Agent社会理性的研究

MAS(multi-agent system)是由多个自治Agent组成的协商,是合作的Agent社会.在社会背景下,Agent社会理性决定着MAS目标的实现.Jennings虽然给出了Agent社会理性的定义和相应的模型,但没有给出模型参数的具体计算方法及其物理意义.基于协同学原理,指出模型的物理意义是系统的序参量,并将参数的计算分为4步:近似线性化、确定序参量、使用支配原理建立微分方程和解微分方程.     

现代物流企业多维度协同分析研究*

了解和控制复杂物流系统的协同性是现代物流企业发展必不可少的步骤。现代物流企业面临着多维度的协同需求,而信息协同是决定复杂物流系统和现代物流企业能否生存和发展的关键因素。以协同学为基础,通过对复杂物流系统多维度协同分析,提取序参量,建立序参量方程,得出复杂物流系统序参量方程讨论解形式,肯定了信息协同对复杂物流系统协同性的决定性作用,为后续研究提供科学依据和研究方向。     

基于Agent的模式识别框架APRF的研究

模式识别过程就是对输入模式的分类过程,类是模式的本质,一般认为特征向量是模式的概括,基于这一认识,使得计算机准确地识别模式为某一类是困难的,问题在于人类的识别活动从不基于什么概括的特征向量,而是基于对输入模式的某一侧面的认识,然后利用相似、融合、协同进行识别.这一机制与Agent的工作原理极其相似,通过分析概括模式对模式识别所带来的困难,基于协同学中序参量的概念,给出了基于Agent的模式识别框架APRF（agent orientation patten recognition frame）.     

基于协同学理论的数字水印检测技术研究

基于协同学理论,提出了一种新的数字水印检测算法。根据水印相关特性确定检测因子(序参量),将序参量代入由协同学理论确定的演化方程中进行演化来检测水印。实验证明该算法具有抗干扰、抗缺损能力。     

智能居住环境的Multi—Agent体系构架

智能居住环境系统能够监测环境的参数、设备的状态,并根据居住者的偏好进行主动控制.在ZigBee无线传感器网络的基础上,提出了一种智能居住环境Multi-Agent(MAS)体系结构.该体系结构中ZigBee无线传感器网络的协调器对应MAS中的管理Agent、路由器对应功能Agent、终端设备对应现场Agent;同时建立了现场Agent、功能Agent、管理Agent这三者的内部结构模型,为智能居住环境Multi-Agent系统中各Agent之间的协同合作、冲突消解、组织联盟提供了基础构架.     

基于小波的网络流量异常协同相变检测

针对网络流量表现出的非线性和非平稳性等复杂的动力学特征,提出一种基于小波的网络流量异常协同相变检测方法。该方法从网络流量时间序列的离散小波域出发,利用序参量的非线性动力学方程描述网络流量系统的复杂行为,采用势函数来刻画网络流量系统的非平稳相变过程,进一步分析了网络流量状态与各种攻击模式之间的变化关系,并通过协同学模型对网络流量序参量进行演化,当相应序参量收敛时,即可检测到相应的攻击模式或是正常流量模式。最后,采用了DARPA 1999数据集进行了实验测试,网络流量异常的平均检测率达到了90.00%,而平均误检率只有15.03%。实验结果表明,基于小波的协同相变方法可以用于网络流量异常检测。     

Agent社会理性模型的计算框架

理性是选择策略的标准,在社会背景下,关系着MAS目标的实现,Jennings给出了Agent社会理性＝k1*自我理性＋K2*合作理性,该模型存在的问题是K1,K2是主观确定的,本文基于协同学原理,给出了K1,K2客观的计算框架。     

一种面向个性化协同学习的任务生成方法

现有协同学习应用无法很好地支持学习任务的生成以及学习者的个性化学习.针对此问题,提出了一种面向个性化协同学习的学习任务生成方法.该方法在学习任务形式化描述的基础上,通过学习者分组、确定学习资源、分解学习单元、分配学习模式以及生成事件序列等步骤,生成既符合学习者群体认知水平,又符合个体学习者个性特征的协同学习任务.根据此任务,可以较好地实现网络环境下群体学习者的个性化协同学习.目前,该方法已在Smart-Realcalss网络教学系统中得到应用.     

