可复用的基于移动代理的网管系统模型

提出了一种基于移动代理的可复用网管系统模型.这一模型的核心内容是任务代理、导航代理和代理池,通过这三个部分的协同工作来实现系统对于子网的透明性,即系统的可复用性;提出了多代理协作和多代理分组传输的优化方法,通过优化,改善该模型下系统的运行性能.实验结果表明,该模型有效地屏蔽了子网差异性,提高了网管系统的运行效率.     

基于移动代理的分布式入侵检测系统的研究

分析了现有入侵检测系统的不足,提出了一个基于移动代理的分布式入侵检测系统的模型,对系统中各个组件的功能进行了描述,同时对移动代理的安全问题进行了讨论.该模型采用无控制中心的协作式组件体系结构,完全避免了单点失效问题.移动代理之间各自独立,同时相互通信,协作完成入侵检测任务,真正实现了分布式的检测,增强了系统的灵活性和可扩展性.     

利用移动代理提高网络管理性能的研究

目前针对基于移动代理的网管系统的性能研究较少，且多局限于与传统的集中式网管系统的性能比较．本文致力于提高基于移动代理的网管系统的自身性能．首先分析了现有的基于移动代理的网管系统的性能通弊，然后针对这些缺陷分别给出了解决策略．仿真实验结果表明，将改进后的方案运用在原有的基于移动代理的网管系统后，在一定程度上提高了管理性能．     

基于移动代理技术的层次化IP网络管理研究

Internet的迅速发展使IP网络环境处于经常性的变化之中 ,IP网管系统应该能适应这种变化 ,具有结构可扩展和功能可扩充、可维护等特性。层次化的IP网管模型可以较好地解决集中式IP网管模型的可扩展性差和管理效率低等问题。在研究了移动代理的迁移、管理和控制技术以及其网管功能扩充方案的基础上 ,基于Tcl脚本语言实现了一个移动代理平台原型系统 ,并以此构建了一个具有移动代理功能的层次化的IP网管系统 ,它使网管工作站能够委托其下级管理者协同完成指定的网管任务 ,系统的网管功能也可以很方便地得到修改和扩充     

基于主从代理协作的多重数字签名机制的研究

多移动代理协作的多重数字签名在移动代理技术领域,特别是电子商务领域,有着广阔的应用前景。本文鉴于移动代理的安全问题,针对“主从代理协作”这一新兴概念,提出了一种基于ElGamal密码系统和ElGamal密码系统在DSS(数字签名标准)中变换形式的多重数字签名方案,并通过一个具体的商务案例分析其安全性和有效性,得出了若干结论。     

一种基于协作代理的分布式入侵检测模型

在分布式入侵检测系统中,各部件间有时需要互相协作来完成复杂的检测任务,因此需要一种通用而且高效的入侵检测协作机制。本文设计了一种基于协作代理的分布式入侵检测模型,在这种方式中,设计了协作代理,负责对来自于各个入侵检测代理的检测结果进行关联分析,并结合从其他域的协作代理收到的报警消息来检测复杂的入侵行为。     

基于移动代理的网络管理系统的研究与设计

移动代理是一项新兴的技术,因其具有移动性、智能性、并行性等特点,在网络及分布式计算等领域有着广泛的应用。文章分析了基于移动代理的网管系统在网络管理领域的优势,讨论了将移动代理网管系统与SNMP网管系统相结合的网管系统设计框架,并给出了性能管理、故障管理和安全管理的功能模块设计,最后介绍了使用的开发环境,以及将两种网管系统相结合的实现方法。     

基于移动代理的网络故障管理体系的研究

分析了网络中故障的传播原理,在此基础上提出了一种使用移动代理的三层网络故障管理体系,对网络故障管理中关联问题的难度进行了有效的分解。根据网络故障管理体系的要求设计了不同功能的移动代理,及该体系下它们的工作交互过程。该体系充分利用了现有网络条件,满足了现代网管对于故障管理的及时性、自学习性的要求,减轻了网络负载。此外,按照这种方法建立起来的网络故障管理系统具有一定的通用性和灵活性,能够适应不同的网络和网络的变化,最后通过实验证明了系统的部分优越性。     

一种基于博弈的移动自组网节点协作机制研究

针对移动自组网中自私节点拒绝路由和转发服务请求．影响整体网络性能的问题进行研究．基于经济学中提出的博弈理论。提出了一种引入节点协作自主性的节点协作机制,将节点按其协作意愿进行节点类别划分,对不同个性节点采取不同的行为策略,并利用修正因子进行协作激励和惩罚自私,在一定程度上解决节点的协作问题。     

基于移动代理的分布式网络故障管理模型

在分析了传统网管系统不足的基础上,提出了一种分布式的网络管理模型,然后对故障管理的功能进行了描述,引入了移动代理技术后,设计了该模型基于移动代理的应用框架,最后对基于该模型的网络故障管理系统的性能进行了评估。通过性能评估分析表明本故障管理模型具有不错的性能表现。     

Cooperative coevolution of artificial neural network ensembles for pattern classification

This paper presents a cooperative coevolutive approach for designing neural network ensembles. Cooperative coevolution is a recent paradigm in evolutionary computation that allows the effective modeling of cooperative environments. Although theoretically, a single neural network with a sufficient number of neurons in the hidden layer would suffice to solve any problem, in practice many real-world problems are too hard to construct the appropriate network that solve them. In such problems, neural network ensembles are a successful alternative. Nevertheless, the design of neural network ensembles is a complex task. In this paper, we propose a general framework for designing neural network ensembles by means of cooperative coevolution. The proposed model has two main objectives: first, the improvement of the combination of the trained individual networks; second, the cooperative evolution of such networks, encouraging collaboration among them, instead of a separate training of each network. In order to favor the cooperation of the networks, each network is evaluated throughout the evolutionary process using a multiobjective method. For each network, different objectives are defined, considering not only its performance in the given problem, but also its cooperation with the rest of the networks. In addition, a population of ensembles is evolved, improving the combination of networks and obtaining subsets of networks to form ensembles that perform better than the combination of all the evolved networks. The proposed model is applied to ten real-world classification problems of a very different nature from the UCI machine learning repository and proben1 benchmark set. In all of them the performance of the model is better than the performance of standard ensembles in terms of generalization error. Moreover, the size of the obtained ensembles is also smaller.     

