基于GA和Agent组合自动谈判方案的研究

分析了Agent的性能特点及其工作原理,研究了谈判收益问题;然后对谈判过程进行描述,建立了基于Agent自动谈判数学模型,并对模型中的参数以及自动谈判目标进行分析;提出了用遗传算法对模型进行求解,并对算法的编码方法、参数的设定等进行研究,分析了求解过程,得到了模型的最优解.结果表明,该方法可以对模型不断优化,最终使参与谈判的Agent双方实现双赢,从而证明了该自动谈判方案的正确性.     

基于贝叶斯学习的Agent谈判策略构造研究

提出了一个在电子商务中辅助用户进行谈判的智能Agent谈判模型，并在模型中引入了贝叶斯学习方法，使得Agent在谈判过程中能更好地调整谈判策略，提高谈判效率．     

云计算环境下基于BRB策略的自动谈判

利用云计算环境下基于多Agent的自动谈判来解决云计算参与者之间的分歧,通过在云计算环境下基于多Agent的谈判框架中引入中介Agent,在谈判进行之前,将消费者需求与服务提供商进行匹配,消除无效资源;为充分利用谈判者的地位,预测对手的提议,提出BPE策略和RBC策略,并允许谈判者在发现更好提议时可以违反之前建立的协议,从而形成云计算环境下基于BRB策略的自动谈判;通过仿真实验验证中介Agent和云计算环境下基于BRB策略的自动谈判。     

云计算环境下基于BRB策略的自动谈判简

利用云计算环境下基于多Agent的自动谈判来解决云计算参与者之间的分歧,通过在云计算环境下基于多Agent的谈判框架中引入中介Agent,在谈判进行之前,将消费者需求与服务提供商进行匹配,消除无效资源;为充分利用谈判者的地位,预测对手的提议,提出BPE策略和RBC策略,并允许谈判者在发现更好提议时可以违反之前建立的协议,从而形成云计算环境下基于BRB策略的自动谈判;通过仿真实验验证中介Agent和云计算环境下基于BRB策略的自动谈判。     

基于Agent的谈判模型研究

自动谈判是目前人们研究的一个热点问题,在对卖方进行的多并发谈判研究的基础上,本文提出了一种基于Agent技术的自动谈判模型,使得模型能管理一个卖方同时进行的多个双边谈判事务.     

多Agent系统的Q值强化学习算法

对多Agent系统的Q值强化学习算法进行研究,将历史信息因素的影响添加到Q值学习中,提出了一个新的基于多Agent系统的Q值学习算法.该算法在保证多Agent系统利益达到相对最大化的同时,也有效降低了Agent之间的冲突率.最后,通过仿真测试验证了该算法的有效性.     

一种基于Agent推理的自动谈判方法研究

以Agent代替人实现自动协商,将大大提高远程谈判的效率．提出基于Agent推理的自动谈判方法和基于最近邻匹配的案例推理工作流程,开发出能够实现自动谈判的一个原型系统,在很大程度上实现了谈判的智能化和自动化,为谈判支持系统的开发提供了新的思路．     

基于多Agent的制造网格资源调度新算法

针对在制造网格广域、动态、异构的复杂环境中如何快速准确地发现并调度资源,使QoS达到最佳效果,本文提出了利用移动Agent在制造网格中发现资源的新方法,先用遗传算法对资源信息进行选择,然后将移动Agent作为用户提交任务的载体,携带用户的资源信息在网格环境中利用蚁群算法对资源进行精确查找.设计了资源优选目标,改进了遗传蚁群算法的路径优化策略,在移动Agent查找路径的前半程,采用遗传算法,充分利用遗传算法的快速性、随机性、全局收敛性,求得一个较为精确的解.后半程,将遗传算法过渡到蚁群优化算法,利用蚁群算法的并行性、正反馈性、求精确解效率高的特点,求得最终结果.经仿真实验证明此算法可以获得很好的收敛速度和精确解.     

并行多任务环境Agent联盟快速生成算法

并行多任务环境下Agent联盟的生成是多Agent系统Multi-Agent System(MAS）的难点.本文将蚂蚁算法应用到了并行多任务环境下多Agent联盟的生成问题.根据多任务的特性,提出了一种采用多种群蚂蚁的算法MCACO (Multi-Colony Ant Colony Optimization）来解决并行多任务环境下的联盟生产问题。在MCACO中采用新的信息素更新策略提高了算法的全局搜索能力.仿真实验证明了本文方法的有效性.     

基于多Agent的虚拟装配环境中情境感知的机制

基于多Agent理论,描述了虚拟装配环境的体系结构及其中的消息响应模式;分析了虚拟装配环境中情境感知的机制,提出了一个感知算法.经验证,该虚拟装配环境能合理地分担用户的感知负荷;提高用户在虚拟装配环境中进行装配操作的效率;改善人机交互水平.     

