SISTEMAS MULTI-AGENTES COOPERATIVOS INSPIRADOS EM ROBÓTICA DE ENXAME
MÁRCIO MENDONÇA 1, LÚCIA VALÉRIA RAMOS DE ARRUDA 1, IVAN ROSSATO CHRUN 1, JOAO PAULO LIMA SILVA
1,2
DE ALMEIDA
1.
Programa de PG em Engenharia Elétrica e Informática Industrial (CPGEI)
Universidade Tecnológica Federal do Paraná, campus Curitiba.
Av. Sete de Setembro, 3165, CEP 80230-901, Curitiba, Paraná, Brasil.
E-mails: [email protected], [email protected];
[email protected].
2. Instituto Federal de Educação, Ciência e Tecnologia do Paraná (IFPR), campus Jacarezinho.
Avenida Doutor Tito, s/n, Jardim Panorama, CEP 86400-000, Jacarezinho, Paraná, Brasil.
E-mail: [email protected]
Abstract This work presents a cooperative architecture for autonomous agents based on dynamic fuzzy cognitive maps, an
evolution of fuzzy cognitive maps. This architecture is used to develop an autonomous navigation system for mobile robots,
which has capacity for learning, self-adaptation and behavior management. The developed navigation system adopts a multiagent approach, based on Brooks’subsumption architecture, which allows hierarchical management of actions and parallel processing. Reinforcement learning is used to self-tune the system allowing self-adaptability. Bio-inspired strategies based on ant’s
behaviour and memory navigation are also used for communication between agents. The strategies are simulated and confronted
in a virtual environment.
Keywords Dynamic Cognitive Maps; Cooperative Autonomous Agents; Swarm Robotics; Multi-agent Systems.
1
Introdução
Em aplicações da robótica, muitas são as
situações em que agentes são submetidos às
condições em que não há a viabilidade de
interferência humana, devido a fatores de risco.
Dentre tais condições, destaca-se, por exemplo, a
necessidade de locomoção de agentes em ambientes
nocivos ou em locais de grande extensão contendo
infraestruturas e/ou recursos críticos que devem ser
protegidos (MENDONÇA, ARRUDA e NEVES-Jr.,
2014) . Desse modo, torna-se necessário desenvolver
sistemas robóticos computacionalmente distribuídos
e com capacidade de colaboração inteligente, como
proposto na teoria de sistemas multi-agentes.
Por outro lado, sabe-se que as técnicas
embasadas em Inteligência Artificial, em especial
sistemas fuzzy possuem diferentes áreas de aplicações
(ALCALA-FDEZ; ALONSO, 2015), e, de uma
forma específica, as aplicações de sistemas
inteligentes fuzzy nas áreas de navegação robótica
autônoma estão em uma fase ascendente (PAULOS
et al, 2015).
Russel e Norvig (1995) definem um sistema
autônomo como um sistema capaz de desenvolver
tarefas complexas com um grau de sucesso elevado.
Por exemplo, a geração de trajetórias de um único
robô requer que o sistema autônomo seja capaz de
aprender on-line uma estratégia de navegação por
meio de interações com o ambiente proposto
(MENDONÇA, ARRUDA e NEVES-Jr., 2012). A
geração de trajetórias para múltiplos robôs
interagindo em um único ambiente e com tarefas
semelhantes ou distintas torna-se então uma tarefa
mais complexa e de difícil implementação.
Neste contexto, uma área de pesquisa emergente
em navegação autônoma móvel se estende aos
conceitos que envolvem o tema de enxame de robôs,
do inglês Swarm Robotics.
Na área de enxame de robôs, o termo
''inteligência coletiva'' refere-se a um comportamento
coletivo que pode ser considerado a partir da
combinação entre agentes que possuem uma
dinâmica relativamente simples, cada um agindo de
forma autônoma (BRAMBILLA et al, 2013),
(ESPELOSIN et al, 2012) e (TAN; ZHENG, 2013).
De uma forma geral, os sistemas autônomos dotados
de inteligência coletiva são totalmente distribuídos,
auto-organizável e inspirados em comportamento
social de colônias de insetos e/ou de outros animais
(PESSIN et al, 2010).
Os mapas cognitivos fuzzy (Fuzzy Cognitive
Maps - FCM), são uma forma alternativa de
representar o conhecimento heurístico de vários
especialistas sobre um sistema, que usam o
formalismo matemático de grafos (KOSKO, 1986),
em que as variáveis envolvidas são variáveis fuzzy.
