passos e ao tempo de simula-ção, o comportamento não é tão bom, pois o foco qualitativo tende a ficar mais completo(mais aspectos assumem valores diferentes de zero), à medida em que a situação de es-tresse do agente aumenta. Como esse comportamento do foco implica em um maior custocomputacional, esses parâmetros de medição tem seus valores elevados.

Observando o agrupamento por foco quantitativo (L) da Tabela 5.20, vê-se que todosos valores para o número de mortos são estatisticamente similares ao valor obtido poragentes OMN. Com relação ao número de passos, porém, todos os resultados se mos-traram estatisticamente e numericamente superiores ao resultado OMN, com exceção docaso L = 250 que é 7.17% inferior ao resultado da média das simulações com agentesOMN. Com relação ao tempo, os casos L = 2000 e L = 2250 apresentaram tempos nu-mericamente superiores ao tempo OMN em 3.21% e 13.79% respectivamente. Todos osdemais casos são estatisticamente e numericamente inferiores ao resultado OMN, sendoos resultados inferiores em um intervalo entre 7.41% a 79.75%.

Os Gráficos 5.51, 5.53 e 5.55 mostram a relação entre os parâmetros de medição e ofoco quantitativo (L) usado nos experimentos. Vale observar a relação de estabilidade donúmero de mortos e do número de passos para valores de L superiores a 750. Também éimportante observar a relação praticamente linear do tempo de simulação com os valoresdo foco quantitativo (L). Essas relações são também encontradas nos experimentos do


OMN Davg Ddev Savg Sdev Tavg Tdev0 0 75.86667 4.13710 718.46957 62.00196

AAF-SdTf L Davg Ddev Savg Sdev Tavg Tdev1 250 0.336 1.024 70.426 3.984 145.479 22.4392 500 0.284 0.982 77.167 2.812 243.878 41.4753 750 0.283 0.982 78.713 4.099 342.275 63.4124 1000 0.317 1.000 78.519 3.744 431.196 71.0745 1250 0.303 0.957 78.709 3.786 516.295 76.2336 1500 0.291 0.916 78.619 3.527 590.141 66.8667 1750 0.314 1.029 78.318 3.938 665.200 85.8228 2000 0.293 0.898 78.541 3.641 741.564 103.6149 2250 0.305 0.986 78.412 3.734 817.522 132.073


10 10110 0.017 0.107 77.750 4.137 506.749 222.18011 10101 0.048 0.200 77.563 4.046 511.974 228.63512 10111 0.006 0.063 77.622 4.418 520.534 238.94513 11100 0.006 0.063 77.767 4.137 504.432 217.94614 11110 0.028 0.138 77.680 4.048 568.770 316.64415 11101 0.033 0.152 77.817 4.666 569.454 187.72416 11111 0.011 0.088 77.828 4.721 499.412 221.921

Tabela 5.20: Tabela de resultados comparativos entre agentes oniscientes (OMN) e agen-tes AAF-SdTf agrupados por foco quantitativo e por foco qualitativo - cenário 02.

caso SfTf mostrado anteriormente.

5.3.2.3 Comparativo Geral Cenário de Testes 02

Do mesmo modo que foi feito com o cenário anterior, foi realizada a comparaçãodos dois diferentes experimentos (SfTf e SdTf) em relação às simulações efetuadas comagentes oniscientes (OMN). Foram usados como base de comparação os resultados mé-dios e os melhores resultados com relação ao número de mortos e ao tempo de simulação,já que esses últimos são os parâmetros mais representativos com relação à eficiência daarquitetura proposta.

Para cada caso, os gráficos mostram a comparação entre todos os parâmetros de medi-








ção. Ou seja, para um caso de melhor número de mortos de um conjunto de experimentos,serão comparados o número de mortos, o número de passos e o tempo de simulação doreferido caso.

Além disso, são mostrados os gráficos comparativos de todos os parâmetros de medi-


ção em relação aos experimentos SfTf e SdTf realizados no cenário de teste 02, agrupadospor foco quantitativo e por foco qualitativo.

Melhores casos em Número de Mortos para cenário 02A Tabela 5.21 mostra os melhores resultados com relação ao número de mortos de

todos os experimentos realizados no cenário de teste 02. Na Tabela, Davg representa onúmero médio de mortos, Savg o número médio de passos de simulação e Tavg o tempomédio de simulação. Todos as indicações dev se referem ao desvio padrão dos valoresmédios apresentados nas colunas à esquerda.

Davg Ddev Savg Sdev Tavg TdevOMN 0.000 0.000 75.867 4.137 718.470 62.002SfTf 0.000 0.000 78.600 3.569 152.550 6.641SdTf 0.000 0.000 69.500 1.803 144.771 4.542

↓8.39% ↓56.42% ↓79.85% ↓92.76%

Tabela 5.21: Melhores resultados em relação ao número de mortos no cenário de teste 02.

Com relação ao número de mortos, a Tabela 5.21 não deixa dúvidas que os três casossão idênticos, porém, com relação ao número de passos de simulação nota-se um ligeiroacréscimo para o caso SfTF (3.60%) e um razoável decréscimo para o caso SdTf (8.38%).Em ambos os casos, porém, o desvio padrão foi significativamente melhor (52.42% nocaso SdTf) para os agentes que utilizaram a arquitetura proposta. Para o parâmetro detempo de simulação, observa-se uma significativa redução no valor do tempo e no valordo desvio padrão. No melhor caso, o SfTf, a redução do tempo foi de 79.85% com umamelhora no desvio padrão de 92.767%.

Os Gráficos 5.56, 5.57 e 5.58 oferecem uma melhor visualização desses resultados.

Melhores casos em Tempo de Simulação para cenário 02A Tabela 5.22 mostra os melhores resultados com relação ao tempo de simulação de

todos os experimentos executados em comparação com o resultado OMN.

Davg Ddev Savg Sdev Tavg TdevOMN 0.000 0.000 75.867 4.137 718.470 62.002SfTf 7.100 2.300 50.800 1.806 32.487 3.687

↑47.33% ↓33.04% ↓56.36% ↓95.48% ↓94.05%SdTf 3.820 1.645 66.320 2.111 84.347 16.227

↑25.47% ↓12.58% ↓48.97% ↓88.26% ↓73.83%

Tabela 5.22: Melhores resultados em relação ao tempo de simulação no cenário de teste02.

Observando a Tabela 5.22 pode-se ver que os resultados em termos de número demortos não é bom quando comparado ao resultado OMN, porém, em termos de tempo desimulação, verifica-se uma redução da ordem de 95.48% para o caso SfTf e de 88.26%para o caso SdTf. Também é importante observar os valores referentes ao desvio padrão


do tempo de simulação. As simulações com agentes usando a arquitetura proposta tiveramvalores muito menores de desvio, o que significa uma maior estabilidade das simulaçõesem relação ao tempo. A redução do desvio padrão para os agentes SfTf foi de 94.05% ede 73.83% para os agentes SdTf.

Também em relação ao número de passos de simulação, os agentes usando a arquite-tura proposta obtiveram resultados importantes de redução, tanto no valor do parâmetroem si como no seu desvio padrão.

Os Gráficos 5.59, 5.60 e 5.61 mostram os resultados da Tabela 5.22 de um modo emque as relações entre os parâmetros de medição são mais claras.

Valor Médio (Average) para o cenário 02A Tabela 5.23 mostra as médias de todos os experimentos realizados no cenário de

teste 02 separados por tipo de agente. Nessa tabela é possível verificar que o caso SdTfatinge um valor médio no número de mortos considerado estatisticamente similar ao va-lor OMN, mas o caso SFTf obteve um valor numericamente superior. Com relação aonúmero de passos de simulação observa-se que, mesmo sendo uma média de todos osexperimentos, o caso SfTf consegue uma redução de 11.78%. No tempo de simulação,ambos os casos usando a arquitetura proposta atingem uma significativa redução em rela-ção ao valor OMN, 59.84% para a média de todas as simulações realizadas com agentesSfTf e de30.51% para as realizadas com agentes SdTf. A visualização gráfica é mostradanos Gráficos 5.62, 5.63 e 5.64.

Davg Savg TavgOMN 0.000 75.867 718.470SfTf 2.937 66.928 288.570

↑19.58% ↓11.78% ↓59.84%SdTf 0.303 77.491 499.283

↑2.02% ↓11.78% ↓30.51%

Tabela 5.23: Média dos resultados de todos os experimentos no cenário de teste 02.

Experimentos Agrupados por Foco Quantitativo e Foco Qualitativo no cenário 02Como foi feito para o cenário 01, a junção dos dados de todos os experimentos,

agrupando-os por foco quantitativo e por foco qualitativo e colocando-os no mesmo grá-fico permite verificar mais facilmente semelhanças de comportamento. Os Gráficos 5.65,5.67 e 5.69 são relativos aos agrupamentos por foco qualitativo. Os Gráficos 5.66, 5.68 e5.70 são relativos aos agrupamentos por foco quantitativo.

Observando os gráficos relativos ao agrupamento por foco qualitativo, pode-se verum resultado muito melhor dos agentes SdTf em relação ao número de mortos. Essesagentes conseguem ser melhores do que os SfTf em todos os focos espaciais. O mesmonão acontece em relação ao parâmetro número de passos de simulação, porém os agentesSdTf ainda apresentam valores similares estatisticamente ao valor OMN. Vê-se que oaspecto Danger (bit 2) faz com que os agentes SfTf aumentem os valores do número depassos e do tempo de simulação.


No agrupamento por foco quantitativo, observa-se que os agentes SdTf conseguemtrabalhar bem independentemente do foco quantitativo escolhido no contexto do númerode mortos e que o mesmo não acontece com os agentes SfTf. Esses últimos conseguemum melhor resultado, porém, no contexto do número de passos. Com relação ao tempode simulação, se a variação for considerada linear, o coeficiente angular para os agentesSdTf é significativamente maior do que o dos agentes SfTf. Isso acontece pelar variaçãodo foco qualitativo no caso dos agentes SdTf. Para eles, tanto o valor de L influenciana quantidade de informação a ser processada, como também o foco qualitativo, pois,dependendo do nível de estresse apresentado pelo agente, o foco qualitativo tende a ficarmais completo (colocar mais aspectos em valores diferentes de zero).


Figura 5.56: Comparativo do n. de mortos nos casos de melhorquantidade de mortos - cenário 02.

Figura 5.57: Comparativo do n. de passos nos casos de melhorquantidade de mortos - cenário 02.

Figura 5.58: Comparativo do tempo nos casos de melhor quanti-dade de mortos - cenário 02.


Figura 5.59: Comparativo do n. de mortos nos casos de melhortempo de simulação - cenário 02.

Figura 5.60: Comparativo do n. de passos nos casos de melhortempo de simulação - cenário 02.

Figura 5.61: Comparativo do tempo nos casos de melhor tempo desimulação - cenário 02.


Figura 5.62: Comparativo do n. de mortos com a média geral dosexperimentos - cenário 02.

Figura 5.63: Comparativo do n. de passos com a média geral dosexperimentos - cenário 02.

Figura 5.64: Comparativo do tempo com a média geral dos experi-mentos - cenário 02.


Figura 5.65: Comparativo do n. de mortospor foco qualitativo - cenário 02.

Figura 5.66: Comparativo do n. de mortosnos por foco quantitativo - cenário 02.

Figura 5.67: Comparativo do n. de passospor foco qualitativo - cenário 02.

Figura 5.68: Comparativo do n. de passospor foco quantitativo - cenário 02.

Figura 5.69: Comparativo do tempo porfoco qualitativo - cenário 02.

Figura 5.70: Comparativo do tempo porfoco quantitativo - cenário 02.

Analisando os gráficos do agrupamento por foco qualitativo do cenário de teste 01(5.40 e 5.42) e do cenário de teste 02 (5.67 e 5.69) observa-se uma semelhança nos com-portamentos dos agentes SfTf e SdTf, principalmente no primeiro caso. Como já menci-onado anteriormente, os aspectos Danger e Fatal tem influência peculiar no comporta-mento desses agentes, principalmente no agentes SfTf, pois o foco qualitativo se mantémconstante ao longo de toda a simulação. Em ambos os cenários, fica claro que a ativaçãodo aspecto Danger (colocar o valor do LoI referente em 1) provoca um aumento na quan-tidade de passos e no tempo de simulação. No cenário 01 (mais complexo e dinâmico), a


ativação do aspecto Fatal provoca uma leve melhora, tanto no número de passos como notempo de simulação. Já no cenário 02, a ativação desse aspecto causa uma ligeira pioranos parâmetros de medição.

Uma possível explicação para esse fenômeno é o comportamento do agente durante asimulação com relação ao processo de escolha da trajetória usada para alcançar o objetivo.Como o cenário 01 é muito rápido e complexo, a visualização do comportamento é muitodifícil sem que se use um vídeo. No cenário 03, por ser uma simulação muito curta emque o agente não cruza o fogo, o comportamento não é visível. Dessa forma, o comporta-mento é mostrado usando-se imagens capturadas de simulações realizadas no cenário 02.As Figuras 5.71 e 5.72 mostram imagens capturadas de um passo da simulação, onde atrajetória escolhida pelo agente para atingir a saída é desenhada.

A Figura 5.71 mostra o agente com o aspecto Danger ativado e com o aspecto Fataldesativado. A área pintada que envolve o foco de incêndio representa o conjunto decélulas que o agente percebe naquela região. Observa-se que a escolha da trajetória ocorreconsiderando as áreas de alta temperatura e com fumaça já que esse aspecto faz com queo agente receba essas informações e as considere no processo de raciocínio. Dessa forma,observa-se uma preferência por caminhos mais conservadores em relação à proximidadedo fogo. Esse conservadorismo leva o agente a percorrer caminhos mais longos, o queresulta em maior número de passos e maior tempo de simulação.

A Figura 5.72 mostra o agente com o aspecto Fatal ativado e com o aspecto Dangerdesativado. Como o agente está focado apenas na células que possuem fogo, é difícilperceber a diferença na coloração do foco de incêndio, mostrando as células que estãosendo percebidas e consideradas para o cálculo da trajetória. Pode-se observar, no entanto,que a trajetória escolhida desconsidera a temperatura e a fumaça e se torna um caminhomuito mais curto e rápido para atingir a saída. O problema é que o agente tem uma atitudemuito mais arriscada que pode leva-lo a situações em que não é possível fugir do fogo.

5.3.2.4 Foco Qualitativo versus Foco Quantitativo

Como já foi discutido anteriormente, o foco quantitativo tem uma relação quase li-near com o tempo de simulação, porém, nos cenários em que os experimentos foramrealizados, não tem grande influência sobre o número de agentes mortos. Segundo osdados coletados, o que exerce influência determinante sobre esse parâmetro de mediçãoé o foco qualitativo. A decisão sobre o que o agente percebe ou não sobre o seu ambi-ente é fundamental para guiar seu raciocínio sobre a melhor rota a utilizar, tornando-sefator preponderante no sucesso ou fracasso em alcançar a saída a tempo de garantir a suasobrevivência.

As tabelas a seguir mostram os resultados médios de experimentos executados comuma série maior de valores para o foco quantitativo (L), considerando apenas dois focosespaciais específicos: 1) F = 10001 e 2) F = 10101. No primeiro caso, tem-se um focoqualitativo onde os aspectos Exit (bit 4) e Fatal (bit 0) estão ativados. No segundo caso,além desses aspectos tem-se também o aspecto Danger (bit 2) ativado.

A Tabela 5.24 mostra os resultados médios de experimentos usando agentes AAF-SfTfcom foco qualitativo F=10001. Nota-se que o número de mortos se mantém diferente de


Figura 5.71: Simulação no cenário 02 com o aspecto Danger ativado.

zero, independentemente do valor assumido pelo foco quantitativo e o tempo de simulaçãose mantém aproximadamente constante com o aumento de L.

A Tabela 5.25 mostra os resultados médios de experimentos usando agentes AAF-SfTf com foco qualitativo F=10101. Nota-se que o número de mortos, a partir do focoquantitativo L = 750 cai a zero e o tempo de simulação cresce quase que linearmentecom o aumento de L. Ou seja, a ativação do aspecto Danger permitiu a redução a zero donúmero de mortos. Nota-se um valor muito elevado de mortos para L = 250 e L = 350 emrelação aos resultados obtidos na Tabela 5.24 para os mesmos valores de L. Isso acontecepois, sendo o aspecto Danger relacionado às informações de temperatura e fumaça, faz


Figura 5.72: Simulação no cenário 02 com o aspecto Fatal ativado.

com que o comportamento do agente seja mais conservador do que o apresentado pelosagentes SfTf com foco qualitativo F = 10001. O conservadorismo em relação à trajetóriaaumenta com o aumento das informações disponíveis, ou seja, quanto maior o valor dofoco quantitativo (L), maior será a quantidade de células com informações de temperaturae fumaça percebidas e também, maior será distância do foco de incêndio da trajetóriatraçada pelo agente. Esse tipo de comportamento foi discutido anteriormente e mostradonas Figuras 5.71 e 5.72.

Os Gráficos 5.73 e 5.74 mostram a relação entre os parâmetros de medição número demortos e tempo de simulação para os experimentos usando agentes AAF-SfTf com focos


AAF-SfTfF=10001 L Davg Ddev Tavg Tdev

1 250 4.333 8.901 293.753 26.3022 350 3.400 2.059 294.122 22.7133 450 3.200 3.162 312.519 30.9814 550 3.400 2.757 314.163 38.7965 650 3.800 2.871 316.631 34.7916 750 3.200 2.653 339.775 34.9867 850 3.400 1.897 327.175 22.4238 950 3.800 1.020 317.488 37.9589 1050 3.800 2.638 324.200 27.507

10 1150 3.600 1.720 327.547 25.74511 1250 3.800 1.497 329.462 21.61812 1350 4.200 1.095 312.691 27.69313 1450 3.600 1.960 332.400 32.33214 1550 3.800 2.786 332.028 25.06615 1650 4.000 2.059 323.459 46.05816 1750 3.800 2.713 325.357 32.72117 1850 3.400 2.417 334.059 33.01618 1950 2.800 2.366 352.681 35.65919 2050 3.600 1.897 333.281 29.54220 2150 3.400 2.315 334.669 36.25521 2250 3.800 1.855 313.206 27.131

Tabela 5.24: Tabela de resultados médios agentes AAF-SfTf com foco qualitativo F=1001- cenário 02.

espaciais F = 10001 e F = 10101.

