基于管理Agent协作模型的研究

多Agent协作求解是分布式人工智能要研究的基本问题。该文基于管理agent概念提出一个新的协作模型，该模型利用管理Agent对多Agent系统进行全局协作分配，协作申请分级处理，解决了传统协作模型中存在的模型与应用领域有关和只适用于静态环境的问题。     

基于关系网模型的Agent联盟形成策略

从研究Agent社会合作机制入手,引入了一个表示Agent之间联系的社会关系网模型,并以该模型中的熟人集为基础提出了一种Agent联盟形成策略。该策略能有效地减少系统中的联盟数,避免联盟形成过程中的盲目性,节省协商时间并提高协商效率。     

多Agent系统的协作及强化学习算法研究

研究了多Agent环境下的协作与学习.对多Agent系统中的协作问题提出了协作模型MACM,该模型通过提供灵活协调机制支持多Agent之间的协作及协作过程中的学习.系统中的学习Agent采用分布式强化学习算法.该算法通过映射减少Q值表的存储空间,降低对系统资源的要求,同时能够保证收敛到最优解.     

基于管理Agent协作模型的研究

多Agent协作求解是分布式人工智能要研究的基本问题。该文基于管理agent概念提出一个新的协作模型,该模型利用管理Agent对多Agent系统进行全局协作分配,协作申请分级处理,解决了传统协作模型中存在的模型与应用领域有关和只适用于静态环境的问题。     

一种基于Agent网络的多Agent系统的协作组织方式

对分布式多Agent系统中的Agent组织方式,协作机制进行了讨论,提出了根据Agent间的物理位置和通信代价关系建立Agent网络,通过Agent网络模型,模仿计算机网络中的动态路由机制,进行Agent协作组织的方法.     

Agent联盟中的利益分配问题研究

开放、复杂、异构环境下多Agent之间的协作是目前多Agent系统研究的一个重要课题,也是多Agent系统应用于Intemet环境下所要解决的首要问题。现实中自利Agent之间的协作是利益驱动的,是一个典型的讨价还价问题。作者运用K—S解法解决了Agent联盟中各Agent利益分配问题,从而保证了Agent联盟的稳定性。     

Agent协作求解中形成联盟的行为策略

ＭＡＳ中ａｇｅｎｔ结成求解联盟可以提高求解效率，但已有策略不能保证达到全局优化解和联盟稳定性。本文提出一种联盟形成的行为规范策略，在具有次加性的面向任务的领域中可以达到全局优化解，并保持稳定。本文还讨论了联盟形成机制的特性，并论述了文中所提出的行为规范策略在一定下具备这些特性。     

基于强化学习的多Agent协作研究

强化学习为多Agent之间的协作提供了鲁棒的学习方法．本文首先介绍了强化学习的原理和组成要素，其次描述了多Agent马尔可夫决策过程MMDP，并给出了Agent强化学习模型．在此基础上，对多Agent协作过程中存在的两种强化学习方式：IL(独立学习)和JAL(联合动作学习)进行了比较．最后分析了在有多个最优策略存在的情况下，协作多Agent系统常用的几种协调机制．     

基于量子计算的多Agent协作学习算法

针对多Agent协作强化学习中存在的行为和状态维数灾问题,以及行为选择上存在多个均衡解,为了收敛到最佳均衡解需要搜索策略空间和协调策略选择问题,提出了一种新颖的基于量子理论的多Agent协作学习算法。新算法借签了量子计算理论,将多Agent的行为和状态空间通过量子叠加态表示,利用量子纠缠态来协调策略选择,利用概率振幅表示行为选择概率,并用量子搜索算法来加速多Agent的学习。相应的仿真实验结果显示新算法的有效性。     

多Agent系统中的联盟形成

1.引言自1993年文[1.4,8]提出联盟方法以来,已取得了一定的进展。通过联盟可以提高Agent求解问题的能力,获得更多的报酬,因而联盟是多Agent系统(MAS)的重要合作方法。下面先给出问题的描述,然后论及联盟的形成过程。设agent集N={A_1,A_2,…,A_n},资源集Q={(q_1,q_2,…,q_n)},其中q_i=(q_i~1,q_i~2,…,q_i~(ki)),q_i~j表示A_i第j种资源的数量;任务集T={T_1,T_2,…,T_n},其中T_i={t_i~1,t_i~2,…,t_i~(mi)}是A_i的任务集,t_i~j是A_i的第j个任务,对每一个任务有对应的资源需求说明;每一个Agent开始都持有一定的资源。     