De uma forma geral, FCM pode ser considerado
como um tipo de rede ou grafo fuzzy cognitivo, o
qual inicialmente é desenvolvido pela aquisição de
conhecimento de diversos especialistas, mas também
pode ser treinado por diversas técnicas
supervisionadas
e/ou
não-supervisionadas
(PAPAGEORGIOU et al, 2006).
Além da abordagem clássica dos FCMs, existem
algumas variações desta técnica que possuem
características específicas de acordo com as
aplicações
(PAPAGEORGIOU;
SALMERON,
2013). Neste trabalho, utiliza-se um mapa cognitvo
fuzzy dinâmico (DFCM), do inglês Dynamic Fuzzy
Cognitive Maps, proposto em (MENDONÇA,
ARRUDA e NEVES-Jr., 2014) no desenvolvimento
de um sistema autônomo de navegação de um
enxame de robôs em busca de alvos.
Os agentes considerados possuem a capacidade
de aprendizado, sintonia on-line e habilidades de
auto-adaptação. Para
isso,
uma
abordagem
descentralizada é implementada, em que cada robô
possui um controlador DFCM independente capaz de
realizar a inferência em função da informação
compartilhada
(memória
de
tráfego).
O
compartilhamento da informação é efetuado em
função da implementação do ferormônio artificial.
Este trabalho está estruturado da seguinte forma:
na seção 2 são apresentados os principais conceitos
acerca do tema de FCM. Em seguida, na seção 3 o
DFCM é desenvolvido em duas versões distintas para
a aplicação proposta. Por fim, nas seções 4 e 5 são
apresentadas as análises dos resultados obtidos e as
conclusões do trabalho, respectivamente.
representa uma variável fuzzy relacionada com a
causalidade entre os conceitos; cada conceito
representa uma característica do sistema a ser
modelado. Um exemplo de um FCM é dado na
Figura 1.
A inferência ou evolução dos conceitos de um
FCM é efetuada após várias iterações, através da
equação (2) (STYLIOS; GROUMPOS, 2004). A
variável j representa o contador das iterações, n é o
número de nós do grafo, w(i,j) é o peso do arco que
conecta o conceito Cj ao conceito Ci, Ai (Ai-anterior)
é o valor do conceito Ci na iteração atual (anterior) e,
a função f pode ser representada por um
comportamento do tipo sigmoide, conforme é
exemplificado na equação (3). Resumidamente essas
duas equações representam a inferência dos FCMs.
2 Mapas Cognitivos Fuzzy
Mapas cognitivos foram inicialmente apresentados
por Axelrod (1976) com o intuito de expressar as
relações de causa-efeito entre conceitos descrevendo
um assunto, através de um modelo matemático
baseado em grafos e operações matriciais. Tal
modelo matemático foi adaptado para a inclusão de
incertezas, por meio da lógica fuzzy, por Kosko
(1986). A partir desse fato, os FCMs têm ocupado
uma visível posição em modelagem fuzzy como um
modelo de grafo orientado que descreve as relações
entre conceitos (PEDRYCZ; HOMENDA, 2013) de
um sistema qualquer e, vem sendo considerado em
muitas áreas de aplicações com algumas variações
específicas na estrutura inicialmente proposta por
Kosko (1986). De acordo com a sua implementação,
um FCM pode ser visto como um grafo fuzzy, ou
como uma Rede Neural Artificial, ou ainda como um
tipo de Rede Semântica, entre outras interpretações
(PAPAGEORGIOU, 2014). A representação de
conhecimentos por meio de um FCM é realizada de
forma simbólica, na qual são utilizados conceitos
para ilustrar diferentes comportamentos dinâmicos,
de forma a integrar a experiência de vários
especialistas na construção de um mesmo modelo.
Alguns exemplos de áreas de aplicações de
FCMs são: controle de processos (STYLIOS;
GROUMPOS, 2004); robótica (MOTLAGH, 2012);
serie temporal (HOMENDA; JASTRZEBSKA;
PEDRYCZ, 2014), navegação autônoma (VASCAK;
MADARÁSZ, 2010); entre outras áreas.
