基于支持向量機的Agent遷移策略.pdf

1、移動Agent是一個能在異構網絡中自主地從一臺主機遷移到另一臺主機,并可與其他Agent或資源交互的程序,它除了具有智能Agent的最基本特性—自治性、反應性、主動性和交互性外,還具有移動性.移動Agent的遷移機制和遷移策略是移動Agent的核心技術之一,遷移策略的優(yōu)劣直接影響MA的性能乃至其任務的完成.支持向量機(SVM)是一種建立在統(tǒng)計學習理論基礎之上的機器學習方法,它是從線性可分情況下的最優(yōu)分類面發(fā)展而來的,是結構風險最小化原理

2、的近似實現.相對于傳統(tǒng)學習理論,SVM具有更嚴格的理論和數學基礎,不存在局部最小問題且具有更好的泛化能力.多數系統(tǒng)在規(guī)劃移動Agent遷移路由時只考慮了軟件資源(任務語義),而忽略了網絡傳輸資源和主機處理資源等硬件資源的影響,更沒有考慮移動Agent以往的旅行經驗,這顯然是不全面的.該文在參考現有移動Agent規(guī)范和已有模型的基礎上,提出了基于支持向量機的移動Agent智能遷移策略,并給出了相應的模型.在模型設計過程中對Concordi

3、a的旅行表進行了改進,創(chuàng)建了鏈式結構的旅行表.在此基礎上,將支持向量機引入移動Agent的智能決策模型中,并根據智能決策的需要對傳統(tǒng)Agent模型進行了改進.同時,該文提出了一種可以從較少的旅行經驗中獲取更多知識的方法,使Agent在執(zhí)行較少的次數后就可以得到良好的學習效果,提高了該模型的實用性.文章最后對該遷移策略進行了仿真試驗,從仿真結果中可以看出,盡管基于支持向量機的智能遷移策略在選擇遷移目的時不能完全達到全局最優(yōu)的結果,但是該策