多Agent多阶段一对多协商模型

为解决多Agent一对多、多议题协商问题,提出了具有议题属性协商阶段的多阶段协商模型,设计了一种根据Agent让步幅度变化所形成的曲线来判定Agent类型和使用何种协商方法的协商策略.详细地分析了多Agent、多阶段一对多协商的协商过程.将三角模糊数多属性决策方法引入到多Agent协商过程中降低了决策者评估对方所提出方案的难度,能更自然地对不同方案的优劣进行排序.模拟算例表明,该模型有效且可行,为多Agent协商提供可参考的模型和求解算法.     

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Agent协商的服务流程定制

针对复杂业务需求,提出了基于多Agent协商的服务流程定制模型、算法和系统．首先介绍了该模型及其支持系统的框架以及服务Agent的结构和工作原理;然后在将业务需求满足定义为分布式柔性约束满足问题的基础上,提出了基于多Agent协商的求解算法并介绍了一个应用案例;最后,给出了一个原型系统．该模型和系统能够对复杂的业务需求进行建模和求解,从而寻找到合适的服务,满足了服务流程定制的需要．     

一种劝说式多Agent多议题协商方法

多Agent系统中的协商问题往往由许多议题组成,导致问题空间十分庞大．传统的协商方法通过对问题空间进行穷尽搜索来找到最优解,并不适合多议题协商．而且,传统的方法不考虑协商偏好变化的情况,使得Agent在不完全及不正确环境下找到的最优解并不合理．提出一种劝说式多Agent多议题协商方法．借助信念修正这一有效的推理工具,协商Agent能够在协商过程中接受协商对手的劝说,考虑对手对协商议题的偏好,并根据一种基于辩论的信念修正方法调整自身的偏好．这样就能够使协商Agent对变化的协商环境具备适应性,从而提高协商的效率及正确率,快速准确地达成协议．     

基于对手案例学习的多议题协商决策模型

为了解决多Agent系统(MAS)协商双方在信息对称情况下的自动协商问题,提出了一种用基于支持向量机算法的间接学习对手协商态度的协商方法,提出了不完全信息条件下基于案例和对策论的Agent多议题Pareto最优协商模型,通过支持向量机的方法来学习协商轨迹,得到协商对手在每个协商项的态度,然后利用学习得到的对手协商态度,构造了一个协商的决策模型,此模型能同时基于对手的态度和自身的偏好来做出协商决策。最后通过实验验证了该方法的先进性。     

基于多Agent的合作伙伴选择协商模型

为提高合作伙伴选择的效率和质量,将具有自治性的软件Agent应用于合作伙伴选择系统,提出了基于多Agent的合作伙伴选择系统的框架。定义了Agent的结构,确定了Agent间交互作用的方式,包括协商目标、协商协议和推理模型。     

基于SOA的多Agent协商服务及其应用

在简述一种融合了面向服务架构和多Agent协商系统特点的新的协商模型——基于面向服务架构的多Agent协商模型的基础上,设计了该协商模型的多Agent协商服务端,阐述了Agent中协商推理机在协商中的基本过程。面向服务架构的协商服务端与协商Agent管理平台组合起来,搭建起支持开放环境并开展协商的软件应用环境,实现了基于面向服务架构的多Agent协商模型在电子商务中的 应用。     

多议题协商服务平台的研究与实现

基于面向服务架构(SOA)的多Agent多议题协商模型融合了面向服务架构和多Agent多议题协商系统的特点.在协商服务平台中应用本体的基本概念和相关技术来定义协商的提议和议题,可实现协商议题的个性化和按需变化的动态性,提高了协商Agent的能力、效率和协商的有效性,让协商不再局限于某些特定协商对象.     

多Agent的自动协商

协商是多Agent系统实现协调、协作和冲突消解的关键环节。如何构造有效的协商模型来提高Agent的协商能力，是多Agent系统研究中待解决的问题之一。文章主要讨论了双边多项目协商问题，提出了相应的协商模型、协议和协商算法，具有一定的通用性。     

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．     

Modified Even-Swaps: A novel,clear, rational and an easy-to-use mechanism for multi-issue negotiation

“Even-Swaps” is a well-known and easy-to-use trade-off methodology which provides several useful features to decision makers. It allows them to find the difference among alternatives in terms of any issue under consideration. In a typical negotiation environment, allocating these differences in terms of a bargainable issue can help the negotiators to clarify the agreement area for each alternative. This allocation can contribute to make bargaining decisions more rationally. However, this feature could not be used in the original version of the Even-Swaps method because of its rigid structure that tries to reveal only the best alternative. The original Even-Swaps method also provides several hypothetical questions to decision makers while performing issue trade-offs. It is believed that the original Even-Swaps method can be improved upon (adapted) by forwarding the hypothetical questions to sellers and by developing a modified/flexible structure which considers all bargainable alternatives. With these modifications are successfully realized, an agent can generate counter offers and interact with sellers for bargaining by means of an appropriate automated-negotiation mechanism. The development of an automated & multi-issue negotiation-mechanism for bargaining also presents unique opportunities for the re-evolution of consumers into customers while contributing to the buyer–seller interactions. In this study, we present a novel multi-issue negotiation mechanism which adapts a modified Even-Swaps method that finds the differences among alternatives and makes use of those differences to assess the value of multi-issue offers. It uses a fuzzy inference system for bargaining on several issues simultaneously. In order to accomplish the steps of the proposed mechanism, a supplementary semi-automated decision-aid tool, so called: “Modified Even-Swaps Agent (MESA)” is developed. A real case-study is presented step by step in order to demonstrate how the proposed mechanism works.     