Um FCM pode ser considerado um grafo
direcionado acíclico, em que: os nós são conceitos
linguísticos (conjuntos fuzzy); cada nó é associado
com outros por meio de arcos com um peso que
Figura 1. FCM inicial do controlador
Ai  f

f
n
j 1
A
 x 
j

 w ji   Aianterior
1
1  e  x
(1)
(2)
De acordo com as equações acima, alguns autores
argumentam que os FCMs não estão aptos a
representar sistemas dinâmicos reais uma vez que
apenas expressam relações causais simétricas e
monotônicas. Além disto, a precisão e robustez do
modelo estão associadas ao cálculo correto da matriz
de pesos, que pode variar de acordo com
características especificas da aplicação ou pela
ocorrência de eventos.
Como solução, várias
abordagens têm sido propostas para conferir aos
FCMs habilidades de modelar aspectos temporais
presentes nos sistemas reais (Mendoça et al, 2013).
A abordagem adotada neste artigo é a
mesma proposta por Acampora e Loia (2011) e
aplicada em (MENDONÇA et al, 2013) em que um
mapa cognitivo fuzzy dinâmico (DFCM) é um FCM
no qual os conceitos, as relações causais entre eles e
os efeitos associados a elas são variantes no tempo.
Em especial, adotam-se os mesmos tipos de conceitos
e relações apresentados em (MENDONÇA, et al.,
2013).
3 Mapas Cognitivos Fuzzy Dinâmicos
O desenvolvimento de um modelo DFCM tem
por base o exposto em Mendonça et. al (2013), e
para aplicação em estudo resultou no DFCM
proposto na figura 1. Inicialmente, identificou-se 3
três entradas (SeE, SeD e SeF) relacionadas com a
descrição do ambiente (presença de obstáculos à
esquerda, à direita ou a frente do agente) e 3 saídas
(Saída Esq, Saída Frente e Saída Dir.) que descrevem
os movimentos do agente: vire à esquerda, vire à
direita ou acelera ou desacelera para a frente. As três
entradas assumem valores a partir de três sensores,
localizados à esquerda, à direita e na frente do
agente. As três decisões foram originalmente
modeladas partir do entendimento da reação do
agente em presença de obstáculo, ou seja, se o sensor
de esquerda detecta um obstáculo, o veículo deve
girar para a direita, se o obstáculo está à direita deve
girar a esquerda e, quando se detecta um caminho
livre de obstáculos, o agente deve seguir em linha
reta com uma aceleração suave. Entretanto, em casos
inesperados (um obstáculo em movimento cruza
repentinamente a trajetória do agente) levando a
iminência de colisão, um novo conceito (Colisão,
figura 2) foi adicionado para incrementar a função
“reverso” e favorecer o retrocesso do agente.
Os conceitos de arquiteturas híbridas em robótica
foram incluídos no modelo DFCM desenvolvido, a
fim de combinar o uso de funções reativas e funções
deliberativas para a resolução de problemas
complexos (POLICASTRO; ROMERO; ZULIANI,
2007). Isso se deve porque o FCM mostrado na
figura 1, apesar de ter algumas relações variantes no
tempo (pesos pontilhados na figura 1) é totalmente
reativo, ou seja, suas saídas são diretamente
dependentes das suas entradas. Desse modo, a fim de
compatibilizar as diversas tarefas do robô, a saber
desviar de obstáculos e alcançar alvos, além de
compartilhar memória de navegação e coleta de
feromônios, dependo da estratégia empregada, foi
implementada um hierarquia de comportamentos
baseada na arquitetura de subsumpção de Brooks
(1986).
O DFCM da figura 2 tem funcionalidades de
evitar colisões e de compartilhar memória de
navegação, incorporando as funcionalidades de
cooperação de informação e passo a passo ou robô a
robô, de criação de landmarks (nesse caso,
artificiais). De modo específico, as ações de controle
realizadas por um robô em uma região antes da
iminência de colisão é compartilhada com próximo
agente (robô) e assim por diante. Esse
compartilhamento de uma memória de navegação é
realizado através da técnica de liberação de
feromônio no caminho, utilizada em algoritmos de
colônia de formigas (PAYTON, ESTKOWSKI e
HOWARD, 2015). A deposição de feromônio e por
conseguinte o compartilhamento de memória passa a
ser otimizada com a evolução do enxame de robôs,
amplificando assim a capacidade de inteligência
coletiva do sistema proposto.
Figura 2. DFCM: subsunção cooperativa (estratégia modificada).
