论文题目: ABDIDSS环境下多Agents之间协作与近似推理机制研究
论文类型: 博士论文
论文专业: 计算机应用技术
作者: 胡小建
导师: 杨善林
关键词: 分布式智能决策支持系统,协作,推理,贝叶斯网,粗糙集
文献来源: 合肥工业大学
发表年度: 2005
论文摘要: 现代企业生产、经营与管理过程常遇到大型复杂的非结构化的决策问题,解决这类问题需要多种专业知识,处理大量的定性问题,客观上要求决策支持系统在复杂问题决策时满足决策组织的分布性、决策问题复杂性、决策系统协作性、决策知识与推理不确定性、决策环境的适应性与决策过程的并行性的要求。 传统的集中式决策支持系统不能满足这些要求。ABDIDSS融合了Agent技术与分布式智能决策支持系统,适用于更高的决策层次和更复杂的决策环境,是满足复杂问题决策的适宜模式。研究多Agents的协作与推理以揭示ABDIDSS环境下提高求解复杂决策问题的能力与知识的机制,具有重要的理论意义。 本文针对动态的、复杂的以及不确定问题,以基于多Agents的分布式智能决策支持系统及复杂决策任务的描述与分解、多Agents之间的协作与推理机制为研究内容,具体的研究内容如下: 1、Agent和ASDIDSS模型 针对当前多Agents理论模型研究存在的问题,文章在经典Agent的BDI以及联合BDI等心智状态模型基础上引入效用与概率因子,建立基于效用与概率因子的个体Agent的心智状态模型以及群组Agent联合心智状态模型,引入效用与概率因子满足Agent对环境的不确定性以及自利性的要求。同时建立与心智状态模型相对应的Agent结构模型;建立了基于多Agents的DIDSS模型。 2、决策任务的表示与分解 提出了基于BN(贝叶斯网)的复杂决策任务的形式化描述方法,得到决策任务的分解问题等价为贝叶斯网的分解问题;提出了决策Agent的任务分解性质以及相对应的贝叶斯网的分解性质与分解方法。 BN推理系统的复杂性取决于BN分解后的SBN(子贝叶斯网)对应的概论表大小,即由概率表的属性变量大小及其取值状态决定;因而存在一种优化的分解方法使在分解后的SBN上推理的复杂性最小,文章提出了贝叶斯网的优化分解性质与方法。 同时利用遗传算法来优化贝叶斯网的分解问题,提出了基于遗传算法的贝叶斯网分解的基本原理、算法设计与实现。 3、多Agents之间协作的基本机制。 根据决策任务涉及的知识范围与个体Agent知识特性,多Agents对决策任务的求解协作分成任务分担的协作与结果共享的协作;对于任务分担的协作采用合同网的方式管理多Agents对任务的承担与分配;对于结果共享的协作采用局部全局规划的方式实现不同Agents之间的决策信息与决策结果的共享;提出了在ABDIDSS环境中任务的协作求解过程。 4、基于博弈论的多Agents之间协作机制 提出了基于博弈论的多Agents协作模型,用一个多Agents的影响图描述基于博弈论的协作情景,这样多Agents之间的协作就等价为求解用Agents影响图描述的博弈均衡解,提出了求解均衡解的原理、方法与算法。
论文目录:
第一章 绪论
1．1 ABDIDSS——知识经济环境下决策支持系统的适宜模式
1．2 国内外研究现状
1．2．1 国内外Agent研究现状
1．2．1．1 Agent理论模型研究
1．2．1．2 Agent结构模型研究
1．2．1．3 Agent组织研究
1．2．2 国内外用Agent技术研究分布式决策支持系统的现状
1．2．3 多Agent之间的协作研究
1．2．4 多Agent之间的推理研究
1．3 研究现状分析
1．4 本文的主要研究工作
1．4．1 研究目标
1．4．2 研究内容
1．4．3 拟解决的关键问题
1．5 本文的组织
第二章 Agent及ABDIDSS模型
2．1 引言
2．2 Agent形式化描述
2．2．1 Agent作用环境与行为
2．2．1．1 Agent作用环境
2．2．1．2 感知与效应
2．2．1．3 效用
2．2．2 Agent形式化模型
2．2．2．1 语法
2．2．2．2 多Agents系统模型
2．2．2．3 语义
2．2．2．3．1 Agent心智状态
2．2．2．3．2 多Agents联合心智状态
2．3 Agent的结构模型
2．4 ABDIDSS的结构模型
2．5 本章小结
第三章 基于贝叶斯网的复杂决策任务的表示与分解
3．1 引言
3．2 决策Agent及其任务规范分解的形式化定义
3．3 任务规范的分解方法及其性质
3．3．1 基于GDF的任务规范的分解判据及其性质
