基于规划识别的多智能体协作研究及应用

多智能体系统是规划识别的一个有效应用平台，提出一种基于规划识别多智能体协作算法，对对抗环境和非对抗环境中的基于规划识别的多智能体协作算法进行了分析，实现了对队友和对手行为目的的认识和建模，减少了协作主体间需要通信的时间厦难度。该协作算法应用到多智能体的有效测试平台机器人足球赛中，试验结果证明，该算法在通信受限、信息受限或信息延时的系统中可有效预测队友和对手的行为，从而实现智能体间的协作。     

多智能体协作方法及其应用研究

将复杂系统分解成由多个智能体构成的合作多智能体系统，建立了多智能体系统的决策模型，能动态实时地计算每一时刻智能体的决策局势，适应环境的动态变化．采用多智能体方法对半导体生产进行调度，提高了半导体生产线设备的利用率，缩短了单位工件的加工时间．     

多智能体分层协作规划及在RoboCup中的应用

为了更好地解决一类通讯受限环境中多智能体任务协作规划问题,提出了基于MAXQ-OP的多智能体在线规划方法,并在RoboCup仿真2D足球比赛的人墙站位和多球员传球问题中对算法进行了实验.实验结果表明,这个方法使智能体在需要协作配合的环境中的表现比传统方法有了明显提升.     

多智能体系统协作及控制机理和基本问题分析

首先介绍智能体的概念，并从协作、协调一致性，理性原理及冲突等方面，较为全面而深化入地分析阐述了多智能体系统协从航控制的机理和基本问题。     

基于意图的多智能体深度强化学习运动规划方法

现有的多智能体运动规划任务存在缺乏有效合作方法、通信依赖要求高以及缺乏信息筛选机制等问题。针对这些问题,提出了一种基于意图的多智能体深度强化学习运动规划方法,该方法可以帮助智能体在无需显式通信的条件下无碰撞地到达目标点。首先,将意图概念引入多智能体运动规划问题,将智能体的视觉图像和历史地图相结合以预测智能体的意图,使智能体可以对其他智能体的动作做预判,从而有效协作;其次,设计了一个基于注意力机制的卷积神经网络架构,并利用该网络预测智能体的意图、选择智能体的动作,在筛选出有用的视觉输入信息的同时,减少了多智能体合作对通信的依赖;最后提出了一种基于价值的深度强化学习算法来学习运动规划策略,通过改进目标函数和Q值计算方式使策略更加稳定。在PyBullet仿真平台的6种不同的仿真场景中进行了测试,实验结果表明,相较于其他先进的多智能体运动规划方法,所提方法使多智能体团队的合作效率平均提高了10.74%,具有显著的性能优势。     

基于强化学习的多智能体协作方法研究

为了在连续和动态的环境中处理智能体不断变化的需求,我们通过利用强化学习来研究多机器人推箱子问题,得到了一种智能体可以不需要其它智能体任何信息的情况下完成协作任务的方法。强化学习可以应用于合作和非合作场合,对于存在噪声干扰和通讯困难的情况,强化学习具有其它人工智能方法不可比拟的优越性。     

多智能主体协作规划理论及其在RoboCup中的应用

机器人足球赛是近年人工智能迅速发展起来的一个重要的研究领域。基于此平台,研究了将规划、竞争、约束、协调纳入一个协作规划框架之中的多智能体协作规划理论,并将其分为5个阶段①产生协作目标;②协作规划;③寻求协作伙伴;④选择协作方案;⑤实现所确定的目标。最后探讨了应用到机器人足球赛的一些技术问题。在比赛中,决策速度也较好。     

基于MAS(Multi Agent System)的多机器人系统：协作多机器人学发展的一个重要方向

机器人的应用方式正在由部件式单元应用向系统式应用方向发展．这是实际应用的需 要,也是技术发展的必然趋势;相关技术如计算机网络技术的发展也为它的实现提供了相应 支持．多机器人协作理论问题必然也已经成为机器人学研究的一个热点,其中,分布式人工 智能（DAI）中的多智能体（代理）系统（MAS：Multi-agent System）理论已引起多机器 人 协作理论研究者的关注．本文即在揭示协作多机器人系统与MAS的内在联系的基础上,指出 基于MAS的协作多机器人系统是协作多机器人学发展的一个重要方向．     

基于协作协进化的多智能体机器人协作研究

协作问题一直是自主多智能体机器人系统研究的关键问题之一。基于多智能体机器人系统的CCP协作协议所生成的各智能体机器人的任务序列依赖于目标的初始顺序,因此难以得到最优解。文章提出了利用协作协进化来实现多智能体机器人之间协作的一种机制。该方法采用基于协作种群的技术来生成多智能体机器人任务执行序列,在给定的任务分解产生的所有可能解中寻找最优解,并通过交换局部知识和并行决策等手段来优化系统的性能。利用该机制,对3个智能体协作搬运8个物体进行计算机模拟,结果表明,该机制在优化任务执行序列方面作用明显,从而能有效提高多智能体机器人系统的性能。     

基于多智能体的人机协作智能信息系统

综合集成研讨厅理论体系是作为处理开放的复杂巨系统的有关问题而提出的,其实质是一个人机协作的智能信息系统.本文主要探索研讨厅的实现途径,给出了基于网络的研讨厅的层次模型与系统结构,提出了基于内嵌客户/Agent/服务器的请求器-中介器-供应器模型的多智能体研讨厅的多层分布计算模型,并基于Java的智能信息Agent技术探讨了支持宏观经济决策的多智能体研讨厅的构架及工作机制.研究表明,基于Internet有关技术与Agent计算技术有可能实现研讨厅,并由于Agent技术的优势而可能得到较好的系统性能.     