基于多Agent的个性化协作学习系统研究与实现

远程教育技术的高速发展为远程学习者提供了极大的便利,使得学生可以在任何时候任何地点学习适合自己的内容。然而远程学习者地理上的分散性,也不可避免地产生了大量的孤独学习者。因此怎样提供一种有效的方法,将具有相同兴趣的学生组织到一起,并帮助他们在学习过程中能够共同分享学习经验、交流学习资料,已逐渐成为革新E—Learning技术中的一个研究热点。该文构建了一个基于多Agent机制的个性化协作学习系统,并提出了一种新颖的打分／交换的用户动态聚类算法,从学生的资源请求中发现学生兴趣,并有效地将具有相同兴趣的学生自动组成学习社区。实验证明,该算法具有较高的效率和良好的可扩展性。     

基于Web的多媒体协同教学系统的设计与实现

结合现代教育理论,以CSCL（Computer Supported Collaborative Learming)模型为基础,引入了WBCL（Web Based Collaborative Learming)的概念,并依据CSCW设计理论和技术标准,提出了一个符合WBCL模式的、有效的远程师生交互、协同的虚拟教学环境模型一“虚拟教室”。该系统模型为身处异地的师生提供了一个基于Web的交互式协同教学环境,并在“虚拟教室”模型的基础上实现了一个基于Web的多点语音支持的多媒体师生交流系统。     

基于网络的协同学习系统研究

本文基于计算机支持的协同工作出发,研究了教育网络协同学习系统设计的理论基础、系统构成原型及特点就师生地位的变化及技术的实现等方面作一些系统的研究,最后提出目前存在和需要改进的一些问题。     

基于讨价还价的重叠联盟效用划分策略

重叠联盟效用划分是重叠联盟形成(OCF)中的一个难点问题.文中首先分析OCF中可能的资源冲突现象,推演OCF模型的若干性质,并在此基础上,采用讨价还价策略分派多任务,基于效用非减原则划分重叠联盟效用.最后通过实例分析验证文中方法的有效性.     

强化学习对信息融合系统的改进

通过分析和研究强化学习的结构和算法,将其引入到信息融合系统中,提出了基于强化学习的信息融合系统,并讨论了它的应用和发展。通过对多智能技术的借鉴,使信息融合系统有进一步的发展。     

Collaborative information filtering in cooperative communities

Abstract Recently, large amounts of on-line information broadcast from private persons/corporations are available via the Internet. In particular, there are large amounts of on-line resources useful for learning which are currently underutilised due to the sheer volume of information available. The purpose of the study reported in this paper is to develop an information filtering system, which gathers, classifies, stores various kinds of information found on the Internet. The approach taken has been to create filters through the collaboration of members of a community. In this paper, a representation of personal interests and its acquisition method in the system are described.     

支持进化的协同设计系统研究及实现

提出了一个支持进化的协同设计框架系统clientAgentDcsign1.0,将进化技术和协同技术结合到一起用于新产品的开发。系统利用改进后的遗传算法实现进化设计,多Agcnt则为协同环境提供框架支持。以此系统为基础,以Vc 6．0及实体造型引擎ACIS为工具开发了一个用于建筑设计的协同创新平台HouseDev。     

一种基于分布式强化学习的多智能体协调方法

多智能体系统研究的重点在于使功能独立的智能体通过协商、协调和协作,完成复杂的控制任务或解决复杂的问题。通过对分布式强化学习算法的研究和分析,提出了一种多智能体协调方法,协调级将复杂的系统任务进行分解,协调智能体利用中央强化学习进行子任务的分配,行为级中的任务智能体接受各自的子任务,利用独立强化学习分别选择有效的行为,协作完成系统任务。通过在Robot Soccer仿真比赛中的应用和实验,说明了基于分布式强化学习的多智能体协调方法的效果优于传统的强化学习。     

基于忠诚度的多智能体联盟效用分配策略

为增强多智能体系统中联盟成员效用划分的合理性,促使agent形成稳定的全局最优联盟,提出了一种基于忠诚度的多智能体联盟效用分配策略。新策略引入agent忠诚度的概念,根据agent每次参与联盟后是否服务到任务结束来对agent忠诚度进行评价,从而表示各agent的忠诚度大小,将忠诚度与各agent完成任务的能力相结合,共同决定联盟内各agent效用如何划分。理论分析和实验表明,新策略提高了对联盟效用分配的合理性,较好地满足了联盟形成机制的全局最优性、强稳定性、时效性、简单性等要求。     

基于学习者个性因素的多Agent协同学习系统

未解决当前的远程教育系统存在形式单一和被动教学等问题,该文提出了一个基于学习者个性因素的多Agent学习系统模型。该模型结合智能代理技术,通过分析学习者个性因素,给出了个体Agent能力描述语言,提出了新的个性化分组策略和学习任务分配策略,采用补偿机制鼓励agent合作,结合状态空间搜索理论使M AS系统具有更强的解题能力,并可满足学习者主动学习的要求,还能在一定程度上节约系统的通讯。