基于多智能体协商的电子市场原料配置模型

基于市场交互机制建立了多智能体之间的协商模型，每个企业看作自利智能体运行生产规划算法购置原料并安排生产，市场智能体作为中间人通过市场规则对智能体的个体选择进行综合并将综合后的结果反馈给每个智能体，这一机制较好地总结了各个终端智能体的个体信息，从而优化个体行为。给出了电子市场原料配置的定价算法和分配算法。仿真试验结果表明，基于市场机制的多智能体协商方法使得每个智能体的效用都有所改善，从而改善了系统的全局收益。     

基于合同网协议的多智能体虚拟企业协商研究

协商是虚拟企业成员之间协作的实现方式。本文通过对多智能体的协商框架、协商模型和协商过程等进行深入的分析,在合同网协议的基础上构建多智能体协商体系框架,并结合贝叶斯决策方法来建立自学习协商模型。根据协商中的更新信息实时更新智能体信念,实现多智能体协商过程的自学习功能。从而有利于提高协商效率,改善网络通信,保证虚拟企业的敏捷性和协商双方的利益。     

基于Multi-Agent的军事油料虚拟仓库结盟协商研究

针对军事油料虚拟仓库的成员选择与构建实际,提出了基于Multi-Agent的虚拟仓库结盟协商模型,介绍了一种面向虚拟仓库的开放式异构多智能体协商协作环境,探讨了多智能体协作通信语言以及交互机制.最后提出了一个面向虚拟仓库协作的多阶段协商模型,分析了盟主与成员之间交互的协商策略以及各成员之间的多边协商过程.     

多智能体运输调度系统协商机制的研究

针对大型企业运输调度问题,采用多智能体技术,提出了一个多智能体运输调度系统模型,将汽车资源构造为具有自主能力的汽车智能体,从而提高了系统问题求解的能力,并对系统中多智能体之间的协商机制进行了探讨。     

基于任务需求匹配的网络连通质量控制方法

现有多智能体系统网络研究方法缺乏对局部网络质量与区域性任务需求之间的匹配分析，这将影响任务的完成效率和质量，为此提出一种基于任务需求匹配的网络连通质量控制方法。首先，利用智能体移动状态分析系统网络的间歇连通性；然后，结合任务需求以及系统的间歇网络连通性构建基于主从模式的多智能体子网集合，进而从三个方面评估子网集合的连通质量；最后，提出基于网络连通质量控制的多智能体移动优化模型，用最大的子网集合连通质量表示多智能体网络连通质量，在智能体移动距离和网络连通质量的约束下求解任务完成率最大化的多智能体移动策略，通过该策略形成多智能体网络以执行任务。实验结果表明，该方法可以有效控制网络连通质量，维持任务完成率并提高智能体移动效用。     

基于自适应差分进化算法的多边多议题协商

为提高基于智能体(agent)的电子商务多边多议题协商的效率及稳定性,提出改进的自适应差分进化算法(ADE)并将其引入到合作环境下的多边多议题协商问题中。差分进化(DE)算法是目前求解连续空间内全局优化问题性能最优的进化优化算法之一。利用该算法收敛速度快、收敛精度高、全局寻优能力强等特点加快多边多议题协商的速度,使协商效率更高、稳定性更强。通过与目前解决多边多议题协商问题效果最好的混合遗传算法(HGA)对比,实验结果表明,自适应差分进化算法具有更快的收敛速度和更好的稳定性,可以使多边多议题协商中的各智能体达到协商最优解,并有效地减少协商次数,提高协商的效率和稳定性。     

A3C深度强化学习模型压缩及知识抽取

异步优势演员评论家(asynchronous advantage actor-critic,A3C)构建一主多从异步并行深度强化学习框架，其在最优策略探索中存在求解高方差问题，使主智能体难以保证全局最优参数更新及最佳策略学习.同时，利用百万计算资源构建的大规模并行网络，难以部署低功耗近端平台.针对上述问题，提出紧凑异步优势演员评论家(Compact＿A3C)模型，实现模型压缩及知识抽取.该模型冻结并评价A3C框架中所有子智能体学习效果，将评价结果转化为主智能体更新概率，保证全局最优策略获取，提升大规模网络资源利用率.进一步，模型将优化主智能体作为“教师网络”，监督小规模“学生网络”前期探索与策略引导，并构建线性衰减损失函数鼓励“学生网络”对复杂环境自由探索，强化自主学习能力，实现大规模A3C模型知识抽取及网络压缩.建立不同压缩比“学生网络”，在流行Gym Classic Control与Atari 2600环境中达到了与大规模“教师网络”一致的学习效果.模型代码公布在https://github.com/meadewaking/Compact＿A3C.     

