多Agent企业供需网协调管理机制研究

给出了一个多Agent供需网体系结构，并通过供需流过程管理模型及供需流与Agent的交互关系，研究了多Agent企业供需网协调机制，为企业供需关系的实现提供了一个柔性的解决方案．     

语用在多Agent系统中的协调作用

多Ａｇｅｎｔ系统的研究起源于分布式人工智能，由于它为解决复杂、分布式环境下的问题求解提供了新的认识视角和理论框架，因而受到计算机、自动控制、管理科学等许多的日益重视。在多Ａｇｅｎｔ系统中，Ａｇｅｎｔ之间以及Ａｇｅｎｔ与环境之间都是并发的，需要进行通信。通信不仅仅是为了交换信息，更主要的目的在于当系统出现冲突时，它担负起协调作用。为了实现这个目标，用传统的协议机制存在一定的局限性，文中基于语用预设理     

多Agent系统的合作机制研究

在MAS中,Agent在完成任务时常常出现任务重叠的"正交互"现象,从而使得系统效率低下.为了解决这一问题,介绍了一种Agent协作机制,采用最短路径的方法来找出Agent最优的合作对象,优化整个系统处理问题的能力.     

基于强化学习的多Agent系统规划规则抽取方法

强化学习和规划技术在目标上有着很高的相似性,而在技术上又具有互补性,因此,基于强化学习的Agent规划规则抽取问题长期以来一直是研究的热点。针对基于强化学习的多Agent系统在规划规则抽取方面存在的问题,提出了一种从多Agent Q学习中抽取满足规划条件的规划规则的RL—MAPRE算法,并给出了理论分析。     

基于孤立波的多Agent系统超分布超并行自组织动态任务规划方法

提出一种孤立波的模型和方法,在一群理性的独立自治的Ａｇｅｎｔ间建立超分布超并行的自组织动态任务分配机制,克服现有的多Ａｇｅｎｔ联盟方式存在的诸多不足,通过关于分布式运输调度系统的仿真实验验证了本分配机制的有效性、动态性、开放性和自适应性。     

多Agent协同设计系统学习机制

从认知的和社会的角度分析了协同设计活动,提出了一种面向协同设计的多Agent系统结构和设计Agent的感知模型,以及多Agent协同强化学习的方法.该方法采用动态小生境技术对设计Agent进行分组,并选出每组中的最优设计Agent,使其通过与设计人员交互进行强化学习,然后和其他组选出的Agent协同学习,并把学到的知识在组内进行传播.以齿轮减速器设计为例,介绍了多Agent协同设计系统的协同设计及学习过程.     

一种基于多Agent的动态负载平衡算法应用研究

在介绍动态负载平衡算法基本原理的基础上，提出了一种基于多Agent的负载平衡算法DMAL，定义了节点机可能的4种状态，并讨论了DMAL算法的实现规则；描述了基于DMAL算法的任务调度模型；讨论了DMAL算法中任务的分类问题、任务的迁移粒度问题、负载迁移的触发时机问题；为了增强在负载平衡时处理节点间的通信能力，引入了多Agent技术，并为异构分布式处理系统提出了一种基于DMAL算法的负载平衡框架结构；最后通过实验仿真，比较了DMAL算法、现有的负载平衡算法以及不作负载平衡的运行结果．实验结果表明，基于DMAL算法的分布式处理系统工作在不同负载和应用问题数据规模的情况下，在任务的处理时间、丢弃率和平均响应比方面都显示出良好的性能，从而验证了该算法方案的可行性和有效性．     

基于Arena的通信装备备件保障流程建模与仿真

通信装备备件保障系统的复杂性决定了运用建模仿真技术对其性能研究的适用性及有效性。针对两级备件保障体制下备件配置问题,在分析通信装备备件保障流程的基础上,以备件利用率及故障装备修复率为输出指标,利用Arena仿真软件建立了基于流程的通信装备备件保障系统仿真模型。通过仿真实例,分析了不同备件配置策略对备件利用率及故障装备修复率的影响规律,仿真结果验证了模型的有效性,同时也表明:相比传统建模方法,在描述备件保障过程中变量的随机特性及系统的动态行为方面,Arena软件有显著的有效性和优越性。     

基于多Agent的邮件过滤系统

基于多Agent的思想设计出一个邮件过滤系统(Multi—Agent—Based Mail Filtration System，简写MABMFS)，它能根据用户的需求，自动地对用户邮件进行有选择性的接收，并通过其学习机制进一步地了解用户喜好，从而更有效地提高邮件过滤系统的性能。     

