生鲜农产品电商分布式业务流程再造

从"去中心化,去中介化"的互联网思维获得启发,构建碎片化的消费者按地理位置就近聚合为食物社区,农产品基地就近向食物社区取货点规模化配送,电商平台向食物社区发起众筹与向生产基地众包以销定产,消费者通过食物社区网购店取增强消费体验的生鲜电商分布式业务优化模型.研究表明,通过分布式业务流程再造,生鲜电商以物流为主的运行费用和产品耗损下降,业务规模和盈利能力提升.分布式业务流程再造可为我国仍受困于农村"最初一公里"集货难与城市"最后一公里"配送难的生鲜电商发展提供决策参考.     

“最后一公里”配送的分布式多无人机的任务分配和路径规划

无人机在完成"最后一公里"的货物配送时需解决任务分配与路径规划问题.本文将"区块链"思想引入拍卖算法中,对无人机编队的任务分配进行优化计算,计算方式由集成中心式计算转变为分布式多智能体间互联计算,使无人机编队在任务计划过程中重新对不合理的任务结果作出调整,使其总回报奖励更高,即分配总成本最少.在确定无人机配送的初末位置后,以路径长度、地形、雷达威胁、无人机碰撞为约束建立目标函数模型,利用改进的量子粒子群算法进行求解.与传统方法相比,本文提出的任务分配策略和路径规划方法可以得到更好的优化结果,并减少计算资源消耗.仿真结果表明:所提出的两种方法在计算效率和任务执行方面都是非常有效性的.     

基于元网络的项目组织学习能力对任务完成影响评价仿真方法

组织能力是影响项目任务完成的决定性因素,而学习能力是组织能力形成的关键基础.基于元网络理论和动态仿真方法,将组织(人)、知识和任务视为多智能体复杂交互系统,提出知识扩散度和任务完成水平两项关键指标,研究项目组织学习能力对任务完成水平影响的内在机理.以通用品牌别克汽车4S店建设项目群管理为例,验证评价指标的合理性,并进一步通过仿真实验,识别项目组织的关键知识、关键组织以及关键学习阶段,进行组织学习能力提升和任务分配的优化.为项目组织设计、任务分配及组织学习的研究探索了一种有效的方法.     

考虑碳税的电子商务物流最后一公里不同配送模式的成本研究

科学决策最后一公里配送模式能够有效提高最后一公里配送效率和电子商务物流服务水平,降低其配送能耗和成本。针对电子商务物流中的最后一公里配送环节,采用时间依赖性的车辆路径优化和聚类分析等模型分别优化计算征收碳税时不同最后一公里配送模式的成本,比较不同订单量情况下各种模式的成本变化情况,并分析每种模式中影响成本的主要因素。研究发现:当订单量较少时,采用送货上门模式最合适;随着订单量的增长,选择自助收发箱模式或顾客自提站模式取决于自助收发箱费用和第三方机构提成的比例以及碳税。从电子商务物流服务商角度而言,碳税对自助收发箱模式的成本影响较大,对其他模式的成本影响较小。     

多智能体协同决策仿真平台研究与开发

强化学习仿真平台为强化学习提供交互和训练的环境。为了使仿真平台兼容多智能体强化学习算法，满足军事领域仿真的需求，提炼多智能体强化学习算法中的相似流程，设计统一接口，将多种不同类型深度强化学习算法在仿真平台进行嵌入验证；优化仿真平台后端服务框架以加速算法模型的训练过程。实验结果表明：在仿真平台中统一接口规范，能够兼容多种不同类型的多智能体强化学习算法，显著提升了后端服务框架重构和参数量化后算法训练效率。     

风险型多任务众包项目任务分配模型及应用

现有众包项目任务分配研究主要集中于单一任务以重复分配策略获取较高质量,问题相对简单。现实中项目任务需要进一步分解以降低其复杂性,再将分解后较简单的项目子任务发包给能力较强的众包者,并需要站在整个任务网络角度建立起优化模型来求解任务分配问题。本文在考虑众包工人的能力风险下,将承包者能力风险及其带来的成本纳入模型,建立了以项目工期最小化、成本最低以及承包任务人数最少为目标的多目标任务分配模型,并提出了求解优化模型的启发式算法。研究表明目标的优先级不同以及是否考虑承包者能力风险结果有较大不同,能力风险成本将增加项目总体成本,具体实例验证了该算法的有效性和优越性,本研究对众包平台任务匹配服务有一定的赋能价值。     

基于Agent理论的多无人地面平台协同控制仿真研究

为提升多无人地面平台协同控制能力,适应新形势下智能战争趋势,基于JADE和World Wind Java构建了多智能体地面平台协同控制仿真系统。运用多Agent理论建立无人地面平台仿真模型,基于JADE构建协同控制仿真平台,运用粒子群算法优化任务分配机制。仿真实验表明,构建的协同控制仿真平台具有良好的鲁棒性和灵活性,优化后的任务分配机制使得多无人地面平台群体执行任务效率明显提高,且可应用于其他海上、空中无人平台的仿真研究。     

