多Agent的自动协商

协商是多Agent系统实现协调、协作和冲突消解的关键环节。如何构造有效的协商模型来提高Agent的协商能力，是多Agent系统研究中待解决的问题之一。文章主要讨论了双边多项目协商问题，提出了相应的协商模型、协议和协商算法，具有一定的通用性。     

多Agent自动协商策略和算法

针对传统协商过程周期长、代价高的问题,提出了三类形式化的曲线簇来描述Agent所采取的协商策略以及一种数学化和计算机程序化的多Agent自动协商算法。这三类策略分别为急躁型、节俭型和折中型。通过实验模拟发现采用所提出的协商策略和算法更符合人类思维的直观。该方法可应用于多种电子商务交易（如B2B和B2C）等活动中。     

基于多Agent系统的自动协商机制及通用协商框架

自动协商是多Agent系统实现协作的关键环节。目前,对协商模型的研究大部分是在特定的应用系统中针对具体协商背景进行研究,协商模型的通用性较差。本文分析了多Agent系统协商机制的三个方面:Agent通信语言、通信方式和交互协议。在此基础上,给出了基于多Agent的通用协商框架GNF,该协商框架包括抽象协商过程、协商规则分类和协商协议。最后,给出了一个基于通用协商框架GNF的原型系统——采用Jess规则引擎实现的多Agent的商品交易系统。     

基于多Agent自动协商的电子商务系统的研究

本文首先分析了多Agent系统的特点,并对基于博弈论的商品价格自动协商的双向博弈模型及其运行过程进行了探讨.在此基础上,结合电子商务系统的实际需求,提出了一种基于多Agent自动协商的电子商务系统,对该系统的组成单元及其运行过程进行了详细阐述,为该系统的具体实施打下了基础.     

一个基于Agent的轿车市场自动协商模型

该文提出了一个针对轿车市场中交易协商的双边多议题自动协商模型，该模型具有如下特点：用基于效用的相似度比较法实现Agent智能搜索；模型采用学习机制包括历史学习和Q-学习，历史学习机制用于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。Q-学习机制用于生成协商提议，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协商。     

多Agent系统中基于信任度评估模型的自动信任协商

在动态开放的系统中．由于Agent间交互存在着不确定性,安全成为一个重要问题。在现有的自动信任协商的基础上．考虑主观信任的作用．提出基于信任度评估模型的自动信任协商框架．详细介绍框架中的主要成分及其功能．着重讨论基于信任度评估模型的访问控制,以及在信任度评估模型基础上的两种协商对策：基于信任度评估模型的积极对策和基于信任度评估模型的谨慎对策。分别详细介绍采取上述两种对策的协商过程．并结合一应用实例说明基于信任度评估模型的积极对策的协商过程。     

多Agent自动协商中机器学习的应用研究

目前将机器学习理论应用到多Agent自动协商系统中已成为电子商务领域的最新研究课题。本文即是利用贝叶斯法则来更新协商中的环境信息（即信念），利用强化学习中的Q学习算法生成协商中的提议，建立了一个具有学习机制的多Agent自动协商模型。并且封传统Q学习算法追行了扩充，设计了基于Agent的当前信念和最近探索盈余的动态Q学习算法。实验验证了算法的收敛性。     

基于遗传算法的Agent多边多议题协商模型

提出了一种基于遗传算法的多边多议题协商模型,该模型能够根据协商过程中对手提议的变化情况动态估计对手偏好,提高了适应度函数的判断能力,促使协商达成一致.实验分析表明,该模型使各Agent均能在短时间内协商成功,并且各Agent获得的效用总和近似于最高社会效益,从而验证了该模型的有效性.     

基于交互历史的多Agent自动协商研究

在多Agent协商过程中,初始信念起到了至关重要的作用.而初始信念的形成是由设计者给予的部分专家知识和策略集,成功的交互历史是Agent在复杂环境中最后达成一致的提议集.通过学习机制从交互历史中获得知识,形成协商的初始信念,将更加有效地预测对方的策略,缩短协商过程的时间,再通过在线学习来协调己方Agent的行为.在此基础上优化协商模型,提高协商的效率和成功率.     

