基于贝叶斯分类的增强学习协商策略

为了帮助协商Agent选择最优行动实现其最终目标,提出基于贝叶斯分类的增强学习协商策略。在协商过程中,协商Agent根据对手历史信息,利用贝叶斯分类确定对手类型,并及时动态地调整协商Agent对对手的信念。协商Agen、通过不断修正对对手的信念,来加快协商解的收敛并获得更优的协商解。最后通过实验验证了策略的有效性和可用性。     

多Agent自动协商的公平性研究

为了能够快速、高效地进行Agent协商,构建一个优化的多Agent协商模型。在这个模型的基础上,提出了一个基于协商各方公平性的协商学习算法。算法采用基于满意度的思想评估协商对手的提议,根据对方Agent协商历史及本次协商交互信息,通过在线学习机制预测对方Agent协商策略,动态得出协商妥协度并向对方提出还价提议。最后,通过买卖协商仿真实验验证了该算法的收敛性,表明基于该算法的模型工作的高效性、公平性。     

一种优化的基于增强学习协商策略

增强学习可以帮助协商Agent选择最优行动实现其最终目标。对基于增强学习的协商策略进行优化,在协商过程中充分利用对手的历史信息,加快协商解的收敛和提高协商解的质量。最后通过实验验证了算法的有效性和可用性。     

基于贝叶斯的多议题协商优化

在限时条件下的Agent之间的多议题协商中,虽然最差的结果是没有达成协定,而达成了一个使自己潜在利益受损的协定未必就是好的选择。在很多情况下,由于推理策略和交互机制的不完善使得Agent个体失去自己应得的利益。论文使用贝叶斯方法对协商对手进行预测,尽量使自己的初始信念准确反映对手的意识形态;并在此基础之上提出了一个优化的协商交互模型。在此模型中,Agent个体充分利用自己的预测结果,在协商成功的基础上获得尽可能多的利益。     

基于对手案例学习的多议题协商决策模型

为了解决多Agent系统(MAS)协商双方在信息对称情况下的自动协商问题,提出了一种用基于支持向量机算法的间接学习对手协商态度的协商方法,提出了不完全信息条件下基于案例和对策论的Agent多议题Pareto最优协商模型,通过支持向量机的方法来学习协商轨迹,得到协商对手在每个协商项的态度,然后利用学习得到的对手协商态度,构造了一个协商的决策模型,此模型能同时基于对手的态度和自身的偏好来做出协商决策。最后通过实验验证了该方法的先进性。     

协商Agent的历史学习算法研究

文章以买方Agent的观点对交易平台上获得的对方Agent历史协商信息进行分析,并根据其特点做初步过滤。在此基础上,该文针对现有协商模型中存在的问题,提出了一个Agent协商历史学习算法,并实验说明了其可行性。该算法可用于Agent协商前初始信念的创建,对Agent在协商中策略的选择、执行具有指导作用。     

一种基于信任的多Agent供应链协商关系网

Agent技术已被广泛用于供应链伙伴的协商。协商前如何选择协商Agent对提高协商效率有着重要的意义。提出了一种基于信任的多Agent协商关系网及其形成和更新算法,并对该协商关系网的特点进行了深入的研究。模拟表明,提出的协商关系网能有效地促进Agent之间的协商,提高协商成功率。     

对抗环境下多Agent协商问题的研究

利用多Agent系统具有的自治性和实时反应性,探讨对抗环境下的多Agent协商决策问题,提出一种混合式的多Agent结构协商模型,给出以最大团队效益为前提的协商求解策略和协商角色交换算法。通过协商,对抗环境中的Agent成员能够很好地进行动作策略选择和移动,能更好地进行进攻和防守。仿真实验验证了算法的可行性和有效性,结果表明其在一定程度上解决了多Agent系统中实时动态和受限通信对抗环境下的多Agent决策与合作问题。     

基于时间约束的不完全信息的战略协商模型

在实证的一对一协商中，协商Agent不仅要面临自己的最后期限的压力，同时又要预测协商对手的最后期限和其类型，协商Agent的协商战略必须满足理性与均衡的要求。提出了通过形式化的方法建立轮流出价协商模型，给出了轮流出价协商战略均衡的条件定义，求出了基于时间限制的不完全信息环境下满足均衡组合的协商战略，建立了依据均衡战略的实用化协商算法，最后分析了该算法产生的实验数据，并在相同环境下与Zeus协商模型比较显示，依从本模型的均衡战略的协商Agent能根据对对手的不确定信息的信念动态地采取行动，以获得最大的期望收益。     

一种劝说式多Agent多议题协商方法

多Agent系统中的协商问题往往由许多议题组成，导致问题空间十分庞大．传统的协商方法通过对问题空间进行穷尽搜索来找到最优解，并不适合多议题协商．而且，传统的方法不考虑协商偏好变化的情况，使得Agent在不完全及不正确环境下找到的最优解并不合理．提出一种劝说式多Agent多议题协商方法．借助信念修正这一有效的推理工具，协商Agent能够在协商过程中接受协商对手的劝说，考虑对手对协商议题的偏好，并根据一种基于辩论的信念修正方法调整自身的偏好．这样就能够使协商Agent对变化的协商环境具备适应性，从而提高协商的效率及正确率，快速准确地达成协议．     

