Agent组织规则的再励学习

Agent组织是一种灵活有效的多Agent系统求解方式。Agent组织规则在Agent组织的求解过程中起着重要作用，可以有效地减少冲突提高求解效率。给出了一种基于再励学习的Agent组织规则生成机制和相应的算法，通过实验表明了算法的有效性，改进了Zambonelli和Jennings等人关于Agent组织规则的工作。     

一种基于资源约束的Agent组织规则生成机制

Agent组织是多Agent系统的一种求解结构，可以有效地降低求解难度和Agent之间的交互复杂性，对Agent组织的抽象包括组织结构，组织规则和组织模式，Agent组织规则的形成是Agent组织设计的重要问题之一，基于资源约束给出了Agent组织规则的形式描述和产生机制，设计了Agent组织规则形成的静态算法和动态算法，从而改进了Zambonelli和Jennings关于Agent组织规则的研究。     

Agent组织的一种递归模型

Agent组织是多Agent系统(MAS)的一种求解形式.基于Agent组织的问题求解可以减少MAS中Agent之间交互的复杂性,降低求解难度.结合收益和组织规则提出了一种Agent组织的递归模型,并讨论了Agent组织的目标分解、收益计算和组织规则形成等问题.相对于Ferber和Jennings等人的工作,这种模型适于描述不同规模的组织,有利于MAS宏观分析和微观分析的结合,而且模型中效用参量的引入可以在一定程度上表明Agent组织的演化.     

Agent的组织承诺和小组承诺

基于Agent组织的多Agent问题求解对降低求解难度和求解复杂性有重要意义.对Agent组织的研究主要集中在组织模型、组织规则、组织结构以及组织的形成和演化等方面,需要从组织中Agent的各种思维属性及其相互关系加以扩展.分析和定义了Agent组织中Agent的内部承诺和社会承诺、小组承诺和组织承诺,研究了基于承诺的Agent组织的形成机制以及Agent组织中承诺的性质,从而推广了关于Agent组织的研究.     

Agent组织研究进展

Agent理论和技术的研究自20世纪70年代末出现以来发展很快,研究工作从个体Agent模型和思维状态理论扩展到群体Agent合作求解,取得了一系列进展.近年来,Agent组织的研究越来越引起重视,作为多Agent系统(MAS)的一种求解结构,基于Agent组织的问题求解可以有效地降低求解难度和Agent之间的交互复杂性.综述了Agent组织近年的研究进展,介绍了Agent组织模型、MAS思维状态模型、规范化MAS和Agent联盟等方面的研究成果,并指出了今后的研究方向.     

基于规范和义务的Agent组织模型

Agent组织是一种灵活有效的多Agent系统求解方式。Agent组织的规范和义务在Agent组织的求解过程中起着减少冲突和提高求解效率的重要作用。基于规范和义务的Agent组织模型描述了组织中规范和义务对组织成员的约束机制以及规范和义务的演化过程。通过规范和义务。使得追求个体收益最大化的自利型Agent在规范和义务的约束下可以体现出其公益性、利它性的一面。     

动态联盟收益值的再励学习

联盟形成的收益值是模糊和不确定的,难于计算,而联盟收益值在成员变化的情况下的计算就更为复杂。Lerman等人实现了动态联盟Agent进出联盟的管理方法,Chalkiadakis则研究了不确定情况下联盟的再励学习,但没有涉及联盟成员变化情况下的收益值动态性。论文定义了带折扣率的估计核,给出一种再励学习算法来计算联盟成员变化后的收益值,深化了Chalkiadakis的工作。实验结果验证了该方法的可行性和正确性。     

面向结构的Agent组织形成和演化机制

基于Agent组织的多Agent问题求解可以大大降低求解难度和交互复杂性。其中Agent组织的形成和演化是基于Agent计算和合作的关键。给出了面向结构的组织形成和演化机制,解决了麻木性和灵活性差问题,保证了Agent的效用理性和个性倾向,刻画了演化所满足的性质,改进了Shehory,Kraus,Glaser等的组织形成和演化方法。     

