一种基于利益均衡的联盟形成策略

联盟形成是多Agent系统中的一个关键问题,主要研究如何在联盟内Agent间划分联盟效用,使Agent在决策时愿意形成全局更优的联盟.但已有策略对额外效用的平均分配没有顾及后加入联盟的Agent的利益,不利于全局优化联盟的形成.对此,给出一种基于利益均衡的联盟形成策略,在非减性效用分配等原则的基础上,提高了对额外效用分配的合理性,在面向任务的领域中可以达到全局优化解,较好地满足了稳定性、时效性以及分布等要求.     

基于模糊评判的Agent联盟效用分配

多个Agent同时形成任务求解联盟时,联盟效用的分配是一个棘手的问题。已有的平均分配和基于能力大小的分配策略都没有反映出Agent对联盟贡献的差异性,不利于联盟的形成和完成任务的绩效。提出了一种基于模糊评判的联盟效用分配方法。首先模糊评价Agent的各维能力贡献率,然后综合计算出整体贡献因子,并据此完成联盟效用的合理分配,最后通过实例分析说明了此方法的有效性。     

基于信用度的Agent联盟效用分配策略

联盟形成是多Agent系统的一个关键问题,主要研究在联盟内Agent间如何划分联盟效用,使得Agent更愿意形成联盟,但已有策略没有考虑到Agent的信用度,联盟内的稳定性和Agent间合作的积极性并不高.对此,本文提出了一种基于信用度的Agent效用分配策略,对退出联盟现象进行有效的控制,提高了多Agent系统的使用价值.最后通过实例证明此方法的有效性.     

一种基于理性Agent的任务求解联盟形成策略

联盟形成是多 agent 系统中的一个关键问题, 主要着眼于如何在联盟内 agent 间划分联盟的效用. 但已有策略无法摆脱搭便车问题, 尤其是额外效用的分配没有确切反映出各 agent 对于联盟贡献的差异性, 导致联盟潜在的不稳定. 本文给出了一种新的联盟形成的行为策略, 在公平分配原则和无妒忌原则的基础上, 提高了对额外效用分配的合理性, 在具有超加性的面向任务的领域中可以形成全局最优联盟, 并具有 Nash 均衡意义下的稳定性.     

基于评价因子行为等级更新的多Agent联盟效用分配策略

为了进一步增强多Agent联盟效用分配的合理性,提升联盟的稳定性,提出了一种基于评价因子行为等级更新的多Agent联盟效用分配策略。该策略引入评价因子概念,将行为等级定性描述的agent行为因素通过既定方法量化为行为评价因子,agent完成任务的能力表示为能力评价因子,结合这两种评价因子对agent联盟的效用进行划分,并根据agent完成任务情况和是否存在欺骗行为对agent的行为等级进行更新。理论分析和分配实验表明,新策略在满足联盟形成机制的相关要求外,增强了多Agent联盟中效用分配的合理性。     

Agent联盟稳定性的研究

在以往对多Agent系统的研究中,认知学习型Agent虽然已经具有了某些联盟策略,但这些策略都是建立在强制社会法则基础上的,虽然能够促使Agent形成联盟,但是无法保证其稳定性.提出了一种新的联盟策略,使原本自私的Agent,通过合作获得更大利益;对于具有破坏作用的Agent,联盟还具有防备拒绝功能;同时,通过扩大耗费度量标准,把完成任务的时间和质量考虑其中,对Agent的能力进行了区分,使具有互补知识集的Agent之间形成协作关系,从而增强了联盟的稳定性.     

基于协作度的分布式自动协商联盟形成机制

现有联盟形成的研究中大都没有考虑到不同Agent的协作资源和协作态度不同的异质性,而是假定所有Agent具有相同的协作资源和协作态度.为此提出一种基于协作度的分布式自动协商联盟形成机制(collaborative degree-based distributed automatic negotiation coalition formation mechanism,CDBDN),通过对处在网络拓扑结构中Agent的协作资源和协作态度的描述建立Agent协作度的概念.以分布式的应用环境为背景,建立分布式协商协议(distributed negotiation protocal,DNP)来实现分布式自动协商方式构建联盟.该机制建立了分布式协商协议和引入了Agent协作度,提出基于Agent 协作度的协商策略.实验结果表明,该机制在联盟形成的效率、Agent协商效率和个体效用方面都表现出有较好的性能.     

