基于分类器融合的自动化协商决策模型

为了解决电子商务环境中由于信息的保密性使协商参与者无法获得对手协商偏好从而影响协商性能的问题,提出一种基于分类器融合的自动化协商决策模型.该模型融合支持向量机和贝叶斯分类器,通过结合2种分类器的优点,提高对协商偏好的分类学习效果.在准确估计对手协商偏好的基础上,采用粒子群优化算法搜寻最优协商反建议.实验数据分析表明,新方法的效果优于单一分类器,并且在有噪声的小规模训练样本集下,仍然保持较高的协商总效用.     

面向议题关联的双边多议题协商模型研究

在Agent双边协商过程中往往包含对多个议题的协商针对以往的基于议程、相似度、案例等协商方法中大部分都忽略了议题取值之间可能存在的依赖关系，提出一种面向议题关联的双边多议题协商模型首先模型结合了多议题顺序协商思想和局部接受协商策略；其次引入离线学习机制，对协商成功的历史记录进行分区离线学习，利用离线学习机制产生的议题关联规则与预测神经网络实现对关联议题可能接受取值的预测；最后模型提出一种基于关联预测值的分段时间协商策略实验结果表明，该模型在一定程度上提高了协商的总体效用值和效率.     

长期权力感知对谈判结果的影响研究

为了探究个人长期权力感知对谈判结果的影响及作用机制,丰富和创新现有的谈判理论,针对实验被试者设计并实施了一次多事项模拟谈判实验;以实验测量所得的长期权力感知、首次报价、调节作用分别作为自变量、中介变量以及调节变量,探究长期权力感知对谈判结果的影响、首次报价所起到的中介作用以及调节定向的调节作用;结果显示长期权力感知与谈判收益之间具有正向相关关系,首次报价在过程中起到中介作用,但是调节定向的调节作用在其中却并不显著;基于以上研究,长期权力感知更强的谈判者会提出更高的首次报价,从而获取更好的谈判收益,调节定向的调节作用在以后的研究中有待进一步探究。     

RoboCup中基于效果操作的动态行为规划模型

如何提高agent的学习能力、对手建模能力以及多agent团队运作能力是目前RoboCup研究所面临的3项挑战，在上述的挑战中，行为规划起了非常重要的作用。agent如何能够在动态实时的复杂环境中根据场景变化来动态规划自己的行为是RoboCup目前急需解决的问题。提出一种面向效果操作方法的动态行为规划模型，使队员能够在场景分析的基础上，根据经验动态选择和执行行为策略，且具有持续学习的能力，采用贝叶斯信念网络和基于示例推理相结合的方法来实现。实验结果表明，该方法有效提高了队员适应环境的能力。     

基于multi-agent的半导体生产线动态调度方法

提出了一种基于multi-agent的半导体生产线动态调度方法。首先建立了MAS仿真模型,包括管理、投料、工件和设备4种agent;然后设计了工件agent与设备agent的动态调度协商机制,以工件最小加权延迟为决策指标,分别考虑设计了单片/卡加工设备与批加工设备agent的报价算法。此外,还考虑了二次协商机制用于解决设备突然故障对生产线的影响。基于实际半导体生产线模型对所提出方法进行了仿真验证,并与一些常用的调度规则进行了比较,仿真结果表明,在平均加权延迟和准时交货率等指标上,该文提出的方法均有较大的提高。     

基于Markov对策和强化学习的多智能体协作研究

MAS的协作机制研究,当前比较适用的研究框架是非零和Markov对策及基于Q－算法的强化学习。但实际上在这种框架下的Agent强调独立学习而不考虑其他Agent的行为,故MAS缺乏协作机制。并且,Q－算法要求Agent与环境的交互时具有完备的观察信息,这种情况过于理想化。文中针对以上两个不足,提出了在联合行动和不完备信息下的协调学习。理论分析和仿真实验表明,协调学习算法具有收敛性。     

基于可解释机器学习的水平井产能预测方法

准确预测致密气藏分段压裂水平井产能是压裂效果评价和优化设计的关键环节。现有的产能预测方法，引入了过多的假设和简化，很难全面反映致密储层流体多尺度的运移机理和复杂物理过程，导致产能预测误差较大。提出一种基于机器学习的致密气藏分段压裂水平井产能预测方法，该方法综合利用已收集的地质、压裂水平井产能及钻完井等多类型数据，通过机器学习算法直接挖掘数据内部规律，建立产能预测模型。此外，为解决常规机器学习模型的“黑盒子”问题，还利用SHAP（SHapley Additive exPlanations）方法对建立的机器学习模型进行全局和局部解释，分析影响产能的主要因素，增加了模型的可信性和透明度。以苏里格气田苏东示范区为例，验证了该方法的有效性和实用性。与油气藏数值方法相比，该方法不仅提高了产能预测的精度，而且缩短了建模周期，加快了计算速度。     

