多Agent系统的排队模型研究(1)--基本概念

多Agent系统是人工智能、软件领域等研究的热点问题,在这个问题的研究中,人们普遍关注的问题是如何组织协调Agent之间的关系,让各个Agent充分发挥作用,使系统处于最佳状态。本文抓住多Agent之间的这个关键问题,给出了多Agent系统的排队模型的基本概念,为进一步研究多Agent系统奠定了理论基础。     

多Agent系统的排队模型研究(2)--模型理论

多Agent系统是人工智能、软件领域等研完的热点问题,在这个问题的研究中,人们普遍关注的问题是如何组织协调Agent之间的关系,让各个Agent充分发挥作用,使系统处于最佳状态,本文抓住多Agent之间的这个关键问题。给出了多Agent系统的排队模型的基本概念,为进一步研完多Agent系统奠定了理论基础。     

基于多Agent学习机制的服务组合

服务Agent能够利用本身的功能以及来自外部的多个软件服务,向外界提供更为高层的服务.为了向用户提供综合的功能,服务Agent之间必须通过相互协同实现服务组合.提出了一种依靠多Agent学习机制进行服务组合的方法,其独特性在于通过学习,这些Agent能够对类似的输入迅速得到优化解.对基于多Agent协同进行服务组合的框架进行了介绍,在此基础上详细说明了如何利用多Agent学习机制进行服务组合,并对相关的实验进行了介绍.     

多Agent系统的协调度及随机集表示

多 Agent的协调性是多 Agent系统与其它相关研究领域区别开来的关键性问题之一 ,也是保证多智能系统能在一起共同工作的关键 .因此 ,本文对多 Agent协调工作机制进行研究 ,给出多 Agent的协调度理论及随机集表示方法 ,进一步丰富多 Agent系统的研究内容 .     

基于移动Agent的分布式数据库的协同安全模型

随着各种分布式计算的广泛应用,移动Agent技术引起了人们越来越多的关注.在移动Agent的应用环境中,数据传输、服务器资源.移动Agent运行环境和移动Agent自身安全等方面的安全性问题日益突出.同时移动Agent应用系统中各个数据处理Agent之间的自主进行协商和协调也是一个有待解决的问题.针对这些问题,提出了一种基于移动Agent的分布式数据库的协同安全模型,来初步解决移动Agent的分布式数据库安全性和Agent之间协调工作的问题.     

Agent系统的随机集表示

多Agent的协调性是多Agent系统与其它相关研究领域区别开来的关键性问题之一,也是保证多智能系统能在一起共同工作的关键.因此,该文对多Agent协调工作机制进行了研究,给出了多Agent的随机集表示方法,进一步丰富多Agent系统的研究内容.     

基于多Agent系统的自调节及协同工作的组合投资模型

Agent技术特别是多Agent系统(MAS,Multi-Agent System)为解决人工智能等领域复杂问题提供了一个新途径,多Agent系统重点研究如何协调系统中的各个Agent的行为使其协同工作.针对多阶段组合投资问题,提出了一个基于多Agent系统的自调节及协同工作的组合投资策略模型.该模型系统中的各个Agent通过通讯共享知识,在求解问题的搜索空间中进行协同搜索,在更短的搜索步长内得到问题的解,极大地提高了系统性能.该模型具有不基于任何股票模型、时间复杂度低以及逼近最优投资策略速度较快等优点,实验证明具有一定的实际意义.     

基于Agent的分布式模型形式化语义描述

为解决分布式系统构建过程中系统组合和语义验证等方面的问题,基于范畴理论和进程代数,为基于Agent的分布式系统模型提出了一种形式化的语义描述框架。范畴图表用于描述整个系统的结构模型,态射用来表示系统各组成部分之间的交互和协作机制。在此基础上,对Agent规范的描述、组合、精化以及迁移过程中的语义保持问题进行了探讨。应用研究表明,该框架适用于分布式系统模型的描述和构建,有助于分析系统分解和组合的正确性。     

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.     

