基于多Agent的协作式网络学习系统模型研究

文章引入Agent技术，提出一种基于多Agent的协作式网络学习（Multi-Agent based Cooperative Web Learning，MASCWL）系统模型，详细阐述了MASCWL的工作流程及模型构建，引入计算机多Agent仿真建模平台Swarm对学习主体Agent的复杂协作行为进行了仿真建模。实验结果显示，MASCWL在一定数量的学习主体协作下呈现一定的优化性能。     

基于多Agent的网络课程协作学习平台的构建与研究

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技术和Web技术应用于网络课程协作学习平台的构建和研究，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与协同学习方法，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思路。     

基于多Agent的网络课程协作学习平台的构建与研究

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技术和Web技术应用于网络课程协作学习平台的构建和研究,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与协同学习方法,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思路。     

基于人工神经网络的多机器人协作学习研究

机器人足球比赛是一个有趣并且复杂的新兴的人工智能研究领域，它是一个典型的多智能体系统。文中主要研究机器人足球比赛中的协作行为的学习问题，采用人工神经网络算法实现了两个足球机器人的传球学习，实验结果表明了该方法的有效性。最后讨论了对BP算法的诸多改进方法。     

基于Web的智能化学习系统的设计与实现

采用智能化技术实现远程学习是当前远程教育的一个核心问题。针对目前智能化远程学习系统中存在的技术问题，对知识模型进行了重新设计，改善了整个智能答疑系统的响应速度，提高了整个系统的智能化，同时在整个系统中，把个性化学习和群体的协作性学习紧密的结合在一起。结合《计算机基础》课程，对系统进行了实现。通过试运行，系统在智能化程度、响应速度和学习效率上取得了令人满意的效果。     

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.     

基于强化学习的多智能体协作方法研究

为了在连续和动态的环境中处理智能体不断变化的需求,我们通过利用强化学习来研究多机器人推箱子问题,得到了一种智能体可以不需要其它智能体任何信息的情况下完成协作任务的方法。强化学习可以应用于合作和非合作场合,对于存在噪声干扰和通讯困难的情况,强化学习具有其它人工智能方法不可比拟的优越性。     

基于强化学习的多智能体动态协作规则提取

在分布式的动态环境下,多智能体系统的协作是建立在规则集合上的动态过程,因此需要建立动态的协作规则.多智能体强化学习的平稳状态本质上即是智能体之间的协作规则,据此提出一种基于强化学习的协作规则提取的方法,并由此构成智能体决策的新结构,最后用实例进行分析和证明了所提出的方法与单纯的强化学习方法相比较,具有如下优点:1)提取的规则可以加快多智能体的协作决策过程;2)规则的动态变化可以适应环境的动态变化;3)规则可以避免多次重复的学习过程.     

面向战场信息共享的Agent动态聚类算法研究

针对联合作战中分布、动态的战场环境和海量的战场信息,满足不同作战实体对战场信息资源共享的需求。构建了一个基于多智能体的、面向作战任务的信息资源共享模型,并在考虑战场信息时效性的前提下提出了一种新颖的基于相似度的用户动态聚类方法,从用户的资源请求中发现用户兴趣和用户之间的相似度,通过交互机制有效的将相同兴趣的用户及资源智能体关联起来,提高作战主体获取战场信息的能力。实验证明该算法具有较高的效率和良好的可扩展性。     

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.     

