一个基于角色的动态多智能体协作模型RBDMAS

提出了一个新的多智能体协作模型-基于角色的动态多智能体协作模型(Role Based Dynamic Multi-agent System,RBDMAS).该模型将角色的概念引入到多智能体协作模型中,利用在各智能体中设立角色信息库,动态地实现了多智能体的协作.最后,RoboCup 仿真验证了该模型的有效性.     

分层模型下的多Agent系统协作机制在RoboCup3D的应用

为了提高多智能体协作的效率,让机器人足球队取得更好的成绩,以RoboCup3D机器人足球仿真系统为应用背景,提出了一种基于分层模型的多Agent系统协作机制。分层模型主要包括用来保证Agent通信的通信层,完成Agent角色分配的技术层和负责Agent阵型定位等决策的控制层。实验结果表明,团队协作能力往往是机器人足球比赛得分的关键,基于分层模型的协作机制对于提高机器人球队的整体对抗能力起到了明显作用。     

机器人足球策略的研究

RoboCup是研究动态不可预测环境中的多智能体系统的典型平台．在RoboCup仿真比赛中,机器人整体团队协作和局部对抗规划都是比赛成功的关键．对于团队协作,应用面向对象的方法分析了机器人足球队员的角色特点,部署了不同队员的踢球策略．在射门对抗规划中,分析了球员射门时几个关键性的影响因素,并参考这些因素设计和应用一个关键性的射门函数．实践证明了在实时比赛环境中,整体结构和局部策略的有效性．     

智能层架构模式与仿真机器人系统

以RoboCup仿真组为平台,提出一种有三层智能层的架构模式,该模式依据智能水平高低,将多智能体系统划分为被动智能层、主动智能层与社会智能层.该模式已应用于南京邮电大学Apollo2D足球机器人的比赛程序中,其有效性通过RoboCup仿真球赛得到验证.     

基于主智能体的群体学习算法GLBMA

以机器人足球比赛（RoboCup）为背景,基于主智能体和辅助智能体概念,提出了基于主智能体群体强化学习算法（GLBMA）,该算法通过主智能体和辅智能体的角色切换来实现整个团队的学习,改进了传统的群体强化学习算法。RoboCup仿真比赛试验表明,传统群体强化学习算法中的行为学习状态空间过大,连续状态空间的行为选择及多智能体合作求解等问题得到了解决．     

仿真足球比赛中的射门策略研究

根据RoboCup 2D仿真足球比赛仿真环境,详细分析了影响球员智能体射门成功率的主要要素:kick_rand属性、球运动噪声和对方守门员智能体,并综合其效果,得到较好的射门成功率估计.通过将球门离散化成许多个点,然后对每个点进行射门成功率评估,选择最佳射门点,从而得到一个新的射门策略.实验表明:新的射门策略明显提高了射门的成功率,达到预期效果.     

混合动力汽车多能源动力总成的智能体控制技术

为提高混合动力汽车的智能化控制水平,进一步改善整车燃油经济性和动力性,提出一种多能源动力总成的多智能体协调控制方法.以并联式混合动力汽车为原型,建立动力总成部件子系统智能体模型,构建多智能体系统协调控制框架,根据不同工况模式对总成动力进行预分配,利用单智能体的智能行为和多智能体的协作能力解决车辆对复杂路况的自适应问题.在Cruise软件环境下对智能体控制系统和协调控制策略进行了仿真验证,结果表明,动力总成的多智能体协调控制策略正确可行,使混合动力汽车能根据不同工况自适应控制模式,进而对动力进行自适应匹配,能够改善整车燃油经济性和动力性.     

RoboCup中型组比赛中动态阵型选择

针对机器人足球世界杯RoboCup中型组比赛提出的动态阵型选择算法．建立了动态协作模型,将多个智能体组合成一个拥有共同目标的团队。完成给定的任务分配和站位配合,实现了基于动态阵型变换的多智能体动态协作．通过实现各种阵型之间的动态变换．满足了不同情况的协作要求．显著提高了球队的整体竞赛能力．     

多智能体系统中子域适应度评估的合作协进化协作

为了克服合作协进化算法在解决复杂多智能体系统协作问题时存在的适应度函数难以建立和协作行为难以达到全局最优等问题,提出1种子域适应度评估的合作协进化算法来实现异构多智能体系统中智能体的自适应协作。该算法将复杂问题域模型分解成相互影响较小、较易求解的子问题域模型,在子问题域模型之间并行使用合作协进化算法来完成智能体协作行为的进化,有效降低适应度评估的复杂度。在子问题域进行合作协进化时,在适应度函数中引入环境因子影响矩阵,将其他子问题域的影响信息映射到该子问题域中的个体适应度评估中,从而引导种群向全局优化方向进化。ECJ系统中的仿真实验结果验证了其有效性。     

基于多智能体技术的出行诱导管理系统研究

将实时道路网络动态交通信息与交通管理专家的知识和经验结合起来,基于多智能体技术设计了以城市现有交通管理中心为基础的出行诱导管理系统.该系统通过黑板模型集成了包含在出行诱导管理过程中的交通问题类型确定、分流交通量预测和分流交通量控制3个智能体.系统使用一个管理智能体通过黑板模型对这3个智能体进行集中控制,使每一个智能体能够与黑板通信,智能体之间在黑板上进行信息分享与协作.研究表明,应用多智能体技术设计的出行诱导管理系统能对出行诱导负效应的产生进行实时跟踪和控制.     

