推测计算中多Agent的资源协商

推测计算是在信息不完全的情况下,提前进行决策的一种计算过程.它以假设推理为基础,并利用缺省值对未来的问题进行计算.事实上,在计算过程中,缺省值并不是唯一的基础信息.在时间允许的情况下,主Agent可以通过协商获得尽可能多的真实信息,信息越丰富,推测计算的结果越精确.为了强化协商,本文分析了假设推理和推测计算的基本理论,并以此为基础给出了推测计算的扩展框架,定义了协商语言,提出了协商算法,并将其嵌入到了推测计算中,从而可以提高推测计算的精确性.     

基于双边协商的一对多协商协议

提出一个基于双边协商的一对多协商协议(OMN). 该协议采用显现协调机制协调动态增加的多个协商线程, 解决了已有协商协议中的中心节点问题和同步协商问题, 提高了协商系统的分布性和动态可扩展性.     

基于卖方多提议的双边多属性自动协商模型

针对电子交易应用领域,提出一种私有信息和有时间约束的、基于卖方多提议和买方评价的多属性自动协商模型.买方协商策略简化为对卖方每一回合提交的一个或多个提议进行评价,卖方则根据时间和资源依赖策略确定提议的整体让步效用,根据买方评价和协商历史确定不同的让步属性组合和让步幅度,从而生成若干等效的新提议.该模型能有效减轻系统的通信和计算负担,提高解的收敛速度,在一定程度上改善协商效率和质量,并且在买方效用函数为线性时保证较优的联合效用.     

基于博弈论的多Agent协商模型

在开放、动态、具有自适应性和自治性的多Agent系统(MAS)中,协商是多Agent系统实现协调、协作和解决冲突的关键．博弈论是使用严谨的数学模型研究冲突条件下最优决策问题的理论,本文以此为数学工具,基于对时间的限制,结合协商的历史知识,考虑各协商者在拥有不完全信息的情况下,提出了基于博弈论的多Agent协商模型(GTMANM),并给出了协商策略求解的算法描述,用以来解决分布式环境下不完全信息的多人协商决策问题,以获得最大的期望收益,为以后把博弈论中其他更复杂的博弈思想引入到多Agent协商中来奠定了基础．     

多Agent系统协商模型研究

本文提出一个多Agent系统中的协商框架,该框架在前人研究的协商策略及协商协议做出了一些改进。在Rosenschein与Zlotkin提出冲突风险度量中加入了考虑协商对手的历史信息的因素,对协商对像的区别对待有利于更合理的在协商过程中做出让步,提高协商的成功率。     

支持推测多线程的扩展多核模拟器Prophet+

推测多线程技术是软硬件协同开发非规则应用程序的线程级并行性的有效方法.通过体系结构对推测并行执行模式的支持,编译器产生推测多线程目标代码实现自动并行化加速.文中针对硬件平台如何有效支持程序运行过程的分析及测试,提出了一种支持推测并行执行模式的超标量流水线结构和一种基于独立栈的运行时内存空间管理方法.通过对Prophet模拟器扩展实现,并经Olden基准程序测试表明,扩展后的Prophet+在保持Prophet模拟器性能的前提下,提高了模拟器的精度和灵活性.     

基于智能代理体协商的城市污染治理

采用基于agent协商的方法,讨论了大城市污染治理方案．对于完全信息环境,给出了求解治理方案的启发式搜索算法;对于不完全信息环境,引入了基于市场机制的求解算法．     

基于DFS的并行粒计算模型及其应用

粒计算是近几年提出的新概念。在粒计算领域中,动态模糊性是普遍存在的,而人们在用粒计算求解问题时又希望从并行角度来求解问题。因此,基于DFS,给出并行粒计算模型和算法,并用实例进行分析,说明该算法是有效的,从而进一步丰富了粒度计算的研究内容。     