Na figura 2, os conceitos DXL e DXR que
foram acrescentados ao DFCM da figura 1 processam
a distância dos alvos, e, junto com as relações de
seleção (WS4 e WS5) disparam o evento de busca de
alvos. Já as relações WS1, WS2 e WS3 disparam a
redução do efeito de “zig-zag” juntamente com os
conceitos de fator de saída. Em ambas estratégias
uma versão modificada no algoritmo de aprendizado
por reforço Q-learning, (SUTTON; BARTO, 1998),
com uma política de bonificação e punição por meio
de regras heurísticas foi utilizado para uma sintonia
dinâmica das relações causais (W1-W9) na figura 2.
Maiores detalhes desse modelo adaptado podem ser
conferidos no trabalho (MENDONÇA, 2011) e
(MENDONÇA, et al.,2013).
Já os conceitos de “Colisão” e de “Memória”
são ativados por relações de seleção, que são regras
simples na forma de “antecedente-consequente” (SEENTÃO) e que implicam em uma ou mais condições
para a inclusão desses conceitos no modelo. Desse
modo, o DFCM da figura 2 pode ser considerado um
modelo cognitivo de estrutura mutável. As condições
para o disparo dessas regras são em função da
iminência de colisão (agente deve estar muito
próximo a um obstáculo) representada no conceito de
“Colisão”. Para o conceito memória de Navegação,
em uma região de aproximadamente 40 passos (ponto
crítico) antes de um obstáculo, o robô antecedente
compartilha sua memória de navegação com o
próximo robô que utiliza seus próprios sensores
somados a 1% da memória compartilhada. Tais
procedimentos objetivam otimizar a trajetória dos
robôs por meio da técnica de liberação de feromônios
utilizada em algoritmos de colônia de formigas.
Nesse caso, há o intuito de desenvolver de forma
dinâmica uma nova trajetória, sem a necessidade de o
agente retroceder por conta de um obstáculo,
cumprindo os objetivos de coleta de alvos e de
desvio de obstáculos.
Uma segunda estratégia de compartilhamento de
memória foi realizada também através de DFCM. Do
mesmo modo da primeira estratégia, o agente navega
através do ambiente e deixa demarcações
(feromônios artificiais) sobre o seu caminho tomado
no ambiente, enquanto outro agente interpreta o
feromônio para auxiliar em sua tomada de decisão.
No entanto, a utilização ou não do feromônio é
determinada pelo DFCM da figura 3 que substitui o
conceito memória de navegação (em verde na figura
2). Este DFCM contém 3 novos conceitos:
Feromônio Release (C10), ponderações (C12) e
Detecção de feromônio (C11). Também duas novas
relações de seleção são adicionadas, WS5 e WS6
(MENDONÇA et al., 2013). Além disto, os conceitos
de entrada Se.E., Se.F. e Se.D. estão relacionados
com o sensor esquerdo, com o sensor frontal e com o
sensor direito, respectivamente, como no DFCM da
figura 1. As linhas tracejadas pretas representam
relações que somente são disparadas para selecionar
o estado da DFCM.
O conceito C10 gerencia os feromônios para
serem liberados pelo agente, uma vez atendidos os
critérios de seleção (WS5). O conceito C11 é uma
variável de entrada auxiliar que detecta os
feromônios deixados por outros agentes.
4 Resultados
Um simulador em 2-D genérico desenvolvido no
ambiente gráfico do MATLAB® foi desenvolvido
para se demonstrar os resultados, e validar a proposta
desenvolvida. As simulações foram realizadas em
função de obstáculos em localizações semelhantes,
de forma a induzir uma igualdade de condições.
Adotou-se simbologias distintas para agentes e
para obstáculos. Um exemplo de cenário é exposto
por meio da Figura 4.
Os resultados da primeira estratégia (algoritmo de
deposição de feromônio convencional) convergiram
em duas etapas, considerou-se que a primeira foi a
passagem do primeiro agente, o qual compartilhou
sua memória de navegação com o segundo agente. Os
desempenhos do primeiro e segundo agente são
mostrados nas Figuras 4 e 5, respectivamente.
Observa-se na Figura 4 que houve a necessidade de
frenagem e reversão, destacada por uma seta,
enquanto que na passagem do segundo agente pelo
mesmo ponto (figura 5) não houve esta necessidade.
Figura 4. Cenário de simulação genérico.
Figura 3. DFCM: subsunção cooperativa (estratégia inspirada em
ACO).
No entanto, o feromônio artificial auxilia no processo
de tomada de decisões, antecipando manobras de
desvio de obstáculos ou em alvos de captura. Um
sistema de seleção entre os conceitos de C11 e C12
altera a relação causal de W12, referindo-se a sua
intensidade, dada pela regra de seleção WS6. O
conceito C12 é similar ao conceito de ponderação a
partir da estratégia de partilha de trajetória. Este
conceito interfere na informação adquirida por C5 e
por C6 (ações de controle) e saídas da informação a
partir da leitura de feromônio.
