一种具有自主学习能力的并发协商模型

提出一种具有自主学习能力的并发协商模型,通过使用增强学习方法的Q学习算法生成协商提议,使用相似度方法评价提议,使得Agent能够在半竞争、信息不完全和不确定以及存在最大协商时间的情况下,更为有效地完成多议题多Agent并发协商。     

基于Nearest-Biclusters协作过滤技术的效用图结构学习算法

在多议题协商研究中,议题之间的依赖关系增加了协商Agent效用函数的复杂性,从而使得多议题协商变得更加困难.基于效用图的多议题依赖协商模型是体现议题间依赖关系的多议题协商模型.在该协商模型中,协商双方仅需要较少的协商步数就能够找到满足Pareto效率的协商结局.如何有效地学习买方Agent的效用图结构是该协商模型的关键.文中基于Nearest-Biclusters协作过滤技术的思想提出了一种新的效用图结构学习算法(NBCFL算法).该算法首先利用Nearest-Biclusters协作过滤技术发现买方偏好的局部匹配特性,提取与当前买方Agent类型相同的买方Agent所产生的协商历史记录,然后通过计算各议题间的依赖度学习买方Agent的效用图结构.实验表明在参与协商的买方Agent类型不同的条件下,NBCFL算法比IBCFL算法能更好地学习买方Agent的效用图结构.     

基于多Agent协商的虚拟企业伙伴选择方法

伙伴选择是虚拟企业建立过程中的核心问题,分析了虚拟企业的特点、虚拟企业环境下协商问题的特点,提出了一个适合于虚拟企业环境的多Agent协商模型。该模型支持多Agent多议题的多轮谈判,并将Agent类型引入到协商中来,作为指导协商Agent提议的一个重要因素。在不完全信息的条件下,应用贝叶斯学习的方法,更新既有信息,并通过分析对方Agent的历史提议序列,推测其类型,来指导自身的提议策略和战术,使自己的提议更具有针对性,避免了盲目性,从而节约协商时间,提高了协商的效率,使得盟主企业能在尽短的时间里寻找到理想的合作伙伴。     

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.     

协商Agent的历史学习算法研究

文章以买方Agent的观点对交易平台上获得的对方Agent历史协商信息进行分析,并根据其特点做初步过滤。在此基础上,该文针对现有协商模型中存在的问题,提出了一个Agent协商历史学习算法,并实验说明了其可行性。该算法可用于Agent协商前初始信念的创建,对Agent在协商中策略的选择、执行具有指导作用。     

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。     

多议题协商服务平台的研究与实现

基于面向服务架构(SOA)的多Agent多议题协商模型融合了面向服务架构和多Agent多议题协商系统的特点.在协商服务平台中应用本体的基本概念和相关技术来定义协商的提议和议题,可实现协商议题的个性化和按需变化的动态性,提高了协商Agent的能力、效率和协商的有效性,让协商不再局限于某些特定协商对象.     

一种多Agent多议题的协商模型

协商是多Agent系统实现协作、协调和冲突消解的关键技术。本文分析了协商问题的实质和协商过程,提出了一种支持多轮协商的多Agent多议题协商模型。模型中引入了Agent类型的概念,在信息不完全的条件下,协商Agent通过推测协商对手的类型来指导自身的提议策略和协商战术,使提议更具针对性,避免了盲目性,从而节约了协商时间,提高了协
商质量。     

Agent协商研究进展

自2001年Jennings研究协商以来,已经成为MAS研究的热点。介绍了协商的定义、研究内容、应用领域;分析了协商的复杂性;总结了通用的单议题协商和多议题协商协议的对策论模型;综述了Agent多议题协商的策略与学习算法;并分别介绍了两种典型的多议题协商：拍卖和并发协商,给出组合拍卖、多属性拍卖和并发协商的基本模型及其研究进展;最后探讨了协商存在问题和将来可能的发展方向,指出作为交互、竞争与合作的基础,协商需要继续深入的探讨,也必将成为多Agent系统研究的主流。     

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。     

基于Agent的谈判模型研究

提出了一种基于Agent技术的谈判模型,应用模糊数学理论建立了谈判论据及谈判解接受度数学模型。采用约束放松的方法对谈判模型进行求解,得到了谈判Agent满意的谈判解。阐述了双边多属性谈判过程,设计并开发了Agent谈判系统原型,实例计算分析表明,该谈判模型是一种双赢的谈判模型。     

一种零售电子市场中的商品交易自动协商模型

本文提出了一个针对零售电子市场中商品交易协商的双边多议题自动协商模型。基于实质利益协商法的原则,综合采用带优先级的模糊约束满足问题(PFCSP)和多属性效用理论(MAUT)的思想对协商进行建模,给出了买卖双方Agent的形式化模型,对协商双方的行为和策略进行了算法描述,并对协商可能获得的结果进行了分析。     

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。     

基于补偿度和合作度的重复谈判研究

电子商务活动中,买卖双方由于需求进行重复谈判的情形广泛存在.利用Agent在以前谈判做出的让步和对手合作度评价形成多议题重复谈判策略,一方面使用让步度计算以前谈判中Agent所做出的让步,形成下次谈判中对提议的评价标准;另一方面通过对手的合作度决定下次谈判中对其的补偿程度,使得Agent能够对自己的所得到的补偿在以后的谈判中给予让步,形成一种稳定高效的谈判环境.     

一个基于多阶段的多Agent多问题协商框架

多问题协商是电子交易中的关键问题．多Agent技术的不断成熟为这个问题的解决提供了有效的途径．提出了一个以理性Agent为基础的基于多阶段的多问题协商框架,该框架在时间约束下适用于信息不完全的场景,它描述了多问题的价格协商．为了降低多问题协商的复杂性,它将多问题协商分解为多阶段协商,每个阶段的大小（问题数）相同．阶段数和顺序在协商前确定,每个阶段中的问题顺序在协商中确定．在阶段大小相同的情况下,对给定协商问题的分解,框架能给出优化协商议程（agenda）．尤其是框架能为参与协商的Agent建立学习系统（LS）,以增强Agent的学习能力．最后基于这个框架实现了一个原型系统,原型系统证明这个框架是有效的．     

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·     

一个基于Bayesian学习的协商模型

在Multi-Agent系统(MAS)中,每一个Agent都有不同的目标。通常只拥有对方的不完全信息。Agent需要具有解决在实现各自目标过程中所产生的各种矛盾的能力。协商是解决这些矛盾的一种有效途径。本文提出了一个基于Bayesian学习的协商模型NMBL：在每一轮协商中,Agent通过Bayesian学习获取协商对手的信息,更新对协商对手的信念,然后根据基于冲突点和不妥协度的协商策略提出下一轮的协商提议。NMBL把整个协商过程看成一个动态的交互过程,体现了Multi-Agent系统的动态特性,同时NMBL具有较强的学习能力。试验证明,该模型具有较好的协商性能。     

基于资源的协商模型的关键策略研究与实现

基于资源的多议题MAS协商模型的提出是为了满足当前电子商务系统发展的要求的。基于“资源”体现了这种需求。文中给出了基于资源的协商过程中关键的算法和详细处理流程,从多议题、基于经验协商、决策支持和算法流程具体化、形式化方面作了深入研究。并且通过模拟系统实现了算法的功能,实验结果证明该协商模型是可行的。