基于混合式多智能体系统的协作多机器人系统研究

针对各种先进制造模式对多机器人系统开放性、灵活性的要求 ,利用智能体 (Agent)的思想 ,综合了集中规划与分布规划的优点 ,在局域网环境下 ,设计了用动态集中规划方法构造的混合式MAS (Multi AgentSystem)协作多机器人系统 .对机器人Agent的结构及各模块的功能进行了重点介绍 .该混合式MAS的特点是 :可以方便地动态增加或减少Agents;允许存在异构的机器人 ;并能够根据各Agent的运行状态和工作能力的变化 ,对任务进行重新分解和分配 .系统实验结果表明 ,该系统较传统的机器人系统具有良好的开放性、灵活性和鲁棒性     

基于MAS的协作Agent间的联盟策略研究

Agent是一个在分布式系统或者协作式系统中能持续自主发挥作用的实体,它具有自主性、主动性、反应性和智能性的特点.随着单个Agent研究的逐渐深入,多Agent系统越来越受到关注,多agent机器人系统(MAS)是目前研究的热点.个体Agent之间互相合作、协作和相互服务,可以共同构成一个功能强大的多Agent系统(多智能体系统-MAS).MAS可以由多个智能和能力较低或较单一的Agent组成,也可以以几个较复杂的Agent成员为基础,结合其他简单Agent成员共同组成.本文首先介绍了Agent的概念、特性和结构模型,通过分析Shapley和Postman算法的优缺点对多Agent在协作过程中的联盟策略进行了研究.     

基于混合式多智能体系统的协作多机器人系统研究

针对各种先进制造模式对多机器人系统开放性、灵活性的要求，利用智能体(Agent)的思想，综合了集中规划与分布规划的优点，在局域网环境下，设计了用动态集中规划方法构造的混合式MAS(Multi-Agent System)协作多机器人系统．对机器人Agent的结构及各模块的功能进行了重点介绍．该混合式MAS的特点是：可以方便地动态增加或减少Agents；允许存在异构的机器人；并能够根据各Agent的运行状态和工作能力的变化，对任务进行重新分解和分配．系统实验结果表明，该系统较传统的机器人系统具有良好的开放性、灵活性和鲁棒性。     

异构Agent协作的研究进展

首先在介绍多Agent协作的研究背景以及国内外研究现状的基础上,对多Agent理论及其协作机制分别进行了分类和总结;然后,在研究多Agent协作框架的基础上,分析了当前最具代表性的几种多Agent协作模型,如黑板模型、合同网模型、熟人模型、关系网模型以及承诺模型,阐述各模型特点并在动态性、异构性、灵活性和反应性等方面进行比较,突出承诺模型与其它协作模型相比的优势;最后,介绍了异构Agent协作模型在智能足球机器人、协同决策以及虚拟训练等领域的具体应用. 在Agent协作模型的比较与具体应用中,突出了承诺模型在异构Agent协作过程中所展现的较好的动态性、灵活性和反应性等特征,并提出了在开放环境下,当前Agent承诺模型在动态生成承诺协议方面的不足与改进方向.     

多Agent协作机制下的分层式网络管理系统框架设计

为解决传统的基于移动Agent的简单网络管理协议(SNMP)网管系统存在的系统效率低、响应时间长、代理协作性差和可扩展性差的缺陷,设计了一种基于多Agent协作的分层式网络管理框架．该框架包括网络管理站层、多移动Agent协作层、SNMP Agent协作层和网元层共4层．在第2层中,建立了一种多Agent中间层策略和多移动Agent协作策略,将SNMP Agent作为驻留代理,利用多个移动Agent并行协作来智能的完成网管数据的采集．在第3层中,针对AgentX框架的不足,实现了一种基于SNMP协议的主/子代理协作机制．该机制将SNMP Agent从任务上划分为主代理和子代理,主子代理之间协作采用SNMP．仿真实验表明,与传统的基于移动Agent及AgentX的SNMP网管模型相比,此框架能使系统带宽降低26.9％,响应时间缩短29.5％,因此更适合应用于大型分布式网络中．     

基于协作Agent的智能决策支持系统研究

针对传统智能决策支持系统缺乏可重构性和协调性等弱点,提出一种基于多Agent的智能决策支持系统结构．通过引入人工智能中的Agent技术构建决策支持系统,采用拥有不同功能的智能体Agent实现了决策支持系统的各智能部件．利用Agent技术对系统进行了结构设计和运行设计,提出以协作Agent为核心的新的系统结构,较好地实现了多Agent之间的协作和交互,为解决多Agent系统中Agent之间的协作难题提供了一种新的思路．     

日常养老情境的异构多机器人动态多任务分配

针对异构多机器人系统动态任务分配问题,基于多智能体技术,利用符合养老情境特点的多智能体组织结构,提出处理养老情境下任务类型相对固定的异构多机器人多任务动态分配机制. 建立基于被服务对象满意度函数的投标值计算模型,兼顾多任务的动态分配与被服务对象的满意度. 根据拓扑排序算法,提出多智能体系统死锁的检测及处理方法,解决执行智能体自锁、各执行智能体间互锁的问题. 对不同任务情况在不同分配机制下的被服务对象满意度进行仿真. 仿真结果表明,在避免死锁的情况下,所提机制能够兼顾养老情景下的动态任务分配和被服务对象的满意度.     

