Agent协商研究进展

自2001年Jennings研究协商以来,已经成为MAS研究的热点。介绍了协商的定义、研究内容、应用领域;分析了协商的复杂性;总结了通用的单议题协商和多议题协商协议的对策论模型;综述了Agent多议题协商的策略与学习算法;并分别介绍了两种典型的多议题协商：拍卖和并发协商,给出组合拍卖、多属性拍卖和并发协商的基本模型及其研究进展;最后探讨了协商存在问题和将来可能的发展方向,指出作为交互、竞争与合作的基础,协商需要继续深入的探讨,也必将成为多Agent系统研究的主流。     

浅谈现代产品试制的加工方式

在当今生产制造领域,要求在同样的生产条件下尽量多的加工出不同类型的产品。通过对当今车间产品试制加工所应用的托盘管理系统及机器人输送系统的介绍,使读者对先进的车间产品加工方式有深刻的了解,给车间产品加工方式提供参考。     

油缸式夹紧机构的原理及应用

针对铰链式的夹具夹紧机构在应用过程中存在：1）重量较大的工件加工（如发动机的缸体）在产品的加工过程中,工件在落下定位的过程中会和夹具压板发生干涉,导致加工工件无法正常进入夹具;2）形状不规则零件,往往由于空间的局限性,工件进出夹具时需要压板让开装卸工件的空间,才能实现工件的装卸。以上两点,限制了铰链式夹紧机构的应用。基于铰链式夹紧机构存在的问题,根据通用油缸活塞运动的原理设计了油缸式夹紧机构,夹紧压板在运动过程中走水平直线运动,很好地解决了工件在上下料的过程中与夹紧压板发生干涉或工件夹紧过程中夹紧压板与工件凸台或加强筋发生干涉的问题,实现了工件在上述特殊情况下的工件夹紧。     

预期关联规则集及其基数的定量分析

给定数据库,在不考虑支持度和可信度情况下,事先能否预知最终会挖掘出多少条关联规则,这是个值得研究的问题。为此文中提出预期关联规则的概念,使上述问题转化成为如何计算预期关联规则集基数的问题。分别给出布尔型和数量型两种情况下的计算公式。对于数量型数据集,讨论当转换为布尔型数据后各个项集元素呈现的互斥性质。利用此性质导出一个膨胀矩阵和膨胀算法。该方法相对简洁地解决数量型数据集预期关联规则集基数的计算问题。计算和测试结果都表明,预期关联规则总量随着互斥元素的增加呈现下降趋势。这些结果对于深刻理解关联规则挖掘的实质,进而研发更加高效的挖掘算法十分有益。     

基于tri-training和极限学习机的跨领域信任预测

信任预测常用于推荐系统及交易平台,大多数学者研究基于某一个网络的信任预测,目前由于大多数网络缺乏标签,所以通过某一网络预测另一个网络的社会关系很有必要.利用BP神经网络结合非对称tri-training构建模型的方法存在2个问题：1)BP神经网络反向传播调整误差需要时间长;2)该模型只有2个分类器产生伪标签,这需要设置专家阈值.针对该模型存在的结构和速度问题,提出了改进的基于tri-training和极限学习机的跨领域信任预测模型,结合tri-training模型和非对称tri-training模型进行类似迁移学习的方法对网络进行预测,采用速度更快的极限学习机分类器,根据“少数服从多数”的投票机制,利用tri-training模型产生伪标签.实验测试特殊特征加入的影响,且在6个数据集上与其他已有算法进行对比,实验表明模型在召回率和稳定性方面优于其他算法.     

信任和效用关系约束的联盟结构生成

联盟结构生成是分布式人工智能的重要研究内容,一般仅依据智能体效用生成任意数量的联盟,这导致最优联盟结构生成的计算复杂度NP难.实际上,信任是合作的基础,信任关系对最终效用有直接的影响,应该综合考虑信任和效用关系.针对以上问题,该文扩展效用约束为信任和效用约束,用信任和效用二元组表示,以此作为联盟结构生成的依据.借鉴图割...     

约束条件下联盟生成研究进展

联盟生成是在多Agent系统的研究中最为重要的挑战之一。如何对Agent进行划分使所得社会福利最大化是当前面临的主要问题。假设每个Agent都具有理性和自利性的特性，为了追求自身的利益最大化而选择和其他的Agent进行联合，进而使整个系统实现利益的最大化。目前，联盟生成问题有很大的计算挑战，即使在进行联盟的时候添加了约束条件，也需要新的算法来更快更有效地解决该问题。本文主要对约束条件下的联盟生成的研究进行综述，主要包括4部分:最坏情况有限界联盟生成、动态规划联盟生成求精确最优解、联盟生成求近似最优解和约束条件下联盟生成求最优解。     

信任和效用关系约束的联盟结构生成

联盟结构生成是分布式人工智能的重要研究内容,一般仅依据智能体效用生成任意数量的联盟,这导致最优联盟结构生成的计算复杂度NP难.实际上,信任是合作的基础,信任关系对最终效用有直接的影响,应该综合考虑信任和效用关系.针对以上问题,该文扩展效用约束为信任和效用约束,用信任和效用二元组表示,以此作为联盟结构生成的依据.借鉴图割的s-t-cut算法,研究了基于信任和效用关系的联盟结构生成,在保证智能体个体理性和联盟稳定(无块)的前提下,使用信任和效用关系对网络进行切割,从而形成联盟.由此,该文提出了两种多项式时间的精确算法:信任关系约束下的MT-s-t-cut算法和信任效用关系约束下的MTU-s-t-cut算法,这两种算法均能够在多项式时间内得到最优联盟结构.仿真实验验证了信任关系影响所形成的联盟结构,社会整体效用随智能体数量的增加而增加,并且算法的运行时间远小于动态规划法(DP)和ODP-IP算法.     

Agent 主观信任的传递性

信任在多Agent系统和网络研究中越来越引起重视.主观信任一般不具备对称性和传递性,这就为基于信任的委托、信任网络的构建和基于信任的网络信息传播等带来了很大的不确定性.针对此问题,讨论了合作环境下二值信任关系及其传递性.给出了客观信任、主观信任的建模方法,给出了与信任传递性有关的几个性质,并证明了客观信任具有等价关系,而主观信任则只具备有条件的对称性和传递性,研究了构造主观信任传递闭包的可行算法,讨论了主观信任传递闭包的连通性及其测试算法,这几种算法的计算复杂度都是多项式级的.为主观信任的传递性研究做了初步的探索,给出了几个基本结论.