基于神经网络的Agent电子商务协商模型

提出一个在电子商务中能辅助用户网上采购的智能Agent协商模型,并对模型进行仿真实验,以验证模型的有效性。模型的构造基于BP神经网络,通过对用户的购物偏好训练学习,使Agent获得一组包含用户偏好特征的规则信息并作为协商过程中推理的依据;每次协商的结果都作为学习样本,以提高Agent对市场变化的适应能力。     

一种开放混合MAS的结构及其协商机制

根据开放混合MAS的特点，提议了一个形式化的结构模型；在此基础上，引入了递归、即插件、系统涨落等思想，采用扩展的形式化描述语言Z a给出了该开放混合MAS的形式化定义；提出了开放混合MAS的合同网方式的协商机制以及针对不同情况的冲突消解策略。     

基于资源的协商模型的关键策略研究与实现

基于资源的多议题MAS协商模型的提出是为了满足当前电子商务系统发展的要求的。基于“资源”体现了这种需求。文中给出了基于资源的协商过程中关键的算法和详细处理流程,从多议题、基于经验协商、决策支持和算法流程具体化、形式化方面作了深入研究。并且通过模拟系统实现了算法的功能,实验结果证明该协商模型是可行的。     

基于神经网络互学习模型的密钥协商协议

两个同输入神经网络的权值向量通过互相学习不断更新,最终可达到权值同步状态.神经网络互学习的权值同步现象具备在公开信道上秘密协商会话密钥的密码学特性.在分析和优化权值同步模型的基础上,构建安全互学习模型并通过大量仿真实验证实模型的可行性,最后给出密钥协商协议的设计方案.     

基于整合效用的多议题协商优化

在限时条件下的Agent之间的多议题协商中,最差的结果是没有达成协定.由于某一个议题没有达到平衡点而使得整个协商失败是影响协商效用的一个重要因素.给出了一个多议题整合效用评估机制,利用多议题整合效用中各议题因子之间的相关性进行保留值向量的等效置换,优化协商效用评估,在保证协商参与者整体协商效用的前提下动态放宽某个议题的保留值,促使协商双方避免协商僵局,快速达成一致的协定.实验数据表明,该机制有效地解决了协商僵局问题,提高了协商的成功率.     

协商Agent的历史学习算法研究

文章以买方Agent的观点对交易平台上获得的对方Agent历史协商信息进行分析,并根据其特点做初步过滤。在此基础上,该文针对现有协商模型中存在的问题,提出了一个Agent协商历史学习算法,并实验说明了其可行性。该算法可用于Agent协商前初始信念的创建,对Agent在协商中策略的选择、执行具有指导作用。     

基于Bayesian学习的适应性优化协商模型

在复杂的自动协商环境中,设计能够处理不完全信息和动态情形的协商agent有效学习机制正成为具有挑战性的议题.提出了一种基于Bayesian学习的时间依赖的双边多议题协商优化模型(BLMSEAN).通过只观察对手的历史报价,将Bayesian学习和基于混合策略的演化算法相结合,所提模型使得协商agent能够对于对手协商参数的概率分布有更精确的估计(如期限、保留报价和议题权重等),能够适应性地调整让步策略使协商双方都受益,提高了协商的成功率和效用.通过实验可以显示所提的模型学习对手私有信息和适应性调整让步策略的有效性.     

基于神经网络的非线性学习控制研究

本文将多层前向传递神经网络应用于非线性系统控制,通过对神经网络的训练,实现非线性系统的状态反馈控制。本文还介绍了用神经网络控制一类非线性系统的学习控制算法,该算法对对象的数学模型依赖程度较低,为非线性系统的学习控制提供了一种有效的研究方法。另外还给出了该算法应用于几个不同非线性对象的学习控制仿真结果。     

基于不妥协度的Bayes学习协商机制

如何高效地使用Agent学习机制进行在线协商,已经成为经济学家和计算机学者共同研讨的一个主要方向。,为了当协商进入僵持状态时参与协商的买卖双方能确定是否进行妥协,从而使协商继续进行下去,本文在限时条件下的多议题协商中和贝叶斯学习的基础上提出了基于不妥协度的协商策略。实验表明在协商过程中进行学习可以提高对方私有信息的预测精确度,缩短了协商时间,提高了协商效率。     