一种强调私密性的多智能体协商模型

提出一种更具私密性的多智能体协商模型；基于经济学边际效用的概念建立了基于市场交互机制的协商算法。每个智能体不需向市场智能体发送原料需求信息，只需发送对某种原料边际效用的符号信息；市场智能体作为中间人运行定价算法和分配算法对原料进行定价和分配。仿真结果表明本文方法与已有方法性能相近，但是协商过程不会泄露商业机密信息，更符合分布式智能体的私密性要求。     

基于SEBI系统的多智能体通信机制研究

首先介绍了SEBI多智能体系统模型，并通过对模型中各智能体功能的分析，提出了利用智能体喜好地址表进行通信．通过相互问的接收系数来实现网状链式信息传输的思想．每个智能体是网络中的一个节点，节点可直接与其相连的智能体进行通信，也可通过多个链接方式与其它智能体进行间接通信，从而可避免多智能体的NEXP-完全及集中控制存在的信息阻塞等问题，一定程度地解决了多智能体通信与合作中的分布与集中这一矛盾．本文还通过对智能体问通信机制的分析来探讨SEBI系统中智能体的添加与删除机制及冲突预警机制等．模拟通信实例结果表明，SEBI模型系统可较好地解决多智能体问的NEXP-完全问题及具有冲突预警、层次分明以及安全稳定等优点。     

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．     

Negotiation within a multi-agent system for the collaborative design of light industrial buildings

This paper is a review of intelligent agents with respect to their use within the Agent-Based Support for The Collaborative Design of Light Industrial Buildings (ADLIB) project. In the ADLIB project, the core objective is to develop a multi-agent system (MAS) framework for the representation of activities and processes involved in collaborative design of light industrial buildings. This includes the planning and fabrication of steel structural components. ADLIB intelligent agents are concerned with modelling action and knowledge in a collaborative environment. The design process that ADLIB's agents are trying to automate is the interaction and negotiation between specialist design team members. Each team member with a different area of expertise will be primarily concerned with his own area of interest. This paper starts with an introduction to intelligent agents. It then moves on to a discussion of agent classification systems and negotiation theories and their applications in MAS. The last section analyses the needs of agents within the ADLIB project. A negotiation protocol and strategy are then presented.     

A formal analysis of interest-based negotiation

In multi-agent systems (MAS), negotiation provides a powerful metaphor for automating the allocation and reallocation of resources. Methods for automated negotiation in MAS include auction-based protocols and alternating offer bargaining protocols. Recently, argumentation-based negotiation has been accepted as a promising alternative to such approaches. Interest-based negotiation (IBN) is a form of argumentation-based negotiation in which agents exchange (1) information about their underlying goals; and (2) alternative ways to achieve these goals. However, the usefulness of IBN has been mostly established in the literature by appeal to intuition or by use of specific examples. In this paper, we propose a new formal model for reasoning about interest-based negotiation protocols. We demonstrate the usefulness of this framework by defining and analysing two different IBN protocols. In particular, we characterise conditions that guarantee their advantage (in the sense of expanding the set of individual rational deals) over the more classic proposal-based approaches to negotiation.     

