基于熟人链的agent声誉模型

电子商务的广泛应用使得对声誉模型的研究成为成功交易的重点。用agent技术研究声誉,用概率值表示声誉值,凭借agent熟人链传播声誉,建立曾合作与未合作过agent之间的声誉模型,来保障开放环境下大规模系统中agent之间的成功合作,最终可以提高MAS系统的执行效率。     

基于改进遗传算法的深度神经网络优化研究

深度前馈神经网络在分类和回归问题上得到了很好的应用,但网络性能极大程度上受到其结构和超参数影响.为了获得高性能的神经网络,首先对遗传算法的选择策略进行改进,之后利用该改进遗传算法,采用二进制编码与实数编码的混合编码策略对深度前馈神经网络层数、每层节点量以及学习率和权重进行优化.改进的选择策略,在最优保存策略的基础上从父代和子代合并的2n个个体中,以一定的概率选择部分适应值较差个体作为新父代,以增加种群多样性,避免陷入局部最优.同时引入dropout方法减少网络过拟合训练数据.使用Ring、Breast cancer、Twonorm、Heart、Blood、Ionosphere、Monk共7个数据集进行数值实验,并与其他相关文献中的算法比较,仿真结果表明,改进的遗传算法能搜索到较高性能的神经网络.     

基于承诺度的寻找合作Agent的方法

在多Agent系统中,个体Agent的知识和问题求解能力是有限的,需要寻找合作Agent协作共同完成任务.本文提出承诺度概念并以简化的熟人模型为背景,将承诺度作为寻找合作Agent的依据.简化的熟人模型减少了寻找合作Agent的通信开销和资源消耗;以承诺度作为寻找合作Agent的依据减少了建立和维护熟人模型的系统开销.     

基于效用的Agent多动作选择承诺机制

研究以KARO为逻辑框架的多动作选择承诺,给出与其相关的效用函数计算方法。在引入模型状态迁移概念和相关函数、谓词后,对各种承诺建立和取消承诺的情况进行了形式化,详细给出了kripke型可能世界语义描述。丰富了KARO逻辑框架关于承诺的研究。使主体在合作时,可以充分考虑自己的情况,理性的作出选择,提高多主体间合作的协调性。     

扩展的微粒群算法

微粒间的作用方式是影响微粒群算法的关键因素.为克服微粒群算法的早熟问题,提出一种扩展的微粒群算法(EPSO).基于拟态物理学中的引斥力思想,重新构建微粒间的作用方式.通过微粒间适应值的比较定义微粒间作用的引斥力规则,使微粒在所有微粒对其产生的引斥力的合力方向上随机地移动寻找最优解.扩展的微粒群算法与相关算法进行比较,仿真结果表明:它能够有效提高微粒群算法的全局优化性能.     

整机与部件保修区间不一致的部件外包保修策略

生产商生产的装备产品整机和整机中由供应商提供的部件，两者保修区间不一致的问题，给生产商带来较高的维保费用，同时影响客户的使用。为了解决此问题，本文通过分析部件与整机两者保修区间不一致的几种情形，并考虑供应商的保修欺诈行为，在生产商与供应商之间制定了合适的部件外包保修服务策略。该策略以生产商的利润最大和供应商的效用最大为目标，通过求解双方的纳什均衡博弈模型，得到供应商的最优欺诈决策和生产商的最优检查决策。最后，通过理论分析和敏感性分析，讨论外包保修策略中的罚款和佣金率对最优解以及双方利润和效用的影响。     

基于声誉激励机制的多Agent分配任务的方法

在一个多Agent系统中,合理的分配任务成为Agent间高效协作的关键之一.提出一种基于Agent的声誉分配任务的方法,并给出Agent的声誉模型以及基于此声誉模型分配任务的具体方法.在充分竞争的多Agent系统中,声誉效应是多Agent系统中的重要激励机制.因此,基于Agent的声誉分配任务增加了Agent间协作的协调性.     

基于声誉和承诺度的寻找合作Agent的方法

在多Agent系统中,个体Agent的知识和问题求解能力是有限的,所以寻找合作Agent协作共同完成任务,成为问题求解的关键。利用承诺度值克服通信开销、资源浪费的问题,构造声誉模型解决Agent采用欺骗手段,故意提高承诺值,来获得对任务的执行权利。在依据声誉值作为是否合作的前提下,再考虑Agent的承诺度值,在多Agent系统中是一种较为理性的分配任务方法.