RoboCup中基于效果操作的动态行为规划模型

如何提高agent的学习能力、对手建模能力以及多agent团队运作能力是目前RoboCup研究所面临的3项挑战，在上述的挑战中，行为规划起了非常重要的作用。agent如何能够在动态实时的复杂环境中根据场景变化来动态规划自己的行为是RoboCup目前急需解决的问题。提出一种面向效果操作方法的动态行为规划模型，使队员能够在场景分析的基础上，根据经验动态选择和执行行为策略，且具有持续学习的能力，采用贝叶斯信念网络和基于示例推理相结合的方法来实现。实验结果表明，该方法有效提高了队员适应环境的能力。     

基于进攻关键区域的RoboCup2D球队防守策略的优化

在RoboCup仿真2D足球比赛中,防守模型是关键技术之一,加强在对方进攻关键区域上的防守可以有效阻止对手进球,针对RoboCup仿真2D球队防守策略难以优化的问题提出一种基于球队进攻关键区域优化防守策略的方法;方法通过对比赛过程中的日志文件进行解析,使用数据挖掘方法提取动作链和传球热力图解释了球队进攻有侧重点的合理性,利用比赛过程中球的位置分布对球场进行了更合理的动态的离散划分,在每个离散区域中采用自适应参数的密度聚类算法来计算球队进攻关键区域,并且依据这些区域和进攻过程中的重点球员设计了防守策略;实验部分依据防守策略优化了底层代码,结果表明:对进攻关键区域进行重点防守能有效阻止对方的进攻,同时也验证了进攻关键区域计算的正确性。     

基于多Agent系统的电子商务模型

近年来，以Internet和WWW为开发平台的各种技术的迅猛发展，使得在Internet上进行信息传递和交换所具有的方便、快捷、廉价等优点应用于商业贸易成为可以预料的趋势．网络、分布式计算和数据库等技术的完善以及各项法规的健全，使得基于Internet的电子商务的兴起和推广成为可能．该文构造了一个应用于电子商务领域的多Agent系统模型——MAUSEM．模型中重点分析了基于多Agent系统的买方商务网站的结构．对模型中使用的Agent命名和定位方法、系统内Agent间和系统与其他系统间的通信模型、系统安全策略等进行了说明和分析．     

改进的Q学习算法及在其RoboCup中的应用

传统的Q学习已被有效地应用于处理RoboCup中传球策略问题,但是它仅能简单地离散化连续的状态、动作空间。文章提出一种改进的Q学习算法,提出将神经网络应用于Q学习,系统只需学习部分状态—动作的Q值,即可进行Q学习,有效的提高收敛的速度。最后在RoboCup环境中验证这个算法,对传球成功率有所提高。     

Server-Agents-Users通信系统的Stackelberg模型

在多媒体通信系统中引入代理服务器，使其成为Server—Agents—Users系统，并用对策论的Stackelberg理论研究该系统．针对Server、Agents和Users地位不平等的情况，建立了该系统的Stackelberg策略模型，得到一个三层规划模型．     

基于多Agent的RoboCup仿真足球比赛通信

足球机器人比赛系统需要机器人团队的合作 .但RoboCup仿真组比赛所提供的通信系统模型是一个低带宽、不可靠通信系统 .为了更好的利用这有限的通信能力 ,提出了对应的解决通信问题的方法 .最后举例说明了若干个在团队合作中使用通信系统的应用 .     

HfutEngine2005仿真机器人足球队设计

文章从进攻和防守的角度描述了RoboCup仿真机器人足球队球员Agent决策策略的设计;提出了基于Advisor-Evaluator进攻决策模型,详述其各个组成部分,并进行性能分析;设计基于防守对象-绑定-防守动作的防守模型来进行防守方案设计,实战结果表明,以此为基础的HfutEngine2005具有较强的比赛能力。     

基于Agent的智能e—Education系统研究

为了在e-Education系统中充分发挥网络资源的优势,提高其智能性,实现自适应教学和个性化服务,设计并实现了基于Agent的智能e-Education系统模型．运用教学策略Agent和教学管理Agent,根据学生的学习进度,智能地选择教学策略,以实现教学的个性化,达到智能化教学的目的;使用移动Agent技术实现Agent之间的通信,提高了用户与系统的交互性．     

RoboCup仿真中多Agents的最优局部配合

为了促进多智能体技术发展，本提出了一种基于协调图和变量排除算法的局部合作策略体系，协调图用来表现一个系统的协调需求，变量排除算法用来求出最优配合，给出了理论上的证明和实际的应用．在RoboCup仿真中。该策略体系从微观上对agents的合作行为进行指导，在局部形成最优的合作策略，有效提高了传球的成功率和球队的攻击力。在实际应用中也取得了较好的效果．