一种新的动态Agent联盟形成机制

动态Agent联盟的形成机制是当前MAS研究的一个重要方向.为了克服目前Agent联盟形成机制存在的Agent利用率不高等缺陷,本文提出了一种基于"二次招/投标"和NOAH规划的动态Agent联盟形成机制.该机制采用"二次招/投标"法形成动态联盟,采用NOAH规划进行任务规划和分解,能够在满足子任务时间约束的条件下,充分发挥Agent的并行执行能力;并使得Agent能够动态加入和退出联盟,从而提高了Agent的利用率,保证了自利Agent自身利益的最大化.最后通过一个典型的实例验证了其有效性.     

面向复杂任务结构的Agent联盟算法

Agent联盟形成是多Agent系统的一个基本操作.多个Agent往往需要形成联盟来协作完成任务或者提高联盟体的能力.现有的Agent联盟算法并不考虑任务内部的结构.本文则考虑一类具有复杂内部结构的任务.任务由一组子任务构成,子任务之间存在着逻辑依赖关系,并且以BPMN的流程形式描述.本文还在此基础上加入了对相邻子任务之间的转移成本的考虑.并且本文提出了一种基于动态规划的多项式时间算法来解决此类加入了逻辑依赖关系和转移成本因素的Agent联盟问题.     

多Agent对抗环境下联盟形成的信任模型

提出了一种用于多Agent对抗环境下联盟形成的信任模型CORE,模型从能力和名誉两个方面来描述Agent的信任度,用能力向量空间中的距离公式来度量Agent胜任具体任务的能力大小,用隶属度函数来描述Agent的名誉。任务开始时,模型按信任度大小选取合适的Agent形成联盟,任务中Agent能力动态增长,名誉动态变化,任务结束后,模型根据联盟中Agent的表现情况计算新的信任度,作为下一个任务来临时联盟形成的依据。最后,在NetLogo平台上模拟实现了该模型。     

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。     

群体随机运动下可信联盟的约束演化方程及其概率计算

联盟合作是自组织网络中一个热点研究领域,Agent间的信息具有不确定性、不完全性和局部性等特征,个体Agent节点出于风险的考虑会在不同的联盟间迁移,因此在联盟的演化研究中需要融入信任因素.文中研究群体随机运动环境下可信联盟的演化机制,从微观和宏观上对个体Agent运动行为和联盟规模结构进行分析,将基于历史交互的信任信息融入演化过程中,提出演化规则,界定了演化稳定性的标准.从微分动力系统的视角建立约束演化方程并通过概率计算对方程进行转化求解,分析了演化计算的复杂性,并进一步分析了Agent异构性和局部信息感知对联盟演化的影响.最后通过模拟实验对演化进行讨论,并从信息论角度对联盟的有序性进行分析,讨论信任对演化过程的影响,刻画了群体随机活动中可信联盟的构建与演化过程.     

一种快速构建最优联盟结构的方法

联盟结构是对Agent集合的一个划分,通过联盟形成联盟结构,可以使Agent之间形成有效的合作,完成单个Agent所不能完成的任务。然而联盟结构的数目和解空间比较大,以至于通过穷举搜索最优联盟结构是很复杂的。动态规划法通常用于求解具有最优子结构性质和重叠子问题性质的问题,文章在给出了Agent联盟的相关概念之后,论证了构造最优联盟结构问题恰恰具有这两类性质,因此利用动态规划法可以求解。最后给出了相应的算法,并得出采用动态规划法实现最优联盟结构的时间复杂度为O(3n)。     

社会Agent的BDO模型

目前MAS中思维状态的研究趋势是在个体模型中加入社会思维属性,研究社会承诺、依赖、联合意图的推理关系。在BDI模型中,以意图为中心的观点不描述社会Agent。该文分析了以竭力为中心的Agent思维状态研究存在的问题,提出MAS的分层模型,并提出以信念、愿望和义务作为基本思维属性（简称BDO）来描述Agent的思维状态和社会属性,给出了BDO逻辑和语义模型,考虑了奖励、惩罚、承诺和承诺解除问题,并对队、组织、组织意图等现象给出了描述。该文力图更自然地描述社会性Agent的思维状态和群体概念,是对Rao和Georgeff提出的BDI模型的改进。最后通过一个例子说明了BDO的表达能力。进一步的工作包括建立更为完善的语义模型、结合各个思维属性的动态修正语义给出BDO Agent的动态模型以及给出基于BDO逻辑框架的Agent／MAS实现结构。     

基于时序活动逻辑的复杂系统多Agent动态协作模型

动态复杂问题求解是人工智能和复杂自适应系统理论与应用重要研究领域,多Agent动态协作是研究热点和难点之一,如何将问题与任务切分有待进一步地研究.借鉴组织学思想将自适应系统中的自主运行单元抽象为Agent,把复杂自适应系统视为多Agent系统组织,从时间和状态角度对复杂动态系统的行为进行描述,提出了基于时序活动逻辑的多Agent系统动态协作任务求解自适应机制和构造模型,建立了用于协作推理的语义规则、授权规则和行为规则,通过在中国科学院智能信息处理重点实验室开发的MAGE等平台上多方实验和仿真测试,验证了方法的可行性和有效性.     

