竞争环境下任务分配方法的研究

以博弈论和纳什均衡理论为基础,介绍了一种基于博弈论的竞争环境下的任务分配方法,提出了竞争环境下任务的分配模型框架,引入了Agent能力的概念,并给出了竞争环境下详细的任务竞争算法和资源竞买算法,最后通过实例获得了满意的结果,同时该实例也表明了本模型的合理性和算法的有效性.     

一种基于多智能体系统的边缘提取算法

提出了一种可行的多智能体系统实现架构,基于扩散梯度的边缘特征表示,将多智能体系统应用于边缘提取。算法根据个体智能体的简单机制,结合边缘位置的梯度外在表现,使每个智能体采用一定的策略进行边缘搜索,其中包括扩大范围、平移和位置突变。通过多智能体的共同努力,最终完成对边缘的提取。实验表明,该算法能够更为精确地搜索边缘位置,而且对噪声的影响不敏感。     

多智能体系统中的协商模型

目前,对多智能体系统的应用多是以开放的、复杂的、变化的网络为平台,为了更好地与环境相匹配,同对提高智能体之间协商的效率,从全局与单个智能体两方面着手,提出了一种新的MAS全局模型,并相应地提出了全局协调Agent的三维模型以及智能体之间的协商模型。通过这一系列模型的模拟实现,证明了此协商模型是正确的与接近自然的。从理论上基本上解决了与当前流行的基于网络的各种先进的智能系统,分布式问题求解等领域的衔接,因而有一定的指导意义并具有广阔的发展前景。     

一种基于多智能体的电力零售市场模型

使用多智能体技术,建立了一种电力零售市场的模型.该模型包括了4类市场成员智能体:电力交换公司智能体、发电公司智能体、电力零售商智能体和电力用户智能体.     

一种强调私密性的多智能体协商模型

提出一种更具私密性的多智能体协商模型；基于经济学边际效用的概念建立了基于市场交互机制的协商算法。每个智能体不需向市场智能体发送原料需求信息，只需发送对某种原料边际效用的符号信息；市场智能体作为中间人运行定价算法和分配算法对原料进行定价和分配。仿真结果表明本文方法与已有方法性能相近，但是协商过程不会泄露商业机密信息，更符合分布式智能体的私密性要求。     

多智能体系统分布式一致性算法研究现状

综述了多智能体系统分布式一致性问题的研究现状。从理论层面介绍了一致性问题的几种常见定义及与特性相关的主要参数;总结归纳了近年来几种一致性协议及其理论分析结果;分析和阐述了一致性问题的主要应用领域的进展。展望了未来的研究方向。     

一种多智能体系统一致性协议仿真系统的设计

介绍了一种对多智能体系统一致性协议进行快速仿真的软件系统,给出了该仿真系统的组成框架、工作流程、系统设计中的关键问题及处理方法.该仿真系统界面友好,采用Matlab软件语法描述一致性协议,用图形化方式输入系统邻接矩阵,以Matlab标准图形用多种形式展现仿真结果,用户易于掌握使用并能用该仿真系统快速开发一致性协议仿真方...     

钢铁工业过程多智能体系统研究

结合钢铁工业过程的特点，通过分析冶金过程工业智能控制的发展状况，提出了采用多Ａｇｅｎｔ技术，建立钢铁工业多智能体系统，从而实现钢铁工业的分布式智能控制，分析了系统建立的必要性和可行性，并给出了该系统的结构和实现方法。     

多Agent系统任务分配的研究

针对多Agent系统中存在的任务分配问题,提出一种任务与Agent之间多对多的分配模式,建立相应的任务分配模型,定义任务分配中的性能影响因子,并推导出进行任务分配优化的目标函数,通过一个实际案例,验证该方法的有效性。     

基于MAS市场机制的动态计算资源调度模型研究

针对动态计算网格资源调度问题,结合多Agent系统(multi agent syste,MAS)协同技术和市场竞价博弈机制,对计算网格资源分配技术进行了深入研究,提出了能够反映供求关系的基于市场经济的网格资源调度模型,该模型一方面能够充分利用消费者Agent的协商能力,另一方面能够充分考虑消费者的行为,使得消费者的资源申请和分配具有较高的合理性和有效性.同时,设计了消费者的效用函数,论证了资源分配博弈中Nash均衡点的存在性和惟一性以及Nash均衡解.基于所提资源调度模型,设计了一种网格资源调度算法.仿真实验表明,资源调度算法能够为消费者的资源数量提供参考,规范消费者竞价,从而使得整个资源的分配趋于合理.     