领域知识优化的蚁群规划算法

在智能规划领域的传统图规划算法中,规划解的提取是从规划图的最后一层不断向前提取。提取过程中要不断进行大量状态互斥判断。提取过程中一旦发生失败就要回溯,即使再遇到相同的互斥情形也要重新计算,大量判断互斥的计算被带入主循环搜索过程,极大地影响了搜索效率。将领域知识通过禁忌连接集的形式加入蚁群规划算法中,相邻动作层的很多互斥信息通过禁忌连接集只需计算一次,不带入主循环计算中,可以较好地提升算法的执行效率,实例分析表明这一策略是有效的。     

Using time-encoded terrain maps for cooperation planning

This paper describes a novel adaptation and use of terrain mapping and optimal path-planning to fuse large and diverse time varying data sets into a common structure used for path extraction. The method described uses a system of map distortion and manipulation to encode anticipated future states of the environment into a single map. By doing so, it effectively encodes time into the map, allowing paths to be planned incorporating short-term accuracy and an approximate long-term path which accounts for anticipated movement of obstacles in the environment. The path is refined with recalculation as progress is made along the path. An application of the technique in cooperation planning for multiple physical agents is presented in the context of the RoboCup robot football competition.     

基于任务能力排序的虚拟企业联盟生成方法

将虚拟企业联盟生成问题转化为多Agent问题,针对传统求解多Agent问题过程中仅考虑成本和联盟值最优的局限性,引入“一企多标”和资源配置等实际问题并给出解决方案。重点论述了基于改进的蚁群算法及任务能力排序的虚拟企业联盟生成方法,在求解过程中首先根据任务所需的核心能力对Agent集进行划分,然后利用改进的蚁群算法来求解该问题,以使满足该任务能力要求的Agent优先被选择,从而避免优势资源得不到利用的现象,起到合理配置资源的作用。通过模拟算例分析表明,该方法能有效、快速求解多虚拟企业联盟生成问题,表现了该方法的正确性。     

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。     

Multi-agent系统中认知协作研究

将问题分解形成的子问题间的关联性作为Multi-agent系统中Agent协作关系的特征性描述,并在此基础上依据粗糙集理论、马尔可夫决策过程和信息认知理论,分析Multi agent系统中的协作关系,以及Agent的认知协作过程。     

机会发现在多智能体系统中的形式化描述方法

针对多智能体系统(MAS)中执行决策的非确定性问题,研究结合时态/模态逻辑及机会发现理论,引入基于Kripke结构的复合逻辑 ,用于Agent的知识系统(全局知识、局部知识)及机会发现的形式化描述,为实现动态并发环境中MAS的系统协作行为建模及自动决策推理提供依据。给出 的结构及语义,证明了 的可判定性,且计算可在多项式级时间复杂度内实现。     

基于分层强化学习及人工势场的多Agent路径规划方法

针对路径规划算法收敛速度慢及效率低的问题,提出了一种基于分层强化学习及人工势场的多Agent路径规划算法。首先,将多Agent的运行环境虚拟为一个人工势能场,根据先验知识确定每点的势能值,它代表最优策略可获得的最大回报;其次,利用分层强化学习方法的无环境模型学习以及局部更新能力将策略更新过程限制在规模较小的局部空间或维度较低的高层空间上,提高学习算法的性能;最后,针对出租车问题在栅格环境中对所提算法进行了仿真实验。为了使算法贴近真实环境,增加算法的可移植性,在三维仿真环境中对该算法进行验证,实验结果表明该算法收敛速度快,收敛过程稳定。     

基于组织结构的多主体协作

基于主体组织的多主体问题求解可以降低问题求解难度和交互复杂性,其中多主体组织的形成规则和多主体的协作与规划是多主体合作的关键。文中提出了一种新的多主体组织模型和一组相关的组织原则,给出了组织规划的方法,提出了多主体组织的形成与消亡形式,并利用扩展的时序逻辑和π演算对上述结论进行了形式化描述,完善了基于组织结构的多主体协作理论,改进了多主体理论研究和多主体编程实践之间脱节的现状。     

基于场景任务划分的多智能体Q－学习研究

从研究分层强化学习入手,提出由MAS中任务结构分析产生的分层合作研究方法,通过区分子任务并以此建立更大粒度层面上的基于任务场景的状态空间,并结合以联合动作为基础的任务动作与势能场模型,从而解决强化学习中的状态空间的维数灾难。文中给出了基于机器人足球的子任务的算法应用,其效能得到实验的验证。     

秘书问题中聘用双方策略研究

秘书问题是一类概率最优化问题,鉴于现实应用中其理论最优策略缺乏可操作性,而传统启发式策略仅关注阀值确定,不涉及阀值和标杆关系的定量分析。为此,推导“截止阀法则”中阀值与标杆的最优组合关系,提出一种“三分决策法”聘用策略,以总量的1/3为样本,并以1号~3号标杆为参照选取目标,运用多主体系统的建模方法,对应聘策略进行分等级讨论,分析2种不同竞争模式下,优劣各异的应聘者在应聘队列中最大化录用概率。应用结果表明,该策略简便易行,且有效性能达到最优理论解性能的95%以上。