MAS中基于本体的Agent学习进化机制研究

论文摘要

环境是动态变化的,MAS中Agent行为也是未知的,要建立领域完备的先验模型几乎不可能,许多领域知识也是在Agent的交互过程中逐步获得的,因此复杂环境下的Agent应当能够根据以前的经验建立信任评价模型,校正其行为,即具有学习或自适应能力。Agent学习是近年来广泛受到人们关注的热点问题之一。单个Agent常常由于其有限的资源和能力,不能完成复杂的任务,所以多个Agent之间的学习交流也非常必要。依据现有的Agent理论模型及其技术方法,并没有真正实现大规模的应用,其中一个主要问题就是多Agent的本体论没有解决。本文首先回顾Agent与MAS的产生发展及主要研究内容,介绍Ontology与DFL的基础知识,针对一个旅游消息服务原型系统,构建旅游领域Ontology,并采用基于Ontology的知识表示与推理,在此基础上介绍语义协商学习和信任模型。多Agent学习进化策略,主要包括Agent的协商学习,基于Ontology的语义相似度的计算,信任度评价学习模型等。根据以上学习进化策略,并结合Ontology理论与Agent技术,提出了基于Ontology的一种新的BDI-Agent体系结构、基于DFL的BDI-Agent的学习模型以及动态模糊信任度（DFB）,通过实验表明,在增加动态模糊信任度的情况下,BDI-Agent学习能够提高学习效率,符合人类思维与行为习惯,并提供用户个性化地旅游服务。

论文目录

• 摘要
• Abstract
• 目录
• 第1章 绪论
• 1.1 课题研究背景和意义
• 1.2 Agent学习的研究现状
• 1.3 Agent学习的目的和特点
• 1.4 研究内容及章节安排
• 第2章 MAS及Ontology理论基础
• 2.1 MAS概述
• 2.2 Ontology
• 2.3 动态模糊逻辑DFL
• 2.4 本章小结
• 第3章 基于Ontology知识表示与推理研究
• 3.1 知识表示
• 3.2 一个旅游消息服务原型系统
• 3.3 旅游领域Ontology构建
• 3.4 Scenery Agent领域Ontology框架
• 3.5 基于Ontology的知识表示
• 3.6 基于Ontology的推理
• 3.7 本章小结
• 第4章 多Agent学习进化策略
• 4.1 基于Ontology的多Agent协商学习
• 4.2 语义相似度的计算
• 4.3 信任评价学习模型
• 4.4 本章小结
• 第5章 基于DFL的BDI-Agent的学习模型研究
• 5.1 基于动态模糊知识的表示
• 5.2 基于DFL的BDI-Agent形式化描述
• 5.3 基于DFL的BDI-Agent学习
• 5.4 旅游消息服务原型系统实验
• 5.5 本章小结
• 第6章 总结与展望
• 6.1 论文总结
• 6.2 工作展望
• 参考文献
• 发表论文情况说明
• 致谢