基于智能体的电子商务协作推荐系统

传统的协作筛方法存在的主要问题是需要人为地提供评价，该文对其进行了改进，根据用户事务模式自动获取用户评价，构建评价矩阵。针对现有个性化信息推荐系统存在的问题，将Agent应用到电子商务个性化信息推荐，引入设计的协作筛方法，设计了基于Agent的电子商务协作推荐系统(ECCRS)。ECCRS是基于服务器端的电子商务协作推荐系统，它考虑了用户访问页面的时间特性，不需要用户注册，在推荐时考虑了页面的新颖性，同时实现了离线处理、增量更新与在线推荐的结合。实验结果表明，ECCRS采用的推荐方法是有效的。     

基于网络的协同学习系统研究

本文基于计算机支持的协同工作出发,研究了教育网络协同学习系统设计的理论基础、系统构成原型及特点就师生地位的变化及技术的实现等方面作一些系统的研究,最后提出目前存在和需要改进的一些问题。     

基于多代理的网络协作学习模型研究

多Agent技术在远程教育中的应用成为目前人工智能领域的研究热点。CSCL系统普遍存在智能化不足,交互性差的问题,据此结合Web技术和多Agent技术提出了一个新的基于多Agent的网络协作学习模型,给出了模型的体系结构,并对模型中几个主要的Agent的内部功能结构和同步协作过程进行了描述。     

基于张量分解的药品个性化推荐

在当前网购越来越流行的趋势下,网上买药也给很多病人带来了极大的便利.但是普通人在网上购买药品时普遍存在盲目购药、无法获得买药指导的问题,针对这一问题,提出首先根据药品的功能描述信息进行聚类,设计了基于用户相似度的协同过滤药品推荐算法;然后针对该算法的冷启动以及数据稀疏性等问题提出了基于张量分解的个性化药品推荐算法来对获取到的药品功能描述信息进行特征分析,构建标签特征向量,利用特征向量与用户对药品的评分值构建三阶张量,再利用张量分解方法对该三阶张量进行分解;最后得到推荐评估值,再利用该推荐评估值进行Top-N药品推荐.通过对真实的药品销售网站数据进行抓取并分析,构建了张量模型,并进行数据建模,与协同过滤的推荐结果相比,其得到了较好的推荐效果.     

基于覆盖约简的个性化协同过滤推荐方法

协同过滤(CF)无法同时提供高精度和多样化的个性化推荐.基于此情况,文中提出基于覆盖约简的协同过滤方法(CRCF).结合覆盖粗糙集中的覆盖约简算法与CF中的用户约简,匹配覆盖中的冗余元素与邻近用户中的冗余用户,利用覆盖约简算法将冗余用户从目标用户的邻近用户中移除,保证CF中邻近用户的高效性.在公开数据集上的实验表明,在稀疏数据环境下,CRCF可以同时为目标用户提供高精度和多样化的个性化推荐.     

基于个性化学习的现代远程职业培训系统

现代远程职业培训之所以受到越来越多的人的瞩目，除了由于网络资源的日益丰富外，最突出的是能够根据个人的知识背景、学习目标，生成具有个性化的网络学习方案，并且实时跟踪学习过程，结合学习目标和个人的学习速度对学习方案灵活地进行动态调整，达到因材施教的目的。因此，建立基于个性化学习、动态的、兼具诱导作用的现代远程职业培训体系是实现职业培训的主要途径之一。     

基于学习兴趣的个性化推荐算法研究

根据高职学校目前选修课的现状,在学生进行选修课选择时,提出一种基于隐式和显式兴趣相结合的学生兴趣个性化推荐算法模型,结合相关推荐技术进行个性化推荐,从而将盲目的选课变得有指导性、有针对性,大大提高了学习效果以及选修课开设的意义,对今后教学改革有一定的指导意义。     

基于Web的多媒体协同教学系统的设计与实现

结合现代教育理论,以CSCL（Computer Supported Collaborative Learming)模型为基础,引入了WBCL（Web Based Collaborative Learming)的概念,并依据CSCW设计理论和技术标准,提出了一个符合WBCL模式的、有效的远程师生交互、协同的虚拟教学环境模型一“虚拟教室”。该系统模型为身处异地的师生提供了一个基于Web的交互式协同教学环境,并在“虚拟教室”模型的基础上实现了一个基于Web的多点语音支持的多媒体师生交流系统。