基于多Agent系统的自动协商机制及通用协商框架

自动协商是多Agent系统实现协作的关键环节。目前,对协商模型的研究大部分是在特定的应用系统中针对具体协商背景进行研究,协商模型的通用性较差。本文分析了多Agent系统协商机制的三个方面:Agent通信语言、通信方式和交互协议。在此基础上,给出了基于多Agent的通用协商框架GNF,该协商框架包括抽象协商过程、协商规则分类和协商协议。最后,给出了一个基于通用协商框架GNF的原型系统——采用Jess规则引擎实现的多Agent的商品交易系统。     

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。     

一种基于PVM的并行BP神经网络

通过分析单计算机的BP神经网络学习和执行算法,提出了使用PVM构造多计算机的并行神经网络。该并行神经网络的实现灵活应用于高可靠性和大规模数据的分析和处理中,同时,该BP神经网络的并行设计与实现,可广泛应用于其他神经网络模型的并行计算机实现。     

基于机器学习的自动协商决策模型

所提出的模型利用协商历史中隐含的信息自动对数据进行标注以形成训练样本,用最小二乘支持向量回归机学习此样本得到对手效用函数的估计,然后结合自己和对手的效用函数构成一个约束优化问题,用遗传算法求解此优化问题,得到的最优解就是己方的反建议.实验结果表明,在信息保密和没有先验知识的条件下,此模型仍然表现出较高的效率和效用.     

多Agent专家系统安全性设计与研究

针对多Agent专家系统面临的安全威胁,提出了单个Agent的安全体系结构及多Agent专家系统安全架构模型。利用容器砂箱模型,实现了多Agent专家系统基于角色的访问控制。讨论了PKI在多Agent专家系统中的实际应用,在此基础上,研究了多Agent专家系统身份验证、安全通信、安全管理、安全审计及安全恢复机制。应用开发实践表明,系统具有资源占用少、安全性高、稳定性好以及可伸缩性强等优点,可应用于企业网智能安全管理、电子商务等领域。     

基于多Agent技术的DDSS研究

通过DDSS与多Agent系统的比较 ,指出可将多Agent系统的思想融入DDSS的研究中。对DDSS进行分析 ,指出基于多Agent技术的DDSS需要解决的几个关键问题 ,最后给出一个应用实例     

基于PSO的BP神经网络学习算法

针对标准反向传播(BP)算法收敛速度慢和易陷入局部极值等缺陷,提出一种基于粒子群优化的BP神经网络学习算法。采用标准BP梯度下降法调整权值,利用粒子群优化算法进行网络权值及阈值的修正。将该算法与标准BP算法及传统基于粒子群优化BP网络算法进行仿真比较。实验结果表明,该算法能够克服标准BP算法的缺点,性能优于其他2个BP网络优化模型。     

基于嵌套网的JADE建模

良好的形式化建模方法是大规模开发和应用多Agent系统(MAS)的必要条件之一,使用多层的嵌套网对JADE进行层次化建模,给出面向对象的MAS与NP-nets之间的对照关系。指出通过引入层次结构,不仅能有效地控制状态空间的规模,而且能通过网托肯的嵌套方式克服Petri网结构演化的困难。     

基于JADE平台的Multi-Agent协商的设计与实现

Multi—Agent协商是目前研究的一个热点,而从底层开发出一个Multi—Agent协商系统是非常复杂和困难的。该文在研究JADE仿真平台技术的基础上,对基于JADE仿真平台的Multi—Agent协商进行了设计与实现,为研究Multi—Agent协商有着重要的意义。     

基于JADE平台的Multi-Agent协商的设计与实现

Multi-Agent协商是目前研究的一个热点,而从底层开发出一个Multi-Agent协商系统是非常复杂和困难的。该文在研究JADE仿真平台技术的基础上,对基于JADE仿真平台的Multi-Agent协商进行了设计与实现,为研究Multi-Agent协商有着重要的意义。     

基于MAS的城市交通信号小区域控制

城市交通问题已经成为困扰城市发展重要因素之一,而原有交通模式下的控制系统已经形成城市发展中木桶理论的“短板效应”。提出基于多智能体技术建立一个小区域的信号控制系统,利用对策论和社会经验进行各TSCA间的协调,并通过仿真实验利用平均延误时间、车流总通过量作为评价指标,验证了控制方法的可行性。