网络坦克作战系统基于MAS的决策过程分析与研究

网络坦克作战系统的决策过程是一个群组决策过程.系统决策过程实质上是各组成部分协作进行问题求解的过程.基于多Agent系统(MAS)的网络坦克作战系统决策是系统中多个Agent面向作战任务进行协作问题求解的过程.运用MAS技术对系统的决策过程进行了分析,提出了系统基于MAS的群组决策基本框架,给出了分布式的系统决策结构,并对决策过程进行了设计和详细分析.MAS协作规划有利于系统的群组决策.     

基于Agent的决策支持系统研究

将人工智能中的最新技术Agent技术用于构建决策支持系统,利用界面Agent、信息Agent、协作Agent来实现决策支持系统的智能部件,提出协作Agent来实现多Agent之间的协作和交互,为解决多Agent系统中Agent之间的协作难问题提供了一种新的思路。     

基于可靠性分析的MAS构建优化算法

采用多Agent技术进行制造系统建模时,Agent间可靠有效的交互协作是系统成功处理离散制造任务的重要保障。以增强多Agent系统的可靠性为目的,提出了使用并联式结构来构建多Agent系统的思想。在此基础上,给出了并联式Agent系统的可靠性评价方法,建立约束条件下的多Agent系统可靠性极大化问题的数学模型,利用填充函数算法的思想构造该模型的求解算法,并通过实例说明并联式结构和求解算法的有效性。     

基于多Agent的复合模型求解自适应QoS机制

在基于网络的分布式系统应用基础上,分析了大型复杂问题复合模型协作求解的过程特征描述,提出基于多Agent 的领域问题协作求解的主动控制策略,探讨了用户交互Agent、系统主控Agent、协作Agent以及模型Agent和数据Agent等复合模型协作求解的4种Agent类型。应用多Agent层次结构,提出一种复合模型协作求解的自适应QoS体系结构,通过实现复合模型协作求解的主动调度规划算法对其进行了验证,支持分布式网络环境下实现模型资源和数据资源的共享,以提高协同计算环境分布式问题协作求解的运行效率和服务质量。     

Agent组织研究综述

Agent组织为开放环境下大规模协调和协作问题提供了一种解决方案。近年来对Agent组织的研究越来越引起重视,并已成为多Agent领域的一个重要分支。文章介绍了Agent组织产生的背景、Agent组织的定义,并从Agent组织形成的角度对Agent组织进行分类;综述了近年来提出的面向组织构建多Agent系统的方法并对它们进行了比较;分析了Agent组织的演化,并指出了今后的方向。     

基于Agent联盟的协作学习系统研究

为了在协作学习系统中实现学习者Agent之间的有效合作,通过引入一种新的合作机制--同学关系网模型(Schoolmate Relation Web Model),来构建学习系统中学习者Agent之间的同学联盟,并且基于学习者Agent之间的同学联盟来实现多个学习者Agent之间的协作学习.在每个同学联盟中,任意两个Agent之间都具有同学关系,并且联盟中的所有Agent相互协作,共同完成学习任务.另外,联盟中的学习者Agent之间的通信不是直接进行的,而是通过一个黑板来进行,这可以显著地提高Agent之间的通信效率.由于同学关系网模型可以避免Agent联盟形成的盲目性,并且可以提高学习者Agent之间的交互效率,从而使得我们基于Agent同学联盟的协作学习系统可以实现学习者Agent之间的有效合作,弥补了现有协作学习系统的不足.     

Agent组织中的政策导向型协作模型

传统Agent协作模型强调Agent的高度自主性,其自发协作过程完全出于内部的"自私性"动机,难以在模型中表达宏观层面上的引导及系统外部的约束,在应用于开放复杂软件系统时,将面临可信度不能满足要求、计算复杂度高及没有有效的冲突消解机制这3方面的问题,这阻碍了Agent技术在现实软件系统建模中的应用.采用组织与政策隐喻,提出Agent组织中的政策导向型协作模型,通过组织与政策给予Agent以宏观上的引导与外部的控制,以增强系统的可信度;采用扩展的可废止逻辑框架,对这一协作过程建立一个具有线性计算复杂度的形式化理论;逻辑体系中内置的优先级方式为系统提供了有效的冲突消解机制.并证明了模型所具有的一致性及其他特性,最后通过一个实例对系统作出验证性说明.     

集体理性约束的Agent协作强化学习

将多Agent协作学习过程看作是一个个的阶段博弈,针对博弈中存在多个均衡解的问题,提出一种集体理性约束下的多Agent协作强化学习算法。该算法使得系统中的每个Agent均按照集体利益最大化的集体理性原则进行行为选择,从而解决均衡解一致问题,同时使得集体长期回报值最大化,加快了学习速度。在集体理性的基础上通过评价各Agent对整体任务求解的贡献度,解决信度分配问题。追捕问题的仿真实验结果验证了算法的有效性。     

基于MAS的网络坦克作战系统体系结构分析

网络坦克作战系统是一个复杂系统,对这一系统的研究实质上是一个复杂问题的求解过程.Agent技术为此提供了模块化及抽象化的问题求解方法.将网络坦克作战系统从功能结构的角度进行了模块化分割,提出了一种基于多Agent系统(MAS)的体系结构,将系统中的协作Agent分为5类:指挥决策Agent、局域协调控制Agent、分队级协调控制Agent,系统重构Agent和评价Agent,对这种体系结构进行了分析与研究.     

