基于Agent和博弈分析的B2B协商系统模型研究

针对B2B电子商务在交易自动化和智能化方面的不足,提出了一种融合多Agent和鲁宾斯坦讨价还价博弈的B2B电子商务协商系统模型。在多Agent环境下,该系统可以降低网络的通信流量,提高交易效率,实现交易的自动化和智能化;鲁宾斯坦讨价还价博弈为协商系统提供了具体的协商策略。对B2B协商系统模型的协商流程、协商算法以及协商结果进行了讨论。     

基于效用图的依赖关系与协商策略研究

依赖关系一直是多议题协商的重点和难点.在基于依赖关系的多议题协商背景下,对依赖关系和依赖度进行了严格的定义和度量.在协商过程中,协商Agent强化了自身的协商策略,并使用多目标遗传协商算法对协商进行优化.实验结果表明,在该协商背景下依赖关系的定义以及依赖强度的度量是合理的,卖方Agent使用多目标遗传协商算法和各种协商策略是可行的,并取得了较好的协商效果,且使协商结果迭到了pareto最优.     

技术创新平台中基于Agent的多议题协商算法与策略

针对技术创新平台应用背景下的技术对接协商问题,结合智能感知Agent技术,分析并设计了多议题协商算法与策略。由技术创新平台中技术对接的实际环境,充分地利用平台中的历史技术对接提议,并考虑到技术对接双方的技术对接效益,设计技术对接中基于智能感知Agent的多议题协商算法,并在此基础上设计提议生成策略,提出技术对接协商中的建议解。保证了技术对接过程中技术交易双方的综合效益最优,使得技术交易双方能够在技术对接协商中达到效益“双赢”。通过技术创新平台中的技术对接的实际算例,例证了该协商算法与协商策略对技术创新平台中技术对接环境的适用性、合理性、可行性和有效性。     

多Agent自动协商的公平性研究

为了能够快速、高效地进行Agent协商,构建一个优化的多Agent协商模型。在这个模型的基础上,提出了一个基于协商各方公平性的协商学习算法。算法采用基于满意度的思想评估协商对手的提议,根据对方Agent协商历史及本次协商交互信息,通过在线学习机制预测对方Agent协商策略,动态得出协商妥协度并向对方提出还价提议。最后,通过买卖协商仿真实验验证了该算法的收敛性,表明基于该算法的模型工作的高效性、公平性。     

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。     

一种求解饲料配方问题的优化算法

分析了饲料配方问题现有的求解策略,在Bruin提出的多Agent协商求解一种简化线性规划问题的理论模型的基础上,利用多Agent协商理论和线性规划理论,建立了Agent模型,提出了基于多Agent协商策略的饲料配方问题求解的优化算法,并证明了算法的正确性和可行性。实验结果表明,该算法具有更强的求解能力。     

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Q-强化学习的多Agent协商策略及算法

针对传统Agent协商策略学习能力不足,不能满足现代电子商务环境需要的问题,采用Q-强化学习理论对Agent的双边协商策略加以改进,提出基于Q-强化学习的Agent双边协商策略,并设计实现该策略的算法。通过与时间协商策略比较,证明改进后的Agent协商策略在协商时间、算法效率上优于未经学习的时间策略,能够增强电子商务系统的在线学习能力,缩短协商时间,提高协商效率。     

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·     

网格环境面向服务的Multi-Agent交互协议及协商模型

网格目的是为了实现地理上分布的异构资源和服务的共享.资源的分配、应用开发和模型使用是网格环境中的关键问题和复杂的任务.利用具有一定自主推理、自主决策能力的Agent以及由其组成的Multi-Agent系统(MAS)来模拟、优化、实施、控制网格资源的分配和管理为网格研究提供了一种有效的新方法.在基于MAS的网格系统中资源分配和调度活动都是通过协商完成的,因此如何保证Agent之间能够有效、有序地进行协商的协商机制是网格计算环境的重点.针对目前对协商的研究还只是单纯地研究协商协议或者只重视研究协商策略,缺乏对网格环境下协商模型的研究背景下,提出了一个医学图像处理网格环境下的面向服务的多代理协商模型.