Agent的意图模型

意图是Agent的一个不可缺少的意识属性,在决定理性Agent的行为时起着重要的作用.已经有了若干种基于正规模态逻辑的意图模型,但它们存在着严重的“逻辑全知”问题.该文阐明意图不是正规模态算子,并提出了另一种意图模型,它不存在“逻辑全知”问题和其他相关问题(例如,副作用问题等).这种意图模型与Konolige和Pollack的意图模型相比,比较简单、自然,且满足K公理和联合一致性原理,实际上,为非正规模态算子基于正规可能世界的语义表示提供了一种新的方法.     

理性Agent的意图维护模型

在理性Agent的形式化中,通常认为Agent的思维状态包含信念、愿望帮意图这3个属性,它们之间的静态关系已被人们充分重视,但它们随时间的动态变化还未被很好研究,考察了意图维护直观语义中的一些问题,给出了随信念、愿望改变的意图维护的动态模型,与Rao和Georgeff的意图维护模型相比,适用性更广、更简单,不必限制可友爱世界的时序结构,不必另外引入信念=愿望、意图算子的on ly模态形式,并且对愿望和意图不存在逻辑全知问题和重言隐含下的副作用等问题。     

虚拟环境的用户意图捕获

目的虚拟制造环境中需要复杂精确的3D人机交互。目前的虚拟环境(VE)的主要问题是人在交互过程中的认知和操作负荷太重,交互效率亟需提高。解决此问题的重要途径是提高机器的认知能力。方法本文研究了用户意图的分析和抽取,并建立多通道用户意图理解的算法,以此来提高交互效率。结果结合虚拟装配应用给出了典型意图的实验结果并给予分析。通过实验对多通道意图的可用性和可靠性,以及基于意图系统的实时性进行了评估。实验是虚拟装配空间中用户拾取对象意图的实验。当3维鼠标和对象距离为5 000 mm时,传统系统中操作平均耗时5.344 7 s,而基于意图的系统中平均耗时2.326 6 s。基于意图的系统极大地降低了操作的时间和复杂度。结论采用意图驱动的系统情景转换能在虚拟环境工作中有效地降低人的认知负荷,并能很好地帮助系统开发者进行混成系统的建模和分析,降低开发的复杂度。实践结果表明用户意图理解的多通道模型和算法能极大地提高交互式系统的交互自然性和交互效率。该方法不仅适用于本文所用的虚拟装配系统,对于所有的虚拟环境应用场景都有同样的有效性。     

Agent意图的双子集语义改进模型

意图是Agent的一个关键的意识属性,在决定理性Agent的行为中起着重要作用.为了克服现有意图逻辑中存在的缺陷,建立了适用于意图的语义表示.讨论了理性Agent性态的形式化中对意图语义的要求以及现有意图逻辑中存在的问题.介绍了在前期工作--真假子集语义基础上开发的双子集语义改进模型及其在Agent意图形式化中的应用,并且证明通过对模型的代数结构施加一定的约束,能获得许多希望得到的性质.在二值逻辑中,真和假是同等重要的.当然,对一个命题,描述了真值也就知道了假值;但对于一类命题却不是这样,对假值的刻画与对真值的刻画具有同等重要的意义.而对意图的描述是对一类命题(Agent意图实现的命题)的刻画.经典的正规模态算子的可能世界语义只重视真,用RI(w)来描述,可看成是单子集语义.而改进的双子集语义真假并重,用R_IT(w)来描述真,并用R_IF(w)来描述假,从而能更全面地描述二值逻辑中的模态算子.经典的正规模态算子的可能世界语义可以看成是改进的双子集语义当R_IF(w)=()时的退化情形.改进的双子集语义不仅避免了基于正规模态逻辑表示的"逻辑全知"问题以及由此带来的副作用等问题,与Konolige和Pollack的意图模型相比,比较简单、自然,且满足K公理和联合一致性原理,而且克服了前期工作真假子集语义和双子集语义表示的缺陷.实际上,改进的双子集语义为非正规模态算子的语义表示提供了一种新的方法,可应用于建立新的合适的Agent逻辑系统.     