基于多智能体强化学习的多机器人协作策略研究

研究了一种基于智能体动作预测的多智能体强化学习算法. 在多智能体系统中,学习智能体选择动作不可避免地要受到其他智能体执行动作的影响,因此强化学习系统需要考虑多智能体的联合状态和联合动作.基于此,提出使用概率神经网络来预测其他智能体动作的方法,从而构成多智能体联合动作,实现了多智能体强化学习算法. 此外,研究了该方法在足球机器人协作策略学习中的应用,使多机器人系统能够通过与环境的交互学习来掌握行为策略,从而实现多机器人的分工和协作.     

众包物流服务网络决策优化

为解决众包物流服务网络运作优化问题,提出构建众包物流服务网络均衡模型的方法。借助纳什均衡理论和变分不等式方法,分析物流需求市场、物流企业、众包平台和自由快递员四层决策者的最优行为及均衡条件,获得众包物流服务网络系统的整体最优条件,运用欧拉算法求解出合理的均衡交易量、均衡交易价格和整体最优利润。模型中引入物流企业的众包平台使用率和众包平台的自由快递员使用率,通过算例验证了模型的可行性且分析了这两个参数分别对均衡交易量、均衡交易价格以及整体最优利润的影响。结果表明,均衡交易量和均衡交易价格随着两个参数值的增加而增加,整体最优利润也随之明显增长,并据此为众包物流服务网络的决策者提供针对性的管理优化建议。     

基于文本挖掘的众包人才能力分析北大核心CSSCI

由于众包模式中存在人才盲目参与任务竞争的问题,故需要分析众包环境下人才所需要具备的能力。同时,众包平台上出现很多人才之间进行经验交流的网上社区,面对海量的人才众包经验数据,急需通过有效的方法来获取众包人才能力。针对网上众包社区中的经验沟通交流信息,通过文本挖掘技术来分析众包人才的能力。为了从众包人才交流社区的非结构化文本中识别出能力特征,基于文本聚类的主题识别方法,将人才交流文本内的句子按其不同主题进行聚类,每一个结果簇表示某一种能力特征,采用基于关键词的聚类结果表示方法来解析每一个簇。通过对聚类结果的分析,分别确定了众包人才能力的5个方面:学习与创新能力、服务意识、在线社交能力、成就导向和竞争意识。通过实验检验了所提出方法的有效性。最后,分别分析了程序开发人才和标志设计人才的能力差异化原因。     

基于文本挖掘的众包人才能力分析

由于众包模式中存在人才盲目参与任务竞争的问题,故需要分析众包环境下人才所需要具备的能力。同时,众包平台上出现很多人才之间进行经验交流的网上社区,面对海量的人才众包经验数据,急需通过有效的方法来获取众包人才能力。针对网上众包社区中的经验沟通交流信息,通过文本挖掘技术来分析众包人才的能力。为了从众包人才交流社区的非结构化文本中识别出能力特征,基于文本聚类的主题识别方法,将人才交流文本内的句子按其不同主题进行聚类,每一个结果簇表示某一种能力特征,采用基于关键词的聚类结果表示方法来解析每一个簇。通过对聚类结果的分析,分别确定了众包人才能力的5个方面:学习与创新能力、服务意识、在线社交能力、成就导向和竞争意识。通过实验检验了所提出方法的有效性。最后,分别分析了程序开发人才和标志设计人才的能力差异化原因。     

基于2-TUPLE MADM的众包平台辅助决策设计框架

随着亚马逊Mechanical Turk和Innocentive等众包平台的增长,劳动力和知识的获取和利用较以前更容易。然而,许多众包平台网站都面临着如何使任务发布者和提供者能够长时间地停留在网站中参与任务,以保持众包平台网站可持续性发展的问题。为解决这一问题,本文利用经典的基于二元语义的多属性决策方法(2-TUPLE Multiple Attribute Decision Method),为众包平台网站构建一个辅助决策模块。该模块的使用,一方面可以帮助提高任务发布者决策的科学性,另一方面为提供者给予适当的信息反馈。通过此种方式,可以提高任务发布者和提供者对于众包平台网站的满意度,从而维持众包平台网站的可持续发展。基于二元语义的多属性决策方法在众包平台中的应用将会对众包平台中的所有组成单元带来利益。     

基于多智能体强化学习的动态频谱分配方法综述

认知无线电和动态频谱分配技术是解决频谱资源短缺问题的有效手段。随着近年来深度学习和强化学习等机器学习技术迅速发展, 以多智能体强化学习为代表的群体智能技术不断取得突破, 使得分布式智能动态频谱分配成为可能。本文详细梳理了强化学习和多智能体强化学习领域关键研究成果, 以及基于多智能体强化学习的动态频谱分配过程建模方法与算法研究。并将现有算法归结为独立Q-学习、合作Q-学习、联合Q-学习和多智能体行动器-评判器算法4种, 分析了这些方法的优点与不足, 总结并给出了基于多智能体强化学习的动态频谱分配方法的关键问题与解决思路。     