NDSocTeam仿真机器人足球队的设计和实现

机器人足球(RoboCup)是研究多agent系统的体系结构、多agent团队合作理论以及机器学习方法的理想测试平台。介绍了开发的仿真球队NDSocTeam系统的设计原理和实现技术。系统设计了以机器学习技术为核心的球员agent结构，并建立了一种分层学习以及多种学习技术相结合的机器学习系统．重点描述了NDSocTeam系统的总体结构、球员agent的结构以及机器学习的实现技术。     

供应链突现结构研究的一种集成模型

在对系统动力学和离散的基于代理建模的优、缺点进行分析的基础上,针对供应链模型的可用性和应用性的要求,将2种方法有机地组合起来,研究了供应链的集成建模方法.基于此方法,实现了一个简单供应链原型和代理内部结构,分析了订单履行策略和吸引力衰减时间对供应链结构的影响.最后将供应链集成建模方法拓展用于供应链配送能力计划决策研究,结果表明,该方法对于进一步研究供应链的突现结构和行为是十分有效的,可以显著减少模型的先验复杂性.     

DBN和GRU混合的Android恶意软件检测模型

针对Android平台恶意软件数量增长迅猛,种类日益增多的现状,提出了一种基于深度置信网络和门控循环单元网络混合的Android恶意软件检测模型。通过自动化提取Android应用软件的特征,包括权限等静态特征和应用运行时的动态特征进行训练,对Android恶意软件进行检测和分类。实验结果表明,混合了门控循环单元网络和深度置信网络的混合模型,在检测效果上优于传统的机器学习算法和深度置信网络模型。     

基于改进狼群算法-深度置信网络(IGWO-DBN)模型的旋风分离器压降预测

针对目前旋风分离器压降计算模型在准确性和实用性上的不足,为更好地指导旋风分离器的结构设计和性能优化,采用深度学习方法对其压降进行了预测。选取了影响压降的7个几何参数,采用深度学习中的深度置信网络（deep belief network,DBN）对旋风分离器压降数据进行预测,并利用改进的狼群算法（improved grey wolf optimizer,IGWO）对DBN模型的初始化权重和偏置参数进行寻优,构建IGWO-DBN组合模型,同时与几种传统计算模型和机器学习模型的预测结果进行对比。结果表明,IGWO-DBN模型在计算精度上优于Shepherd-Lapple模型、Casal模型等传统计算模型,并优于反向传播神经网络（back propagation neural network,BPNN）、支持向量机（support vector machine,SVM）、极限学习机（extreme learning machine,ELM）等机器学习模型,计算效率大幅提升,且具有较好的泛化性和鲁棒性,可用于旋风分离器压降参数的预测。     

基于随机森林与时空聚类的共享单车站点需求量预测

为方便准确地预测出城市共享单车站点的需求量,根据站点需求量的随机性和时变性,提出了一种基于随机森林和时空聚类的共享单车站点需求量预测模型;该模型研究了时间因子、气象因子以及关联站点对需求量的影响;应用分层聚类对站点进行了时空分析;结合对数优化后的随机森林作为预测器。面向湾区共享单车出行数据进行需求量预测。结果表明:该模型相比极限学习机、支持向量机与随机森林等经典机器学习算法在需求量预测方面有较好的预测结果,可为实际车辆调度提供参考依据。     

面向多目标参数整定的协同深度强化学习方法

多目标控制参数联合优化整定是自动化系统保持高效、稳定运行的关键问题,强化学习常用于建立自动化调参智能体,代替人工完成参数整定. 针对现有方法使用固定权重将多个优化目标线性组合为单目标,训练具有固定调参知识的单智能体模型,导致实际目标关系受环境影响与先验不符时,智能体无法感知并做出适应性决策调整,限制参数整定效果的问题,提出一种面向多目标参数整定的协同深度强化学习方法. 该方法利用离线仿真学习目标整定知识建立多个Double-DQN智能体,在线建立整定效果反馈,感知目标实际关系并调整智能体协同策略,实现有效的多目标参数整定. 列车自动驾驶参数整定实验结果表明,方法对停车误差、舒适度两个目标整定效果良好,能自适应不同车轨性能且可持续优化,实用价值大.      