Figura 5.73: N. de mortos agentes SfTf comF = 10001 e F = 10101 - cenário 02.

Figura 5.74: T. de simulação agentes SfTfcom F = 10001 e F = 10101 - cenário 02.

A Tabela 5.26 mostra os resultados médios de experimentos usando agentes AAF-SdTf com foco qualitativo inicial F=10101. Nota-se que o número de mortos cai a zeropraticamente com todos os valores de L. Novamente, o tempo de simulação cresce quase


AAF-SfTfF=10101 L Davg Ddev Tavg Tdev

1 250 12.600 3.200 553.553 23.4742 350 6.800 10.815 652.206 31.0923 450 3.500 4.598 775.487 21.0704 550 2.600 7.194 860.068 16.7425 650 1.000 11.009 999.891 20.8876 750 0.000 5.426 1089.440 25.8427 850 0.000 3.578 1202.553 22.1058 950 0.000 3.499 1305.572 25.4959 1050 0.000 3.816 1416.703 33.009

10 1150 0.000 3.137 1487.341 26.31511 1250 0.000 3.763 1585.881 24.98112 1350 0.000 3.720 1664.978 36.92213 1450 0.000 4.000 1750.741 30.93214 1550 0.000 4.069 1801.969 43.12215 1650 0.000 3.655 1889.438 24.78716 1750 0.000 3.286 1934.937 22.80017 1850 0.000 4.167 2032.053 64.31418 1950 0.000 2.577 2039.322 43.78119 2050 0.000 1.897 2117.047 20.96320 2150 0.000 2.786 2168.600 40.83721 2250 0.000 3.633 2181.169 39.834

Tabela 5.25: Tabela de resultados médios agentes AAF-SfTf com foco qualitativoF=10101 - cenário 02.

que linearmente com o aumento de L. Nota-se uma melhora significativa nos valoresalcançados para o parâmetro número de mortos, e o tempo de simulação praticamenteinalterado. Os Gráficos 5.75 e 5.76 mostram a relação entre agentes SfTf e SdTf usandoo foco qualitativo F = 10101.

Figura 5.75: N. de mortos agentes SfTf comF = 10001 e F = 10101 - cenário 02.

Figura 5.76: T. de simulação agentes SfTfcom F = 10001 e F = 10101 - cenário 02.


AAF-SdTfF=10101 L Davg Ddev Tavg Tdev

1 250 0.200 6.829 537.100 5.8042 350 0.000 1.673 655.587 6.4063 450 0.000 2.638 767.409 8.5284 550 0.000 3.499 891.444 17.2515 650 0.000 4.578 984.960 19.1746 750 0.000 2.713 1096.462 34.9287 850 0.000 3.441 1193.997 29.1748 950 0.000 2.926 1295.387 29.9249 1050 0.000 2.400 1408.187 30.43510 1150 0.200 4.030 1495.856 39.67911 1250 0.000 5.352 1575.037 23.14012 1350 0.000 4.587 1670.644 55.02913 1450 0.000 4.758 1721.581 40.89214 1550 0.000 3.124 1825.556 25.11715 1650 0.000 4.665 1893.141 35.80416 1750 0.200 4.858 1958.028 43.66417 1850 0.000 4.050 2031.772 18.56618 1950 0.000 5.122 2059.137 22.99219 2050 0.000 3.311 2115.210 37.06220 2150 0.000 3.323 2178.819 54.32921 2250 0.000 2.577 2208.912 58.824

Tabela 5.26: Tabela de resultados médios agentes AAF-SdTf com foco qualitativo inicialF = 10101 - cenário 02.

5.3.2.5 Aspecto Danger versus Aspecto Fatal

Como discutido anteriormente, os aspectos Danger e Fatal são os que apresentam umainterferência mais forte no comportamento dos agentes AAF. Assim, essa seção investigaum pouco mais a fundo essa relação. Para isso, foram feitos vários experimentos usandoos vários tipos de agentes AAF com dois focos espaciais específicos, para averiguar ainfluência desses aspectos: F = 10001 (aspecto Fatal ativado) e F = 10100 (aspectoDanger ativado). O foco quantitativo foi considerado em uma faixa de valores contidosentre 250 e 2250 com incremento de 250.

A Tabela 5.27 apresenta os valores médios dos parâmetros de medição, número demortos e tempo de simulação para os agentes OMN e para os quatro tipos de agentesAAF usando o foco qualitativo (F) F = 10001 e foco quantitativo (L) variando de 250a 2250 com incremento de 250. Observa-se nessa tabela que, em relação ao número demortos, os agentes com foco qualitativo variável (SdTf e SdTd) foram estatisticamentesimilares aos agentes OMN, porém o mesmo não acontece com os agentes com focoqualitativo fixo (SfTd e SfTf).

Com relação tempo de simulação na mesma tabela, os agentes AAF com foco qualita-tivo fixo se apresentam muito significativamente melhores que os agentes AAF com foco


qualitativo dinâmico. Considerando o pior tempo médio de simulação como parâmetro decomparação, tem-se que os agentes AAF-SfTd apresentam uma redução no tempo de si-mulação da ordem de 86.51% em relação aos agentes AAF-SdTd. Os agentes AAF-SfTfapresentam uma redução no tempo de simulação na ordem de 87.46% em relação aosagentes AAF-SdTf. Além disso, o comportamento do tempo de simulação para os agen-tes com foco qualitativo dinâmico apresenta-se quase linearmente crescente em função dovalor do foco quantitativo (L). Já o comportamento apresentado por esse parâmetro paraos agentes com foco qualitativo fixo é praticamente constante sendo, portanto, pratica-mente independente dos valores do foco quantitativo. Uma possível explicação para essecomportamento é que, considerando que o interesse do agente corresponde somente àsinformações da saída e ao fogo, a quantidade de células com essas informações varia len-tamente durante a simulação. Como a quantidade dessas informações varia pouco entreum passo de simulação e outro, o tamanho do foco quantitativo não chega a ser determi-nante, pois o espaço disponível na lista de elementos percebidos (vide Figura 4.6) não éutilizada. Quando o foco qualitativo é dinâmico, o agente vai se interessar por outros as-pectos do ambiente, dependendo da sua evolução afetiva, o que faz com que a quantidadede células com informações que interessam ao agente aumente significativamente entreum passo e outro da simulação. Nessa condição, o tamanho do foco quantitativo (L) setorna determinante para o tempo de simulação, pois quanto maior for o espaço disponívelna lista de elementos percebidos (vide Figura 4.6), maior a quantidade de informação paraser processada e maior o tempo gasto no processo de raciocínio do agente.

Os Gráficos 5.77 e 5.78, mostram as relações entre número de mortos e tempo desimulação entre os agentes OMN e os quatro tipos de agentes AAF usando o foco quali-tativo F = 10001.

A Tabela 5.28 apresenta os valores médios dos parâmetros de medição, número demortos e tempo de simulação para os agentes OMN e para os quatro tipos de agentesAAF usando o foco qualitativo (F) F = 10100 e foco quantitativo (L) variando de 250a 2250 com incremento de 250. Observa-se nessa tabela que, em relação ao número demortos, todos agentes AAF foram estatisticamente similares aos agentes OMN. Pode-se concluir que, para esse parâmetro de medição, o aspecto Danger tem uma influenciamuito mais significativa que o aspecto Fatal. O gráfico 5.79 mostra mostra esse resultado.

Para o parâmetro tempo de simulação, porém, o que se observa é que o aspecto Dan-ger transforma o comportamento dos agentes AAF com foco qualitativo fixo no compor-tamento apresentado pelos agentes AAF com foco qualitativo dinâmico. Comparando osresultado obtidos pelos agentes AAF SdTf e AAF-SdTd nas Tabelas 5.27 e 5.28 percebe-se que a diferença entre os resultados é muito pequena. Ou seja, com o foco qualitativoF = 10100, todos os agentes AAF passam a apresentar um comportamento do tempo desimulação praticamente linear em relação ao foco quantitativo (L). O gráfico 5.80 mos-tra esse comportamento. Uma possível explicação para esse comportamento é a mesmaapresentada na discussão da Tabela 5.27.

A título de ilustração adicional, o gráfico 5.81 mostra a relação entre o tempo desimulação e o foco quantitativo para agentes AAF usando foco qualitativo dinâmico comvalores iniciais F = 10001 e F = 10100. De modo semelhante, o gráfico 5.82 mostra amesma relação para agentes AAF usando foco qualitativo fixo com os mesmos valores


iniciais.

Figura 5.77: N. de mortos agentes OMN eagentes AAF com F = 10001 - cenário 02.

Figura 5.78: T. de simulação agentes OMNe agentes AAF com F = 10001 - cenário 02.

Figura 5.79: N. de mortos agentes OMN eagentes AAF com F = 10100 - cenário 02.

Figura 5.80: T. de simulação agentes OMNe agentes AAF com F = 10100 - cenário 02.

Figura 5.81: T. de simulação agentes AAFcom F dinâmico.F = 10001 e F = 10100 -cenário 02.

Figura 5.82: T. de simulação agentes AAFcom F fixo. F = 10001 e F = 10100 - cená-rio 02.


OMN Davg Ddev Tavg Tdev0.000 0.000 393.730 47.650

SdTd / F=10001 L Davg Ddev Tavg Tdev1 250 0.000 0.000 101.217 4.5642 500 0.000 0.000 163.203 7.5593 750 0.000 0.000 231.068 12.1924 1000 0.050 0.218 291.610 15.2605 1250 0.000 0.000 354.182 23.0596 1500 0.000 0.000 411.578 27.0697 1750 0.050 0.218 444.198 25.5498 2000 0.000 0.000 490.558 30.4429 2250 0.000 0.000 523.648 28.091

SdTf / F=10001 L Davg Ddev Tavg Tdev1 250 0.000 0.000 105.325 5.0822 500 0.000 0.000 165.827 7.0593 750 0.000 0.000 235.237 11.1554 1000 0.100 0.300 297.987 13.0445 1250 0.050 0.218 359.332 16.0076 1500 0.000 0.000 413.537 16.9257 1750 0.000 0.000 463.337 24.5148 2000 0.000 0.000 509.286 23.8219 2250 0.000 0.000 541.459 29.788

SfTd / F=10001 L Davg Ddev Tavg Tdev1 250 5.143 2.167 62.715 6.0282 500 3.450 1.596 62.753 5.8533 750 3.500 1.658 65.877 7.2374 1000 3.600 1.625 65.352 7.2205 1250 3.350 1.851 67.251 7.8526 1500 2.800 1.691 70.648 5.7977 1750 3.500 1.658 66.876 7.8268 2000 3.350 2.080 67.193 8.7819 2250 3.050 1.883 68.790 7.406

SfTf / F=10001 L Davg Ddev Tavg Tdev1 250 4.200 2.205 55.546 6.0412 500 3.600 1.800 59.912 5.9623 750 3.350 1.682 64.763 6.2734 1000 3.400 1.800 64.729 6.9455 1250 3.500 1.962 64.410 7.6256 1500 3.000 1.924 67.879 9.1967 1750 3.350 2.128 66.767 8.8518 2000 3.350 1.740 65.563 6.0169 2250 3.250 2.142 66.056 8.427

Tabela 5.27: Tabela de resultados médios agentes AAF com foco qualitativo inicialF=10001 - cenário 02.


OMN Davg Ddev Tavg Tdev0.000 0.000 393.730 47.650

SdTd / F=10100 L Davg Ddev Tavg Tdev1 250 0.050 0.218 94.904 3.8132 500 0.000 0.000 156.969 7.9053 750 0.000 0.000 223.562 11.6314 1000 0.100 0.436 287.956 16.0015 1250 0.000 0.000 346.681 17.3276 1500 0.000 0.000 403.119 21.8487 1750 0.050 0.218 451.555 26.3298 2000 0.050 0.218 494.252 26.8459 2250 0.000 0.000 529.053 32.154

SdTf / F=10100 L Davg Ddev Tavg Tdev1 250 0.050 0.218 99.339 3.6212 500 0.000 0.000 165.585 6.1663 750 0.000 0.000 232.337 8.5694 1000 0.050 0.218 301.255 12.8905 1250 0.000 0.000 364.658 17.7736 1500 0.000 0.000 417.987 17.8017 1750 0.000 0.000 470.964 21.5758 2000 0.000 0.000 510.108 31.4529 2250 0.100 0.300 542.995 31.520

SfTd / F=10100 L Davg Ddev Tavg Tdev1 250 0.050 0.218 98.340 5.4102 500 0.000 0.000 159.036 8.3623 750 0.050 0.218 223.095 11.3924 1000 0.000 0.000 286.522 13.6565 1250 0.000 0.000 346.520 17.2656 1500 0.000 0.000 404.237 18.1887 1750 0.050 0.218 451.335 22.3298 2000 0.000 0.000 496.257 28.7189 2250 0.100 0.300 532.636 28.567

SfTf / F=10100 L Davg Ddev Tavg Tdev1 250 0.000 0.000 104.438 4.5592 500 0.000 0.000 168.274 8.5653 750 0.000 0.000 235.174 13.2514 1000 0.000 0.000 305.831 16.2925 1250 0.000 0.000 360.131 19.7716 1500 0.000 0.000 419.545 21.6407 1750 0.000 0.000 471.032 27.2428 2000 0.000 0.000 509.015 31.1299 2250 0.000 0.000 548.019 32.895

Tabela 5.28: Tabela de resultados médios agentes AAF com foco qualitativo inicialF=10100 - cenário 02.


5.4 Avaliação Geral dos ResultadosTodos os gráficos mostrados nessa seção são repetições dos já exibidos nas seções

anteriores referentes a cada cenário de teste. Os gráficos foram repetidos com o únicoobjetivo de tornar mais fácil a identificação de similaridades comportamentais entre osresultados obtidos em cada cenário de teste. Para tal comparação, todas as escalas verti-cais foram padronizadas entre os gráficos do mesmo grupo.

Com relação ao número de mortos os gráficos se referem aos dois primeiros cenáriospois no terceiro, todos os resultado com relação a esse parâmetro são zero, tanto para osagentes oniscientes (OMN) como para todos os agentes AAFA. A avaliação detalhada docenário 03 está disponível no Apêndice A.

Figura 5.83: Mortos por f. qualitativo. Figura 5.84: Mortos por f. qualitativo.

Figura 5.85: Mortos por f. quantitativo. Figura 5.86: Mortos por f. quantitativo.

Observando os Gráficos 5.83 e 5.84 pode-se ver que a arquitetura proposta obtém va-lores significativamente bons para várias combinações de foco qualitativo. Por se tratar degráficos de valores médios agrupados por foco qualitativo vários grupos de experimentosindividuais foram melhores ou similares no número de mortos que os agentes oniscientes.Também pode-se notar, observando os Gráficos 5.85 e 5.86 que o foco qualitativo é maisimportante na definição de um valor mais baixo para o número de mortos, independente-


mente da complexidade do cenário.Interessante notar que em cenários muito rápidos e complexos como é o caso do ce-

nário de teste 01, observa-se que a arquitetura com foco qualitativo fixo obtém melhoresresultados. No caso de um cenário intermediário a arquitetura com foco qualitativo dinâ-mico consegue resultados muito mais significativos, seja em relação ao foco quantitativocomo em relação ao foco qualitativo. Cabe a observação de que os meta_info operatorsforam desenvolvidos para o cenário de teste 02.

Figura 5.87: Passos por f. qualitativo. Figura 5.88: Passos por f. qualitativo.

Figura 5.89: Passos por f. qualitativo.

Com relação à quantidade de passos de simulação, observando os Gráficos 5.87, 5.88 e5.89, vê-se que os agentes AAFA com foco qualitativo variável foram mais constantes emtodos os cenários. No cenário mais dinâmico e complexo (cenário 01), eles se mantiveramsempre melhores que os agentes OMN, embora os agentes com foco qualitativo fixo forammelhores quando os foco espaciais considerados, o aspecto Danger não estava ativo. Aquestão do aspecto Danger está presente em todos os cenários.

Observando os Gráficos 5.90, 5.91 e 5.92, vê-se que o foco quantitativo não parece teruma influência muito significativa sobre o número de passos de simulação, a não ser natransição para um valor superior a 250 no cenário de teste 02.


Figura 5.90: Passos por f. quantitativo. Figura 5.91: Passos por f. quantitativo.

Figura 5.92: Passos por f. quantitativo.

Os Gráficos 5.93, ?? e ?? mostram a relação do tempo de simulação com o focoqualitativo. Nesse quesito vê-se que a arquitetura proposta realmente faz uma significativadiferença quando comprada aos agentes OMN.

Os agentes AAFA com arquitetura variável são mais estáveis, porém apresentam re-sultados piores quando o foco qualitativo está sem o aspecto Danger ativado. Os melhoresresultados de tempo são conseguidos pelo foco qualitativo fixo. Uma avaliação sobre osmeta_info operators, considerando as informações reunidas nesses experimentos em re-lação aos aspectos Danger e Fatal, permitiria a obtenção de resultados melhores para osagentes com foco qualitativo variável mantendo a estabilidade.


Figura 5.93: Tempo por f. qualitativo. Figura 5.94: Tempo por f. qualitativo

Figura 5.95: Tempo por f. qualitativo

Observando os Gráficos 5.96, ?? e ??, onde o tempo de simulação está relacionado aofoco quantitativo, pode-se observar o comportamento quase linear crescente desse parâ-metro em relação ao crescimento do foco quantitativo. O comportamento dos agentes como foco qualitativo dinâmico possuem um crescimento mais agressivo do que os que usamesse foco fixo. Importante notar que o foco quantitativo dinâmico tem pouca influênciasobre o comportamento dos agentes. Os agentes AAF-SfTf e AAF-SfTd compratilham omesmo comportamento no cenário de teste 01.


Figura 5.96: Tempo por f. quantitativo. Figura 5.97: Tempo por f. quantitativo

Figura 5.98: Tempo por f. quantitativo

Conforme descrito no início deste capítulo, na Seção 5.2, “a hipótese de pesquisadesse trabalho é mostrar que a utilização de uma camada de software, a qual implementao foco de atenção (qualitativo e quantitativo) do agente, melhora o desempenho dos agen-tes em relação a agentes oniscientes”. Assim, foram mostradas evidências de que a ar-quitetura proposta pode efetivamente tornar o processo de raciocínio e planejamento dosagentes mais eficiente, sem que se perca a precisão em relação aos objetivos a serem al-cançados. Foram mostrados experimentos em que os agentes AAFA obtiveram resultadosmelhores do que os agentes oniscientes (OMN) em todos os parâmetros de medição (nú-mero de mortos, quantidade de passos de simulação e tempo total de simulação). Issorevela que a obtenção dos resultados adequados depende apenas da correta configuraçãodos agentes AAFA.