基于合作博弈的虚拟化资源效用分配策略

效用分配是网格虚拟化资源提供者结成联盟完成用户任务时的关键问题。针对资源提供者建立联盟来提高网格整体效用的情况,研究了利用合作博弈论分配网格资源。给出了资源建立联盟的依据,并以基于费用最小化的MIN_COST算法得到了资源的最优化映射方案。在效用分配中,分别从联盟效用的平均分配和Shapley值分配两方面进行了分析,提出了基于Shapley值的资源联盟效用分配策略。算例结果表明,网格资源联盟可以提高任务的执行效率和资源整体收益,而Shapley值法在均衡联盟个体的效用分配方面也是有效可行的。     

多任务联盟形成中的Agent行为策略研究

Agent联盟是多Agent系统中一种重要的合作方式,联盟形成是其研究的关键问题.本文提出一种串行多任务联盟形成中的Agent行为策略,首先论证了Agent合作求解多任务的过程是一个Markov决策过程,然后基于Q-学习求解单个Agent的最优行为策略.实例表明该策略在面向多任务的领域中可以快速、有效地串行形成多个任务求解联盟.     

一种新的动态Agent联盟形成机制

动态Agent联盟的形成机制是当前MAS研究的一个重要方向.为了克服目前Agent联盟形成机制存在的Agent利用率不高等缺陷,本文提出了一种基于"二次招/投标"和NOAH规划的动态Agent联盟形成机制.该机制采用"二次招/投标"法形成动态联盟,采用NOAH规划进行任务规划和分解,能够在满足子任务时间约束的条件下,充分发挥Agent的并行执行能力;并使得Agent能够动态加入和退出联盟,从而提高了Agent的利用率,保证了自利Agent自身利益的最大化.最后通过一个典型的实例验证了其有效性.     

基于能力匹配的异地敏捷开发任务分配方法

为了能够快速准确地获得异地敏捷软件开发团队任务分配的全局最优解,提出了一种基于能力匹配的异地敏捷开发任务分配方法.该方法强调子任务能力需求和团队能力的匹配关系,构建了能力匹配的效用函数,对效用矩阵进行求解,全局效用值最大时获得最优分配方案.算例仿真结果表明,所提出的方法可以有效得到能力匹配较优的任务分配方案.     

Agent协作求解中形成联盟的行为策略

ＭＡＳ中ａｇｅｎｔ结成求解联盟可以提高求解效率，但已有策略不能保证达到全局优化解和联盟稳定性。本文提出一种联盟形成的行为规范策略，在具有次加性的面向任务的领域中可以达到全局优化解，并保持稳定。本文还讨论了联盟形成机制的特性，并论述了文中所提出的行为规范策略在一定下具备这些特性。     

协作式云资源博弈分配

针对用户对云资源的异构性需求和竞争问题,提出了一种协作式资源分配博弈策略。建立了资源分配的协作式博弈模型,定义了协作博弈的用户效用函数和评估函数,证明了在该效用函数下协作博弈存在唯一Nash均衡,并讨论了用户组建联盟对协作特征函数和整体效用的影响。实验结果表明,在该协作博弈策略下,个体用户通过组建联盟集体出价的方式,能够为联盟用户带来更大效用,以收敛方式实现Pareto改进。     

Soft cooperation systems and games

A cooperative game for a set of agents establishes a fair allocation of the profit obtained for their cooperation. In order to obtain this allocation, a characteristic function is known. It establishes the profit of each coalition of agents if this coalition decides to act alone. Originally players are considered symmetric and then the allocation only depends on the characteristic function; this paper is about cooperative games with an asymmetric set of agents. We introduced cooperative games with a soft set of agents which explains those parameters determining the asymmetry among them in the cooperation. Now the characteristic function is defined not over the coalitions but over the soft coalitions, namely the profit depends not only on the formed coalition but also on the attributes considered for the players in the coalition. The best known of the allocation rules for cooperative games is the Shapley value. We propose a Shapley kind solution for soft games.     

一种AGENT任务求解联盟形成策略

Agent联盟是一组平等的、协作的、共同承担任务的Agent的集合．联盟的形成往往需要较大的通信开销和计算工作量．本文提出一种Agent形成联盟的策略，该策略在系统运行的初始阶段，保证任务分配的优化解．而在随后的运行中基于成功合作者集形成Agent联盟．该策略保证在接近任务分配优化解的情况下，有效减少系统中的可能联盟数以及联盟形成过程中的通信开销和计算量，避免联盟形成过程中的盲目性，节省协商时间提高协商效率．     

动态约束下的联盟形成

联盟形成是多Agent系统中一种重要的合作方式。人们设计了一系列联盟形成框架,较好地解决了联盟值最大化、任务分配、组合拍卖等问题。已有关于联盟形成的研究,较多地从效用、任务等角度来考虑问题。在一些情况下,仅从这些角度考虑联盟形成是不够的,于是我们从约束的角度来研究联盟形成。首先深刻分析了联盟形成时的约束问题,采用命题逻辑来描述对Agent的约束,给出了联盟偏好语言及其语义描述;接着给出了它的一些性质;最后将动态约束下的联盟形成机制与常见的一些联盟形成机制作了对比,体现了动态约束下联盟形成机制的特点。