基于扩展CNP的分布式多Agent协同系统

传统合同网协议的投标类型单一,不能准确表达参与任务分配的Agent的意图。结合应用环境的任务抢占机制需求,对合同网协议的投标类型进行适应性扩展,基于扩展合同网协议设计分布式多Agent协同系统,给出Agent程序实现方法、多Agent通信机制设计和协同机制应用实例。该系统具有良好的可扩展性,便于动态引入具有不同功能的Agent,为协同机制的研究提供了基础平台。     

一种基于多Agent的计算机生成兵力协作方法

研究建立虚拟战场攻防对抗环境,为提高协作任务分配机制的鲁棒性、可扩展性和动态适应性,在经典合同网协议的基础上,通过引入交互信任度、熟人信任度和阈值等策略,提出了一种适合于基于多Agent系统（MAS）的计算机生成兵力（CGF）协作的集成合同网协议。为了保证协议的完整性、正确性和可靠性,利用赋色Petri网进行了形式化建模,分析和验证协议的灵活性、可达性和有界性等特性。对集成合同网协议,应用基于MAS的弹道导弹攻防对抗CGF系统进行协作仿真。仿真结果表明,集成合同网协议有效地降低了协作的通信代价,提高了系统的完成任务指标。     

基于熟人联盟及扩充合同网协议的多智能体协商模型

合同网协议可扩充性好，处理动态环境能力强，在多智能体系统协商中应用广泛．在分析了经典合同网协议的优缺点后，提出了基于熟人联盟及扩充合同网协议的多智能体系统协商模型．根据模型设计了适合扩充合同网协议的系统结构，引入了熟人联盟以及信任度参数，提出熟人联盟生成方法及信任度更新规则并构造了基于经典合同网协议的扩充合同网协议．最后通过对一个导弹防御例子的测试及分析，证实了该模型在保证协商质量的基础上，有效地降低了协商代价．     

动态合同网协议

对经典的合同网协议进行了改进，结合群体智能提出了一种适应环境及主体能力动态变化的动态合同网协议。并给出了动态合同网协议的算法。经过在多主体平台MAGE(Multi-AGent Environment)上的多次试验，证明了动态合同网协议在各方面的优越性。     

一种基于投标结果修正的合同网协议

合同网协议是一种广泛应用于多Agent系统的合作协议. 针对传统的合同网协议, 提出一种基于投标结果修正的合同网协议, 并论述该协议的合作过程, 说明该协议简化了传统合同网协议的工作过程. 最后把该协议应用于一个风力/太阳能互补发电系统的实例中, 结果表明该协议的工作效率比传统合同网协议更高.     

一种改进的动态合同网协议

对动态合同网协议进行了改进,提出了一种改进的动态合同网协议。管理者进行决策时不仅考虑信任度还综合相应的承包商代价。此外,给出了此动态合同网协议的算法。经过在REPAST平台上的实验,证明了IDCNP协议在运算时间及通信量方面的优越性。     

基于心智系数的多Agent合同网协作模型研究

在多Agent系统中,常用的协商模型为合同网协议。在分析了经典合同协议优缺点后,提出基于熟人模型和心智系数合同协议的多Agent协作模型。在系统构建过程中引入心智状态中的信任度、熟悉度、他信度、繁忙度等概念,提出心智系数的更新规则并设计实现基于心智的合同网模型的构建。最后以机器人足球比赛为背景,对协商过程进行模拟测试与结果分析,证实了该模型能在保证协商质量的基础上有效地降低协商的时间和通信量,实现多Agent系统的高效协作。     

基于BDI的Agent合同网实现

合同网是一个用于分布式问题求解的高层通信协议,本文给出了一个扩充的合同网协议的会话策略和一个BDI精神状态形成模型,并在此基础上将BDI模型用于合同网协议,给出了实现合同同网协议的一系列BDI行为驱动规则。本文在合同网协议的招投标过程中引入了信任度、稳健度和积极程度等精神状态参数,这类参数有助于改善协作质量,从而使系统具有较好的适应性和灵活性。     

