基于免疫机理与合同网协议的多Agent入侵检测系统

建立了一种基于免疫机理与合同网协议的多Agent入侵检测系统ICNPIDS.在被动免疫抗体PAb、记忆自动免疫抗体MANAb及模糊自动免疫抗体FANAb的基础上,将合同网的协同方法应用到抗体检测中,提出了联合免疫抗体UAb的概念,并研究了UAb抗体的生成、检测和更新过程,从构造上克服了Agent间分析经验难以共享借鉴的...     

基于改进合同网协议的半导体封装测试工厂启发式产能平衡优化

针对半导体封装测试工厂生产制造过程中生产计划分配的交互性问题,运用分布式多Agent技术,对生产分配过程进行模块化封装。在传统合同网协议基础上进行改进,嵌入"产能注册矩阵"的模式构建了多Agent协商策略模型,提出了智能体间招标—投标—中标的交互机制。对投标过程的产能平衡问题,运用启发式算法进行了优化。通过S企业生产计划实例分析和传统MRPⅡ方法投标结果对比,验证了改进的合同网协商模型和启发式算法对生产任务分配和产能平衡具有相对优良的投标完成率和相关系数矩阵。     

基于蚁群算法的多Agent任务分配方法

针对多Agent任务分配问题,结合蚁群算法的思想,设计了基于图的任务分配数学模型,提出了基于蚁群算法的多Agent任务分配方法,并通过实验与3个经典方法进行比较和分析,探讨了蚂蚁数对求解结果的影响。实验结果表明,所提出的算法是有效的。     

基于合同网的多agent任务分配分布式优化算法

针对合同网下的多agent系统,基于集合覆盖理论提出了一种解决子任务分配的严格启发式搜索算法;并分析了该算法的收敛性及渐进时间复杂度;证明了其搜索结果的上确界．该算法具有分布性,搜索空间缩减快,适合于中小型的多agent系统的子任务分配．     

基于扩展合同网的协同设计任务分配机制研究

针对网络化产品协同设计过程的任务分配机制进行研究,在分析了已有合同网任务分配机制的基础上,通过引进时间令牌和缓冲池策略,对合同网机制进行扩展,提出了一种基于时间令牌和缓冲池机制的协同设计任务分配方法,给出了任务分配协作过程中的协商策略和基于投标信息的综合多因素决策评价算法。最后通过实例验证了所提方法的可行性,更适用于协同设计任务分配的实际情况。     

基于博弈论的多机器人任务分配算法

为了寻找一种合理有效的多机器人任务分配算法,基于多机器人协作救火任务环境,以博弈论纳什均衡为基础,研究多机器人的任务分配问题。根据任务模型特点和纳什均衡的主要特征提出了一种基于博弈论的任务分配算法。博弈的效用函数同时考虑了距离、火势和燃烧时间等因素,机器人根据此效用函数选择行为策略,促使机器人尽快扑灭惩罚值较大的火灾而获得较大的奖励值。利用任务总收益函数值的大小评价算法的优劣性。收益函数与火势、燃烧时间和机器人扑灭火灾数有关,这切合实际救火模型。实验结果证明了该任务分配算法的有效性。     

基于适应度的多机器人任务分配策略

为提高多机器人任务分配方法的通用性和实用性，提出了一种分布式多机器人协作任务分配策略.根据多机器人任务特点，提出了多机器人任务分配必须满足的4个基本目标，并由目标制定相应的4条任务选择策略.按形式化思想为子任务建立了一个通用模型，模型包含了与任务选择相关的子任务基本属性和运行状态.结合子任务模型和任务选择策略，建立了一个子任务适应度模型，包含静态适应度、进度适应度、资源适应度和外部适应度4个分量，机器人根据适应度大小来选择子任务.仿真实验表明，应用该任务分配策略的协作异构多机器人系统对一类搬运任务具有很好的通用性，当任务发生变化和机器人发生故障时，机器人能够正确、及时地调整子任务，系统具有很好的实时性、灵活性和鲁棒性.系统能够实现机器人到子任务的最优映射，与其他任务分配方法相比明显缩短了任务执行时间.     

基于多代理系统的车间动态调度模型设计

调度方法是提高车间生产效率的关键.针对实际车间调度问题,提出一种基于多代理系统((Multi-Agent-System,MAS)的生产调度模型,综合运用了遗传算法,蜂群算法,合同网机制,实现了MAS灵活性与上述算法对调度优化的结合.分析了干扰车间调度的因素以及调度优化的目标,实现车间的智能化以及车间调度的自动化.     

