决策关联分析下的专家权重自适应调整研究

针对多属性群决策问题,在已知属性权重和专家主观权重的基础上,提出了一种基于决策关联度的专家权重自适应调整方法。通过专家的个体决策与群体决策之间的决策关联度对专家的客观权重进行调整,从而得到相对稳定的决策结果和相应的专家综合权重。实验结果表明调整后的专家权重与决策结果是合理的,而且收敛速度更快。     

集体理性约束的Agent协作强化学习

将多Agent协作学习过程看作是一个个的阶段博弈,针对博弈中存在多个均衡解的问题,提出一种集体理性约束下的多Agent协作强化学习算法。该算法使得系统中的每个Agent均按照集体利益最大化的集体理性原则进行行为选择,从而解决均衡解一致问题,同时使得集体长期回报值最大化,加快了学习速度。在集体理性的基础上通过评价各Agent对整体任务求解的贡献度,解决信度分配问题。追捕问题的仿真实验结果验证了算法的有效性。