基于传感器信息的多机器人任务分配研究

多机器人协作是当前机器人学和人工智能的研究热点之一。针对多机器人系统中的任务分配问题,提出一种基于集中式和分布式的混合式控制结构,在机器人得到传感器信息后,使用合同网协议来完成任务分配,最终实现多机器人协作。在player/stage仿真平台进行的实验表明:多机器人系统能够有效地进行任务分配与协作,提出的解决方案是行之有效的。     

基于扩展合同网协议的无线传感器网络协作方法研究

提出一种适用于无线传感器网络协作的扩展合同网协议.该协议在传统合同网协议中引入了信任度、阈值和优先级等策略,减少了无线传感器网络的通信开销,有效均衡了节点的能量消耗.为确保扩展合同网协议的完整性、正确性和可靠性.利用面向对象Petri网对其进行建模、分析和验证.仿真结果表明,扩展合同网协议有效地延长了网络生命周期,提高了网络的能耗效率,网络完成任务数也有了显著的增加.     

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。     

基于信任度的合一系统社会任务分配

在多智体社会网络中,传统的任务分配模型一般采用直接面向任务执行者的分配机制.它们不考虑社会网络组织结构对任务分配性能的巨大影响,也很少透彻地研究不可靠社会中的任务分配.针对这些问题,本文开创性地研究了软硬件合一系统的任务分配,即按递阶、分层的思想设计了协作组织模型,并基于此提出了面向社区基于社会协调“软件人”的任务分配模型.模型研究过程中,提出了基于直接信任度和社区声誉的社区信任度评估机制、基于社区信任度和社区物理能力的节点选择机制、基于负载均衡的社区内任务分配机制和基于上下文资源的任务再分配策略.实验结果表明：与常见的直接面向任务执行者和基于资源的任务分配模型相比,所提出的模型具有更优的任务分配性能,且对社会任务环境变化具有更好的鲁棒性;社区内基于负载均衡的分配机制和基于上下文资源的再分配策略也有效提高了分配性能,降低了网络中的通信密度.     

改进的任务分配策略在WSN中的应用研究

Agent协调是多Agent系统发挥整体效能的保证,也是Agent系统的一个核心问题。合同网模型是多Agent系统中经典的协调策略,但仍有许多不足。主要对合同网中标策略进行改进,提出了一种带有精准度的任务分配策略。用精准度对Agent的投标值进行评价,使Agent的投标值更接近Agent的实际能力。并且对以往多属性任务分配策略中的能力和负载进行了更为详细的评价,对Agent的能力进行了详细的分析后,将任务完成质量的好坏和任务花费代价归为对Agent的能力大小的评价,而对负载的改进则是加入了对任务列表中任务数量的评价。最后以无线传感器网络为应用背景对提出的改进方法进行了仿真实验。     

基于蒙特卡罗贝叶斯推理的移动群智感知可靠任务分配机制

针对现有任务分配策略的不足,研究了在工人数量有限的移动群智感知系统中任务分配策略,借助社交网络来分配任务并获得高收益。首先,建立了社交网络的动态不确定环境,利用社交网络完成任务,传播任务。然后考虑到不同社交网络对任务的偏好不同,设置任务偏好度这一不确定指标,借助经济学风险价值的理论描述任务分配的可靠性。最后利用蒙特卡罗贝叶斯推理方法研究任务动态传播模型的复杂参数的高斯过程,设计基于知识梯度的采样算法选择蒙特卡罗采样点,从而实现高收益的任务分配方案。为了验证所提策略的性能,将其与四种基准的采样算法进行比较。实验结果表明,所提任务分配策略在提高收益方面是有效的。     