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。     

一个基于自组织多Agent系统的智能控制与决策模型

提出了一个基于自组织多Agent系统的智能控制与决策模型,它是一种基于行为主义的智能控制与决策模型,由环境和自组织多Agent系统两大部件构成,分别通过环境的定义、环境的识别、多Agent控制与决策过程以及多Agent控制与决策输出4个基本步骤来完成建模工作．该模型可以灵活地选择多种算法进行具体的实现工作,文中给出的算法是一种基于作用力机制（物理激励）的多Agent控制与决策算法,该算法是通过模仿经典物理学理论中的万有引力定律,将多Agent系统中的自组织交互过程转化为相互的作用力,并通过交互作用力的大小和方向体现多Agent之间的交互机制,充分利用了多Agent系统的群体决策优势．测试实验结果表明,该模型具有较好的应用效果并且其系统能量在Agent数目为300、迭代次数超过80次时具有稳定性．     

基于角色交换的多Agent协商问题的研究

利用角色与Agent之间的动态性刻画多Agent系统的结构和行为模型的特点,针对在协商过程中相互协作的Agent如何结成具有相对稳定的合作领域的问题,对角色进行形式化描述,提出了基于角色交换的多Agent协商角色交换算法。该算法能在不完全信息的环境下,提高多个Agent之间的协商效率;并以模拟足球赛为平台进行实验,结果证明该算法是可行有效的。     

基于模糊Petri网和本体的网格服务发现

给出了一个多Agent松散耦合的网格服务发现框架. 在该框架中把Agent分为三类:服务Agent、需求Agent和服务发现Agent. 提出以模糊Petri网作为服务描述语言的规范,用以发布或请求服务,用可能性变迁表示一个服务或一个需求,输入库所代表在提供(或请求)服务前需要成立的前提条件,输出库所表示提供(或获得)服务后成立的条件,用可能性与必然性来量化一个服务Agent能对一个请求提供相关服务的信心程度. 最后基于本体论给出了一个支持部分匹配的服务匹配算法,并用一个车辆维修服务系统的例子进行了说明.     

动态环境下基于改进合同网的多Agent任务分配算法

任务分配算法是多Agent研究的一个重要方向。基于传统合同网的任务分配算法在动态环境下存在效率较低的问题,而动态环境在实际工程中广泛存在。因此,为了使多Agent系统的任务分配算法适用于动态环境,本文提出了一种改进的合同网方法。该方法通过引入任务信任度和负载均衡度指标对传统合同网的任务分配方法进行改进。仿真实验结果表明本文所提方法较现有方法具有更高的系统收益且减少了多agent系统任务完成所需时间。     

基于实用推理的多智能体协作强化学习算法

针对将单AgentQ-学习协作算法直接扩展到多Agent系统会导致状态-动作对集合的急剧膨胀、从而影响多Agent的协作学习速度的问题,提出了基于实用推理的多Agent协作强化学习算法.在实用推理框架下,首先在慎思过程中通过考虑群体意图来确定单个Agent的子意图;然后,在手段-目的推理过程中采用Q-学习算法得出实现子意图的最优策略,从而实现群体意图.在Q-学习算法中,各Agent只需考虑自身的状态-动作的值函数更新,对其他Agent值函数的更新可以不加考虑,从而大大降低了算法的空间复杂度,提高了学习速度.追捕问题的仿真实验结果验证了算法的有效性.     

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.     

基于异构Agent的移动机器人体系结构设计

采用Agent技术设计并实现了一个移动机器人的分布式控制系统. 移动机器人的体系结构包含了慎思层、控制层与协调层, 由多个异构Agent完成相应功能. 动态局部规划根据激光雷达的环境"快照"信息来确定局部反应行为. 慎思规划采用逆向D*算法, 通过搜索脱离点来避免在复杂环境下陷入局部势能陷阱. 慎思层与控制层分别由低工耗工控机实现, 组成异构分布控制系统. 该体系结构综合了控制的实时性与复杂环境下的适应性. 开放的硬件平台与软件Agent结构提供了一种具有良好扩展性的智能移动机器人设计范式.     

基于Aglets 的MAS信用研究的实验平台设计

在Aglet平台上开发出一个主要用于MAS系统信用机制研究的可视化实验平台,用户在该平台上能够方便快捷地配置出一个多Agent系统.该系统不但具有Agent与Agent,Agent实体与平台的通信,Agent与用户的交互,Agent在内外网的移动等基本功能,而且可以在Agent之间建立信用关系,可以存储记录和直观的显示交互的历史及信用信息.该系统还是一个开放的系统,用户可以方便的在该系统中加入自己的安全构架,信用策略和信用相关算法,以方便快速测试新的MAS信用模型.     

基于Agent的主动网络拥塞控制模型研究

基于模糊神经网络与微粒群算法(PSO),运用主动网络系统的Agent,提出了基于Agent的主动网络拥塞控制模型,并将该机制应用于主动网络系统中,充分发挥Agent对环境感知的学习能力和彼此协调的合作能力,解决了主动网络系统可能发生的网络拥塞问题.