一种基于DFS的多Agent系统潜力挖掘发挥模型研究

Agent是指具有智能的人或其它智能物 .它具有自治、推测、反响、协作、自学习和相互学习等能力 .由此可以看出 ,Agent它象人一样有潜在的能力 ,需要挖掘 .因此 ,本文对其进行深入研究 ,基于 DFS给出多 Agent系统的潜能挖掘发挥模型等理论 ,进一步丰富 Agent系统理论的研究内容     

Agent的遗传理论

Agent是指具有智能的人或其它智能物．它有自治、推测、反响、协作、自学习和相互学习等能力，基于此，本文借助数学工具，对Agent进行深入研究，给出Agent的遗传理论，进一步丰富Agent的理论内容．     

Agent技术在智能教学系统中的应用与研究

在传统的学习平台的基础上,以人本主义学习理论和建构主义学习理论为指导,将Agent技术应用于智能教学系统的构建和研究,为越来越多的学习者提供更加智能化和人性化的协同学习环境和协同学习方法,也为现代教育模式的研究和素质教育的大发展提供了一个新的思路.以多Agent技术为基础,提出了一种新的基于Agent的智能教学系统框架,并讨论了其主要功能及实现该系统的部分关键技术.     

Agent的遗传算法研究

Agent是指具有智能的人,或其它智能物或相当于智能物体的实体,以及能进行种种工作的软件等。这种Agent对给定介质环境中的事件变化能迅速作出反应,具有自治、推测、反响、协作、自学习和相互学习等能力。鉴于Agent的这些特点,借助Darwin自然进化论与Mendel遗传变异理论来研究Agent是科学的、合理的。我们知道,在生物的演化过程中,生命期模式在个体的成长中占据十分重要的地位;生态环境中的生物个体在进化时,即使在它自己的局部环境,也是有生命周期的。个体在不同的局部环境和生命期的各个不同阶段具有不同的成长特性,并在生命期模式的控制下体现出实际成长的特点。关于Agent遗传理论的研究,目前还未见诸文字。综上所述,本文抓住Agent类似于生物的特性,从遗传变异和生物演化两个生物的本质属性方面给出Agent的遗传算法与演化模型,真正从本质上刻画Agent的智能本能行为,填补了这方面的工作。     

多Agent系统的技术研究

多Agent系统是由多个智能Agent组成的有机系统,这使得它具有比单个Agent更强大的处理能力.它表现出自组织性、鲁棒性、分布性以及很强的复杂行为.文中论述了Agent和多Agent系统的有关理论、方法和技术.主要包括智能Agent的特性、结构和推理;介绍多Agent系统的体系结构分类和常见的几种通信机制;以及面向Agent的程序设计的现状和发展.     

Agent 理论与技术专刊前言

与Agent相关的研究源于分布式人工智能(DAI).20世纪80年代末,Agent研究逐渐从DAI领域中独立出来.通过不断拓展其研究领域,与多个领域相互借鉴和融合,目前其研究内容已涵盖Agent理论、模型与体系结构,面向Agent的软件工程,基于Agent的建模与模拟,Agent通信与协作,面向Agent的学习与规划,自组织和自适应系统以及群智能优化等多个方面,并广泛应用于软件工程、机器人、自动控制、电子商务、人机接口、医     

强化学习系统的结构及算法

1.引言学习是人类获取知识的主要形式,也是人类具有智能的显著标志,是人类提高智能水平的基本途径。建造具有类似人的智能机器(Agent)是智能控制、人工智能的研究目标。要使机器具有一定的智能,一种方式是靠人事先编程来建立知识库和推理机制,这具有明显的局限性。我们希望Agent具有向环境学习的能力,即自动获取知识、积累经验、不断更新和扩充知识,     

基于多Agent的适应性网络教学系统设计

当前的智能教学系统对于用户提出的适应性学习服务实现效果尚不理想,突出体现在不能根据学生的学习特点提供相应的学习方式.将Agent技术引入智能教学系统,构建了一种基于多Agent的适应性网络教学系统框架,分析了框架内各Agent的功能和工作过程,提出了一个学生学习特征提取和处理的模型.通过动态跟踪学习记录,采用向量相似度计算寻找一种与学习者相适应的学习风格,为学生提供适应性的学习服务.     

