基于GNP的多代理人工股市模型

结合奥地利学派的经济思想,介绍了一种基于GNP算法的多代理人工股市模型.该模型采用GNP算法来模拟交易个体的行为模式,进化他们的决策规则;同时在设计上强化Agent的异质性,并利用GA算法来优化模型参数.仿真结果表明,GNP-ASM模型表现出很好的统计性能,能够体现真实股市的一些基本特征.     

基于GNP的多Agent角色分配问题研究

针对一个需要Agent之间相互协作的多Agent角色分配问题,研究采取了一种GNP的模型结构来解决。GNP是GP的改进,GP是树型结构,而GNP是网络结构。文中首先分别描述了GP与GNP的模型结构和对应算法,然后通过使用负载传输问题来对比分析GNP与GP的性能,并通过计算机仿真负载传输问题中的基于能力的Agent角色分配问题类型,证实了GNP的有效性。     

智能体行为一致性的神经网络方法仿真

针对传统股市研究方法存在的不足,提出用人工神经网络的学习能力模拟Agent的适应性。借鉴Holland的模拟股市建模思想,引入ERA方案建立股市模型。运用Agent行为一致性神经网络方法并结合CT方法对股市进行仿真,模拟不确定环境下股市的动态演化过程。该模型可更好地理解股市的动力学特性。     

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。     

基于内部结构MPOMDP模型的策略梯度学习算法

为了提高MPOMDP模型的知识表示能力和推理效率,提出一种基于Agent内部结构的MPOMDP模型。该模型能表示Agent的内部结构及其时间演化,并通过将系统联合概率分布表示成每个Agent内部变量集的局部因式形式,以提高模型的推理效率。将GPI-POMDP算法扩展到基于内部结构的MPOMDP模型中,给出基于内部状态的多Agent策略梯度算法（MIS-GPOMDP）,来求解基于内部结构的MPOMDP。实验结果表明MIS-GPOMDP算法具有较高的推理效率,且算法是收敛的。     

基于Agent的我国股票市场卖空机制仿真研究

针对我国股市现有的卖空约束缺陷,用复杂适应系统的思想和方法分析股市的复杂性,运用Swarm平台,构建基于Agent的直接计算机模型。设定模型由“交易事件”驱动,给定Agent理性和非理性的行为规则,让Agent通过对有关数据分析后建立有偏预期或无偏预期的交易策略,从而导致资产价格和交易量的变化,以此分析引入卖空机制对股市的影响。仿真模拟表明,卖空机制可以把价格风险降低,增加市场的流动性,对改变股市的资产结构有积极影响,成为投资者和市场规避风险的工具。     

实时环境下Agent决策机制研究

随着实时应用的日益广泛，越来越复杂的技术已经被应用到实时系统中．在分析已有Agent模型的基础上，提出了一种新的实时Agent模型．这种模型将Agent的审慎型行为和反应型行为结合在一起，其效率比已有的Agent模型有较大的提高．还讨论了实时Agent的决策机制，提出用感知器算法对特征进行分类和任意时间算法进行决策．     

多Agent协作的强化学习模型和算法

结合强化学习技术讨论了多Agent协作学习的过程,构造了一个新的多Agent协作学习模型。在这个模型的基础上,提出一个多Agent协作学习算法。算法充分考虑了多Agent共同学习的特点,使得Agent基于对动作长期利益的估计来预测其动作策略,并做出相应的决策,进而达成最优的联合动作策略。最后,通过对猎人。猎物追逐问题的仿真试验验证了该算法的收敛性,表明这种学习算法是一种高效、快速的学习方法。     

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FPN推理的多Agent网络故障诊断系统的研究

多Agent诊断系统是一种分布式系统,现已在故障诊断中得到广泛应用.提出一种基于FPN推理的多Agent网络故障诊断模型,该模型利用各部分Agent模块来完成故障诊断过程中的信息搜集与分析,故障的确定以及对故障的处理,其中故障的确定由模糊Petri网推理算法来完成.该模型综合了FPN推理算法的并行性以及多Agent技术对故障诊断与处理的智能性的特点,为实现网络故障的快速诊断提供了一条全新的思路.     

基于基因表达式编程的WSN定位算法

针对遗传算法在无线传感器网络(WSN)定位优化时早熟收敛、局部寻优能力差的问题,提出一种基于基因表达式编程的WSN定位优化算法。采用采样方法估计节点初始位置,运用基因表达式编程算法对节点初始位置进行优化,其编码方式和特有的遗传算子在最优值发现过程中具有明显优势。实验结果表明,与传统的遗传算法相比,该算法寻优能力强、定位精度高、收敛速度快。     

A portfolio optimization model using Genetic Network Programming with control nodes

Many evolutionary computation methods applied to the financial field have been reported. A new evolutionary method named “Genetic Network Programming” (GNP) has been developed and applied to the stock market recently. The efficient trading rules created by GNP has been confirmed in our previous research. In this paper a multi-brands portfolio optimization model based on Genetic Network Programming with control nodes is presented. This method makes use of the information from technical indices and candlestick chart. The proposed optimization model, consisting of technical analysis rules, are trained to generate trading advice. The experimental results on the Japanese stock market show that the proposed optimization system using GNP with control nodes method outperforms other traditional models in terms of both accuracy and efficiency. We also compared the experimental results of the proposed model with the conventional GNP based methods, GA and Buy&Hold method to confirm its effectiveness, and it is clarified that the proposed trading model can obtain much higher profits than these methods.     

