Extensão de MAS-ML para a Modelagem de Agentes BDI

Transcrição

1 Extensão de MAS-ML para a Modelagem de Agentes BDI Evilásio C. Júnior, Enyo J. T. Gonçalves, Yrleyjander S Lopes, Emmanuel S. Freire, Mariela I. Cortés Abstract Agents based on the Belief Desire Intention (BDI) model include structural and behavioral properties that must been captured and modeled properly. Features present in the MAS-ML 2.0 language for the modeling of cognitive agents propitiate its extension to support the modeling of BDI agents. In this work, the extension process of the MAS-ML language is presented. Resumo Agentes baseados no modelo Belief Desire Intention (BDI) possuem propriedades estruturais e comportamentais especificas que precisam ser capturadas e modeladas adequadamente. Mecanismos presentes na linguagem MAS-ML 2.0 para a modelagem de agentes cognitivos propiciou a extensão da linguagem para dar apoio à modelagem de agentes BDI. Em este trabalho, o processo seguido para a extensão da linguagem MAS-ML é apresentado. Index Terms Multi-agent Systems; Belief Desire Intention model; Modeling language. S I. INTRODUÇÃO egundo Russell e Norvig [13], agentes são entidades capazes de perceber através de sensores e agir através de atuadores em um determinado ambiente. Agentes de software são classificados de acordo com a arquitetura interna que determina suas propriedades, atributos, componentes mentais e comportamento. As propriedades especificas de cada arquitetura exigem uma modelagem e implementação diferenciada para cada caso. Dentre as características que podem ser atribuídas a um agente inteligente [20] temos: autonomia, habilidade social, pró-atividade, reatividade, dentre outras. Um único sistema multiagente pode envolver a interação de agentes com diferentes arquiteturas internas. Considerando que cada arquitetura tem suas particularidades se torna necessária uma linguagem de modelagem que forneça meios para que projetistas de SMAs consigam modelar agentes pertencentes a diversas arquiteturas adequadamente. As arquiteturas Belief Desire Intention (BDI) [7] são arquiteturas cognitivas fundamentadas em estados mentais que definem como o agente delibera e escolhe a ação a ser seguida. {apraia,savio.essf, yrleyjander}@gmail.com Universidade Estadual do Ceará enyo@ufc.br Universidade Federal do Ceará mariela@larces.uece.br Universidade Estadual do Ceará As arquiteturas BDI são amplamente utilizadas no desenvolvimento de Sistemas Multi-Agentes (SMAs). Dentre as linguagens propostas para modelagem SMAs destacamos MAS-ML (Multi-Agent System Modeling) [15][16][18]. MAS-ML é uma linguagem de modelagem que realiza uma extensão conservativa da UML [1] para permitir a modelagem de SMAs. Em particular, as seguintes características da linguagem podem ser ressaltadas: (i) suporta modelagem das principais entidades de um SMA: agentes, organizações e ambiente; (ii) na sua versão 2.0, a linguagem contempla agentes reativos, baseados em objetivo e em utilidade; (iii) possibilita a definição de papéis, fundamental para a modelagem de agentes em sociedade; e (v) introduz explicitamente novos conceitos ao metamodelo UML relacionados a entidades orientadas a agentes. No entanto, a linguagem não fornece as abstrações adequadas para a modelagem de agentes BDI. O presente trabalho apresenta uma extensão de MAS-ML para modelar agentes BDI. Este artigo está estruturado da seguinte maneira: na Seção 2 são apresentados os principais conceitos dos agentes BDI. Na Seção 3, a linguagem de modelagem MAS-ML é apresentada. Em seguida, a extensão à MAS-ML é mostrada na Seção 4. Um estudo de caso referente à extensão da linguagem MAS-ML é mostrado na Seção 5. Alguns trabalhos relacionados são apresentados na Seção 6 e, finalmente, as conclusões e trabalhos futuros são descritos na Seção 7. II. TRABALHOS RELACIONADOS Várias linguagens têm sido propostas para a modelagem de SMAs, no entanto nenhuma delas oferece suporte adequado à modelagem de agentes BDI de forma consistente com o referencial teórico de este tipo de arquitetura. A linguagem de modelagem AUML [12] objetiva fornecer uma semântica semi-formal e intuitiva através de uma notação gráfica amigável. No contexto de agentes BDI, AUML não apresenta elementos para representar corretamente percepções, nem as funções de geração de intenção, de seleção de intenção e de manutenção de intenção. Wagner [19] propõe a linguagem de modelagem AORML, baseada no metamodelo AOR. Esta linguagem não oferece suporte aos elementos das arquiteturas internas de agente, citado como ponto fraco da linguagem por Wagner [19]. Portanto, não é possível diferenciar agentes com arquiteturas reativas e proativas em AORML.