多Agent系统合作与协调机制研究综述

多Agent间的合作和协调机制是多Agent系统理论的核心问题之一。本文按照协调在合作过程中发生的位置进行分类讨论,结合实例阐述了经典的多Agent系统合作与协调机制的主要原理、适用范围,旨在分析总结现有的多Agent合作和协调机制,为未来的开放、异构、动态环境下多Agent合作与协调机制的发展趋势和进一步研究的方向提供参考。     

基于有色Petri Net多Agent入侵检测系统实现

在目前基于Agent的分布式入侵检测系统的设计中,主要的设计思路是依赖多Agent联盟合作机制,但在具体的工程实现中,却难以找到一种恰当的实现模型。本文针对此问题,提出了基于有色PetriNet的多Agent入侵检测系统实现模型。     

基于多Agent的高校教学评测系统模型研究

基于多Agent技术所构造的协同设计系统具有多Agent系统的分布性、协作性和智能性的特点。在分析目前高校教师教学评价系统的基础上，提出了一个基于多Agent系统（MAS）的高校教师教学评测系统模型（MATES），并着重讨论了该系统中各Agent的功能和Agent之间的协作关系。该模型为教师教学评价的自动化、智能化和高效率提供了一个良好的计算平台。     

多Agent系统的非终止主动合作计算模型

在多Ａｇｅｎｔ系统中,由于资源、能力的有限性和分布性,因而合作是多Ａｇｅｎｔ系统的一个重要特征,当前,随着Ｉｎｔｅｒｎｅｔ,Ｉｎｔｒａｎｅｔ技术的不断 以及应用的不断深入,传统合作计算模型已不能满足用户需求,主动合作计算正成为一个新的应用需求点,文中提出一个非终止的主运输在于言语行为理论以及多Ａｇｅｎｔ系统计算的理论框架,文中讨论了该合作计算模型所涉及的Ａｇｅｎｔ通信行为,分析了Ａｇｅｎｔ如何响应     

基于多AGENT的分布式操作臂控制

大部分传统的机器人控制方法依赖于一精确模型．随着机器人的日趋复杂,此类方 法已受到种种限制．本文在借鉴国际最新研究成果的基础上,提出了一种新的操作臂控制算 法．算法继承了多Agent的思想,易于实现并行运算;吸收了增量定向运动学思想的优点, 使运算相对简单．算法采用使操作臂末端点与目标点间距离单调减小的控制策略,并推导出 了相应的非迭代公式．针对基于多Agent的操作臂控制算法中存在的问题,本算法消除了初 始阶段运动轨迹出现的振荡现象,从根本上避免了迭代算法带来的收敛速度问题．     

多主体协作系统的一种形式模型

建造能一起工作的计算机系统一直是计算机科学的一项重要任务。目前多主体（Agent）协作的理论与应用研究已成为多学科和AI交叉研究的一个热点前沿课题。关于主体及多主体系统理论研究的主要难点是所谓的“副作用问题”以及动态环境下对主体资源及能力有限的特性的刻画。该文基于情形演算与三值逻辑给出了一个多主体协作的形式模型;本模型能较好的避免“副作用问题”;此外,在此基础上给出的一个多Agent协作规划理论能较好的刻画动态环境下主体的上述特性。     

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MAS Builder开发多Agent系统的方法与实例

随着计算机领域面临的应用问题越来越呈现出分布、开放、动态的特征，多Agent成为近年来AI研究的热点之一。本文简要介绍开发和集成多Agent系统的环境－MAS Builder，并以实例说明了基于该系统开发多Agent系统的方法：问题域分解、Agent定义、任务模块的生成。     

基于Agent的个性化信息服务技术的研究

随着网络资源的不断丰富和网络信息量的不断膨胀，现有搜索引擎技术已难以满足人们查找信息的需求。如何为用户提供更为满意的、符合其个性化的信息服务，已成为一个重要的研究课题。本文针对这一情况，提出了基于Agent的个性化信息服务技术，并对其基本原理进行了阐述，构建了一个多Agent的模型系统。最后，对当前存在的问题进行了总结。