A utilização dessa arquitetura pode ser útil, por exemplo, em sistemas cuja demandapor informação seja grande e onde o tempo de resposta seja um elemento essencial. Dessaforma, agentes AAFA, com seus parâmetros de configuração de foco qualitativo e quanti-tativo ajustados adequadamente, seriam capazes de obter resultados melhores que agentesoniscientes usados nas mesmas condições.

Algumas das aplicações que podem tirar proveito dessa arquitetura são mencionadasnas Seções 6.2 e 6.3 do capítulo 6. Na primeira, são mostrados vários trabalhos que sãoconsequência deste trabalho de pesquisa e, na segunda, são mostradas possíveis aplica-


ções que seriam beneficiadas pelo uso da arquitetura aqui proposta. Essas aplicaçõesnão só justificam a realização desta pesquisa, como também mostram que os resultadosobtidos são significativamente satisfatórios.

Capítulo 6

Considerações Finais e TrabalhosFuturos

A arquitetura proposta considera o uso de parâmetros afetivos para implementar ummecanismo de seleção de dados, que permite aumentar a eficiência do processo de racio-cínio dos agentes. Em outras palavras, a proposta mostra um modo de projetar agentesorientados a objetivo capazes de melhorar o desempenho utilizando um subconjuntos dasinformações disponíveis no ambiente.

A arquitetura AAFA inova na forma de implementar o processo de filtragem dos ele-mentos perceptivos do agente e na forma em que dinamiza esse processo de filtragem,utilizando parâmetros afetivos humanos.

Trabalhos futuros incluem um melhor encapsulamento da arquitetura como um todo,de forma a permitir o uso do mecanismo proposto em diferentes aplicações e em diferentesplataformas para sistemas multiagentes.

Nas seções a seguir são discutidos alguns trabalhos em que os princípios da arquite-tura AAFA são utilizados em outros aplicativos, e também uma rápida apresentação sobreuma plataforma para simulação multiagente que procura disponibilizar agentes AAFA demaneira simples e intuitiva. A plataforma proposta é portável para diferentes ambientes,sendo projetada para funcionar em ambiente Desktop, sobre o sistema operacional Win-dows/Linux, e em ambiente móvel, sobre o sistema operacional Android [Rick Rogers &Meike 2009].

6.1 Considerações FinaisDa ideia inicial, inspirada na seleção de atributos para que os comitês de classifi-

cadores tivessem aumentada a sua diversidade, até a modelagem e implementação daarquitetura AAFA, foi um longo e tortuoso caminho. Neste trabalho foram verificadosresultados bastante significativos dos agentes AAFA em relação a agentes oniscientes. Osresultados demonstram que a arquitetura proposta, quando configurada adequadamente,consegue ser melhor que os agentes oniscientes em todos os parâmetros de medição usa-dos (número de mortos, quantidade de passos de simulação e tempo total de simulação)simultaneamente. As aplicações e projetos mostrados na seção 6.2, que aborda os traba-lhos que são consequência da criação da arquitetura AAFA, evidenciam que os princípios

CAPÍTULO 6. CONSIDERAÇÕES FINAIS E TRABALHOS FUTUROS 147

adotados por ela são capazes de torná-la genérica o suficiente para ser usada em diferen-tes aplicações, mesmo fora do contexto dos sistemas muliagentes. Com isso, espera-seque este trabalho traga uma contribuição para as aplicações que, doravante, diante daquantidade enorme de informação a ser processada em um tempo cada vez mais exíguo,terão de se valer de alguma forma de foco de atenção, eficiente e simples, para conseguiridentificar apenas os elementos importantes no contexto analisado.

Informação é tudo aquilo que mudao meu comportamento futuro. Oresto é ruído.

Stephen Kanitz

6.2 Trabalhos em AndamentoDurante a consecução da pesquisa relacionada à arquitetura de agente proposta nesse

trabalho, alguns outros projetos e trabalhos foram originados a partir das idéias aqui dis-cutidas. Nessa seção são mostrados alguns desses trabalhos e projetos. Devido ao fato deeles não fazerem parte do foco da tese, sua descrição é apresentada de forma resumida.

6.2.1 Framework PIABAComo mencionado no capítulo 5, os agentes AAFA foram implementados na pla-

taforma Jason. Nesse mesmo capítulo foi igualmente mencionada a grande quantidadede linhas de código necessárias na implementação da arquitetura para fins de teste, bemcomo a dificuldade de harmonizar todo o código, devido ao fato do mesmo estar inse-rido em diferentes níveis da plataforma utilizada: ações internas, ações externas, mundo,visualização do mundo e a parte implementada em AgentSpeak.

A plataforma Jason se mostrou altamente customizável, para permitir uma amplagama de aplicações com agentes dentro da arquitetura BDI. Para isso, o raciocínio e o pla-nejamento do agente precisa ser pensado no contexto da arquitetura BDI e ser expressona linguagem AgentSpeak. Isso traduz uma obrigatoriedade de contexto da aplicação,como também pressupõe a necessidade de trabalhar com o agente desenvolvido em doisambientes:

1. Linguagem Java• Implementação das ações externas do agente, ou seja, as ações que

são executadas sobre o ambiente (mundo) em que o agente está eque, portanto, definem o seu comportamento aparente;• Implementação de algumas ações internas, que requerem mais po-

der computacional em relação ao oferecido pela linguagem AgentS-peak.

2. Linguagem AgentSpeak


• Definição do comportamento do agente baseado no raciocínio meio-fins [Newell & Simon 1972] criado a partir de planos e regras;• Construção e manipulação da base de crenças do agente.

No início do capítulo 5, são discutidas as razões que levaram à escolha dessa pla-taforma para implementação do dispositivo de teste da arquitetura. Porém, analisandoo processo de desenvolvimento do aplicativo de teste na plataforma Jason, notou-se anecessidade de algumas funcionalidades que facilitariam o trabalho de avaliação da ar-quitetura proposta. A partir das necessidades encontradas na aplicação de teste da arqui-tetura, foi concebido um framework que também facilitasse o uso da arquitetura propostaneste trabalho. Além disso, procurou-se generalizar para o desenvolvimento de aplica-ções baseadas em simulação multiagente em geral. De forma resumida, as principaisfuncionalidades visualizadas foram:

1. Ambiente de desenvolvimento concentrado em um único paradigma delinguagem de programação;

2. Customização da plataforma configurável via arquivos XML;3. Customização do modo de operação síncrono dos agentes em:

• DefaultList: uma lista configurável da ordem de execução é defi-nida pelo desenvolvedor da aplicação e ela se mantém inalteradadurante toda a simulação;• FixRandomList: uma lista inicial é gerada por um escalonador de

processos e determina a ordem de execução dos agentes, que é man-tida fixa durante toda a simulação;• RandomList: a lista de execução dos agentes é gerada randômica-

mente pelo escalonador de processos a cada ciclo de simulação;• FixedTimeList: similar ao modo DefaultList, porém os agentes pos-

suem um tempo (configurável pelo usuário) para executar as suasdeliberações;

4. Possibilidade de implementação de um ambiente dinâmico, onde o “mundo”do agente varia durante o ciclo de raciocínio dos agentes;

5. Possibilidade de definir o comportamento de um agente como um con-junto de Actions, onde cada Action possui:• Um conjunto de pré-condições que habilitam a ação para execução;• Uma tupla de atributos 〈custo,benefício,pós-condições,prioridade〉

para ser usada pelo escalonador de ações, para definir qual a melhoração a ser executada em determinada situação;• Um foco de atenção para filtrar o conjunto de percepções recebido,

de forma a utilizar somente as informações mais adequadas ao com-portamento em questão.

6. Disponibilidade de um processo de armazenagem das simulações, paraposterior visualização e análise, incluindo um agent profiler.

Um dos requisitos não funcionais do framework é o de ser pequeno e portável, quepossa ser executado com o mínimo de modificações tanto em ambientes Desktop (Win-


dows e Linux), quanto no sistema operacional para dispositivos móveis Android. O fra-mework foi então denominado de “Piaba”. Este é o nome de um peixe brasileiro deporte pequeno, que raramente ultrapassa 20cm de comprimento. No Nordeste brasileiro,em especial em terras potiguares, “piaba” serve como substituto ao adjetivo “pequeno”.Dessa forma, nasceu a denominação do framework para simulação multiagente, simples econtendo somente as características mínimas necessárias, para ser executado também emdispositivos embarcados (em específico em ambientes Android).

Uma aplicação desenvolvida com o framework PIABA consiste basicamente de trêsarquivos XML, que configuram o mundo da simulação (MASWorld.xml), os agentes (MA-SAgent.xml), e as meta_info operators (MASAmio.xml).

O arquivo MASWorld.xml configura o mundo da simulação. A implementação realdesse mundo é feita por meio de uma classe Java, que é instânciada durante a execuçãodo processo da simulação. A identificação de qual classe deve ser usada para a criaçãodo mundo é indicada no arquivo de configuração. Algumas das propriedades que sãoconfiguráveis para o mundo são mostradas a seguir:

• Simulation Running Mode (SRM):– thread mode: os agentes são instanciados como threads, o que sig-

nifica que o controle do pseudo-paralelismo das ações é deixadopor conta da máquina virtual do Java. Esta é a implementação tra-dicional do modo de operação assíncrono.

– nothread mode: o usuário define como será a operação síncrona dosagentes instanciados, podendo ser escolhidas umas dentre as quatropossibilidades descritas anteriormente.

• Agent Class (AC): define as classes que devem ser instanciadas para aimplementação dos agentes.

O arquivo MASAgent.xml configura os agentes que serão usados na simulação, depen-dendo do seu tipo e denominação. As classes instanciadas pelo parâmetro Agent Class(AC) são as responsáveis por obter os dados para a configuração dos agentes. Algu-mas das propriedades desse arquivo são descritas a seguir. Basicamente, são descritas aspropriedades que definem a arquitetura AAFA, que pode ou não ser usada pelo desenvol-vedor.

• Update L (UL): Limite a ser utilizado no filtro do foco.• Update Focus (UF): estabelece que o foco espacial seja atualizado dina-

micamente, através do uso dos meta_info operators.• Update Emotion (UE): o módulo emocional da arquitetura é ativado.• Mood Relation (MR): define a relação entre as emoções e o perfil de

humor do agente.– Emoções Positivas– Emoções Negativas

• Agent Personality Profile (APP): define o perfil de personalidade doagente baseado no modelo OCEAN.


• Personality Relation (PR): define a relação entre o perfil de personali-dade e o perfil de humor do agente.

– Pleasure: 0,21∗E +0,59∗A+0,19∗N– Arousal: 0,15∗O+0,30∗A−0,57∗N– Dominance: 0,25∗O+0,17∗C+0,60∗E−0,32∗A

O arquivo MASAmio.xml configura os meta_info operators, que serão usados por cadaagente, para avaliar as informações recebidas pela percepção. Esse arquivo simplesmenteindica quais são as classes Java que devem ser instanciadas, para que esses agentes tenhamacesso aos métodos de avaliação.

A funcionalidade que armazena as simulações para posterior exibição gráfica (visua-lização), incluindo um agent profiler, está sendo desenvolvida como um pacote adicional,não fazendo parte do framework PIABA em si. Esse pacote permitirá avaliar várias si-mulações simultaneamente. As simulações poderão ser apresentadas de forma contínua,como um filme, ou com o controle passo a passo, de acordo com a preferência e neces-sidade do usuário. Além disso, as informações relativas a cada agente e à situação domundo em cada passo estarão disponíveis para verificação.

6.2.2 Sistema NatalGisA quantidade de informação que os sistemas atuais precisam manipular são cada vez

maiores, dessa forma, a questão de lidar apenas com as informações mais importante setorna de extrema importância. Baseando-se nos trabalhos de Signoretti em [Signoretti2011] e [Signoretti et al. 2010] e na pesquisa de Xavier Junior em [João Carlos Xa-vier Jr. 2010] e [João C. Xavier Junior 2011] foi apresentado um sistema multiagentepara recomendação de informações geográficas, chamado de NatalGIS.

O sistema NatalGIS permite que os usuários guardem as informações visualizadasem seus próprios históricos de acesso, estruturados em um banco de dados relacional.Baseado nesse histórico, o sistema cria agrupamentos de informações relevantes, atravésdo uso de métodos hierárquicos de agrupamento de dados relacionais. De posse das in-formações arquivadas no perfil dos usuários, os agentes inteligentes podem interagir erecomendar informações geográficas relevantes. O processo de recomendação está dire-tamente baseado nos grupos formados a partir dos históricos de acessos e das preferênciasindicadas por eles (foco espacial). De posse disto, os agentes de recomendação são ca-pazes de criar focos de atenção (espacial e temporal) específicos para cada usuário, queserão baseados no grupo ao qual o usuário pertence e nas preferências indicadas pelopróprio usuário. Por último, o uso de agrupamentos de dados relacionais no processo derecomendação de informações geográficas reduz consideravelmente o tempo de recupe-ração, visto que não há a necessidade de recuperá-los diretamente de uma grande base dedados geográficos e sim de um log de acessos [Xavier-Junior 2012] [Junior et al. 2011].

A figura 6.1 mostra a arquitetura do sistema que é composta por três agentes básicos.O agente de Interface é o agente que interage diretamente com o usuário e é responsávelpor definir o perfil do usuário, através de um processo de inferência em conjunto como uso de interação explícita com o usuário, e também por monitorar o estado afetivo do


usuário, através da interface de eventos, fazendo com que o foco espacial e temporal doagente sejam ajustados. Com base no perfil do usuário e no foco espacial e temporal, esseagente constrói uma requisição que é enviada a um agente de Recomendação. Esse últimopesquisa o repositório de dados de acesso, em busca das informações que irão compor arecomendação oferecida ao usuário pelo agente de Interface. A recomendação é formadapor uma lista de pontos georeferenciados (pontos de mapa ou map points), que podeminteressar ao usuário.

Figura 6.1: A arquitetura do NatalGIS onde IA representa o agente de Interface, RA oagente de Recomendação e CA o agente de Controle [Junior et al. 2011]

O agente de Controle é responsável pelas seguintes atividades:

1. Ativação de um agente de Interface para cada usuário que requisiteacesso ao sistema;

2. Desativação dos agentes de Interface cujas seções foram encerradas;3. Controle do tamanho do conjunto (pool) de agentes de Recomendação.

Esse conjunto é dimensionado de acordo com a quantidade de requisi-ções que precisam ser atendidas. A relação básica mantida para esseconjunto é de cinco agentes de Interface para cada agente de Recomen-dação;

4. Realizar as tarefas de controle geral do sistema, como por exemplo:ativar o processo de clustering do log de acessos.

6.2.3 Projeto: Desenvolvimento de Personagens Virtuais AfetivosApesar do objetivo da arquitetura não estar unicamente voltado à criação de persona-

gens virtuais, ela teve como fonte de inspiração teorias relacionadas ao comportamentohumano. Viu-se, igualmente, que a arquitetura permite um balanceamento adequado en-tre especificidade e generalidade, situação ideal para a criação de personagens virtuais


em jogos. Assim, iniciou-se o desenvolvimento de jogos educativos, cujos agentes se-riam baseados na arquitetura proposta. Os aplicativos em desenvolvimento são baseadosno framework PIABA e apresentam a possibilidade de uso no sistema operacional Win-dows/Linux para PC e Android para dispositivos móveis. Nesse momento, apenas umjogo está em desenvolvimento: ScrumGame.

O uso de jogos como ferramenta de treinamento e educação possibilita a assimilaçãodo conteúdo a partir do realizar, proporcionando ao jogador a imersão em situações (epráticas) associadas ao conteúdo abordado no jogo. Esta forma de aprendizado, a partirdo fazer (learning by doing), é bastante eficiente para a transmissão do conhecimento[Aldrich 2005]. É nesse contexto que se define a categoria de jogos chamada “JogosSérios” (JS) − do inglês Serious Games [Johannes S. Breuer 2010]. Os jogos sérios sediferenciam dos jogos de entretenimento por serem projetados com o objetivo explícitoda aprendizagem de determinados conceitos, habilidades ou informação. Nesse caso,o entretenimento, mesmo sendo uma propriedade essencial, se torna secundária quandocomparada aos objetivos principais de aprendizagem [Sawyer 2007].

O presente projeto é voltado ao uso de tecnologias móveis no suporte à consultoria eao treinamento de metodologias e práticas de gerenciamento. O objetivo é desenvolverum jogo sério multiusuário, onde cada usuário é responsável pelo desenvolvimento de umproduto, usando o processo de desenvolvimento Scrum [Schwaber & Beedle 2001], paragerenciar uma equipe de personagens virtuais. Apesar da jogabilidade no dispositivo mó-vel do usuário estar focado no seu projeto, o servidor do jogo contém todo o ecossistemade uma empresa, onde os personagens virtuais podem desempenhar papéis em diferentesequipes (gerenciadas por diferentes usuários). Assim, as ações de um usuário pode in-diretamente atrapalhar os resultados dos outros. Pretende-se usar este projeto em aulasextra-classe, focando no entendimento de práticas do Scrum e no relacionamento entreprojetos interdependentes [Campos et al. 2011].

Para modelar a empresa do jogo, incluindo as regras, normas e comportamentos dasequipes, escolheu-se uma abordagem baseada em agentes. Em outras palavras, não háregras explícitas delineando comportamentos globais. Os modelos dos personagens virtu-ais, definidos como agentes inteligentes, foram estruturados individualmente, assim comosuas características principais, traços de personalidade, emotividade, habilidades técnicas,criativas e de comunicação. Todos representam personagens fictícios, mas que expressamestereótipos bem definidos (por exemplo, a ativa, o “bom de lábia”, o estressado, etc). Ojogador deve, então, gerenciar esta equipe de personagens, que possuem habilidades e per-fis diferentes, dificultando assim a realização do projeto, ou facilitando-a se os “recursoshumanos” (virtuais) forem aproveitados adequadamente. Para isso, o usuário deve seguiras práticas preconizadas pelo Scrum, atribuindo estórias (ou backlog itens) e suas respec-tivas tarefas a membros de sua equipe a cada sprint (ciclo de execução) do processo. Paraavaliar a evolução do projeto, o jogador deve igualmente verificar a velocidade de cadacolaborador, a velocidade da equipe e se adequar aos contratempos que irão surgir. Emfunção dos imprevistos, o jogador pode atuar sobre os personagens virtuais, aumentandoa pressão sobre eles, recompensando-os por seus esforços, investindo em treinamento ecapacitação, entre outras ações.