2 Além disto, as duas linguagens citadas anteriormente não definem o ambiente como uma abstração, portanto não é possível modelar a migração de um agente de um ambiente para outro. Representar a capacidade de migração de agentes é interessante na modelagem de agentes móveis [14], aplicados em redes de computadores, por exemplo. No trabalho de Choren e Lucena [3] é apresentada a linguagem de modelagem ANote, através de um conjunto de modelos, conhecidos como visões. Não é possível diferenciar agentes com arquiteturas reativas e cognitivas em Anote, pois a linguagem não oferece suporte aos elementos das arquiteturas internas de agente. Além disto, ANote não oferece suporte para objetos convencionais, os quais podem ser necessários, pois, de forma geral, um SMA pode incluir entidades não autônomas. Além disso, o conceito de papel do agente não é especificado. AML [4] é uma linguagem de modelagem baseada em um metamodelo que possibilita a modelagem de unidades organizacionais, relacionamento social, papéis e sua propriedades. AML define os seguintes elementos associados a um agente: objetivo, crenças e planos, portanto não oferece suporte adequado para a modelagem de agentes reativos. Vale salientar que os aspectos semânticos de comunicação são modelados como especializações de elementos existentes na UML, tais como invocação de métodos, uma vez que não foram definidas abstrações especificas para agentes [18], isto pode dificultar a modelagem das diferentes formas de interação previstas para agentes. MAS-ML 2.0 [9] [10] [11] é uma extensão proposta à linguagem de modelagem MAS-ML para que a mesma contemple a modelagem de arquiteturas internas de agentes reativos simples, agentes reativos baseados em conhecimento, agentes baseados em objetivo com planejamento e agentes baseados em utilidade. Sem dúvida este trabalho constitui um esforço para expressar as arquiteturas internas de agente através de uma linguagem de modelagem, tornando-a um diferencial dentre as demais citadas. Porém a arquitetura BDI não foi contemplada no trabalho. III. REFERENCIAL TEÓRICO Nesta seção, agentes BDI e a linguagem de modelagem MAS- ML serão apresentados de maneira sucinta. A. Agentes BDI O modelo BDI se refere a um grupo de agentes cognitivos baseados em estados mentais, fundamentado por Bratman [2], que tem origem na teoria do raciocínio prático humano. O modelo BDI define agentes inteligentes cujo raciocínio é baseado na existência de três estados mentais: desejos, crenças e intenções. Agentes cognitivos possuem uma representação simbólica explícita do seu ambiente e mantém um histórico de suas ações, construindo sua base de conhecimento e deliberando as ações futuras, a fim de alcançar um objetivo. A seqüência de ações seguida para alcançar o objetivo é denominada de plano [6]. Para Wooldridge [20], o modelo BDI é interessante porque (i) apresenta um componente filosófico baseado na teoria do raciocínio prático humano [3], (ii) apresenta um componente de arquitetura de software que pode ser implementado de maneiras diferentes, e (iii) apresenta também um componente lógico, representado por um grupo de lógicas que capturam os aspectos chave do modelo BDI. O raciocínio prático define ao menos duas atividades, a deliberação que envolve a decisão do estado que o agente deve alcançar, e o raciocínio meio-e-fim, que define um plano que deve ser seguido pelo agente para alcançar estado meta. As crenças representam o conhecimento sobre o mundo no qual o agente se encontra [21]. Segundo Giraffa [8], os desejos consistem no estado do mundo que o agente quer atingir, os quais são confrontados aos seus desejos com as suas crenças, para a escolha das ações. Para Fagundes [6], as intenções representam os estados do mundo que efetivamente o agente quer atingir, ou seja, existe um comprometimento em