CN104636582A - 多智能体系统通信不良检测方法 - Google Patents
多智能体系统通信不良检测方法 Download PDFInfo
- Publication number
- CN104636582A CN104636582A CN201310566789.2A CN201310566789A CN104636582A CN 104636582 A CN104636582 A CN 104636582A CN 201310566789 A CN201310566789 A CN 201310566789A CN 104636582 A CN104636582 A CN 104636582A
- Authority
- CN
- China
- Prior art keywords
- intelligent body
- role
- message
- agent
- sigma
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明为多智能体系统设计了一种基于压迫行为模式的不良通信状态检测机制,涉及多智能体系统通信状态检测领域。本发明根据多智能体系统的拟人类社会特征,通过对压迫模式的分析,选取通信过程中智能体工作周期内的收发通信率作为度量指标,将通信失衡状态下的智能体个体映射到压迫行为模式的分类概念中,得到压迫行为模式下的各智能体的角色类型;根据多智能体系统不良通信检测的复杂性特征,分别计算系统级、角色级和独立智能体级的通信状态度量标准,并判断各智能体的角色类型。该方法能够准确的定位引起通信失衡状态的不良通信结构,并通过消除系统中的压迫行为提高了系统的整体服务质量。
Description
技术领域
本发明为多智能体系统设计了一种基于压迫行为模式的不良通信状态检测机制,涉及多智能体系统通信状态检测领域。
背景技术
通信机制的优劣则直接影响智能体间的协作效率,既是多智能体系统设计的最基本底层支撑,也是决定多智能体整体性能的关键要素。在多智能体通信过程中,系统响应时间是反映通信效率的最直观、可靠的可度量数据。通过对响应时间的观测分析可知,通信分布越均衡,系统内各智能体的响应速度越快,系统整体通信效率也越高。而当系统中出现通信过载、被动闲置以及恶意占有通信资源等通信失衡现象时,各智能体(agent)的通信响应时间大幅增加,进而降低了各智能体间的协作效率,最终导致系统整体服务质量的下降。因此,消除多智能体通信过程中存在的通信失衡行为是完善多智能体通信机制设计、提高系统整体性能的核心问题。
由于多智能体结构的分布、复杂、模糊性特征,一直以来对多智能体内部行为规律的研究都是一项非常困难的工作,不仅没有准确的描述规则,而且缺少高效的分析方法。考虑到虽然多智能体是分布式人工智能领域的概念,但其本质是对人类社会群体结构的模拟和仿真。因此,将社会学和管理学的一些概念和分析方法与多智能体系统行为规律的描述和研究工作相结合,不仅会简化复杂的多智能体行为过程,将抽象的智能体行为引申到常见的人类群体行为,增加了问题的可理解性,而且可以利用其他学科已有的分析方法开展对多智能体系统行为规律的研究。
发明内容
针对现有技术的不足,本发明要解决的技术问题是提供一种能够全面、有效度量多智能体系统通信过程中出现的通信过载、被动闲置及恶意占有通信资源等通信失衡现象的通信状态检测机制。
本发明为实现上述目的所采用的技术方案是:一种多智能体系统通信不良检测方法,包括以下步骤:
根据多智能体系统的拟人类社会特征,通过对压迫模式的分析,选取通信过程中智能体工作周期内的收发通信率作为度量指标,将通信失衡状态下的智能体个体映射到压迫行为模式的分类概念中,得到压迫行为模式下的各智能体的角色类型;
根据多智能体系统不良通信检测的复杂性特征,分别计算系统级、角色级、和独立智能体级的通信状态度量标准,并判断各智能体的角色类型。
所述压迫行为模式下的各智能体的角色类型包括:
压迫智能体,向其他智能体发送超过其处理能力的信息量;
被压迫智能体,接收超过其自身处理能力的信息量的智能体;
双向压迫智能体,接收和发送的信息量均超过自身能力的智能体;
孤立智能体,既不接收任务信息也不发送任何信息的智能体;
常规智能体,接收和发送均在自身能力范围内的信息量的智能体,属于理想的智能体类型。
所述系统级下智能体个体通信状态度量标准计算公式如下:
其中:
n(X)为X的基数;
S(Ai)为Ai的发送信息量;
R(Ai)为Ai的接收信息量;
R为扮演同一角色智能体的子集;
S为MAS系统中智能体集合;
Ai为智能体,Ai∈S,i∈[1,n];
T(Ai)为智能体Ai的工作周期;
BS(Ai)是智能体Ai工作周期内的发送信息率和整个系统中各智能体发送信息率均值的比例;BS(Ai)∈[0,n(S)],CMS(Ai)=0表示Ai不发送任何消息;BS(Ai)=n(S)表示系统中的所有消息都是由Ai发送的;
MS(Ai)是智能体Ai工作周期内的接收信息率和整个系统中各agent接收信息量均值的比例;MS(Ai)=n(S)表示系统中的所有消息都是由Ai接收的;MS(Ai)∈[0,n(S)],CMR(Ai)=0表示Ai不接收任何消息。
所述系统级下智能体个体通信状态分类规则如下:
当BS(Ai)远大于1时,则Ai为压迫智能体;
当MS(Ai)远大于1时,则Ai为被压迫智能体;
当BS(Ai)和MS(Ai)均远大于1时,则将Ai为双向压迫智能体;
当BS(Ai)和MS(Ai)均接近0时,则Ai为孤立智能体;
当BS(Ai)和MS(Ai)均接近1时,则Ai为常规智能体。
所述系统级下系统整体通信状态度量标准计算公式如下:
其中:
n(S)为S的基数;
BS(Ai)是智能体Ai工作周期内的发送信息率和整个系统中各智能体发送信息率均值的比例;BS(S)∈[0,n(S)],BS(S)=0表示没有任何智能体发送消息;BS(S)=n(S)表示系统中的所有消息都是由某一智能体发送的;
MS(Ai)是智能体Ai工作周期内的接收信息率和整个系统中各agent接收信息量均值的比例;MS(Ai)∈[0,n(S)]CMR(Ai)=0表示Ai不接收任何消息;MS(Ai)=n(S)表示系统中的所有消息都是由Ai接收的;
所述系统级下系统整体通信状态分类规则如下:
当BS(S)远大于1的系统分类为压迫型系统;
当MS(S)远大于1的系统分类为被压迫型系统;
当BS(S)和MS(S)均远大于1的系统分类为双向压迫型系统;
当BS(S)和MS(S)均接近0的系统分类为孤立型系统;
当BS(S)和MS(S)均接近1的系统分类为常规型系统,不存在压迫模式。
所述角色级下智能体个体通信状态度量标准计算公式如下:
其中:R(Ai)为系统中所有与Ai功能角色类型相同的智能体群体集合;n(R)为R的基数;S(Ai)是智能体Ai工作周期内的发送信息率;R(Ai)是智能体Ai工作周期内的接收信息率;
BR(Ai)是Ai工作周期内的发送信息率和与Ai扮演同一角色的智能体发送信息率均值的比例;BR(Ai)∈[0,n(R)],BS(S)=0表示Ai没有发送任何消息;BR(Ai)=n(R)表示系统中的所有消息都是由Ai发送的;
MR(Ai)是Ai工作周期内的接收信息率和与Ai扮演同一角色的智能体接收信息率均值的比例;MR(Ai)∈[0,n(S)]MR(Ai)=0表示Ai不接收任何消息;MR(Ai)=n(S)表示系统中的所有消息都是由Ai接收的;
所述角色级下智能体个体通信状态分类规则如下:
当BR(Ai)远大于1时,则Ai为压迫智能体;
当MR(Ai)远大于1时,则Ai为被压迫智能体;
当BR(Ai)和MR(Ai)均远大于1时,则将Ai为双向压迫智能体;
BR(Ai)和MR(Ai)均接近0时,则Ai为孤立智能体;
当BR(Ai)和MR(Ai)均接近1时,则Ai为常规智能体。
所述角色级包括特定角色级,该类型智能群体的通信状态度量标准计算公式如下:
其中:
BR(Aj)与MR(Aj)分别是智能体Aj在角色级度量下的通信压迫与被压迫状态度量标准。
BR(R)是R集的压迫行为强度;BR(R)∈[0,n(S)],BR(R)=0表示R集中没有任何智能体发送消息;BR(R)=n(R)表示R集中的所有消息都是由某一智能体发送的;
MR(R)是R集的被压迫行为强度;MR(R)∈[0,n(S)],MR(R)=0表示R集中没有任何智能体接收消息;MR(R)=n(R)表示R集中的所有消息都是由某一智能体接收的;
所述特定角色类型智能群体通信状态分类规则如下:
接收或发送任何信息的角色被分类为孤立型角色;
BR(R)值远高于1的角色分类为压迫型角色;
MR(R)值远高于1的角色分类为压迫型角色;
BR(R)和MR(R)值均远高于1的角色分类为双向压迫型角色;
BR(R)和MR(R)值均接近于1的角色划分为常规型角色,既不被压迫也不发起压迫行为。
所述独立智能体级通信状态度量标准计算公式如下:
其中:
CA度量标准通过对比Ai的收发信息量比值来确定Ai的分类;
CA(Ai)∈[0,1],CA(Ai)=0表示Ai没有接收任何智能体发送消息;
CA(Ai)=1表示Ai没有发送任何消息;
所述独立智能体级通信状态划分标准如下:
CA(Ai)值接近0.5的可以划分为常规智能体;
CA(Ai)值远低于0.5的划分为压迫智能体;
CA(Ai)值远低于0.5的划分为被压迫智能体;
CA(Ai)值为0的是孤立型。
本发明具有以下优点及有益效果:
1.更易于分析和理解:本发明以MAS中通信失衡现象的检测与消除为研究目标,通过分析MAS内部行为机制的拟人类社会特征,引入人类社会学中的压迫行为模式概念,利用压迫行为下个体的角色分类方法对通信失衡现象下MAS中各agent进行角色划分,使复杂抽象的多智能体内部行为特征具有更高的可理解性。
2.度量角度更加全面:本发明提出系统级、角色级和独立agent级度量标准,从不同层次、不同角度对MAS中的压迫行为进行分析,可以全面的对系统受压迫行为的影响程度做出整体评估。
3.能够准确定位引起不良通信的原因:通过不同角度的度量,不仅能够对系统中各智能体个体和群体类型进行划分,而且能够准确定位引起压迫行为的不良通信结构,通过修改引起通信压迫行为不良通信选择机制能够有效提升系统的整体服务质量。
附图说明
图1为本发明方法流程图。
具体实施方式
下面结合图1及实施例对本发明做进一步的详细说明。
根据多智能体系统的拟人类社会特征,提出基于压迫行为模式的角色划分规则;
根据多智能体系统不良通信检测的复杂性特征,分别提出面向系统级、角色级和独立智能体级的多层次的不良通信状态度量方法;
本发明中提出的基于压迫行为模式的角色划分规则主要考虑由于MAS结构的分布、复杂、模糊性特征,一直以来对MAS内部行为规律的研究都是一项非常困难的工作,不仅没有准确的描述规则,而且缺少高效的分析方法。虽然MAS是分布式人工智能领域的概念,但其本质是对人类社会群体结构的模拟和仿真。因此,将社会学和管理学的一些概念和分析方法与MAS系统行为规律的描述和研究工作相结合,不仅会简化复杂的MAS行为过程,将抽象的agent行为引申到常见的人类群体行为,增加了问题的可理解性,而且可以利用其他学科已有的分析方法开展对MAS系统行为规律的研究,因此引入人类社会学中的压迫行为模式来对不良通信状态下的智能体进行类型划分。基于上述思想,本发明提出了基于压迫行为模式的多智能体系统不良通信状态系下的智能体角色划分方法。通过对压迫模式的分析,选取通信过程中agent工作周期内的收发通信率作为度量指标,将通信失衡状态下的agent个体映射到压迫行为模式的分类概念中,得到压迫行为模式下的各agent的角色类型,包括:
1.压迫agent,向其他agent发送超过其处理能力的信息量;
2.被压迫agent,接收超过其自身处理能力的信息量的agent;
3.双向压迫agent,接收和发送的信息量均超过自身能力的agent;
