一种联盟结构的多Agent合作求解算法

为了测试和比较各种先进的多Agent合作求解智能算法,给多Agent合作策略提供一个比较与测试的平台。针对多Agent联盟数量是Agent个数指数倍的问题提出了一种对Agent联盟结构图自上而下的搜索算法,该算法可以对联盟结构图进行化简,降低搜索空间大小。在基于Agent合作收益独立性假设的基础上,证明了同构的联盟结构是最优的收益。最后,以机器人足球赛RoboCup为背景给出了仿真实验,表明了SCS算法的效率。     

发电机局部放电在线监测Multi-Agent系统研究

为了解决局放信号自身和监测系统框架方面的诸多问题,笔者将分布式人工智能技术应用于发电机局部放电在线监测,构建了一个局部放电在线监测Multi-Agent系统。针对局放数据评估中的预处理、特征提取、趋势和指纹分析,本文分别给出了相应的处理方法及流程,基于此,给出了构建整个系统的框架及单个Agent的设计细节。分析表明,所设计的Multi-Agent系统相比其他局放在线监测系统有诸多优点。     

阻止型不良信息过滤器的研究与设计*

监控与过滤网上的不良信息可以有效地解决网络信息安全问题。针对阻止型不良信息过滤器目前存在的一些问题,诸如响应时间过长、精度不高等,提出利用基于多Agent及隐马尔科夫模型的过滤技术进行解决,并详细阐述了不良信息过滤器——Sniper的设计与实现。试验结果验证了Sniper的有效性。     

基于多代理系统的动态联盟企业信息管理系统

多代理系统研究相互独立而又有联系的个体（智能代理）在分布式环境下的协调合作,其研究及成果为动态联盟企业信息系统的描述和实现提供了有利的支持。文章在分析多代理系统与动态联盟企业的共性基础上,提出利用代理技术构建支持动态联盟的企业信息管理系统,给出了系统结构和代理结构的详细设计,并实现了一个简单的联盟企业信息管理系统。     

基于角色的多Agent系统软件设计方法

角色是面向agent软件开发方法研究中的一个重要抽象概念。论文认为角色是连接多agent系统微观模型与宏观模型的桥梁,角色与agent之间的动态性有利于刻画多agent系统的结构和行为模型。论文研究角色和agent之间的动态绑定思想和机制,讨论基于角色的多agent建模方法RoMAS,并以RoboCup仿真比赛为案例验证该方法的有效性。     

基于多Agent结构的自适应蚁群优化聚类算法

该文在分析蚁群优化算法多Agent结构的基础上,提出了一种新的自适应蚁群优化聚类算法。算法的多Agent分层结构为L0层agent构造解,L1层agent改进可行解,L2层agent更新信息素,更新后的信息素矩阵为下一轮解的构造提供反馈信息。算法选取变异概率p及信息素残留度ρ作为自适应参数,在演化过程中进行自动调节,较好地解决了加速收敛和停滞早熟的矛盾。实验结果验证了算法的有效性,该算法的聚类效果和运行效率优于GA和SA两种演化聚类算法。     

多智能体系统的自适应群集分布式优化

本文对具有非线性函数群集行为的连续时间多智能体系统的分布式优化问题进行了研究。本文的目的是 使局部代价函数之和最小。每个智能体只知道与其对应的代价函数。为了解决这一问题,本文设计了一个分布式 控制律,在这个研究中该控制律仅仅依赖于自己和邻居的速度。通过李雅普诺夫稳定性证明了多智能体系统的收 敛性,而且在最小化局部代价函数之和的同时所有智能体可以避免碰撞。最后,通过一个仿真案例来说明所获得 的分析结果。     

一种求解单任务Agent联盟生成的近似算法

联盟是多Agent之间一种重要的合作方法,如何生成面向某个任务的最优联盟是一个复杂的组合优化问题。本问题的特点是：包含较少Agent的联盟要优于包含较多Agent的联盟。根据此特点提出一种近似算法,比较实验结果表明本算法快速、有效。     

局部合作多智能体Q-学习研究

强化学习在多Agent系统中面对的最大问题就是随着Agent数量的增加而导致的状态和动作空间的指数增长以及随之而来的缓慢的学习效率。采用了一种局部合作的Q-学习方法,只有在Agent之间有明确协作时才考察联合动作,否则,就只进行简单的个体Agent的Q-学习,从而使的学习时所要考察的状态动作对值大大减少。最后算法在捕食者-猎物的追逐问题和机器人足球仿真2D上的实验结果,与常用的多Agent强化学习技术相比有更好的效能。     

基于先验知识的改进强化学习及其在MAS中应用

针对传统的多Agent强化学习算法中,Agent学习效率低的问题,在传统强化学习算法中加入具有经验知识的函数;从心理学角度引入内部激励的概念,并将其作为强化学习的激励信号,与外部激励信号一同作用于强化学习的整个过程。最后将此算法运用到RoboCup仿真中,仿真结果表明该算法的学习效率和收敛速度明显优于传统的强化学习。