一个基于Agent的轿车市场自动协商模型

该文提出了一个针对轿车市场中交易协商的双边多议题自动协商模型，该模型具有如下特点：用基于效用的相似度比较法实现Agent智能搜索；模型采用学习机制包括历史学习和Q-学习，历史学习机制用于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。Q-学习机制用于生成协商提议，使得Agent能够在半竞争、信息不完全和不确定以及存在最大协商时间的情况下，更为有效地完成多议题协商。     

多Agent自动协商中机器学习的应用研究

目前将机器学习理论应用到多Agent自动协商系统中已成为电子商务领域的最新研究课题。本文即是利用贝叶斯法则来更新协商中的环境信息（即信念），利用强化学习中的Q学习算法生成协商中的提议，建立了一个具有学习机制的多Agent自动协商模型。并且封传统Q学习算法追行了扩充，设计了基于Agent的当前信念和最近探索盈余的动态Q学习算法。实验验证了算法的收敛性。     

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。     

基于多Agent协商的虚拟企业伙伴选择方法

伙伴选择是虚拟企业建立过程中的核心问题,分析了虚拟企业的特点、虚拟企业环境下协商问题的特点,提出了一个适合于虚拟企业环境的多Agent协商模型。该模型支持多Agent多议题的多轮谈判,并将Agent类型引入到协商中来,作为指导协商Agent提议的一个重要因素。在不完全信息的条件下,应用贝叶斯学习的方法,更新既有信息,并通过分析对方Agent的历史提议序列,推测其类型,来指导自身的提议策略和战术,使自己的提议更具有针对性,避免了盲目性,从而节约协商时间,提高了协商的效率,使得盟主企业能在尽短的时间里寻找到理想的合作伙伴。     

一种基于相似度方法的并发协商策略

多Agent协商是目前人工智能、电子商务等领域研究的热点问题。在电子商务活动中为了达到更好的效果,获得更多的利益,买方希望与多个卖方进行并发协商(与多个卖方同时进行协商),从中选择最佳的交易解决方案,这种需求广泛存在。本文利用相似度方法(similarity criteria)发展和评价了一种双边多议题多Agent并发协商策略,一方面使用相似度函数来计算对手的偏好类型,从而选择相应的协商策略;另一方面协商一方采用该策略后能够使得双方达成一致的可能性最大并且收益最大,从而使得一个Agent能够在半竞争、信息不完全和不确定以及存在最大协商时间的情况下,更为有效地完成多Agent并发协商。     

基于GAI多属性依赖的协商模型

多属性之间的依赖关系增加协商Agent效用函数的复杂性,从而也增加多属性协商问题的复杂度.本文提出一种基于GAI多属性依赖的协商模型.该模型使用GAI分解将协商Agent的非线性效用函数表示为依赖属性子集的子效用之和.在协商过程中,协商双方采用不同的让步策略和提议策略来改变提议的内容.卖方Agent利用本文提出的GAI网合并算法将协商双方的GAI网合并,并利用生成的GAI树产生使社会福利评估值最大的提议.实验表明当买方Agent采用局部让步策略且卖方Agent采用全局让步策略时,协商双方能够在有限的协商步内达到接近Pareto最优的协商结局.     

一种多Agent多议题的协商模型

协商是多Agent系统实现协作、协调和冲突消解的关键技术。本文分析了协商问题的实质和协商过程,提出了一种支持多轮协商的多Agent多议题协商模型。模型中引入了Agent类型的概念,在信息不完全的条件下,协商Agent通过推测协商对手的类型来指导自身的提议策略和协商战术,使提议更具针对性,避免了盲目性,从而节约了协商时间,提高了协
商质量。     

一个基于Bayesian学习的协商模型

在Multi-Agent系统(MAS)中,每一个Agent都有不同的目标。通常只拥有对方的不完全信息。Agent需要具有解决在实现各自目标过程中所产生的各种矛盾的能力。协商是解决这些矛盾的一种有效途径。本文提出了一个基于Bayesian学习的协商模型NMBL：在每一轮协商中,Agent通过Bayesian学习获取协商对手的信息,更新对协商对手的信念,然后根据基于冲突点和不妥协度的协商策略提出下一轮的协商提议。NMBL把整个协商过程看成一个动态的交互过程,体现了Multi-Agent系统的动态特性,同时NMBL具有较强的学习能力。试验证明,该模型具有较好的协商性能。     

