| 【中文题名】 | 基于学习的多Agent协商研究 |
| 【英文题名】 | |
| 【学科专业】 | 计算机软件与理论 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-10-10 |
| 【中关键词】 | 多Agent协商,贝叶斯方法,策略学习,协商模型,, |
| 【英关键词】 | multi-Agent negotiation,Bayesian,strategy learning,negotiation model, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>> |
| 【论文摘要】 | Agent和多Agent系统(Multi-Agent Systems，简称MAS)正在成为人工智能研究实用化和在分布计算环境下的软件智能化的重要技术。MAS技术的研究主要集中在三个方面：Agent行为理论、Agent体系结构和多Agent协作。其中，多Agent协作主要是研究自动Agent系统如何能够更有效的交互。近年来，协商作为MAS中矛盾处理和冲突消解的一种重要的方法，已经成为MAS系统协作研究中的一个重要的分支。
在MAS的研究中，研究者使用很多方法提高协商模型的适应能力和决策能力，其中很重要的一个方法就是在协商模型中加入学习机制，使得系统的性能得到改善。然而，目前的Agent协商学习算法多存在于协商过程中，在协商前，Agent个体自身信念中对于交互对手的私有信息认知程度还不高。
本文详细分析了MAS中多议题协商过程，简要介绍了协商的概念，对协商各个不同的类型进行了详细地介绍。针对多Agent多议题协商模型内部的学习、决策机制能力的提高问题，对比了多种已经存在的协商Agent学习算法和决策模型。
Agent个体在协商开始前对交互对手信息的认知程度在一定程度... |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
ABSTRACT |
4-6 |
|
目录 |
6-8 |
|
第一章 绪论 |
8-12 |
|
1.1 研究背景 |
8-9 |
|
1.2 研究现状 |
9-10 |
|
1.3 研究内容 |
10-11 |
|
1.4 论文结构及主要内容 |
11-12 |
|
第二章 AGENT技术分析 |
12-23 |
|
2.1 AGENT的概念及特征 |
12-15 |
|
2.2 AGENT的认知模型和理论 |
15-17 |
|
2.3 AGENT的体系结构 |
17-23 |
|
第三章 多AGENT协商过程研究 |
23-30 |
|
3.1 协商的概念 |
23-26 |
|
3.2 协商机制的内容与形式 |
26-27 |
|
3.3 学习机制在AGENT协商中的应用 |
27-30 |
|
第四章 基于保留值预测的多议题协商优化 |
30-39 |
|
4.1 引言 |
30-31 |
|
4.2 协商机制相关定义 |
31-32 |
|
4.3 预测机制 |
32-34 |
|
4.3.1 协商历史的表示 |
32-33 |
|
4.3.2 贝叶斯理论 |
33 |
|
4.3.3 预测机制 |
33-34 |
|
4.4 效用评估机制 |
34-35 |
|
4.5 交互模型 |
35-36 |
|
4.6 试验评估 |
36-38 |
|
4.7 小结 |
38-39 |
|
第五章 基于策略学习的多议题协商优化 |
39-53 |
|
5.1 协商策略概论 |
39-42 |
|
5.2 策略学习机制 |
42-45 |
|
5.2.1 单策略学习 |
42-43 |
|
5.2.2 多策略的学习 |
43-45 |
|
5.3 交互模型 |
45-46 |
|
5.4 试验评估 |
46-52 |
|
5.4.1 单策略情况 |
47-49 |
|
5.4.2 多策略情况 |
49-52 |
|
5.5 小结 |
52-53 |
|
第六章 总结与展望 |
53-55 |
|
6.1 总结 |
53 |
|
6.2 未来工作展望 |
53-55 |
|
参考文献 |
55-59 |
|
致谢 |
59-60 |
|
附录(攻读学位期间发表的论文) |
60 |
|
| 【DOI】 | LunWen.ID:2.2008.387992 |
