基于关系网模型的Agent联盟形成策略*

从研究Agent社会合作机制入手,引入了一个表示Agent之间联系的社会关系网模型,并以该模型中的熟人集为基础提出了一种Agent联盟形成策略。该策略能有效地减少系统中的联盟数,避免联盟形成过程中的盲目性,节省协商时间并提高协商效率。     

基于熟人的Agent联盟策略

在多ａｇｅｎｔ系统中,ａｇｅｎｔ可以通过协商形成联盟来完成任务求解。本文基于ａｇｅｎｔ联盟的统计规律提出了ａｇｅｎｔ熟人的概念,以熟人为基础的联盟策略可以有效减少联盟形成过程中的通讯开销和计算量。随后给出了一种基于该策略的联盟竞争任务的算法,该算法适用于动态,开放的环境、无中心控制,不存在通讯和计算瓶颈。     

协同设计环境下的任务分配方法的研究

介绍一种基于辅助Agent的合同网模型的任务分配方法,并给出了协作过程中的任务选择策略和Agent选择策略,改进基本合同网模型的缺点和不足,以解决多Agent的协同设计系统中分布合作求解问题和任务分配,达到全局最优化,产生高质量的设计及有效的资源利用,并减少协商时间和信息流量,提高系统效率。     

基于边缘计算的新型任务卸载与资源分配策略

针对移动边缘计算（MEC）中密集型任务卸载时，系统开销较大和延时抖动明显的问题，提出一种新型资源分配策略。首先在系统时延约束下，分析了系统任务执行开销与终端设备的资源分配机制；其次建立了基于计算卸载和任务分配的联合凸优化目标；最后采用拉格朗日乘子法进行迭代更新得到最优解。仿真结果表明，所提任务卸载与资源分配方案在保证用户服务质量的同时降低了任务执行开销，并有效提升了MEC系统性能。     

Agent联盟通信机制的动态构造及其Ambient演算验证分析

为了提高多Agent系统中的通信效率,Agent在通信过程中可以形成若干个联盟,在每个联盟内设置一块黑板,Agent之间的通信通过黑板进行.本文针对当前Agent运行的网络拓扑结构经常变化的情况,提出了Agent联盟通信机制的动态构造模型.当网络的拓扑结构发生变化时,该模型可以重新调整Agent联盟通信机制,各Agent根据调整后的通信机制进行有效通信,从而适应新的网络拓扑结构的要求.最后,本文采用Ambient演算对该模型进行了分析验证,结果证明模型是正确可行的.     

基于增强学习协商策略的研究及优化

增强学习在电子商务中可以帮助Agent选择最优行动,并达成目标。在传统增强学习协商策略中,Agent一开始便进行大幅度的妥协,这是不合理的,与现实不符,降低了Agent的期望。通过期望还原率来还原Agent的真实期望,对协商策略进行优化;讨论了期望还原率的取值对协商过程的影响;通过实验验证了优化的协商策略在保证协商效率的同时,提高了协商解的质量。     

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.     

基于遗传算法的多智能体联盟形成机制

针对动态开放式多智能体系统中联盟的形成问题,提出“按能力分配”的联盟报酬划分规则和联盟报酬率等概念及相关命题,讨论Agent之间的协商机制和协商原则,在此基础上建立基于多智能体遗传算法的联盟形成机制。仿真计算结果表明,该联盟形成机制能够减少系统的通信量,保证所得联盟的稳定性和全局最优性,提高系统的结盟效率。     

一种基于Agent技术的安全能力自动协商机制

适应多安全域环境的安全能力自动协商机制包括了一种基于Agent的安全能力协商模型、适用于该模型的协商Agent和协商流程。该机制中，通过定义安全能力协商描述语言(SanDL)文档，用户可以方便准确地将协商要求和协商策略告知协商Agent，由协商Agent自动完成协商过程。在协商Agent中通过定义通信适配器和一套基本协商原语，使协商Agent的通信接口更加安全、灵活、易于扩展。     

基于Agent的网格资源共享联盟

网格资源分配是网格计算中的关键问题之一,并引起网格研究者越来越多的关注。提出了一种新颖的网格资源分配机制,该机制主要由基于Agent技术的搜索最佳联盟策略和多党协商机制组成,通过形成资源共享联盟来实现网格资源的分配。模拟结果显示计算网格中的自利Agent对网格资源的分配具有很大的影响。     

