基于活跃区域的多机器人分层追逃算法

提出一种基于活跃区域的多机器人分层追逃算法,根据追捕时间及效率将多个追捕者和逃跑者分派到多个单一的双人追逃方案中,在追捕者多于逃跑者的情况下形成协作追捕者.协作追捕者观察需要其追捕的追逃者当前的运动曲线方程,利用快速推进法计算逃跑者未来的活跃区域,并根据该活跃区域执行压迫式追捕.通过对追捕者和逃跑者采用不同的策略进行仿...     

基于Fast Marching方法的多机器人追捕算法

多机器人系统的追捕-逃跑问题是人工智能领域一个非常重要的问题.本文为实现多追捕者协作追捕逃跑目标,提出了一种基于Fast Marching方法的多机器人协作追捕策略.追捕过程中,追捕者数量多于逃跑者的情况下,协助追捕者通过构造“活跃区域”与主追捕者的合作,实现一种压迫式的追捕策略.     

并行多任务环境下Agent联盟的快速生成算法

针对并行多任务环境下Agent联盟的生成问题,提出了基于多种群蚂蚁算法的Agent联盟生成策略.在该联盟生成策略中,种群内部蚂蚁相互合作,协调资源分配并完成相应任务;种群间蚂蚁进行资源竞争,协调解决并行多项任务间的资源冲突.同时,改进的信息素更新策略在综合考虑局部联盟收益和全局联盟收益的基础上提高了算法的全局搜索能力和生成联盟的质量.仿真实验结果表明,文中算法在多种典型条件下都能生成比现有算法更加高效的联盟结构.     

分布式任务分配中的一种信誉重连策略

传统的任务分配一般是基于环境确定和所有Agent均他利的假设,而实际环境往往是复杂的,复杂环境下的Agent更趋理性和自利,所有这些问题给传统的任务分配带来了障碍.基于Agent理性自利的假设,提出了一种重连策略FriendFind并进行了相关实验,实验表明该算法有效的解决了上述问题.     

多机器人追捕-逃跑问题对策模型的研究

在机器人的研究领域里,多机器人的协调与合作成为了一个非常重要的课题。在这其中,分布式多机器人系统中的机器人之间相互协调与合作的典型问题就是追捕-逃跑问题。基于对策论的原理,针对多机器人的追捕-逃跑问题展开了研究,并将追捕-逃跑问题按空间、时间离散化后转为一个对策模型。     

基于实用推理的多智能体协作强化学习算法

针对将单AgentQ-学习协作算法直接扩展到多Agent系统会导致状态-动作对集合的急剧膨胀、从而影响多Agent的协作学习速度的问题,提出了基于实用推理的多Agent协作强化学习算法.在实用推理框架下,首先在慎思过程中通过考虑群体意图来确定单个Agent的子意图;然后,在手段-目的推理过程中采用Q-学习算法得出实现子意图的最优策略,从而实现群体意图.在Q-学习算法中,各Agent只需考虑自身的状态-动作的值函数更新,对其他Agent值函数的更新可以不加考虑,从而大大降低了算法的空间复杂度,提高了学习速度.追捕问题的仿真实验结果验证了算法的有效性.     

并行多任务环境Agent联盟快速生成算法

并行多任务环境下Agent联盟的生成是多Agent系统Multi-Agent System(MAS）的难点.本文将蚂蚁算法应用到了并行多任务环境下多Agent联盟的生成问题.根据多任务的特性,提出了一种采用多种群蚂蚁的算法MCACO (Multi-Colony Ant Colony Optimization）来解决并行多任务环境下的联盟生产问题。在MCACO中采用新的信息素更新策略提高了算法的全局搜索能力.仿真实验证明了本文方法的有效性.     

