计算网格中基于风险的模糊策略

针对计算网格的动态性特点,提出一种基于风险的模糊策略,实现对网格资源更灵活有效的分配．首先,研究了基于连续双向拍卖的网格资源分配框架．然后分析了Risk-Based策略,并将模糊理论与Risk-Based策略相结合,提出了基于风险的模糊策略．实验表明,在动态环境中,基于风险的模糊策略优于其他代理策略,能够实现较高的市场效率,市场效率超过99%,并且交易价格快速收敛于市场均衡价格．     

连续双向拍卖中演化Risk-Based策略研究

Risk-Based策略是基于风险行为的代理策略。为了改善Risk-Based代理的行为,使交易价格迅速收敛于市场均衡价格,提高市场效率,提出利用粒子群优化算法演化Risk-Based策略参数。首先分析了影响Risk-Based代理行为的关键参数;之后提出了改进的粒子群优化算法演化Risk-Based策略关键参数的模型。最后,在基于市场控制的模拟系统中采用连续双向拍卖机制对演化Risk-Based策略进行了实验评价,结果表明演化后的Risk-Based策略比演化前的策略更为优秀。     

基于风险策略的多单元连续双向拍卖的网格资源分配

针对计算网格资源的特点,提出一种基于风险策略的多单元连续双向拍卖的网格资源分配机制,实现对网格资源灵活有效的管理。首先,介绍了基于多单元连续双拍卖的网格资源分配框架。其次,针对计算网格资源的有限性,提出了RB2-MCDA机制。RB2-MCDA机制是在多单元连续双向拍卖中,代理采用Risk-Based2策略进行资源交易。Risk-Based2策略是一种基于风险行为的代理策略。实验结果表明,在不同规模的有限资源的计算网格中采用RB2-MCDA机制能够实现较高的资源分配效率,当资源需求量接近供给量时,分配效率超过99%。     

基于模糊逻辑的多移动机器人自适应协作围捕

提出一种在未知动态环境下实现多移动机器人自适应协作围捕运动目标的整体方案,为成功实现围捕,设计了基于模糊逻辑的钳型夹击策略,模糊规则通过遗传算法学习获得.同时为躲避围捕过程中遇到的动态随机障碍,提出了基于碰撞风险的随机避障策略.围捕机器人的综合行为通过融合避障行为、合围行为和抓捕行为获得在MRS仿真环境下进行了模拟实验...     

基于主动网络的Policy-control研究

结合主动网络的机制和IntServ体系结构，提出了一种主动网络支持的基于代理-管理者的策略控制机制，可以简化中间节点策略控制复杂性，保证在一个管理域中的策略一致性，并且可以实现控制策略代理的动态部署、更新。在此基础上，提出了基于发送用户的策略控制方法。     

基于CVaR的电网企业代理购电交易模型的研究

为推进电网企业代理购电工作,本文提出了一种基于条件风险价值（Conditonl Value at Risk,CVaR）的电网企业代理购电交易策略风险评价和控制模型。分析了电网企业代理购电业务的开展形式和服务,并以江苏省电力市场为例分析了电力交易的多年（年度）、月度、月内市场的价格波动风险,考虑到电力市场价格波动剧烈和明显的尖峰厚尾特征,建立了代理购电业务交易策略CVaR模型,并利用蒙特卡罗模拟法实现求解最优策略。利用数值算例验证了该模型的有效性,结果表明其可以降低CVaR和在险价值（Value at Risk,VaR）两个风险指标,有效降低了风险。     

基于移动Agent的网格计算资源管理

为了实现网格计算资源的动态自适应性管理,移动代理技术被引入网格资源管理,提出了基于移动代理的网格资源管理调度模型;在模型基础上,采用遗传算法针对网格计算环境下移动Agent任务调度问题展开了深入的研究。     

