改进型蚁群算法求解单任务Agent联盟

联盟是多Agent之间一种重要的合作方法,如何生成面向某个任务的最优联盟是一个复杂的组合优化问题．首次引入蚁群算法来解决这一问题,在求解过程中蚂蚁倾向于选择曾经合作过并且合作效果比较好的Agent组成联盟,充分实现了熟人机制;创新地引入“第2种信息素”对蚁群算法进行改进,不再易于陷入局部极小．对比实验结果表明,本算法在解的性能和收敛速度上均优于相关算法．     

二进制编码差异演化算法在Agent联盟形成中的应用

在多Agent系统中,通过形成联盟可以提高Agent求解问题的能力,因此,联盟是多Agent系统的重要合作方法.从本质上讲,Agent联盟的形成是一个复杂的组合优化问题.引入差异演化算法来解决这一问题.差异演化是一种基于群体差异的演化算法,适合于求解连续空间的最优化问题.首次将以实数编码的差异演化算法应用于Agent联盟问题,提出二进制编码的差异演化算法解决组合优化问题,通过引入S型函数把变异操作的结果限制在集合{0,1}上,可以快速、高效地找出合适的Agent联盟.与遗传算法和蚁群算法的对比实验表明,该算法是正确、有效、可行的,在运行时间和解的性能上都优于相关算法.     

一种联盟结构的多Agent合作求解算法

为了测试和比较各种先进的多Agent合作求解智能算法,给多Agent合作策略提供一个比较与测试的平台。针对多Agent联盟数量是Agent个数指数倍的问题提出了一种对Agent联盟结构图自上而下的搜索算法,该算法可以对联盟结构图进行化简,降低搜索空间大小。在基于Agent合作收益独立性假设的基础上,证明了同构的联盟结构是最优的收益。最后,以机器人足球赛RoboCup为背景给出了仿真实验,表明了SCS算法的效率。     

多任务联盟形成中的Agent行为策略研究

Agent联盟是多Agent系统中一种重要的合作方式,联盟形成是其研究的关键问题.本文提出一种串行多任务联盟形成中的Agent行为策略,首先论证了Agent合作求解多任务的过程是一个Markov决策过程,然后基于Q-学习求解单个Agent的最优行为策略.实例表明该策略在面向多任务的领域中可以快速、有效地串行形成多个任务求解联盟.     

动态约束下的联盟形成

联盟形成是多Agent系统中一种重要的合作方式。人们设计了一系列联盟形成框架,较好地解决了联盟值最大化、任务分配、组合拍卖等问题。已有关于联盟形成的研究,较多地从效用、任务等角度来考虑问题。在一些情况下,仅从这些角度考虑联盟形成是不够的,于是我们从约束的角度来研究联盟形成。首先深刻分析了联盟形成时的约束问题,采用命题逻辑来描述对Agent的约束,给出了联盟偏好语言及其语义描述;接着给出了它的一些性质;最后将动态约束下的联盟形成机制与常见的一些联盟形成机制作了对比,体现了动态约束下联盟形成机制的特点。     

基于信用度的Agent联盟效用分配策略

联盟形成是多Agent系统的一个关键问题,主要研究在联盟内Agent间如何划分联盟效用,使得Agent更愿意形成联盟,但已有策略没有考虑到Agent的信用度,联盟内的稳定性和Agent间合作的积极性并不高.对此,本文提出了一种基于信用度的Agent效用分配策略,对退出联盟现象进行有效的控制,提高了多Agent系统的使用价值.最后通过实例证明此方法的有效性.     

基于模糊评判的Agent联盟效用分配

多个Agent同时形成任务求解联盟时,联盟效用的分配是一个棘手的问题。已有的平均分配和基于能力大小的分配策略都没有反映出Agent对联盟贡献的差异性,不利于联盟的形成和完成任务的绩效。提出了一种基于模糊评判的联盟效用分配方法。首先模糊评价Agent的各维能力贡献率,然后综合计算出整体贡献因子,并据此完成联盟效用的合理分配,最后通过实例分析说明了此方法的有效性。     

面向复杂任务结构的Agent联盟算法

Agent联盟形成是多Agent系统的一个基本操作.多个Agent往往需要形成联盟来协作完成任务或者提高联盟体的能力.现有的Agent联盟算法并不考虑任务内部的结构.本文则考虑一类具有复杂内部结构的任务.任务由一组子任务构成,子任务之间存在着逻辑依赖关系,并且以BPMN的流程形式描述.本文还在此基础上加入了对相邻子任务之间的转移成本的考虑.并且本文提出了一种基于动态规划的多项式时间算法来解决此类加入了逻辑依赖关系和转移成本因素的Agent联盟问题.     

一种基于按劳分配原则的联盟形成策略

联盟形成主要研究如何在联盟内Agent间划分联盟效用,使Agent在决策时愿意形成更优的联盟。但是已有的联盟形成策略对额外效用的平均分配没有考虑到每个Agent对联盟的贡献大小以及加入后的利益,不利于联盟的形成。提出一种基于按劳分配原则的联盟形成策略,该策略运用按能力分配原则对额外效用进行合理分配,体现了“能者多劳,多劳多得”的特点,维护了个体间的利益,优于Shapley值方法和平均分配法,较好地满足了联盟的稳定性和时效性等要求。     

用差异演化算法求解单任务Agent联盟

在多Agent 系统中, 可以通过联盟提高Agent求解问题的能力,因此,联盟是多Agent系统的重要合作方法.将差异演化算法应用于Agent 联盟问题,可以快速、高效地找出合适的Agent 联盟.对比实验表明,该算法是正确、有效、可行的,在运行时间和解的性能上都优于相关算法.     