6.3 Trabalhos FuturosA curto prazo, pretende-se desenvolver as seguintes avaliações:

1. Avaliar a influencia individual dos parâmetros afetivos utilizados na ar-quitetura proposta visando a simplificação da mesma. A hipótese depesquisa é a de que, utilizando apenas parâmetros emocionais no mo-delo afetivo do agente, é suficiente para aumentar significativamente aeficiência do processo de raciocínio dos agentes. Dessa forma, a arqui-tetura seria eficiente e substancialmente mais simples.

2. Avaliar a arquitetura proposta no contexto associado ao ambiente queenvolve o jogo ScrumGame, visando trabalhar a caracterização do mundo,bem como os meta_info operators dos agentes envolvidos no jogo. Oteste envolve não só a criação de agentes diferentes e a avaliação do de-sempenho individual, mas também a avaliação da credibilidade dessesagentes no contexto da jogabilidade do aplicativo.

3. Desenvolver o sub-módulo planner e o sub-módulo M.I.O. para o usode multiplos comportamentos nos agentes.

A médio prazo, pretende-se desenvolver dois projetos:

1. Evoluir o algoritmo ReinSel, proposto em [Anne M.P. Canuto 2012],para que o filtro seja implementado como nos agentes AAF-SdTd, ouseja, com foco espacial e temporal dinâmicos. Dessa forma, o comitê declassificadores poderia receber conjuntos diferentes de atributos (tantoem qualidade como em quantidade) a cada processo de reconhecimento.A variação do conjunto de atributos dependenderá da percepção (LoI dofoco espacial e L do foco temporal) do(s) agente(s) envolvidos no pro-cesso de filtragem. Isso permitirá, a partir da configuração adequada dosaspectos do foco espacial e da função que define o L do foco temporal,fazer com que a diversidade do comitê seja sempre a maior possível,considerando o contexto temporal em que o comitê de classificadoresesteja operando.

2. Evoluir a implementação do sistema NatalGis [João Carlos Xavier Jr.2010], incorporando o conceito de importância social da informação.“Importância social” é o termo usado aqui para definir a relevância deuma determinada informação em relação com a reputação de quem aconsulta. Nessa nova versão do NatalGIS, o usuário poderá cadastrarum conceito que ele atribui aos demais usuários do sistema. Essa novainformação é parte do foco de atenção do agente de interface, quando eleconstrói a requisição que é enviada ao agente de recomendação. Dessemodo, as informações recomendadas também levarão em conta o con-ceito de quem as pesquisou antes dele, ou seja, as informações pesquisa-das por outros usuários cujo conceito é significativo para o usuário terãoprioridade perante àquelas que foram pesquisadas por pessoas cujo con-ceito não é significativo.


A longo prazo, pretende-se investigar o uso da arquitetura proposta em aplicaçõesque demandam cada vez mais por precisão em tempo reduzido. Na atualidade, vê-se umaumento significativo na necessidade das aplicações por dados em tempo real, fazendocom que as necessidades no que se define por “banda larga” se tornem maiores e forçandoos limites dos processos de transmissão de dados. Com cada vez mais informação sendogerada em intervalos de tempo cada vez menores, os filtros para definir, de forma eficiente,o que é importante em determinado contexto se tornam de extrema relevância para asaplicações mais recentes.

Alguns exemplos de aplicações foram mencionadas na seção 1.3 do capítulo 1, a títulode justificativa para a pesquisa realizada nesse trabalho. A seguir são citados mais algunsexemplos em que a arquitetura proposta pode ser útil.

• Visão computacional: robôs e/ou máquinas que precisam reconhecer in-formações e agir rapidamente a elas, ou seja a criação de Saliency Maps[Moosmann et al. 2006][Courty & Marchand 2003], para definir o que éou não importante nas imagens, dependendo do contexto de observaçãodas mesmas. Nesses mapas os elementos da imagem são normaliza-dos segundo algum critério de avaliação (cor, profundidade, orientação,etc) e colocados topograficamente em ordem de distinção. Exemplos deaplicações com essa necessidade são: cellbots, robôs que usam celula-res como módulos processadores para os processos de raciocínio, e oGoogle Driverless Car [Google 2012].• Data mining: no contexto apresentado, por exemplo, pelo Project Glass

da empresa Google [Google 2012a], onde os óculos precisam processarconstantemente os dados captados por uma câmera, para detalhar a rea-lidade aumentada que é projetada na lente para o usuário. Imaginando atroca de informações entre os óculos e um servidor sendo efetuada emtempo-real, a necessidade de uma seleção das informações a serem pro-cessadas é extremamente desejável. Além de processar as informações,os óculos devem também selecionar de forma adequada para a apre-sentação feita ao usuários (caso contrário ele não verá mais nada alémdos óculos). Um exemplo de uso poderia ser numa corporação policial.Através do processamento do que o policial vê, é possível saber, porexemplo, se alguém está sendo procurado pela polícia, se um carro queestá passando está em atraso nos impostos ou se é furtado, entre outras.Como a quantidade de informações a serem tratadas é muito grande,elas precisam ser filtradas em função da atividade (objetivo) do policial.• Business Intelligence (BI): facilitar a criação de conhecimento, a par-

tir da imensa quantidade de informações que as empresas conseguemcoletar sobre seus ambientes de negócio, fornecedores, clientes e con-correntes. Como o conhecimento desejado possui um determinado con-texto e objetivo, as informações precisam ser filtradas de acordo com asua relevância momentânea. Com esse conhecimento, cria-se a inteli-gência do negócio (BI), capaz de ajudar os gestores nas análises sobreas tendências do mercado, dos clientes, dos concorrentes, dentre outros.


Tendo em vista os trabalhos que estão em andamento (apresentados na seção 6.2)e abreve discussão sobre possibilidades futuras de uso dos princípios que norteiam a arquite-tura AAFA, apresentados nesta seção, vislumbra-se um possibilidade animadora de que otrabalho desenvolvido nesta pesquisa, traga uma contribuição significativa para a área dossistemas multiagentes e em outras áreas. Como forma de embasar essa esperança, pode-se comentar que: o andamento do projeto de desenvolviemnto de personagens virtuaise jogos sérios, se mostra promissor no sentido de, em conjunto com o framework Piaba,permitir a criação de uma plataforma de desenvolvimento de módulos de treinamento, quepossam ser tratados como pacotes reutilizáveis na confecção e desenvolvimento de novosjogos (a experiência no desenvolvimento do jogo ScrumGame tem sido valiosa nesse sen-tido); o aprimoramento do mecanismo ReinSel se mostra um caminho inovador na áreade comitês de classificadores; e a evolução do sistema NatalGis se mostra um desafio compossibilidades também inovadoras que incluem uma nova maneira de visualizar e utilizaro relacionamento das pessoas com as informações que procuram.

Referências Bibliográficas

Adamatti, Diana & Ana Bazan (2002), A framework for simulation of agents with emo-tions, em ‘Anais do WORKCOMP 02 - Workshop de Computacao’, ITA, São Josédos Campos - SP.

Alchieri, João Carlos, J. Núnez & C. Cervo (2004), ‘Avaliação de estilos de personalidadesegundo a proposta de theodore millon’, Psico 36(2), 175–179.

Aldrich, C. (2005), Learning by doing: a comprehensive guide to simulations, compu-ter games, and pedagogy in e-learning and other educational experiences, WileyDesktop Editions.

Alexander S. Klyubin, Daniel Polani, Chrystopher L. Nehaniv (2004), Tracking in-formation flow through the environment: Simple cases of stigmergy, em M. B.e. a.Jordan Pollack, ed., ‘Artificial Life IX: Proceedings of the Ninth InternationalConference on the Simulation and Synthesis of Living Systems’, Vol. 154, pp. 563–568.

Anne M.P. Canuto, Karliane M.O. Vale, Antonino Feitosa Alberto Signoretti (2012),‘Reinsel: a class-based mechanism for feature selection in ensemble of classifiers’,Applied Soft Computing Journal 1, 1–1.

Asano, Christian Becker, Nadine Lessmann, Ipke Wachsmuth & Stefan Kopp (2006),Connecting feelings and thoughts - modeling the interaction of emotion and cogni-tion in embodied agents, em E.Goliardiche, ed., ‘Proceedings of The Seventh Inter-national Conference on Cognitive Modeling (ICCM-06)’, Trieste - Italia, pp. 32–37.

Austin, John L. (1965), How to do Things with words, Oxford University Press, London -England.

Aylett, Ruth, Kerstin Dautenhahn, Jim Doran, Michael Luck, Scott Moss & Moshe Ten-nenholtz (2000), ‘Can models of agents be transferred between different areas?’,The Knowledge Engineering Review 15(2), 197 –203.

Bajcsy, Ruzena (1988), ‘Active perception’, PROCEEDINGS OF THE IEEE 76(8), 996– 1005.

Bales, R. F. (1991), Social Interaction Systems: Theory and Measurement, TrasanctionPublishers, New Jersey - USA.

156

REFERÊNCIAS BIBLIOGRÁFICAS 157

Bartneck, Christoph (2002a), eMuu - an embodied emotional character for the ambientintelligent home, Tese de doutorado, Eindhoven University of Technology - Eindho-ven.

Bartneck, Christoph (2002b), Integrating the occ model of emotions in embodied cha-racters, em ‘Proceedings of The Workshop on Virtual Conversational Characters:Applications, Methods, and Research Challenges’, citeseerx, Melbourne - Austra-lia, pp. 29 – 36.

Bates, Joseph (1992), ‘Virtual reality, art, and entertainment’, The Journal of Teleopera-tors and Virtual Environments 1(1), 133–138.

Bazzan, Ana L. C. & Rafael H. Bordini (2001), A framework for the simulation of agentswith emotions, em ‘Proceedings of the fifth international conference on Autonomousagents and multiagent systems’, ACM, Montreal, Quebec - Canada.

Bonabeau, Eric (1999), ‘Editor’s introduction: stigmergy’, Artif. Life 5(2), 95–96.

Bordini, Rafael H., Jomi Fred Hübner & Michael Wooldridge (2007), ProgrammingMulti-Agent Systems in AgentSpeak using Jason, John Wiley Sons Ltd, West Sussex- England.

Bratman, Michael (1965), Intention, Plans and Practical Reason, Harvard UniversityPress, Cambridge - USA.

Brooks, Rodney A. (1986), ‘A robust layered control system for a mobile robot’, IEEEJournal of Robotics and Automation 2, 14–23.

Burkitt, Mark & Daniela M. Romano (2008), The mood and memory of believable adap-table socially intelligent characters, em ‘Proceedings of Intelligent Virtual Agents,8th International Conference, IVA 2008’, Springer, Tokyo - Japan.

Campos, André, Frank Dignum, Virginia Dignum, Alberto Signoretti, Anne Magály &Sérgio Fialho (2009a), Modeling agent reasoning process according to a personalitytypemodeling agent reasoning process according to a personality type. Submetidoao IAT 2009.

Campos, André, Frank Dignum, Virginia Dignum, Alberto Signoretti, Anne Magály &Sérgio Fialho (2009b), A process-oriented approach to model agent personality, em‘Proceedings of The 8th International Conference on Autonomous Agents and Mul-tiagent Systems - AAMAS2009’, Budapest - Hungary, pp. 1141–1142.

Campos, André M., Anne Magály Canuto, Patricia Tedesco & João Carlos Alchieri(2006), Avaliação psicológica através de jogos sérios em dispositivos móveis (psy-game), Proposta de projeto apresentado no edital mct/cnpq 02/2006 universal, Di-map - UFRN, Natal, RN.


Campos, André M. C., Alberto Signoretti, Pedro Lima, Edwyn Luis & Marcela Fontes(2011), Um jogo voltado à prática de gerenciamento de projetos, em ‘Anais do XXIISBIE - XVII WIE’, pp. 534–537.

Campos, André M., Frank Dignum & Virginia Dignum (2008), From individuals to socialand vice-versa, em A.Artikis & G.Picard, eds., ‘Engineering Societies in the AgentsWorld IX’, Springer Berlin / Heidelberg, Berlim - Germany, pp. 264–279.

Campos, André M., Vicente Pires Lustosa Neto, Aldo C. G. Costa & Luis Marcos Gar-cia Gonçalves (2003), Introducing personality in game characters, em ‘Proceedingsof the 2nd Brazilian Workshop on Games and Digital Entertainment’, SociedadeBrasileira de Computação, Salvador - BA.

Campos, André Maurício, Anne Magály Canuto, João Carlos Alchieri, Araken Santos,Emanuel dos Santos & Rodrigo Soares (2006), A flexible framework for repre-senting personality in agents, em IEEE, ed., ‘IEEE/ACM proceedings of AAMAS2006’, IEEE, Hakodate, Japan.

Campos, André Maurício, Anne Magály Canuto, João Carlos Alchieri, Eliane C. M.de Moura & Araken de M. Santos (2005), Desenvolvimento da avaliação psicoló-gica: modelagem de organizações humanas por meio de simulações computacionais,em A. A. I.de Diagnóstico y Evaluación Psicológica, ed., ‘Anais do Congreso Ibe-roamericano de Evaluación Psicológica’, AIDEP - Asociación Iberoamericana deDiagnóstico y Evaluación Psicológica, Buenos Aires.

Campos, André Maurício, Vicente Pires Lustosa Neto, Aldo C. G. Costa & Luis Mar-cos Garcia Gonsalves (2003), Simulating working environments through the use ofpersonality-based agents, em ‘Proceedings of the 2nd Brazilian Workshop on Gamesand Digital Entertainment’, Sociedade Brasileira de Computação, Salvador - BA.

Canuto, Anne, André Campos & João Alchieri (2005), Simulation of human organizati-ons: An analysis of the simulation, Relatório técnico projeto simorg - cnpq pdpg-ti552431/2002-8, Dimap - UFRN, Natal, RN.

Canuto, Anne Magály, André M. Campos & João Carlos Alchieri (2004), Uso de simu-lações de organizações como uma ferramenta educacinal, Relatório técnico projetosimorg - cnpq pdpg-ti 552431/2002-8, Dimap - UFRN, Natal, RN.

Canuto, Anne Magály, André Maurício Campos, Eliane C. M. de Moura, Arakende M. Santos, Rodrigo G. F. Soares, Emanuel B. dos Santos & Kaio Dantas (2006),Simulating working environments through the use of personality-based agents, emS. O. R.Jaime Simão Sichman, Helder Coelho, ed., ‘Lectures Notes in ArtificialInteligence - IBERAMIA/SBIA’, Springer Berlin / Heidelberg, Riberão Preto - SP,pp. 108–117.

Canuto, Anne Magály, André Maurício Campos, João Carlos Alchieri, Eliane de Moura,Araken Santos, Rodrigo Soares & Emanuel dos Santos (2005), A personality-based


model of agents for representing individuals in working organizations, em IEEE, ed.,‘Proceedings of IEEE/WIC/ACM Intelligent Agent Technology’, IEEE, França.

Célia Da Costa Pereira, Andrea G. B. Tettamanzi (2008), Goal generation with relevantand trusted beliefs, em ‘In Proceedings of AAMASŠ08’, pp. 397–404.

Courty, Nicolas & E. Marchand (2003), Visual perception based on salient features, em‘IEEE Int. Conf. on Intelligent Robots and Systems, IROS’03’, Vol. 2, Las Vegas,Nevada, United States, pp. 1024 –1029.

Cristiano Castelfranchi, Rino Falcone, Michele Piunti (2006), Cristiano castelfranchi andrino falcone and michele piunti, em ‘in ECAI 2006, 17th European Conference onArtificial Intelligence’, IOS Press, pp. 693–694.

da Silva, Danielle Rousy Dias (2009), Atores Sintéticos em Jogos Sérios: Uma Aborda-gem Baseada em Psicologia Organizacional, Tese de doutorado, Universidade Fe-deral de Pernambuco - Centro de Informática, Recife, Pernambuco.

Damasio, Antonio R. (1995), Descartes Error - Emotion, Reason and the Human Brain,Harper Perennial, New York, NY.

Danny Weyns, Elke Steegmans, Tom Holvoet (2004), ‘A model for active perception insituated multi-agent systems’, Applied Artificial Intelligence 18(8 - 9), 867– 883.

Demsar, J. (2006), ‘Statistical comparisons of classifiers over multiple data sets’, Journalof Machine Learning Research 7, 1–30.

Dignum, F., Morley D. Sonenberg E.A. Cavedon L. (2000), Towards socially sophistica-ted bdi agents, em ‘Proceedings of the Fourth International Conference on Multi-Agent Systems (ICMAS-2000)’, IEEE Computer Society, Washington, DC, USA,pp. 111 – 118.

Egges, Arjan, Sumedha Kshirsagar & Nadia Magnenat-Thalmann (2004), ‘Generic perso-nality and emotion simulation for conversational agents’, Computer Animation AndVirtual Worlds 15(1), 1–13.

Ekman, Paul (1994), All emotions are basic, em P.Ekman & R.Davidson, eds., ‘TheNature of Emotion Fundamental Questions’, Affective Science, Oxford UniversityPress, pp. 15–20.

Fabio Bellifemine, Giovanni Caire & Dominic Greenwood (2007), Developing Multi-Agent Systems using JADE, Wiley Series in Agent Technology, Wiley Desktop Edi-tions.

Fox, E., R. Russo, R. Bowles & K. Dutton (2001), ‘Do threatening stimuli draw orhold visual attention in subclinical anxiety?’, Journal of Experimental Psychology130, 681–700.


Franklin, Stan & Art Graesser (1997), Is it an agent, or just a program?: A taxonomyfor autonomous agents, em ‘Proceedings of the Workshop on Intelligent AgentsIII, Agent Theories, Architectures, and Languages’, Springer-Verlag, London, UK,pp. 21–35.

Frijda, Nico H. (1987), ‘Comments on oatley and johnson-laird’s "towards a cognitivetheory of emotions"’, Cognition and Emotion 1(1), 51–58.

