电子商务中一对多协商研究

电子商务中一对多协商研究

论文摘要

目前电子商务已经走进寻常百姓家中,人们愿意并慢慢习惯去淘宝网(www.taobao.com)等购物网站购买商品。中国互联网数据中心(DCCI)于2008年7月15日公布:2008年上半年中国互联网用户互联网消费规模为2560亿元,同比增长58.2%。目前的购物网站中采用的定价方式有:一口价、拍卖和代理出价。这些都属于半智能化商务活动,一口价方式过于简单,拍卖方式需要实时的人机交互,代理出价相对简单且风险较大。更重要的是这些方式都是单向的,没有把传统商务中的最具智慧的、灵活多变的、双向交互的协商机制引入进来。分布式人工智能中Agent技术的发展和逐步成熟为电子商务的自动化和智能化提供了技术保障。基于Agent的电子商务极大的提高了电子商务自动化和智能化程度,将进一步推动电子商务的发展。协商作为商务活动中的一至关重要的组成部分,它的结果直接影响商务活动的继续执行。自动协商是基于Agent系统的一种重要交互方式,目前协商问题是多Agent系统研究的热点。根据协商活动中参与者的数量,自动协商分为3类:一对一协商、一对多协商和多对多协商。一对一协商最早被研究、比较简单;一对多协商被处理为多个并发的一对一协商;多对多协商可以由多个一对多协商扩展而来。本文研究电子商务中一对多协商模式。主要的研究内容和创新工作包括:①一对多协商模型研究在现有的一对多协商模型研究基础上,提出一个更加灵活的连续一对多协商模型。该模型支持连续协商,满足开放和动态的协商环境。与一般的一对多协商模型相比,我们主要在三个方面进行了改进:1)支持连续协商,节约协商时间,提高协商效率。协商线程不需要一直等到接收完了所有卖家Agent的提议之后才能够生成反提议,即协商线程之间不需要相互等待。2)满足开放和动态的协商环境要求,适应性更强。在协商过程中,新的卖家可以加入,现有卖家可以撤离。3)使用基于相对效用的协调策略来选择最优的协定,达成协定的效用更高,成本更低。②让步型协商策略研究为了进一步提高和优化让步协商策略(基于时间的协商策略、基于对手行为的协商策略等)达成的初步协商解的质量,提出了基于等效置换的协商策略。等效置换充分利用多议题协商效用评估机制中各议题之间的相关性,在保证协商者既得利益的前提下动态改变某些议题的取值,促使协商双方得到更优的协商解,并同时提高联合效用。③学习型协商策略研究把机器学习方法引入Agent中,赋予Agent学习能力,使Agent具有更强的智能性。论文分别对贝叶斯学习、增强学习、遗传算法等几种主流的学习机制进行研究。并对基于增强学习的协商策略进行优化,在协商过程中充分利用对手的历史信息,综合增强学习和对手历史学习策略,加快协商解的收敛和提高协商解的质量。④协调策略研究一对多协商可以看成是多个并发的一对一协商,这就需要一个协调者使用协调策略来管理这些并发的协商。协调策略确保多个并发的一对一协商能够有效、有序和健壮的进行。在研究了现有协调策略(孤注一掷策略、耐心策略、最优耐心策略、策略操纵策略、固定等待时间策略、固定等待率策略等)基础上,提出了基于相对效用的协商协调策略,该策略能够很好地解决当多个并发协商进程同时获得满足效用评估的提议,特别是存在多个相同最大效用提议时的取舍问题,确保得到效用更高,成本更低的协商解。⑤最佳卖家撤离管理机制研究在现有一对多协商模型的基础上分析了在协商过程中当前最佳卖家撤离对系统的影响,包括最终协商解的效用下降、协商时间延长等,提出了三种协调策略:策略1:不管,继续执行(Let it be);策略2:以次最佳卖家的信念继续执行(Second);策略3:重新开始(Restart)。建立具有承诺管理机制的一对多协商模型来制约当前最佳卖家的撤离,改善系统性能,并给系统提供了更加灵活的机制。论文对一对多协商的几个主要方面进行了全面研究,包括协商模型、协商策略、协调策略和管理机制。既继承了前人的研究结果,又分别进行了扩展和创新,具有前沿性、理论价值和实用意义。