农村快递物流配送模式系统发展研究

农村快递物流的发展对衔接农产品进城、工业品和农用品下乡、促进乡村振兴具有重要意义。然而,"最后一公里"配送难的问题制约了农村快递物流的发展。针对此问题,本文建立了农村快递物流配送模式的系统结构模型,利用基模分析技术对此系统进行反馈环开发管理,生成合理增设村域配送网点、加速信息化建设进程、构建末端共享配送模式等管理对策,以促进农村快递物流配送模式系统科学发展。     

基于DEVS原子模型的智能体离散仿真构建方法

智能体由于自身交互行为与学习行为的复杂性,难以直接被建模和仿真.针对智能体离散仿真中的常见问题,借助DEVS (discrete event system specification)原子模型的事件转移机制表示智能体的交互与学习过程,通过对智能体交互模式、多状态外部事件转移控制、端口连接模式、以及强化学习事件转移表示等...     

生鲜电商众筹预售与众包生产联合决策

顺应消费者参与消费体验追求产品质量安全保障,论文构建了社区化消费者与组织化生产者通过电商平台进行点对点的生鲜农产品供应链纵向一体化众筹预售与众包生产联合决策模型及机制.研究表明,与过去分散决策相比,联合决策对扩大网购需求,提高供应链收益有显著协同效应,而决策机制可确保参与者的利益诉求在联合决策中公平表达.研究成果对促进我国生鲜农产品以销定产,消费者参与质量安全监督和农产品流通"最初一公里"与"最后一公里"问题解决及生鲜电商发展有参考价值.     

有人/无人作战智能体分布式任务分配方法

有人/无人作战智能体任务联盟是面向分布式网络化作战体系提出的一种作战样式,任务分配问题是研究任务联盟指挥策略的关键点之一。以有人/无人作战智能体任务联盟为研究对象,提出与之适应的分布式体系结构。将任务执行质量引入任务分配问题建模中,以拍卖算法为基础,通过编组整体拍卖、方案预处理等改进机制,有效降低了个体方案的构建开销,并在约束的时间内实现任务联盟的动态任务分配。针对作战想定进行了仿真计算,结果表明算法能在有限拍卖次数下给出接近理想优化效果的分配方案。     

同顺序Flow shop问题的一种遗传强化学习算法

针对Flow-shop排序问题的固有复杂性,设计了一种遗传强化学习算法.首先,引入状态变量和行动变量,把组合优化的排序问题转换成序贯决策问题加以解决;其次,设计了一个Q-学习算法和基于组合算子的遗传算法相集成,遗传算法利用染色体的优良模式及其适应值信息来指导智能体的学习过程,提高学习效率和效果,强化学习则对染色体进行局部优化进而改良遗传群体,二者有机结合共同解决Flow-shop排序问题;再次,提出了多种适应性策略,使算法关键参数能够周期性递变,以更好地在深度搜索和广度搜索之间均衡;最后,仿真优化实验结果验证了该算法的有效性.     

复杂任务下的多智能体协同进化算法

针对多智能体系统在处理复杂任务时存在的低效率、高冗积、多智能体系统内协同模型算法存在交互冲突、资源损耗过高等问题, 提出一种基于复杂任务的多智能体系统优化算法。在差分进化算法与局部优化算法的基础上对二者进行优化, 结合强化学习的训练框架, 构建训练网络, 通过对学习步长进行修订, 改变种群迭代优化准则, 使得种群在计算力充足的情况下可以实现全局收益最大化, 有效解决了指挥控制系统过程中的协同优化问题。     

考虑大众活跃度的众包配送违规行为控制微分博弈研究

针对如何通过控制参与主体违规行为以防范配送过程中违规风险的问题.考虑大众活跃度分别构建了在集中式决策、分散式决策以及具有成本分担的分散式决策下的最优控制问题微分博弈模型,分析了三种情形下参与主体控制违规行为的努力水平和众包系统整体收益变化的趋势,探讨了大众活跃度、奖惩因子和分担比例等因素对参与主体控制违规行为努力水平的影响.结果表明:从分散式决策到具有成本分担的分散式决策,再到集中式决策,控制违规行为努力水平和整体收益呈递增趋势;众包平台可以通过调整奖惩因子和成本分担比例来影响大众活跃度,当活跃度在区间[0.8,1]时,分散式决策下,各参与主体控制违规行为的努力水平,接近集中决策下的控制违规行为的努力水平,违规行为数量波动趋于平缓,促使众包物流的收益整体增长.