基于多Agent分布式约束优化问题求解方法研究

论文摘要

分布式约束优化问题是在大规模、开放、动态分布式网络环境中的优化问题,除了具有传统优化问题的非线性、约束性、建模困难等特点外,还具有随机、动态演化、信息局部化、控制分散化和网络状态异步更新等特点。针对分布式约束优化问题的特征,本文研究基于多Agent系统求解分布式约束优化问题的方法。本文的主要研究内容包括:（1）系统分析了基于多Agent系统求解分布式约束优化问题所涉及到的相关概念、理论和方法;（2）分析和总结了分布式约束优化问题的研究现状和存在问题,提出了基于多Agent系统求解分布式约束优化问题的一般方法,并给出了相应的算法SODC;（3）分析了现有复杂网络聚类算法存在的问题,进而在SODC基础之上,提出了一个基于自组织多Agent系统的分散式网络聚类算法D-P*;（4）分析了强化学习和Q-学习算法的特点和本质,提出了一种基于多Agent系统的分布式Q-学习算法MQ-L;（5）研究了移动Agent在电子商务领域的应用,分析和讨论了建立自主拍卖系统所涉及的主要问题,基于博奕论,提出了一种面向移动Agent的自主拍卖模型;（6）分析和指出现有中间件技术存在的不足,采用Agent技术和本文提出的分布式约束优化问题求解策略,提出一种支持Web智能应用系统快速开发和高效运行的Agent中间件解决方案,并开发了基于Agent中间件的Web智能系统集成开发平台和一批面向不同生产领域的专家系统。本文在基于多Agent系统的分布式约束优化问题求解、复杂网络聚类、增强学习、电子商务拍卖模型等方面的研究具有重要的理论意义和应用价值,丰富了多Agent系统和分布式约束优化问题求解的研究。

论文目录

• 内容提要
• 第一章 绪论
• 1.1 研究背景和意义
• 1.2 本文工作及组织方式
• 第二章 基本概念、理论和方法
• 2.1 Agent 概念及特性
• 2.2 分布式人工智能和多Agent 系统
• 2.3 自组织理论
• 2.4 群集智能
• 2.5 约束满足和分布式约束优化问题
• 2.6 Agent 学习
• 第三章 自组织分治求解分布式约束优化问题
• 3.1 引言
• 3.1.1 研究意义
• 3.1.2 分布式约束优化问题的研究内容和现有研究方法
• 3.2 分布式约束优化问题描述
• 3.3 算法描述
• 3.3.1 分散式网络聚类算法
• 3.3.2 基于局部搜索的分散式局部优化算法
• 3.3.3 自组织分治求解算法SODC
• 3.4 实验结果及分析
• 3.5 本章小结
• 第四章 基于多Agent 的分散式复杂网络聚类算法
• 4.1 引言
• 4.2 问题定义和算法基本思想
• 4.3 基于多Agent 的分散式复杂网络聚类算法
• 4.4 算法分析和性能测试
• 4.4.1 聚类空手道俱乐部网络
• 4.4.2 聚类足球联盟网络
• 4.4.3 分布式智能PDA 网络
• 4.4.4 算法的自聚合和自组织特性
• 4.4.5 参数讨论
• 4.5 本章小结
• 第五章 面向多Agent 的分布式Q-学习算法
• 5.1 引言
• 5.2 MQ-L 算法
• 5.2.1 状态行为空间的表示
• 5.2.2 动作选择
• 5.2.3 MQ-L 算法
• 5.3 算法分析与试验结果
• 5.3.1 MQ-L 算法特点分析
• 5.3.2 模拟实验
• 5.3.3 算法比较
• 5.4 本章小结
• 第六章 基于移动Agent 的自主拍卖模型
• 6.1 引言
• 6.2 一次价密封标价拍卖机制及出价策略
• 6.3 双边拍卖机制及出价策略
• 6.4 基于移动Agent 的自主拍卖模型
• 6.5 自主拍卖模型的工作原理
• 6.6 本章小结
• 第七章 基于Agent 中间件的Web 智能系统集成开发平台
• 7.1 引言
• 7.2 Web 智能系统集成开发平台的设计与实现
• 7.2.1 WEB 智能应用系统体系结构
• 7.2.2 Web 智能应用系统运行平台
• 7.2.3 Web 智能应用系统运行平台工作流程
• 7.2.4 Web 智能应用系统开发模式及开发平台
• 7.3 Web 智能系统集成开发平台的应用
• 7.4 本章小结
• 第八章 结论与展望
• 参考文献
• 攻读博士学位期间发表的论文及参加的项目
• 致谢
• 摘要
• Abstract