一种基于多Agent系统的饲料配方优化算法

针对饲料配方问题的特殊性和复杂性,结合多Agent系统的特点,提出了基于多Agent系统的饲料配方优化算法,算法采用多Agent协商的方式对原料变量的取值进行多阶段调整.对于有最优解的问题,算法能够逼近最优解;对于没有最优解的问题,算法能够发现并忽略不可满足或相互冲突的约束,一方面避免了人为设定的不足,另一方面所得到的解优于传统目标规划方法得到的解.     

对抗环境下多Agent协商问题的研究

利用多Agent系统具有的自治性和实时反应性,探讨对抗环境下的多Agent协商决策问题,提出一种混合式的多Agent结构协商模型,给出以最大团队效益为前提的协商求解策略和协商角色交换算法。通过协商,对抗环境中的Agent成员能够很好地进行动作策略选择和移动,能更好地进行进攻和防守。仿真实验验证了算法的可行性和有效性,结果表明其在一定程度上解决了多Agent系统中实时动态和受限通信对抗环境下的多Agent决策与合作问题。     

多Agent多阶段一对多协商模型

为解决多Agent一对多、多议题协商问题,提出了具有议题属性协商阶段的多阶段协商模型,设计了一种根据Agent让步幅度变化所形成的曲线来判定Agent类型和使用何种协商方法的协商策略.详细地分析了多Agent、多阶段一对多协商的协商过程.将三角模糊数多属性决策方法引入到多Agent协商过程中降低了决策者评估对方所提出方案的难度,能更自然地对不同方案的优劣进行排序.模拟算例表明,该模型有效且可行,为多Agent协商提供可参考的模型和求解算法.     

基于Q-强化学习的多Agent协商策略及算法

针对传统Agent协商策略学习能力不足,不能满足现代电子商务环境需要的问题,采用Q-强化学习理论对Agent的双边协商策略加以改进,提出基于Q-强化学习的Agent双边协商策略,并设计实现该策略的算法。通过与时间协商策略比较,证明改进后的Agent协商策略在协商时间、算法效率上优于未经学习的时间策略,能够增强电子商务系统的在线学习能力,缩短协商时间,提高协商效率。     

基于信任和K臂赌博机问题选择多问题协商对象

Agent之间的多问题协商(multi-issue negotiation)是一个复杂的动态交互过程.解决协商之前的对象选择问题在电子商务中有着重要的应用价值.为了提高多问题协商的准确性和购物Agent的效用,主要解决协商前的销售Agent的选择问题.为了充分利用协商历史,实现探索(exploration)和利用(exploitation)的折衷,把销售Agent的选择问题转变成K臂赌博机问题(K-armed bandit problem)来求解.提出了信任和声誉的度量模型,结合K臂赌博机问题的求解技术,采用学习机制,提出了几个确定奖励分布的改进算法.最后,以模拟协商过程为基础,将改进算法、信任和声誉有机地结合起来,提高了选择销售Agent的准确性和实用性.几个实验都说明了该工作在应用中的有效性.     

多Agent自动协商策略和算法

针对传统协商过程周期长、代价高的问题,提出了三类形式化的曲线簇来描述Agent所采取的协商策略以及一种数学化和计算机程序化的多Agent自动协商算法。这三类策略分别为急躁型、节俭型和折中型。通过实验模拟发现采用所提出的协商策略和算法更符合人类思维的直观。该方法可应用于多种电子商务交易（如B2B和B2C）等活动中。     

基于多Agent协商的服务流程定制

针对复杂业务需求,提出了基于多Agent协商的服务流程定制模型、算法和系统．首先介绍了该模型及其支持系统的框架以及服务Agent的结构和工作原理;然后在将业务需求满足定义为分布式柔性约束满足问题的基础上,提出了基于多Agent协商的求解算法并介绍了一个应用案例;最后,给出了一个原型系统．该模型和系统能够对复杂的业务需求进行建模和求解,从而寻找到合适的服务,满足了服务流程定制的需要．     

基于GAI多属性依赖的协商模型

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.     

