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。     

一种基于社会承诺的Agent组织模型OMSC

多Agent领域所面临的一个重大的挑战是解决开放异质的多Agent系统中自治Agent间的协调问题。多Agent为了协调它们之间的活动,需要进行交互。社会承诺作为一种通信和交互机制,为自治的多Agent提供了一种协调的途径。然而,仅靠交互难以实现多Agent间的协调。Agent组织作为一种协调模型可以有效地控制多Agent间的交互与合作。论文将社会承诺和Agent组织两种协调机制相结合,提出一种基于社会承诺的Agent组织模型OMSC,分析了Agent如何用社会承诺进行推理以及基于社会承诺的多Agent系统并给出了一个实例,为多Agent间的协调提供了一种新的方法。     

AODE中Agent通信机制的设计与实现

本文讨论了面向Agent的系统开发环境AODE中的通信机制,并实现了由通信服务器、本地通信模块和外部通信模块构成的通信系统.     

基于多Agent的传感器管理系统研究与设计

本文提出了一种传感器管理系统框架,给出了基于多Agent的解决方案。该结构通过多个Agent间的相互协商来实现传感器任务的分配,较好地克服了在融合中心存在的缺陷。并在此基础上着重探讨各Agent之间的协调合作问题,实现了基于KQML语言的各Agent之间的协调机制。     

一种基于正关系的多Agent协调算法

多Agent之间的协调(coordination)与协作(cooperation)已经成为多Agent系统(multiagent system,MAS)中的一个关键问题。这是因为MAS的主要研究目标之一就是使得多Agent的信念、意图、期望、行为达到协调甚至协作。在开放、动态的MAS环境下,具有不同目标的多个Agent必须对其资源的使用以及目标的实现进行协调[1,4]。例如,在出现资源冲突时,若没有很好的协调机制,就有可能出现死锁。而在另一种情况下,当单个Agent无法独立完成目标,需要其它Agent帮助时,则需要协作。本文提出了一种基于正关系的多Agent协调机制和协调算法。在该算法中,通过使用这种协调机制,Agent能委托或接受交互中的子计划,从而形成系统负载均衡和有效降低系统运行开销。     

多Agent的协调组合设计模型研究

多 Agent协调机制研究是近年来受到广泛关注的研究方向 .在这个问题的研究中 ,人们普遍关注的问题是如何组织协调 Agent之间的关系 ,让各 Agent充分发挥作用 ,使系统处于最佳状态 .本文抓住多 Agent之间的这个关键问题 ,提出了多 Agent的协调组合设计模型 ,从而为这个动态系统的各 Agent有机组合找到了有效的处理方法 ,进一步丰富和完善了多 Agent协调机制的研究内容     

基于代理的分布式网络实时取证模型及关键技术研究

该文在分析分布式网络犯罪入侵特点的基础上,提出基于移动Agent和静态Agent技术相结合的分布式网络实时取证系统模型MADBFS,它采用“分布取证、动态协调、区域监督、全局推理”概念模型,用一个类似树状的结构来构造分布式网络实时取证系统。并对MADRFS中证据完整性保护、证据信息可靠与高速获取、系统的健壮性与容忍性、动态协调移动Agent取证、Agent之间协调得相互关系等关键技术进行了探讨。     

多Agent系统合作与协调机制研究综述

多Agent间的合作和协调机制是多Agent系统理论的核心问题之一。本文按照协调在合作过程中发生的位置进行分类讨论，结合实例阐述了经典的多Agent系统合作与协调机制的主要原理、适用范围，旨在分析总结现有的多Agent合作和协调机制，为未来的开放、异构、动态环境下多Agent合作与协调机制的发展趋势和进一步研究的方向提供参考。     

一种动态环境下的多Agent协作模型研究

多Agent系统所处的环境是开放的、动态的。如何在该环境下实现多Agent的协调工作是提高系统性能的关键所在。基于此，本文就动态环境下的多Agent协调和协作机制进行了研究，给出了一种多Agent协作模型。     

一个基于JaVa的多Agent系统框架JAFMAS及其改进

介绍一种基于Java多Agent系统构造框架JAFMAS。该框架可为多Agent系统的开发者提供了一组可扩展的Java类,使得开发者将力量集中于Agent的具体功能细节而不必担心Agent的通信方法和行为协调机制。该文介绍了框架的体系结构和分布式环境下Agent间的通信方法和行为协调机制,同时对JAFMAS做了一些改进。     

面向服务的Agent交互体系设计

基于Agent内部抽象与外部抽象,提出面向服务的社会Agent体系模型及Agent交互体系。通过功能层与知识层的分离,实现描述-控制机制,针对Agent服务交互,划分服务发现、服务协商、服务协调、服务执行与服务组织等基本交互阶段,采用黑板结构集成处理这些阶段的交互模块。分析结果表明,该模型以及交互体系能最大程度地利用服务语义,可用于Agent应用的系统化、工程化开发。     

一个基于Java的Agent应用开发环境框架

ＡＯＤＥ是一个基于Ｊａｖａ的Ａｇｅｎｔ应用开发环境,本文给出了其总体框架,ＡＯＤＥ为Ａｇｅｎｔ系统的开发提出了一种方法,并提供了一组开发工具包和一套可扩充的类库该方法的各阶段。由于利用ＡＯＤＥ开发人员只需关注领域级问题求解能力,Ａｇｅｎｔ级功能如通讯,合作和协商等主要对ＡＯＤＥ构件中实现,从而在方便Ａｇｅｎｔ应用系统的开发。     