基于博弈论及Q学习的多Agent协作追捕算法

多Agent协作追捕问题是多Agent协调与协作研究中的一个典型问题。针对具有学习能力的单逃跑者追捕问题，提出了一种基于博弈论及Q学习的多Agent协作追捕算法。首先,建立协作追捕团队，并构建协作追捕的博弈模型；其次,通过对逃跑者策略选择的学习，建立逃跑者有限的Step-T累积奖赏的运动轨迹，并把运动轨迹调整到追捕者的策略集中；最后,求解协作追捕博弈得到Nash均衡解，每个Agent执行均衡策略完成追捕任务。同时,针对在求解中可能存在多个均衡解的问题，加入了虚拟行动行为选择算法来选择最优的均衡策略。C#仿真实验表明，所提算法能够有效地解决障碍环境中单个具有学习能力的逃跑者的追捕问题，实验数据对比分析表明该算法在同等条件下的追捕效率要优于纯博弈或纯学习的追捕算法。     

Cooperation Requirements Planning (CRP) for multiprocessors: Optimal assignment and execution planning

Cooperation is considered an essential attribute of intelligent multi-machine systems. It enhances their flexibility and reliability. Cooperation Requirement Planning (CRP) is the process of generating a consistent and coordinated global execution plan for a set of tasks to be completed by a multi-machine system based on the task cooperation requirements and interactions. CRP is divided into two steps: CRP-I which matches the task requirements to machine and system capabilities to generate cooperation requirements. It also generates task precedence, machine operation, and system resource constraints. CRP-II uses the cooperation requirements and various constraints to generate a task assignment and coordinated and consistent global execution plan. The global execution plan specifies an ordered sequence of actions and the machine sets that execute them such that the assigned tasks are successfully completed, all the constraints are resolved, and the desired performance measure optimized.In this paper, we describe the CRP-II methodology based on the concepts of planning for multiple goals with interactions. Each task is considered to be a goal, and the CRP-I process is viewed as generating alternate plans and associated costs to accomplish each goal. Five different interactions are specified between the various plans: action combination, precedence relation, resource sharing, cooperative action, and independent action. The CRP-II process is viewed as selecting a plan to satisfy each goal and resolving the interactions between them. A planning strategy is proposed which performs plan selection and interaction resolution simultaneously using a best-first search process to generate the optimal global plan.     

基于Agent图的三级多Agent系统组织模型

多Agent系统的组织结构是Agent个体之间交互的框架。对分布式多Agent系统的组织方式、协作机制进行了简要讨论,提出了Agent域及Agent图的概念。根据不同Agent之间的地理位置和通信代价,由Agent个体、Agent组及Agent域三级组织结构形成一个Agent图,并借鉴计算机网络的分布式自适应路由选择策略进行多Agent系统的协作组织。分析表明,该模型具有高效、健壮、通信开销较小等优点。     

基于政策的多主体协作维护机制

以维护多Agent的协作进程的顺利进行为目标,克服传统多Agent协作维护研究中,通用性和易管理性的不足,提出以动态约束和调整系统行为的政策为手段的,基于政策的多Agent协作维护机制。首先给出政策的描述方法和规范,然后阐述了由联合政策遵从模型和政策遵从机制构成的多主体协作维护机制,最后给出了基于政策的协作异常处理实现结构和方法。     

多Agent支持的一种动态协作模式研究

现在的各种协同工作系统在实际应用中往往灵活性不足.这里提出一种多Agent支持的动态协同工作模型,通过从协同Agent管理的用户Agent中选择一些作为任务Agent,与协同Agent一起参与任务的执行.重点分析了用来执行任务的任务Agent的选择算法.该模型的目的在于引入动态性机制,提高系统的内部性能和外部响应能力,从而使得系统能够满足实际需要.     

一种基于投标结果修正的合同网协议

合同网协议是一种广泛应用于多Agent系统的合作协议. 针对传统的合同网协议, 提出一种基于投标结果修正的合同网协议, 并论述该协议的合作过程, 说明该协议简化了传统合同网协议的工作过程. 最后把该协议应用于一个风力/太阳能互补发电系统的实例中, 结果表明该协议的工作效率比传统合同网协议更高.     

基于本体论的认知协作

认知协作是协同工作的一个重要方面，知识本体为认知协作提供了知识宏观结构的优选形式；主体在认知协作过程中的认知进化可以通过主体的元学习和主体间的群学习实现。分别分析了两类学习的机制，并在此基础上提出认知协作群体的动态模型，阐述了主体的协作动作与认知协作群体环境的关系。     

基于量子理论及蚁群算法的多Agent Q学习

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和蚁群算法的多Agent协作学习算法。新算法首先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,利用概率振幅进行动作探索,加快学习速度。其次,根据蚁群算法,提出“脚印”思想来间接增强Agent之间的交互。最后,对新算法的理论分析和实验结果都证明了改进的Q学习是可行的,并且可以有效地提高学习效率。     

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。     

多智能体的角色与结构设计分析

角色是面向Agent软件开发方法研究中的一个重要抽象概念。文中认为角色是连接多Agent系统(MAS)微观模型与宏观模型的桥梁,角色与Agent之间的动态性有利于刻画多Agent系统的结构和行为模型。RoboCup是多Agent系统研究的一个很好的平台。建立一支成功的机器人足球队需要很多领域的知识,合理的模型结构和Agent之间的协调与协作是RoboCup比赛中赢球的关键所在。协调与协作是多Agent系统研究的重要课题。