Agent协商研究进展

自2001年Jennings研究协商以来,已经成为MAS研究的热点。介绍了协商的定义、研究内容、应用领域;分析了协商的复杂性;总结了通用的单议题协商和多议题协商协议的对策论模型;综述了Agent多议题协商的策略与学习算法;并分别介绍了两种典型的多议题协商：拍卖和并发协商,给出组合拍卖、多属性拍卖和并发协商的基本模型及其研究进展;最后探讨了协商存在问题和将来可能的发展方向,指出作为交互、竞争与合作的基础,协商需要继续深入的探讨,也必将成为多Agent系统研究的主流。     

基于交互历史的多Agent自动协商研究

在多Agent协商过程中,初始信念起到了至关重要的作用.而初始信念的形成是由设计者给予的部分专家知识和策略集,成功的交互历史是Agent在复杂环境中最后达成一致的提议集.通过学习机制从交互历史中获得知识,形成协商的初始信念,将更加有效地预测对方的策略,缩短协商过程的时间,再通过在线学习来协调己方Agent的行为.在此基础上优化协商模型,提高协商的效率和成功率.     

基于agent的两阶段式一对多谈判模型研究

提出了一种两阶段式一对多谈判模型。与多个一对一并行谈判模式相比,它可以更好地体现一对多谈判的特点,即加强了多个卖方之间的竞争关系和单个买方的主导地位,使得单个买方有机会获得更优报价,也使其他卖家不会因为采取了竞争力较小的策略而丧失谈判机会。模型中提出了暂时接受报价的概念,即令其等于买方接收到的第一阶段最后一轮最小报价或第二阶段每轮最小报价,并利用此值计算卖方下一轮的报价,从而利用上一轮最低报价压低下一轮报价,达到多方竞争的目的。     

基于知识本体的协商Agents模型研究

知识本体具有知识共享,再利用和规则推理的能力,基于知识本体构建协商Agent模型,使协商Agent与特定的协商语言．协商协议和协商议题分离,解决异构Agent之间协商问题。     

基于知识本体的协商Agents模型研究

知识本体具有知识共享,再利用和规则推理的能力,基于知识本体构建协商Agent模型,使协商Agent与特定的协商语言,协商协议和协商议题分离,解决异构Agent之间协商问题。     

多议题协商服务平台的研究与实现

基于面向服务架构(SOA)的多Agent多议题协商模型融合了面向服务架构和多Agent多议题协商系统的特点.在协商服务平台中应用本体的基本概念和相关技术来定义协商的提议和议题,可实现协商议题的个性化和按需变化的动态性,提高了协商Agent的能力、效率和协商的有效性,让协商不再局限于某些特定协商对象.     

基于神经网络的协商学习机制

多agent协商研究中,如何通过学习提高协商效率是一个重要的课题,目前的研究多采用简单的学习算法,学习效果不好。论文首先提出了一个两方多回合交互协商框架,然后依据协商历史结果、协商双方初次出价等信知,对协商结果信息进行预测,从而确定协商交互中的推理策略,并利用BP神经网络的自适应、自学习能力对协商结果预测机制进行学习。随后的验证系统表明,该机制通过对协商结果的有效预测,提高了协商交互的效率和协商个体的效用。     

Managing commitments in multiple concurrent negotiations

Automated negotiation by software agents is a key enabling technology for agent mediated e-commerce. To this end, this paper considers an important class of such negotiations – namely those in which an agent engages in multiple concurrent bilateral negotiations for a good or service. In particular, we consider the situation in which a buyer agent is looking for a single service provider from a number of available ones in its environment. By bargaining simultaneously with these providers and interleaving partial agreements that it makes with them, a buyer can reach good deals in an efficient manner. However, a key problem in such encounters is managing commitments since an agent may want to make intermediate deals (so that it has a definite agreement) with other agents before it gets to finalize a deal at the end of the encounter. To do this effectively, however, the agents need to have a flexible model of commitments that they can reason about in order to determine when to commit and to decommit. This paper provides and evaluates such a commitment model and integrates it into a concurrent negotiation model.     

多并发谈判事务管理模型应用研究

自动谈判是近年来人们致力研究的一个热点问题。在对买方多并发谈判研究的基础上,提出了一个多并发谈判事务管理模型,模型能够管理一个买方同时进行的多个双边谈判事务。模拟分析表明该模型具有一定的可行性和有效性。