一个信任和声誉模型及其应用

购物Agent在基于Web的电子市场中携带着用户的需求选择合适的销售者,在信息不完全的情况下,购买者需要利用信任和声誉在销售者中选择自己信任并能给自己带来较高效用的销售者进行协商。论文提出了一个信任和声誉度量模型,并为购物Agent提出了一个建立信任和声誉模型的算法,购物Agent以协商历史为基础利用这个算法来选择适合自己的销售者,从而提高协商效率,最后给出一个实例的分析。     

基于Agent的多属性决策模型及其在高校实验教学中的应用

商务智能中,基于Agent的自动谈判利用Agent的各项人工智能优势模拟人们进行实际商务谈判,日益受到重视,其中的多属性决策尤为重要。针对现有研究对其中权重及感知价值研究不够的现状,采用犹豫模糊数,给出新的属性分类,建立相应的犹豫模糊评价矩阵并进行评价值规范后构建相应主观权重算法;结合目标优化模型和拉格朗日函数,构建相应客观权重算法,进而提出改进的综合权重计算法;在前景理论基础上,引入损失规避因子,提出将正负理想点作为双参考点,设定相应算法计算各属性与正负理想解的距离,并将其作为新参数加入感知价值函数,从而提出基于改进综合感知价值函数的总体优势度算法,最终构建出基于Agent的多属性决策模型;以某高校实验教学设备采购谈判为例,通过敏感性分析和与相关研究结果的比较分析,验证了该模型能帮助Agent做出更快速合理有效的决策。     

基于主Agent信念修正的推测计算及其资源协商

基于假设推理(abduction-based)的推测计算(speculative computation)是在资源信息不能及时到达时,利用缺省假设进行计算的过程.在计算过程中,如果应答和信念不一致,则主Agent将修正它的信念.为了实现目标,在有限时间内使推测计算的结果更精确,主Agent要通过协商获得尽可能多的实际信息,协商是降低决策风险的主要途径.在介绍假设推理和推测计算的基本原理的基础上,提出了基于时间约束的推测计算扩展框架、基于时间约束的进一步协商框架和基于信念修正的协商算法,并将进一步协商框架和协商算法嵌入到推测计算的过程中,在协商过程中赋予主Agent更强的信念修正能力.最后,在货物运输领域的实验中,证实了基于信念修正的推测计算的有效性.     

分布式环境下面向复杂任务的Agent联盟构建

在分布式环境下,现有Agent联盟构建算法不能解决带有相互依赖关系和转移成本的任务流程问题。为此,利用Agent协商构建联盟,在协商过程中设定方案发布Agent和参与Agent,并对应设计以成本信息调整和盈利任务争取为主的决策算法。在Agent的反馈信息中加入争取信息,允许参与Agent在多轮协商中采用可控制的信息泄露机制,通过泄露自己的成本信息向方案发布Agent争取可获利的任务,经过多轮协商,形成最优联盟结构。实验结果表明,在按劳分配联盟总收益的模式下,相比传统的信息不泄露机制,该信息泄露机制能够更快地形成联盟,并且具有更高的联盟净收益和Agent平均收益率。     

基于Agent的多问题并行遗传谈判模型

Agent谈判增加了电子商务系统的主动性,一个有效的谈判模型是系统实现的关键。分析了已有Agent谈判模型的特点,设计的基于Agent的多问题并行谈判模型解决了已有谈判模型中存在的谈判问题单一、非并行、不考虑对手收益和固定权重等问题。模型中产生谈判方案的算法的自适应性体现在问题权重、遗传参数和收益偏差的动态调整上,给出了问题实数编码和权重调整公式。最后,设计了一个面向三个问题的电子谈判实例,验证了谈判模型的可行性和有效性。     

基于多智能体协商的电子市场原料配置模型

基于市场交互机制建立了多智能体之间的协商模型，每个企业看作自利智能体运行生产规划算法购置原料并安排生产，市场智能体作为中间人通过市场规则对智能体的个体选择进行综合并将综合后的结果反馈给每个智能体，这一机制较好地总结了各个终端智能体的个体信息，从而优化个体行为。给出了电子市场原料配置的定价算法和分配算法。仿真试验结果表明，基于市场机制的多智能体协商方法使得每个智能体的效用都有所改善，从而改善了系统的全局收益。     

应用记忆演化学习的Agent协商研究

在多Agent系统（MAS）环境中,协商是一个复杂的动态交互过程。如何提高协商效率,成为了研究者关注的焦点。应用记忆演化理论的强化学习思想,提出一种Agent协商算法。它与基本强化学习相比,3阶段的记忆演化的强化学习,使得Agent可以在实时回报与延迟回报间更好的做出平衡,并为Agent记忆社会化交互创造条件,使强化学习更适合MAS的要求。通过模拟实验证明该协商算法是有效性的。     

基于Q-强化学习的多Agent协商策略及算法

针对传统Agent协商策略学习能力不足,不能满足现代电子商务环境需要的问题,采用Q-强化学习理论对Agent的双边协商策略加以改进,提出基于Q-强化学习的Agent双边协商策略,并设计实现该策略的算法。通过与时间协商策略比较,证明改进后的Agent协商策略在协商时间、算法效率上优于未经学习的时间策略,能够增强电子商务系统的在线学习能力,缩短协商时间,提高协商效率。