移动组播的多家乡代理实现机制

针对移动组播中存在的家乡代理单点失效问题,提出一种多家乡代理实现机制,解决多家乡代理中移动节点的家乡注册问题,引入新的应用层任播算法,可以从多个家乡代理中为移动组播接收者选择“最近”的家乡代理。分析结果表明,该任播算法不仅可以有效解决家乡代理单点失效问题,还能为移动节点提供高质量的任播解析服务。     

一种优化的多Agent相关任务并行调度算法

讨论了在多Agent系统中多组作业的并行调度问题，提出了一个描述多组作业推进速度的指标——调度效率和一种优化的多Agent相关任务并行调度算法——多Agent相关任务均衡 压缩调度算法(MADTBCSA)。以调度效率作为调度的标准，通过追求多组作业的均衡推进，来达到有效利用Agent时间的目的，同时利用静态压缩算法，进一步压缩调度长度，提高了Agent的利用率。     

基于量子理论及蚁群算法的多Agent Q学习

针对多Agent协作强化学习中存在的行为和状态维数灾问题,以及行为选择上存在多个均衡解,为了收敛到最佳均衡解需要搜索策略空间和协调策略选择问题,提出了一种新颖的基于量子理论和蚁群算法的多Agent协作学习算法。新算法首先借签了量子计算理论,将多Agent的行为和状态空间通过量子叠加态表示,利用量子纠缠态来协调策略选择,利用概率振幅进行动作探索,加快学习速度。其次,根据蚁群算法,提出“脚印”思想来间接增强Agent之间的交互。最后,对新算法的理论分析和实验结果都证明了改进的Q学习是可行的,并且可以有效地提高学习效率。     

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。     

基于Agent的混合流水车间动态调度系统

针对敏捷制造调度环境的不确定性、动态性以及混合流水车间（HFS）调度问题的特点,设计了一种基于多Agent的混合流水车间动态调度系统,系统由管理Agent、策略Agent、工件Agent和机器Agent构成。首先提出一种针对混合流水车间环境的插值排序（HIS）算法并集成于策略Agent中,该算法适用于静态调度和多种动态事件下的动态调度。然后,设计了各类Agent间的协调机制,在生产过程中所有Agent根据各自的行为逻辑独立工作并互相协调。在发生动态事件时,策略Agent调用HIS算法根据当前车间状态产生工件序列,随后各Agent根据生成的序列继续进行协调直到完成生产。最后进行了发生机器故障、订单插入情况下的重调度以及在线调度等动态调度的实例仿真,结果表明对于这些问题,HIS算法的求解效果均优于调度规则,特别是在故障重调度中,HIS算法重调度前后的Makespan一致度达97.6%,说明系统能够灵活和有效地处理混合流水车间动态调度问题。     

基于博弈学习的多Agent城市交通协调控制

交通路口中的各Agent之间的协调问题是一个博弈问题。在有限理性的基础上,利用博弈学习思想,构建多智能体（multi-Agent）博弈学习协调算法,利用此学习协调算法对出行者行为分析并修正,实现城市交通路口的畅通,进而达到区域、全局的交通优化。最后通过实例仿真验证其可行性。     

集装箱箱号字符识别算法研究

针对集装箱箱号图像中存在的光照不均、箱号的偏转和倾斜等因素,着重研究箱号字符识别中的关键技术问题。对于箱号图像光照不均问题,采用一种改进型的差分边缘检测粗定位算法;利用改进的最小二乘法有效地解决箱号偏转难以精确定位问题;运用基于梯度下降投影字符矫正及分割算法,实现对倾斜箱号的校正与分割;采用BP神经网络进行字符识别。对1?050幅不同条件的拍摄图像进行实验,结果表明上述算法相对于传统算法与深度学习算法,综合识别率明显提高,且符合实时性要求。     

一种改进的Wu-Manber多模式匹配算法及应用

本文针对Wu-Manber多模式匹配算法在处理后缀模式情况下的不足,给出了一种改进的后缀模式处理算法,减少了匹配过程中字符比较的次数,提高了算法的运行效率。本文在随机选择的TREC2000的52,067篇文档上进行了全文检索实验, 对比了Wu-Manber算法、使用后缀模式的改进算法、不使用后缀模式的简单改进等三种算法的匹配过程中字符比较的次数。实验结果说明,本文的改进能够比较稳定的减少匹配过程中字符比较的次数,提高匹配的速度和效率。     

基于信息表的移动Agent通信机制

通信是移动Agent必不可少的组成部分.许多研究者针对这一问题进行了深入的研究,并提出了一些移动Agent的通信机制,但是现有的这些通信机制在解决通信失效和消息追逐上都存在着一定的不足.针对这些问题,通过将信息表引入移动Agent的通信机制中,提出一种基于信息表的移动Agent通信机制.在这种通信机制中,把移动Agent要接收的消息按照其特性分为主动消息和被动消息,利用动态改变路标中信息表参数的方法来解决移动Agent之间通信所面临的难题.     

序列多智能体强化学习算法

针对当前多智能体强化学习算法难以适应智能体规模动态变化的问题,文中提出序列多智能体强化学习算法(SMARL).将智能体的控制网络划分为动作网络和目标网络,以深度确定性策略梯度和序列到序列分别作为分割后的基础网络结构,分离算法结构与规模的相关性.同时,对算法输入输出进行特殊处理,分离算法策略与规模的相关性.SMARL中的...