分布式智能系統(tǒng)中聯(lián)盟機制研究.pdf

1、在大規(guī)模復(fù)雜的分布式智能系統(tǒng)中，多個智能子系統(tǒng)之間的協(xié)調(diào)、合作尤為重要，也是難點問題。經(jīng)典的大系統(tǒng)理論缺少有效的方法。本文基于Agent理論的聯(lián)盟方法對上述問題進(jìn)行了深入的理論研究，提出了一些有效的協(xié)作算法、策略，從而為實際應(yīng)用系統(tǒng)的研制和開發(fā)提供理論指導(dǎo)和方法依據(jù)。 論文研究的主要內(nèi)容及創(chuàng)新之處：(1)在計算資源受限環(huán)境下有效的Agent聯(lián)盟生成算法。針對具體任務(wù)，動態(tài)選擇和激活適當(dāng)?shù)腁gent組成任務(wù)求解聯(lián)盟，從而以最優(yōu)的配

2、置和最高的效率完成任務(wù)，這是多Agent系統(tǒng)(MAS)運作的重要方式。如何在計算資源受限的實際系統(tǒng)中快速生成面向任務(wù)的最優(yōu)Agent聯(lián)盟是需要解決的首要問題。本文提出了一種基于蟻群系統(tǒng)的Agent聯(lián)盟生成算法。在求解過程中螞蟻傾向予選擇曾經(jīng)合作過并且合作效果比較好的Agent組成聯(lián)盟，充分實現(xiàn)了熟人機制；創(chuàng)新地引入第二種信息素“內(nèi)激素”對蟻群算法進(jìn)行改進(jìn)，使之不再易于陷入局部極小，提高了解的質(zhì)量，加快了收斂。另外，該算法在求解任務(wù)集的最

3、優(yōu)聯(lián)盟序列時，基于蟻群系統(tǒng)的學(xué)習(xí)能力可以有效減少聯(lián)盟生成的搜索時間和計算量，可實現(xiàn)性好!實驗結(jié)果表明該算法可以在計算資源受限環(huán)境下較好地解決面向復(fù)雜任務(wù)分布式智能系統(tǒng)如何自組織，最優(yōu)化協(xié)調(diào)、合作的問題。 (2)有效的聯(lián)盟形成的效用劃分策略。聯(lián)盟完成任務(wù)可以獲得一定的效用，甚至可能有額外效用。在MAS中，管理者為鼓勵A(yù)gent結(jié)盟，必須指定一種合適的效用劃分規(guī)則。設(shè)計了基于利益均衡的聯(lián)盟形成效用劃分策略，在非減性效用分配等原則的基

4、礎(chǔ)上，提高了對額外效用劃分的合理性，在面向任務(wù)的領(lǐng)域中有利于全局優(yōu)化聯(lián)盟的形成。同時，在本文策略下形成的聯(lián)盟具有Nash平衡意義下的穩(wěn)定性。該效用劃分策略為設(shè)計分布式智能系統(tǒng)的進(jìn)化機制提供了依據(jù)。 (3)適合于分布式智能系統(tǒng)的通信模型。順暢的通信是智能子系統(tǒng)之間協(xié)作的基礎(chǔ)。設(shè)計了一種Agent分層命名與定位機制來解決位置透明通信問題；在KQML語言的基礎(chǔ)上擴充其行為原語，構(gòu)造了適合于聯(lián)盟協(xié)作的內(nèi)容層描述語言，以保證智能子系統(tǒng)對所