基于RBF神经网络的多Agent协商机制的研究

论文摘要

电子商务的出现,正在改变着企业的商务运作模式和人们的经济生活方式。协商是电子商务的关键环节,用Agent代替用户和商家进行协商,将大大提高远程商务运作的效率。如何提高Agent在协商过程中的自学习能力是一个重要的问题。理论分析表明,如果在多Agent协商系统中引人学习机制,使得参与协商的一方能够根据对方的信念进行推理并在协商中进一步学习对方的行为方式,将有利于协商效率的提高。因此,协商过程中的学习问题逐渐受到越来越多研究者的重视。本文在深入研究多Agent协商的相关理论和RBF神经网络技术的基础上,分析了多Agent协商模型,针对目前协商Agent的学习算法多存在于协商过程之中,缺乏对协商历史信息学习的能力这一问题,提出使用RBF神经网络学习来更新Agent在协商前关于环境和其他个体的信念,使Agent在协商交互中能够对协商的关键结果集进行预测和学习,从而确定协商交互中的推理策略,提高协商交互的效率和协商个体的效用。通过对多Agent协商模型的分析与研究,将RBF神经网络技术应用到多Agent协商中,对协商模型进行了优化,使Agent在协商过程中能根据自己的需要运用预测结果来缩短协商进程,同时获得合理的收益,提高协商过程的可控性。并以此为基础建立了一种具有学习机制的双边多议题协商模型BNM（Bilateral-Multi-Issue Negotiation Model）,从协商模型、协商协议、协商算法、效用评价及协商流程等方面进行了定义、分析与设计。最后针对基于RBF神经网络的多Agent协商模型设计了一个简单的电子商务协商模型的演示系统,通过实例验证了该模型的可行性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景
• 1.2 研究现状
• 1.3 论文研究内容
• 1.4 论文组织结构
• 第2章 多Agent系统与协商技术
• 2.1 Agent技术
• 2.1.1 Agent的概念和特征
• 2.1.2 Agent的体系结构
• 2.2 多Agent系统
• 2.2.1 MAS的特点
• 2.2.2 MAS中Agent之间的通信
• 2.3 协商技术概述
• 2.3.1 协商的发展及适用范围
• 2.3.2 多Agent协商技术
• 第3章 人工神经网络和RBF神经网络预测
• 3.1 人工神经网络
• 3.1.1 人工神经网络的发展过程
• 3.1.2 人工神经网络的特点
• 3.1.3 人工神经网络的功能和学习方式
• 3.2 RBF神经网络
• 3.2.1 RBF神经网络的出现及发展
• 3.2.2 径向基函数的定义与分类
• 3.2.3 RBF网络模型
• 3.3 RBF神经网络预测技术
• 3.3.1 RBF神经网络的预测步骤
• 3.3.2 RBF神经网络预测的训练过程
• 第4章 基于RBF神经网络的多Agent协商模型
• 4.1 协商中学习的必要性
• 4.2 多Agent协商模型
• 4.2.1 协商的基本假设
• 4.2.2 协商协议
• 4.2.3 协商策略
• 4.2.4 协商模型的建立
• 4.3 协商模型中的经验学习与推理
• 4.3.1 基于RBF神经网络的学习与推理模型
• 4.3.2 模型特点
• 4.4 多Agent协商算法及流程
• 4.4.1 协商算法
• 4.4.2 协商流程
• 4.4.3 效用评价
• 第5章 多Agent协商模型的实例设计与实现
• 5.1 Agent的开发平台—JADE
• 5.1.1 JADE的体系结构
• 5.1.2 Agent类
• 5.2 系统实现
• 5.2.1 运行平台
• 5.2.2 Agent的实现代码
• 5.2.3 实例预测
• 5.3 系统的主要实现界面
• 第6章 总结与展望
• 6.1 主要工作总结
• 6.2 工作展望
• 参考文献
• 攻读学位期间公开发表论文
• 致谢
• 研究生履历