移动代理在电子商务中的安全模型研究

分析了移动代理在电子商务环境中的安全问题,提出了移动代理基于电子商务中的安全模型。在提出的安全模型中,移动代理使用不同的访问策略、安全机制以及信用管理措施来尽可能地降低在电子商务环境中所遭受到的风险,同时利用移动特性提高交易的效率。     

一种基于模糊规则的Multi-agent自动谈判策略

针对当前电子商务中基于Agent的谈判系统的谈判策略的静态性问题,提出基于模糊规则的动态谈判策略。Agent在谈判中能根据对方心理因素和动态确定自己的谈判策略后,产生新一轮的提议,帮助用户做出最优的交易决策,且自动地选择合适的策略。分析表明,采用基于模糊规则的策略比采用固定的策略的谈判结果更让用户感到满意。     

基于移动代理的网络安全审计策略*

针对普通审计策略在网格环境下实施的各种问题,以及网格环境下审计系统设计和实现的困难,提出了一种基于移动代理的网格安全审计策略,介绍了该策略的基本结构和实现过程,通过在实验平台下实施该策略并与普通审计策略进行比较,证明了基于移动代理的网格安全审计策略的可行性和高效性。     

Strategic bidding in continuous double auctions

In this paper, we describe a novel bidding strategy that autonomous trading agents can use to participate in Continuous Double Auctions (CDAs). Our strategy is based on both short and long-term learning that allows such agents to adapt their bidding behaviour to be efficient in a wide variety of environments. For the short-term learning, the agent updates the aggressiveness of its bidding behaviour (more aggressive means it will trade off profit to improve its chance of transacting, less aggressive that it targets more profitable transactions and is willing to trade off its chance of transacting to achieve them) based on market information observed after any bid or ask appears in the market. The long-term learning then determines how this aggressiveness factor influences an agent's choice of which bids or asks to submit in the market, and is based on market information observed after every transaction (successfully matched bid and ask). The principal motivation for the short-term learning is to enable the agent to immediately respond to market fluctuations, while for the long-term learning it is to adapt to broader trends in the way in which the market demand and supply changes over time. We benchmark our strategy against the current state of the art (ZIP and GDX) and show that it outperforms these benchmarks in both static and dynamic environments. This is true both when the population is homogeneous (where the increase in efficiency is up to 5.2%) and heterogeneous (in which case there is a 0.85 probability of our strategy being adopted in a two-population evolutionary game theoretic analysis).     

基于带惩罚的点概率距离策略优化算法在展示广告实时竞标中的研究

实时竞价(RTB)是在线展示广告中被广泛采用的广告投放模式,针对由于RTB拍卖环境的高度动态性导致最佳出价策略难以获得的问题,提出了一种基于强化学习(RL)的出价策略优化方法,即采用带惩罚的点概率距离策略优化(POP3D)算法来学习最佳出价策略。在基于POP3D的出价框架中,广告投标过程被建模为情节式的马尔可夫决策过程,每个情节被划分为固定数量的时间步,每个广告展示的出价由它的预估点击率大小和竞标因子共同决定。每个时间步,竞标代理都会根据上一时间步的拍卖情况对竞标因子进行调整,以使得出价策略能够适应高度动态的拍卖环境,竞标代理的目标是学习最佳的竞标因子调整策略。在iPinYou数据集上的实验结果表明,与DRLB算法相比,所提出价算法在预算比例为1/16和1/32时,在点击次数方面均提升了0.2%;当预算比例为1/8、1/16和1/32时,在赢标率方面分别提升了1.8%、1.0%和1.7%;另外,在稳定性方面,所提方法也具有优势。表明了该方法的优越性。     

Probabilistic Automated Bidding in Multiple Auctions

This paper presents an approach to develop bidding agents that participate in multiple auctions with the goal of obtaining an item with a given probability. The approach consists of a prediction method and a planning algorithm. The prediction method exploits the history of past auctions to compute probability functions capturing the belief that a bid of a given price may win a given auction. The planning algorithm computes a price and a set of compatible auctions, such that by sequentially bidding this price in each of the auctions, the agent can obtain the item with the desired probability. Experiments show that the approach increases the payoff of their users and the welfare of the market.     