一种具有自主学习能力的并发协商模型

提出一种具有自主学习能力的并发协商模型,通过使用增强学习方法的Q学习算法生成协商提议,使用相似度方法评价提议,使得Agent能够在半竞争、信息不完全和不确定以及存在最大协商时间的情况下,更为有效地完成多议题多Agent并发协商。     

Development of a framework for customer co-creation in NPD through multi-issue negotiation with issue trade-offs

In complex product design environments, new product development (NPD) becomes all about trade-offs and therefore trade-off management gets an important responsibility for designers. Correspondingly, in these environments, customer co-creation in NPD requires multi-issue negotiation with issue trade-offs. However, there is no study researching customer co-creation in NPD through multi-issue negotiation with issue trade-offs according to our best knowledge. This study presents a framework for customer co-creation in NPD through a multi-issue negotiation mechanism, namely; Modified Even-Swaps, to fill this gap. This mechanism uses a modified version of Even-Swaps method, that finds differences among alternatives and utilizes the differences for assessing the value of multi-issue offers, and that includes a fuzzy-inference-system for bargaining on several issues simultaneously. In the proposed framework, customers are represented by “lead-user”. Thus, negotiation is performed between lead-user and designer. In order to show how the framework works, an illustrative example is also presented.     

协商僵局的消解策略研究

针对多议题协商中的僵局问题,提出了一个基于议题权值的优化策略。利用学习机制预测对手议题权值,并考虑多议题协商中各议题之间的相关性,在保证协商参与者利益的前提下,根据议题的权值,有针对性地调整议题预保留值的取值,从而能够打破僵局,并快速消解协商僵局,促使协商双方得到合理协商解,使得协商效率大大提高。     

多Agent系统中双边多指标自动协商的ACEA算法

自动协商是多Agent系统中的一个中心议题,它是在Agent间建立一种合作合约,多数情况下这种合约包含多个协商指标,而多指标的协商比单一指标的协商要复杂得多·因此,如何快速、高效地进行Agent间的多指标自动协商是多Agent系统中必须解决的一个问题·给出了一个Agent间多指标协商的模型(MN),并在此基础上提出了双边—多指标协商的一种加速混沌进化算法(ACEA)·ACEA算法首先将混沌机制引入进化计算,然后采用压缩技术对算法进行加速,这样既克服了进化计算过早收敛到局部Nash平衡点的缺点,又解决了多指标协商繁杂的计算和引入混沌后带来的收敛速度慢的问题·理论分析和仿真实验表明,ACEA算法以概率1收敛到全局最优解·     

一个基于Agent的轿车市场自动协商模型

该文提出了一个针对轿车市场中交易协商的双边多议题自动协商模型，该模型具有如下特点：用基于效用的相似度比较法实现Agent智能搜索；模型采用学习机制包括历史学习和Q-学习，历史学习机制用于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。Q-学习机制用于生成协商提议，使得Agent能够在半竞争、信息不完全和不确定以及存在最大协商时间的情况下，更为有效地完成多议题协商。     

一种基于相似度方法的并发协商策略

多Agent协商是目前人工智能、电子商务等领域研究的热点问题。在电子商务活动中为了达到更好的效果,获得更多的利益,买方希望与多个卖方进行并发协商(与多个卖方同时进行协商),从中选择最佳的交易解决方案,这种需求广泛存在。本文利用相似度方法(similarity criteria)发展和评价了一种双边多议题多Agent并发协商策略,一方面使用相似度函数来计算对手的偏好类型,从而选择相应的协商策略;另一方面协商一方采用该策略后能够使得双方达成一致的可能性最大并且收益最大,从而使得一个Agent能够在半竞争、信息不完全和不确定以及存在最大协商时间的情况下,更为有效地完成多Agent并发协商。     

基于多Agent协商的虚拟企业伙伴选择方法

伙伴选择是虚拟企业建立过程中的核心问题,分析了虚拟企业的特点、虚拟企业环境下协商问题的特点,提出了一个适合于虚拟企业环境的多Agent协商模型。该模型支持多Agent多议题的多轮谈判,并将Agent类型引入到协商中来,作为指导协商Agent提议的一个重要因素。在不完全信息的条件下,应用贝叶斯学习的方法,更新既有信息,并通过分析对方Agent的历史提议序列,推测其类型,来指导自身的提议策略和战术,使自己的提议更具有针对性,避免了盲目性,从而节约协商时间,提高了协商的效率,使得盟主企业能在尽短的时间里寻找到理想的合作伙伴。     

An agenda-based framework for multi-issue negotiation

This paper presents a new model for multi-issue negotiation under time constraints in an incomplete information setting. The issues to be bargained over can be associated with a single good/service or multiple goods/services. In our agenda-based model, the order in which issues are bargained over and agreements are reached is determined endogenously, as part of the bargaining equilibrium. In this context we determine the conditions under which agents have similar preferences over the implementation scheme and the conditions under which they have conflicting preferences. Our analysis shows the existence of equilibrium even when both players have uncertain information about each other, and each agent's information is its private knowledge. We also study the properties of the equilibrium solution and determine conditions under which it is unique, symmetric, and Pareto-optimal.