任一时间面向任务联盟结构生成算法

联盟形成是多Agent系统中的一个关键问题。目前,大多数学者都在CFG下研究联盟结构生成问题。然而,在很多实际应用中,联盟的形成往往是为了完成任务集中某些任务。但是,在CFG中并没有把联盟和任务一起考虑。显然,加入任务后,问题将变得更复杂。Dang等人已经证明,这是个NP难问题,并且要建立最坏情况下的限界K（n,m）,搜索索面向任务联盟结构集合L1、L2（除{（A,Φ）,（Φ,T）}）是必要且充分的,接着提出一个限界具有保证的任一时间算法。本文深刻分析了面向任务联盟结构间的关系,引入更小的搜索粒度（面向任务势结构）,提出一种新的任一时间搜索算法;在搜索完最小搜索之后,进一步搜索CTS集合CTS（n,m,b）对应的部分面向任务联盟结构,渐进给出越来越低的限界,大大改进了Dang等人的工作。     

基于改进型蚁群算法的多任务联盟形成算法

联盟形成是多Agent系统研究的关键问题之一,基于蚁群算法的联盟形成是一种有效的研究方法.创新地把能力互补性原则引入到下一个Agent的选择判断中,引导蚂蚁沿着能生成具有较大联盟值的联盟的方向前进;引入一种带有"调节剂"的扰动策略来预防算法陷入局部最优和出现停滞;在每一轮的任务分配中尽可能多地分配任务,使得联盟在执行任务时具有一定的并行性.算法能更早地搜索到最优解或次优解,在时间复杂度和全局搜索能力等方面均优于相关算法.     

基于局部最优的联盟结构生成算法

联盟形成是多Agent系统中的一个关键问题 .针对多Agent联盟数量是Agent个数指数倍的问题,给出了基于局部最优Agent联盟结构生成算法--OCS算法 .基于局部最优,将Agent联盟结构图化简,并利用划分所对应的一类联盟结构的上界对Agent联盟结构图进行剪枝,极大降低了搜索空间 .接着证明了OCS算法的时间复杂性为O(3n),但在实验上已经接近O(23n/2) .最后通过对比数据分析,表明了OCS算法的效率 . OCS算法是对Rothkopf和刘惊雷等人相关工作的改进 .     

基于遗传算法和BP算法的比较购物Agent模型

第一代购物Agent给消费者带来极大的便利,但是它们只是局限于商品价格的比较.针对这个问题,提出一种基于遗传算法和BP算法的比较购物Agent模型,它可以根据消费者的偏好和别人的搜索经验为消费者搜索和过滤所需的信息,并且能在搜索完后,将符合要求的商品按消费者的偏好进行排序,使消费者不需要浏览大量的网站就能买到称心如意的商品.仿真实验表明,该模型是行之有效的,它能准确地预测消费者的偏好等.     

基于势结构的任一时间联盟结构生成算法

联盟形成是多Agent系统中的一个关键问题.人们寻求能极大化联盟值总和的联盟结构,但通常情况下可能的联盟结构的数目太大,以致不允许进行穷尽搜索而找出最优解.Sandholm等人已经证明,要建立最坏情况下的限界K(n),搜索联盟结构图的最底两层是必要且是充分的.Dang等人给出的算法是所见到的第1个不以层为单位的搜索算法,对于较小的限界明显地优于Sandholm等人给出的算法.深刻分析了联盟结构间的关系,采用更小的搜索粒度(势结构),提出基于势结构的任一时间算法,在搜索最底两层及顶层后,进一步搜索势结构集合CCS(n,6)对应的未搜索过的联盟结构,渐进地给出越来越低的限界,大大改进了Sandholm等人(快1035倍,当n=100,K=2)和Dang等人(快1018倍,当n=100,K=3)的工作.