基于EPNET模型和多期预测的时间序列预测

文中主要研究了基于EPNET(Evolutionary Programming Net)的时间序列预测问题。EPNET是一种进化人工神经网络模型，它能够同时代化网络权值和网络结构。该模型没有采用遗传算法中的交叉算子，而是采用了五个变异算子来获得比较理想的进化效果。在此基础上，提出了基于该模型的时间序列预测算法，介绍了该算法实现时的有关问题。     

基于VNF组合的服务功能链设计及映射算法

为优化网络功能虚拟化中服务功能链的设计和映射过程,提高物理资源利用率,提出一种基于虚拟网络功能(VNF)组合的服务功能链设计及映射算法A-VNFC.使用整数线性规划(ILP)模型,在小规模物理网络中求出目标函数总带宽消耗(TBC)的最优解,寻找可组合的VNF,并利用VNF决策树检查所有组合策略,通过迭代和优化降低TBC.仿真结果表明,A-VNFC算法可在不同场景下有效降低带宽消耗,其TBC数值接近ILP模型获得的最小带宽消耗值.     

Efficiency improvement of genetic network programming by tasks decomposition in different types of environments

Genetic Programming and Evolvable Machines - Genetic Network Programming (GNP) is a relatively recently proposed evolutionary algorithm which is an extension of Genetic Programming (GP). However,...     

虚拟企业Multi-agent全局决策协议与不确定规划建模

虚拟企业应用中,由于各个Agent完成任务的时间、成本依赖于其它Agent因此很难在竞标时给出精确的标值,常导致撒谎及完不成任务赔偿的现象。文章提出将带有灰色协商参数的分级承诺协议用于虚拟企业中多代理协商,并允许使用灰量作为竞标承诺值,主合约人可据此进行全局任务调度,提高系统最终实现的可能性。同时,提出了一种灰色相关机会规划模型用于全局任务分配,并在灰色模拟的基础上,给出应用遗传算法求解的过程。     

A study of evolutionary multiagent models based on symbiosis.

Multiagent Systems with Symbiotic Learning and Evolution (Masbiole) has been proposed and studied, which is a new methodology of Multiagent Systems (MAS) based on symbiosis in the ecosystem. Masbiole employs a method of symbiotic learning and evolution where agents can learn or evolve according to their symbiotic relations toward others, i.e., considering the benefits/losses of both itself and an opponent. As a result, Masbiole can escape from Nash Equilibria and obtain better performances than conventional MAS where agents consider only their own benefits. This paper focuses on the evolutionary model of Masbiole, and its characteristics are examined especially with an emphasis on the behaviors of agents obtained by symbiotic evolution. In the simulations, two ideas suitable for the effective analysis of such behaviors are introduced; "Match Type Tile-world (MTT)" and "Genetic Network Programming (GNP)". MTT is a virtual model where tile-world is improved so that agents can behave considering their symbiotic relations. GNP is a newly developed evolutionary computation which has the directed graph type gene structure and enables to analyze the decision making mechanism of agents easily. Simulation results show that Masbiole can obtain various kinds of behaviors and better performances than conventional MAS in MTT by evolution.     

无线传感器网络中基于动态规划的路由算法

针对无线传感器网络的路由设计问题,基于动态规划的思想建立标准模型,在此基础上,提出最小能耗路由算法与能量均衡路由算法。在每个阶段选择决策时,根据该阶段的剩余能量均值动态调整决策集合,从中选择最小能耗路由。实验结果证明,2种路由算法都能提高网络的稳定周期,在一定程度上节省网络能量。     

改进的径向基函数网络的研究及应用

针对径向基函数网络和传统遗传算法的一些不足,提出引入一种自适应机制的浮点数编码的遗传算法,并将其与梯度下降法混合交互运算,作为径向基函数网络的学习算法,形成了基于改进遗传算法的径向基函数网络,它克服了径向基函数网络的学习算法上的缺陷。采用改进的遗传算法,无需计算梯度等,限制很少,还可用模型的预测性能作为优化目标。同时,也解决了单独利用遗传算法往往只能在短时间内寻找到接近全局最优解的近似解这一问题。最后将该算法应用到某地区电力负荷预测取得理想效果。