论文目录

  • 摘要
  • ABSTRACT
  • 1 绪论
  • 1.1 研究背景
  • 1.2 主要研究内容
  • 1.3 论文组织
  • 1.4 小结
  • 2 相关工作
  • 2.1 Agent 技术
  • 2.1.1 Agent 及MAS 的定义与属性
  • 2.1.2 Agent 理论模型与基本结构
  • 2.1.3 Agent 通信
  • 2.1.4 多Agent 协调与协作
  • 2.2 电子商务
  • 2.3 自动协商
  • 2.3.1 协商概念
  • 2.3.2 多Agent 协商方法
  • 2.4 一对多协商
  • 2.5 小结
  • 3 一对多协商模型
  • 3.1 协商模型的要素
  • 3.1.1 多Agent 系统中的协商要素
  • 3.1.2 单个Agent 角度的协商要素
  • 3.2 协商 Agent 结构
  • 3.3 连续一对多协商模型
  • 3.3.1 形式化描述
  • 3.3.2 框架描述
  • 3.3.3 协商过程描述
  • 3.3.4 算法描述
  • 3.4 实验
  • 3.5 小结
  • 4 让步型协商策略
  • 4.1 提议评估策略
  • 4.2 让步型协商策略
  • 4.2.1 基于时间的协商策略
  • 4.2.2 基于对手行为的协商策略
  • 4.2.3 组合协商策略
  • 4.3 基于等效置换的协商策略
  • 4.3.1 等效置换策略
  • 4.3.2 生成等效置换提议的算法
  • 4.3.3 实验
  • 4.4 让步型协商策略比较
  • 4.4.1 理论分析
  • 4.4.2 实验分析
  • 4.5 小结
  • 5 学习型协商策略
  • 5.1 基于贝叶斯学习的协商策略
  • 5.1.1 Bayesian 学习
  • 5.1.2 基于Bayesian 学习的协商算法
  • 5.1.3 实验
  • 5.2 基于增强学习的协商策略
  • 5.2.1 增强学习协商策略
  • 5.2.2 基于增强学习的协商算法
  • 5.2.3 对手历史学习策略
  • 5.2.4 对手分类与自适应调整策略
  • 5.2.5 实验
  • 5.3 基于遗传算法的协商策略
  • 5.3.1 遗传算法
  • 5.3.2 算法主要操作
  • 5.3.3 基本遗传算法步骤
  • 5.3.4 基于遗传算法的协商策略
  • 5.3.5 实验
  • 5.4 学习型协商策略比较
  • 5.5 小结
  • 6 协调策略
  • 6.1 一般模型中协调策略
  • 6.1.1 孤注一掷策略
  • 6.1.2 耐心策略
  • 6.1.3 最优耐心策略
  • 6.1.4 策略操纵策略
  • 6.1.5 固定等待时间策略
  • 6.1.6 固定等待率策略
  • 6.2 基于相对效用的协调策略
  • 6.2.1 相对效用理论
  • 6.2.2 基于相对效用的协调策略
  • 6.2.3 实验
  • 6.3 承诺管理
  • 6.3.1 最佳卖家撤离分析
  • 6.3.2 具有承诺管理机制的一对多协商模型
  • 6.4 小结
  • 7 总结
  • 7.1 主要结论
  • 7.2 后继研究工作的展望
  • 致谢
  • 参考文献
  • 附录
  • 相关论文文献

    标签:;  ;  ;  ;  ;  

    电子商务中一对多协商研究
    下载Doc文档

    猜你喜欢