MAS中合作机制的研究

目前,分布式人工智能(DAI:Distributed Arti-ficial Intelligence)的主要研究方向是开放的多智能体系统(MAS:Multi-Agent System)、通用的DAI算法以及建立实际应用系统。在MAS方面,对独立自治智能体的合作行为的研究,可以为建立更为复杂的分布式人工智能系统提供依据。在MAS中,A-gent群体合作行为的优化程度,以及这种合作行为是否具有自适应性,不但直接关系到整个系统的性能和开放性,而且也是衡量系统智能水平高低的标志。     

MAS中合作策略的比较

多智能体系统(MAS:Multi-Agent System)是分布式人工智能的主要研究方向之一。在MAS中,Agent群体的合作行为及其优化程度又是一个重要的研究分支。Agent之间的合作,分为系统中是否存在集中控制和在Agent之间是否存在通信。Agent间既无通信又无集中控制的合作虽然存在一些困难,但并非不可实现,在网络协同计算环境中,通过Agent分工及任务招标可以完成这种合作,通过订金、劳动力价格调整及参照历史信息来协调A-gent的行为,可以提高合作成功率,从而使智能系统达到较高的性能。     

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。     

基于信用和关系网的Multi-agent System信任体系

提出了一种MAS环境下基于信用和关系网的Agent信任体系，给出了模型的构建方法及相关的量化公式。该信任体系可以使系统中的推荐信任和直接信任等同看待，能抑制恶意推荐、协同作弊这些干扰现象，能促进关系网的凝聚性，简化Agent合作伙伴的选取，从而促进系统中Agent间的合作。     

一种基于SPA提高MAS协作效率的方法

提高协作效率是提高MAS(Multi—Agent System)工作效率的关键所在，因此采取何种协作方法至关重要。基于SPA(Set Pair Analysis)理论研究如何通过利用Agent自身的特性，使其能够在相应的环境下采取相应的协作方法，从而提高MAS的协作效率。     

合作agent的能力描述

能力描述是agent合作的基础，本文提出了一个通用的MAS模型，分析了合作agent的能力描述方案，给出了一个agent能力描述语言（ACDL），能够对个体agnet，一组agent以及agency的能力进行描述，支持不同规模的agent合作和基于能力的学习。     

一种基于Web服务的多主体系统模型

针对广域网异质、开放和动态的特性,提出了一种基于Web服务的多主体系统模型,它将Web服务嵌入BDI主体结构,使得异质主体之间得以方便地协作;它引入了关于多主体系统中主体类与服务描述的本体,使得主体之间可以进行动态协作;模型还建立了一个协调控制中心,使主体之间得以进行时间非耦合的协作。对相关模块及功能作了详细的描述,并对一些服务的流程或实现进行了说明。     

基于多Agent系统的自调节及协同工作的组合投资模型

Agent技术特别是多Agent系统（MAS,Multi-Agent System）为解决人工智能等领域复杂问题提供了一个新途径,多Agent系统重点研究如何协调系统中的各个Agent的行为使其协同工作。针对多阶段组合投资问题,提出了一个基于多Agent系统的自调节及协同工作的组合投资策略模型。该模型系统中的各个Agent通过通讯共享知识,在求解问题的搜索空间中进行协同搜索,在更短的搜索步长内得到问题的解,极大地提高了系统性能。该模型具有不基于任何股票模型、时间复杂度低以及逼近最优投资策略速度较快等优点,实验证明具有一定的实际意义。     

混合型Agent在MiroSot的应用研究

在分布实时环境下,解决高效通信和具有容错能力的MAS协作问题是MiroSot需要解决的重要问题之一。基于MiroSot设计的足球机器人MiroSotAgent是结合BDI和子前提结构而构造的一种新的混合式Agent。这种Agent综合了反应型Agent反应敏捷、鲁棒性好和慎思型Agent擅长复杂协作和推理的优点,能较好地应用于分布式实时的MAS环境。     

Visual cooperation based on LOS for self-organization of swarm robots

In this study, an attempt has been made to incorporate visual cooperation among decentralized swarm robots for self-organization. Self-organization based on color recognition is presented to overcome the constraints faced in conventional self-organization based on centralized control, in which an external ceiling camera or beacon systems are used. In the proposed scheme, a singular association rule is introduced: a swarm robot considers line-of-sight (LOS) visual information only about its reference robot or a moving target. In particular, this paper presents the following set of cases pertaining to self-organization of swarm robots: 1) a case in which a robot loses a moving target from its LOS, 2) a case in which a robot loses a reference robot from its LOS, 3) a case in which a robot is lost, and 4) a case in which all robots lose the target from their LOS. Results of a simulation and an experiment on prey pursuit show that the proposed self-organization method can be effectively used for multiple mobile robots, despite the use of a simple association rule.     

模型层MAS模型的获取和实现方法

基于多Agent系统(MAS)的开放信息集成体系结构分为界面层、协调层和模型层,每层均由MAS组成。为了获得构成模型层的MAS模型,该文结合信息工程论和面向对象方法而提出了模型层MAS模型获取方法,它从企业行为的功能主题出发进行分析而获取相应的对象模型,并将对象模型转变为相应的MAS模型;为了提高Agent技术的实用化程度,还讨论了在关系型数据库管理系统平台上实现基于MAS的模型层的方法;最后介绍了上述方法的应用实例。