基于承诺度的寻找合作Agent的方法

在多Agent系统中,个体Agent的知识和问题求解能力是有限的,需要寻找合作Agent协作共同完成任务.本文提出承诺度概念并以简化的熟人模型为背景,将承诺度作为寻找合作Agent的依据.简化的熟人模型减少了寻找合作Agent的通信开销和资源消耗;以承诺度作为寻找合作Agent的依据减少了建立和维护熟人模型的系统开销.     

Agent组织结构的圆层式模型

Agent组织是多Agent系统的求解形式,合理的组织结构有助于Agent成员(或子组织)之间的合作和对合作任务及合作成员的管理,因此,对Agent组织结构的研究引起了越来越多的重视.提出了Agent组织结构的圆层式模型;并对Agent角色(或子组织)在MAS求解过程中的行为进行代数抽象,得出了Agent组织结构在代数方面的结构性质.     

多Agent诊断系统中合作任务调度算法的实现

多Agent系统的核心问题是多Agent的合作和问题求解,在多Agent系统合作的调度算法中引入遗传算法,能更准确和更有效地进行问题求解。文中在介绍多Agent系统结构的基础上,分析了多Agent的合作问题以及基于遗传算法的调度算法,并在一个实用系统中实现了合作任务调度算法,达到了预期效果。     

基于Agent逆向式创建异构数据库应用的研究

给出了一个基于多Agent的合作求解方法,能自动完成关系数据库(RDB)的互操作以及搜索显示等应用问题,解决了数据库应用开发从人工到自动的问题.Agent不仅可以代替数据库专业人员完成任务;而且普通用户通过Agent的协助,能够大大缩短数据库应用开发的周期;最后,探讨了Agent求解过程中存在的经济因素,如市场机制,旨在提高所创建数据库应用的经济价值和实用性.     

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。     

基于多Agent的分布式资源检索系统的设计

Agent是具有适应环境的软件实体,其能够通过感知自身和环境中的信息,自主采取行动实现一系列预先设定的目标或任务.多A-genl系统是由多个自主的Agent组成,每个Agent都有自己的职责,并与其它Agent通信获取信息,互相协作完成整个问题求解.     

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.     

存在"顿悟"的多Agent系统合作求解算法研究

在多Agent系统的研究中,多Agent合作求解一直都是研究的热点和难点.合同网(CNET)协议是通过任务共享实现有效合作的高级协议,然而现实世界的情况非常复杂,当合同网中所有Agent均无能力完成任务时,多Agent系统将陷入任务无法完成的僵局.将任务设定为问题,即产生任务等价于产生问题,完成任务等价于解决问题.写作目的是讨论与研究僵局情况的问题解决算法;并且将这种在当时环境下无法解决的、需要通过补充更多的信息和经验才可以解决的问题称为"顿悟"问题.给出了解决"顿悟"问题的3种思路及算法,并提出了对"顿悟"问题进行重构的概念和模型,对多Agent系统中"顿悟"问题的研究进行了初步的探索.     

改进的蚁群算法在求解旅行Agent问题中的应用

蚁群算法作为一种新的生物进化算法，具有并行、正反馈和启发式搜索等特点，但它与其它进化算法同样存在易于陷入局部最小点等缺陷。为了克服这些缺陷，介绍了一种改进的蚁群算法来求解旅行Agent问题，解决移动Agent为完成用户指定任务，在不同主机间移动时的迁移策略问题。实验结果表明了算法的可行性。     

一个多Agent学习模型

多Agent学习问题近年来引起人工智能领域的广泛注意，本文给出了一个基于遗传算法的多Agent学习模式，学习过程分为四个部分：任务的分解、子任务的分配、多个子任务并行求解和解答的集成。其中遗传算法主要应用在子任务的分配和多个子任务并行求解中。     

多Agent系统分布式问题求解的代数模型方法(Ⅱ): 群体智能和社会动力学

该文是组合论文中第二篇，讨论多Agent系统分布式问题求解的代数模型中的特性层和动力学层，即没粒度Agent群体的宏观群体智能的形式优化代数模型以及宏观社会智能与Agent个体间微观社会行为之间的社会动力学模型，提出了基于这种新的代数模型方法的超分布超并行社会智能问题求解算法，关于分布式多任务自组织规划和资源自组织分配的仿真实验以及与其它方法的比较分析，表明了该文提出了代数模型和问题求解方法的特点和有效性。     

基于任务熟人集的合同网模型的改进

合同网模型广泛应用于基于多Agent系统的各种应用系统中，以解决分布合作求解和任务分配问题，在讨论基本合同网模型的缺点和不足的基础上，给出了一个任务熟人集的概念，随后提出一种改进的合同网模型和基于任务熟人集选择修选结点和协商策略方法的选择机制，该模型有效地降低通讯量，减少了协商时间和信息流量，提高了系统效率。     

平行结构类问题的分解与任务分布

本文给出平行结构类问题及其求解系统的形式化描述,讨论了此类问题的分解与任务分布,并提出了一种IPD算法(Improved Problem Decomposition).该算法从规模上将问题分解为若干性质相同的任务,按就近原则将任务预分布到系统中各结点上,并通过启发式状态空间查找方法进行负载调整,使系统负载平衡.试验表明:IPD算法的分解分布结果负载平衡,系统潜在协作量小.     

