16、增量知识获取：基于RDR的机器人足球模拟系统

增量知识获取：基于RDR的机器人足球模拟系统

在复杂的实时环境中，多智能体团队的创建面临着诸多挑战，尤其是知识获取和策略制定方面。本文将介绍一种基于广义波纹下降规则（Generalised Ripple Down Rules，RDR）的增量知识获取框架，该框架可用于创建机器人足球2D模拟中的多智能体团队。

1. RDR背景

RDR是一种旨在帮助领域专家在无需知识工程师协助的情况下进行增量知识获取的工具。其设计灵感来源于专家在决策时往往依据具体情境给出结论，而非提供全面解释的观察。RDR系统具有以下特点：
- 规则增量添加 ：系统在使用过程中逐渐演化，当系统出现错误时，会添加规则来处理特定情况。这些引发新规则添加的案例被称为基石案例，并与规则一同存储。
- 知识自动组织 ：新知识的添加仅需专家识别案例中与其他基石案例不同的特征，系统会自动组织新知识。
- 累积精炼 ：随着时间的推移，系统通过累积精炼不断提高专业水平，专家只需处理个别错误，这与其他知识获取系统中密集的知识建模方法形成鲜明对比。

1.1 RDR的实际应用

RDR系统已在多个应用领域和任务中得到开发和应用，包括：
- 临床诊断 ：如PEIRS系统，为病理测试提供临床解释。
- 机器学习结合 ：一些系统将RDR与机器学习技术相结合，以减少专家的知识获取量。例如，一个系统将基于NRDR的框架与遗传算法相结合，通过人类逐步创建规则来指导后代生成过程；另一个系统则允许专