多Agent合作逻辑中的动作与意图

改进并发博弈结构,给出了一个新模型.消除了不同Agent不准执行相同动作这个与常识不符的假定.给出了5个动作相关函数,使得对Agent、动作与状态三者之间的关系在社会法律约束下的深入考察成为可能.在语法层面同时表述动作和社会法律,提高了多Agent合作逻辑的灵活性和表达能力.在多Agent合作逻辑中引入信念算子和意图算子;考察了两种个体意图和两种群体意图;给出了对命题的个体意图的多子集语义,并把它拓展到对命题的群体意图的语义.     

一种基于角色跟踪的群体Agent再励学习算法

在多Agent系统中,通过学习可以使Agent不断增加和强化已有的知识与能力,并选择合理的动作最大化自己的利益．但目前有关Agent学习大都限于单Agent模式,或仅考虑Agent个体之间的对抗,没有考虑Agent的群体对抗,没有考虑Agent在团队中的角色,完全依赖对效用的感知来判断对手的策略,导致算法的收敛速度不高．因此,将单Agent学习推广到在非通信群体对抗环境下的群体Agent学习．考虑不同学习问题的特殊性,在学习模型中加入了角色属性,提出一种基于角色跟踪的群体Agent再励学习算法,并进行了实验分析．在学习过程中动态跟踪对手角色,并根据对手角色与其行为的匹配度动态决定学习速率,利用minmax-Q算法修正每个状态的效用值,最终加快学习的收敛速度,从而改进了Bowling和Littman等人的工作．     

Mobile Agent的两种安全机制

安全性在电子交易系统中是一个至关重要的问题，该文对传统的电子商务和基于MobileAgent的电子交易的安全问题进行了比较，提出了在Grasshopper平台下采用时间限制的黑箱安全机制和加密跟踪的方法扩展平台本身的安全性，确保了Grasshopper平台在实现电子交易过程中整个系统的安全性。     

Agent主动目标的形式化模型

在agent结构中,主动目标是一个功能上自含且有自己独立控制流的实体.给出了主动目标相关的语法定义以及主动目标运行的操作语义,而且主动目标驱动下的BDI agent结构也被形式化地定义出来.区别于以往的一些BDI agent结构,目标不是隐含地表示而是作为实体显式地表示在agent结构中,使agent结构很自然地支持并行的目标,这被认为是agent理性行为的一个重要方面.此外,对目标的显式定义也为agent在动态的环境中对承诺的重新考虑带来了方便.     

基于整体效用和区域约束的Agent意图再考虑研究

设计运行在动态环境中的BDI Agent时,为它设计一个合适的意图再考虑策略是一个关键问题。进行了当目标较多时,如何利用目标的分布情况来指导Agent的意图再考虑的研究,提出了一定区域内群体目标的整体效用的概念,提出根据整体效用选择区域并对Agent的行为进行区域约束的方法。在TILEWORLD环境下用实验来考察基于该方法的几种策略,给出了一种较优的意图再考虑的策略。     

用于目标跟踪的智能群体优化滤波算法

针对目标跟踪中的状态估计，提出一种智能群体优化滤波算法。算法在贝叶斯滤波的基础上，运用智能群体优化的3种运动模型估计目标的后验状态，其中内聚运动在保持了粒子多样性的情况下增加了样本的权值，分离运动和排列运动相协调能够更加准确地预测下一时刻目标的先验状态。实验结果表明:与标准粒子滤波相比，该算法能够更加准确地估计非线性系统中的后验状态，在复杂多变的场景环境中，表现出更高的跟踪准确性。     

基于关系的两维意向结构

从建构agent角度出发,提出了一个基于关系结构的包括agent意向、信念以及目标等认知状态的框架.在此框架中,实现目标的意向形成了两维序结构,其中一维表示意向间的时序关系,另一维表示意向间的相干关系,在此基础上,研究了信念、意向和目标的相互关系.因为摒弃了传统的用模态算子来刻画agent的意向的方法,所以在构建agent时,可以直接采用意向库以及意向间的时序、相干关系来表示agent的意向,从而缩小了agent理论模型与实际agent结构之间的差异,为agent结构的建立提供了必要的理论基础.     