Figura 5. Passagem do primeiro agente na estratégia 1.
As simulações comprovam que o DFCM da
figura 2 configura-se em um sistema multiagente
suportando agentes capazes de realizar tarefas
distintas e conflitantes (coletar alvos e desviar de
obstáculos) e capazes de cooperar entre si. Os
resultados de simulação comprovam ainda que ambas
as estratégias de compartilhamento de memória
atingiram o mesmo objetivo na segunda passagem do
agente. Observou-se que mesmo com diferentes
métodos, porém inspirados na mesma técnica de
robótica coletiva, foi possível desenvolver a
cooperação agentes através de FCMs.
5 Conclusões
Figura 6. Passagem do segundo agente na estratégia 1.
Figura 7. Passagem do primeiro agente na estratégia 2.
Na Figura 7 é exposta a passagem do primeiro
agente para a segunda estratégia (compartilhamento
de memória através da DFCM da figura 3). Observase que existem uma forte semelhança com a
passagem do primeiro agente na primeira estratégia.
Na Figura 8 é exposto o desempenho do
segundo agente em função do rastro de feromônio
artificial deixado pelo agente anterior, para a segunda
estratégia. Como antes, o segundo agente também
superou o ponto crítico sem ocorrência de manobras
de reversão.
Figura 9. Passagem do segundo agente na estratégia 2.
Este artigo apresentou uma proposta inicial de
arquitetura híbrida para sistemas multiagetnes em
robótica. Apesar de serem resultados iniciais,
simulados em condições não reais, ou seja, sem a
presença de ruídos ou de sinais fantasmas nos
sensores de ultrassom, ou ainda de derrapagem do
robô, é possível observar de forma satisfatória a
cooperação entre os agentes, a autonomia e a
capacidade de adquirir conhecimento para compensar
dados incertos ou parciais.
A utilização de um algoritmo de aprendizado por
reforço, embora não explorado neste trabalho,
permitiu uma melhor interação com ambiente,
atenuando as incertezas das ações de baixo nível.
Futuros trabalhos visam a utilização de cenários
mais complexos, além da inserção de ruídos.. Desse
modo, espera-se ter contribuído para a construção de
sistemas cooperativos multi-agentes.
Referências Bibliográficas
Acampora, G., Loia, V., 2011. On the temporal granularity in fuzzy cognitive maps.IEEE Trans.
Fuzzy Syst. 19, 1040–1057.
Alcala-Fdez, J.; Alonso, J.M., (2015) A Survey of
Fuzzy Systems Software: Taxonomy, Current
Research Trends and Prospects, Fuzzy Systems,
IEEE Transactions on , vol.PP, no.99, pp.1,1
Axelrod, R. (1976). Structure of Decision: The Cognitive Maps of Political. Elites. Princeton,
NJ: Princeton Univ. Press.
Brambilla, M; Ferrante, E.; Birattari, M. e Dorigo,
M. (2013). Swarm robotics: a review from the
swarm engineering perspective, Swarm Intelligence 7(1): 1-41.
Brooks RA (1986) A robust layered control system
for a mobile robot. IEEE J Robot Autom
2(1):14–23.
Espelosin, J.; Acosta, L.; Hamilton, A., (2012). "Robot navigation in simulated pedestrian areas
based on swarm intelligence," Control & Automation (MED), 2012 20th Mediterranean Conference on, vol., no., pp.140, 144, 3-6 July.
Homenda, W.; Jastrzebska, A.; Pedrycz, W., (2014)
Modeling time series with fuzzy cognitive maps,
Fuzzy Systems (FUZZ-IEEE), 2014 IEEE International Conference on , vol., no., pp.2055,2062,
6-11 July 2014
Kosko, B. (1986). Fuzzy cognitive maps,” International Journal of Man-Machine Studies, vol. 24,
pp. 65–75.
Mendonça, M. (2011). Uma Contribuição ao Desenvolvimento de Sistemas Inteligentes Utilizando
Redes Cognitivas Dinâmicas. Tese (Doutorado)
– Programa de Pós-Graduação em Engenharia
Elétrica e Informática Industrial, Universidade
Tecnológica Federal do Paraná, Curitiba, PR.