Subsumption resolution: an efficient and effective technique for semi-naive Bayesian learning

Semi-naive Bayesian techniques seek to improve the accuracy of naive Bayes (NB) by relaxing the attribute independence assumption. We present a new type of semi-naive Bayesian operation, Subsumption Resolution (SR), which efficiently identifies occurrences of the specialization-generalization relationship and eliminates generalizations at classification time. We extend SR to Near-Subsumption Resolution (NSR) to delete near–generalizations in addition to generalizations. We develop two versions of SR: one that performs SR during training, called eager SR (ESR), and another that performs SR during testing, called lazy SR (LSR). We investigate the effect of ESR, LSR, NSR and conventional attribute elimination (BSE) on NB and Averaged One-Dependence Estimators (AODE), a powerful alternative to NB. BSE imposes very high training time overheads on NB and AODE accompanied by varying decreases in classification time overheads. ESR, LSR and NSR impose high training time and test time overheads on NB. However, LSR imposes no extra training time overheads and only modest test time overheads on AODE, while ESR and NSR impose modest training and test time overheads on AODE. Our extensive experimental comparison on sixty UCI data sets shows that applying BSE, LSR or NSR to NB significantly improves both zero-one loss and RMSE, while applying BSE, ESR or NSR to AODE significantly improves zero-one loss and RMSE and applying LSR to AODE significantly improves zero-one loss. The Friedman test and Nemenyi test show that AODE with ESR or NSR have a significant zero-one loss and RMSE advantage over Logistic Regression and a zero-one loss advantage over Weka’s LibSVM implementation with a grid parameter search on categorical data. AODE with LSR has a zero-one loss advantage over Logistic Regression and comparable zero-one loss with LibSVM. Finally, we examine the circumstances under which the elimination of near-generalizations proves beneficial.     

基于扩展CNP的分布式多Agent协同系统

传统合同网协议的投标类型单一,不能准确表达参与任务分配的Agent的意图。结合应用环境的任务抢占机制需求,对合同网协议的投标类型进行适应性扩展,基于扩展合同网协议设计分布式多Agent协同系统,给出Agent程序实现方法、多Agent通信机制设计和协同机制应用实例。该系统具有良好的可扩展性,便于动态引入具有不同功能的Agent,为协同机制的研究提供了基础平台。     

一种新型Agent模型及其实现框架研究*

在充分研究传统的BDI体系结构在描述自学习机制和知识动态更新方面的局限性以及合作环境下的Agent的动力学特征基础上,提出了一个基于传统BDI结构的扩展模型,即BDIM模型。在传统的BDI基础上追加激励因子概念,从心理学和经济学角度对激励进行了定性地分析,从而把激励无缝地嵌入到一个已经比较完善的理论体系结构中;另外,激励概念的引入也为如何在统一的理论框架下对其他两种主体结构：反应性主体和社会主体,进行统一描述和分析提出了一个全新的方法。对于协作环境下的MAS模型,针对BDIM结构的特点提出了一个基于知识仓库的解决方案。     

Agent通信及多Agent系统(MAS协作机制的研究)

Agent及多Agent系统(Multi—Agent system,MAS)已被视为一种新的软件设计风格。本文在介绍了Agent的概念与BDI模型的基础上,分析了Agent的通信类型、通信规划以及多Agent系统(MAS)的基本模型与体系结构,同时对MAS的协作、协商、协调机制进行了深入研究,提出了远程通信和移动Agent通信概念。     

基于Agent的超市客户关系管理系统的研究

采用Multi-Agent系统中各Agent成员间相互协作的协调机制,并遵循FIPA协议在JADE平台上实现了消息模式的通信机制,将SQL Server 2005作为后台数据库,创建了基于Multi-Agent的超市客户关系管理系统.采用基于Agent的蚁群聚类算法对预测为流失的客户进行客户价值细分,通过细分结果评定客...     

基于Agent的区域交通流协调控制的研究

以Agent技术为基础，对区域交通协调控制进行了研究。首先对区域交通流控制的Agent组成及结构做了简单的说明，然后对路段Agent与路口Agent的协商策略进行描述，在此基础上对一个较简单的路网进行仿真，从而证实该文所研究的基于Agent进行区域交通流协调控制的有效性。     

多 Agent 系统仿真平台

Agent和多Agent（MAS）系统目前已经逐步走向成熟化,且已经被广泛应用于系统建模、敏捷制造、网络监测等众多领域。为了能够便于Agent系统的开发,人们构建了各种Agent基础设施平台,例如已经广泛应用的JADE等。但是基于这些平台的应用大多具有平台依赖性,难于扩展和定制,无法支撑我们大规模的扩展使用。因此,将通过多Agent系统仿真平台Maze的设计与实现,着力构建出Agent系统各种基础设施的通用开发模式,包括Agent自治机制、通信机制、协作机制、协调机制等,从而便于用户在此基础上进行定制开发。另外,该平台的形象演示可以帮助初学者理解Agent的各种特性（如自治性、社会性、预动性等）,比较各种协作算法的优劣等,是一个很好的入门学习工具。