基于使命的Agent组织模型

Agent组织是一种灵活有效的多Agent系统求解方式。针对目前Agent组织模型主要以利己型Agent为基础的现状,提出适合政府及军事等领域使用的基于使命的Agent组织模型。模型以利他型Agent为组织构成基础,使用信任度和Agent组织效益共同评价Agent求解问题的能力,从Agent思维属性及其相互关系的角度出发,研究了Agent组织中使命的特点、组织形成和演化机制,提高了问题求解效率,增强了Agent组织的稳定性,从而拓宽了关于Agent组织的研究。     

多Agent强化学习方法与应用

强化学习是Agent通过试错与环境交互改进动作策略,单Agent强化学习能够进行自学习和在线学习,单Agent的知识和资源是有限的,多个Agent强化学习是求解复杂问题的有效途径。多Agent系统比单Agent具有更强的问题求解能力,但多Agent的参与又增加了问题的复杂性。本文分析了多Agent强化学习方法的研究现状,总结了目前存在的主要问题及其解决方法,最后介绍了多Agent技术在实际问题中的部分应用。     

一种基于DFS的Agent强化学习策略研究

主要讨论一种基于动态模糊集的Agent强化学习策略,介绍Agent强化学习的目标,状态值函数和动作值函数,马尔可夫决策过程的优化以及学习策略等。     

基于Agent图的三级多Agent系统组织模型

多Agent系统的组织结构是Agent个体之间交互的框架。对分布式多Agent系统的组织方式、协作机制进行了简要讨论,提出了Agent域及Agent图的概念。根据不同Agent之间的地理位置和通信代价,由Agent个体、Agent组及Agent域三级组织结构形成一个Agent图,并借鉴计算机网络的分布式自适应路由选择策略进行多Agent系统的协作组织。分析表明,该模型具有高效、健壮、通信开销较小等优点。     

强化学习中的时间差分法在用户学习方面的应用

随着Internet上信息量的与日俱增，用户查找自己感兴趣的信息变得越来越困难。文章提出了一种使用强化学习中的时间差算法来学习用户的新学习算法，并通过实验与其它学习方法作了比较，取得了明显的成效。     

基于Agent技术的WWW信息查询系统设计

提出了一个基于Agent技术的WWW信息查询系统的设计方案,讨论如何把众多分散自治的信息Agent集成一体,以较好地解决WWW信息查询问题,对完成任务需要的信息Agent,根据其功能特点进行了适当的类型划分,分析研究了信息Agent的结构。     

一类值函数激励学习的遗忘算法

大状态空间值函数的激励学习是当今国际激励学习领域的一个热点和难点的问题,将记忆心理中有关遗忘的基本原理引入值函数的激励学习,形成了一类适合于值函数激励学习的遗忘算法,首先简要介绍了解决马尔夫决策问题的基本概念,比较了离策略和在策略激励学习算法的差别,概述了标准的ＳＡＲＳＡ（λ）算法,在分析了人类记忆和遗忘的一些特征后,提出了一个智能遗忘准则,进而将ＳＡＲＳＡ（λ）算法改进为具有遗忘功能的Ｆorget-ＳＡＲＳＡ（λ）算法,最后给出了实结果。     

基于动态规划方法的激励学习遗忘算法

一个激励学习Agent通过学习一个从状态到动作映射的最优策略来解决策问题。激励学习方法是Agent利用试验与环境交互以改进自身的行为。Markov决策过程(MDP)模型是解决激励学习问题的通用方法,而动态规划方法是Agent在具有Markov环境下与策略相关的值函数学习算法。但由于Agent在学习的过程中,需要记忆全部的值函数,这个记忆容量随着状态空间的增加会变得非常巨大。文章提出了一种基于动态规划方法的激励学习遗忘算法,这个算法是通过将记忆心理学中有关遗忘的基本原理引入到值函数的激励学习中,导出了一类用动态规划方法解决激励学习问题的比较好的方法,即Forget-DP算法。     

基于Agent组织的多UAV协调模型

无人驾驶飞机(UAV)系统的协调问题是UAV研究领域的一个重要问题。研究了适应于UAV系统的Agent结构模型以及组织模型,提出了一种基于Agent组织的多UAV协调模型并给出了其数学化表述,分析了多UAV协调模型中任务协调、角色协调以及动作协调等三个阶段,并对提出的模型进行了仿真。实验表明,模型具有较好的适应性和稳定性。