一种电子商务中基于混合遗传算法的多边多议题协商

为了提高基于智能体电子商务多边多议题合作协商中的协商效率,提出将混合遗传算法(HGA)应用于该协商中. 对4种遗传算法分别进行1000次的实验对比,结果表明,要达到同样协商最优解,标准遗传算法(SGA)平均需要185次协商,基于Metropolis准则遗传算法(MGA)平均需要176次,自适应遗传算法(AGA)平均需要169次,而混合遗传算法(HGA)平均仅需要153次. 求解多边多议题合作协商问题中,HGA可以使得协商当中的agent高效达到最优解.     

基于模糊粒子群优化算法的双边多议题协商模型

针对电子商务应用,提出了一种基于模糊粒子群优化算法的双边多议题协商模型。该模型以追求协商双方联合效用最大化为前提,通过粒子群在对手提议和自身议题理想值域之间进行快速有效搜索出最优解或近似最优解生成反提议;从而促使协商实现"双赢"。实验分析表明,该模型能有效提高协商效率。     

面向议题关联的双边多议题协商模型研究

在Agent双边协商过程中往往包含对多个议题的协商针对以往的基于议程、相似度、案例等协商方法中大部分都忽略了议题取值之间可能存在的依赖关系，提出一种面向议题关联的双边多议题协商模型首先模型结合了多议题顺序协商思想和局部接受协商策略；其次引入离线学习机制，对协商成功的历史记录进行分区离线学习，利用离线学习机制产生的议题关联规则与预测神经网络实现对关联议题可能接受取值的预测；最后模型提出一种基于关联预测值的分段时间协商策略实验结果表明，该模型在一定程度上提高了协商的总体效用值和效率.     

基于并发Options 的双边多议题协商模型优化

针对双边多议题协商中的僵局问题,提出利用并发Options优化协商模型的方法.这种方法可在不降低双边协商效用的前提下,并行动态优化与僵局议题相关的多个议题的保留值.电子商务的实验结果表明:基于并发Options的协商模型优化方法是有效的;无论是学习速度,还是最佳策略的优化程度和泛化能力,该方法均明显优于基于标准Options和Q-学习的优化方法.     

基于议题分类的Web服务协商机制

为解决Web服务组合中精确服务匹配的失效问题,基于博弈论讨价还价折扣率模型提出了一种双边服务协商机制.首先,引入中立协商管理者MA作为协商中介,对协商过程进行协同.然后,针对关联议题和独立议题分别进行协商建模,并设计不同的协商协议.对于独立议题,综合应用时间代价、对手提议和协商管理策略对现有协商策略进行改进;对于关联议题,引入关联议题子集概念,关联议题子集内采用投标模型进行协商,而关联议题子集间则采用独立协商方式.实验结果表明,协商策略的改进和协商管理者的引入加速了独立议题的协商过程.基于议题分类的Web服务协商较好地解决了服务协商中多议题关联的问题,与传统的Web服务协商机制相比,不仅可获得更好的社会效用,而且大幅度减少了协商时间.     

基于Metropolis准则遗传算法的企业动态联盟生成模型

为了提高动态联盟中企业选择联盟伙伴和优化过程中的效率,提出一种基于Metropolis准则遗传算法的企业动态联盟生成模型.将模拟退火算法中的Metropolis准则与遗传算法相结合,提高企业选择联盟伙伴和优化过程中的效率.1 000次仿真实验表明,标准遗传算法SGA平均需要166次才能找到最优解,而基于Metropolis准则遗传算法(MGA)平均仅需要149次就可以找到最优解.企业选择联盟伙伴和优化时,基于Metropolis准则遗传算法(MGA)可以使企业高效找到最优联盟伙伴.     

基于改进免疫遗传的配电网故障区段定位研究

针对目前智能算法在配电网故障定位中存在收敛速度慢、易陷入局部最优的问题,提出将基于免疫遗传算法(Immune Genetic Algorithm,IGA)应用于配电网故障定位中,同时引入精英保留思想对传统免疫遗传算法进行改进.改进后的算法拥有遗传算法搜索特性的同时保留了免疫算法多机制寻求多目标函数最优解的自适应特性,很...     

基于免疫算法的电子商城软件系统测试用例生成

本文提出了一种基于免疫遗传算法（Immune Genetic Algorithm,简称IGA）的电子商城软件测试用例生成模型（Model ofTest Case Generation of EM Software,简称MTCGES）,并详细地介绍了IGA算法的基本思想。通过将IGA算法与传统遗传算法和随机算法在电子商城软件测试用例生成中的比较,说明了IGA算法的效率明显高于传统遗传算法和随机算法,同时也进一步验证了模型的正确性、可行性。     

基于智能agent的个性化搜索

分析了传统搜索引擎存在的缺陷,将智能agent技术应用到搜索引擎当中,通过多agent之间的协商合作,设计并实现了个性化智能搜索引擎模型。     

基于模糊准则的不完全信息双边协商研究

本文提出一个不完全信息条件下基于中间agent的双边多属性同步自动协商机制。根据各属性的特征,将多属性分为两类:定量属性和定性属性,并使用模糊准则为协商参与人分别建立了整体多属性满意度隶属函数。在协商过程中,协商参与人针对定性属性的每个离散值,向中间agent同时提交各自关于定量属性的出价组合,然后中间agent根据所提出的协商规则来判断协商是否成功。在整个协商过程中,协商双方的出价信息是封闭的,这在一定程度上减轻了传统协商各方对对方的猜忌,能进一步加快协商进程。最后,本文通过一个案例说明了所提出的协商方法的有效性。我们期望所提出的方法能应用到实际的电子商务市场中来。     