基于C-FQL算法的城市干线交通信号控制

针对城市干线交通协调控制难于建立准确数学模型的问题，提出了混沌模糊Q学习（C-FQL）方法。即在模糊Q学习过程中添加混沌扰动以改变Agent选择动作的方式，并通过添加遗忘因子以平衡学习过程中扩张与利用之间的关系．城市干线交通协调控制中应用C-FQL方法以优化各交叉路口的周期、相位差和绿信比．借助TSIS交通仿真平台。建立了C-FQL方法在城市干线交通协调控制中的应用仿真，结果表明，C-FQL方法收敛速度快，在城市干线交通协调控制中效果良好．     

一种改进的支持向量机及其在图像分割中的应用

多类支持向量机在实际应用领域是一个非常重要的问题。广泛应用的多类SVM方法包括：一对一、一对多和DAG等。众多实验表明一对一方法通常具有较高分类准确率,但传统一对一方法测试时间较长限制了其在大数据量识别任务中的应用。针对一对一支持向量机方法进行了改进,提出了一种改进的支持向量机,并采用其对多目标图像进行了分割研究。实验结果表明,支持向量机方法是一种很有前景的图像分割技术。     

面向动态联盟协商支持系统的研究

基于一种半集中式的协商控制策略，提出一个面向动态联盟的协商过程模型，按时间将协商过程划分为协商准备，协商进行及事后处理三个主要阶段。并在此模型上构建了一个基于CORBA标准和DMAS（分布式多Agent系统）技术的协商系统框架。盟员企业的推理，决策和协商功能以Agent形式进行封装，多方协商由多个分布式Agent实现。而不同环境下Agent之间的通信是通过构建在CORBA平台上的组件来实现。为实现动态联盟盟员企业之间的协商提供了一个可行的解决方案。     

一个广义三次样条光滑半监督支持向量机

研究半监督支持向量机分类优化模型的非光滑问题。建立了光滑半监督支持向量机模型,采用广义三弯矩法导出零点二阶光滑的广义三次样条函数,并以此逼近半监督支持向量机优化中的非光滑部分。构造出基于上述样条函数的具有一阶光滑的半监督支持向量机,从而可以用优化中的光滑算法来求解该模型。分析了广义三次样条函数逼近对称铰链损失函数的逼近精度,证明了新模型的收敛性。数值实验显示新模型有较好的分类效果。     

对Kraus协商策略模型的一点改进

协商是多智能体系统研究的热点之一．现针对Ｓ．Ｋｒａｕｓ等人提出的考虑协商过程本身所用时间的协商策略模型中对信息完备要求过于严格的问题,参考了对策论、ＢＤＩ（信念Ｂｅｌｉｅｆ、愿望Ｄｅｓｉｒｅ、意图Ｉｎｔｅｎｔｉｏｎ）理论的研究成果,分析了一个信息不完备情况下的资源分配问题的例子,初步解决了信息不完备情况下的协商问题．     

基于深度学习的监控视频树叶遮挡检测

结合稀疏自编码器的自动提取数据特征能力和深度置信网络较好的分类性能,提出一种基于深度学习的监控视频树叶遮挡检测方法。首先从视频中随机选取一帧图像,通过栈式稀疏自编码器主动学习视频图像的特征信息,然后采用深度置信网络建立分类检测模型,最后引入学习速率自适应调整策略对整个神经网络进行微调。该方法不需要对视频连续取帧,具有较好的图像特征主动学习能力,克服了人工提取特征能力有限的缺陷。实验结果表明,在样本量充足的条件下,使用本文方法进行监控视频树叶遮挡检测可以达到88.97%的准确率。     

引入谈判博弈的Q-学习下的城市交通信号协调配时决策

由于城市交通路网中交叉口间交通信号决策是相互影响的,并且车联网技术使得交叉口交通信号配时agent间能进行直接交互,此决策问题可用博弈框架来描述。建立了城市路网中相邻交叉口间交通流关联模型,通过嵌入谈判博弈模型来设计Q-学习方法,此方法中利用谈判参考点来进行配时行为的选择。仿真实验分析表明,相对于无协调的Q-学习算法,谈判博弈Q-学习取得更好的控制效果和稳定性能。谈判博弈Q-学习在处理交通拥挤及干扰交通流时,能根据交通条件灵活地改变交通信号配时决策,具有较强的适应能力。