Código da aula: Github

Aula 02 - Inteligência Coletiva: Agentes e Enxames na Prática

Introdução

Na aula anterior, conhecemos os agentes reativos, que reagem ao ambiente de maneira simples, mas eficiente para tarefas específicas. Hoje, vamos explorar um nível mais sofisticado de agentes: os agentes deliberativos. Esses agentes são capazes de planejar suas ações, usar raciocínio lógico e até mesmo adaptar suas estratégias conforme o ambiente muda. Esses agentes são amplamente usados em contextos como logística, planejamento urbano, navegação autônoma, e simulação de sistemas complexos. Nesta aula, você aprenderá a teoria por trás desses agentes e implementará um exemplo prático em Python.

O que são Agentes Deliberativos?

Os agentes deliberativos possuem um modelo interno do mundo, o que significa que eles conseguem representar o ambiente de forma abstrata para tomar decisões baseadas em objetivos de longo prazo. Eles geralmente seguem um ciclo básico:
  1. Percepção: Observam o ambiente e coletam informações relevantes.
  2. Planejamento: Analisam o estado atual e planejam ações para atingir seus objetivos.
  3. Ação: Executam as ações planejadas no ambiente.
  4. Adaptação: Ajustam suas estratégias com base nos resultados observados.

Exemplo Prático: Planejamento de Rotas com o Algoritmo A*

Vamos implementar um agente que utiliza o algoritmo A* para encontrar a melhor rota entre dois pontos em um mapa com obstáculos. O A* (A-Star) é um algoritmo de busca que encontra o caminho mais curto entre um ponto de início e um ponto de destino em um espaço definido (como um mapa, uma grade ou um grafo). Ele é amplamente utilizado em jogos, robótica e sistemas de navegação.

Aplicações Reais do A*

  • Sistemas de Navegação (GPS, Google Maps, Waze).
  • Jogos (NPCs encontrando caminhos em mapas).
  • Robótica (Drones, aspiradores inteligentes como o Roomba).
  • Otimização de Rotas (Logística de entregas).
O A* combina duas abordagens de busca:
  • Busca Cega (Dijkstra): Explora todas as possibilidades até encontrar o caminho mais curto.
  • Busca Heurística (Gulosa): Usa uma função heurística para priorizar caminhos promissores.
O objetivo do A* é encontrar um caminho com o menor custo total, que é a soma de:
  1. Custo acumulado do caminho já percorrido (g(n)) → Quanto já percorremos até um nó.
  2. Estimativa do custo restante (h(n)) → Distância estimada até o destino.
A função final que o A* usa para decidir qual caminho explorar é: f(n) = g(n) + h(n) é a função de custo total usada pelo Algoritmo A*. Ela ajuda a decidir qual nó (ou célula do mapa) deve ser explorado primeiro.
  • f(n) → Custo total estimado para chegar ao destino passando pelo nó n. A soma dos dois ( g(n) + h(n) ), que é usada para decidir qual nó explorar primeiro.
  • g(n) → Custo real do caminho desde o ponto inicial até o nó n. Ou seja, quanto já andamos desde o início.
  • h(n) → Estimativa do custo restante (heurística), isto é, quão longe n ainda está do destino.
Nó g(n) (Caminho percorrido) h(n) (Estimativa até o destino) f(n) = g(n) + h(n)
(0,0) 0 8 8
(0,1) 1 7 8
(1,1) 2 6 8
(2,1) 3 5 8
(2,2) 4 4 8
(3,2) 5 3 8
(3,3) 6 2 8
(3,4) 7 1 8
(4,4) 8 0 8
O A* sempre escolhe o nó com o menor f(n), garantindo que ele siga o caminho mais curto possível. O A* escolhe o menor f(n) disponível, garantindo que o agente tome o caminho mais eficiente.

Comparação com Outros Algoritmos

Algoritmo Usa Heurística? Garante Melhor Caminho? Complexidade
Dijkstra ❌ Não ✅ Sim O(V^2) (ou O(E log V) com heap)
Busca Gulosa ✅ Sim ❌ Não O(b^d) (rápido, mas não confiável)
A* ✅ Sim ✅ Sim O(b^d) (mais eficiente que Dijkstra)
Vantagens do A* ✔️ Mais rápido que Dijkstra em mapas grandes. ✔️ Garante o menor caminho. ✔️ Flexível (pode ajustar heurísticas para diferentes cenários). Veja esses vídeos para um melhor entendimento do A*: https://www.youtube.com/watch?v=71CEj4gKDnE&t=2s https://www.youtube.com/watch?v=lusRf5v-TI0 