3．3．2 基于BN的任务规范的表示及分解
3．3．2．1 BN及MSBN的概念
3．3．2．2 基于BN的决策Agent任务规范的表示
3．3．2．3 基于BN的决策Agent任务规范的分解
3．4 任务规范的优化分解
3．4．1 优化分解问题的提出
3．4．2 优化分解方法
3．4．3 案例分析
3．5 基于遗传算法的贝叶斯网分解
3．5．1 BN分解概述
3．5．2 BN分解
3．5．3 遗传算法设计
3．5．3．1 编码
3．5．3．2 初始种群的确定
3．5．3．3 适应度函数
3．5．3．4 遗传操作设计
3．5．3．4．1 等比例选择操作(RPS)
3．5．3．4．2 循环交叉操作(CX)
3．5．3．4．3 替换变异操作(DM)
3．5．3．5 遗传算法参数选择
3．5．3．6 BDGA算法描述
3．5．4 实验结果及分析
3．5．4．1 标准BN
3．5．4．2 标准BN分解的BDGA算法的参数设定
3．5．4．3 实验结构比较与分析
3．6 本章小结
第四章 多Agents之间的协作机制
4．1 引言
4．2 多Agents之间协作的基本机制
4．2．1 多Agents之间的协作方式
4．2．2 任务分担的协作
4．2．3 结果共享的协作
4．2．4 基于协作的问题求解过程
4．3 基于博弈论的多Agents之间的协作
4．3．1 基于博弈论的多Agents协作模型
4．3．2 任务协作的MAID表示
4．3．3 MAID与博弈树
4．3．4 任务协作的MAID的均衡策略的求解
4．3．4．1 策略相关图
4．3．4．2 MAID的相关图构造
4．3．4．3 强连通块的构造
4．3．4．4 全局均衡策略求解
4．4 本章小结
第五章 多Agents之间的近似推理机制
5．1 引言
5．2 基于联结树的贝叶斯网的推理结构
5．2．1 BN推理概述
5．2．2 在BN及SS上概率推理的等价性
5．2．3 从BN的G到SS的JT的转变结构及构造算法
5．2．3．1 G~M的构造
5．2．3．1．1 算法原理
5．2．3．1．2 算法
5．2．3．2 G~T的构造算法
5．2．3．2．1 算法原理
5．2．3．2．2 算法
5．2．3．3 JT的构造算法
5．2．3．3．1 算法原理
5．2．3．3．2 算法
5．2．4 案例分析
5．3 基于赋值代数的贝叶斯网概率推理的局部计算模型
5．3．1 赋值代数概述
5．3．2 赋值代数
5．3．2．1 相关概念
5．3．2．2 公理及赋值代数
5．3．3 推理结构及其赋值代数
5．3．3．1 推理结构的约束条件
5．3．3．2 推理结构的赋值代数
5．3．4 概率推理的局部计算的赋值代数模型
5．3．4．1 推理结构的转变
5．3．4．2 赋值初始化
5．3．4．3 一致性全局消息传播与吸收
5．3．4．4 概率推理的局部计算
5．3．4．4．1 P(V)的局部计算
5．3．4．4．2 P(V／e)的局部计算
5．3．5 案例分析
5．4 多Agents之间基于Rough set的近似推理
5．4．1粗 糙集概述
5．4．2 多Agents推理的近似空间
5．4．3 多Agents之间的近似推理
5．4．4 案例分析
5．5 本章小结
第六章 总结与展望
6．1 总结
6．2 展望
参考文献
攻读博士学位期间的主要研究成果
发布时间: 2005-07-13
相关论文
- [1].基于粗糙集数据分析的智能决策支持系统研究[D]. 刘业政.合肥工业大学2002
- [2].GDSS环境下的群体推理方法及群体层次分析法研究[D]. 刘心报.合肥工业大学2002
- [3].企业级智能决策支持系统体系结构研究[D]. 任明仑.合肥工业大学2003
- [4].多智能体模型、学习和协作研究与应用[D]. 于江涛.浙江大学2003
- [5].基于多Agent的分布式智能群决策支持系统关键技术研究[D]. 胡文斌.武汉理工大学2004
- [6].多agent协作团队的学习方法研究[D]. 王长缨.国防科学技术大学2004
- [7].基于BDI Agent的CGF主体行为建模理论与技术研究[D]. 陈中祥.华中科技大学2004
- [8].群体Agent合作求解方法的研究[D]. 张双民.清华大学2004
- [9].基于多Agent的敏捷化智能制造执行系统研究[D]. 杨浩.南京航空航天大学2005
- [10].贝叶斯网建模技术及其在决策中的应用[D]. 胡笑旋.合肥工业大学2006
标签：分布式智能决策支持系统论文; 协作论文; 推理论文; 贝叶斯网论文; 粗糙集论文;