realizá-las. B. A linguagem MAS-ML MAS-ML (Multi-Agent System Modeling Language) é uma linguagem de modelagem de SMAs que estende a UML, dando subsídios para a modelagem de todos os aspectos dinâmicos e estruturais definidos no framework conceitual TAO (Taming Agents and Objects) [14]. Os diagramas estruturais definidos pela linguagem MAS-ML são os diagramas de classes, papéis e organização. Com o uso de três diagramas estruturais é possível modelar todas as entidades definidas no TAO. O agente é o elemento principal da modelagem orientada a agentes. Na Figura 1 é apresentada a notação dos diagramas estáticos de MAS-ML para representar agentes, na sua concepção original. Figura 1 - Representação da instância da metaclasse AgentClass [16]. Os diagramas dinâmicos definidos por MAS-ML são o diagrama de seqüência e o diagrama de atividades [17] estendidos a partir da UML. IV. ESTENDENDO MAS-ML PARA AGENTES BDI Nesta seção é apresentada uma extensão à linguagem MAS- ML de modo que agentes BDI possam ser modelados de forma mais adequada e intuitiva. Para estender a linguagem MAS- ML observou-se que é necessário estender o conceito de agente apresentado pelo framework TAO, de forma a contemplar o conceito de intenção, inerente à arquitetura BDI. Para mudar esta definição foi utilizado o fato de MAS-ML não associar explicitamente um agente a sua arquitetura interna. Deste modo uma nova definição de agente para o TAO pode ser feita da seguinte forma: Agente é um elemento autônomo, adaptativo e interativo, que possui as seguintes características: crenças (tudo que o agente conhece), ações e um elemento deliberativo que engloba as

3 características que definem o comportamento do agente. O metamodelo da linguagem MAS-ML utilizado como base para a extensão proposta é o apresentado em [9]. Na sua concepção original, a classe AgentAction mantinha dois estereótipos associados (Right e Duty). No trabalho de Gonçalves [9] novos estereótipos foram associados à metaclasse AgentAction para representar a função próximo, função de formulação de problema e a função formulação de objetivo. A. Novas características em MAS-ML O raciocínio de agentes BDI é baseado na existência de três estados mentais: desejos, crenças e intenções. As intenções são o resultado da seleção dos desejos e esta seleção é feita em tempo de execução, portanto não pode ser explicitado nos artefatos de projeto. Objetivo, elemento que já é representado em MAS-ML, será utilizado para representar os desejos e intenções do agente BDI, uma vez que os desejos passarão a ser intenções somente em tempo de execução. O conceito de crenças e o conceito de objetivo estão previstos em MAS-ML. Uma intenção é um desejo (objetivo) que é escolhido em tempo de execução para ser alcançado. Toda intenção é associada a um planejamento e possui uma prioridade. Desta forma, a intenção com a prioridade mais alta será utilizada para a escolha do plano a ser seguido primeiro. Consequentemente, a inclusão da intenção como parte da estrutura do agente envolve a criação de novos estereótipos referentes à geração da intenção, à manutenção da intenção e à seleção da intenção a ser alcançada em seguida. Estes novos estereótipos (Figura 2) foram associados à meta-classe AgentAction. função para manutenção de desejos, pois as intenções são subconjuntos de desejos, logo não se faz necessário a manutenção dos desejos, apenas das intenções. Além disso, diferente do agente padrão modelado por MAS-ML, a lista de planos não é gerada a partir dos objetivos, ou desejos, mas a partir das intenções. A partir das mudanças na notação da entidade AgentClass, os diagramas de classes e de organização precisam ser adaptados para dar suporte à nova representação da classe agente. Além da mudança nos diagramas estáticos, o comportamento relativo às intenções precisa ser