论文部分内容阅读
Internet的飞速发展已经对传统商业模式的运作产生了深刻地影响,电子商务已经被大家广泛地接受,目前基Agent电子商务的研究已经成为研究热点,多Agent系统(Multi-Agent Systems,MAS)也正在成为人工智能研究和分布式软件智能化的重要技术。多议题协商问题是MAS研究中的一个重要问题,在现实世界中各议题之间往往存在着依赖关系,多议题协商中的依赖关系一直是近年来协商问题研究中的重点和难点。本文所研究的多议题协商是一种多议题多取值协商,协商中涉及到多个议题,每一议题取值离散且允许存在多个取值,两两议题取值之间存在依赖关系。由于在多议题协商中考虑了单个议题的多取值问题和不同议题取值之间的依赖关系问题,使得基于依赖关系的多议题多取值协商问题研究的重点和难点转变成了如下问题的解决:①议题取值之间依赖关系的定义;②议题之间依赖度(依赖关系强度)度量公式的定义;③协商中议题之间依赖关系的形式化表示;④该协商背景下的协商Agent的提议产生机制⑤协商Agent效用函数的表示;⑥协商Agent对协商对手非线性效用函数的学习;⑦基于该协商背景下的协商优化问题。本文基于扩展后效用图和GAI网来研究多议题多取值协商中的依赖关系,用条件概率来表示和衡量议题取值之间的依赖关系与议题之间的依赖度;在协商过程中,通过强化己方策略机制和大量反复的协商,协商Agent使用人工神经网络学习算法学习并获得协商对手的非线性效用函数;最后,协商Agent使用关联组合优化算法RCOA对协商进行优化,以获得使协商结果达到较好pareto最优结局的提议;实验表明在多议题多取值协商当中,协商Agent能较好地学习到各个议题间的依赖关系和依赖强度;通过强化自身的策略机制,卖方Agent能较好地获得买方Agent的非线性效用函数;RCOA算法是有效的,并且具有较好的全局和局部搜索能力。