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.

Agent动态交互信任预测与行为异常检测模型

在agent理论中,信任计算是一个有意义的研究方向.然而目前agent信任研究都是以平均交互成功率来计算,较少考虑信任动态变化,因而准确预测和行为异常检测的能力不能令人满意.针对上述问题,以概率论为工具,按时间分段交互历史给出agent交互信任计算模型CMAIT;结合信任的变化率,给出信任计算的置信度和异常检测机制.实验以网上电子商务为背景,实验结果显示该计算模型的预测误差为TRAVOS的0.5倍,计算量也较少;既可用于对手历史行为的异常检测,防止被欺骗,又可用于对手未来行为的预测.改进了Jennings等人关于agent信任的工作.

一种基于案例的Agent多议题协商模型

不完全信息条件下的Agent协商最优回价策略一般采用间接学习对手偏好的方式;另一方面,Agent一般拥有或多或少的经验和知识,这将帮助它们取得更好的协商结果.这启发了用基于案例的方法直接学习得到最优回价,提出了不完全信息条件下基于案例和对策论的Agent多议题Pareto最优协商模型.所给出的算法计算复杂度为多项式级,且当案例库规模控制在一定范围内时低于Fatima工作的计算复杂度.实验结果显示,采用该算法的Agent能够取得比人类更优的效用和更短的达成一致时间,且优于Lin等人的实验效果.改进了Fatima等人的工作.

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。

信任网络形成及其在智能推荐中的应用研究进展

在网络时代,人们之间的交互变得越来越频繁,因而存在于人们交往过程中的信任关系也变得越来越重要,成为多Agent系统和推荐系统中的研究热点之一.信任网络是基于信任的传递性而构建的,从而可以给推荐系统等提供一种有效的信息.由于传统推荐系统存在数据稀疏和冷启动等问题,结合信任的推荐系统应运而生,取得了较好的发展.讨论了信任和信任网络的基础研究,详细介绍了目前信任建模、信任传递等相关方面的研究,分析了目前传统推荐系统的研究和基于信任的推荐系统的研究现状.最后给出了基于信任的推荐系统在未来可能的研究方向.

基于模糊盟友关系的多主体系统长期联盟

多Agent系统形成长期联盟有利于降低计算复杂度、改善盟友关系·Breban和Griffiths等人研究了Agent之间的信任关系,但计算复杂度高、可行性差·长期联盟形成的模糊盟友关系的提出,可以合理地描述长期联盟Agent之间的盟友关系·通过监控Agent之间的交互更新盟友关系,降低盟友关系的计算复杂度,提高盟友关系计算的实时性,深化了Breban和Griffiths的工作,仿真结果验证了该方法的可靠性和实用性·该方法是长期联盟和组织的形成、演化研究基础·

基于信任和声誉的Agent组织信誉模型

Agent组织是OOP(Object Oriented Programming)向AOP(Agent Oriented Programming)转变的重要形式,一个Agent组织要良好运行应该具有较高的信誉值,但此前这方面研究较少。针对上述问题,基于信任和声誉提出一种Agent组织信誉模型AOCM(Agent Organizational Credit Model)和计算方法,内部信任和外部声誉集成为Agent组织信誉,内部信任基于Agent之间的交互,外部声誉基于Agent的观察;改进了Dong Huynh等人关于Agent信任等方面的工作。实验结果验证了该模型的计算可行性、合理性。

一种Agent组织信任计算模型

Agent信任研究已经成为多Agent系统理论研究的重要内容,但目前大多数研究都是关于个体Agent信任和声誉,较少涉及Agent组织信任研究;而且,开放网络环境中存在着的大量不精确和不完全信息,导致信任计算置信度不高.针对上述问题,以概率论为工具研究Agent信任,结合交互频率给出一种Agent组织信任计算模型CMAOT,其算法的计算复杂度是多项式级,并提出了4条基本性质.实验结果验证了该模型的计算可行性和效果,改进了Jennings等人的工作.

