多Agent系统中联盟形成问题的研究

摘要

在大规模复杂的多Agent系统（MAS）中，多个Agent之间的协调、合作尤为重要。联盟机制是Agent之间合作的重要方式，联盟生成是多Agent系统的首要组成部分，利用智能优化算法来求解Agent联盟生成是一个重要的研究方向；联盟效用如何分配是多Agent系统的另一个重要的组成部分，利用合理的分配策略来划分联盟效用具有重要的意义。本论文主要研究了计算资源受限环境下联盟生成和联盟效用分配问题。 本文研究的主要内容及创新之处： 联盟生成主要研究如何在多Agent系统中动态生成面向任务的最优Agent联盟。粒子群算法相对于遗传算法、蚁群算法等其他优化算法具有更好的鲁棒性、并行性和分布性。本文提出了一种基于改进任务匹配计算方法的联盟生成策略，能充分发挥Agent的学习能力，准确计算出在MAS系统中任务间的相似度，更加快速地决定出如何借鉴积累的经验，从而提高了联盟值的起点和最优解收敛的速度。对比实验表明本策略有效地增大了联盟值和减少了联盟生成时间。 联盟效用如何分配是Agent在决策时更愿意形成全局更优联盟的关键问题，本文从信用度的角度提出了划分联盟效用的分配方案，并给出了分配方法。通过实例验证和结果分析，可以看出这种方法较好地满足了合理性、有效性和时效性的要求，并且有利于提高联盟的稳定性。

目录

文摘

英文文摘

声明

第一章绪论

1.1研究背景

1.2相关概念

1.2.1多Agent系统(MAS)

1.2.2 Agent联盟机制

1.3研究目的和意义

1.4本文组织

第二章相关研究工作

2.1联盟生成问题描述

2.2联盟生成相关的工作分析

2.3典型的联盟生成算法

2.3.1遗传算法

2.3.2蚁群算法

2.3.3粒子群算法

第三章基于改进任务匹配方法的联盟生成

3.1多任务联盟

3.1.1相关工作

3.2任务匹配方法

3.2.1模型介绍

3.2.2相关定义

3.2.3相似度计算

3.2.4相关规则

3.3基于改进任务匹配方法的联盟生成策略

3.4实验结果

3.4.1与蚁群算法比较

3.4.2与粒子群算法的比较

第四章基于信用度的联盟效用分配策略

4.1相关工作分析

4.2基于信用度的联盟效用分配策略

4.2.1相关定义

4.2.2联盟效用分配策略

4.2.3实例与分析

4.3结论

第五章总结与进一步工作

5.1论文总结

5.2进一步工作的展望

参考文献

在校期间发表论文情况

致 谢