一个基于Bayesian学习的协商模型

摘要

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.