多Agent系统中双边多指标自动协商的ACEA算法

自动协商是多Agent系统中的一个中心议题,它是在Agent间建立一种合作合约,多数情况下这种合约包含多个协商指标,而多指标的协商比单一指标的协商要复杂得多·因此,如何快速、高效地进行Agent间的多指标自动协商是多Agent系统中必须解决的一个问题·给出了一个Agent间多指标协商的模型(MN),并在此基础上提出了双边—多指标协商的一种加速混沌进化算法(ACEA)·ACEA算法首先将混沌机制引入进化计算,然后采用压缩技术对算法进行加速,这样既克服了进化计算过早收敛到局部Nash平衡点的缺点,又解决了多指标协商繁杂的计算和引入混沌后带来的收敛速度慢的问题·理论分析和仿真实验表明,ACEA算法以概率1收敛到全局最优解·     

基于单层MAS的分布式交通信号智能控制模型

提供了一种基于单层分布式MAS结构的智能交通信号灯控制系统模型，系统中每一个Agent根据本地交叉路口的交通状况自主形成控制策略，并将该策略与其他的Agent进行协商，以实现整个系统的自适应控制。为了验证本研究的结果，用Java开发了TSCSNHM模拟器，并在其中使用KQML语言实现各个Agent之间的信息交换和协商。通过3种典型的控制模式的模拟实验结果表明，TSCSNHM模式的控制效能接近于集中智能控制模式。     

MAS技术在生产调度研究中的应用

对MAS技术在生产调度领域中的研究成果进行分析，归纳出MASS的基本特征和系统框架，按照不同的技术路线将MASS分成实体型MASS和过程型MASS两大类，并对两大类MASS的代理定义，系统结构和主要代理协商策略等进行具体分析，同时对两类系统的特点做了比较，最后展望了MAS研究的未来发展趋势。     

MAS系统的问题求解能力分析

本文用状态空间搜索模型分析了多Agent系统(MAS)的问题求解能力，认为MAS系统中Agent之间知识的组合应用和对问题搜索方向的交互和决策是影响MAS系统问题求解能力的主要原因，在状态空间搜索模型下可以将Agent间知识的组合应用表达为不同Agent的搜索路径的组合，而Agent对搜索方向的判断是基于启发式信息做出的，从而为形式化分析MAS系统的性能建立了通用的模型．本文以A*算法为例探讨了可采纳算法下多Agent合作求解效果与Agent的知识和启发信息之间的关系，指出只有在一定条件下MAS系统才会获得更好的解题能力．本文还对非可采纳算法下MAS系统性能分析方法提出了初步看法．     

基于约束图分片求解DCOP的Agent组织结构

MAS中许多分布式推理问题可以建模为分布式约束优化问题(DCOP),解决DCOP的分布式算法已经成为MAS中的重要基础.已有的Adopt等算法通过对等的Agent之间的平等协商完成求解,强调了异步通信、分布计算与对解质量的保证,在求解问题的组织结构方面仍有改进余地.可以采用一种基于分散与集中相结合的思路,基于对约束图分片的方法及核心结点、通信主干道等概念,构造新颖的Agent组织结构,完成DCOP问题的异步、分布求解.在该组织结构下求解DCOP的算法可在效率、适应动态性方面得到改善,并将一个Agent一个变量和一个Agent多个变量的DCOP求解方法统一起来.     

多Agent的自动协商

协商是多Agent系统实现协调、协作和冲突消解的关键环节。如何构造有效的协商模型来提高Agent的协商能力，是多Agent系统研究中待解决的问题之一。文章主要讨论了双边多项目协商问题，提出了相应的协商模型、协议和协商算法，具有一定的通用性。     

一种多Agent多议题的协商模型

协商是多Agent系统实现协作、协调和冲突消解的关键技术。本文分析了协商问题的实质和协商过程,提出了一种支持多轮协商的多Agent多议题协商模型。模型中引入了Agent类型的概念,在信息不完全的条件下,协商Agent通过推测协商对手的类型来指导自身的提议策略和协商战术,使提议更具针对性,避免了盲目性,从而节约了协商时间,提高了协
商质量。     

应用记忆演化学习的Agent协商研究

在多Agent系统（MAS）环境中,协商是一个复杂的动态交互过程。如何提高协商效率,成为了研究者关注的焦点。应用记忆演化理论的强化学习思想,提出一种Agent协商算法。它与基本强化学习相比,3阶段的记忆演化的强化学习,使得Agent可以在实时回报与延迟回报间更好的做出平衡,并为Agent记忆社会化交互创造条件,使强化学习更适合MAS的要求。通过模拟实验证明该协商算法是有效性的。