基于Markov链的ERIM系统智能体协作研究

从系统角度出发在对ERIM(企业风险集成管理)系统各要素进行扼要分析的基础上,引入人工智能(Agent)理论将系统的各个要素看作是许多依据状态进行分类的不同的单一Agent的集合,给出了三种这些Agent之间的协作方式;运用Markov链来描述这些单一Agent之间的动态变迁的协作机制,依据Bayes法则确定转移概率,由此可为ERIM的多智能体系统提供一个形式化的数学框架和处理工具。     

基于政策的多主体协作维护机制

以维护多Agent的协作进程的顺利进行为目标,克服传统多Agent协作维护研究中,通用性和易管理性的不足,提出以动态约束和调整系统行为的政策为手段的,基于政策的多Agent协作维护机制。首先给出政策的描述方法和规范,然后阐述了由联合政策遵从模型和政策遵从机制构成的多主体协作维护机制,最后给出了基于政策的协作异常处理实现结构和方法。     

用遗传算法实现多智能体联盟的形成

在多Agent系统中，当单个Agent不能或不能有效完成特定的任务时，任务就必需分配给一组Agent，即Agent将形成联盟。本文将讨论Agent联盟的形成，并将遗传算法应用于Agent联盟形成中，希望可以快速、高效地找出合适的Agent联盟。     

多智能体联盟形成算法的探讨与研究

Agents联盟形成是分布人工智能DAI中一种重要的协作方法.本文简要分析了Agents联盟的结构、形式以及联盟结构问题的数学模型.对于可分解的任务,且子任务之间没有优先关系,Agents要形成多个联盟(联盟结构),文中研究了基于遗传算法的联盟结构形成算法,并对这种算法的并行化作了探讨.     

一种多agent网络中的分布式联盟形成算法

针对多agent系统的具体网络结构,提出一种分布式联盟形成算法。首先,每个agent向自己邻居任务中“信价比”最高的任务提出加入申请,形成潜在联盟;当联盟资源大于对应任务的资源需求时,使相应agent退出当前联盟,转而选择“信价比”次高的任务,从而提高联盟形成的可能性。仿真实验结果表明,与其他方法相比,所提出的算法能大幅提高系统效率和收益。     

Feasible Formation of Coalitions Among Autonomous Agents in Nonsuperadditive Environments

Cooperating and sharing resources by creating coalitions of agents are important ways for autonomous agents to execute tasks and to maximize payoff. Such coalitions will form only if each member of a coalition gains more by joining the coalition than it could gain otherwise. There are several ways of creating such coalitions and dividing the joint payoff among the members. In this paper we present algorithms for coalition formation and payoff distribution in nonsuperadditive environments. We focus on a low-complexity kernel-oriented coalition formation algorithm. The properties of this algorithm were examined via simulations. These have shown that the model increases the benefits of the agents within a reasonable time period, and more coalition formations provide more benefits to the agents.
     

复杂任务的Agent联盟算法

目前大部分Agent联盟问题的研究在考虑任务分配时,通常认为任务之间是孤立的,任务与任务之间不存在任何联系。本文认为在Agent联盟问题中各个子任务之间具有复杂的逻辑依赖关系,这种逻辑依赖关系不仅使得子任务在完成次序上有先后之分,而且也使相邻任务之间在协作过程中产生了转移成本。基于这种背景,本文给出了一种基于图论思想的算法来解决在该环境中的Agent联盟问题,讨论了在规范化的逻辑依赖关系下如何将最优联盟成本转化为求解图的最短路径问题,并且分析了算法的时间复杂度,最后的实验结果表明,算法具有良好的运行性能。     

基于强化学习的多任务联盟并行形成策略

Agent coalition is an important manner of agents' coordination and cooperation. Forming a coalition, agents can enhance their ability to solve problems and obtain more utilities. In this paper, a novel multi-task coalition parallel formation strategy is presented, and the conclusion that the process of multi-task coalition formation is a Markov decision process is testified theoretically. Moreover, reinforcement learning is used to solve agents' behavior strategy, and the process of multi-task coalition parallel formation is described. In multi-task oriented domains, the strategy can effectively and parallel form multi-task coalitions.     

基于模糊评判的Agent联盟效用分配

多个Agent同时形成任务求解联盟时,联盟效用的分配是一个棘手的问题。已有的平均分配和基于能力大小的分配策略都没有反映出Agent对联盟贡献的差异性,不利于联盟的形成和完成任务的绩效。提出了一种基于模糊评判的联盟效用分配方法。首先模糊评价Agent的各维能力贡献率,然后综合计算出整体贡献因子,并据此完成联盟效用的合理分配,最后通过实例分析说明了此方法的有效性。     

一种AGENT任务求解联盟形成策略

Agent联盟是一组平等的、协作的、共同承担任务的Agent的集合．联盟的形成往往需要较大的通信开销和计算工作量．本文提出一种Agent形成联盟的策略，该策略在系统运行的初始阶段，保证任务分配的优化解．而在随后的运行中基于成功合作者集形成Agent联盟．该策略保证在接近任务分配优化解的情况下，有效减少系统中的可能联盟数以及联盟形成过程中的通信开销和计算量，避免联盟形成过程中的盲目性，节省协商时间提高协商效率．     

一种基于P学习的分布式并行多任务分配算法

并行多任务分配是多agent系统中极具挑战性的课题, 主要面向资源分配、灾害应急管理等应用需求, 研究如何把一组待求解任务分配给相应的agent联盟去执行. 本文提出了一种基于自组织、自学习agent的分布式并行多任务分配算法, 该算法引入P学习设计了单agent寻找任务的学习模型, 并给出了agent之间通信和协商策略. 对比实验说明该算法不仅能快速寻找到每个任务的求解联盟, 而且能明确给出联盟中各agent成员的实际资源承担量, 从而可以为实际的控制和决策任务提供有价值的参考依据.