机器学习研究

由于Internet的使用，不分时间与地域地获得信息已成为现实，但是，如何有效利用这些信息，并使用这些信息提高生产率成为迫切需要解决的问题．机器学习是解决这类问题的有效方法之一．在此将对目前机器学习研究的主要趋势、理论与技术以及存在的问题，根据作者的研究经验进行综述，以便引起研究者的注意．     

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     

机器学习的研究

本文对机器学习进行了深入研究,从机器学习的发展历程、研究领域、系统构成及其在分类上的应用四个方面论述了机器学习的发展和应用。     

一种进化Agent计算模型

提出了一种具有进化功能的多Ａｇｅｎｔ计算模型。Ａｇｅｎｔ作为自主活动的实体，在求解空间内具有自复制、扩散及死亡等进化行为。通过Ａｇｅｎｔ的不断进化，获得问题的最优解。详细叙述了Ａｇｅｎｔ的进化行为，给出了实现该模型的算法流程，并讨论了该算法在图像边缘检测中的应用。实验结果表明，该模型算法具有快速，高效等优点，特别适用于特征提取及检测问题。     

一种改进的GPGP协调机制

以TAEMS为描述框架,通过引入角色关系分析和激励/惩罚机制对GPGP(Generalizing the Partial Global Planning)进行改进．改进后的GPGP协调机制不仅适用于合作团队的活动规划,还可以处理自私Agent之间的协调关系,从而扩展了GPGP协调机制的适用范围,使得Agent处理任务请求的方法更加灵活．     

一种基于Web的多Agent变电站故障诊断方法研究

为了实现变电站的远程故障诊断以及增强诊断能力，提出了一种基于Web的多Agent诊断方法，该方法是以架构于Web上的广域分布式人工智能系统的基础，将分布在不同地域的设备及监控系统，诊断系统与研究者，使用者联系起来，在系统，人及他们之间快速传递处理设备状态和诊断决策信息，形成一个动态诊断网络，讨论了各个Agent的功能与协作，以及多专家的协同诊断方法，通过多Agent的协作，可以实现局域网和广域网上的变电站多专家的远程协同诊断，仿真表明，该系统具有好的主动性，适应性和交互诊断性，具有一定的应用前景。     

Agent普适机器学习分类器

从20世纪90年代提出普适计算的透明化和不可见性两个特点开始,到2003年国际普适计算会议提出使用自身的信息来提高系统性能以后,普适计算开始向机器学习的方向发展.本文借助普适计算的基本性质,结合机器学习的特点,提出Agent普适机器学习分类器方法.通过Agent的移动性和普适计算的随时随地性来实现机器学习为各行各业服务的普适功能,从而形成Agent普适机器学习基本内容,包括Agent普适机器学习基本概念和Agent普适机器学习分类器设计.最后通过实例分析进一步证明本文提出方法的有效性.     

机器学习的若干方法分析

介绍几种典型的机器学习方法，比较和分析其优越性和局限性，并在综合不同学习方法的基础上对集成学习系统进行探讨。     

论人工智能科学中的机器学习

本文首先提出机器学习是人工智能科学中提高机器智能水平的唯一途径。只有不断完善机器的学习功能，才能使机器接近或超过人类和智能水平，提出了机器的学习方法和分类，指出机器学习的发展必须依靠思维科学的发展。最后，提出了研究机器学习的目标及意义。     

一种进化Agent计算模型

提出了一种具有进化功能的多Ａｇｅｎｔ 计算模型。Ａｇｅｎｔ 作为自主活动的实体,在求解空间内具有自复制、扩散及死亡等进化行为。通过Ａｇｅｎｔ 的不断进化,获得问题的最优解。详细叙述了Ａｇｅｎｔ 的进化行为,给出了实现该模型的算法流程,并讨论了该算法在图像边缘检测中的应用。实验结果表明,该模型算法具有快速、高效等优点,特别适用于特征提取及检测问题     

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．     

多Agent系统中的一种互助学习模型MSLM

Ａｇｅｎｔ在与其他Ａｇｅｎｔ合作工作时，可以相互学习，以增强解决问题的能力。本文提出一种互助学习模型ＭＳＬＭ，在该模型中，每个Ａｇｅｎｔ均可作为其伙伴的教师，通过互帮互学，可以减少Ａｇｅｎｔ在解决相似问题时的重复协商时间，从而提高系统效率。     

人工智能中的机器学习研究及其应用

机器学习是人工智能研究的中心问题。本文首先介绍了机器学习的背景——人工智能的研究和发展，机器学习的概念。提出了机器学习的研究目标和方法，建立并讨论了一个简单的学习模型。最后指出机器学习的发展必须依靠思维科学的发展，提出了发展机器学习的趋势。     

基于思维进化机器学习的框架及新进展

综述了ＭＥＢＭＬ产生的基础，动机以及它的基本原理，特点和新的进展，并指出：ＭＥＢＭＬ有快速学习的能力，适应性好，学习灵活，可应用于黑盒子系统和灰色系统，具有固有的并行性以及解决非数值的能力。     

一种机器学习发现系统

提出了一种联想类比法,这种方法把概念类比与方法类比融化一体,其实现使机器在模拟人的类比思维的道路上向前迈进了一步。本文从理论上给出了不同的类比联想条件,这是联想类比的一个重要问题。并介绍了作者研制的一个类比学习发现系统GAP,此系统实现了把命题逻辑的概念与推理方法类比到图论中,建立了图形逻辑代数系统,填补了图论中图形逻辑推理的空白。     

学习式搜索：一种新的搜索策略

本文将模式识别技术引入到启发式搜索当中,开展一种新的搜索——学习式搜索——的研究。我们给出了一个学习式的搜索算法SCDF,并证明了该算法的平均复杂度可达到线性。     

基于分形理论的一种新的机器学习方法:分形学习

首先提出了一种新的机器学习方法,即分形学习,该方法旨在更好地从高维、海量数据中获取知识.分形论的研究对象为自相似系统,分形学习就是利用系统的自相似性来作为推理和学习的基本依据,其中分形维是定量描述系统自相似性的参数,也是应用于分形学习的重要参数;然后给出了分形学习的定义,阐述了其中的基本理论和学习过程中的关键技术;最后将该方法应用于案例库约简等方面的研究,取得了较好的效果.     

环境科学中的机器学习方法 神经网络与核方法

机器学习是计算机智能（也叫人工智能）的一个主要的子领域。它的主要目标就是利用计算的方法从数据中提取信息。神经网络方法,一般被认为是机器学习研究中的第一次突破,它自上世纪80年代以来开始流行,而核方法是在上世纪90年代后半期作为机器学习研究的第二波高潮而到来的。本书对于机器学习方法和它在环境科学中的应用给出了统一的处理。