多Agent合作求解中的信任與協(xié)商研究.pdf

1、在大規(guī)模開放環(huán)境中，Agent不可避免地要與其它Agent反復交互以實現(xiàn)其合作求解目標，因而每個Agent都會形成自己的歷史交互。智能Agent自然能夠從中得到更多的信息和知識并將其應用于之后的交互中，優(yōu)化多Agent的合作求解效果。
　　 在Agent理論中，信任與協(xié)商是兩個基本問題。信任是合作求解的前提和基礎，協(xié)商是合作求解的基本方法，因而信任和協(xié)商關(guān)系密切。信任計算是一個有意義的研究方向，它能夠保證軟件Agent在大規(guī)模開

2、放環(huán)境中的良好交互。不完全信息條件下的多議題協(xié)商一直是多Agent系統(tǒng)合作求解研究的一個至關(guān)重要又有挑戰(zhàn)性的課題，一直是眾多學者關(guān)注的焦點之一。然而，多Agent合作求解中的信任與協(xié)商問題至今沒有得到很好的解決，存在一些可以繼續(xù)改進的地方。從多Agent的交互歷史中學習，得到信任計算和協(xié)商優(yōu)化方法，正是本文研究的動機。
　　 關(guān)于多Agent合作求解中的信任與協(xié)商研究，主要存在以下問題。
　　 目前Agent信任研究大多

3、是基于概率論以平均交互成功率來計算，較少考慮信任動態(tài)變化，因而信任的準確預測和異常行為的檢測能力不能令人滿意。另外，很少有工作致力于長期聯(lián)盟信譽的研究。而且開放網(wǎng)絡環(huán)境中存在著大量不精確和不完全信息，導致信任計算置信度不高，如何提高信任的應對噪聲能力仍然需要進行探討。
　　 在目前不完全信息條件下的Agent多議題協(xié)商中，最優(yōu)回價策略一般采用間接學習對手偏好的方式，尚不能令人滿意，而實際上Agent一般擁有或多或少的協(xié)商經(jīng)驗和領(lǐng)

4、域知識，目前這些經(jīng)驗和知識都未得到很好的利用。多議題協(xié)商中效用函數(shù)的選擇一直沒有得到應有的重視，很多學者采用了線性的效用函數(shù)，這導致了在計算Agent的協(xié)商效用時涵蓋范圍較小。
　　 本文針對以上問題開展工作，主要工作如下：
　　 (1)提出了一種Agent動態(tài)交互信任計算模型。以概率論為工具，按時間分段交互歷史信息，結(jié)合信任的變化率，給出信任計算的置信度和異常行為檢測機制。實驗以網(wǎng)上電子商務為背景，實驗結(jié)果表明預測誤差

5、比TRAVOS少一倍，計算量也較少；改進了Jennings等人關(guān)于Agent信任的工作。
　　 (2)提出了一種Agent長期聯(lián)盟信譽模型LCCM。還給出了聯(lián)盟信譽與聯(lián)盟收益之間的關(guān)系函數(shù)。實驗結(jié)果表明LCCM能夠有效地計算聯(lián)盟信譽，并能反映不同參數(shù)對聯(lián)盟信譽的影響。
　　 (3)提出了一種不完全信息條件下基于案例和對策論的Agent多議題Pareto最優(yōu)協(xié)商模型。當案例庫規(guī)?？刂圃谝欢ǚ秶鷥?nèi)時低于Fatima工作的計算