多Agent自动协商的公平性研究

为了能够快速、高效地进行Agent协商,构建一个优化的多Agent协商模型。在这个模型的基础上,提出了一个基于协商各方公平性的协商学习算法。算法采用基于满意度的思想评估协商对手的提议,根据对方Agent协商历史及本次协商交互信息,通过在线学习机制预测对方Agent协商策略,动态得出协商妥协度并向对方提出还价提议。最后,通过买卖协商仿真实验验证了该算法的收敛性,表明基于该算法的模型工作的高效性、公平性。     

多Agent系统中双边多指标自动协商的ACEA算法

自动协商是多Agent系统中的一个中心议题,它是在Agent间建立一种合作合约,多数情况下这种合约包含多个协商指标,而多指标的协商比单一指标的协商要复杂得多·因此,如何快速、高效地进行Agent间的多指标自动协商是多Agent系统中必须解决的一个问题·给出了一个Agent间多指标协商的模型(MN),并在此基础上提出了双边—多指标协商的一种加速混沌进化算法(ACEA)·ACEA算法首先将混沌机制引入进化计算,然后采用压缩技术对算法进行加速,这样既克服了进化计算过早收敛到局部Nash平衡点的缺点,又解决了多指标协商繁杂的计算和引入混沌后带来的收敛速度慢的问题·理论分析和仿真实验表明,ACEA算法以概率1收敛到全局最优解·     

基于多属性决策的多维时序信任度排序模型

针对属性权重未知且评价数据为多维时序的信任度排序问题,提出一种基于线性规划理论的信任度排序方法。首先使用线性规划模型确定一维时序下属性权重未知的多个节点信任度排序上下限向量,然后建立多维时序下信任度的最优协调排序模型,再将模型转化为典型指派问题并利用匈牙利算法进行求解,从而得到各个节点的信任度排序。实例分析表明,当最优协调排序模型中距离参数q取低值时,对极值数据不敏感,可以防止少数评价数据突变造成的误评; 当q选取高值时,对极值数据较敏感,可以识别受评对象中信任度摇摆不定的潜在不诚实对象。     

基于共生系统的人工鱼群算法在饲料配方优化中的应用

考虑到智能算法对各类饲料配方优化模型的广泛适用性,首次将人工鱼群算法（AFSA）应用于饲料配方优化。为满足饲料配方优化对收敛精度的要求,采用了一种基于共生系统的人工鱼群算法运行框架,显著提高了原算法的收敛精度与速度。在优化过程中,人工鱼在解空间的位置直接以饲料配比进行编码,采取基于罚函数的评价函数计算其适应度;人工鱼以预定的行为策略执行各行为算子对解空间进行搜索。最后三个实际算例验证了所提算法的有效性。验证结果表明,所提算法设计出的饲料配比方案的吨成本显著降低,各项营养达标,提出算法的优化性能明显优于其他已有算法。     

A simple strategy for solving a class of 0–1 integer programming models

In this paper, a strategy is proposed for solving certain generalized set packing models. The strategy is based on using a recently developed heuristic coupled with the solution of the linear programming relaxation of the model. The strategy is programmed, and execution times required for it to obtain optimal solutions to randomly generated models are compared to those required for an implementation of the Gomory cutting plane algorithm. The Cray 1 computer was used for all computations. Computational experience thus gained indicates that the proposed strategy is superior to the Gomory algorithm, and that it seems to perform relatively better on models with relatively higher-density constraint coefficient matrices.     