refletido nos diagramas dinâmicos. B. Representação da classe AgentClass para o agente BDI A representação gráfica da classe AgentClass foi mantida em relação à sua concepção original. Considerando que o conceito de desejo pode ser mapeado para o conceito de objetivo, que já é contemplado pela linguagem, as propriedades contidas no compartimento intermediário não foram alteradas. O compartimento inferior descreve as propriedades comportamentais do agente previstas em [9], as quais possibilitam formular o objetivo, realizar o planejamento do agente e atualizar a representação interna do agente. Para o caso de agentes BDI, a extensão proposta no presente trabalho envolve a modelagem da função de geração de intenções, a função de manutenção de intenções, a função de seleção de intenção. Estas funções foram adicionadas de forma a dar suporte à geração, manutenção e seleção de intenções em tempo de execução. O comportamento modelado por estes componentes é descrito a seguir. Na Figura 3 é ilustrada a representação gráfica da classe AgentClass para um agente BDI. Figura 2 - Estereótipos da metaclasse AgentAction. As intenções são geradas em tempo de execução a partir da escolha de um desejo através de uma função geradora de intenções. Esta função gera uma nova intenção e adiciona a nova intenção à lista de intenções. Para representar a função geradora de intenções foi criado o estereótipo <<generateintention-function>> associado à meta-classe AgentAction. Dependendo de mudanças no ambiente, uma intenção pode se tornar impossível de ser alcançada ou incompatível com as intenções existentes, precisando ser descartada. A função de manutenção é responsável por esta tarefa quando necessário. Para representar a função de manutenção de intenções foi criado o estereótipo <<maintenance-intention-function>>. Finalmente, a função de seleção da intenção atual utilizada para indicar o plano a ser executado em seguida é denotada pelo estereótipo <<selection-intention-funtion>>. Todos os estereótipos criados são associados à metaclasse AgentAction. É importante destacar que este trabalho não considera uma Figura 3 - Representação de AgentClass para um agente BDI. C. Representação do Diagrama de Seqüência Seguindo a notação apresentada em Silva [16], a função de geração de intenção é representada por uma seta de cabeça fechada, que começa no agente e termina nele mesmo, acompanhada do estereótipo <<generate-intention-function>>. Esta função é responsável por selecionar os desejos que podem gerar intenções e associará a prioridade destes desejos à nova intenção, além de associar à intenção uma data de criação. Como será visto adiante, estes dois atributos são de extrema importância na decisão do plano a ser seguido. Caso nenhuma intenção seja gerada, o processo de planejamento não será executado. A mesma notação gráfica é utilizada no caso da função de

4 manutenção de intenções, acompanhada neste caso do estereótipo <<maintenance-intention-function>>. Essa função é responsável por adicionar as novas intenções, caso sejam possíveis e não sejam incompatíveis com as intenções existentes. Caso contrário, a intenção é desconsiderada. Similarmente no caso em que uma intenção se torne impossível de ser alcançada por uma mudança no ambiente. Após a execução da função próximo, a adição das novas intenções à lista de intenções, da função formulação de objetivo e da função formulação de problema, o processo de planejamento pode ser iniciado. Para representar o planejamento a seta de cabeça fechada que começa no agente e termina nele mesmo é acompanhada do estereótipo <<planning>>. O processo de planejamento é semelhante ao planejamento do agente baseado em objetivo, descrito em [9], para isso antes de ser gerado um plano, uma lista de ações possíveis na execução do agente é criada, porém as ações