论文部分内容阅读
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。