基于Web服务和多Agent的敏捷供应链系统模型研究

本文基于Web服务技术与Agent技术对敏捷供应链系统模型进行研究.首先分析了基于多Agent的供应链系统,指出传统分布计算技术在实现供应链成员Agent跨Internet集成和协作时的不足.然后分析了基于Web服务的供应链系统,指出其在处理供应链成员自主决策、动态联盟等问题中的缺点.在此基础上,将多Agent技术与Web服务技术相结合用于处理供应链问题,提出了基于Web服务和多Agent的敏捷供应链系统模型,很好的解决了上述两种供应链系统存在的问题.     

基于拍卖的多Agent协商系统的研究

在多Agent系统中经常相互协作的Agent会结成具有相对稳定的合作领域和共同的交易理念,从而形成一定的公共知识,可以协作完成子任务,而多Agent协商系统中的成员既有合作性又有自利性,只有将二者有机结合起来才能保证高效地完成任务。文章在分析拍卖方式网络化、自动化、竞争化的基础上,从拍卖请求方和能力竞争方的角度,引入拍卖过程中的超时思想和Agent合作的历史信息对拍卖任务得不到及时的处理和由于拍卖方和竞买方的信息不对称,没有考虑历史信息的情况下成交效率太低进行分析、研究,提出一种多Agent拍卖流程框架和协商算法,从而使得在拍卖中各响应者都以积极并诚实的姿态参与协商,以致大大地提高了协商效率,且增加了响应者之间的透明性。     

最优联盟结构生成算法中的分支限界技术

讨论多Agent系统中的最优联盟结构生成问题.对于联盟值以特征函数表示的情况下,提出了一种分支限界技术.该技术用联盟大小所代表的整数多个二部拆分作为当前搜索空间的多个分支,以已经求得的局部联盟值的下界和当前所得到的最优值所构造出的剪枝函数来限界.这样,若当前要搜索的一个分支--二部拆分的上界小于所构造的剪枝函数时,该二部拆分分支所对应的大量二部划分就不需进行分解,从而减少了搜索时间.该分支限界技术可整合到当前所出现的各种联盟结构生成算法中.为了测试该技术的有效性,本文将该技术应用到了Rothkopf所提出的DP算法和Rahwan等人所提出的IDP算法中.在具有21个Agent系统中,带有分支限界的BBDP(Branch Bound Dynamitic Programming)算法比不带有分支限界的DP算法可节省时间58.2%;带有分支限界的比不带有分支限界的IDP算法可节省时间17.8%.     

一种基于改进动态联盟算法的多机器人协作捕猎方法

多机器人协作捕猎,不仅需要解决目标搜索、追赶和避障等基本问题,还需要设计最优任务分配机制,构建高效追捕联盟,以便快速地捕获猎物。综合考虑机器人和目标之间的各种相关属性,定义量化标准,构造辅助决策矩阵,建立动态联盟。然后将基于生物刺激神经网络的追赶策略用于联盟形成后的追捕过程中。仿真实验表明该算法具有较高的围捕效率。     

基于角色交换的多Agent协商问题的研究

利用角色与Agent之间的动态性刻画多Agent系统的结构和行为模型的特点,针对在协商过程中相互协作的Agent如何结成具有相对稳定的合作领域的问题,对角色进行形式化描述,提出了基于角色交换的多Agent协商角色交换算法。该算法能在不完全信息的环境下,提高多个Agent之间的协商效率;并以模拟足球赛为平台进行实验,结果证明该算法是可行有效的。     

多Agent系统的Q值强化学习算法

对多Agent系统的Q值强化学习算法进行研究,将历史信息因素的影响添加到Q值学习中,提出了一个新的基于多Agent系统的Q值学习算法.该算法在保证多Agent系统利益达到相对最大化的同时,也有效降低了Agent之间的冲突率.最后,通过仿真测试验证了该算法的有效性.     