não são associadas a um objetivo, elas serão associadas às intenções. Destacamos que o planejamento será executado apenas para as novas intenções geradas, de forma a gerar o plano que alcançará esta intenção. A execução da função próximo, formulação de objetivo e formulação de problema seguem a notação descrita em [9]. Por último ocorre a escolha do plano a ser executado para alcançar a intenção atual. Esta escolha é baseada na prioridade associada à intenção e no tempo transcorrido desde a sua geração. Seguindo a mesma notação gráfica, a escolha do plano é representada pela seta de cabeça fechada que começa no agente e termina nele mesmo acompanhada de um estereótipo <<selectionintention-function>>. Um exemplo de diagrama de sequência é apresentado na seção a seguir. V. ESTUDO DE CASO: MODELAGEM DO AGENTE BALBINO Nesta seção é apresentado um estudo de caso da modelagem do agente BDI Balbino, descrito em [6], utilizando a linguagem MAS-ML estendida. Inicialmente será apresentado o Balbino e o ambiente onde ele se encontra, para só então ser apresentada a modelagem utilizando MAS-ML. Balbino é um agente garçom que possui as seguintes funcionalidades: Carregar garrafas de bebida que estão à temperatura ambiente e fora do refrigerador para dentro do mesmo, de modo a torná-las geladas. Vender aos clientes a bebida desejada, apenas se tiver gelada. Convidar os clientes que se comportam de maneira errada a se retirar do recinto. As bebidas vendidas podem ser das marcas A ou B, podem assumir as temperaturas ambiente ou gelada, e podem estar dentro ou fora do refrigerador. Os clientes podem ter preferência por bebidas das marcas A ou B, e podem estar aguardando o pedido, podem ter sido atendidos, podem ter ido embora, ou mesmo podem estar se comportando de modo inadequado. O mundo é composto pelo agente BDI Balbino (ou por vários agentes Balbino que operam independentemente entre si), e pelo agente cliente que será representado como um agente reativo simples. Fagundes [6] destaca que para o agente Balbino não é necessária a criação de intenções e crenças atuais, as intenções apenas são obtidas quando o agente passa a crer nas pré-condições. As crenças são obtidas através das percepções. Neste caso foram criados apenas os desejos dos agentes apresentados a seguir: DES1 Colocar garrafas de bebida da marca A no refrigerador: Agente: BALBINO Pré-condições: Bebida (A ambiente fora) Pós-condições: Bebida (A ambiente dentro) Desejos incompatíveis: Prioridade: 1 Analogamente para o desejo 2: DES2 Colocar garrafas de bebida da marca B no refrigerador. DES3 Atender clientes que solicitam bebidas da marca A: Agente: BALBINO Pré-condições: Bebida (A gelada dentro) e Cliente (A aguardando) Pós-condições: Bebida (A gelada fora) e Cliente (A atendido) Desejos incompatíveis: Prioridade: 2 Analogamente para o desejo 4: DES4 Atender clientes que solicitam bebidas da marca B: DES5 Solicitar a saída de clientes com preferência A e comportamento inadequado: Agente: BALBINO Pré-condições: Cliente (A inadequado) Pós-condições: Cliente (A ausente) Desejos incompatíveis: 5 6 Prioridade: 3 Analogamente para o desejo 6: DES6 Solicitar a saída de clientes com preferência B e comportamento inadequado: Em Fagundes [6] cada desejo possui uma lista de ações associadas a serem executadas no caso o desejo se torne uma intenção. Porém, no modelo apresentado, estas ações são adicionadas a uma lista de ações possíveis, a partir da qual uma sequência de ações é determinada através do planejamento e associada às intenções vigentes. No caso de adotar um algoritmo de planejamento baseado na otimização do número de ações (busca gulosa, por exemplo), é verificado que a sequência de ações descrita associada a cada desejo apresentada em [6] será mantida, caso um desejo qualquer se torne intenção. O agente cliente