基于模拟退火遗传算法的多agent系统任务分配

针对标准的遗传算法在任务分配中收敛速度慢的问题,对多agent系统中的任务分配进行形式化描述的基础上,融合模拟退火算法的优化思想,提出了一种基于模拟退火遗传算法的任务分配方法,详细阐述了该算法的基本思想和关键步骤,并通过仿真实验进行验证。仿真实验结果表明,基于模拟退火遗传算法比标准的遗传算法具有更快的收敛速度和寻优效果。     

基于博弈论的多服务器多用户视频分析任务卸载算法

在过去的近10年中,人工智能相关的服务和应用大规模出现,它们要求高算力、高带宽和低时延.边缘计算目前被认为是这些应用最适合的计算模式,尤其是视频分析相关应用.研究多服务器多用户异构视频分析任务卸载问题,其中用户选择合适的边缘服务器,并将他们的原始视频数据上传至服务器进行视频分析.为了有效处理众多用户对有限网络资源的竞争和共享,并且能够获得稳定的网络资源分配局面,即每个用户不会单方面地改变自己的任务卸载决策,该多服务器多用户异构视频分析任务卸载问题被建模为一个多玩家的博弈问题.基于最小化整体时延的优化目标,先后研究非分布式视频分析场景和分布式视频分析场景两种情形,分别提出基于博弈论的潜在最优服务器选择算法和视频单元分配算法.通过严格的数学证明,两种情形下提出的算法均可以达到纳什均衡,同时保证较低的整体时延.最后,基于真实数据集的大量实验表明,所提方法比其他现有算法降低了平均26.3%的整体时延.     

基于双重拍卖的移动边缘计算任务卸载和资源分配策略

在移动边缘计算(mobile edge computing, MEC)系统中,用户的卸载策略会影响能耗和计算成本,进而影响用户效益.然而,目前多数研究未考虑边缘服务器随机分布场景中用户的卸载策略和资源请求策略对效益的影响.针对该问题,提出了一种基于改进双重拍卖算法的计算卸载和资源分配策略.首先,该策略将用户与边缘服务器之间的交互过程建模为Stackelberg博弈,并且证明了在该博弈内存在唯一纳什均衡点;其次,计算出用户对于不同服务器的卸载意愿以及计算资源请求量,并将用户与最优服务器进行拍卖;最后,采用遍历法交换上一轮拍卖中部分交易中的用户与服务器,以实现系统整体效益最优.仿真实验结果表明,与其他基准算法相比,所提算法在服务器随机分布场景下提高了33.4%的系统用户总效益,有效降低系统损失.     

基于Q—learning的一种多Agent系统结构模型

多Agent系统是近年来比较热门的一个研究领域,而Q-learning算法是强化学习算法中比较著名的算法,也是应用最广泛的一种强化学习算法。以单Agent强化学习Qlearning算法为基础,提出了一种新的学习协作算法,并根据此算法提出了一种新的多Agent系统体系结构模型,该结构的最大特点是提出了知识共享机制、团队结构思想和引入了服务商概念,最后通过仿真实验说明了该结构体系的优越性。     

基于DFS的多Agent动态任务分配算法

针对任务分配算法应用于不确定动态环境时存在的不足,研究具有动态模糊特性的任务环境,借助动态模糊集理论,给出相关的多Agent动态任务分配算法并进行实例测试。测试结果表明,该算法模型可以合理地模拟MAS系统中任务分配的运行过程,并获得最优的任务分配策略与良好的任务实现效果。     

一种新的经济网格计算任务调度控制模型

针对动态计算网格资源调度问题,基于多智能体协同技术和市场博弈机制,对计算网格资源分配技术进行了深入研究,提出了基于计算经济的网格资源调度模型,设计了消费者的效用函数,讨论了资源分配博弈中Nash 均衡解,设计了一种网格资源调度算法.仿真实验表明,资源调度算法能够为消费者的资源数量提供参考,规范消费者行为,从而使得整个资源的分配趋于合理,促进交易量.     

一般和博弈中的合作多agent学习

理性和收敛是多agent学习研究所追求的目标,在理性合作的多agent系统中提出利用Pareto占优解代替非合作的Nash平衡解进行学习,使agent更具理性,另一方面引入社会公约来启动和约束agent的推理,统一系统中所有agent的决策,从而保证学习的收敛性．利用2人栅格游戏对多种算法进行验证,成功率的比较说明了所提算法具有较好的学习性能．