多主体目标优化的动态合作博弈方法*

通过多目标优化和动态合作博弈理论,定义了联盟中多主体目标优化问题,提出了能够适应动态环境的基于合作博弈的多主体目标优化模型。该模型的组成一方面能够利用主体的协作能力,另一方面又能够充分考虑动态联盟的特征,适合大规模网络中多主体协作,避免模型中主体理性和团体理性的冲突。基于所提出的多主体目标优化模型,设计了一种联盟效用分配算法。仿真实验表明,联盟效用分配算法能够使多主体根据最优共识原则,分配各方的合作效用,从而达到多赢的帕累托最优局面。     

一种基于分布式强化学习的多智能体协调方法

多智能体系统研究的重点在于使功能独立的智能体通过协商、协调和协作,完成复杂的控制任务或解决复杂的问题。通过对分布式强化学习算法的研究和分析,提出了一种多智能体协调方法,协调级将复杂的系统任务进行分解,协调智能体利用中央强化学习进行子任务的分配,行为级中的任务智能体接受各自的子任务,利用独立强化学习分别选择有效的行为,协作完成系统任务。通过在Robot Soccer仿真比赛中的应用和实验,说明了基于分布式强化学习的多智能体协调方法的效果优于传统的强化学习。     

时间尺度与选择倾向性协同作用下的演化博弈模型

针对合作行为的涌现与维持问题，基于演化博弈理论和网络理论，提出了一种促进合作的演化博弈模型。该模型同时将时间尺度、选择倾向性引入到演化博弈中。在初始化阶段，根据持有策略的时间尺度将个体分为两种类型：一种个体在每个时间步都进行策略更新；另一种个体在每一轮博弈后，以某种概率来决定是否进行策略更新。在策略更新阶段，模型用个体对周围邻居的贡献来表征他的声誉，并假设参与博弈的个体倾向于学习具有较好声誉邻居的策略。仿真实验结果表明，所提出的时间尺度与选择倾向性协同作用下的演化博弈模型中，合作行为能够在群体中维持；惰性个体的存在不利于合作的涌现，但是个体的非理性行为反而能够促进合作。     

TCLM-P2P:面向P2P社区的任务协作逻辑模型

P2P网络中广泛存在的"free riding"现象使其在任务协作领域的应用受到了极大制约.为了实现P2P网络环境下的有效任务协作,提出了一种具有激励机制的任务协作逻辑模型.基于Agent理论,首先给出了对等体、半对等体、P2P社区等概念;然后在合同网的框架下提出了面向P2P网络社区的任务协作逻辑模型TCLM-P2P(task collaborative logic model oriented to P2Pcommunity).相对于传统的任务协作模型,在合理的前提假设条件下,模型给出了模型公理和协作规则.该模型通过基于虚拟积分的协作算法实现了具有激励机制的P2P网络中的任务分配与协作.原型系统的实现及仿真实验结果表明TCLM-P2P模型具有可行性和有效性:不仅能够激励自利节点主动参与到任务分配与协作中;同时也能在一定程度上抑制节点的free riding行为,从而保障了P2P系统的有序工作.     

竞争与合作——复杂网络结构化形成的内因

采用博弈理论来探究复杂网络进化过程中结构化形成的内在原因.如今用于研究复杂网络的基本方法有3类:随机图模型(ER模型)、小世界模型、无尺度模型.但这3类方法都没有从根本上解释复杂网络结构化形成的原因,毕竟在现实世界中网络的演化过程并不是一个纯粹的优化过程.考虑到博弈论强调博弈者通过按照既定规则选择不同策略形成各自的博弈结果,认为它是一种用来解释不确定性演化过程的理想工具,而图论又可以很好地表示复杂系统以及系统内部的相互关系和相关属性,故将博弈论和图论结合到一起,对复杂网络进化过程中结构化形成的内在原因进行探讨,得出"参与者之间的竞争和合作是促成复杂网络结构化形成的内因"这个结论.     

Evolutionary collective behavior decomposition model for time series data mining

In this research, we propose a novel framework referred to as collective game behavior decomposition where complex collective behavior is assumed to be generated by aggregation of several groups of agents following different strategies and complexity emerges from collaboration and competition of individuals. The strategy of an agent is modeled by certain simple game theory models with limited information. Genetic algorithms are used to obtain the optimal collective behavior decomposition based on history data. The trained model can be used for collective behavior prediction. For modeling individual behavior, two simple games, the minority game and mixed game are investigated in experiments on the real-world stock prices and foreign-exchange rate. Experimental results are presented to show the effectiveness of the new proposed model.     

基于管理Agent协作模型的研究

多Agent协作求解是分布式人工智能要研究的基本问题。该文基于管理agent概念提出一个新的协作模型，该模型利用管理Agent对多Agent系统进行全局协作分配，协作申请分级处理，解决了传统协作模型中存在的模型与应用领域有关和只适用于静态环境的问题。     

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。