基于Agent的体系过程A-GERT网络“刺激-反应”学习模型

针对图示评审技术(graphic evaluation and review technique, GERT)网络应用于体系活动决策过程中未考虑网络节点自身的学习能动性问题,基于智能体(Agent)技术,结合刺激-反应模型构建A-GERT网络模型。首先,根据体系活动的逻辑,搭建A-GERT网络框架,并通过提出网络传递效用函数,设计带有反馈机制的A-GERT网络。然后,利用刺激-反应模型的自适应优势构建学习方程,以GERT网络期望概率与期望时间等指标度量刺激强度,进一步拓展刺激-反应模型。最后,给出网络智能决策节点的学习步骤,并以创新技术开发体系活动进行算例研究,结果表明了所提方法的有效性与实用性。

复杂体系过程A-GERT网络Bayes学习机制解析与模型设计

复杂体系的自学习是其智能性、复杂性和自适应性的核心驱动因素,然而目前学术界对其自学习机制的深入解析却比较少见。本文设计了一种基于智能体(agent)技术的GERT网络Bayes“互动-模仿”学习机制。首先根据节点逻辑关系构建复杂体系过程A-GERT网络,再结合Bayes理论进行网络节点传递概率自学习,进而搭建起“互动-模仿”学习机制模型。最后以新兴产业技术突破体系为研究对象进行分析,结果表明,在目标效益驱动下,通过Bayes自学习传递概率能产生相应的动态变化,凸’显技术突破关键路径,为企业决策产业技术突破方案提供建议。