possui apenas quatro ações: sentar-se à mesa, solicitar a bebida de sua marca, agir de forma inadequada, se retirar do recinto. Consequentemente, quatro estados são permitidos para o agente cliente: solicitando a bebida, agindo de forma inadequada, satisfeito (quando o Balbino o serve), e fora do recinto. Considerando que o funcionamento do agente cliente não é foco deste trabalho, a classe Cliente foi simplificada. No entanto, é importante destacar que a representação deste agente segue a extensão da linguagem MAS-ML descritas em [9][10]. Nas figuras 4 e 5 são apresentados o diagrama de classe para o

5 Balbino e o diagrama de organização simplificado. Figura 5 - Diagrama de Organização para o Balbino. Na Figura 6 é apresentado o diagrama de sequência para a execução do agente BDI Balbino. Através desse diagrama podemos perceber que as ações tomadas pelo Balbino são regidas pela função de geração de intenção, função de manutenção de intenção, função seleção de intenção e pelo planejamento. Agir (DesN) representa a execução da sequência de ações selecionadas pelo planejamento para a intenção relacionada ao Desejo N. Neste diagrama estão exemplificados a lista de ações a serem executadas caso os desejos 1 e 3 se tornassem intenções. Como o desejo 3 tem maior prioridade ele é executado primeiro. Figura 4 - Diagrama de Classes para o Balbino. Figura 6 - Diagrama de Sequência para o Balbino. O diagrama de papéis foi omitido tendo em vista que nossa extensão não implica em adequações ao mesmo. VI. CONCLUSÃO E TRABALHOS FUTUROS Neste trabalho foi apresentado o modelo de desenvolvimento de agentes inteligentes BDI com o intuito de determinar as principais características, propriedades, componentes mentais e comportamento, de forma a determinar os elementos de projeto necessários para dar apoio à sua modelagem. Os estudos realizados apontaram a linguagem de modelagem MAS-ML na sua versão 2.0, como a mais adequada para a modelagem de agentes com arquitetura BDI. A MAS-ML

6 possui uma estrutura que trata as crenças e objetivos do agente, além de oferecer suporte para agentes guiados por planos e planejamento, componentes presentes no modelo BDI. Embora a arquitetura BDI é largamente utilizada no desenvolvimento de SMAs, MAS-ML na sua versão atual, não a contemplava de forma satisfatória. Considerando a inclusão do conceito de intenção na estrutura do agente, a principal evolução de MAS-ML para modelar as arquiteturas BDI envolve a criação dos estereótipos <<generate-intention-function>>, <<selection-intentionfuncion>> e <<maintenance-intention-function>> associados à meta-classe AgentAction. A partir da alteração na classe AgentClass, os diagramas de classes e organização foram modificados. O diagrama dinâmico de sequência também foi alterado para contemplar a representação adequada dos novos elementos. Adicionalmente, a definição do conceito de agente contemplada no framework conceitual TAO foi alterada de forma a atender à especificação de agentes BDI. Como trabalho futuro é sugerido a avaliação e possível extensão da linguagem para modelar agentes com aprendizado, baseados no modelo BDI. Considerando que estes agentes podem aprender novas formas de realizar seu desejo pode ser necessária a modificação na atividade de planejamento. Similarmente, a modelagem de outros agentes com arquiteturas baseadas em estados mentais podem ser considerados. Além disso, sugere-se a extensão do diagrama de atividades, que não foi abordada neste trabalho. REFERÊNCIAS [1] BOOCH, G.; JACOBSON, I.; RUMBAUGH, J.: OMG Unified Modeling Language Specification. Object Management Group ed.: Object Management Group. 