动态联盟收益值的再励学习

联盟形成的收益值是模糊和不确定的,难于计算,而联盟收益值在成员变化的情况下的计算就更为复杂。Lerman等人实现了动态联盟Agent进出联盟的管理方法,Chalkiadakis则研究了不确定情况下联盟的再励学习,但没有涉及联盟成员变化情况下的收益值动态性。论文定义了带折扣率的估计核,给出一种再励学习算法来计算联盟成员变化后的收益值,深化了Chalkiadakis的工作。实验结果验证了该方法的可行性和正确性。

一种入侵检测系统的分布式多Agent通信机制

在基于Agent的分布式入侵检测系统中,多Agent之间的通信是一个关键的问题。文章给出了入侵检测系统的分布式多Agent通信机制,即基于双向指针的移动多Agent通信方法,实现了多Agent之间尤其是移动多Agent之间可靠通信,克服了集中式通信机制的通信瓶颈问题,还具有较好的容错性和扩展性。

面向移动对象连续k近邻查询的双层索引结构

移动对象连续k近邻(CKNN)查询是指给定一个连续移动的对象集合,对于任意一个k近邻查询q,实时计算查询q的k近邻并在查询有效时间内对查询结果进行实时更新.现实生活中,交通出行、社交网络、电子商务等领域许多基于位置的应用服务都涉及移动对象连续k近邻查询这一基础问题.已有研究工作解决连续k近邻查询问题时,大多需要通过多次迭代确定一个包含k近邻的查询范围,而每次迭代需要根据移动对象的位置计算当前查询范围内移动对象的数量,整个迭代过程的计算代价占查询代价的很大部分.为此,提出了一种基于网络索引和混合高斯函数移动对象分布密度的双重索引结构(grid GMM index,GGI),并设计了移动对象连续k近邻增量查询算法(incremental search for continuous k nearest neighbors,IS-CKNN).GGI索引结构的底层采用网格索引对海量移动对象进行维护,上层构建混合高斯模型模拟移动对象在二维空间中的分布.对于给定的k近邻查询q,IS-CKNN算法能够基于混合高斯模型直接确定一个包含q的k近邻的查询区域,减少了已有算法求解该区域的多次迭代过程;当移动对象和查询q位置发生变化时,进一步提出一种高效的增量查询策略,能够最大限度地利用已有查询结果减少当前查询的计算量.最后,在滴滴成都网约车数据集以及两个模拟数据集上进行大量实验,充分验证了算法的性能.

基于声誉的移动众包系统的在线激励机制

在大数据环境下,对移动众包系统的研究已经成为移动社会网络(MSN)的研究热点。然而由于网络个体的自私性,容易导致移动众包系统的不可信问题,为了激励个体对可信策略的选取,提出一种基于声誉的移动众包系统的激励机制——RMI。首先,结合演化博弈理论和生物学中的Wright-Fisher模型研究移动众包系统的可信演化趋势;在此基础上,分别针对free-riding问题和false-reporting问题建立相应的声誉更新方法,从而形成一套完整的激励机制,激励感知用户和任务请求者对可信策略的选取;最后通过模拟实验对提出的激励机制的有效性和适应性进行了验证。结果显示,与传统的基于社会规范的声誉更新方法相比,RMI有效地提高了移动众包系统的可信性。

基于博弈论的网络信息传播模型的研究

网络中存在较多暂时无法判断真伪的信息,网民面对这些信息时,选择不转发或转发策略是一种博弈。同时,对于已经拥有信息并且知晓信息真实性的信息传播者,选择发送真实信息或失真信息也是一种博弈。以这种真实的网络信息传播为背景,将博弈论和多Agent技术结合应用到网络信息传播的研究中,建立了多个适用于不同情境的博弈模型。通过收益矩阵分析了现实网络信息传播中行为人的策略选择问题,阐述了各种模型的基本性质和现实意义。在建立模型的过程中充分考虑到网络信息传播的流动性,并将信任机制引入其中,使建立的模型更符合实际网络信息的传播情形,并且为网络信息传播的Agent模拟实验、动态博弈和演化博弈模型的建立打下理论基础。

一种O（2．983^n）时间复杂度的最优联盟结构生成算法

首先,在有限整数集上建立有效拆分关系,在联盟集上建立有效二部分解关系,并设计了一种EOCS(effective optimal coalition structure)算法.该算法采用自底向上方式,只对具有有效二部分解关系的联盟进行二部分解来求联盟的优值,从而降低了二部分解的数量.随后,利用函数的克林闭包特性证明了EOCS算法的正确性,利用积分极限定理证明了EOCS算法时间复杂度的下界是O(2.818n),用时间序列分析方法求出了EOCS算法的上界是O(2.983n).最后,将EOCS算法与其他算法作了对比,指出无论联盟值满足何种概率分布,EOCS算法都能在O(2.983n)时间内找出最优联盟结构.Rothkopf提出的DP(dynamic programming)算法和Rahwan提出的IDP(improved dynamic programming)算法能够在O(3n)时间内求出最优联盟结构.所作的EOCS算法设计、正确性证明、时间复杂度的上下界分析都是对Rothkopf及Rahwan等人相关工作的改进和提高.