4.孤立agent,既不接收任务信息也不发送任何信息的agent;
5.常规agent,接收和发送均在自身能力范围内的信息量的agent,属于理想的agent类型。
在上述划分规则的基础上,本发明提出了面向系统级、角色级和独立智能体级的多层次的不良通信状态度量方法,下面分别进行描述。
本发明提出的系统级下智能体个体通信状态度量标准计算公式如下:
其中:
n(X)为X的基数;
S(Ai)为Ai的发送信息量;
R(Ai)为Ai的接收信息量;
R是扮演同一角色agent的子集
S为MAS系统中agent集合;
Ai为agent,Ai∈S,i∈[1,n];
T(Ai)为Ai的工作周期;
BS(Ai)是Ai工作周期内的发送信息率和整个系统中各agent发送信息率均值的比例;
BS(Ai)∈[0,n(S)],CMS(Ai)=0表示Ai不发送任何消息;
BS(Ai)=n(S)表示系统中的所有消息都是由Ai发送的;
MS(Ai)是Ai工作周期内的接收信息率和整个系统中各agent接收信息量均值的比例;
MS(Ai)∈[0,n(S)],CMR(Ai)=0表示Ai不接收任何消息。
系统级下智能体个体通信状态分类规则如下:
1.当BS(Ai)远大于1时,则Ai为压迫agent;
2.当MS(Ai)远大于1时,则Ai为被压迫agent;
3.当BS(Ai)和MS(Ai)均远大于1时,则将Ai为双向压迫agent;
4.当BS(Ai)和MS(Ai)均接近0时,则Ai为孤立agent;
5.当BS(Ai)和MS(Ai)均接近1时,则Ai为常规agent。
MS(Ai)=n(S)表示系统中的所有消息都是由Ai接收的。
本发明提出的系统级下系统整体通信状态度量标准计算公式如下:
其中:
BS(S)∈[0,n(S)],BS(S)=0表示没有任何agent发送消息;
BS(S)=n(S)表示系统中的所有消息都是由某一agent发送的;
MS(Ai)∈[0,n(S)],CMR(Ai)=0表示Ai不接收任何消息;
MS(Ai)=n(S)表示系统中的所有消息都是由Ai接收的。
系统级下系统整体通信状态分类规则如下:
1.当BS(S)远大于1的系统分类为压迫型系统;
2.当MS(S)远大于1的系统分类为被压迫型系统;
3.当BS(S)和MS(S)均远大于1的系统分类为双向压迫型系统;
4.当BS(S)和MS(S)均接近0的系统分类为孤立型系统;
5.当BS(S)和MS(S)均接近1的系统分类为常规型系统,不存在压迫模式。
本发明提出的角色级下智能体个体通信状态度量标准计算公式如下:
其中:
BR(Ai)是Ai工作周期内的发送信息率和与Ai扮演同一角色的agent发送信息率均值的比例;
BR(Ai)∈[0,n(R)],BS(S)=0表示Ai没有发送任何消息;
BR(Ai)=n(R)表示系统中的所有消息都是由Ai发送的;
MR(Ai)是Ai工作周期内的接收信息率和与Ai扮演同一角色的agent接收信息率均值的比例;
MR(Ai)∈[0,n(S)]MR(Ai)=0表示Ai不接收任何消息;
MR(Ai)=n(S)表示系统中的所有消息都是由Ai接收的。
角色级下智能体个体通信状态分类规则如下:
1.当BR(Ai)远大于1时,则Ai为压迫agent;
2.当MR(Ai)远大于1时,则Ai为被压迫agent;
3.当BR(Ai)和MR(Ai)均远大于1时,则将Ai为双向压迫agent;
4.当BR(Ai)和MR(Ai)均接近0时,则Ai为孤立agent;
5.当BR(Ai)和MR(Ai)均接近1时,则Ai为常规agent。
本发明提出的特定角色级通信状态度量标准计算公式如下:
其中:
BR(R)是R集的压迫行为强度;
BR(S)∈[0,n(S)],BR(S)=0表示R集中没有任何agent发送消息;
BR(S)=n(S)表示R集中的所有消息都是由某一agent发送的;
MR(R)是R集的被压迫行为强度;