Mendonça, M., Arruda, LVR., Neves-Jr., F., (2012).
Autonomous navigation system using event driven-fuzzy cognitive maps. Appl. Intell. 37, 175–
188.
Mendonca, M., Angélico, B., Arruda, LVR., NevesJr.,F., (2013). A Subsumption Architecture to
Develop Dynamic Cognitive Network-Based
Models With Autonomous Navigation Application. Journal of Control, Automation and Electrical Systems, v. 24, p. 117-128.
Mendonça, M., Arruda, LVR., Neves-Jr., F., (2014).
Cooperative Autonomous Agents Based on Dynamical Fuzzy Cognitive Maps. In: Elpiniki L.
Papageorgiou. (Org.). Intelligent Systems Reference Library. 1ed.Berlin: Springer Berlin Heidelberg, 2014, v. 54, p. 159-175.
Motlagh, O.; Tang, S. H.; Ismail, N. and Ramli, A. R.
(2012). An Expert Fuzzy Cognitive Map for
Reactive Navigation of Mobile Robots. Fuzzy
Sets and Systems, vol. 201, pp. 105–121
Papageorgiou, E. I.; Stylios, C. and Groumpos, P.
(2006). Unsupervised Learning Techniques for
Fine-Tuning Fuzzy Cognitive Map Causal Links.
International Journal of Human-Computer Studies, vol. 64, pp. 727–743.
Papageorgiou, E. I. and Salmeron, J. L. (2013). A
Review of Fuzzy Cognitive Map research during
the last decade. Accepted for publication in
IEEE Transactions on Fuzzy Systems, vol. 21
no. 1, pp. 66-79.
Papageorgiou, E. I. (2014) Fuzzy Cognitive Maps for
Applied Sciences and Engineering from Fundamentals to Extensions and Learning Algorithms.
Springer.
Payton, D.; Estkowski, R. and Howard, M. (2015),
Compound Behaviors in Pheromone Robotics,
Robotics and Autonomous Systems, vol. 44, pp.
229–240. 2003.
Paulos, J.; Eckenstein, N.; Tosun, T.; Jungwon Seo;
Davey, J.; Greco, J.; Kumar, V.; Yim, M.,
(2015). Automated Self-Assembly of Large Maritime Structures by a Team of Robotic
Boats,Automation Science and Engineering,
IEEE Transactions on, vol.12, no.3, pp.958, 968,
July 2015
Pedrycz, W. Homenda, W. (2013). From Fuzzy Cognitive Maps to Granular Cognitive Maps. Fuzzy
Systems, IEEE Transactions on, vol.PP, no.99,
pp.1, 1, 0
Pessin, G.; Osorio, F.; Hata, A.; Wolf, D. (2010).
Intelligent control and evolutionary strategies
applied to multirobotic systems, Industrial Technology (ICIT), 2010 IEEE International Conference on, Vina del Mar, Chile, pp. 1427-1432.
Policastro, C.A.; Romero, R.A.F.; Zuliani, G.,
(2007). Robotic Architecture Inspired on Behavior Analysis, Neural Networks. IJCNN. International Joint Conference on, vol., no., pp.1482,
1487, 12-17 Aug.
Russell, S. J. and Norvig, P. (1995). Artificial Intelligence: A Modern Approach. Englewood Cliffs:
Prentice Hall.
Romero, R. A. (2014) F. ET (ORGS.). ROBÓTICA
MÓVEL. LTC, 07/2014. VITAL BOOK,
Stylios, C. D. and Groumpos, P. P. (2004). Modeling
Complex Systems Using Fuzzy Cognitive Maps.
IEEE Transactions on Systems, Man, and Cybernetics, Part A: Systems and Humans, vol. 34
no. 1, pp. 155-162.
Sutton, R.; Barto, (1998). A. Reinforcement learning:
an introduction. Cambridge: MIT Press, 1998.
Tan, Y. e Zheng, Z. (2013). Research advance in
swarm robotics, Defence Technology 9(1): 1839.
Vascak, J. and Madarász, L. (2010) Adaptation of
Fuzzy Cognitive Maps – a Comparison Study.
In: Acta Polytechnica Hungarica. v. 7, n 3, p.
109-122.
Yeap, W. K.; Wong, C. K. and Schmidt, J. (2006).
Initial Experiments with a Mobile Robot on
Cognitive Mapping. In Proceedings of the 2006
International Symposium on Practical Cognitive
Agents and Robots, Perth, Australia, November
27 – 28.