基于分层强化学习的自动驾驶车辆掉头问题研究

调头任务是自动驾驶研究的内容之一,大多数在城市规范道路下的方案无法在非规范道路上实施。针对这一问题,建立了一种车辆掉头动力学模型,并设计了一种多尺度卷积神经网络提取特征图作为智能体的输入。另外还针对调头任务中的稀疏奖励问题,结合分层强化学习和近端策略优化算法提出了分层近端策略优化算法。在简单和复杂场景的实验中,该算法相比于其他算法能够更快地学习到策略,并且具有更高的掉头成功率。     

基于任务能力排序的虚拟企业联盟生成方法

将虚拟企业联盟生成问题转化为多Agent问题,针对传统求解多Agent问题过程中仅考虑成本和联盟值最优的局限性,引入"一企多标"和资源配置等实际问题并给出解决方案。重点论述了基于改进的蚁群算法及任务能力排序的虚拟企业联盟生成方法,在求解过程中首先根据任务所需的核心能力对Agent集进行划分,然后利用改进的蚁群算法来求解该问题,以使满足该任务能力要求的Agent优先被选择,从而避免优势资源得不到利用的现象,起到合理配置资源的作用。通过模拟算例分析表明,该方法能有效、快速求解多虚拟企业联盟生成问题,表现了该方法的正确性。     

一种多agent的并行认知模型及应用

agent认知模型是多agent系统研究的基础。该文抓住多agent系统的社会行为特性，构建了动态的多agent系统模型。它可以动态地调整系统agent的个数，增强系统的求解问题的能力，整个系统随着问题求解的增多更加稳定。并且在构建动态多agent系统的基础上给出了多agent系统并行认知模型及其相关概念，并把该模型应用于问题求解。     

Evolving team behaviors with specialization

This article evaluates Collective Neuro-Evolution (CONE), a cooperative co-evolutionary method for solving collective behavior tasks and increasing task performance via facilitating behavioral specialization in agent teams. Specialization is used as a problem solving mechanism, and its emergence is guided and regulated by CONE. CONE is comparatively evaluated with related methods in a simulated evolutionary robotics pursuit-evasion task. This task required multiple pursuer robots to cooperatively capture evader robots. Results indicate that CONE is appropriate for evolving specialized behaviors. The interaction of specialized behaviors produces behavioral heterogeneity in teams and collective prey capture behaviors that yield significantly higher performances compared to related methods.     

基于管理Agent协作模型的研究

多Agent协作求解是分布式人工智能要研究的基本问题。该文基于管理agent概念提出一个新的协作模型，该模型利用管理Agent对多Agent系统进行全局协作分配，协作申请分级处理，解决了传统协作模型中存在的模型与应用领域有关和只适用于静态环境的问题。     

基于管理Agent协作模型的研究

多Agent协作求解是分布式人工智能要研究的基本问题。该文基于管理agent概念提出一个新的协作模型,该模型利用管理Agent对多Agent系统进行全局协作分配,协作申请分级处理,解决了传统协作模型中存在的模型与应用领域有关和只适用于静态环境的问题。     

Distributed intelligent architecture for logistics (DIAL)

An ideal logistics problem is considered as a network flow problem which generates a logistics plan and subsequently executes the plan. A real-world logistics plan is different from its ideal counterpart modeled as a network flow problem in the sense that each node of the logistics graph is operated independently with disparate objectives. In contrast to the nodes of a network flow problem, agents are considered as software entities which embody elegant reasoning ability to justify their own actions towards individual objectives, and also interact with other agents. Hence, a group of agents or a multiagent system is best suited to solve real-world logistics problems with each agent representing a node of the graph. We have built a three-tier framework where a customer's problem can be decomposed and assigned to all the agents which together generate a logistics plan. We employ two simulation software as planning tools which enable us to simulate appropriate events. The key ideas behind this paper are large-scale multiagent architectural modeling issues (scalability), computation task control, information sharing among several customers, and a problem solving procedure before the planning process. The problem solving procedure is considered as determining the computational tasks required to be invoked to initiate the planning process. We describe the implementation of the framework.