Multi-Agent Systems tutorial/route-planner-agent/route-planner-agent.py


import heapq
import matplotlib.pyplot as plt

class AgentePlanejadorRotas:
    def __init__(self, mapa, inicio, destino):
        self.mapa = mapa
        self.posicao = inicio
        self.destino = destino
        self.caminho = []
        self.historico = [inicio]  # Para armazenar as posições percorridas

    def planejar_rota(self):
        self.caminho = self.busca_a_estrela(self.posicao, self.destino)

    def busca_a_estrela(self, inicio, fim):
        def heuristica(a, b):
            return abs(a[0] - b[0]) + abs(a[1] - b[1])

        fila = []
        heapq.heappush(fila, (0, inicio))
        custos = {inicio: 0}
        caminhos = {inicio: None}

        while fila:
            _, atual = heapq.heappop(fila)

            if atual == fim:
                caminho = []
                while atual:
                    caminho.append(atual)
                    atual = caminhos[atual]
                return caminho[::-1]

            x, y = atual
            for dx, dy in [(-1, 0), (1, 0), (0, -1), (0, 1)]:
                vizinho = (x + dx, y + dy)
                if 0 <= vizinho[0] < len(self.mapa) and 0 <= vizinho[1] < len(self.mapa[0]) and self.mapa[vizinho[0]][vizinho[1]] != 1:
                    novo_custo = custos[atual] + 1
                    if vizinho not in custos or novo_custo < custos[vizinho]:
                        custos[vizinho] = novo_custo
                        prioridade = novo_custo + heuristica(vizinho, fim)
                        heapq.heappush(fila, (prioridade, vizinho))
                        caminhos[vizinho] = atual
        return []

    def mover(self):
        if self.caminho:
            nova_posicao = self.caminho.pop(0)
            print(f"Movendo para {nova_posicao}")
            self.posicao = nova_posicao
            self.historico.append(nova_posicao)  # Adiciona ao histórico
        else:
            print("Destino alcançado")

    def agir(self):
        if not self.caminho:
            self.planejar_rota()
        self.mover()

# Configuração do mapa
mapa = [
    [0, 0, 0, 0, 1],
    [0, 1, 1, 0, 1],
    [0, 1, 0, 0, 0],
    [0, 0, 0, 1, 0],
    [1, 1, 0, 0, 0]
]

inicio = (0, 0)
destino = (4, 4)

# Função para desenhar o mapa
def desenhar_mapa(mapa, agente, historico):
    plt.imshow(mapa, cmap="Greys", origin="upper")
    plt.scatter(inicio[1], inicio[0], c="green", s=200, label="Início")  # Início
    plt.scatter(destino[1], destino[0], c="red", s=200, label="Destino")  # Destino

    # Exibe o histórico
    if historico:
        y, x = zip(*historico)
        plt.plot(x, y, c="blue", linewidth=2, label="Caminho")

    plt.scatter(agente.posicao[1], agente.posicao[0], c="yellow", s=200, label="Agente")  # Posição atual do agente
    plt.legend()
    plt.pause(0.5)
    plt.clf()

# Executa o agente com visualização
# Executa o agente com visualização
agente = AgentePlanejadorRotas(mapa, inicio, destino)

plt.figure(figsize=(8, 8))
plt.ion()  # Ativa o modo interativo

# Loop para agir enquanto não alcança o destino
while agente.posicao != destino:
    desenhar_mapa(mapa, agente, agente.historico)
    agente.agir()

# Mostra o mapa final sem limpar ou fechar
plt.ioff()  # Desativa o modo interativo
desenhar_mapa(mapa, agente, agente.historico)  # Desenha o estado final
plt.show()  # Mantém o gráfico aberto até o usuário fechá-lo

Pra executar:

python route-planner-agent.py
Movendo para (0, 0) Movendo para (0, 1) Movendo para (0, 2) Movendo para (0, 3) Movendo para (1, 3) Movendo para (2, 3) Movendo para (2, 4) Movendo para (3, 4) Movendo para (4, 4)

Explicação do Código com Matplotlib

Seções do Código

1. Importação de Bibliotecas

Importamos as bibliotecas necessárias: 

import heapq
import matplotlib.pyplot as plt
  • heapq: Usada para implementar a fila de prioridade no algoritmo A*.
  • matplotlib.pyplot: Para criar a visualização gráfica do mapa e o movimento do agente.

2. Classe AgentePlanejadorRotas

Define o agente deliberativo que usa o algoritmo A* para planejar e seguir um caminho no mapa. 
class AgentePlanejadorRotas:
    def __init__(self, mapa, inicio, destino):
        self.mapa = mapa
        self.posicao = inicio
        self.destino = destino
        self.caminho = []
        self.historico = [inicio]
  • Inicializa o mapa, a posição inicial, o destino e o caminho planejado.
  • A lista historico armazena todas as posições que o agente percorreu para exibição no gráfico.

3. Planejamento da Rota

def planejar_rota(self):
    self.caminho = self.busca_a_estrela(self.posicao, self.destino)
Chama o método busca_a_estrela para calcular a melhor rota até o destino.