Gabriel Mello, Talvany Carlotto, Geiseane Rubi Henrique Seffrin Patrícia Augustin Ja-ques (2009), ‘Implementando o agente de base de domínio do sistema tutor inteli-gente pat2math’, RENOTE - Novas Tecnologias na Educção - UFRGS 7(1), 1–10.

Garcia, Ana C. B. & Jaime Simão Sichman (2003), Sistemas Inteligentes, Fundamentose Aplicações, Vol. 1, Manole, São Paulo - SP, capítulo Agentes e Sistemas Multia-gentes, pp. 269–306.

Gardner, Martin (1970), ‘Mathematical games the fantastic combinations of johnconway’s new solitaire game life’, Scientific American pp. 120 –123.

Gebhard, P., Kipp K.H. (2006), Are computer-generated emotions and moods plausible tohumans?, em Y. M. A. R. B. D. O. P.Gratch, J., ed., ‘Proceedings 6th InternationalConference on Intelligent Virtual Agents (IVA’06)’, Vol. 4133, Springer, Heidelberg,p. 343U356.

Gebhard, Patrick (2005), Alma - a layered model of affect, em ‘Proceedings of Thefourth international joint conference on Autonomous agents and multiagent sys-tems’, ACM, Utrecht - the Netherlands, pp. 29 – 36.

Gebhard, Patrick, Martin Klesen & Thomas Rist (2004), Coloring multi-character con-versations through the expression of emotions, em ‘Proceedings of the Tutorial andResearch Workshop on Affective Dialogue Systems (ADS’04)’, Springer, Berlin,Kloster Irsee- Germany.

Gebhard, Patrick, Michael Kipp & Thomas Rist (2003), Adding the emotional dimensionsto scripting character dialogues, em ‘Proceedings of The 4th International WorkingConference on Intelligent Virtual Agents (IVA’03)’, Springer, Berlin, Kloster Irsee-Germany.

Georgeff, Michael P., Barney Pell, Martha E. Pollack, Milind Tambe & MichaelWooldridge (1998), The belief-desire-intention model of agency, em S.Haller &G.Simmons, eds., ‘Proceedings of the 5th International Workshop on IntelligentAgents V, Agent Theories, Architectures, and Languages’, Springer-Verlag, Lon-don - UK, pp. 1–10.

Gilbert, Nigel & Klaus G. Troitzsch Buckingham (1999), Simulation for the Social Sci-entist, Open University Press.


Google (2012), ‘Google driveless’, Website. http://en.wikipedia.org/wiki/Google_driverless_car.

Google (2012a), ‘Google project glass’, Website. http://en.wikipedia.org/wiki/Project_Glass.

Gratch, Jonathan & Stacy C. Marsella (2004), ‘A domain-independent framework formodelling emotion’, Journal 5(4), 269–306.

Hillier, Frederick S. & Gerald J. Lieberman (2010), Introdução à Pesquisa Operacional,Mcgraw-hill - Bookman.

Hulse, L.M. & A. Memon (2006), ‘Fatal impact? the effects of emotional arousal andweapon presence on police officers’ memories for a simulated crime’, Legal andCriminological Psychology 11, 313–325.

Ilgen, D.R. & C.L. Hulin (2000), Computational Modeling of Behavior in Organizati-ons: The Third Scientific Discipline, American Psychological Association (APA),Washington - USA.

Janis, Irving L. & Leon Mann (1977), Decision making : a psychological analysis ofconflict, choice, and commitment, Free Press, New York - USA.

Johannes S. Breuer, Gary Bente (2010), ‘Why so serious? on the relation of serious gamesand learning’, Eludamos. Journal for Computer Game Culture 4(1), 7 – 24.

João C. Xavier Junior, Anne M. P. Canuto, Alex Alves Freitas Luiz M. G. GonçalvesCarlos Nascimento Silla Jr. (2011), A hierarchical approach to represent relationaldata applied to clustering tasks, em ‘Proceedings of International Joint Conferenceon Neural Networks, IJCNN’, IEEE, pp. 3055 – 3062.

João Carlos Xavier Jr., Alex Alves Freitas, Anne M. P. Canuto Luiz Marcos Gonçal-ves (2010), Web log data clustering for a multi-agent recommendation system, em‘Proceedings of International Conference on Machine Learning and Cybernetics,ICMLC’, pp. 471 – 476.

Jung, Carl (1921), Psychologische Typen, Rascher Verlag, Zürich.

Junior, Antonio Fernando Lavareda Jacob (2008), Buti: um companheiro virtual base-ado em computação afetiva para auxiliar na manutenção da saúde cardiovascular,Dissertação de mestrado, UFPE.

Junior, João C. Xavier, Alberto Signoretti, Anne M. P. Canuto, André M. C. Campos,Luiz Marcos Gonçalves & Sergio V. Fialho (2011), Introducing affective agents inrecommendation systems based on relational data clustering, em A. H.et al. (Eds.),ed., ‘DEXA (2)’, Vol. 6861 de LNCS, Springer, pp. 303–310.

http://en.wikipedia.org/wiki/Google_driverless_car

http://en.wikipedia.org/wiki/Google_driverless_car

http://en.wikipedia.org/wiki/Project_Glass

http://en.wikipedia.org/wiki/Project_Glass


K. Vale, F. Dias, A. Canuto & M. Souto (2008), Reinsel: a class-based mechanism forfeature selection in ensemble of classifiers, em ‘IEEE proceedings of HIS - Interna-tional Conference on Hybrid Intelligent Systems’, Vol. 1, IEE, pp. 596 – 601.

Kasap, Zerrin, Maher Ben Moussa, Parag Chaudhuri & Nadia Magnenat Thalmann(2009), ‘Making them remember - emotional virtual characters with memory’, IEEEComputer Graphics and Applications 29(2), 20–29.

Kessler, Henrik, Alexander Festini, Harald C. Traue, Suzanne Filipic, Michael Weber& Holger Hoffmann (2008), Affective Computing: Focus on Emotion Expression,Synthesis and Recognition, InTech Education and Publishing, Vienna - Austria, ca-pítulo SIMPLEX: Simulation of Personal Emotion Experience, pp. 255–270.

Knapik, Michael & Jay Johnson (1998), Developing Intelligent Agents for DistributedSystems, McGraw-Hill.

Koster, Andrew, Fernando Koch, Liz Sonenberg & Frank Dignum (2008), Augmentingbdi with relevance- supporting agent-based pervasive applications, em ‘PervasiveMobile Interaction Devices (PERMID 2008) Workshop at Pervasive 2008’.

Lekavy, Marian & Pavol Navrat (2007), Expressivity of strips-like and htn-like planning,em ‘Agent and Multi-Agent Systems: Technologies and Applications’, Lecture No-tes in Computer Science, Springer Berlin, pp. 121–130.

Li, Xiaochen, Wenji Mao, Daniel Zeng & Fei-Yue Wang (2008), Agent-based social si-mulation and modeling in social computing, em C. e. a.Yang, ed., ‘Intelligence andSecurity Informatics’, Vol. 5075, Springer Berlin / Heidelberg, pp. 401 – 412.

Lino, Nancy, Patricia Tedesco & Danielle Rousy (2006), Modelo de percepção de agentesinteligentes baseados em emoções, em E. C. L. F. G. R.Bruno Feijó, André Neves& M.Walter, eds., ‘DIGITAL PROCEEDINGS of the Proceedings of V BrazilianSymposium on Computer Games and Digital Entertainment’, Sociedade Brasileirade Computação, Recife, PE.

Lorini, Emiliano & Michele Piunti (2010), Introducing relevance awareness in bdi agents,em ‘Proceedings of the 7th international conference on Programming multi-agentsystems - ProMAS09’, Springer-Verlag, Berlin, Heidelberg, pp. 219–236.

Luis Sarmento, Daniel Moura, Eugénio Oliveira (2004), Fighting fire with fear, emW. v. d. H.C.Ghidini, P.Georgini, ed., ‘Proceedings of EUMAS-04, 2nd EuropeanWorkshop on Multi-Agent Systems’, pp. 627 – 634.

Magnenat-Thalmann, Nadia & Zerrin Kasap (2009), Virtual humans in serious games, em‘Proceedings of the 2009 International Conference on CyberWorlds’, CW ’09, IEEEComputer Society, Washington, DC, USA, pp. 71–79.

Marsella, Stacy C. & Jonathan Gratch (2009), ‘Ema: A process model of appraisal dyna-mics’, Journal of Cognitive Systems Research 10(1), 70–90.


Matteo Venanzi, Michele Piunti, Rino Falcone Cristiano Castelfranchi (2011), Aamasworkshop trust in agents societies (trust-11), em ‘Workshop TRUST in AGENTSSOCIETIES’.

McCrae, Robert R. & Oliver P. John (1992), ‘An introduction to the five-factor model andits applications’, Journal of Personality 60, 171–215.

McCrae, Robert R. & Paul T. Costa (1989), ‘Reinterpreting the myers-briggs type indica-tor from the perspective of the five-factor model of personality’, Journal of Perso-nality 57(1), 17–40.

McPhee, Wiliam, Bereisen B. R. Lazarsfeld P. F. McPhee Wiliam Bereisen B. R. Lazars-feld P. F. (1966), Voting: A Study of Opinion Formation in a Presidential Campaign,University Of Chicago Press.

McRae, R. R. & P. T. Costa (1996), The five-factor model of personality: Theoreticalperspectives, The Guilford Press, New York, capítulo Toward a new generation ofpersonality theories: Theoretical contexts for the five-factor model, pp. 51 – 87.

Mehrabian, Albert (1996a), ‘Analysis of the big-five personality factors in terms of thepad temperament model’, Australian Journal of Psychology 48(2), 86–92.

Mehrabian, Albert (1996b), ‘Pleasure-arousal-dominance - a general framework for des-cribing and measuring individual differences in temperament’, Current Psychology14(4), 261–292.

Minsky, Marvin (1969), Semantic Information Processing, Vol. 1, MIT Press, Massachu-setts - USA, capítulo Matter, Mind and Models, pp. 269–306.

Moosmann, Frank, Diane Larlus & Frederic Jurie (2006), Learning saliency maps forobject categorization, em ‘In ECCVŠ06 Workshop on the Representation and Useof Prior Knowledge in Vision’.

Morgado, Luís Graça (2006), Integração de Emoção e Raciocínio em Agentes Inteligen-tes, Tese de doutorado, Faculdade de Ciências da Universidade de Lisboa, Lisboa,Portugal.

Morris, William N. (1989), Mood: The Frame of Mind, Springer, New York.

Myers, I. B., M. H. McCaulley, N. L. Quenk & A. L. Hammer (1998), MBTI Manual:A guide to the development and use of the Myers Briggs type indicator, ConsultingPsychologists Press, Menlo Park, CA.

Newell, Allen & Herbert Alexander Simon (1972), Human problem solving, NJ: Prentice-Hall.

Oatley, P. & P. N. Johnson-Laird (1987), ‘Towards a cognitive of emotions’, Cognitionand Emotion 1(1), 29–50.


Oliveira, Eugenio & Luís Sarmento (2002), ‘Emotional valence-based mechanisms andagent personality’, Lecture Notes In Computer Science 2507, 771–780.

Oliveira, Eugénio & Luis Sarmento (2003), Emotional advantage for adaptability andautonomy, em M.-M.J.Rosenschein, T.Sandholm, ed., ‘2nd Joint Conference on Au-tonomous Agents and Multi-Agent Systems - AAMAS ’03’, ACM Press.

Ortony, A., G. Clore & A. Collins (1990), The Cognitive Structure of Emotions, CambrigeUniversity Press, New York, EUA.

Ortony, Andrew (2003), Emotions in Humans and Artifacts, MIT Press, MassachusettsLondon - England, capítulo On making believable emotional agents believable,pp. 189 – 212.

Ortony, Andrew & Terence J. Turner (1990), ‘What is basic about basic emotions?’, Psy-chilogical Review 97(3), 315–331.

Padgham, Lin & Michael Winikoff (2004), Developing Intelligent Agent Systems - A pra-tical guide, Wiley Series in Agent Technology, Wiley.

Parunak, H. Van Dyke, Robert Bisson, Sven Brueckner, Robert Matthews & John Sauter(2006), A framework for the simulation of agents with emotions, em ‘Proceedings ofthe fifth international conference on Autonomous agents and multiagent systems’,ACM, Hodekate - Japan, pp. 993–995.

Pereira, David, Eugénio Oliveira, Nelma Moreira & Luís Sarmento (2005), Towards anarchitecture for emotional bdi agents., em ‘Proceedings of Portuguese Conferenceon Artificial intelligence (EPIA)’, Covilha - Portugal, pp. 40–46.

Picard, R. W. (1995), Affective computing, Relatório Técnico 321, M.I.T Media Labora-tory Perceptual Computing Section, 20 Ames St., Cambridge, MA 02139.

Picard, Rosalind W. (1997), Affective Computing, The MIT Press.

Prietula, M., K.M. Carley & L. Gasser, eds. (1998), Simulating Organizations: Compu-tational Models of Institutions and Groups, AAAI Press/MIT Press, Menlo Park -CA.

Prinz, Jesse (2004), Which emotions are basic?, em D.Evans & P.Cruse, eds., ‘Emotion,Evolution, and Rationality’, Ox, pp. 69–88.

Rao, Anand S. (1996), Agentspeak(l): Bdi agents speak out in a logical computable lan-guage, em W. V.de Velde & J. W.Perram, eds., ‘MAAMAW ’96 Proceedings of the7th European workshop on Modelling autonomous agents in a multi-agent world’,New York - USA, pp. 42–55.

Reithinger, Norbert, Patrick Gebhard, Markus Lockelt, Alassane Ndiaye, Norbert Pfleger& Martin Klesen (2006), Virtualhuman: dialogic and affective interaction with vir-tual characters, em ‘Proceedings of the 8th international conference on Multimodalinterfaces’, ICMI ’06, ACM, New York, NY, USA, pp. 51–58.


Reynolds, Craig W. (1987), Flocks, herds and schools: A distributed behavioral model,em ‘Proceedings of the 14th annual conference on Computer graphics and interactivetechniques’, SIGGRAPH 1987, ACM, New York, NY, USA, pp. 25 – 34.

Rick Rogers, John Lombardo, Zigurd Mednieks & Blake Meike (2009), Android Appli-cation Development, O’Reilly.

Romano, Daniela M., Gary Sheppard, James Hall, Adam Miller & Zhinan Ma (2005),Basic: A believable adaptable socially intelligent character for social presence,em ‘Proceedings of The 8th Annual International Workshop on Presence (PRE-SENCE’05)’, Springer, London - UK.

Rosenschein, Jeffrey S. & Gilad Zlotkin (1994), Rules of Encounter: Designing Conven-tions for Automated Negotiation among Computers, Artificial Intelligence Series,The MIT Press.

Russell, Stuart J. & Peter Norvig (2009), Artificial Intelligence: A Modern Approach 3rdEdition, Prentice Hall, New Jersey - USA.

Santana, L. (2008), Uma análise comparativa entre sistemas de combinação de classifica-dores com distribuição vertical dos dados, Dissertação de mestrado, Dimap - UFRN,Natal, Brasil.

Santana, L.; Signoretti, A.; Canuto A.; (2008a), An analysis of data distribution methodsin classifier combination systems, em ‘IEEE International Joint Conference onNeural Networks. IJCNN 2008. (IEEE World Congress on Computational Intelli-gence).’, IEE, pp. 1220 – 1227.

Santana, Laura E. A. (2012), Otimização em comitês de classificadores: Uma aborda-gem baseada em filtro para seleção de subconjuntos de atributos, Tese de doutorado,Universidade Federal do Rio Grande do Norte, UFRN, Brasil.

Sarmento, Luís Morais (2004), An emotion-based agent architecture, Dissertação de mes-trado, Faculdade de Ciências da Universidade do Porto, Porto, Portugal.

Sawyer, Ben (2007), ‘Serious games: Broadening games impact beyond entertainment’,Computer Graphics Forum 26(3), xviii–xviii.

Scheutz, Matthias (2002), Agents with or without emotions?, em S.Haller & G.Simmons,eds., ‘Proceedings of the Fifteenth International Florida Artificial Intelligence Rese-arch Society Conference’, AAAI Press, Pensacola Beach - Florida, pp. 89–93.

Schmidt, Bernd (2002), Modelling of human behaviour the pecs reference model, emA.Verbraeck & W.Krug, eds., ‘Proceedings of The 14th European Simulation Sym-posium (SCS Europe BVBA)’, Dresden - Germany.

Schwaber, K. & M. Beedle (2001), Agile software development with Scrum, Agile Soft-ware Development, 1ł edição, Prentice Hall.


Siebers, Peer-Olaf & Uwe Aickelin (2008), Encyclopedia of Decision Making and Deci-sion Support Technologies, Vol. 2, Information Science Reference, Hershey - NewYork, capítulo Intruduction to Multi-Agent Simulation, pp. 554–564.

Siebers, P.O., Aickelin U Celia H. & C. Clegg (2008a), Encyclopedia of Decision Makingand Decision Support Technologies, Vol. 2, Information Science Reference, Hershey- New York, capítulo Multi-Agent Simulation and Management Practices, pp. 645 –652.

Sierhuis, Maarten, William J. Clancey, Ron van Hoof & Robert de Hoog (2000), Mo-deling and simulating human activity, em M.Freed, ed., ‘SIMULATING HUMANAGENTS: PAPERS FROM THE AAAI FALL SYMPOSIUM’, AAAI Press, NorthFalmouth- MA.

Signoretti, A., Feitosa A. Campos A. Canuto A. M. Fialho S. Xavier-Junior J. C.(2011), Using an affective attention focus for improving the reasoning process andbehavior of intelligent agents, em I. C. S.Press, ed., ‘Proceedings of The 2011IEEE/WIC/ACM International Conference on Intelligent Agent Technology (IAT2011)’, IEEE Computer Society Press, pp. 97–100.

Signoretti, Alberto, André M. Campos, Anne M. Canuto, Laura E. A. Santana & Ser-gio V. Fialho (2008), Escola Potiguar de Computação e suas Aplicações, Vol. 1de EPOCA, EDUFRN, Natal - RN, capítulo Simulação de organizações através doParadigma de Agentes Inteligentes, pp. 67–95.

Signoretti, Alberto, Antonino Feitosa, André M. Campos, Anne M. Canuto & Sergio V.Fialho (2010), Increasing the efficiency of npcs using a focus of attention basedon emotions and personality, em ‘SBC - Proceedings of SBGames 2010’, IEEEComputer Society, Florianópolis - Brasil, pp. 171–181.

