基于學習的多Agent協(xié)商研究.pdf

1、Agent和多Agent系統(tǒng)(Multi-AgentSystems，簡稱MAS)正在成為人工智能研究實用化和在分布計算環(huán)境下的軟件智能化的重要技術。MAS技術的研究主要集中在三個方面：Agent行為理論、Agent體系結構和多Agent協(xié)作。其中，多Agent協(xié)作主要是研究自動Agent系統(tǒng)如何能夠更有效的交互。近年來，協(xié)商作為MAS中矛盾處理和沖突消解的一種重要的方法，已經(jīng)成為MAS系統(tǒng)協(xié)作研究中的一個重要的分支。 在MAS的

2、研究中，研究者使用很多方法提高協(xié)商模型的適應能力和決策能力，其中很重要的一個方法就是在協(xié)商模型中加入學習機制，使得系統(tǒng)的性能得到改善。然而，目前的Agent協(xié)商學習算法多存在于協(xié)商過程中，在協(xié)商前，Agent個體自身信念中對于交互對手的私有信息認知程度還不高。 本文詳細分析了MAS中多議題協(xié)商過程，簡要介紹了協(xié)商的概念，對協(xié)商各個不同的類型進行了詳細地介紹。針對多Agent多議題協(xié)商模型內(nèi)部的學習、決策機制能力的提高問題，對比了

3、多種已經(jīng)存在的協(xié)商Agent學習算法和決策模型。Agent個體在協(xié)商開始前對交互對手信息的認知程度在一定程度上影響了Agent自身的決策效率和最終收益。本文參考Zeng等人[42]提出的協(xié)商Agent學習方案，以貝葉斯理論為基礎，使用Agent協(xié)商系統(tǒng)中在中間平臺上存儲的對手Agent的協(xié)商歷史信息，對協(xié)商對手的各個議題保留值等私有信念進行預測。并在此基礎上，對已有的Agent協(xié)商交互機制進行優(yōu)化，提高Agent個體在協(xié)商中的最終收益。