联合战役决心方案自动生成系统中多Agent协作方法

在用MAS技术研制联合战役决心方案自动生成系统时，多Agent间的协作是一个必须解决的问题。通过分析该系统中Agent间协作的时机、特点，以及体系能力的量化和作战效能的计算，提出了基于综合作战效能和任务难度的定性定量相结合的多Agent协作方法，建立了合作模型，对解决战役自动决策问题起到了积极作用。     

Agent组织中的政策导向型协作模型

传统Agent协作模型强调Agent的高度自主性,其自发协作过程完全出于内部的"自私性"动机,难以在模型中表达宏观层面上的引导及系统外部的约束,在应用于开放复杂软件系统时,将面临可信度不能满足要求、计算复杂度高及没有有效的冲突消解机制这3方面的问题,这阻碍了Agent技术在现实软件系统建模中的应用.采用组织与政策隐喻,提出Agent组织中的政策导向型协作模型,通过组织与政策给予Agent以宏观上的引导与外部的控制,以增强系统的可信度;采用扩展的可废止逻辑框架,对这一协作过程建立一个具有线性计算复杂度的形式化理论;逻辑体系中内置的优先级方式为系统提供了有效的冲突消解机制.并证明了模型所具有的一致性及其他特性,最后通过一个实例对系统作出验证性说明.     

基于Agent技术的导弹故障诊断专家系统研究

为对大型复杂装备进行故障诊断,在某型导弹控制系统自动测试平台上构建故障诊断专家系统,从结构和功能的角度提出了复杂装备多Agent故障诊断模型,设计了Agent通信模型,并采用ADO(ActiveX Data Object)技术实现了黑板方式的通信,解决了多Agent故障诊断模型中推理决策Agent与自动测试Agent间的通信问题;基于Agent的故障诊断专家系统,以多个Agent协作的形式及时、正确地对单机的各种故障状态做出诊断,具有较好的主动性和灵活性,从而提高大型复杂装备故障诊断效率,缩短维修时间.     

基于管理Agent协作模型的研究

多Agent协作求解是分布式人工智能要研究的基本问题。该文基于管理agent概念提出一个新的协作模型,该模型利用管理Agent对多Agent系统进行全局协作分配,协作申请分级处理,解决了传统协作模型中存在的模型与应用领域有关和只适用于静态环境的问题。     

基于多Agent的复合模型求解自适应QoS机制

在基于网络的分布式系统应用基础上,分析了大型复杂问题复合模型协作求解的过程特征描述,提出基于多Agent 的领域问题协作求解的主动控制策略,探讨了用户交互Agent、系统主控Agent、协作Agent以及模型Agent和数据Agent等复合模型协作求解的4种Agent类型。应用多Agent层次结构,提出一种复合模型协作求解的自适应QoS体系结构,通过实现复合模型协作求解的主动调度规划算法对其进行了验证,支持分布式网络环境下实现模型资源和数据资源的共享,以提高协同计算环境分布式问题协作求解的运行效率和服务质量。     

基于多Agent的楼宇自动化系统集成研究

在楼宇自动化系统中,由于各子系统具有不同的结构、不统一的通信协议,使得各系统之间的信息共享及交互协作成为目前急需解决的问题.为了解决子系统的异构问题,促进系统间信息共享,将多Agent技术引入楼宇自动化系统(BAS)集成中,建立了基于多Agent的BAS集成模型.通过用可扩展标记语言XML将Agent通信语言KQML封装成统一的消息格式,并利用Java的消息服务机制JMS传递消息,从而有效地解决了异构系统互相通信和协作的问题.     

基于管理Agent协作模型的研究

多Agent协作求解是分布式人工智能要研究的基本问题。该文基于管理agent概念提出一个新的协作模型，该模型利用管理Agent对多Agent系统进行全局协作分配，协作申请分级处理，解决了传统协作模型中存在的模型与应用领域有关和只适用于静态环境的问题。     

基于声誉激励机制的多Agent分配任务的方法

在一个多Agent系统中,合理的分配任务成为Agent间高效协作的关键之一.提出一种基于Agent的声誉分配任务的方法,并给出Agent的声誉模型以及基于此声誉模型分配任务的具体方法.在充分竞争的多Agent系统中,声誉效应是多Agent系统中的重要激励机制.因此,基于Agent的声誉分配任务增加了Agent间协作的协调性.     

多Agent的自动协商

协商是多Agent系统实现协调、协作和冲突消解的关键环节。如何构造有效的协商模型来提高Agent的协商能力，是多Agent系统研究中待解决的问题之一。文章主要讨论了双边多项目协商问题，提出了相应的协商模型、协议和协商算法，具有一定的通用性。     

基于多Agent系统的远程故障诊断系统模型

随着信息技术的发展，远程故障诊断系统的研究及应用正在世界范围内兴起。该文提出了一个基于多Agent系统的远程故障诊断系统模型，定义了层次划分、各层的结构以及功能，并简单介绍了Agent间的通信与协作机制。     

基于MAS的车间调度控制系统的研究

讨论了分布式控制结构和传统的递阶式控制结构的特点，面向任务建立了基于MAs的调度控制系统模型并建立了agent间的协作模型以及通信模型。整个系统运用动态重组的思想，采用分级分布式控制和并行处理相结合的组织结构和运行模式，将整个车间的调度问题分解为一系列子调度问题，满足了现代制造系统对动态性、柔性和敏捷性的要求。     