Silva, D. R., C. A. Siebra, J. L. Valadares & A. L. Almeida et al (2001), ‘A synthetic actormodel for long-term computer games’, Virtual Reality (5), 1–10.

Silverman, Barry G., Michael Johns, Jason Cornwell & Kevin O’Brien (2006), ‘Humanbehavior models for agents in simulators and games: part i: enabling science withpmfserv’, Presence: Teleoperators and Virtual Environments 15(2), 139–162.

Silverman, Barry, Gnana Bharathy, Jason Cornwell & Kevin O’Brien (2006), ‘Humanbehavior models for agents in simulators and games: part ii: gamebot engineeringwith pmfserv’, Presence: Teleoperators and Virtual Environments 15(2), 163 – 185.

Simon, Herbert (1967), ‘Motivational and emotional controls of cognition’, PsychologicalReview 74(1), 29–39.

Sloman, Aaron & Monica Croucher (1981), Why robots will have emotions, em ‘Procee-dings of The 7th Int. Joint Conference on AI’, Vancouver - Canada, pp. 197–202.


Smith, Craig A. & Richard S. Lazarus (1990), Handbook of Personality: Theory andResearch, Guilford, New York, capítulo Emotion and Adaptation, pp. 609 – 637.

Smith, Reid G. (1980), ‘The contract net protocol: High-level communication and controlin a distributed problem solver’, IEEE TRANSACTIONS ON 1104 COMPUTERS C-29(12), 1104 – 1113.

Troitzsch, Klaus G. (2000), Approaching agent based simulation, Página na in-ternet:http://www.uni-koblenz.de/~moeh/publik/ABM.pdf, Institut fur Sozi-alwissenschaftliche Informatik: FIRMA Meeting 2000.

Urban, Christoph & Bernd Schmidt (2001), Pecs: Agent-based modelling of human beha-viour, em AAAI, ed., ‘Proceedings of The 2001 AAAI Fall Symposium: Emotionaland Intelligent II: The Tangled Knot of Social Cognition’, North Falmouth, Massa-chusetts.

Vicente, Angel de & Helen Pain (1998), Motivation diagnosis in intelligent tutoring sys-tems, em ‘Proceedings of the 4th International Conference on Intelligent TutoringSystems’, ITS ’98, Springer-Verlag, London, UK, pp. 86–95.

Wilson, Ian (1999), ‘Artificial emotion: Simulating mood and personality’, Gamasutra:The Art and Science of Making Games 3(18).

Wilson, Ian (2000), The artificial emotion engine, driving emotional behavior, em AAAI,ed., ‘Proceedings of The 2000 AAAI Spring Symposium on Artificial Inetelligenceand Interactive Entertainment’, Palo Alto - California, pp. 76–80.

Wooldridge, Michael (2002), An Introduction to MultiAgent Systems, John Wiley Sons,West Sussex - England.

Xavier-Junior, João Carlos (2012), NatalGIS: Um Sistema Multiagente de Recomendaçãode Informações Geográficas baseado em Agrupamento de Dados Relacionais, Tesede doutorado, Universidade Federal do Rio Grande do Norte, UFRN, Brasil.

Zeisset, Carolyn (2006), The Art of Dialogue, Center of Applications of PsychologicalType, Gainesville - Florida.

http://www.uni-koblenz.de/~moeh/publik/ABM.pdf

Apêndice A

Informações Adicionais A

Nas próximas seções são apresentados os resultados obtidos no cenário de teste 03.Os resultados desse cenário estão sendo apresentados como informação adicional, poisapresentam características muito semelhantes aos apresentados pelos cenários 01 e 02.

A.1 Análise Resultados do Cenário de Teste 03O cenário de teste 03 é o mais simples de todos (vide Figura 5.4) e foi usado para

comparações em relação aos parâmetros de medição número de passos e tempo de simu-lação. Como já era esperado pela configuração do cenário, o número de agentes mortosem todas as simulações efetuadas com agentes AAF foi estatisticamente similar às simu-lações realizadas com os agentes OMN, que foi de zero mortos. Dessa forma, os dados aseguir não mostram esses resultados.

Tendo em vista que a influência do foco quantitativo dinâmico atuando sozinho emrelação ao foco qualitativo, não foram realizados experimentos usando agentes do tipoAAF-SfTd.

A configuração usada para o foco qualitativo foi a mesma utilizada para os outroscenários e pode ser vista na Tabela 5.4. A configuração usada para o foco quantitativo émostrada na Tabela A.1.


100015001750

Tabela A.1: Foco quantitativo usado nos testes com o cenário 03.

A.1.1 OMN versus AAF-SfTfA Tabela A.2 mostra os resultados obtidos com simulações com agentes oniscientes

(OMN), a média de todos as simulações usando agentes AAF-SfTf (Average) e os resul-

APÊNDICE A. INFORMAÇÕES ADICIONAIS A 169

tados para a melhor e pior média de tempo, Best Time e Worst Time respectivamente.

OMN F L Savg Sdev Tavg TdevAll 25.740 3.078 737.912 82.016

AAF-SfTf F L Savg Sdev Tavg TdevAverage 27.488 4.152 225.189 170.297

Best Time 10000 250 26.000 2.191 72.015 9.015Worst Time 10100 1750 30.100 5.770 572.791 74.170

Tabela A.2: Tabela de resultados comparativos entre agentes oniscientes (OMN) e agentesAAFA com foco qualitativo e quantitativo fixo (AAF-SfTf) - cenário 03.

Analisando a Tabela A.2 ve-se que, em relação à quantidade de passos, os agentesAAF-SfTf obtiveram resultados estatisticamente superiores ao valor médio obtido pelosagentes OMN. As diferenças foram de 6.79% para o caso Average, 1.01% para o casoBest Time e 16.94% para o caso Worst Time. Em relação ao tempo de simulação, to-dos os resultados obtidos pelos agentes AAF foram significativamente inferiores à médiados resultados dos agentes OMN. As disferenças foram de 69.48% para o caso Average,90.24%% para o caso Best Time e 22.38% para o caso Worst Time. Considerando o casoBest Time, onde o número de passos cresceu apenas 1.01% enquanto o tempo de simu-lação foi reduzido em 90.24% (número de mortos igual a zero), tem-se um resultadosignificativamente positivo para os agentes AAF.

A Tabela A.3 apresenta os resultados das simulações com agentes OMN e dos agentesAAF-SfTf agrupados por foco quantitativo e por foco qualitativo. Considerando o parâ-metro número de passos de simulação, vê-se que no agrupamento por foco quantitativotodos os resultados são estatisticamente e numericamente superiores ao resultado OMNem um faixa que varia de 5.78% a 8.08%. No agrupamento por foco qualitativo, os casosdo número 5 ao 8 apresentam resultados estatisticamente e numericamente inferiores aoresultado OMN numa faixa entre 4.63% e 5.90%. Esse grupo de casos corresponde aofoco qualitativo onde o aspecto Exit está ativado conjuntamente com o aspecto Agents.Todos os demais resultados desse agrupamento são superiores aos resultados OMN.

A visualização gráfica desses resultados mostra que, para o agrupamento por focoquantitativo, os resultados se comportam de maneira aproximadamente constante (GráficoA.1), com o número de passos de simulação variando entre os valores 27 e 28. Para oagrupamento por foco qualitativo vê-se que o comportamento dos resultados se divide emtrês fases distintas, dependendo do foco qualitativo vigente. A primeira fase correspondeaos casos de 1 a 4 (aspecto Exit sempre ativado, a segunda fase corresponde aos casos de5 a 8 (aspecto Exit ativado conjuntamente com o aspecto Agents), e finalmente, a terceirafase que corresponde à ativação do aspecto Danger nos casos de 9 a 16 (Gráfico A.2).Esse comportamento da terceira faze acontece de forma similar ao encontrado para osmesmos casos nos cenários de testes 01 e 02.

Para os dados referentes ao tempo de simulação, a visualização gráfica para o agru-pamento por foco qualitativo (Gráfico A.3) mostra um comportamento muito próximo aoexibido pelo parâmetro de número de passos de simulação. Ou seja, o gráfico do tempotambém está dividido em três fases distintas. Novamente, a primeira fase corresponde aos


OMN Savg Sdev Tavg Tdev25.740 3.078 737.912 82.016

AAF-SfTf L Savg Sdev Tavg Tdev1 250 27.228 3.599 118.356 35.3602 500 27.444 4.342 156.835 71.4803 750 27.430 4.031 192.219 106.5294 1000 27.494 4.131 226.455 141.0975 1250 27.481 4.177 260.695 175.2216 1500 27.819 4.880 294.010 210.2877 1750 27.518 4.036 327.751 244.463

F Savg Sdev Tavg Tdev1 10000 25.864 2.026 72.359 7.6362 10010 26.114 2.293 76.018 8.1763 10001 26.164 2.271 104.324 15.6534 10011 26.100 2.044 107.234 15.1435 11000 24.271 1.539 73.877 7.9176 11010 24.549 1.826 77.428 8.2367 11001 24.539 1.784 102.000 14.5868 11011 24.221 1.613 104.873 14.3989 10100 29.779 5.470 363.374 150.351

10 10110 29.679 4.153 362.574 150.24111 10101 30.057 3.918 361.739 145.78212 10111 30.071 4.744 362.564 148.05113 11100 29.686 4.803 357.572 149.19414 11110 29.386 4.222 355.941 146.38015 11101 29.557 4.832 358.725 145.35216 11111 29.764 4.136 362.420 146.303

Tabela A.3: Tabela de resultados comparativos entre agentes oniscientes (OMN) e agentesAAF-SfTf agrupados por foco quantitativo e por foco qualitativo - cenário 03.

casos de 1 a 4 (aspecto Exit sempre ativado, a segunda fase corresponde aos casos de 5a 8 (aspecto Exit ativado conjuntamente com o aspecto Agents) e finalmente, a terceirafase que corresponde à ativação do aspecto Danger nos casos de 9 a 16. Vale observara diferença que a ativação do aspecto Danger provoca no valor do tempo de simulação:uma variação de 104.87 segundos para 363.37 segundos, ou seja, um aumento de 346.5%.Para os dados de tempo agrupados pelo foco quantitativo, vê-se um comportamento pra-ticamente linear em função do aumento do valor do foco quantitativo (L) (Gráfico A.4).Essa característica de “linearidade” é a mesma que aparece nos dados apresentados noscenários de teste 01 e 02.


Figura A.1: Passos de simulação (SfTf) emrelação ao foco qualitativo - cenário 03.

Figura A.2: Passos de simulação (SfTf) emrelação ao foco quantitativo - cenário 03.

Figura A.3: Tempo de simulação (SfTf) emrelação ao foco qualitativo - cenário 03.

Figura A.4: Tempo de simulação (SfTf) emrelação ao foco quantitativo - cenário 03.

A.1.2 OMN versus AAF-SdTfDo mesmo modo que os experimentos anteriores, a Tabela A.4 mostra os resultados

obtidos com simulações com agentes oniscientes (OMN), a média de todos as simulaçõesusando agentes AAF-SdTf (Average) e os resultados para a melhor e pior média de tempo,Best Time e Worst Time respectivamente.


AAF-SdTf F L Savg Sdev Tavg TdevAverage 28.299 4.580 329.603 139.218


Tabela A.4: Tabela de resultados comparativos entre agentes oniscientes (OMN) e agentesAAFA com foco qualitativo dinâmico e foco quantitativo fixo (AAF-SdTf) - cenário 03.

Observando os resultados mostrados na Tabela A.4, constata-se que, em relação aoparâmetro número de passos de simulação, os valores da média geral Average e do grupoWorst Time são estatisticamente e numericamente superiores ao resultado médio obtidopelos agentes OMN. Uma diferença superior de 9.94% para o primeiro e de 14.48% para


o segundo. Ainda em relação ao mesmo parâmetro, o resultado do grupo Best Time é esta-tisticamente e numericamente inferior ao resultado OMn em 0.29%. Ou seja, em relaçãoaos agentes AFA-SfTf, os agentes com foco qualitativo dinâmico conseguem, em deter-minadas configurações, serem um pouco melhores do que os agentes OMN. Em relaçãotempo de simulação os agentes SdTf conseguem ser significativamente mais rápidos queos agentes OMN. No melhor caso, Best Time, são 85.52% mais rápidos, na média geral,Average, são 55.33% mais rápidos e, no pior caso, são ainda 25.30% melhores.


AAF-SdTf L Savg Sdev Tavg Tdev1 250 28.042 3.911 137.806 18.2812 750 28.842 5.050 263.766 43.5013 1000 28.183 4.588 320.833 53.7624 1500 28.192 4.486 436.550 74.5445 1750 28.238 4.929 489.059 90.343


10 10110 29.547 5.667 359.151 148.73411 10101 30.560 5.586 361.390 150.64412 10111 30.213 4.849 358.791 148.66213 11100 29.520 5.099 360.366 154.48914 11110 29.600 4.926 357.671 152.13415 11101 29.747 4.858 361.811 151.29516 11111 29.747 4.809 359.184 149.232

Tabela A.5: Tabela de resultados comparativos entre agentes oniscientes (OMN) e agentesAAF-SdTf agrupados por foco quantitativo e por foco qualitativo - cenário 03.

A Tabela A.5 apresenta os resultados dos experimentos com agentes AAF-SdTf agru-pados por foco quantitativo (L) e por foco qualitativo (F). Em relação ao número de passosde simulação, todos os resultados agrupados por foco quantitativo foram superiores aosresultados OMN, numa faixa entre 8.94% e 12.05%. Em relação ao tempo de simulação,porém, os resultados obtidos pelos agentes AAF foram significativamente melhores doque os resultados OMN, numa faixa entre 33.72% e 81.32%. Ou seja, o pior caso emnúmero de passos (caso L = 750) é 12.05% pior que o resultado OMN, porém consegueser 64.26% melhor em relação ao tempo de simulação.


Com relação aos resultados agrupados por foco qualitativo (F), um comportamentosimilar ao agrupamento por foco quantitativo acontece. Todos os resultados dos agen-tes AAF-SdTf são numericamente superiores ao resultados dos agentes OMN no quesitonúmero de passos, num intervalo entre 1.99% e 18.73%. Com relação ao tempo de si-mulação, porém, todos os resultados obtidos pelos agentes AAF são significativamentemelhores que os resultados dos agentes OMN, num intervalo entre 50.97% e 69.45%.Numa comparação simples pode-se observar que, no pior caso do número de passos, oresultado AAF foi 18.73% pior, mas consegue ser 51.03% melhor no resultado do tempoda simulação. No melhor caso, o número de passos dos agentes AAF é 1.99% pior que oresultado OMN, porém é 59.13% melhor no temo de simulação.

A visualização gráfica dos resultados referentes ao parâmetro número de passos desimulação é mostrada nos Gráficos A.6 para os resultados agrupados por foco quantitativoe A.5 para os resultados agrupados por foco qualitativo.

Figura A.5: Passos de simulação (SdTf) emrelação ao foco qualitativo - cenário 03.

Figura A.6: Passos de simulação (SdTf) emrelação ao foco quantitativo - cenário 03.

Figura A.7: Tempo de simulação (SdTf) emrelação ao foco qualitativo - cenário 03.

Figura A.8: Tempo de simulação (SdTf) emrelação ao foco quantitativo - cenário 03.

O Gráfico A.6 apresenta um comportamento praticamente constante com os resultadospara o número de passos de simulação em função do foco quantitativo variando ao redordo valor 28. Um resultado próximo ao visto no Gráfico A.2, que se refere aos agentesAAF-SfTf. Observando esse parâmetro em relação ao foco qualitativo (Gráfico A.5),observa-se que a transição que ocorre devido à ativação do aspecto Danger é bastantesuavizada em comparação ao que se obtém com os agentes AAF-SfTf (Gráfico A.1).


Em relação ao parâmetro tempo de simulação, os Gráficos A.7 e A.8 mostram osresultados.

O comportamento apresentado pelo parâmetro tempo de simulação em relação ao focoquantitativo (L) mostra uma certa linearidade, porém bem menor do que a encontrada noGráfico A.4, que se refere aos agentes AAF-SfTf. Como observado nos cenários anteri-ores, os resultados obtidos pelos agentes que usam o foco qualitativo dinâmico apresentavalores um pouco maiores que os obtidos pelos agentes AAF-SfTf. Isso pode ser expli-cado pelo fato dos valores apresentados como foco qualitativo para os agentes AAF-SdTfserem, de fato, um valor inicial. Ou seja, a tendência vista nas simulações é que a al-teração afetiva provoca a ativação gradual dos demais aspectos, acarretando uma maiorquantidade de informação percebida e, consequentemente, um tempo de simulação maior.

O Gráfico A.7 mostra o comportamento do parâmetro tempo de simulação em rela-ção ao foco de atenção. Pode-se ver que a variação provocada pela ativação do aspectoDanger é bastante suavizada pelo uso do foco qualitativo dinâmico, fato que também épresenciado nos outros cenários.

Algo interessante é observar o resultado dos casos F = 10000 e F = 11000. Essesdados podem ser explicados pelo fato que o foco qualitativo nos agentes AAF-SdTf é umvalor inicial. Como a simulação é bastante rápida, os focos em questão permitem que osagentes atuem por um tempo maior, focados apenas na busca da saída e no que os outrosagentes estão fazendo, sem prestar atenção no fogo, na temperatura e na fumaça. Essefoco de atenção representa as situações onde se obtém os melhores resultados em tempode simulação, como pode ser visto no Gráfico A.3 onde os dados dos agentes AAF-SfTfsão mostrados.

A.1.3 OMN versus AAF-SdTdA Tabela A.6 mostra os resultados obtidos com simulações com agentes oniscientes

(OMN), a média de todos as simulações usando agentes como foco qualitativo e quan-titativo dinâmicos, AAF-SdTd (Average) e os resultados para a melhor e pior média detempo, Best Time e Worst Time respectivamente.


AAF-SdTd F L Savg Sdev Tavg TdevAverage 28.888 4.260 322.907 135.318


Tabela A.6: Tabela de resultados comparativos entre agentes oniscientes (OMN) e agentesAAFA com foco qualitativo e foco quantitativo dinâmicos (AAF-SdTd) - cenário 03.