基于移动Agent的自动协商应用

主要研究电子商务中的协商问题,为实现自动协商提供了一个可行的方向。通过分析目前电子商务的协商现状及所存在的问题,提出将移动Agent技术引入电子商务,为B2C电子商务中一对多的协商问题自动化指出了一个实现方向,并得出基于移动Agent的自动协商系统的建设目标及特点。这将对于实现电子商务协商的自动化,提供有力的理论支持及发展方向。     

基于机器学习的自动协商决策模型

所提出的模型利用协商历史中隐含的信息自动对数据进行标注以形成训练样本,用最小二乘支持向量回归机学习此样本得到对手效用函数的估计,然后结合自己和对手的效用函数构成一个约束优化问题,用遗传算法求解此优化问题,得到的最优解就是己方的反建议.实验结果表明,在信息保密和没有先验知识的条件下,此模型仍然表现出较高的效率和效用.     

基于TD3算法的自动协商策略

协商是人们就某些议题进行交流寻求一致协议的过程.而自动协商旨在通过协商智能体的使用降低协商成本、提高协商效率并且优化协商结果.近年来深度强化学习技术开始被运用于自动协商领域并取得了良好的效果,然而依然存在智能体训练时间较长、特定协商领域依赖、协商信息利用不充分等问题.为此,本文提出了一种基于TD3深度强化学习算法的协商策略,通过预训练降低训练过程的探索成本,通过优化状态和动作定义提高协商策略的鲁棒性从而适应不同的协商场景,通过多头语义神经网络和对手偏好预测模块充分利用协商的交互信息.实验结果表明,该策略在不同协商环境下都可以很好地完成协商任务.     

基于拍卖博弈的电子商务自动协商

为提高电子商务自动协商系统效率,本文以拍卖博弈理论为基础,提出并实现了一种基于拍卖博弈的自动协商Agent模型,并在此基础上实现了一个基于拍卖博弈的电子商务自动协商原型系统,应用于一个企业敏捷供应链管理系统中实现自动协商交易。     

基于增强学习的多agent自动协商研究

该文通过对协商协议的引入,对提议形式、协商流程的分析,结合多属性效用理论和连续决策过程,提出了一个开放的、动态的、支持学习机制的形式化多问题自动协商模型。并在模型的基础上分别对评估提议、更新信念、生成提议等协商过程作了详细描述;对传统Q学习进行了扩充,设计了基于agent的当前信念和最近探索盈余的动态Q学习算法。     

自动信任协商中一种最小信任披露策略

自动信任协商是通过逐渐请求和披露数字证书在两个陌生实体间建立相互信任的方法。当前对自动信任协商协商策略的研究,往往存在很多问题。文章提出了一种基于期望因子的自动信任协商模型,该模型采用MCD策略,通过分析各信任证书的期望因子,当可能的协商存在时,它能披露和请求最小的信任证找到一条成功的协商路径,当协商不可能成功时,尽快的发现并终止它。它能保证在协商的过程中没有不相关的信任证被披露并且不需要暴露双方的访问控制策略,同时通过实验证了明MCD策略是完备的。     

CSCW协同建组自动协商模型研究

文章提出了支持协同工作组建立的自动协商模型,定义了agent协商协议、协商算法和协商agent用于产生及评估offer、counter-offer的效益决策函数,分析了算法时间耗用,与现有协商模型和协商建组FITS/CL框架进行对比,验证了该模型在支持用户参加多个协同组、进行多协商方面的优势,解决了组建立中的群体决策问题,对探索自动建组方式进行有益尝试。     

通用的个性化自动谈判服务框架及其实现

针对目前缺少从用户的个性化服务需求到主体服务实现角度设计的通用框架的问题,给出一个通用的个性化自动谈判框架。提出用户个性化服务需求转换为主体服务实现的方法和主体谈判服务的实现步骤,通过一个典型案例的实现与分析结果表明,该框架具有较好的实用性。     

ATN中信任证链查找算法的研究

针对自动信任协商中分布式存储的信任证查找算法效率低下的问题,本文提出一种贪婪算法和双向查找算法相结合的信任证链查找算法,并通过控制信任证图生成的方向和限制信任证链查找时生成信任证图的大小来进一步提高查找的效率.仿真结果表明该算法生成的信任证图比其它算法生成的信任证图平均要小3％左右,在查找相同的信任证的情况下,改进算法的效率和其它算法相比提高了5％左右.