车间调度中的数据挖掘技术研究

基于Multi-Agent System（MAS）的人机合作技术适合于解决复杂调度问题。为了使人与机能够更好地合作来完成高效、准确的车间调度,引入C4.5算法,建立并实现了基于机器学习和MAS的人机合作车间调度系统仿真模型。在Java环境下,以Weka、JADE为开发平台,以Eclipse为开发工具,Access为后台数据库,完成了系统的开发。通过实例仿真和结果分析,运用机器学习算法动态调度的结果稍优于最佳的静态调度结果,证明了系统的正确性和优越性。     

基于行为预测的多智能体协作模型

智能体的行为预测是多智能体系统中的一个具有挑战性的问题。机器人足球是一个典型的多智能体系统,论文对多智能体系统中的行为预测进行了研究,概述了RoboCup中几种典型的智能体行为预测方法和协作模型,在此基础上采用基于行为的混合预测方法,建立了一种基于行为预测的多智能体协作模型。该协作模型已应用于CSU_YunLu2003仿真球队中,在RoboCup仿真比赛中证明了该协作模型的有效性。     

基于系统体系结构的多agent协作

多agent系统提供了一种解决复杂问题的分而治之的方法，这就使得agent间的相互协作成为多agent系统研究的一项重要内容，而系统的体系结构直接影响到agent之间的协作。文中主要讨论了基于体系结构的多agent协作，介绍了几种常见的多agent系统体系结构，并提出了一种基于联邦结构的agent协作。     

基于领域知识的多智能体分层协作规划方法

针对复杂动态RoboCup仿真环境下的多智能体协作问题,提出一种使用领域知识的多智能体分层协作规划方法。在根据系统提供的环境状态信息建立智能体初始行为规划的基础上,通过逐步填入智能体的状态和行为特征属性知识,分析行动实现的效果,对初始规划行动进行调整,为智能体制定协调一致的行为规划序列,并获得相应的协作策略信息,使其在实际对抗比赛中能针对当前环境快速做出决策,实现通信受限的情况下多智能体的协作。     

基于协同学的Multi-Agent合作系统研究

探讨了协同学在Multi-Agent系统(MAS)合作中的应用;讨论了MAS的协同合作,给出了基于协同学的Multi-Agent的协同模型,量化了Multi-Agent协同机制的协调效应,为其最优协同机制的选择提供了依据.将序参量、自组织理论引入到MAS合作中,为MAS合作问题提供了一个新的解决思路.     

基于经验和信誉的MAS信任评价的学习机制

为合理利用MAS中存在的经验和信誉两种信任评价资源,准确评价合作agent,提出了根据活动因子的学习结果动态评价MAS的学习机制.采用该机制,MAS根据活动因子的取值赋予不同信任资源以不同权值,动态计算可信度,评价合作目标,使得MAS取得的总体报酬最优.仿真结果验证了学习机制的有效性.     

基于学习者个性因素的多Agent协同学习系统

未解决当前的远程教育系统存在形式单一和被动教学等问题,该文提出了一个基于学习者个性因素的多Agent学习系统模型。该模型结合智能代理技术,通过分析学习者个性因素,给出了个体Agent能力描述语言,提出了新的个性化分组策略和学习任务分配策略,采用补偿机制鼓励agent合作,结合状态空间搜索理论使M AS系统具有更强的解题能力,并可满足学习者主动学习的要求,还能在一定程度上节约系统的通讯。     

分层特征计算和错误控制的层次分类方法

中文新闻信息分类标准中,类别数量大。在将其应用于新闻分类时,会出现训练模型大、训练时间长,尤其是当部分类别改变时需要全部重新训练等问题。由于分类标准中类别之间存在层次关系,因此层次分类方法可以作为解决方案。研究层次化的中文新闻分类方法,并从以下两方面改善层次化分类方法的效果:1)分层的新闻特征计算,解决了层次分类中新闻在分类类别下的特征向量的不同表示的问题;2)错误控制,解决了在上一层分类错误的情况下新闻不会分到正确的类别上的情况。实验结果表明,层次分类方法的效果比平面分类的准确度提高了约4%,进行多次特征权重计算的层次分类方法比普通的层次分类的准确度提高了约3%,同时进行错误控制的分类效果比普通层次的分类效果提高了大概3%。     

多智能体分层强化学习综述

作为机器学习和人工智能领域的一个重要分支,多智能体分层强化学习以一种通用的形式将多智能体的协作能力与强化学习的决策能力相结合,并通过将复杂的强化学习问题分解成若干个子问题并分别解决,可以有效解决空间维数灾难问题。这也使得多智能体分层强化学习成为解决大规模复杂背景下智能决策问题的一种潜在途径。首先对多智能体分层强化学习中涉及的主要技术进行阐述,包括强化学习、半马尔可夫决策过程和多智能体强化学习;然后基于分层的角度,对基于选项、基于分层抽象机、基于值函数分解和基于端到端等4种多智能体分层强化学习方法的算法原理和研究现状进行了综述;最后介绍了多智能体分层强化学习在机器人控制、博弈决策以及任务规划等领域的应用现状。