基于DFS的并行粒度计算模型及其应用

针对粒度计算在并行计算中的工作机理,基于动态模糊集理论给出并行粒度计算模型和算法,并进行范例系统分析,结果表明该算法是有效的,从而进一步丰富了粒度计算的内容。     

一个基于对策论的协商模型

传统的对策论,往往不存在或存在多个Nash平衡点,使得要找到使各个Agent都满意的解是非常困难的。从人类日常生活的角度出发,考虑在协商过程中加入可信第三方来处理一些较为困难的。从人类日常生活的角度出发,考虑在协商过程中加入可信第三方来处理一些较为困难的对策状况,并且引入两种通信行为：请求保证和提供补偿,使得多个Agent在协商过程中寻求共识,得到一个折中的,稳定的,较好的解,基本满足各自的赢利。     

基于多Agent协同构建分布式并行遗传算法

针对并行遗传算法中计算资源的分配问题 ,提出了分布式并行遗传算法结构。它由若干计算节点组成 ,每个节点包含若干运行子遗传算法的计算单元。节点的计算能力依照一定的并行模式映射到单元 ;各子算法则根据一定的拓扑结构进行个体交换。从多 Agent系统的观点看 ,计算单元是独立的 Agent,其并行运行涉及计算资源的分配 ,体现了算法对它们的协调 ;个体的迁移体现了它们之间的协作。并且分析了由两个单元构成的算法在不同并行模式和不同个体迁移因子下的性能。     

基于遗忘理论和效用的多Agent多问题协商

许多基于对策论的协商方法,倾向于假设Agent的效用固定不变,默认多问题之间是完全可以互相补偿的,但实际情况往往不是这样。在此提出基于遗忘理论的多问题协商,结合逻辑学和对策论的方法,达到了Agent协商逻辑理性和效用理性的平衡。在协商中,动态调整问题的取值,采用逻辑与来处理多Agent之间不可补偿的多问题协商,为多Agent的多问题协商提供新方法。     

移动机器人的并行免疫计算模型

为了支持未知环境下移动机器人自主导航，提出了移动机器人的并行免疫计算模型，为解决其在线导航优化、病毒／路障识别和计算效率问题提供了基础组织。免疫计算模型分为固有免疫计算层、适应性免疫计算层和并行／分布式计算层，并行免疫计算模型建立在此3个免疫计算模型基础上。探讨了移动机器人并行免疫计算模型的负载极限和负载平衡，分析了此类移动机器人系统的鲁棒性；提出了移动机器人并行免疫计算模型用于路障识别的方法。移动机器人并行免疫计算模型的复杂性分析及仿真结果表明，并行计算能提高其效率；仿真结果表明，移动机器人可消除病毒，并具有较高计算性能。     

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.     

可扩展路由器并行路由计算模型

分布式控制平面的并行路由计算性能是制约可扩展路由器大规模扩展的关键因素。根据反压理论建立了分布式控制平面并行路由计算模型,利用控制单元的队列长度信息判断每个控制单元的负载大小,自适应地调整控制单元间的负载分配,实现负载均衡。利用排队理论,根据损失率、系统利用率和服务等待时间这3个特征量对该模型进行了性能分析。用真实网络数据模拟验证理论分析的正确性。实验结果表明:与现有并行路由算法相比,该模型采用的反压任务分配算法能够根据控制单元的负载大小和控制单元数量自适应地均衡分配负载,有效地提高了可扩展路由器的并行路由计算性能和可扩展性。     

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。     

基于MPICH平台的多种群并行遗传算法

提出了一种基于集群系统的多种群并行遗传算法，在集群系统的软件开发环境MPICH上构建了多种群粗粒度并行遗传算法框架．采用全局迁移方式交换通信域中各子群体的个体信息，并通过模拟退火规则来确定迁移代频．利用该算法框架对一类优化问题——N维目标函数的最小值问题，给出了具体的实现方法．最后对该类问题的两个实例进行了测试，基于该实例的测试数据对论文提出的算法进行了性能分析．结果显示，算法具有线性加速比，而且解的精度随着并行进程数量的增多而提高．     

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。     

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.     

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.