组合电子市场中多Agent联盟形成的动态特性分析

在给出一种多Agent中介系统控制的组合电子市场模型的基础上,利用基于群集智能的多Agent系统分析方法,针对中介主导的组合电子市场中大量消费者联盟形成的问题,从组合市场的宏观层次将其抽象为一个具有随机特性的群集系统,为多Agent间交互的动态特性作出宏观层次的定量分析.根据群集系统的速率方程,首先给出了一个反映组合市场中市场结构动态变化的微分方程,然后通过数值仿真,验证了组合贸易中多Agent联盟形成的可行性和有效性,分析了中介主导型商务系统这种新的电子市场模式存在的价值,并通过与相关工作的比较证明了多Agent中介系统控制的组合电子市场模型,提高了多Agent联盟形成的效率和效果.

基于IPSO算法的多Agent联盟形成研究

考虑单个Agent资源有限,多个Agent时常需形成联盟来完成任务或提高联盟整体能力,如何形成一组针对某个任务的最佳联盟是MAS中一个紧迫而又关键性的问题。基于此,文中提出一种改进的IPSO算法来解决该问题,同时为克服粒子过早收敛和局部优化,在改进的惯性权重上引入一种柯西变异的扰动算子,最后与PSO算法及ACO算法做对比,结果表明该IPSO算法的全局搜索能力较强,成功避免了粒子过早收敛,资源浪费等问题。

一种基于理性Agent的任务求解联盟形成策略

联盟形成是多agent系统中的一个关键问题,主要着眼于如何在联盟内agent间划分联盟的效用.但已有策略无法摆脱搭便车问题,尤其是额外效用的分配没有确切反映出各agent对于联盟贡献的差异性,导致联盟潜在的不稳定.本文给出了一种新的联盟形成的行为策略,在公平分配原则和无妒忌原则的基础上,提高了对额外效用分配的合理性,在具有超加性的面向任务的领域中可以形成全局最优联盟,并具有Nash均衡意义下的稳定性.

多任务联盟形成中的Agent行为策略研究

Agent联盟是多Agent系统中一种重要的合作方式,联盟形成是其研究的关键问题.本文提出一种串行多任务联盟形成中的Agent行为策略,首先论证了Agent合作求解多任务的过程是一个Markov决策过程,然后基于Q-学习求解单个Agent的最优行为策略.实例表明该策略在面向多任务的领域中可以快速、有效地串行形成多个任务求解联盟.

一种AGENT任务求解联盟形成策略

Agent联盟是一组平等的、协作的、共同承担任务的 Agent的集合 .联盟的形成往往需要较大的通信开销和计算工作量 .本文提出一种 Agent形成联盟的策略 ,该策略在系统运行的初始阶段 ,保证任务分配的优化解 .而在随后的运行中基于成功合作者集形成 Agent联盟 .该策略保证在接近任务分配优化解的情况下 ,有效减少系统中的可能联盟数以及联盟形成过程中的通信开销和计算量 ,避免联盟形成过程中的盲目性 。

Agent协作求解中形成联盟的行为策略

ＭＡＳ中ａｇｅｎｔ结成求解联盟可以提高求解效率，但已有策略不能保证达到全局优化解和联盟稳定性．本文提出一种联盟形成的行为规范策略，在具有次加性的面向任务的领域中可以达到全局优化解，并保持稳定．本文还讨论了联盟形成机制的特性，并论述了文中所提出的行为规范策略在一定条件下具备这些特性．

二进制编码差异演化算法在Agent联盟形成中的应用

在多Agent系统中,通过形成联盟可以提高Agent求解问题的能力,因此,联盟是多Agent系统的重要合作方法.从本质上讲,Agent联盟的形成是一个复杂的组合优化问题.引入差异演化算法来解决这一问题.差异演化是一种基于群体差异的演化算法,适合于求解连续空间的最优化问题.首次将以实数编码的差异演化算法应用于Agent联盟问题,提出二进制编码的差异演化算法解决组合优化问题,通过引入S型函数把变异操作的结果限制在集合{0,1}上,可以快速、高效地找出合适的Agent联盟.与遗传算法和蚁群算法的对比实验表明,该算法是正确、有效、可行的,在运行时间和解的性能上都优于相关算法.

基于QPSO的单任务Agent联盟形成

智能群体搜索算法在求解单任务Agent联盟时稳定性较差、收敛速度慢、全局寻优能力不强,因此采用优化的量子粒子群优化算法解决上述问题。利用群体历史优质解,在最优粒子变异的基础上,采用多种群并行搜索,防止陷入局部极值,并对粒子群进行筛选以加快粒子群的收敛速度。对比实验结果表明,该算法可以快速、高效地找出合适的Agent联盟,在运行时间和解的质量方面优于同类算法。

多agent系统的联盟框架及形成机制

基于集合分割、R ough集理论、大系统控制论和人工社会理论对多agen t系统协作的联盟框架及形成机制进行了研究,提出了2类6种联盟框架.在知识层次上定义了联盟精度等概念,并给出了联盟形成的算法描述,算法易于编程实现,并给出一个应用实例,有效解决了agen t的能力和任务所形成的知识集合边界不分明的问题.