基于积极团队情感基调的情感机器人协作任务分配拍卖算法

多机器人系统(Multi Robot System,MRS)通过引入机器人个体情感因素,可以有效提高个体的自主协作能力、决策能力以及多机器人系统的整体智能化水平。然而,以往研究主要集中于个体情感状态(情绪、个性等),缺乏从团队情感层面来探索积极团队情感基调(Positive Group Affective Tone,PGAT)对团队协作能力和团队有效性的影响。为了发挥PGAT在任务分配中的积极作用,降低因为团队成员情绪衰减而导致团队解散的风险,并增加团队协作能力和团队有效性,提出了基于PGAT的情感机器人协作任务分配拍卖算法。仿真追捕对比实验表明,相对于基于焦虑情感模型的改进合同网协议多机器人任务分配算法和基于自主意识的分布式情感机器人任务分配算法,基于PGAT的情感机器人协作任务分配拍卖算法的追捕成功率分别提高了269.3%和6.5%,任务分配成功率分别提高了138.7%和5.1%,平均追捕时间分别缩短了14.5%和26.3%,并且在150场追捕对比实验中,追捕时间小于对比算法的场次占比分别达到87.3%和90.7%。     

基于LPN-DE与适应度拍卖的多机器人路径规划

在RoboCup环境下,针对多机器人的路径规划和任务分配,将LPN-DE方法和组合拍卖法有效结合,综合考虑多机器人的避障、路径规划和角色分配,提出了完整的实现方法和动态模型,并在RoboCup中型组机器人上验证了该方法的实用性和有效性。     

基于长短期记忆神经网络的容器云队列在线任务动态分配

针对现有容器云在线任务分配方法分配合理性和资源均衡度较差、任务处理效率较低的问题,提出一种基于长短期记忆神经网络的容器云队列在线任务动态分配方法。描述容器云队列在线任务模型;以节点互补度、资源利用率以及能耗组成任务分配多目标函数;在约束条件下利用长短期记忆神经网络求解任务分配最优方案,完成容器云队列在线任务动态分配。实验结果表明,本文分配方案的分配合理性达到0.925,资源均衡度达到10.255,最长队列长度为10,最大能耗值为5000 W,分配合理性、资源均衡度、任务处理效率均得到改善,分配方案更加合理。     

基于改进的Q学习的RoboCup传球策略研究

模拟机器人足球比赛(Robot World Cup,RoboCup)作为多Agent系统的一个理想的实验平台,已经成为人工智能的研究热点。传统的Q学习已被有效地应用于处理RoboCup中传球策略问题,但是它仅能简单地离散化连续的状态、动作空间。提出将神经网络应用于Q学习,系统只需学习部分状态-动作的Q值即可获得近似连续的Q值,就可以有效地提高泛化能力。然后将改进的Q学习应用于优化传球策略,最后在RobCup中实现测试了该算法,实验结果表明改进的Q学习在RoboCup传球策略中的应用,可以有效提高传球的成功率。     

多Agent系统中基于改进合同网模型的任务分配研究

任务分配是多Agent系统中研究的热.奴,合同网模型是关于多Agent系统中任务分配的经典策略,但传统的合同网模型存在很多不足。在引入基于信任度的招标策略和基于自适应的投标策略的基础上,主要针对传统合同网模型中标阶段存在的问题,从投标Agent的负载、能力和信任度3个方面进行综合考虑和权衡,提出了一种基于多属性评价中标策略的动态任务分配算法,从而有效地提高了任务分配和执行的效率。最后通过仿真实验验证了基于多属性评价中标策略的正确性和合理性。     

基于拍卖机制的改进合同网协商策略

在现有合同网协议的研究基础上，引入经济学中的拍卖理论，提出一种基于拍卖机制的改进合同网协商策略，通过Agent间的自主竞争来实现任务的动态分配，从而降低管理者获取和更新其他Agent知识的难度，间接支持Agent能力动态变化，减少Agent间通讯量和评标时间。