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。     

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。     

一种具有自主学习能力的并发协商模型

提出一种具有自主学习能力的并发协商模型,通过使用增强学习方法的Q学习算法生成协商提议,使用相似度方法评价提议,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多Agent并发协商。     

基于中介Agent的强化学习优化协商模型

提出了一种基于强化学习的双边优化协商模型。引入了一个中介Agent。在强化学习策略中使用不同的参数产生提议,进而选出最好的参数进行协商。为了进一步提高协商的性能,还提出了基于中介Agent自适应的学习能力。仿真实验结果证明了所提协商方法的有效性,且该方法提高了协商的性能。     

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。     

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。     

基于Nearest-Biclusters协作过滤技术的效用图结构学习算法

在多议题协商研究中,议题之间的依赖关系增加了协商Agent效用函数的复杂性,从而使得多议题协商变得更加困难.基于效用图的多议题依赖协商模型是体现议题间依赖关系的多议题协商模型.在该协商模型中,协商双方仅需要较少的协商步数就能够找到满足Pareto效率的协商结局.如何有效地学习买方Agent的效用图结构是该协商模型的关键.文中基于Nearest-Biclusters协作过滤技术的思想提出了一种新的效用图结构学习算法(NBCFL算法).该算法首先利用Nearest-Biclusters协作过滤技术发现买方偏好的局部匹配特性,提取与当前买方Agent类型相同的买方Agent所产生的协商历史记录,然后通过计算各议题间的依赖度学习买方Agent的效用图结构.实验表明在参与协商的买方Agent类型不同的条件下,NBCFL算法比IBCFL算法能更好地学习买方Agent的效用图结构.     

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.     

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。     

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。     

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的二级供应链企业自动谈判研究

人工谈判需要耗费大量的时间和人力,基于Agent的自动谈判极大地提高了谈判效率,成为实际需求。将遗传算法作为二级供应链企业自动谈判模型的学习机制,快速求得自动谈判双方的联合效用最大值。文中运用多代理技术提出一个二级供应链谈判流程,谈判双方向对方发送ACL消息,使得供应商和生产商实现自动谈判。仿真实例证明,该模型能使自动谈判双方达到共赢,使得生产商找到了最适合自己的供应商,并为双方节省了大量的人力和时间,为供应链企业实现自动谈判提供一个高效、实用的解决方案。     

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。     

基于学习的多Agent多议题协商优化研究

以买方Agent的观点,对从交易平台上获得的卖方Agent的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,针对现有协商模型中存在的问题,提出了一个Agent协商对手选择算法和相应的交互机制,并验证了其可行性。该算法可用于Agent协商开始前协商对手的选择和初始信念的更新,对Agent在协商中策略的选择和执行具有指导作用,能有效提高Agent在协商中的效用及效率。     

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.     

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。