多Agent框架下Mini-team的设计实现及应用

给出了一种基于Multi agent系统的Mini team体系结构 ,它实现了组内多Agent的局部集中式通信控制。文中就其实现技术及性能特点进行了详细的论述 ,还对Mini team控制下多Agent通信策略、推理机制等方面也进行了阐述。并给出了该模型在高速公路车道收费控制系统中的应用实例。

面向生物医学命名实体识别的多Agent元学习框架

生物医学命名实体识别是生物医学数据挖掘的基本任务.文中提出了一种将多Agent系统和元学习方法相结合的多Agent元学习框架,应用于生物医学命名实体识别.基层多个学习Agent分别识别不同类型的生物医学命名实体,并通过相关学习Agent之间的通信来交换有益信息以调节个体Agent的行为提高其学习性能,元层Agent综合决策基层学习Agent的学习结果以获得最终的识别结果.元层Agent和基层学习Agent通过局部特征选择法选择适合不同实体类别的敏感特征集合提高了总体识别性能尤其是小类别识别的性能.文中提出的方法有效改善了传统的单一学习模型和全局特征选择方法不能兼顾各类别命名实体识别性能的不足.实验结果表明,文中提出的全新方法在生物医学命名实体识别上取得了优越的性能,在JNLPBA2004测试语料上获得了77.5%的F测度值.

基于多Agent的实时自适应数据判读方法

针对目前已有数据判读方法在有效载荷地面集成测试中不适应测试环境变化、实时判读不连续、错误率高的问题,提出一种基于多Agent框架的实时自适应判读(MARAD)方法。首先,依据"感知-决策-执行"的设计理念,构建四个具有独立任务又互相协同工作的智能Agent,以适应测试环境的改变;其次,采用面向活动建模的方式,以C语言集成产生式系统(CLIPS)作为推理机,取消判读规则对测试序列的依赖,保证判读过程的连续性;最后,在判读规则中引入容错机制,在不改变正确性的前提下减少误判和漏判。测试验证结果表明,在判读数据相同的条件下,MARAD方法的实时判读结果与已有的状态模型方法的三次事后判读的均值结果相比,参数漏判率均为0%,但活动误判率降低10.54个百分点;与人工判读相比,参数漏判率降低5.97个百分点,活动误判率降低3.02个百分点,且无需人员参与判读。所提方法能够有效提高判读系统的自适应测试环境能力、实时判读的持续性和正确性。

多Agent策略下的关联规则a-r算法分析及应用

分析现有的理论界和商用软件中的多Agent及多Agent系统模式,在此基础上,设计高校实践教学管理体系模型,引入关联规则为基础的挖掘语义算法思想,解决了空间信息分析服务功能以及应用领域中的数据挖掘问题,同时也改善了多Agent系统的服务能力和服务效率。