面向系统集成领域的多Agent智能协作模型

提出了一种多Agent智能协作模型．首先根据用户的需求,采用多Agent协作的服务流程定制模型制定服务之间的关系．在系统集成框架ASIF的支撑下,多Agent间采用智能协作模型进行协作,在控制集成Agent的统一控制下完成服务流程中的一系列服务,此过程无须人工参与,增加了Agent间协作的智能性,提高了系统集成的灵活性．将该模型应用于基于Agent的系统集成工具,成功地集成了边海防仿真系统中的各个模块,从而验证了该模型在进行系统集成时的高效性．     

社会协作的多智能体进化

提出了一种新的求解函数优化的算法．借鉴社会协作机制,定义可信任度表示智能体的历史活动信息,控制智能体间的相互作用; 引入“熟人关系网”模型构建和更新智能体的局部环境,利用多智能体之间的协作特性来加快算法收敛速度; 并构造了非一致变异算子保证智能体种群的多样性．仿真实验结果表明,与性能优越的多智能体遗传算法相比,该算法能以更少的函数评价次数找到精度更高的最优解．     

多智能体足球机器人系统的协作控制

运用多智能体系统的思想,提出了一种新的多智能体系统协作控制模型,介绍了基于此模型设计的足球机器人系统的策略实现方法,通过实例分析了模型及其策略在系统协作控制方面的性能优越性．     

一种改进的基于多Agent协作的任务分解算法

多Agent系统中,常常需要Agent之间的相互协作来完成动态环境中的复杂任务。以分析基于多Agent协作中任务分解为原则,提出一种进行任务分解的与或树和启发式算法相结合的方法,并对算法过程进行了详细的描述。为加强多Agent间的相互协作,提高任务完成效率奠定了基础。     

基于强化学习的多智能体协作实现

基于马尔科夫过程的强化学习作为一种在线学习方式,能够很好地应用于单智能体环境中.但是由于强化学习理论的限制,在多智能体系统中马尔科夫过程模型不再适用,因此强化学习不能直接用于多智能体的协作学习问题.本文提出了多智能体协作的两层强化学习方法.该方法主要通过在单个智能体中构筑两层强化学习单元来实现.第一层强化学习单元负责学习智能体的联合任务协作策略,第二层强化学习单元负责学习在本智能体看来是最有效的行动策略.所提出的方法应用于3个智能体协作抬起圆形物体的计算机模拟中,结果表明所提出的方法比采用传统强化学习方法的智能体协作得更好.     

无人机群协同作战任务分配方法研究

针对战场环境的多目标、多任务以及无人机能力有限等特点,设计了一种适应于多目标、多无人机、多任务种类的无人机群协同多任务分配模型。结合该模型以及其中的任务偏序约束、协同任务约束、无人机能力约束等约束条件提出了基于任务序列的遗传算法染色体编码方法,和基于同类任务的遗传算法交叉、变异算子。该方法利用遗传算法的全局搜索优化解特点,对无人机群的协同任务分配进行优化。仿真试验表明该方法能够保证满足任务分配约束条件的基础上使任务的分配更加优化。     

Multi-agent reinforcement learning with cooperation based on eligibility traces

The application of reinforcement learning is widely used by multi-agent systems in recent years. An agent uses a multi-agent system to cooperate with other agents to accomplish the given task, and one agent‘s behavior usually affects the others‘ behaviors. In traditional reinforcement learning, one agent takes the others location, so it is difficult to consider the others‘ behavior, which decreases the learning efficiency. This paper proposes multi-agent reinforcement learning with cooperation based on eligibility traces, i.e. one agent estimates the other agent‘s behavior with the other agent‘s eligibility traces. The results of this simulation prove the validity of the proposed learning method.     

基于合同网的多agent任务分配分布式优化算法

针对合同网下的多agent系统,基于集合覆盖理论提出了一种解决子任务分配的严格启发式搜索算法;并分析了该算法的收敛性及渐进时间复杂度;证明了其搜索结果的上确界．该算法具有分布性,搜索空间缩减快,适合于中小型的多agent系统的子任务分配．     

离散时间多智能体系统的间歇二部一致性

为加强多智能体系统的协同控制,研究了离散时间多智能体系统的间歇二部一致性问题.首先,结合间歇控制,提出了可以实现二部一致性的控制协议,得到了二部一致性达到的条件;然后,利用代数图论、Lyapunov稳定性理论知识,给出了系统的收敛性分析;最后,利用数值仿真实验验证了所设计的间歇控制协议对离散时间多智能体系统稳定有效.     

Building Intelligent DSS Based on Multi-Agent Cooperation

A general multi-agent architecture is proposed for intelligent decision support system(MAIDSS). Theagent in MAIDSS is built based on an extension of BDI framework. Several agents form a team working togetheron a decision problem; several agent teams are defined to stand for the benefits of different people in the real