4. Implementação do Algoritmo A*

def busca_a_estrela(self, inicio, fim):
    def heuristica(a, b):
        return abs(a[0] - b[0]) + abs(a[1] - b[1])

    fila = []
    heapq.heappush(fila, (0, inicio))
    custos = {inicio: 0}
    caminhos = {inicio: None}

    while fila:
        _, atual = heapq.heappop(fila)

        if atual == fim:
            caminho = []
            while atual:
                caminho.append(atual)
                atual = caminhos[atual]
            return caminho[::-1]

        x, y = atual
        for dx, dy in [(-1, 0), (1, 0), (0, -1), (0, 1)]:
            vizinho = (x + dx, y + dy)
            if 0 <= vizinho[0] < len(self.mapa) and 0 <= vizinho[1] < len(self.mapa[0]) and self.mapa[vizinho[0]][vizinho[1]] != 1:
                novo_custo = custos[atual] + 1
                if vizinho not in custos or novo_custo < custos[vizinho]:
                    custos[vizinho] = novo_custo
                    prioridade = novo_custo + heuristica(vizinho, fim)
                    heapq.heappush(fila, (prioridade, vizinho))
                    caminhos[vizinho] = atual
    return []
Esse método:
  • Utiliza uma fila de prioridade (heapq) para ordenar os nós explorados.
  • Aplica uma função heurística para estimar a distância restante até o destino.
  • Retorna o caminho mais curto como uma lista de coordenadas.

5. Movimento do Agente

def mover(self):
    if self.caminho:
        nova_posicao = self.caminho.pop(0)
        print(f"Movendo para {nova_posicao}")
        self.posicao = nova_posicao
        self.historico.append(nova_posicao)
    else:
        print("Destino alcançado")
O agente se move célula por célula, atualizando a posição e registrando no histórico.

6. Execução da Ação

def agir(self):
    if not self.caminho:
        self.planejar_rota()
    self.mover()
Se o agente ainda não tiver um caminho planejado, ele calcula a rota e inicia os movimentos.

7. Mapa do Ambiente

mapa = [
    [0, 0, 0, 0, 1],
    [0, 1, 1, 0, 1],
    [0, 1, 0, 0, 0],
    [0, 0, 0, 1, 0],
    [1, 1, 0, 0, 0]
]

inicio = (0, 0)
destino = (4, 4)
  • 0 representa caminhos livres.
  • 1 representa obstáculos.

8. Função de Visualização

def desenhar_mapa(mapa, agente, historico):
    plt.imshow(mapa, cmap="Greys", origin="upper")
    plt.scatter(inicio[1], inicio[0], c="green", s=200, label="Início")
    plt.scatter(destino[1], destino[0], c="red", s=200, label="Destino")

    if historico:
        y, x = zip(*historico)
        plt.plot(x, y, c="blue", linewidth=2, label="Caminho")

    plt.scatter(agente.posicao[1], agente.posicao[0], c="yellow", s=200, label="Agente")
    plt.legend()
    plt.pause(0.5)
    plt.clf()
A função:
  • Exibe o mapa.
  • Marca início, destino e posição do agente.
  • Desenha o caminho percorrido pelo agente.

9. Execução Principal


plt.figure(figsize=(8, 8))
plt.ion()

while agente.posicao != destino:
    desenhar_mapa(mapa, agente, agente.historico)
    agente.agir()

plt.ioff()
desenhar_mapa(mapa, agente, agente.historico)
plt.show()
Nessa parte:
  • plt.ion(): Ativa o modo interativo para animação.
  • while: O agente se move até alcançar o destino.
  • plt.ioff(): Desativa o modo interativo no final.
  • plt.show(): Mantém o gráfico aberto até que o usuário o feche.

Resumo

O código implementa um agente que:
  1. Usa o algoritmo A* para planejar a rota.
  2. Segue o caminho célula por célula.
  3. Exibe a movimentação em tempo real com matplotlib.
  4. Mantém o gráfico final aberto para análise.

Próximos Passos

  • Expandir o mapa com novos obstáculos.
  • Adicionar interatividade para definir início e destino dinamicamente.
  • Incorporar mudanças no ambiente em tempo real.

Aplicações Reais de Agentes Deliberativos

1. Controle de Tráfego Urbano

Em cidades inteligentes, agentes deliberativos podem ser usados para otimizar o fluxo de tráfego. Semáforos equipados com sensores podem se comunicar para ajustar os tempos de luz verde e minimizar engarrafamentos.

2. Navegação Autônoma

Veículos autônomos usam agentes deliberativos para planejar rotas, evitando obstáculos e reagindo a mudanças no ambiente em tempo real.

3. Planejamento Logístico

Empresas de transporte utilizam agentes deliberativos para planejar rotas eficientes de entrega, levando em conta fatores como tráfego, clima e urgência.

4. Simulação de Mercados

Em simulações financeiras, agentes deliberativos podem representar investidores que analisam dados do mercado e tomam decisões para maximizar retornos.

Extensões para o Futuro

Na próxima aula, exploraremos como integrar APIs externas, como a API do DeepSeek, para criar agentes ainda mais poderosos. Essas ferramentas permitem que os agentes acessem dados externos em tempo real, expandindo suas capacidades e aplicações.

Conclusão

Os agentes deliberativos são fundamentais em sistemas complexos, oferecendo capacidade de planejamento e adaptação. Com o exemplo prático de planejamento de rotas e as aplicações reais, esperamos que você tenha compreendido o potencial desses agentes. Prepare-se para a próxima aula, onde daremos o próximo passo na criação de sistemas multi-agentes mais sofisticados!