Agent组织研究进展

Agent理论和技术的研究自20世纪70年代末出现以来发展很快,研究工作从个体Agent模型和思维状态理论扩展到群体Agent合作求解,取得了一系列进展.近年来,Agent组织的研究越来越引起重视,作为多Agent系统(MAS)的一种求解结构,基于Agent组织的问题求解可以有效地降低求解难度和Agent之间的交互复杂性.综述了Agent组织近年的研究进展,介绍了Agent组织模型、MAS思维状态模型、规范化MAS和Agent联盟等方面的研究成果,并指出了今后的研究方向.     

Agent组织规则的再励学习

Agent组织是一种灵活有效的多Agent系统求解方式。Agent组织规则在Agent组织的求解过程中起着重要作用，可以有效地减少冲突提高求解效率。给出了一种基于再励学习的Agent组织规则生成机制和相应的算法，通过实验表明了算法的有效性，改进了Zambonelli和Jennings等人关于Agent组织规则的工作。     

基于规范和义务的Agent组织模型

Agent组织是一种灵活有效的多Agent系统求解方式。Agent组织的规范和义务在Agent组织的求解过程中起着减少冲突和提高求解效率的重要作用。基于规范和义务的Agent组织模型描述了组织中规范和义务对组织成员的约束机制以及规范和义务的演化过程。通过规范和义务。使得追求个体收益最大化的自利型Agent在规范和义务的约束下可以体现出其公益性、利它性的一面。     

Agent的组织承诺和小组承诺

基于Agent组织的多Agent问题求解对降低求解难度和求解复杂性有重要意义.对Agent组织的研究主要集中在组织模型、组织规则、组织结构以及组织的形成和演化等方面,需要从组织中Agent的各种思维属性及其相互关系加以扩展.分析和定义了Agent组织中Agent的内部承诺和社会承诺、小组承诺和组织承诺,研究了基于承诺的Agent组织的形成机制以及Agent组织中承诺的性质,从而推广了关于Agent组织的研究.     

一种基于资源约束的Agent组织规则生成机制

Agent组织是多Agent系统的一种求解结构，可以有效地降低求解难度和Agent之间的交互复杂性，对Agent组织的抽象包括组织结构，组织规则和组织模式，Agent组织规则的形成是Agent组织设计的重要问题之一，基于资源约束给出了Agent组织规则的形式描述和产生机制，设计了Agent组织规则形成的静态算法和动态算法，从而改进了Zambonelli和Jennings关于Agent组织规则的研究。     

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.     

基于使命的Agent组织模型

Agent组织是一种灵活有效的多Agent系统求解方式。针对目前Agent组织模型主要以利己型Agent为基础的现状,提出适合政府及军事等领域使用的基于使命的Agent组织模型。模型以利他型Agent为组织构成基础,使用信任度和Agent组织效益共同评价Agent求解问题的能力,从Agent思维属性及其相互关系的角度出发,研究了Agent组织中使命的特点、组织形成和演化机制,提高了问题求解效率,增强了Agent组织的稳定性,从而拓宽了关于Agent组织的研究。     

多Agent系统的研究

多Agent系统(MAS)是当前分布式人工智能(DAI)的主要研究方向之一。介绍了多Agent系统的背景和概念,着重分析了MAS的关键问题和构造MAS的组织模型,最后给出了多Agent系统的应用。     

基于Agent系统再励学习的应用

本文介绍了Agent组织规则及再励学习的理论，给出了一种基于再励学习的Agem组织规则生成机制和相应的算法。从而得出结论：Agent组织规则在求解过程中起着重要的作用，可以有效地减少冲突，提高求解效率。     

面向结构的Agent组织形成和演化机制

基于Agent组织的多Agent问题求解可以大大降低求解难度和交互复杂性。其中Agent组织的形成和演化是基于Agent计算和合作的关键。给出了面向结构的组织形成和演化机制,解决了麻木性和灵活性差问题,保证了Agent的效用理性和个性倾向,刻画了演化所满足的性质,改进了Shehory,Kraus,Glaser等的组织形成和演化方法。     

