[01072164]基于MAS的分布式智能控制系统中联盟形成机制研究
交易价格:
面议
所属行业:
控制系统
类型:
非专利
交易方式:
资料待完善
联系人:
所在地:安徽合肥市
- 服务承诺
- 产权明晰
-
资料保密
对所交付的所有资料进行保密
- 如实描述
技术详细介绍
该项目通过引入问题相关的领域知识和约束条件,在MAS领域开展应用基础研究,重点研究了在基于MAS的分布式智能控制系统中有效的协作联盟形成机制:提出了基于蚁群算法的多任务联盟串行生成算法,可以有效减少联盟生成的搜索时间和计算量;给出了基于利益均衡的联盟形成策略,提高了对额外效用划分的合理性,在TOD领域中有利于全局优化联盟的形成;设计了agent分层命名与定位机制,构建了适用于分布式智能系统的agent通信模型;推演了效用非减性原则应满足的条件,提出了基于按劳分配和效用非减的联盟形成策略;基于强化学习给出了多任务联盟形成策略,保证每个agent通过自身的不断学习,自组织的形成联盟值最优的任务求解联盟;提出了一种基于agent历史行为确定协商初始提议的算法,提高了协商效率;基于直觉模糊集的相关理论和方法,提出了一种新的联盟形成策略;对联盟结构问题提出了空间裁减的思想,可指导进货计算搜索最优联盟,提高了搜索效率;提出了基于二维二进制编码和冲突消解策略的重叠联盟形成算法,提高了控制系统解决复杂问题的效率和稳定性;基于离散粒子群优化设计了多任务联盟并行生成算法,可以同时、快速的为多个任务生成求解联盟;基于项目的理论成果(算法、策略),编制了分布式智能控制系统协作仿真平台DICSA。项目达到了预期的研究目标,明确提出了“基于MAS的分布式智能控制系统”的概念,依据agent联盟方法解决智能子系统之间的协调、合作问题,从而使系统可以完成大规模的复杂控制任务,为实际分布式智能控制系统的研制和开发提供理论指导和方法依据。
该项目通过引入问题相关的领域知识和约束条件,在MAS领域开展应用基础研究,重点研究了在基于MAS的分布式智能控制系统中有效的协作联盟形成机制:提出了基于蚁群算法的多任务联盟串行生成算法,可以有效减少联盟生成的搜索时间和计算量;给出了基于利益均衡的联盟形成策略,提高了对额外效用划分的合理性,在TOD领域中有利于全局优化联盟的形成;设计了agent分层命名与定位机制,构建了适用于分布式智能系统的agent通信模型;推演了效用非减性原则应满足的条件,提出了基于按劳分配和效用非减的联盟形成策略;基于强化学习给出了多任务联盟形成策略,保证每个agent通过自身的不断学习,自组织的形成联盟值最优的任务求解联盟;提出了一种基于agent历史行为确定协商初始提议的算法,提高了协商效率;基于直觉模糊集的相关理论和方法,提出了一种新的联盟形成策略;对联盟结构问题提出了空间裁减的思想,可指导进货计算搜索最优联盟,提高了搜索效率;提出了基于二维二进制编码和冲突消解策略的重叠联盟形成算法,提高了控制系统解决复杂问题的效率和稳定性;基于离散粒子群优化设计了多任务联盟并行生成算法,可以同时、快速的为多个任务生成求解联盟;基于项目的理论成果(算法、策略),编制了分布式智能控制系统协作仿真平台DICSA。项目达到了预期的研究目标,明确提出了“基于MAS的分布式智能控制系统”的概念,依据agent联盟方法解决智能子系统之间的协调、合作问题,从而使系统可以完成大规模的复杂控制任务,为实际分布式智能控制系统的研制和开发提供理论指导和方法依据。