机器人部队运动多目标合作追捕算法

针对现有追捕问题只研究单个逃避者又附加了诸如逃避者的速度慢、视野小、只能随机逃避等使逃避者处于劣势或与追捕者轮流运动等额外条件的问题,研究了相同速度和视野范围的逃避者和追捕者同时智能运动时的机器人部队运动多目标的合作追捕算法．该算法根据入侵者的不同类型,机器人部队首先执行运动目标承诺生成算法,由不同数目的机器人协商动态组成追捕团队,追捕团队再按运动多目标合作追捕算法进行合作追捕．仿真结果表明,机器人部队能够高效地合作捕获智能逃避的入侵者,算法的低复杂性可以在复杂动态环境下实时实现．     

基于博弈论及惩罚机制的多Agent协作控制算法

针对协作过程中自利的Agent选择回报更高的任务去执行,导致当前任务不能正常执行的问题,提出一种基于博弈论及惩罚机制的协作控制方法.在形成协作时优先选择信誉值较高的Agent,在协作执行过程中利用惩罚机制来约束退出协作的Agent的行为.仿真结果表明,该算法能有效地避免Agent在协作中随意的退出,确保协作任务的顺利执行,提高协作成功率.     

一个基于自组织多Agent系统的智能控制与决策模型

提出了一个基于自组织多Agent系统的智能控制与决策模型,它是一种基于行为主义的智能控制与决策模型,由环境和自组织多Agent系统两大部件构成,分别通过环境的定义、环境的识别、多Agent控制与决策过程以及多Agent控制与决策输出4个基本步骤来完成建模工作．该模型可以灵活地选择多种算法进行具体的实现工作,文中给出的算法是一种基于作用力机制（物理激励）的多Agent控制与决策算法,该算法是通过模仿经典物理学理论中的万有引力定律,将多Agent系统中的自组织交互过程转化为相互的作用力,并通过交互作用力的大小和方向体现多Agent之间的交互机制,充分利用了多Agent系统的群体决策优势．测试实验结果表明,该模型具有较好的应用效果并且其系统能量在Agent数目为300、迭代次数超过80次时具有稳定性．     

改进的辅助粒子多Agent系统信息融合滤波算法

为克服多Agent系统的非线性问题,提高多Agent系统对信息的协同合作能力,提出一种改进的辅助粒子信息融合滤波算法。该算法通过分析多Agent系统的结构,根据正交小波多尺度分析理论对系统内Agent的信息进行分解、重构,给出以Agent信息为重要采样密度函数的辅助粒子滤波算法,并对滤波结果进行特征融合,得到多Agent系统融合特征。将此算法应用到机动目标跟踪领域,并与传统的滤波算法进行对比,仿真结果验证了该算法的有效性。     

基于云概念语言的多任务模糊联盟形成

在MAS系统中多任务联盟的生成是关键问题,针对Agent提供的能力及其态度表现具有模糊性和不确定性特点,提出云概念语言的多任务联盟生成方法。运用二维云模型实现模糊量间不确定转换,得到Agent与任务之间的云概念语言,以概念语言语义中最好Agent为各特定任务的"盟主",并依据概念语言语义强弱依次与联盟中其他Agent成员进行协商形成多任务联盟,有效地降低了多任务联盟形成的复杂性。实例说明方法更合理、更有效。     

基于情感组织Agent的联盟形成研究

情感Agent通过同动态环境（包括人）的交互,能够感知周围环境,自治运行以实现特定的目标,同时也能影响和改变环境。把EBDI中的情感Agent引入到组织和联盟中,提出情感因子,对形成联盟的Agent的能力贡献多少进行评估,能充分体现了动态环境中情感Agent的各个情感分量的变化及这种变化对Agent行为的影响。因此,提出基于情感组织Agent的联盟形成策略,引入组织Agent的情感因子对形成联盟过程中的能力贡献进行评估,体现额外效用分配方法有效性、简单性、动态性、时效性,也使整个系统更趋于人性化,显示出协商机制的公平合理性。     

基于Multi-Agent技术的虚拟企业构建研究

虚拟企业(VirtualEnterprise)是企业间的一种动态联盟,它作为一种新型的制造模式正在逐渐兴起,但其环境多为分布的、异构的制造环境.本文根据Multi Agent技术的特点,将Multi Agent技术应用到虚拟企业的构建中,来解决虚拟企业各成员的分布性、异构性.