论文部分内容阅读
在多Agent系统(MAS)中,个体Agent由于求解任务的资源和能力有限,使得单个Agent不能求解任务或者求解任务的效率很低。这时就需要多个Agent通过协作的方式进行任务的共同求解,多Agent之间通过形成联盟是提高求解任务的能力和效率的重要协作方式,从而使联盟形成为了MAS中的一个重要研究课题。多Agent联盟研究包括联盟效用的计算、最优联盟的形成以及联盟值的分配,其中最优联盟的形成是其核心和关键的内容。以往针对多Agent联盟形成的研究中大多忽略了多Agent所处的网络拓扑结构的差异性,而是假设多Agent所处环境为全连通网络,不但使得多Agent联盟问题的复杂度为一个NP难问题,而且不能反映出实际应用环境的差异性;同时也忽略了Agent本身在协作态度和协作资源方面的异质性,在联盟形成过程中不能进行有序的协商和设置动态的协作态度,从而使得联盟形成效率低下。针对现有研究中的不足,本文在分布式协商模型的基础上,提出一套完整的基于协作度的分布式自动协商联盟形成机制。首先,本文在以往的分布式协商协议的基础上建立了一套面向社交网络的分布式协商模型,通过Agent状态控制保证协商的收敛性和不死锁性,协商通信协议保证联盟的一致性;其次,该模型是面向社交网络的,能够反映出不同应用中社交网络的差异性,并且对比分析了不同环境中联盟形成的差异性;再次,在分布式协商模型的基础上建立一套基于协作度的分布式自动协商联盟形成机制,本文建立一种既能够反映Agent协作态度又能反映Agent协作资源的协作度来体现Agent的异质性,进而建立基于协作度的协商策略,不但更加切合实际的应用背景,而且在联盟形成的过程中可以通过使用基于协作度的动态协作态度和有序协商顺序来提高联盟形成的的效率;最后,通过实验仿真不同社交网络环境下异质Agent联盟形成的过程。实验表明,本文所提出的基于协作度的分布式自动协商联盟形成机制能够在反映大多数应用的小世界网络中表现出较好的性能,体现了该机制的实用性。同时,和其他典型的联盟形成机制相比,基于协作度的分布式自动协商联盟形成机制在协商轮数、协商成功率以及平均个体效用方面的性能更好,验证了该机制的可行性和有效性。