1034p. USA, [2] BRATMAN, ME.: Plans, and Practical Reason. Harvard Univ. Press. Cambridge, MA, 200p, [3] BRATMAN, ME. Intention, Plans, and Practical Reason. Harvard Univ. Press: Cambridge, MA, 216p, [4] CERVENKA, R., TRENCANSKY, I., CALISTI, M., GREENWOOD, D.A.P.: AML: Agent Modeling Language toward industry-grade agent-based modeling. New York, USA, p. [5] CHOREN, R. E LUCENA, C. Agent-Oriented Modeling Using ANote, 3rd International Workshop on Software Engineering for Large-Scale Multi-Agent Systems (SELMAS 2004), Stevenage, UK, pp , [6] FAGUNDES, M.: Um Ambiente para Desenvolvimento de Agentes BDI f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) Curso de Ciência da Computação, Universidade Federal de Pelotas. Pelotas, [7] GEORGEFF, M. P.; PELL B.; POLLACK M. TAMBE M.; WOOLDRIDGE M.: The Belief-Desire-Intention Model of Agency. In Proceedings of the 5th International Workshop on Intelligent Agents V: Agent Theories, architectures and languages, Springer-Verlag, [8] GIRAFFA, L. M. M.: Uma arquitetura de tutor utilizando estados mentais f. Tese (Doutorado em Ciência da Computação) - Universidades Federal do Rio Grande do Sul, Porto Alegre, [9] GONÇALVES, E. J. T.: Modelagem de arquiteturas internas de agente utilizando a linguagem MAS-ML Dissertação (Mestrado Acadêmico em Ciência da Computação) Universidade Estadual do Ceará, Fortaleza, [10] GONÇALVES, E. J. T.; CAMPOS, G. L.; CORTÉS, M. I.; SILVA, V. T. Modelagem de Agentes Reativos utilizando MAS-ML. Fifth Workshop on Software Engineering for Agent-oriented Systems (SEAS 09) no 23º Simpósio Brasileiro de Engenharia de Software (SBES 2009), Fortaleza, CE, Brasil, [11] GONÇALVES, E. J. T.; CORTÉS, M. I.; CAMPOS, G. L.; GOMES, G. F.; SILVA, V. T. Towards the Modeling Reactive and Proactive Agents by Using MAS-ML. Agent-Oriented Methodologies, Infrastructures and Processes (AOMIP) em 25th ACM SYMPOSIUM ON APPLIED COMPUTING (SAC 2010), Sierre, Suíça, [12] ODELL, J.; PARUNAK, H. V. D.; BAUER, B. Extending UML for Agents. Proc. of the Agent-Oriented Information Systems Workshop (AOIS 00) at the 17th National conference on Artificial Intelligence (AIII 00), pp. 3-17, Austin, TX, [13] RUSSELL, S. NORVIG, P.: Inteligência Artificial: uma abordagem moderna. 2 Ed. São Paulo: Prentice-Hall. 1056p. São Paulo, [14] SILVA, P. S.; MENDES, M. J. Uma Abordagem para Incorporar Mecanismos de Inteligência Artificial a Agentes Móveis. XXI Simpósio Brasileiro de Redes de Computadores. Natal, Rio Grande do Norte. pp , [15] SILVA, V. T.; CHOREN, R.; LUCENA, C. J. P. de. MAS-ML: A Multi-Agent System Modeling Language. Conference on Object Oriented Programming Systems Languages and Applications (OOPSLA), ACM Press, pp , [16] SILVA, V. T.: Uma linguagem de modelagem para sistemas multiagentes baseada em um framework conceitual para agentes e objetos. Tese (Doutorado em Informática) Pontifícia Universidade do Rio de Janeiro, Rio de Janeiro, [17] SILVA, V. T.; CHOREN, R.; LUCENA, C. J. P. de: Using UML 2.0 Activity Diagram to Model Agent Plans and Actions. The International Joint Conference on Autonomous Agents and Multi-Agent Systems (AAMAS'2005), 4th. Proceedings of the International Conference on Autonomous Agents and Multi-Agent Systems, Netherlands, Holanda, v. 2, n.1, ACM, P Netherlands, Holanda, [18] SILVA, V. T. DA; CHOREN, R.; LUCENA, C. J. P. de: MAS-ML: A Multi-Agent System Modeling Language. Conference on Object Oriented Programming Systems Languages and Applications (OOPSLA); In: Companion of the 18th annual ACM SIGPLAN conference on Objectoriented programming, systems, languages, and applications. P Anaheim, CA, USA, [19] WAGNER, G. The Agent-Object-Relationship Meta-Model: Towards a Unified View of State and Behavior. Information Systems, v. 28, n.5, pp , [20] WOOLDRIDGE, M. & JENNINGS, N.R.: Intelligent Agents: Theory and Practice. Know-ledge Engineering Review, Vol. 10, No. 2. Cambridge: Cambridge University Press,1995. [21] WOOLDRIDGE, M.: Reasoning about Rational Agents. The MIT Press, LONDON, 2000.