一种基于强化学习的学习Agent

强化学习通过感知环境状态和从环境中获得不确定奖赏值来学习动态系统的最优行为策略,是构造智能Agent的核心技术之一,在面向Agent的开发环境AODE中扩充BDI模型,引入策略和能力心智成分,采用强化学习技术实现策略构造函数,从而提出一种基于强化学习技术的学习Agent,研究AODE中自适应Agent物结构和运行方式,使智能Agent具有动态环境的在线学习能力,有效期能够有效地满足Agent各种心智要求。     

基于Agent的存储区域网络(SAN)智能管理技术

利用Agent技术对存储区域网络(SAN)进行智能管理是一种全新的设想。本文提出了一种基于Agent的存储区域网络的管理体系,各部件本地的管理任务由监控Agent完成,SAN的整体由管理Agent与各监控Agent协同完成,大大减轻了用户管理的负担。而且整个管理体系可伸缩性强,各Agent还具有一定的学习和推理能力, 能够具有智能地完成各种管理任务。     

自主Agent结构AASC及其应用研究

Agent结构研究是Agent理论与技术研究的重要内容。基于BDI结构和情境演算理论,提出了一个能刻画Agent的多种特征（如自主性、主动性、反应性、社会性）,尤其是自主性的Agent结构AASC。AASC是一种具有广泛应用范围的Agent结构,它为不同类型Agent（如主动Agent、反应Agent、社会Agent、合作Agent）的构造与表示提供了统一的框架。基于联合意向合作模型,详细讨论了合作Agent的构造方法。     

一类复杂适应系统的建模研究

引入复杂适应系统理论,将股市、房地产系统视为一类复杂适应系统。采用多智能体方法进行建模,设计随机决策Agent、模仿Agent、BP神经网络Agent等模块,引入订单簿技术实现Agent之间的信息交互。通过仿真模拟该类复杂系统的动态演化过程,验证了模型的有效性。     

基于使命的Agent组织模型

Agent组织是一种灵活有效的多Agent系统求解方式。针对目前Agent组织模型主要以利己型Agent为基础的现状,提出适合政府及军事等领域使用的基于使命的Agent组织模型。模型以利他型Agent为组织构成基础,使用信任度和Agent组织效益共同评价Agent求解问题的能力,从Agent思维属性及其相互关系的角度出发,研究了Agent组织中使命的特点、组织形成和演化机制,提高了问题求解效率,增强了Agent组织的稳定性,从而拓宽了关于Agent组织的研究。     

应用记忆演化学习的Agent协商研究

在多Agent系统（MAS）环境中,协商是一个复杂的动态交互过程。如何提高协商效率,成为了研究者关注的焦点。应用记忆演化理论的强化学习思想,提出一种Agent协商算法。它与基本强化学习相比,3阶段的记忆演化的强化学习,使得Agent可以在实时回报与延迟回报间更好的做出平衡,并为Agent记忆社会化交互创造条件,使强化学习更适合MAS的要求。通过模拟实验证明该协商算法是有效性的。     

基于决策论的Agent个性化行为选择

Agent不同的主观态度对行为策略的偏好具有重要影响,但Agent的个性化态度难于在量化或符号化的数值决策模型中体现。该文参照定性决策理论,在现有效用最大化决策模型基础上,利用不同决策原则模拟不同Agent个性,得到符合Agent个性的行为策略。Agent的决策结果反映了其不同个性特征,个性化使Agent的行为呈现多样化,有利于Agent社会模型的建立。     

基于DFL的Agent推理模型

推理是Agent研究的核心问题之一.根据Agent的推理特性,引用DFL理论提出基于动态模糊逻辑(DFL)的Agent推理模型,实现了范例验证系统,即基于动态模糊逻辑(DFL)的Agent推理模型的叮当漫画书城系统.     

Agent劝说中的积极舆论模型及其评价

Agent劝说中的舆论能发挥其人工智能优势,同时节约谈判成本和提高谈判效率。为此,给出Agent劝说中舆论的定义,并将Agent劝说中的舆论分为积极舆论和消极舆论,在定义和分类的基础上,结合形式逻辑理论,提出Agent劝说中的积极舆论模型,并通过相应的举例对模型进行解释。针对该模型,提出相应的评价体系,并通过相应的算例对该体系进行验证。结果表明,该模型和评价体系能促使Agent劝说进一步快速高效完成。     

基于Agent结构的MIS系统设计及实现

面向Agent(智能体)的程序设计是近十年来发展起来的一种新的软件技术方法,该文比较详细地介绍了两种基于Agent结构的MIS系统结构及其特点,并结合系统控制理论就MIS系统的控制模式进行了讨论,最后简单地介绍了在MIS中Agent的设计方法。     

面向装配的多Agent协同设计研究

分析了面向装配设计（ＤＦＡ）技术发展和存在的问题,提出了ＤＦＡ中多Ａｇｅｎｔ协同设计研究的必要性。对设计Ａｇｅｎｔ的概念、结构及设计过程进行了描述和研究,并在此基础上对多Ａｇｅｎｔ协同设计过程和表示做了进一步的研究。最后,对面向ＤＦＡ的多Ａｇｅｎｔ协同原型设计系统进行了设计。