A Machine Learning Approach to Automated Negotiation

Automated negotiation between two competitive agents is analyzed, and a multi-issue negotiation model based on machine learning, time belief, offer belief and state-action pair expected Q value is developed. Unlike the widely used approaches such as game theory approach, heuristic approach and argumentation approach, This paper uses a machine learning method to compute agents‘ average Q values in each negotiation stage. The delayed reward is used to generate agents‘ offer and counteroffer of every issue. The effect of time and discount rate on negotiation outcome is analyzed. Theory analysis and experimental data show this negotiation model is practical.     

直线单级倒立摆自抗扰控制优化设计

自抗扰控制技术（ADRC）通过对模型不确定因素和外扰进行补偿,使得控制系统对外扰和不确定因素均有很好的适应能力,能够有效控制多种工业上较为难控的对象,表现了极强的鲁棒性和抗干扰性,但是ADRC参数众多难以调节．本文将生物免疫算法与遗传算法相结合,提出了一种基于免疫遗传机理优化计算模型,避免了遗传算法易出现早熟、搜索效率低及不能很好保持个体多样性等问题,给出了基于免疫遗传算法的ADRC参数整定方法,通过对直线单级倒立摆的自抗扰控制,仿真实验表明了通过免疫遗传算法整定的ADRC具有的良好控制效果．     

基于PBIL的多QoS约束选播路由算法

为了满足时延、时延抖动、带宽、丢包率多个服务质量约束下以最小代价选播路由,针对使用常规算法很难求得最优解,提出一种基于种群的增量学习(Population-Based Incremental Learning,PBIL)方法的多约束选播路由算法,该算法有效结合了遗传算法和竞争学习的优点,以更新概率向量为主要的快速进化手段,使得算法更加易于操作,同时对标准PBIL算法中的概率向量更新机制进行了改进,使用两个最优个体代替传统的仅使用单个最优个体,增加了更多优秀个体被选择保存到下一代的机会.最后给出了基于PBIL的选播路由算法和基于遗传优化的选播路由算法随机网络拓扑上的仿真比较,结果表明:算法在最优解的精确度上、成功率上以及执行速度上明显优于遗传算法求解.     

一种基于基因遗传算法的诊断问题求解方法

基因遗传算法是一种基于达尔文进化论思想的新的优化算法，它是对生物进化过程中繁殖、变种和自然选择等规律的模拟。作为一种进化论的数学模型，基因遗传算法在解决大空间的搜索和组合优化问题等方面具有独到的功效。本文在概率因果诊断模型的基础上，应用基因遗传算法解决了诊断中具有组合瀑炸数的多故障同时性诊断问题。     

果酒品质评价的自适应量子粒子群LS-SVM模型

针对BP神经网络和遗传算法对果酒品质预测存在速度慢和精度低的缺点,建立了一种基于量子行为粒子群算法(QPSO)的最小二乘支持向量机(LS-SVM)的果酒品质预测模型。模型通过引入粒子的进化度和聚合度,动态调整收缩扩张因子,从而实现了算法的动态自适应性。仿真结果表明:基于自适应量子粒子群的LS-SVM果酒品质评价预测模型优于所比较的BP神经网络和最小二乘支持向量机两种模型,具有较好的泛化性能和预测精度。     

基于免疫进化算法的Bayesian网结构学习

利用免疫进化算法（IEA）, 借助遗传和接种疫苗操作将基于打分和基于约束的两类Bayesian网结构学习方法有机地结合在一起, 提出一种新的Bayesian网结构学习方法. 通过与基于遗传算法的Bayesian网结构学习方法EGA(Expectation & Genetic Algorithm）的对比试验表明, 所提出算法的收敛速度更快、 学习得到网络的精度更高.     

解决影片递送问题的改进混合遗传算法

影片递送问题(简称FDP)是一个典型的NP-Hard组合优化问题.遗传算法是一种生物自然选择与遗传机理的随机搜索与优化方法.论文针对影片递送问题的特点,在遗传算法中引入新的交叉算子,同时对进化个体进行可行化及结合2-opt邻域搜索也提高了运算效率,设计出一种改进的混合遗传算法.具体实例测试表明在解决FDP时新算法的有效性.     

基于RBF神经网络与遗传算法的Agent初始位置优化

以陆地作战训练模型为背景，研究了多Agent系统中Agent初始属性的优化问题，提出了一种径向基函数(RBF：Radial Basis Function)神经网络与遗传算法(GA：Genetic Alorithm)相结合的、对作战训练模型中Agent的初始位置进行优化的方法。与已有的优化方法相比，该方法不仅优化效果得到明显的提高，而且执行效率可以提高20余倍，更适于处理对执行效率要求较高的优化问题。     

基于遗传神经网络的产品价格预测方法

应用遗传神经网络方法，建立了工业产品预测的神经网络预测模型，并运用遗传算法对建立的神经网络模型的结构和推理参数进行优化，使预测结果更加准确，为工业项目的投资评估提供了一种更为合理的预测方法．