一种基于Agent诚实度的动态联盟形成策略

联盟形成是多Agent系统一个关键问题,主要着眼于如何在联盟内Agent间划分联盟的效用。但已有策略大都针对超加性环境,而对非超加性环境的研究却很少。文中提出了"Agent诚实度"的概念,并基于协商机制给出了一种新的动态联盟形成策略。该策略在非超加性环境中可以快速、有效地形成任务求解联盟,及时满足系统需求。

基于关系网模型的Agent联盟形成策略

从研究Agent社会合作机制入手,引入了一个表示Agent之间联系的社会关系网模型,并以该模型中的熟人集为基础提出了一种Agent联盟形成策略。该策略能有效地减少系统中的联盟数,避免联盟形成过程中的盲目性,节省协商时间并提高协商效率。

基于信任度的军用Agent联盟形成策略

联盟是多Agent系统之间一种重要的合作方法。为了实现可灵活调整的作战组织结构，针对军事领域任务分工明确、命令强制执行等特点，以利他型Agent为联盟构成基础，使用Agent完成任务的满意度和信任度共同评价Agent求解问题的能力，提出了适合军用的Agent联盟形成过程，并给出了应用示例。基于信任度的Agent联盟形成策略能够提高问题求解效率，增强Agent联盟的稳定性，从而拓宽了关于Agent联盟的研究。

一种新的动态Agent联盟形成机制

动态Agent联盟的形成机制是当前MAS研究的一个重要方向。为了克服目前Agent联盟形成机制存在的Agent利用率不高等缺陷,本文提出了一种基于"二次招/投标"和NOAH规划的动态Agent联盟形成机制。该机制采用"二次招/投标"法形成动态联盟,采用NOAH规划进行任务规划和分解,能够在满足子任务时间约束的条件下,充分发挥Agent的并行执行能力;并使得Agent能够动态加入和退出联盟,从而提高了Agent的利用率,保证了自利Agent自身利益的最大化。最后通过一个典型的实例验证了其有效性。

多Agent系统中的联盟形成

1.引言自1993年文[1.4,8]提出联盟方法以来,已取得了一定的进展。通过联盟可以提高Agent求解问题的能力,获得更多的报酬,因而联盟是多Agent系统(MAS)的重要合作方法。下面先给出问题的描述,然后论及联盟的形成过程。设agent集N={A_1,A_2,…,A_n},资源集Q={(q_1,q_2,…,q_n)},其中q_i=(q_i^1,q_i^2,…,q_i^(ki)),q_i^j表示A_i第j种资源的数量;任务集T={T_1,T_2,…,T_n},其中T_i={t_i^1,t_i^2,…,t_i^(mi)}是A_i的任务集,t_i^j是A_i的第j个任务,对每一个任务有对应的资源需求说明;每一个Agent开始都持有一定的资源。

基于蚁群正反馈的Agent联盟形成策略

联盟形成是多agent系统中的一个核心问题,由于系统的计算资源有限,因此设计一种能有效缓解计算瓶颈和信息拥塞的联盟形成策略是关键。基于蚁群算法的正反馈思想,以熟悉度表示agent之间的相互关系,提出了一种具有"正反馈"特性的联盟形成策略。仿真实验的测试及分析说明了该策略能在一定程度上降低整个系统的通信代价和资源开销,提高了系统的可靠程度。

基于二次招/投标协议的Agent联盟形成策略

为了克服目前Agent联盟形成策略存在的一些缺陷,提出了一种基于二次招/投标协议的动态Agent联盟形成策略.该策略采用二次招/投标法形成动态联盟,能够在满足子任务时间约束的条件下,充分发挥Agent的并行执行能力;并使得Agent能够动态加入和退出联盟,从而提高了Agent的利用率,保证了自利Agent自身利益的最大化.最后在AgentTool环境下进行协议仿真验证,实验结果表明该协议不存在死锁、活锁和死循环.

多Agent对抗环境下联盟形成的信任模型

提出了一种用于多Agent对抗环境下联盟形成的信任模型CORE,模型从能力和名誉两个方面来描述Agent的信任度,用能力向量空间中的距离公式来度量Agent胜任具体任务的能力大小,用隶属度函数来描述Agent的名誉。任务开始时,模型按信任度大小选取合适的Agent形成联盟,任务中Agent能力动态增长,名誉动态变化,任务结束后,模型根据联盟中Agent的表现情况计算新的信任度,作为下一个任务来临时联盟形成的依据。最后,在NetLogo平台上模拟实现了该模型。

组合市场中消费者联盟形成及多方博弈的研究

关注电子商务的进一步发展,研究组合贸易中的消费者联盟形成及多方博弈问题.在给出一种多Agent中介系统控制的组合市场模型的基础上,使用群集分析方法对组合市场中大量消费者联盟形成过程的宏观动态特性进行仿真,通过数值仿真实验为组合市场中不同角色在贸易中所起的作用进行定量的分析,并为不同角色间的市场博弈提供定量分析的方法.

一种基于利益均衡的联盟形成策略

联盟形成是多A gen t系统中的一个关键问题,主要研究如何在联盟内A gen t间划分联盟效用,使A gen t在决策时愿意形成全局更优的联盟.但已有策略对额外效用的平均分配没有顾及后加入联盟的A gen t的利益,不利于全局优化联盟的形成.对此,给出一种基于利益均衡的联盟形成策略,在非减性效用分配等原则的基础上,提高了对额外效用分配的合理性,在面向任务的领域中可以达到全局优化解,较好地满足了稳定性、时效性以及分布等要求.

改进型蚁群算法求解单任务Agent联盟

联盟是多Agent之间一种重要的合作方法,如何生成面向某个任务的最优联盟是一个复杂的组合优化问题.首次引入蚁群算法来解决这一问题,在求解过程中蚂蚁倾向于选择曾经合作过并且合作效果比较好的Agent组成联盟,充分实现了熟人机制;创新地引入“第2种信息素”对蚁群算法进行改进,不再易于陷入局部极小.对比实验结果表明,本算法在解的性能和收敛速度上均优于相关算法.