不协调区间值决策系统的分布约简

知识约简可以保持决策系统中的分类特征不变,是粗糙集理论的重要研究内容之一。分布约简保持约简前后决策系统中各规则的置信度不发生改变。为了给区间值决策系统的论域分类提供合理的度量标准,引入了区间值相似率。通过将Pawlak决策系统中的等价关系扩展到区间值决策系统中的相容关系,提出了区间值决策系统的分布约简目标。针对该目标给出了相应差别矩阵的计算方法,并与现有区间值决策系统的广义决策约简计算方法进行了分析比较。最后,通过人工数据集的实验验证了相关结论的有效性。

一种快速构建最优联盟结构的方法

联盟结构是对Agent集合的一个划分,通过联盟形成联盟结构,可以使Agent之间形成有效的合作,完成单个Agent所不能完成的任务。然而联盟结构的数目和解空间比较大,以至于通过穷举搜索最优联盟结构是很复杂的。动态规划法通常用于求解具有最优子结构性质和重叠子问题性质的问题,文章在给出了Agent联盟的相关概念之后,论证了构造最优联盟结构问题恰恰具有这两类性质,因此利用动态规划法可以求解。最后给出了相应的算法,并得出采用动态规划法实现最优联盟结构的时间复杂度为O(3n)。

图像的多尺度稀疏分解及其在遥感图像融合上的应用

提出了一种图像多尺度稀疏分解的新方法,联合局部离散余弦变换基和曲波变换基组成分解字典,通过控制字典系数从多个尺度把二维图像稀疏分解为纹理成分和卡通成分,并以此应用到遥感图像融合,提取有效尺度下高分辨率全色遥感图像的纹理成分和多光谱遥感图像的卡通成分,对二者进行稀疏重建得融合图像.实验结果表明,多尺度稀疏分解的遥感图像融合方法优于经典融合方法,融合结果具有更高的空间分辨率和更低的光谱失真,相比流行的稀疏重建法,该方法的执行速率得到大幅提升,且取得了更好的融合结果.

UML顺序图形式化语义的研究综述

为UML顺序图构建形式化语义,不仅有利于精确描述软件系统的动态交互过程,而且有利于进行基于UML模型的分析和验证,是有效提高软件系统可靠性的重要保障。结合近年来国内外对UML顺序图形式化语义的研究工作,分类阐述了各种方法,综合分析和比较了不同方法的工作机制和优缺点,指出了定义UML顺序图语义时需重点关注的问题。最后,对未来的研究工作与研究思路进行了梳理与展望。

基于演化博弈论的网络信息传播群体行为分析

以网络信息传播为背景,针对网络信息传播群体,对群体的静态结构和动态行为进行抽象和分析。以前期使用经典博弈论来分析传播个体行为的研究为基础,建立符合网络信息传播特性的演化博弈模型来刻画网络信息传播群体的交互行为,采用有限理性Agent来模拟真实网络信息传播环境下的信息传播者,使用演化稳定策略和复制者动态对网络信息传播单群体的行为进行静态和动态均衡的分析,并通过计算验证了网络信息传播群体的稳定结构与群体行为的动态均衡具有很强的关联性。

不协调区间值决策系统的知识约简

区间值决策系统是传统Pawlak决策系统的扩展,区间值决策系统的知识约简是近年来粗糙集研究领域的热点问题之一.在实际应用中,由于信息本身具有的不确定性与不完备性,区间值决策系统往往以不协调的形式呈现.通过引入区间相似率,给出了区间值决策系统的α-相容关系与对应的上下近似算子;定义了不协调区间值决策系统的确定性规则保持与不确定性规则保持两种知识约简目标,并给出了相应差别矩阵的计算方法;对提出的两种约简与区间值决策系统的广义决策约简之间的关系进行了有效分析.最后,通过实验验证了相关结论的正确性.