基于Multi-Agent技术的微网分区保护的研究

大量且不同类型的分布式电源渗透到配电网形成微网后,极大地改变了配电网传统保护配置机理。考虑到微网自身结构以及对配电网保护产生的影响,在微网保护设计中引入Multi-Agent技术理念,提出了一种基于Multi-Agent的微网分区保护方案。该方案将微网划分为若干区域,通过获取区域内阻抗元件和功率变化量方向元件锁定故障区域,运用各Agent之间的分布式处理和协作能力实现微网保护。与传统段式保护相比,该保护方案在保护配合和整体性能方面更具有灵活性和可靠性。     

基于MAPSO优化的智能配电网大面积断电供电恢复

当含分布式电源的智能配电网发生大规模停电事故时,必须尽快制定供电恢复计划,减少停电面积。在保证配电网安全运行的前提下,考虑以甩负荷最少及开关操作次数最少两方面因素建立含分布式电源的智能配电网供电恢复模型,提出采用多智能体粒子群优化算法快速恢复孤岛外非故障断电区域负荷供电。该算法在二进制粒子群优化算法基础上引入Multi-Agent概念,每一个Agent相当于一个粒子,通过粒子Agent之间的竞争与合作操作使其快速有效地收敛到全局最优解。算例结果证明了所提算法的可行性和有效性。     

基于Multi-Agent分层协作的数据采集系统

为解决数据采集系统协议解析并发度不高、多接口设计、软件灵活性不佳等问题,将Multi-Agent技术应用到数据采集系统的设计实现中。在对软件业务需求以及Multi-Agent通信协作技术进行研究的基础上,提出了基于Multi-Agent分层协作的软件框架;按照该模型设计并实现了数据采集系统。最后,在该系统上进行了运行试验。运行结果表明,该模型的设计原理与思想正确,提升了数据采集系统的业务处理能力和灵活性。     

柔集理论在MAS合作机制中应用研究

文章提出了一种多智能体系统的合作模式,并给出了如何应用该合作模式的详细描述。将系统中智能体的语义属性采用实系数来定义,并将其以表格的形式采用一种新的处理不确定性问题通用的数学工具—柔集合理论来表示。由此,在一系列的建议候选合作的智能体中就可以在经过约简的柔集合表里直接计算进行选择,系统中采用自适应学习算法来体现多智能体系统运行历史记录和干预用户选择状态。     

基于神经网络的协商学习机制

多agent协商研究中,如何通过学习提高协商效率是一个重要的课题,目前的研究多采用简单的学习算法,学习效果不好。论文首先提出了一个两方多回合交互协商框架,然后依据协商历史结果、协商双方初次出价等信知,对协商结果信息进行预测,从而确定协商交互中的推理策略,并利用BP神经网络的自适应、自学习能力对协商结果预测机制进行学习。随后的验证系统表明,该机制通过对协商结果的有效预测,提高了协商交互的效率和协商个体的效用。     

Web环境下基于移动多Agent技术的CBIR系统

采用移动多Agent技术,提出了一种灵活的基于内容的Web图像检索系统模型。系统将传统的Web图像检索功能封装于不同的Agent中。各Agent自主运行并相互协调,共同完成分布式Web图像检索。由于图像搜索策略封装于移动Agent中,可在数据源本地实现快速的图像匹配,减少了网络信息交换;网络管理Agent消除了异构网络带来的通信障碍。实验表明该图像检索系统具有良好的自治性、伸缩性和适应性以及灵活的在线扩展能力。     

基于区间灰数的MAS任务分配模型及VIKOR方法

在引入区间灰数范数的基础上,建立了基于区间灰数的多属性多Agent系统（MAS）任务分配模型,提出了基于区间灰数的扩展VIKOR方法及多属性MAS最优任务分配原理,并对该任务分配算法进行有效的实证分析。实证分析说明,这种方法是非常有效且能够做出比较合理的任务分配决策。     

智能制造中多Agent系统的研究与应用

多Agent系统理论是智能制造的理论基础。本文首先对Agent模型的认识进行了概括与总结。然后针对智能制造系统的特点,提出了建立多Agent系统模型的约束条件。并以FMS为例,给出了建立多Agent系统仿模型的步骤。最后,提出了对于智能制造中多Agent系统研究应该集中注意的几个关键性问题。     

一种求解饲料配方问题的优化算法

分析了饲料配方问题现有的求解策略,在Bruin提出的多Agent协商求解一种简化线性规划问题的理论模型的基础上,利用多Agent协商理论和线性规划理论,建立了Agent模型,提出了基于多Agent协商策略的饲料配方问题求解的优化算法,并证明了算法的正确性和可行性。实验结果表明,该算法具有更强的求解能力。     

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.