一种基于影响图学习其他Agent模型方法

为了实现动态环境中Agents之间的有效协作,Agent必须能够识别其他Agent的模型。用影响图作为Agent模型表示工具,给定Agent的一个初始模型和它的历史行为．在能力、优先和信念学习的基础上来构建新的模型。学习的方法是用其他Agent的历史行为作为训练集．利用神经网络学习技术来修改效用函数。     

基于Q学习的管制员Agent学习行为研究

管制员Agent是空中交通运行仿真系统中的核心部分,为了提高其知识库的完备程度,做到空中交通的精确仿真,可以考虑将机器学习理论引入管制员Agent模型.研究了相关机器学习算法,提出管制员Agent的个体机器学习行为,选择Q学习算法对管制员Agent的学习行为进行建模,使管制员Agent能在空中交通运行仿真中取得最优策略,完善自身冲突解脱知识库的不足.仿真结果证明了管制员Agent学习行为的合理性.     

面向虚拟组织的政策导向型自治、可控Agent模型

针对传统BDI模型在虚拟组织应用中所存在的三点不足,本文提出了政策导向型Agent模型.模型以政策导向为手段,利用政策来约束Agent动机的生成,进而影响其意图与行为的产生,增强Agent的可控性.模型采用了分层政策结构,根据政策的所代表利益方的不同,将政策划分为组织层政策与个体层政策,以此来解决Agent个体行为与组织整体目标的冲突问题.基于扩展的可废止逻辑框架,政策被表示为Agent的动机(义务、愿望)生成规则,这为模型提供了一个线性计算复杂度的形式化理论.模型在保持Agent一定自治性的同时,增强了Agent在组织级别上的可控性.     

基于历史信息和时间约束的多Agent协商模型

协商是多Agent系统(Multi-Agent Systems:MAS)实现协调、协作和冲突消解的关键环节.如何在不完全信息的情况下构造有效的协商模型来提高Agent的协商能力,是多Agent系统研究中占有重要地位的问题之一.通过考虑历史信息和时间约束的情况下,讨论了多Agent多问题的协商类型,提出了基于历史信息和时间约束的协商模型(HTANM)和协商算法,为多Agent能进行自动协商奠定了一定的基础.     

检测移动Agent系统中恶意攻击的改进方案

对一种检测恶意Agents攻击行为的异常检测模型作出了改进.主要通过分析移动Agent的移动模式及在不同主机上停留时间,以此来判断移动Agent的行为,并且把正常Agent的移动轨迹进行分类,并预测该Agent的下一目的地.最后,通过实验,对提出的算法进行评估,并分析实验结果.     

基于网格Agent的群体性事件人群聚集模型研究

在元胞自动机和Agent模型的基础上,提出一种基于网格的Agent人群模型。该模型以网格为基本单位,处在网格中的个体Agent通过判断自身以及周围网格的状态来实现自身运动达到模拟人群行为的目的,克服了元胞自动机在模拟人群行为方面的不足,也克服了Agent模型缺乏时序逻辑性的缺点,是更进一步的人群仿真模型。最后运用该模型...     

基于Agent和推荐技术的网络教学模型研究

通过分析目前网络教学系统的不足,提出一种基于Agent和推荐技术相结合的网络教学模型.该模型通过Agent动态收集用户兴趣爱好,分析学生的学习行为,生成用户的兴趣模型,然后使用协同过滤技术将相关的资源推荐给其他用户.模型充分发挥了教师在教学中的作用,教师和学生之间可以互相推荐学习资源,提高了用户之间信息资源的共享和交互能力,提高了系统的个性化服务水平.     

嵌套式移动Agent的形式化研究

应用任务Agent和巡航Agent构造了移动Agent分布式网络管理模型,采用进程代数方法p演算对该模型中Agent间的嵌套过程、交互行为和验证过程等部分行为进行了形式化的描述,从理论上验证了在大型网络中使用嵌套式移动Agent进行分布式管理的可能性.     

动态环境下多智能体协作学习方法的研究

将预测分析技术和强化学习技术有机结合,使多Agent系统中的各Agent,不仅具有了高度反应自适应性,而且拥有了高效而准确的预测分析能力;使Agent的行为更具有针对性,尽可能地减少错误,保证学习的正确方向,提高Agent间进行信息共享,融合单个Agent的Q值表.相当于相同情况下增加了学习次数,不仅尽可能地消除策略中的冗余动作,以高效的方式实现最终目标,而且提高多Agent系统执行效率和收敛速度及性能.本文提出了一种改进的多Agent间协作学习方法,适用于环境不完备的复杂情况.以追捕问题作为仿真实验.结果表明所提方法能够有效地促进多智能体系统中各Agent间协作学习能力.     

多Agent的作战模拟体仿真体系结构

通过对作战单元的分析, 给出相关Agent行为模型描述及基于线程池方法的Agent进程调度机制, 使Agent行为描述及调度机制更灵活、 有效, 解决了传统数学建模不利于降低仿真复杂性和真实性的缺点. 基于Agent行为模型的良好可扩展性, 提出一种分布式的多Agent作战模拟仿真体系结构. 通过实例验证表明, 基于分布式的多Agent建模可较好地为协同作战提供理论方法的可行性及可实现性.     