基于改进MOSFLA的多机协同任务分配

为解决多机协同任务分配这一多约束组合优化问题,提出了一种基于矩阵二进制编码的改进多目标混合蛙跳算法(multi-objective shuffled frog-leaping algorithm,MOSFLA)的任务分配策略。首先,建立了基于目标剩余价值、战机攻击损耗和航程代价的多目标优化模型;然后,对混合蛙跳算法的位置更新策略进行了改进,以保证更新过程中解的可行性及算法的全局收敛能力;最后,利用改进算法求解多机协同对地攻击任务分配问题,得出问题的Pareto最优解集。仿真实验表明,改进算法能够在较短时间内同时得出多个分配方案,增加决策的灵活性。     

基于多智能体的公共检测资源协调方法

公共检测资源协调过程的关键是任务合作者的选择和检测任务的分解.采用改进的合同网协议选择任务合作者,采用基于知识库的专家推理实现任务分解.在改进的合同网协调机制中,为每个任务类维护一个专家集,从而减少管理智能体的筛选负担和多智能体系统的通信开销,同时应用模糊综合评价方法实现投标书评价,并选取任务最佳合作者.采用多级推理机实现任务分解,设计了从实例中推导新知识和根据历史分解记录得到分解规则2种知识获取方法,设计采用正向推理策略的推理机.最后给出了公共检测资源协调的基于Web Service的实现.     

基于非合作博弈模型的多移动节点任务分配

针对随机部署情况下混合无线传感器网络多移动节点任务分配问题,文章分别将参与任务分配的移动节点、待分配的任务以及移动节点完成任务所获收益视为博弈的3要素即博弈参与方、博弈策略和博弈收益,建立起基于非合作博弈数学模型的多移动节点任务预分配方法。在证明了该博弈的纳什均衡的存在性后,利用遗传算法求解非合作博弈的纳什均衡,该博弈均衡就是各移动节点都能够接受的任务分配方案。     

基于群体智能的多机器人任务分配

针对具有松散和紧密耦合型任务的大规模多机器人系统,研究了基于群体智能的任务分配方法。系统采用层次结构,高层用蚁群算法实现松散耦合型任务分配的寻优,提出逆转分配思想让蚂蚁代表任务,为每个任务选择任务的承担者。底层分别提出了基于蚁群、粒子群蚁群和量子蚁群实现机器人联盟的形成——产生紧耦合型任务解,并进行仿真。仿真结果表明,基本蚁群算法得到的解质量最差;粒子群蚁群算法得到的分配解最好,但是运算时间最长;量子蚁群算法得到的解稍次于粒子群蚁群算法,但分配时间比另两种算法减少了一半。因此,在大规模的多机器人任务分配中,量子蚁群算法具有更强的适用性。     

无线传感器网络任务分配的粒子群优化算法

为延长网络生命周期,减少网络能量消耗和均衡网络负载,引入了粒子群优化算法,提出了一种基于离散粒子群优化的任务分配算法.该算法根据任务总完成时间和能量损耗,建立代价函数,实现优化任务分配策略.引入变异算子,较好地保持了种群的多样性并提高了算法的全局搜索能力.仿真实验结果表明算法是可行的和有效的.     

基于动态任务迁移的近数据处理方法

为了应对大数据应用中数据移动对系统性能和能耗造成的负面影响,基于3D存储器集成存储与逻辑电路的特点和MapReduce模型的并发特性,提出一种基于动态任务迁移的近数据处理（NDP）方法. 对MapReduce应用的工作流解耦以获取核心计算任务,提供迁移机制将计算任务动态迁移到NDP单元中;采用原子操作优化数据访问,从而大幅度减少数据移动. 实验结果表明,对于MapReduce应用,提出的近数据处理方法将75%的数据移动约束在存储单元内部,有效减少了主处理单元与存储单元之间的数据移动. 与目前最先进的工作相比,所提方法在系统性能和系统能效上分别有70%和44%的提升.     

面向多点侦察和通信服务的多无人机协同任务分配

针对多无人机对多个异构任务目标进行侦察和通信服务的协同优化问题,通过考虑不同目标的任务要求和价值,以及多机协同增益与任务行为制约关系,构建斯坦伯格博弈模型,将上层无人机建立为博弈领导者,下层无人机建立为博弈的跟随者,并提出一种分布式策略更新迭代算法,实现了多无人机任务分配方案的稳定收敛以及系统任务收益优化.仿真结果显示,所提方法能有效提升多无人机系统同时完成多个任务的效益,并能在不同环境下实现面向异构任务价值的高效协同.     

日常养老情境的异构多机器人动态多任务分配

针对异构多机器人系统动态任务分配问题,基于多智能体技术,利用符合养老情境特点的多智能体组织结构,提出处理养老情境下任务类型相对固定的异构多机器人多任务动态分配机制.建立基于被服务对象满意度函数的投标值计算模型,兼顾多任务的动态分配与被服务对象的满意度.根据拓扑排序算法,提出多智能体系统死锁的检测及处理方法,解决执行智能体自锁、各执行智能体间互锁的问题.对不同任务情况在不同分配机制下的被服务对象满意度进行仿真.仿真结果表明,在避免死锁的情况下,所提机制能够兼顾养老情景下的动态任务分配和被服务对象的满意度.