基于深度强化学习的多配送中心车辆路径规划

多配送中心车辆路径规划(multi-depot vehicle routing problem, MDVRP)是现阶段供应链应用较为广泛的问题模型,现有算法多采用启发式方法,其求解速度慢且无法保证解的质量,因此研究快速且有效的求解算法具有重要的学术意义和应用价值.以最小化总车辆路径距离为目标,提出一种基于多智能体深度强化学习的求解模型.首先,定义多配送中心车辆路径问题的多智能体强化学习形式,包括状态、动作、回报以及状态转移函数,使模型能够利用多智能体强化学习训练;然后通过对MDVRP的节点邻居及遮掩机制的定义,基于注意力机制设计由多个智能体网络构成的策略网络模型,并利用策略梯度算法进行训练以获得能够快速求解的模型;接着,利用2-opt局部搜索策略和采样搜索策略改进解的质量;最后,通过对不同规模问题仿真实验以及与其他算法进行对比,验证所提出的多智能体深度强化学习模型及其与搜索策略的结合能够快速获得高质量的解.     

基于博弈论及Q学习的多Agent协作追捕算法

多Agent协作追捕问题是多Agent协调与协作研究中的一个典型问题。针对具有学习能力的单逃跑者追捕问题，提出了一种基于博弈论及Q学习的多Agent协作追捕算法。首先,建立协作追捕团队，并构建协作追捕的博弈模型；其次,通过对逃跑者策略选择的学习，建立逃跑者有限的Step-T累积奖赏的运动轨迹，并把运动轨迹调整到追捕者的策略集中；最后,求解协作追捕博弈得到Nash均衡解，每个Agent执行均衡策略完成追捕任务。同时,针对在求解中可能存在多个均衡解的问题，加入了虚拟行动行为选择算法来选择最优的均衡策略。C#仿真实验表明，所提算法能够有效地解决障碍环境中单个具有学习能力的逃跑者的追捕问题，实验数据对比分析表明该算法在同等条件下的追捕效率要优于纯博弈或纯学习的追捕算法。     

基于GIS与Steiner树问题的物流配送中心选址研究

针对建立在GIS软件封装好的算法中的传统选址模型,提出Steiner树问题的选址模型,给出了该模型基于多Agent系统的启发式算法。在此基础上,将编程工具和GIS软件相结合,分析和解决了物流配送中心的选址问题。     

基于异步时间段的原油混输调度连续时间建模研究

采用严格的数学规划方法对沿海炼厂的原油混输调度问题进行了建模和求解,提出了一个基于异步时间段的连续时间混合整数非线性规划(MINLP)数学模型。该模型具有整型变量少,求解快的优点。采用求解一系列MILP来近似求解非凸的MINLP,避免了原油混输MILP模型产生的浓度不一致问题。文中采用提出的新模型和算法对文献中的9个实例进行了计算,相同计算条件的4个实例比离散时间模型效率提高86％-1011％。     

线性规划ν-支持向量机的牛顿法

基于线性规划的ν-支持向量机(ν-LPSVM)是在基于二次规划的ν-支持向量机(ν-QPSVM)的基础上提出的。ν-LPSVM和ν-QPSVM模型中的参数ν都可以控制支持向量的数目和误差,但ν-LPSVM的模型更为简单,应用前景更广。讨论了这种新型支持向量机的线性规划问题的最小2-范数解,在此基础上给出了一个快速、有限步终止的牛顿算法。数值实验表明,ν-LPSVM的牛顿算法快速而且有效。     

A Decomposition Scheme for System Optimal Dynamic Traffic Assignment Models

In this paper, a Dantzig-Wolfe decomposition based solution algorithm is developed for the linear programming formulation introduced by Ziliaskopoulos (2000) for System Optimal Dynamic Traffic Assignment problem. The algorithm takes advantage of the network structure in the constraint set of the formulation: the sub-problem is formulated as a minimum-cost-flow problem and the master as a simpler linear programming problem, which allows DTA to be solved more efficiently on meaningful networks. The algorithm is tested on an example network and its performance is analyzed.     

集群环境下基于竞合机制的多agent供应链管理系统架构*

设计了一个基于竞合协调机制的MAS架构,以协调集群环境下供应链整体绩效与成员企业利益之间的关系,实现了多agent供应链管理系统与现有组织之间较好的匹配,并使用仿真技术对系统的商业价值进行评估.这有助于基于多agent系统和竞合机制效益的理论表达,也对企业实施基于多agent的系统起到了支持作用.