城市交叉口 Agent间的多遇交互历史学习协调方法

为信号控制的城市道路交叉口定义一个Agent结构模型,利用双人对策Nash平衡理论构建了城市交叉口Agent间的多遇交互模型,每一交叉口Agent与相邻交叉口Agent进行多次交互学习,根据选择策略获得的效用值来更新它的混合策略.利用记忆因子δ、学习概率α、交叉口交通流变化概率βi等参数分析了交叉口Agent间的循环学...     

多Agent联合灭火救援作战仿真

将多Agent理论和技术应用于联合灭火救援作战的研究,构建了多Agent联合灭火救援作战模型框架,实现了联合灭火救援组织指挥相互之间的信息交换,显示了互相影响的行动过程.对系统中指挥Agent、作战Agent和环境Agent进行描述,定义Agent之间以及Agent与环境之间的交互规则,来描述系统的相互关系,给出了多Agent的协同算法,并构建了联合灭火救援仿真模型.最后用多Agent软件工具集和通用软件平台(SWARM),采用JAVA语言编程,进行了模拟仿真,对文中构造的模型及相应机制进行了功能验证.     

基于智能Agent技术的网络教学系统设计与实现

本文分析了当前网络教学系统存在的主要缺陷,引入智能Agent技术,提出了基于智能Agent技术的网络教学系统模型,将系统中一个复杂的任务分解为多个子任务,每个子任务由相互协作的Agent来执行,通过Agent之间的交互来完成任务,深入分析了Agent之间的基本通讯行为、通讯机制,研究了Agent之间协作的基本理论,提高了现有教育教学网络系统的智能性、适应性和可扩充性,改善了网络教与学的效果,实现了真正的网络教育.     

一种基于对策论的多Agent协作方法

针对带有时间约束的、可以动态加入到环境中的复杂任务,建立了一种基于对策论的任务协作模型,该模型至少存在一个纯策略Nash平衡解.给出了一种任务协作方法,该方法中Agent能够根据自身的局部信息进行行为选择,并利用虚拟行动学习方法确保Agent快速学习到一个纯策略Nash平衡,仿真实验结果表明该方法与Chapman和刘的方法同等有效.     

智能虚拟人Agent行为建模与运动控制

针对虚拟环境中人的行为分析,研究了井下智能虚拟人Agent的行为建模和运动控制技术.基于人工智能/人工生命方法,构建了集成感知、运动、行为、认知、内部属性等组件的井下智能虚拟人Agent的体系结构;研究了基于简化包容结构的智能虚拟人Agent行为控制模型及其行为选择机制,并基于A*算法,实现了智能虚拟人Agent的路径规划;初步构建了井下虚拟人Agent行为仿真系统,实现了虚拟人Agent的复杂行为控制,为进一步构建具有行为真实感的井下虚拟环境提供技术参考.     

一种Agent结构的形式化描述

以BDI模型为代表的Agent结构描述存在抽象、复杂和不完整等问题，很难应用于实际Agent的构造。基于物理和设计立场，提出一种新的Agent结构模型，并作了形式化描述。该模型克服了现有模型建立在纯意识系统基础上的缺点，解决了Agent模型与具体Agent结构、行为和目标的映射问题。用该模型构造的电子谈判实例验证了它的正确性和有效性。     

基于多Agent协作的网上多媒体教学系统模型的研究

作为一种新的远程教学模式,基于多Agent协作的网上多媒体教学具有广泛的应用前景。它继承了传统远程教学的优点,并提出了许多创新之处。构建了基于多Agent协作的网上多媒体教学系统模型,运用心智状态形式逻辑及效用理论,从协作的角度分析了学生Agent对学生学习过程的辅助和监测,细化和增强了教师Agent的功能,并引入了移动Agent来完善其通信机制。     

利他、公平和信任等因素对合作的影响

分析了利他、公平、信任等因素对博弈过程中合作的影响,以典型的"gift-exchange博弈模型"为例,假设博弈方行为受到一些因素影响并且可以用启发式规则简单描述,通过对成员Agent内部的利他、公平、信任等属性和交互过程中启发式规则的设计和编程实现,使得博弈双方在博弈过程中不断学习和调整策略,形成最终达成一致的合作机制.利用多Agent系统平台--JADE对所提出的模型进行仿真,通过对实验数据的分析,揭示了在多Agent系统中利他、公平以及信任等因素对合作的影响,指出了这些因素在经济生活中的实际指导意义.     

基于Agent的多功能感知环境研究

多功能感知是指计算机不仅可以通过键盘和鼠标 ,而且可以用手势、表情、语音等其它方式与人进行交互。给出了统一的感知Agent模型 ,提出了一个基于Agent的多感知系统结构 ,且建立了系统运行的网络环境 ,并介绍了一个基于语音识别Agent和手势识别Agent的多感知系统     

基于贝叶斯方法的多Agent强化学习

在多agentss强化学习(MARL)的研究中,很多都是强调MARL算法收敛于期望平衡解.然而,对于标准的强化学习,该过程需要对策略空间的充分探测,而且探测还经常受到惩罚或错失了良机.在多agents系统中,由于agents之间的协作使该问题更加复杂.为此,提出了在MARL用贝叶斯模型来进行最优探测,该模型与标准的RL模型不同,它将对agent的动作是如何影响其它agents的行为进行推理.同时,还给出了如何对最优贝叶斯探测进行处理以获得理想的结果,并通过与其它算法的比较来说明用贝叶斯方法的可行性.