多属性之间的依赖关系增加协商 Agent 效用函数的复杂性,从而也增加多属性协商问题的复杂度.本文提出一种基于 GAI 多属性依赖的协商模型.该模型使用 GAI 分解将协商 Agent 的非线性效用函数表示为依赖属性子集的子效用之和.在协商过程...多属性之间的依赖关系增加协商 Agent 效用函数的复杂性,从而也增加多属性协商问题的复杂度.本文提出一种基于 GAI 多属性依赖的协商模型.该模型使用 GAI 分解将协商 Agent 的非线性效用函数表示为依赖属性子集的子效用之和.在协商过程中,协商双方采用不同的让步策略和提议策略来改变提议的内容.卖方 Agent 利用本文提出的 GAI 网合并算法将协商双方的 GAI 网合并,并利用生成的 GAI 树产生使社会福利评估值最大的提议.实验表明当买方 Agent 采用局部让步策略且卖方 Agent 采用全局让步策略时,协商双方能够在有限的协商步内达到接近 Pareto 最优的协商结局.展开更多
文摘多属性之间的依赖关系增加协商 Agent 效用函数的复杂性,从而也增加多属性协商问题的复杂度.本文提出一种基于 GAI 多属性依赖的协商模型.该模型使用 GAI 分解将协商 Agent 的非线性效用函数表示为依赖属性子集的子效用之和.在协商过程中,协商双方采用不同的让步策略和提议策略来改变提议的内容.卖方 Agent 利用本文提出的 GAI 网合并算法将协商双方的 GAI 网合并,并利用生成的 GAI 树产生使社会福利评估值最大的提议.实验表明当买方 Agent 采用局部让步策略且卖方 Agent 采用全局让步策略时,协商双方能够在有限的协商步内达到接近 Pareto 最优的协商结局.
