简单反射型智能体是一类最基础的智能体，它们不维护历史状态，只根据当前感知做出动作决策。下面通过定义、真实案例、代码示例与动手练习，帮助你掌握反射型智能体的核心思想。
3.1 定义：只根据当前感知做反应
- 感知–动作映射：智能体内部只有一组“条件→动作”规则（condition–action rules），没有内部状态或记忆。
- 执行流程：
- 感知环境（Perceive）：读取当前传感器输入
- 匹配规则（Match）：找到与当前感知相符的规则
- 执行动作（Act）：按规则指定的动作作用于环境
- 优点：简单、易实现、计算开销低
- 缺点：无法利用历史信息，容易陷入局部最优或循环
3.2 案例
-
避障小车
- 感知：前方格子是否有障碍
- 规则：
- 如果前方无障碍，继续前进
- 否则右转 90°
- 应用场景：简单的地面巡逻或清扫机器人
-
报警系统
- 感知：麦克风检测到的声音强度
- 规则：
- 如果声音 > 阈值（如 0.7），触发报警
- 否则保持静默
- 应用场景：防盗报警、噪声监测
-
自动门控制
- 感知：红外传感器检测到有人靠近
- 规则：
- 如果有人（距离 < 1m），打开门
- 否则关门
- 应用场景：商场、写字楼出入口
3.3 代码实践
示例 1 – 网格避障小车
# reactive_robot.py
# reactive_robot_visual.py
import matplotlib.pyplot as plt# 5×5 网格定义：0=空地, 1=障碍
maze = [[0, 0, 1, 0, 0],[0, 1, 0, 1, 0],[0, 0, 0, 0, 0],[1, 0, 1, 0, 1],[0, 0, 0, 0, 0],
]# 方向向量：上、右、下、左
dirs = [(-1, 0), (0, 1), (1, 0), (0, -1)]def simulate_fixed(steps=15, start=(2, 4), start_dir=0):"""固定右转策略：遇障碍则右转，否则前进返回经过的路径坐标列表 [(row, col), ...]"""pos = list(start)dir_idx = start_dirpath = [tuple(pos)]for _ in range(steps):dr, dc = dirs[dir_idx]nr, nc = pos[0] + dr, pos[1] + dcblocked = (nr < 0 or nr >= len(maze) ornc < 0 or nc >= len(maze[0]) ormaze[nr][nc] == 1)if not blocked:pos = [nr, nc]else:dir_idx = (dir_idx + 1) % 4path.append(tuple(pos))return pathif __name__ == "__main__":# 1. 运行仿真，获取轨迹path = simulate_fixed()# 2. 可视化fig, ax = plt.subplots(figsize=(6, 6))# 解决中文显示问题plt.rcParams["font.sans-serif"] = ["SimHei"] # Windows 和 Mac 可能需要不同字体plt.rcParams["axes.unicode_minus"] = False # 解决负号显示问题# 绘制障碍格for r in range(5):for c in range(5):if maze[r][c] == 1:ax.add_patch(plt.Rectangle((c, r), 1, 1, color='gray'))# 提取坐标：col → x, row → yrows, cols = zip(*path)# 绘制轨迹（线+节点）ax.plot(cols, rows, '-o', label='小车路径')ax.scatter([cols[0]], [rows[0]], s=100, marker='s', label='起点')ax.scatter([cols[-1]], [rows[-1]], s=100, marker='*', label='终点')# 格式化网格ax.set_xlim(-0.5, 4.5)ax.set_ylim(-0.5, 4.5)ax.set_xticks(range(5))ax.set_yticks(range(5))ax.invert_yaxis() # 行号从上往下ax.set_aspect('equal') # 保持方格比例ax.grid(True)ax.legend(loc='upper right')ax.set_title('5×5 网格避障小车轨迹（固定右转策略）')plt.show()
示例 2 – 声音报警智能体
# alarm_agent.py
import random
import timeTHRESHOLD = 0.7def read_sound_sensor():# 模拟 0.0~1.0 的声音强度return random.random()def alarm_loop(iterations=10):for i in range(iterations):level = read_sound_sensor()# 决策：声音过大报警if level > THRESHOLD:print(f"【{i+1}】声级={level:.2f} → 🔔 报警！")else:print(f"【{i+1}】声级={level:.2f} → 正常")time.sleep(0.3)if __name__ == "__main__":alarm_loop()
3.4 练习
