基于随机对策的团队CGA学习

分布式虚拟环境中,个体CGA通过学习来适应环境和团队中其他CGA,从而增强团队求解问题的能力,提高团队的适应性和鲁棒性。当基于随机对策的团队CGA学习出现多个平衡解时,必须解决平衡的选择问题。提出了一种团队CGA学习方法TCCLA,该方法把团队CGA的学习分为两个层次:管理成员的学习和非管理成员的学习,团队中所有成员根据偏好选择最优行为,非管理成员在管理成员的引导下学习到最优平衡,解决了平衡的选择问题,改进了IPL算法,实验表明TCCLA算法的高效性。

基于对策论的团队计算机生成角色任务分配方法

针对带有时间约束的、可以动态加入到环境中的复杂任务,建立了一种基于对策论的任务分配模型,并给出了一种任务分配方法。该方法中计算机生成角色(CGA)根据自身掌握的局部信息进行行为选择,并使用虚拟行动方法确保CGA快速学习到一个严格纯策略Nash平衡。仿真实验结果表明该方法是合理的,能够有效地解决动态任务的分配问题。