基于Agent的抽油机井故障诊断智能分析系统的研究

对Agent技术在抽油机井故障诊断智能分析中的应用进行了研究,采用先进的单片机技术、传感器技术,设计并制作了智能诊断仪器,较好地解决了抽油机故障诊断等问题,并给出了硬件设计和软件设计的思想。     

网络管理中的新技术及其应用

分析了传统的基于C/S模型网络管理技术的一些缺陷，系统地描述了目前网络管理中的一些新技 术及其应用，如Web技术，CORBA技术和移动Agent技术等，并分析了各自的优;缺点<综合CORBA技术和移动Agent技术的网络管理系统可以提高网络管理中的实时性和智能化，方便地实现网络的自主管理。     

在并行设计系统中引入Agent技术

阐述的是将人工智能Agent技术引入现有并行设计系统中，通过在设计的底层－－特征（Feature)级别上实施并行工程理念，将“设计→评估→再设计”的大循环改进为“设计=评估”并行进行的小循环，有效地在产品的设计过程中产品的可制造性进行了评价，进一步增强了并行设计系统的实时性和高效性，从而不论在宏由还是微观上均保证了并行工程总体目标的实现。     

个性化Agent层次结构模型构造

通过对人类心理的分析,构造出个性Agnet的层次结构模型,即需要模块、驱动模块、喜好地址表模块及世界观模块.重点阐述了需要模块,其分别包括思维策略、安全系统等低层次结构体系及通信请求、推理系统、解释系统等高层次结构体系.这些层次结构体系及各模块确保个性化Agent具有层次分明、开放、灵活及较好的稳定性等优良特性.     

基于Agent的工作流管理系统的虚拟企业模型

通过基于Agent的工作流管理系统，提出了实现虚拟企业的一种可能途径，并描述了此系统中虚拟企业模型的体系结构。     

人工智能技术的分析与研究

分析人工智能技术所面临的问题，讨论其中各种智能模拟方法的实现，特点及适用范围；指出人工智能技术的发展方向。     

基于多AGENT的机器人装配系统结构

采用Ａｇｅｎｔ的基本思想,对多Ａｇｅｎｔ系统分别从个体和群体的角度出发,构造系统结构。通过对系统行为方式的定义,将全局运行流程与局部运行流程相分离,将任务的执行和任务间的协调相分离,将任务的选择与自身及状态相结合,从而系统结构可以隔离高层的系统控制与低层的执行过程,使虚拟系统在结构上具有更大灵活性,可扩充性和可重用性。     

组合市场中消费者联盟形成及多方博弈的研究

关注电子商务的进一步发展,研究组合贸易中的消费者联盟形成及多方博弈问题.在给出一种多Agent中介系统控制的组合市场模型的基础上,使用群集分析方法对组合市场中大量消费者联盟形成过程的宏观动态特性进行仿真,通过数值仿真实验为组合市场中不同角色在贸易中所起的作用进行定量的分析,并为不同角色间的市场博弈提供定量分析的方法.     

基于多Agent动态影响图的协作实现

将MAIDs在时间上进行扩展,提出一种新决策模型——多Agent动态影响图（MADIDs）,对动态环境中的协作关系进行建模;给出MADIDs的一种分层分解的分布近似方法,进而通过将决策结点和效用结点的推理引入到BK算法中,给出MADIDs环境模型的一种扩展BK（EBK）近似推理算法;引入一种BP神经网络学习MADIDs的局部效用函数。最后,针对一个表示协作关系的MADID模型,进行算法比较和仿真实验,实验结果显示了MADIDs模型的有效性。     

A multiple intelligent agent system for credit risk prediction via an optimization of localized generalization error with diversity

Company bankruptcies cost billions of dollars in losses to banks each year. Thus credit risk prediction is a critical part of a bank＇s loan approval decision process. Traditional financial models for credit risk prediction are no longer adequate for describing today＇s complex relationship between the financial health and potential bankruptcy of a company. In this work, a multiple classifier system （embedded in a multiple intelligent agent system） is proposed to predict the financial health of a company. In our model, each individual agent （classifier） makes a prediction on the likelihood of credit risk based on only partial information of the company. Each of the agents is an expert, but has limited knowledge （represented by features） about the company. The decisions of all agents are combined together to form a final credit risk prediction. Experiments show that our model out-performs other existing methods using the benchmarking Compustat American Corporations dataset.