多Agent系统中Agent承诺的研究

在总结Agent承诺研究意义、现状的基础上,针对承诺研究中存在的主要问题,提出了将来的研究方向。     

AODE中基于强化学习的Agent协商模型

AODE是我们研制的一个面向Agent的智能系统开发环境。AODE中基于强化学习的Agent协商模型采用Markov决策过程和连续过程分别描述系统状态变化和特定系统状态的Agent协商过程,并将强化学习技术应用于Agnet协商过程。该协商模型能够描述动态环境下的多Agent协商,模型中所有Agent都采用元对策Q-学习算法时,系统能获得动态协商环境下的最优协商解。     

复杂环境中的多智能体强化学习

提出在机器人足球这样的复杂、动态的环境中使用强化学习的方式与问题 ,阐述了强化学习的实现及如何处理机器学习中的常见问题 ,即延迟奖赏、探索与利用、不完整信息等 ,同时探讨了减少复杂性的若干措施 .     

基于信度分配函数的Agent强化学习算法

基于智能体 (Agent)系统强化学习原理和基于动态规划的Q -学习算法的基础上 ,提出了一种新的Agent强化学习算法 .该算法在Agent学习过程中不断调整Agent知识库的加权值 ,在强化学习的每个阶段 ,通过选取合适的信度分配函数来修正Agent强化学习动作的选取策略 .与标准的Q -学习方法相比 ,具有更加合理的物理结构 ,并且能保证算法收敛 .仿真实验说明该方法加快了标准Q -学习算法的收敛速度 ,具有较好的学习性能     

欠驱动机器人强化学习算法仿真及结果分析

针对纯被动机器人对环境变化敏感,抗干扰能力差等问题,提出了一种基于Sarsa(λ)强化学习的底层PD控制器参数优化算法.在MatODE环境下建立双足有膝关节机器人模型并进行控制器设计.通过与传统控制器仿真结果的对比分析,得出该算法可使模型获得更加稳定的行走步态,同时提高了系统抵抗斜坡扰动的能力,增强机器人的行走鲁棒性.     

基于组织学习的联盟网络协调机制研究

有效的协调有利于联盟网络管理问题的妥善解决。本文在分析联盟网络及其管理问题的基础上,从组织学习的视角,运用组织学习理论,分析了联盟网络协调机制中的组织学习机制,并构建了二者之间的互动模型,为解决联盟网络管理问题提供一种思路,最后指出今后进一步研究的方向。     

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.     

一般和对策中基于协商的多代理强化学习

一般和对策中,只考虑个体理性的多代理协作是一种无全局目标的协作.代理学习基于对手策略假设,不能保证假设的正确性.为此通过定义代理协作的集体目标,提出了一种基于多代理协商的代理强化学习算法.代理选择协商策略,并惩罚偏离该策略的代理来保证协商策略的执行.文中给出了学习收敛的条件及证明,并以实例加以分析.     

土钉支护加固机理的数值分析

采用摩擦-接触型界面单元模拟钉土界面真实的变形协调情况,建立了基坑开挖土钉支护的数值分析模型,并通过和工程实测对比验证了模型的可靠性.借助动态仿真分析支护系统内力、钉土界面剪应力以及土体应力状态和应力路径随开挖、支护的不断推进而发展变化的全过程,定量揭示了支护系统的加固机理:单根土钉发挥应力分担、扩散以及传递的锚固作用,分别改善土钉头部、中部和尾部土体的应力状态,并提高土体抗剪强度;群钉系统发挥整体加固作用,增加土体刚度;土体强度、刚度增加且应力减小,双重抑制了边坡位移和塑性区的发展.     

基于嵌入式系统的移动Agent通信机制研究

随着嵌入式系统技术的不断发展,嵌入式系统对于参与移动计算、分布式计算产生需求.移动 Agent技术具有灵活性、自主性、移动性、平台无关性、支持离线计算等众多优势,特别适合于分布式计算及移动计算.将移动Agent技术应用到嵌入式系统中,十分具有应用价值.通信机制是移动Agent系统的核心机制.在嵌入式系统环境下由于计算资源及网络资源的限制,提出了一种比较可靠的EMA通信机制.     

基于Petri网的离散制造过程建模工具

通过分析制造系统发展的需求，基于制造的单元技术向智能化发展的趋势，提出构造分布式多自治体制造系统的思想，并具体阐明了制造环境中自治体的基本结构和多个自治体之间的组织方式．从而提供了一种将制造环境中现有各项单元技术集成起来的分布式途径．