多级正交Agent结构模型

文章用代数理论对Agent的属性和行为特征进行抽象,寻找一种合适的描述多Agent系统的抽象方法。提出了多级正交Agent结构的概念和框架结构,给出了正交Agent结构的核心模型。提出和研究了正交Agent结构的抽象模型和非正交Agent结构的正交化算法。相对于Ferber、Zambonelli和Lesser等人的工作,这种模型使Agent组织结构清晰,易于实现,有利于研究Agent之间的协调求解能力和Agent组织结构的演化能力。     

Agent组织结构的层次式模型

文章用代数理论对Agent组织结构的属性和行为特征进行抽象,提出了Agent组织结构的层次式模型,讨论了层次式Agent组织结构的基本思想和结构框架。提出了“层”的抽象概念及相关性质,提出了层的使用、协作、极大公共子Agent和极小公共父Agent四种运算的新观点,证明了层与使用运算构成半群、与后三种运算分别构成交换半群。     

递归函数的应用

递归函数独特的运算方式，使其在人工智能和各种事务处理过程中有着广泛的应用，因而成为一个重要的研究课题。文中以迷宫、汉诺塔等为例．根据计算机堆栈原理，具体讨论了用递归函数解题的方法和技巧。给出了递归函数调用时利用变量传递解决复杂问题的实例，展示了递归算法在解决非数值运算问题中的独特解题方式和效果。讨论表明，在求解人工智能和各种事务处理问题中．递归函数中合理地利用变量传递可有效地完成求解任务和提高程序的品质。     

A computational model for distributed knowledge systems with learning mechanisms

This paper addresses the issues of machine learning in distributed knowledge systems, which will consist of distributed software agents with problem solving, communication and learning functions. To develop such systems, we must analyze the roles of problem-solving and communication capabilities among knowledge systems. To facilitate the analyses, we propose a computational model: LPC. The model consists of a set of agents with (a) a knowledge base for learned concepts, (b) a knowledge base for problem solving, (c) prolog-based inference mechanisms and (d) a set of beliefs on the reliability of the other agents. Each agent can improve its own problem-solving capabilities by deductive learning from the given problems, by memory-based learning from communications between the agents and by reinforcement learning from the reliability of communications between the other agents. An experimental system of the model has been implemented in Prolog language on a Window-based personal computer. Intensive experiments have been carried out to examine the feasibility of the machine learning mechanisms of agents for problem-solving and communication capabilities. The experimental results have shown that the multiagent system improves the performance of the whole system in problem solving, when each agent has a higher learning ability or when an agent with a very high ability for problem solving joins the organization to cooperate with the other agents in problem solving. These results suggest that the proposed model is useful in analyzing the learning mechanisms applicable to distributed knowledge systems.     

Utility Models for Goal‐Directed, Decision‐Theoretic Planners

AI planning agents are goal-directed : success is measured in terms of whether an input goal is satisfied. The goal gives structure to the planning problem, and planning representations and algorithms have been designed to exploit that structure. Strict goal satisfaction may be an unacceptably restrictive measure of good behavior, however.
A general decision-theoretic agent, on the other hand, has no explicit goals: success is measured in terms of an arbitrary preference model or utility function defined over plan outcomes. Although it is a very general and powerful model of problem solving, decision-theoretic choice lacks structure, which can make it difficult to develop effective plan‐generation algorithms.
This paper establishes a middle ground between the two models. We extend the traditional AI goal model in several directions: allowing goals with temporal extent, expressing preferences over partial satisfaction of goals, and balancing goal satisfaction against the cost of the resources consumed in service of the goals. In doing so we provide a utility model for a goal-directed agent.
An important quality of the proposed model is its tractability. We claim that our model, like classical goal models, makes problem structure explicit. This structure can then be exploited by a problem-solving algorithm. We support this claim by reporting on two implemented planning systems that adopt and exploit our model.     

基于Agent的智能决策支持系统

根据决策支持系统应用中存在的问题，提出了一种新的利用决策支持系统求解问题的思路，并将Agent思想和技术引入到这一思路的实现中，设计了一种基于Agent的智能决策支持系统的架构，该架构主要由模型选择Agent、模型构造Agent、模型求解Agent和人机交互Agent 4个部分组成。该结构的实现可有效地突破基于模型的决策支持系统在求解问题时难以适应动态环境变化的障碍，使决策支持系统真正成为面向问题系统，极大地提高了决策支持系统的智能型，能够根据问题的变化作出适应性的自主的调整，满足用户的求解问题的要求。