-
随机避障
- 在“网格避障小车”基础上：当前方受阻时，不总是“右转”，而是随机选择“左转”或“右转”。
- 观察小车路径的差异，记录前进次数和转向次数。
-
阈值调优
- 对“声音报警智能体”调整
THRESHOLD（如 0.3、0.5、0.9），运行 20 次循环，统计报警次数。 - 分析阈值对误报/漏报的影响。
- 对“声音报警智能体”调整
-
多传感器融合
- 为避障小车增加“边界检测”（模拟左、右侧是否到达墙边）。
- 设计规则：
- 如果前方与侧边都无障碍，优先前进
- 如果前方阻塞且左侧空闲，则左转
- 如果左侧阻塞且前方空闲，则前进
- 否则右转
- 实现并测试。
-
可视化路径
- 用 Python 的
matplotlib在 5×5 网格上绘制小车运动轨迹：- 网格用方格图表示，障碍格涂灰
- 每一步在网格中画出小车当前位置
- 为不同策略（固定右转 vs 随机转向）绘制不同颜色路径，对比效果。
参考代码
- 用 Python 的
import random
import matplotlib.pyplot as plt# 5×5 网格及障碍定义：0=空地, 1=障碍
maze = [[0, 0, 1, 0, 0],[0, 1, 0, 1, 0],[0, 0, 0, 0, 0],[1, 0, 0, 0, 1],[0, 0, 0, 1, 0],
]# 方向向量：上、右、下、左
dirs = [(-1, 0), (0, 1), (1, 0), (0, -1)]def simulate_fixed(steps=15, start=(2, 4), start_dir=0):"""固定右转策略：遇障碍则右转，否则前进返回经过的路径坐标列表"""pos = list(start)dir_idx = start_dirpath = [tuple(pos)]for _ in range(steps):dr, dc = dirs[dir_idx]nr, nc = pos[0] + dr, pos[1] + dcblocked = (nr < 0 or nr >= len(maze) ornc < 0 or nc >= len(maze[0]) ormaze[nr][nc] == 1)if not blocked:pos = [nr, nc]else:dir_idx = (dir_idx + 1) % 4path.append(tuple(pos))return pathdef simulate_random(steps=15, start=(4, 0), start_dir=0):"""随机转向策略：遇障碍时随机左转或右转，否则前进返回经过的路径坐标列表"""pos = list(start)dir_idx = start_dirpath = [tuple(pos)]for _ in range(steps):dr, dc = dirs[dir_idx]nr, nc = pos[0] + dr, pos[1] + dcblocked = (nr < 0 or nr >= len(maze) ornc < 0 or nc >= len(maze[0]) ormaze[nr][nc] == 1)if not blocked:pos = [nr, nc]else:# 随机左转或右转if random.choice([True, False]):dir_idx = (dir_idx + 1) % 4else:dir_idx = (dir_idx - 1) % 4path.append(tuple(pos))return path# 模拟路径
fixed_path = simulate_fixed()
random_path = simulate_random()# 可视化路径对比
plt.figure(figsize=(6, 6))# 解决中文显示问题
plt.rcParams["font.sans-serif"] = ["SimHei"] # Windows 和 Mac 可能需要不同字体
plt.rcParams["axes.unicode_minus"] = False # 解决负号显示问题# 绘制障碍格
obs = [(r, c) for r in range(5) for c in range(5) if maze[r][c] == 1]
if obs:obs_rows, obs_cols = zip(*obs)plt.scatter(obs_cols, obs_rows, marker='s', s=300, label='障碍')# 绘制固定右转路径
rows_f, cols_f = zip(*fixed_path)
plt.plot(cols_f, rows_f, marker='o', label='固定右转策略')# 绘制随机转向路径
rows_r, cols_r = zip(*random_path)
plt.plot(cols_r, rows_r, marker='x', label='随机转向策略')# 格式化图像
plt.gca().invert_yaxis()
plt.xticks(range(5))
plt.yticks(range(5))
plt.grid(True)
plt.legend()
plt.title('5×5 网格避障小车路径对比')
plt.show()参考输出图案
- 设计一个新场景
- 选一个日常场景（如智能路灯、车道偏离警告），定义感知输入与动作输出，写出至少 5 条规则，并实现成 Python 脚本，验证运行结果。
通过以上案例与练习，你将深刻体会「简单反射型智能体」的原理与局限，为后续引入状态、模型和学习奠定坚实基础。继续动手，才能学得更快、更扎实！