基于人机协同的潜在意图检测模型

潜在意图检测旨在通过意图主体行为推理意图主体的隐式意图,从而在更高的层面理解意图主体潜在的真实意图.提出了一种多领域数据环境下人机协同的潜在意图检测模型和技术框架.该意图检测模型扩展了动态意图表示形式DIS,能够适应多领域数据和交互式推理的意图表示需要.通过定义交互原语,确定了人机协同交互的语言规范.通过功能框架的设计,提供了潜在意图检测的技术实现途径.     

一个新的意图后承形式系统Lm5c

建立意图后承的形式化推理系统是意图形式化研究中的一个重要课题.提供了一个新的基于"归约蕴涵"的意图后承形式系统L_m5c,给出了意图后承的形式规范.与已有的意图后承形式系统相比,这个系统比较简单,并具有许多现有同类系统所不具备的优良性质,比如无副作用.此外,还具有较强的推理能力,可供Agent自身用于意图推理和目标修改.     

联合意图的理论框架

0 引言 agent是指在某一环境下能够持续自主运行,具有社会性、反应性等特征的计算实体。多agent系统由一组具有一定资源和能力、相对独立且交互合作的agent组成。由于多agent系统提供了更高层次的抽象模型,能够自然、贴切、直观地表示现实世界中的计算实体及其问题求解方式,因而有关agent理论和技术的研究引起了人们的高度重视。     

基于对手思维建模的分布式入侵检测模型

研究网络入侵和入侵检测系统的现状和发展趋势,将对手思维建模和意图识别技术引入入侵检测系统,提出了一个基于对手思维建模的入侵检测模型(IRAIDS),为解决大规模、分布式、智能化入侵提供了解决方法.     

客户来电意图识别研究

捕捉客户来电意图信息,开展客户来电意图识别研究具有重要意义.现有的客户来电意图识别大都是采用人工分析方法,尚没有采用机器学习、深度学习模型识别客户来电意图的研究.为降低人工分析代价,提高客户来电意图识别结果,该文分别从基于传统机器学习模型、基于单/多深度学习模型、基于BERT和深度学习模型组合三个方面,进行客户来电意图...     

对话意图及语音识别错误对交互体验的影响

在自然人机对话中,由于环境噪声、方言口音等因素带来的语音识别错误以及语义分析的不充分等原因,计算机在理解用户交互意图时出现偏差,使得计算机对要反馈的话题出现错误,造成人机对话进程的断裂.以面向咖啡为主题的漫谈式人机对话为例,将对话中断分为3种情况：话题反馈不当引起中断、话题正确情况下的模糊反馈不当和精确反馈不当引起中断.根据用户与计算机对话的记录分析比较上述3种情况下人机对话进程断裂情况.统计数据结果表明,话题反馈不当带来的对话中断最为明显,在对话进程断裂情况中达到了60.1%的比例;在话题反馈正确情况下,模糊回答不当和精确回答不当带来的话题中断比例分别为22.2%和21.6%;在语音识别错误情况下,语义分析会带来数量更大的反馈错误.实验数据分析结果表明,在语音识别错误情况下,根据上下文信息提高计算机对用户话题反馈的准确率,能够有效降低人机对话的中断,提高人机对话的自然度.该工作为自然人机对话的意图分类重要性提供了数据分析和实验论证.     

面向多智能体协作的注意力意图与交流学习方法

对于部分可观测环境下的多智能体交流协作任务, 现有研究大多只利用了当前时刻的网络隐藏层信息, 限制了信息的来源. 研究如何使用团队奖励训练一组独立的策略以及如何提升独立策略的协同表现, 提出多智能体注意力意图交流算法(Multi-agent attentional intention and communication, MAAIC), 增加了意图信息模块来扩大交流信息的来源, 并且改善了交流模式. 将智能体历史上表现最优的网络作为意图网络, 且从中提取策略意图信息, 按时间顺序保留成一个向量, 最后结合注意力机制推断出更为有效的交流信息. 在星际争霸环境中, 通过实验对比分析, 验证了该算法的有效性.     

基于隐马尔可夫模型的攻击意图识别技术研究

攻击意图识别是海量报警数据处理的重要技术。隐马尔可夫模型HMM能够很好地对复杂攻击行为建模,但对含干扰因素报警序列的攻击意图识别效果不够理想。本文为此提出了改进方案,并根据攻击意图识别的特殊性定义了新的解码问题,设计了解码算法。