Observando os resultados da Tabela A.6, vê-se que, em termos do número de passosde simulação, a utilização do foco quantitativo dinâmico não melhorou os resultados, poistodos os casos são superiores ao resultado obtido pelos agentes OMN, em um intervalo


que vai de 8.39% a 17.91%. Com relação ao tempo de simulação, todos os resultados fo-ram significativamente melhores que o resultado OMN, num intervalo que vai de 27.84%a 56.24%. O resultado médio (Average) foi 0.91p.p. melhor que o obtido pelos agentesAAF-SdTf. Ainda em comparação aos agentes AAF-SdTf, houve uma piora no caso BestTime em 1.15p.p. e uma melhora no caso Worst Time em 2.55p.p.

A Tabela A.7 mostra os resultados das simulações utilizando agentes AAF-SdTd agru-pados por foco quantitativo (L) e por foco qualitativo (F).


AAF-SdTd L Savg Sdev Tavg Tdev1 250 28.894 3.945 137.271 17.2292 750 28.844 4.126 258.082 43.5163 1000 28.841 4.254 315.015 51.1254 1500 28.656 4.332 424.722 74.0445 1750 29.203 4.762 479.446 87.546


10 10110 30.320 4.370 349.345 145.73011 10101 30.380 5.112 351.579 146.31712 10111 30.360 4.578 352.184 143.66913 11100 29.580 3.879 348.030 148.65614 11110 30.100 4.382 346.687 144.15615 11101 30.810 4.621 352.163 146.98316 11111 30.310 5.184 353.567 148.593

Tabela A.7: Tabela de resultados comparativos entre agentes oniscientes (OMN) e agentesAAF-SdTd agrupados por foco quantitativo e por foco qualitativo - cenário 03.

Na Tabela A.7 pode-se averiguar que todos os resultados referentes ao parâmetro nú-mero de passos de simulação, tanto para o agrupamento por foco quantitativo (L) comopara o agrupamento por foco qualitativo (F), são superiores ao resultado OMN. Para osresultados agrupados por foco quantitativo o intervalo é de 11.33% a 13.45% e para osresultados agrupados por foco qualitativo é de 5.56% a 19.70%. A Tabela A.8 mostra acomparação dos resultados obtidos pelos agentes SdTd (Tabela A.5) com os obtidos pelosagentes AAF-SdTf. Nessa tabela, os valores negativos das colunas %OMN são indicati-vos de que o resultado é superior ao resultado OMN. Observando a coluna SdTd/SdTf,


vê-se que o uso do foco quantitativo dinâmico não foi capaz de introduzir melhoria noque diz respeito ao número de passos de simulação, pois em todos as situações o resul-tado SdTf é melhor que o SdTd.

Número de Passos de Simulação - Cenário 03AAF-SdTd AAF-SdTdf SdTd/SdTf

F. Tem. Caso Savg % OMN F. Tem. Caso Savg % OMN %OMNMin 4 28.66 -11.33% Min 1 28.04 -8.94% 2.39 p.p.Max 5 29.20 -13.45% Max 2 28.84 -12.05% 1.40 p.p.

F. Esp. Caso Savg % OMN F. Esp. Caso Savg % OMN %OMNMin 5 27.17 -5.56% Min 2 26.25 -1.99% 3.56 p.p.Max 15 30.81 -19.70% Max 11 30.56 -18.73% 0.97 p.p.

Tabela A.8: Comparação de resultados do Número de Passos de Simulação agrupados porfoco quantitativo e qualitativo dos agentes SdTd e SdTf - cenário 03.

Com relação ao tempo de simulação, pode-se ver que todos os resultados obtidos sãosignificativamente inferiores ao resultado OMN. Para os resultados agrupados por focoquantitativo o intervalo é de 35.03% a 81.40%, e para os resultados agrupados por focoqualitativo é de 52.09% a 68.85%. A Tabela ?? mostra a comparação dos resultados detempo de simulação obtidos pelos agentes SdTd e SdTf. Diferentemente do parâmetroanterior, o tempo de simulação, quando considerada a relação com o foco qualitativo sebeneficia levemente no uso do foco quantitativo dinâmico. Considerando a relação com ofoco quantitativo, os agentes SdTf são melhores que os agentes SdTd.

Tempo de Simulação - Cenário 03AAF-SdTd AAF-SdTdf SdTd/SdTf

F. Tem. Caso Savg % OMN F. Tem. Caso Savg % OMN %OMNMin 1 137.27 81.40% Min 1 137.81 81.32% - 0.08 p.p.Max 5 479.45 35.03% Max 5 489.06 33.72% - 1.31 p.p.

F. Esp. Caso Savg % OMN F. Esp. Caso Savg % OMN %OMNMin 1 229.89 68.85% Min 1 225.42 69.45% 0.60 p.p.Max 16 353.57 52.09% Max 15 361.81 50.97% 1.12 p.p.

Tabela A.9: Comparação de resultados do Tempo de Simulação agrupados por foco quan-titativo e qualitativo dos agentes SdTd e SdTf - cenário 03

A.1.4 Comparativo Geral Cenário de Testes 03Como apresentado para os demais cenários de teste, foi realizada a comparação entre

os resultados provenientes das simulações executadas com os agentes AAF (SfTf, SdTfe SdTd) e os resultados obtidos com simulações usando agentes OMN. Foram usadoscomo base de comparação os resultados médios e os melhores resultados com relação aonúmero de passos e ao tempo de simulação.


Para cada caso, os Gráficos mostram a comparação entre todos os parâmetros de me-dição utilizados nos experimentos. Ou seja, para um caso de melhor tempo de simulaçãode um conjunto de experimentos, serão comparados o número de passos e o tempo desimulação do referido caso.

Além disso, são mostrados os gráficos comparativos de todos os parâmetros de me-dição em relação aos experimentos SfTf, SdTf e SdTd realizados no cenário de teste 03,agrupados por foco quantitativo e por foco qualitativo.

Melhores casos em Tempo de Simulação para cenário 03A Tabela A.10 mostra os melhores resultados com relação ao tempo de simulação de

todos os experimentos executados em comparação com o resultado OMN.

Savg Sdev Tavg TdevOMN 25.740 3.078 737.912 82.016SfTf 26.000 2.191 72.015 9.015SdTf 25.667 3.218 106.844 20.498SdTd 27.900 4.323 115.366 18.337

Tabela A.10: Melhores resultados em relação ao tempo de simulação no cenário de teste03.

Observando a Tabela A.10 pode-se ver que os resultados em termos do número depassos de simulação os agentes AAF-SfTf são 1.01% piores que os agentes OMN, po-rém apresentam resultados mais estáveis. O desvio padrão para esses agentes é 28.81%menor. Os agentes AAF-SdTf conseguem ser um pouco melhor nesse parâmetro, 0.28%melhor, porém apresentam um desvio 4.56% maior, o que representa um pouco mais deinstabilidade nas simulações.

Com relação ao tempo de simulação, os resultados dos agentes AAF são significa-tivamente inferiores ao resultado dos agentes OMN, tanto no valor do parâmetro em si,como no desvio padrão. Os agentes AAF-SfTf obtiveram um tempo de simulação 90.24%inferior com um desvio 89.01% menor. Para os agentes SdTf e SdTd, os tempos de simu-lação foram, respectivamente, 85.52% e 84.37% menores que os agentes OMN. Ou seja,os agentes SfTf e SdTf apresentam resultados muito significativos em relação a ambos osparâmetros considerados.

Os Gráficos A.9 e A.10 mostram os resultados da Tabela A.10, de um modo em queas relações entre os parâmetros de medição são mais claras.

Os gráficos referentes ao número de mortos não são mostrados, pois, como comen-tado no início dessa seção, os resultados são todos estatisticamente similares ao resultadoOMN, ou seja, Nmero de mortos = 0.

Valor Médio (Average) para o cenário 03A Tabela A.11 mostra as médias de todos os experimentos realizados no cenário de

teste 03 separados por tipo de agente. Nessa Tabela é possível verificar que considerandoa média geral, todos os agentes AAF obtiveram valores de número de passos de simulaçãosuperiores ao resultado OMN num intervalo que vai de 6.79% a 12.23%. Em compensa-


ção, esses agentes foram significativamente melhores em relação ao tempo de simulação,apresentando reduções de 69.48%, 55.33% e 56.24% para os agentes SfTf, SdTf e SdTd,respectivamente. A visualização gráfica é mostrada nos Gráficos A.11 e A.12.

Savg TavgOMN 25.740 737.912SfTf 27.488 225.189SdTf 28.299 329.603SdTd 28.888 322.907

Tabela A.11: Média dos resultados de todos os experimentos no cenário de teste 03.

Experimentos Agrupados por Foco Quantitativo e Foco Qualitativo no cenário 03Como foi feito nos cenários anteriores, é apresentada a seguir a junção dos dados

de todos os experimentos, agrupando-os por foco quantitativo e por foco qualitativo ecolocando-os no mesmo gráfico permite verificar mais facilmente semelhanças de com-portamento. Os Gráficos A.13 e A.15 são relativos aos agrupamentos por foco qualitativoe os Gráficos A.14 e A.16 são relativos aos agrupamentos por foco quantitativo.

Observando os gráficos relativos ao agrupamento por foco qualitativo, percebe-se que,em relação ao número de passos de simulação, somente os agentes SfTf conseguem re-sultados melhores que os obtido por agentes OMN, porém somente em um conjunto res-trito de configurações do foco qualitativo. Os agentes SdTf e SdTd têm comportamentosmuito próximos aos dos agentes que utilizam o foco quantitativo dinâmico, apresentandouma ligeira desvantagem. Esses resultados podem ser explicados pelo fato da simulaçãoser muito curta. Dessa forma, não há tempo para que os efeitos da atualização do focoqualitativo e quantitativo sejam sentidos no desempenho geral dos agentes. De maneiraconsistente com o apresentado nos demais cenários, é possível ver a influência da ativaçãodo aspecto Danger (bit 2), aumentado a quantidade do número de passos de simulação.

Em relação ao tempo de simulação (Gráfico A.10, pode-se observar que o desempenhodos agentes AAF é significativamente melhor que o apresentado pelos agentes OMN. Valenotar que o desempenho dos agentes SfTf é muito melhor quando o aspecto Danger nãoestá ativado. Vale também verificar que os comportamentos dos agentes SdTf e SdTd sãoextremamente parecidos e que, quando o aspecto Danger é ativado, o comportamento dosagentes SfTf também segue o mesmo padrão.

No agrupamento por foco quantitativo, observa-se que, em relação ao número de pas-sos, os agentes AAF apresentam desempenho inferior aos agentes OMN. Entre essesagentes, os SfTf se mostram melhores para as simulações muito curtas, apresentando omelhor desempenho dos AAF. Em relação ao tempo de simulação, independentemente dofoco quantitativo considerado, o desempenho dos agentes AAF é significativamente su-perior aos agentes OMN. Para os agentes AAF, nota-se a dependência aproximadamentelinear entre o tempo de simulação e o foco quantitativo. Os agentes SfTf apresentam omelhor desempenho dos três AAF.


Figura A.9: Comparativo do n. de passos nos casos de melhor tempo desimulação - cenário 03.

Figura A.10: Comparativo do tempo nos casos de melhor tempo de simula-ção - cenário 03.


Figura A.11: Comparativo do n. de passos com a média geral dos experi-mentos - cenário 03.

Figura A.12: Comparativo do tempo com a média geral dos experimentos -cenário 03.


Figura A.13: Comparativo do n. de passospor foco qualitativo - cenário 03.

Figura A.14: Comparativo do n. de passospor foco quantitativo - cenário 03.

Figura A.15: Comparativo do tempo porfoco qualitativo - cenário 03.

Figura A.16: Comparativo do tempo porfoco quantitativo - cenário 03.

Apêndice B

Informações Adicionais B

Nas próximas seções são apresentadas as tabelas com os resultados sobre a avaliaçãoestatística efetuada nos testes nos cenários de testes. Como mencionado na seção 5.2, foiutilizado o teste de Hipótese (t-test), o qual permite avaliar as evidencias de que dois con-juntos de resultados são estatisticamente equivalentes. Nessa investigação foi consideradoo t-test bi-caudal com grau de confiança de 95% (α = 0.05) e com a diferença hipotéticasendo zero [Demsar 2006].

APÊNDICE B. INFORMAÇÕES ADICIONAIS B 183

B.1 Dados sobre Avaliação Estatística do Cenário 01

B.1.1 Agentes AAF-SdTdNúmero de Mortos

Dados de Referência Média Desvio NOMN (All) 8.66667 1.54560 20

Dados Avaliação Média Desvio N p DecisãoAverage 9.25262 1.28268 1280 0.0435368 Rejeitar

Foco Temporal (L)250 9.21737 1.26492 320 0.0632972 Não rejeitar750 9.28218 1.18334 320 0.027549 Rejeitar

1000 9.26030 1.33704 320 0.0571944 Não rejeitar1750 9.25062 1.37691 320 0.0686223 Não rejeitar

Foco Espacial (F)10000 8.60106 1.31096 80 0.8473358 Não rejeitar10010 9.15415 1.25056 80 0.1407127 Não rejeitar10001 8.90320 1.16601 80 0.4504368 Não rejeitar10011 9.19426 1.30415 80 0.1223969 Não rejeitar11000 8.70079 1.22588 80 0.9162058 Não rejeitar11010 9.12610 1.31433 80 0.1804284 Não rejeitar11001 8.67777 1.39215 80 0.9751647 Não rejeitar11011 9.02204 1.21427 80 0.2714146 Não rejeitar10100 9.47366 1.32186 80 0.0202853 Rejeitar10110 9.46440 1.24710 80 0.0166876 Rejeitar10101 9.74273 1.16207 80 0.0008139 Rejeitar10111 9.59938 1.32297 80 0.0076093 Rejeitar11100 9.70060 1.21870 80 0.0017977 Rejeitar11110 9.64821 1.34966 80 0.0057297 Rejeitar11101 9.63900 1.37889 80 0.0070372 Rejeitar11111 9.39452 1.23378 80 0.0273908 Rejeitar

Best Time 8.78261 1.53103 20 0.8129007 Não rejeitarWorst Time 9.58333 1.82384 20 0.0945319 Não rejeitarBest Dead 8.31818 1.66205 20 0.4964668 Não rejeitar

Worst Dead 9.95652 1.73151 20 0.0174606 Rejeitar

Tabela B.1: AAF-SdTd - Cenário 01 - Número de Mortos


Passos de Simulação


Dados Avaliação Média Desvio N p DecisãoAverage 45.86832 5.50387 1280 3.51E-152 Rejeitar

250 43.78170 4.68499 320 5.59E-109 Rejeitar750 44.14465 4.64847 320 5.05E-111 Rejeitar


10000 45.64299 4.87481 80 2.421E-55 Rejeitar10010 44.68972 4.60396 80 1.665E-56 Rejeitar10001 45.63964 4.97972 80 1.587E-54 Rejeitar10011 45.15271 4.73130 80 5.811E-56 Rejeitar11000 43.21037 4.86985 80 9.89E-53 Rejeitar11010 45.39784 5.05541 80 1.073E-53 Rejeitar11001 45.93895 5.75186 80 2.179E-49 Rejeitar11011 45.22630 4.94832 80 2.501E-54 Rejeitar10100 50.01030 8.18725 80 2.454E-40 Rejeitar10110 47.69403 5.64790 80 7.746E-52 Rejeitar10101 44.59545 5.28641 80 3.76E-51 Rejeitar10111 44.99055 5.58991 80 1.784E-49 Rejeitar11100 48.51488 6.31171 80 1.872E-48 Rejeitar11110 47.12798 5.19610 80 1.925E-54 Rejeitar11101 45.05743 4.98076 80 6.716E-54 Rejeitar11111 45.00401 5.54810 80 9.043E-50 Rejeitar

Best Time 41.13043 4.67467 20 8.606E-28 RejeitarWorst Time 52.37500 5.70681 20 1.307E-29 RejeitarBest Dead 45.50000 4.36671 20 8.912E-31 Rejeitar

Worst Dead 43.39130 3.46083 20 4.685E-33 Rejeitar

Tabela B.2: AAF-SdTd - Cenário 01 - Passos de Simulação


Tempo Total de Simulação








Tabela B.3: AAF-SdTd - Cenário 01 - Tempo Total de Simulação


B.1.2 Agentes AAF-SfTfNúmero de Mortos


Dados Avaliação Média Desvio N p DecisãoAverage 8.44287 1.65346 768 0.5496832 Não rejeitar

Foco Temporal (L)250 8.117259043 1.778046322 192 0.1850088 Não rejeitar750 8.542956461 1.6544764 192 0.7492263 Não rejeitar


Foco Espacial (F)10000 7.553571429 1.14006355 48 0.0015966 Rejeitar10010 7.800160256 1.280875908 48 0.0197223 Rejeitar10001 6.986217949 1.272544135 48 1.62E-05 Rejeitar10011 7.516540751 1.370903521 48 0.0034297 Rejeitar11000 7.789663462 1.294297289 48 0.0190872 Rejeitar11010 7.79775641 1.469305226 48 0.0321631 Rejeitar11001 7.031822344 1.528081665 48 0.000159 Rejeitar11011 7.071428571 1.201196322 48 2.143E-05 Rejeitar10100 9.467948718 1.442340067 48 0.0449287 Rejeitar10110 9.637179487 1.251498176 48 0.0084344 Rejeitar10101 9.246909341 1.418380828 48 0.1391029 Não rejeitar10111 9.468552036 1.335712166 48 0.0349706 Rejeitar11100 9.403846154 1.46654461 48 0.0674453 Não rejeitar11110 9.638965201 1.294869094 48 0.0097151 Rejeitar11101 9.202896062 1.335381273 48 0.1545869 Não rejeitar11111 9.472432082 1.322573645 48 0.0330326 Rejeitar

Best Time 7.642857143 1.171515676 12 0.0575784 Não rejeitarWorst Time 9.933333333 1.651934892 12 0.0365936 RejeitarBest Dead 5.928571429 1.579524599 12 3.953E-05 Rejeitar


Tabela B.4: AAF-SfTf - Cenário 01 - Número de Mortos





Foco Temporal (L)250 44.9222647 9.784133659 192 7.984E-40 Rejeitar750 45.75542768 9.15306043 192 1.295E-44 Rejeitar


