分布式自利agent任务分配算法

在有自利agent参与的任务分配情形中,由于agent的自利性,导致各agent不能有效合作,影响agent的个体收益和系统总收益.解决该问题的一个途径是对agent所得的收益进行合理分配.文中基于分布式自利agent联盟技能博弈模型,提出自利agent的任务分配算法.模型中提供技能的服务agent和管理任务的agent都是自利的,分别处于不同的地理位置,具有不同的视野范围.算法为任务agent设计效益分配策略,合理分配自己的收益给所需的技能,任务分配结果在保证个体自利性的前提下获得较高的系统收益.仿真结果验证文中算法的有效性,并考察自利agent的视野范围对自利agent的个体收益和系统总收益的影响.

自利Agent追捕联盟生成算法

多Agent合作追捕是多Agent系统研究的经典问题,在机器人等领域具有重要的应用前景。文章提出了面向任务的自利Agent联盟生成算法,该算法能同时处理多个不同类型的逃跑Agent的任务分配问题;因为追捕Agent和逃跑Agent速度相等,追捕联盟成员位置的分布十分关键,所以提出了基于贡献度的联盟成员选择策略;同时为了较好地体现追捕Agent的自利性,定义了需求度作为自利性的度量,解决了冲突协商且有利于资源的优化配置。通过与经典拍卖算法的比较表明,该算法显著提高了追捕成功率。

基于市场权值的二阶段多agent任务分配算法

当前对于多Agent系统中比较热点问题是多agent的资源分配和多agent的任务分配,即如何将合适的任务分配给合适的agent,以优化整体任务分配结果。但是考虑到其中的agent具有自利性问题的研究却很少。为了有效的解决自利agent任务分配的问题,构造出一个包含最优竞争和市场协作的两阶段任务分配模型,在最优竞争的基础上,市场协作阶段进一步协调和优化最优任务的分配。考虑到候选人之间的关系可能最终影响市场的总体收益,提出“市场权值”的概念来描述更精确的合作关系。基于市场权值的两阶段分配模型,不仅能让任务候选人充分发挥自身优势参与竞争,保护任务候选人利益,而且能优化市场的总体收益。最后,通过仿真结果验证本文提出算法的有效性。