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。     

一种快速构建最优联盟结构的方法

联盟结构是对Agent集合的一个划分,通过联盟形成联盟结构,可以使Agent之间形成有效的合作,完成单个Agent所不能完成的任务。然而联盟结构的数目和解空间比较大,以至于通过穷举搜索最优联盟结构是很复杂的。动态规划法通常用于求解具有最优子结构性质和重叠子问题性质的问题,文章在给出了Agent联盟的相关概念之后,论证了构造最优联盟结构问题恰恰具有这两类性质,因此利用动态规划法可以求解。最后给出了相应的算法,并得出采用动态规划法实现最优联盟结构的时间复杂度为O(3n)。     

用遗传算法实现多智能体联盟的形成

在多Agent系统中，当单个Agent不能或不能有效完成特定的任务时，任务就必需分配给一组Agent，即Agent将形成联盟。本文将讨论Agent联盟的形成，并将遗传算法应用于Agent联盟形成中，希望可以快速、高效地找出合适的Agent联盟。     

Feasible Formation of Coalitions Among Autonomous Agents in Nonsuperadditive Environments

Cooperating and sharing resources by creating coalitions of agents are important ways for autonomous agents to execute tasks and to maximize payoff. Such coalitions will form only if each member of a coalition gains more by joining the coalition than it could gain otherwise. There are several ways of creating such coalitions and dividing the joint payoff among the members. In this paper we present algorithms for coalition formation and payoff distribution in nonsuperadditive environments. We focus on a low-complexity kernel-oriented coalition formation algorithm. The properties of this algorithm were examined via simulations. These have shown that the model increases the benefits of the agents within a reasonable time period, and more coalition formations provide more benefits to the agents.
     

一种基于按劳分配原则的联盟形成策略

联盟形成主要研究如何在联盟内Agent间划分联盟效用,使Agent在决策时愿意形成更优的联盟。但是已有的联盟形成策略对额外效用的平均分配没有考虑到每个Agent对联盟的贡献大小以及加入后的利益,不利于联盟的形成。提出一种基于按劳分配原则的联盟形成策略,该策略运用按能力分配原则对额外效用进行合理分配,体现了“能者多劳,多劳多得”的特点,维护了个体间的利益,优于Shapley值方法和平均分配法,较好地满足了联盟的稳定性和时效性等要求。     

基于整数二部拆分的最优联盟结构求解

联盟结构是对Agent集合的一个划分,通过联盟形成联盟结构,可以使Agent之间形成有效合作,完成单个Agent所不能完成的任务。本文提出了BIDP来求最优联盟结构,该算法利用整数二部拆分来生成二部划分,并利用二部拆分的界来对搜索空间进行限界。随后把该算法与DP算法做了理论和实验分析,理论上得出BIDP所需要的空间比DP减少33.3%。实验表明,当联盟值满足均匀分布和正态分布,BIDP在21个Agent的情况下,搜索空间比DP减少35%和92%。最后对求最优联盟结构的确定式算法作了总结,即时间复杂度的上界是O(3n),下界是Ω(2n),空间复杂度是Θ(2n)。     

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.     

联盟结构图的代数性质及应用

将联盟结构的空间抽象为联盟结构图,并在该图上定义2种运算并和交,从而联盟结构图中所有顶点关于并和交构成代数结构--联盟结构格.为了简化该格性质的研究,又引入整数拆分图,并在联盟结构图和整数拆分图之间建立映射关系F,且由映射关系,诱导一个等价关系E_F.这样在联盟结构图中搜索最优联盟结构时,可以利用某个联盟结构对E_F产生的等价类的上界和平均值作为剪枝函数,当某个等价类的上界低于剪枝函数时,该等价类中的大量联盟结构就被剪枝掉.最后设计一种动态规划算法.实验表明它的有效性.在20个Agent时,它比原动态规划算法减少43%的搜索次数.     

A value for games with a priori incompatible players

ABSTRACT

Numerous situations in decision-making deal with a set of agents who need to work together but they have some a priori bilateral problems among them. This paper introduces cooperative games with a priori incompatibilities using particular coalition systems. In these games, there are some red lines between some players, so that the negotiation has two stages. In the first stage, players can only negotiate with those with whom they are compatible. After that, the grand coalition will be formed. A value for these games is defined by using cooperative games with coalition configuration. A characterization of this value is obtained.     

多智能体联盟形成算法的探讨与研究

Agents联盟形成是分布人工智能DAI中一种重要的协作方法.本文简要分析了Agents联盟的结构、形式以及联盟结构问题的数学模型.对于可分解的任务,且子任务之间没有优先关系,Agents要形成多个联盟(联盟结构),文中研究了基于遗传算法的联盟结构形成算法,并对这种算法的并行化作了探讨.