基于组合拍卖机制的移动Agent投标策略

针对Agent系统资源分配需求提出一种兼顾Agent时间片数量要求和执行截止期限要求的投标策略。定义CPU时间片组合拍卖问题模型,设计Agent各种投标信息处理方法,包括适合组合拍卖CPU时间片机制的Agent零智能投标算法和NZIPca投标算法。仿真结果表明NZIPca策略具有较强的竞标能力。     

一种多agent系统框架与协商机制研究*

从基于动态、异构网络上快速构建稳健的多agent系统出发,设计了多agent远程过程调用通信模型,定义了三种基本类型的agent,对KQML消息规范进行扩展,增加了对消息生存周期的控制,设计了双缓存消息推送器以实现agent消息的主动推送,并在WCF的基础上实现了该通信框架。针对同目标多agent协作系统提出了基于开销均衡的agent系统交互协商策略,通过实例证明相对于独立运行和基于正交互协商策略的agent系统,本协商策略可有效降低系统总开销,并可使运行负载更为均衡。     

一种基于强化学习的学习Agent

强化学习通过感知环境状态和从环境中获得不确定奖赏值来学习动态系统的最优行为策略,是构造智能Agent的核心技术之一,在面向Agent的开发环境AODE中扩充BDI模型,引入策略和能力心智成分,采用强化学习技术实现策略构造函数,从而提出一种基于强化学习技术的学习Agent,研究AODE中自适应Agent物结构和运行方式,使智能Agent具有动态环境的在线学习能力,有效期能够有效地满足Agent各种心智要求。     

基于深度强化学习的金融交易算法研究

交易策略在金融资产交易中具有十分重要的作用,如何在复杂动态金融市场中自动化选择交易策略是现代金融重要研究方向.强化学习算法通过与实际环境交互作用,寻找最优动态交易策略,最大化获取收益.提出了一个融合了CNN与LSTM的端到端深度强化学习自动化交易算法,CNN模块感知股票动态市场条件以及抽取动态特征,LSTM模块循环学习...     

A Strategy of Dynamic Reasoning in Knowledge-Based System with Fuzzy Production Rules

Fuzzy production rules have been successfully applied to represent uncertainty in a knowledge-based system. The knowledge organized as a knowledge base is static. On the other hand, a real system such as the stock market is dynamic in nature. Therefore we need a strategy to reflect the dynamic nature of a system when we make reasoning with a knowledge-based system.This paper proposes a strategy of dynamic reasoning that can be used to takes account the dynamic behavior of decision-making with the knowledge-based system consisted of fuzzy rules. A degree of match (DM) between actual input information and antecedent of a rule is represented by a value in interval [0, 1]. Weights of relative importance of attributes in a rule are obtained by the AHP (Analytic Hierarchy Process) method. Then these weights are applied as exponents for the DM, and the DMs in a rule are combined, with the Min operator, into a single DM for the rule. In this way, the importance of attributes of a rule, which can be changed from time to time, can be reflected to reasoning in knowledge-based system with fuzzy rules.With the proposed reasoning procedure, a decision maker can take his judgment on the given decision environment into a static knowledge base with fuzzy rules when he makes decision with the knowledge base. This procedure can be automated as a pre-processing system for fuzzy expert systems. Thereby the quality of decisions could be enhanced.     

基于模糊理论的一对多自动谈判协调策略

针对一对多自动谈判参与各方在谈判过程中因为相互等待而效率低下的问题,提出一种能使谈判过程连续化的基于模糊的协调策略,以达到在尽可能少的时间内得到最满意协议的目的。该策略通过协调Agent灵活地创建和撤离新的谈判线程并在谈判过程中不断更新谈判的信念值进而支持连续谈判,满足开放和动态的谈判环境,提高谈判效率。模拟实验表明,该策略能够对谈判效用和时间进行优化,具有有效性和实用性。