Foco Espacial (F)10000 36.19642857 3.956995754 48 3.085E-40 Rejeitar10010 38.54646493 3.554511748 48 3.641E-45 Rejeitar10001 43.14038462 5.402836871 48 2.677E-38 Rejeitar10011 42.99828297 4.338969185 48 7.728E-44 Rejeitar11000 37.64268544 3.677510445 48 1.817E-43 Rejeitar11010 38.42532051 3.698426203 48 4.778E-44 Rejeitar11001 43.68612637 4.974476877 48 7.664E-41 Rejeitar11011 43.63392857 4.546143108 48 3.951E-43 Rejeitar10100 58.01923077 7.324122739 48 6.056E-40 Rejeitar10110 55.54102564 7.911615189 48 1.42E-36 Rejeitar10101 46.43904533 6.571546301 48 1.078E-35 Rejeitar10111 46.98174962 6.784105638 48 2.961E-35 Rejeitar11100 56.69230769 7.631014546 48 3.791E-38 Rejeitar11110 55.62934982 7.79198821 48 5.125E-37 Rejeitar11101 45.88936584 7.950689317 48 1.49E-30 Rejeitar11111 46.28304335 6.702807068 48 4.391E-35 Rejeitar



Tabela B.5: AAF-SfTf - Cenário 01 - Passos de Simulação










Tabela B.6: AAF-SfTf - Cenário 01 - Tempo Total de Simulação


B.1.3 Agentes AAF-SdTfNúmero de Mortos



Foco Temporal (L)250 9.33707 1.31284 192 0.0338114 Rejeitar750 9.32448 1.22418 192 0.0269498 Rejeitar

1000 9.35673 1.27009 192 0.0246186 Rejeitar1750 9.14695 1.35672 192 0.1385899 Não rejeitar

Foco Espacial (F)10000 8.57212 1.05602 48 0.7713232 Não rejeitar10010 9.06538 1.31723 48 0.2839653 Não rejeitar10001 8.63988 1.24693 48 0.9403459 Não rejeitar10011 9.25000 1.20410 48 0.0994309 Não rejeitar11000 8.39313 1.21642 48 0.4388644 Não rejeitar11010 9.11538 1.43349 48 0.254476 Não rejeitar11001 9.01071 1.18628 48 0.3236436 Não rejeitar11011 9.46589 1.43886 48 0.0451211 Rejeitar10100 9.61955 1.29071 48 0.011035 Rejeitar10110 9.49817 1.24131 48 0.0224031 Rejeitar10101 9.67647 1.26535 48 0.0065794 Rejeitar10111 9.67411 1.25680 48 0.0064837 Rejeitar11100 9.79455 1.19687 48 0.0018578 Rejeitar11110 9.61310 1.23378 48 0.0094985 Rejeitar11101 9.62276 1.31556 48 0.0117233 Rejeitar11111 9.64973 1.20641 48 0.0064587 Rejeitar

Best Time 8.76923 1.42256 12 0.8528816 Não rejeitarWorst Time 9.46154 1.39314 12 0.1548225 Não rejeitarBest Dead 7.91667 1.38193 12 0.1775886 Não rejeitar


Tabela B.7: AAF-SdTf - Cenário 01 - Número de Mortos










Tabela B.8: AAF-SdTf - Cenário 01 - Passos de Simulação










Tabela B.9: AAF-SdTf - Cenário 01 - Tempo Total de Simulação


B.1.4 Agentes AAF-SfTdNúmero de Mortos



Foco Temporal (L)250 8.324695311 1.893240505 192 0.4359098 Não rejeitar750 8.333860563 1.772429867 192 0.4200401 Não rejeitar


Foco Espacial (F)10000 7.701419414 1.323163287 48 0.0112641 Rejeitar10010 7.666208791 1.503376747 48 0.0156912 Rejeitar10001 6.80297619 1.525957335 48 2.18E-05 Rejeitar10011 7.297888386 1.367863044 48 0.0005749 Rejeitar11000 7.478021978 1.220521745 48 0.0012305 Rejeitar11010 7.409852402 1.320683183 48 0.0011499 Rejeitar11001 6.975274725 1.385093329 48 3.576E-05 Rejeitar11011 7.084134615 1.426760367 48 0.0001293 Rejeitar10100 9.771291209 1.314336028 48 0.0038395 Rejeitar10110 9.583333333 1.345690737 48 0.0169717 Rejeitar10101 9.393247684 1.354402782 48 0.0574905 Não rejeitar10111 9.680975275 1.188106345 48 0.0046631 Rejeitar11100 9.588461538 1.41126495 48 0.0198785 Rejeitar11110 9.873397436 1.38742949 48 0.0023803 Rejeitar11101 9.094362745 1.542948125 48 0.3016749 Não rejeitar11111 9.718303571 1.366460319 48 0.0070371 Rejeitar

Best Time 7.642857143 1.493181783 12 0.0761879 Não rejeitarWorst Time 9.333333333 1.748014747 12 0.269473 Não rejeitarBest Dead 5.866666667 1.407914139 12 1.643E-05 Rejeitar


Tabela B.10: AAF-SfTd - Cenário 01 - Número de Mortos










Tabela B.11: AAF-SfTd - Cenário 01 - Passos de Simulação










Tabela B.12: AAF-SfTd - Cenário 01 - Tempo Total de Simulação




Dados de Referência Média Desvio NOMN(All) 0 0 20


Foco Temporal (L)250 5.80580 4.47296 320 1.552E-08 Rejeitar500 3.28646 2.84465 320 4.229E-07 Rejeitar750 2.53750 3.13748 320 0.00035 Rejeitar

1000 2.46563 3.12110 320 0.0004765 Rejeitar1250 2.47813 3.12745 320 0.0004583 Rejeitar1500 2.44375 3.06033 320 0.0004145 Rejeitar1750 2.48750 3.09302 320 0.0003773 Rejeitar2000 2.44375 3.07141 320 0.0004345 Rejeitar2250 2.48750 3.10726 320 0.000401 Rejeitar

Foco Espacial (F)10000 6.97778 1.81083 180 3.847E-41 Rejeitar10010 6.95000 1.81452 180 7.867E-41 Rejeitar10001 3.27222 1.50667 180 2.016E-18 Rejeitar10011 3.33466 1.66132 180 2.474E-16 Rejeitar11000 6.94444 1.85448 180 1.113E-39 Rejeitar11010 6.96667 1.86563 180 1.54E-39 Rejeitar11001 3.02328 1.58036 180 3.626E-15 Rejeitar11011 2.90556 1.58505 180 3.385E-14 Rejeitar10100 0.00556 0.06253 180 0.6922143 Não rejeitar10110 0.00000 0.00000 18010101 1.63836 3.78698 180 0.0549796 Não rejeitar10111 1.62778 3.70403 180 0.0512893 Não rejeitar11100 0.00000 0.00000 18011110 0.00556 0.06253 180 0.6922143 Não rejeitar11101 1.69444 3.85233 180 0.0510859 Não rejeitar11111 1.65106 3.76862 180 0.0520036 Não rejeitar

Best Time 7.10000 2.30000 20 2.19E-16 RejeitarWorst Time 0.00000 0.00000 20Best Dead 0.00000 0.00000 20





Dados de Referência Média Desvio NOMN(All) 75.86667 4.13710 20


Foco Temporal (L)250 76.85074 18.99551 320 1.516E-51 Rejeitar500 66.92039 15.27518 320 1.548E-57 Rejeitar750 65.64688 13.33209 320 3.66E-67 Rejeitar

1000 65.44688 13.06868 320 1.23E-68 Rejeitar1250 65.46563 13.17532 320 5.968E-68 Rejeitar1500 65.56250 13.16033 320 3.526E-68 Rejeitar1750 65.54063 13.04114 320 6.006E-69 Rejeitar2000 65.57188 13.14144 320 2.565E-68 Rejeitar2250 65.34688 13.10622 320 2.986E-68 Rejeitar







Dados de Referência Média Desvio NOMN(All) 718.46957 62.00196 20



1000 255.91605 190.63332 320 5.213E-09 Rejeitar1250 298.45592 233.51050 320 2.502E-08 Rejeitar1500 336.99740 271.88765 320 6.239E-08 Rejeitar1750 376.53938 311.44925 320 1.263E-07 Rejeitar2000 411.44280 347.41330 320 2.214E-07 Rejeitar2250 443.91338 380.64507 320 3.32E-07 Rejeitar







Dados de Referência Média Desvio NOMN (All) 0 0 20


Fdoco Temporal (L)250 0.33625 1.02414 500 0.1429959 Não rejeitar500 0.28375 0.98165 500 0.1971087 Não rejeitar750 0.28250 0.98227 500 0.199371 Não rejeitar

1000 0.31695 0.99977 500 0.1572463 Não rejeitar1250 0.30313 0.95674 470 0.1575524 Não rejeitar1500 0.29083 0.91613 470 0.1567327 Não rejeitar1750 0.31356 1.02855 470 0.1738192 Não rejeitar2000 0.29278 0.89782 470 0.1457719 Não rejeitar2250 0.30500 0.98589 470 0.1675533 Não rejeitar

Foco Espacial (F)10000 3.60222 1.39757 450 3.47E-27 Rejeitar10010 0.01778 0.11029 450 0.4718059 Não rejeitar10001 0.03461 0.15471 450 0.3181327 Não rejeitar10011 0.02889 0.14091 450 0.3601861 Não rejeitar11000 0.93124 0.67518 450 1.551E-09 Rejeitar11010 0.00889 0.07851 300 0.6135007 Não rejeitar11001 0.01667 0.10742 180 0.4895373 Não rejeitar11011 0.03333 0.15064 180 0.3246643 Não rejeitar10100 0.02222 0.12429 180 0.4259534 Não rejeitar10110 0.01667 0.10742 180 0.4895373 Não rejeitar10101 0.04815 0.19986 180 0.2836907 Não rejeitar10111 0.00556 0.06253 180 0.6922143 Não rejeitar11100 0.00556 0.06253 180 0.6922143 Não rejeitar11110 0.02778 0.13751 180 0.3684999 Não rejeitar11101 0.03333 0.15191 180 0.3287197 Não rejeitar11111 0.01111 0.08807 180 0.5741062 Não rejeitar

Best Time 3.8200 1.6455 50 1.387E-15 RejeitarWorst Time 0.0000 0.0000 20Best Dead 0.0000 0.0000 20






Dados Avaliação Média Desvio N p DecisãoAverage 77.49143 4.47054 4350 0 Rejeitar

Fdoco Temporal (L)250 70.42563 3.98387 500 4.74E-291 Rejeitar500 77.16688 2.81167 500 0 Rejeitar750 78.71313 4.09937 500 2.49E-308 Rejeitar

Foco Espacial (F)1000 78.51906 3.74448 500 0 Rejeitar1250 78.70875 3.78631 470 0 Rejeitar1500 78.61858 3.52694 470 0 Rejeitar1750 78.31796 3.93752 470 1.63E-303 Rejeitar2000 78.54101 3.64057 470 0 Rejeitar2250 78.41188 3.73371 470 0 Rejeitar









Fdoco Temporal (L)250 145.47924 22.43947 500 2.07E-110 Rejeitar500 243.87810 41.47535 500 2.515E-97 Rejeitar750 342.27532 63.41161 500 1.027E-86 Rejeitar

1000 431.19574 71.07388 500 2.1E-101 Rejeitar1250 516.29510 76.23287 470 5E-114 Rejeitar1500 590.14052 66.86621 470 7.86E-154 Rejeitar1750 665.19970 85.82152 470 1.5E-133 Rejeitar2000 741.56417 103.61408 470 8.22E-122 Rejeitar2250 817.52243 132.07287 470 5.69E-102 Rejeitar








Dados de Referência Média Desvio NOMN (All) 0 0 20

Dados Avaliação Média Desvio N p DecisãoAverage 0.00000 0 2240

Foco Temporal (L)250 0.00000 0.00000 320500 0.00000 0.00000 320750 0.00000 0.00000 320

1000 0.00000 0.00000 3201250 0.00000 0.00000 3201500 0.00000 0.00000 3201750 0.00000 0.00000 320

Foco Espacial (F)10000 0.00000 0.00000 14010010 0.00000 0.00000 14010001 0.00000 0.00000 14010011 0.00000 0.00000 14011000 0.00000 0.00000 14011010 0.00000 0.00000 14011001 0.00000 0.00000 14011011 0.00000 0.00000 14010100 0.00000 0.00000 14010110 0.00000 0.00000 14010101 0.00000 0.00000 14010111 0.00000 0.00000 14011100 0.00000 0.00000 14011110 0.00000 0.00000 14011101 0.00000 0.00000 14011111 0.00000 0.00000 140

Best Time 0.00000 0.00000 20Worst Time 0.00000 0.00000 20







1000 27.49375 4.13072 320 2.537E-96 Rejeitar1250 27.48125 4.17695 320 4.283E-95 Rejeitar1500 27.81875 4.88013 320 1.388E-80 Rejeitar1750 27.51847 4.03575 320 6.6E-99 Rejeitar


Best Time 26.00000 2.19089 20 2.967E-37 RejeitarWorst Time 30.10000 5.76975 20 3.99E-24 Rejeitar







1000 226.45514 141.09737 320 4.826E-12 Rejeitar1250 260.69505 175.22092 320 1.219E-10 Rejeitar1500 294.00982 210.28666 320 1.28E-09 Rejeitar1750 327.75101 244.46346 320 5.446E-09 Rejeitar








Foco Temporal (L)250 0.00833 0.07610 320 0.6251504 Não rejeitar750 0.00000 0.00000 320

1000 0.00000 0.00000 3201500 0.00417 0.05398 320 0.7305118 Não rejeitar1750 0.00000 0.00000 320

Foco Espacial (F)10000 0.00000 0.00000 10010010 0.01333 0.09824 100 0.5463872 Não rejeitar10001 0.00000 0.00000 10010011 0.01333 0.09824 100 0.5463872 Não rejeitar11000 0.00000 0.00000 10011010 0.00000 0.00000 10011001 0.00000 0.00000 10011011 0.00000 0.00000 10010100 0.00000 0.00000 10010110 0.00000 0.00000 10010101 0.00000 0.00000 10010111 0.00000 0.00000 10011100 0.01333 0.09824 100 0.5463872 Não rejeitar11110 0.00000 0.00000 10011101 0.00000 0.00000 10011111 0.00000 0.00000 100

Best Time 0.00000 0.00000 20 1 Não rejeitarWorst Time 0.00000 0.00000 20 1 Não rejeitar







1000 28.18333 4.58763 320 5.374E-88 Rejeitar1500 28.19167 4.48642 320 2.64E-90 Rejeitar1750 28.23750 4.92942 320 4.664E-81 Rejeitar









1000 320.83300 53.76174 320 4.429E-85 Rejeitar1500 436.55016 74.54368 320 3.247E-83 Rejeitar1750 489.05918 90.34270 320 1.11E-75 Rejeitar





B.3.3 Agentes AAF-SdTdNúmero de Mortos

Dados de Referência Média Desvio N GLOMN (All) 0.00000 0.00000 20 19

Dados Avaliação Média Desvio N GL p DecisãoAverage 0.00188 0.035820114 1600 1599 0.8149974 Não rejeitar

Foco Temporal (L)250 0.00000 0.00000 320 319750 0.00000 0.00000 320 319

1000 0.00625 0.06574 320 319 0.6714121 Não rejeitar1500 0.00000 0.00000 320 3191750 0.00313 0.04659 320 319 0.7647169 Não rejeitar

Foco Espacial (F)10000 0.01000 0.08494 100 99 0.6007426 Não rejeitar10010 0.00000 0.00000 100 9910001 0.00000 0.00000 100 9910011 0.00000 0.00000 100 9911000 0.01000 0.08494 100 99 0.6007426 Não rejeitar11010 0.00000 0.00000 100 9911001 0.00000 0.00000 100 9911011 0.00000 0.00000 100 9910100 0.00000 0.00000 100 9910110 0.00000 0.00000 100 9910101 0.00000 0.00000 100 9910111 0.01000 0.08494 100 99 0.6007426 Não rejeitar11100 0.00000 0.00000 100 9911110 0.00000 0.00000 100 9911101 0.00000 0.00000 100 9911111 0.00000 0.00000 100 99

Best Time 0.00000 0.00000 20 19Worst Time 0.00000 0.00000 20 19

Tabela B.25: AAF-SdTd - Cenário 03 - Número de Mortos



Dados de Referência Média Desvio N GLOMN (All) 737.91216 82.01570 20 19

Dados Avaliação Média Desvio N GL p DecisãoAverage 322.90722 135.3178327 1600 1599 1E-25 Rejeitar

Foco Temporal (L)250 137.27112 17.22931 320 319 2.47E-116 Rejeitar750 258.08223 43.51632 320 319 1.838E-84 Rejeitar

Foco Espacial (F)1000 315.01485 51.12496 320 319 2.678E-88 Rejeitar1500 424.72173 74.04450 320 319 3.459E-81 Rejeitar1750 479.44618 87.54567 320 319 9.126E-77 Rejeitar

10000 229.89342 86.35026 100 99 7.41E-22 Rejeitar10010 303.31780 123.38211 100 99 1.064E-19 Rejeitar10001 323.01718 129.88146 100 99 5.29E-20 Rejeitar10011 323.77588 130.11021 100 99 5.106E-20 Rejeitar11000 236.14986 94.51716 100 99 3.999E-20 Rejeitar11010 303.65896 123.71019 100 99 1.167E-19 Rejeitar11001 319.32145 129.87058 100 99 1.054E-19 Rejeitar11011 324.40617 134.66343 100 99 3.55E-19 Rejeitar10100 349.41870 149.53629 100 99 2.074E-18 Rejeitar10110 349.34532 145.73016 100 99 4.735E-19 Rejeitar10101 351.57894 146.31710 100 99 4.125E-19 Rejeitar10111 352.18448 143.66922 100 99 1.263E-19 Rejeitar11100 348.03000 148.65584 100 99 1.859E-18 Rejeitar11110 346.68749 144.15589 100 99 3.92E-19 Rejeitar11101 352.16295 146.98253 100 99 4.883E-19 Rejeitar11111 353.56691 148.59328 100 99 7.309E-19 Rejeitar

Best Time 115.36570 18.33655 20 19 4.737E-27 RejeitarWorst Time 532.45550 74.65452 20 19 4.874E-29 Rejeitar

Tabela B.26: AAF-SdTd - Cenário 03 - Tempo Total de Simulação

agentes inteligentes com foco de atenção afetivo em ...€¦ · agentes inteligentes com foco de...

Documents