MR(S)∈[0,n(S)],MR(S)=0表示R集中没有任何agent接收消息;
MR(S)=n(S)表示R集中的所有消息都是由某一agent接收的。
特定角色级通信状态分类规则如下:
1.接收或发送任何信息的角色被分类为孤立型角色。
2.BR(R)值远高于1的角色分类为压迫型角色。
3.MR(R)值远高于1的角色分类为压迫型角色。
4.BR(R)和MR(R)值均远高于1的角色分类为双向压迫型角色。
5.BR(R)和MR(R)值均接近于1的角色划分为常规型角色,由于他们既不被压迫也不发起压迫行为。
本发明提出的独立agent级通信状态度量标准计算公式如下:
其中:
CA度量标准通过对比Ai的收发信息量比值来确定Ai的分类;
CA(Ai)∈[0,1],CA(Ai)=0表示Ai没有接收任何agent发送消息;
CA(Ai)=1表示Ai没有发送任何消息。
独立agent级通信状态划分标准如下:
1.CA(Ai)值接近0.5的可以划分为常规agent;
2.CA(Ai)值远低于0.5的划分为压迫agent;
3.CA(Ai)值远低于0.5的划分为被压迫agent;
4.CA(Ai)值为0的是孤立型。
Claims (7)
1.一种多智能体系统通信不良检测方法,其特征在于,包括以下步骤:
根据多智能体系统的拟人类社会特征,通过对压迫模式的分析,选取通信过程中智能体工作周期内的收发通信率作为度量指标,将通信失衡状态下的智能体个体映射到压迫行为模式的分类概念中,得到压迫行为模式下的各智能体的角色类型;
根据多智能体系统不良通信检测的复杂性特征,分别计算系统级、角色级、和独立智能体级的通信状态度量标准,并判断各智能体的角色类型。
2.根据权利要求1所述的多智能体系统通信不良检测方法,其特征在于,所述压迫行为模式下的各智能体的角色类型包括:
压迫智能体,向其他智能体发送超过其处理能力的信息量;
被压迫智能体,接收超过其自身处理能力的信息量的智能体;
双向压迫智能体,接收和发送的信息量均超过自身能力的智能体;
孤立智能体,既不接收任务信息也不发送任何信息的智能体;
常规智能体,接收和发送均在自身能力范围内的信息量的智能体,属于理想的智能体类型。
3.根据权利要求1所述的多智能体系统通信不良检测方法,其特征在于,所述系统级下智能体个体通信状态度量标准计算公式如下:
其中:
n(X)为X的基数;
S(Ai)为Ai的发送信息量;
R(Ai)为Ai的接收信息量;
R为扮演同一角色智能体的子集;
S为MAS系统中智能体集合;
Ai为智能体,Ai∈S,i∈[1,n];
T(Ai)为智能体Ai的工作周期;
BS(Ai)是智能体Ai工作周期内的发送信息率和整个系统中各智能体发送信息率均值的比例;BS(Ai)∈[0,n(S)],CMS(Ai)=0表示Ai不发送任何消息;BS(Ai)=n(S)表示系统中的所有消息都是由Ai发送的;
MS(Ai)是智能体Ai工作周期内的接收信息率和整个系统中各agent接收信息量均值的比例;MS(Ai)=n(S)表示系统中的所有消息都是由Ai接收的;MS(Ai)∈[0,n(S)],CMR(Ai)=0表示Ai不接收任何消息。
所述系统级下智能体个体通信状态分类规则如下:
当BS(Ai)远大于1时,则Ai为压迫智能体;
当MS(Ai)远大于1时,则Ai为被压迫智能体;
当BS(Ai)和MS(Ai)均远大于1时,则将Ai为双向压迫智能体;
当BS(Ai)和MS(Ai)均接近0时,则Ai为孤立智能体;
当BS(Ai)和MS(Ai)均接近1时,则Ai为常规智能体。
4.根据权利要求1所述的多智能体系统通信不良检测方法,其特征在于,所述系统级下系统整体通信状态度量标准计算公式如下:
其中:
n(S)为S的基数;
BS(Ai)是智能体Ai工作周期内的发送信息率和整个系统中各智能体发送信息率均值的比例;BS(S)∈[0,n(S)],BS(S)=0表示没有任何智能体发送消息;BS(S)=n(S)表示系统中的所有消息都是由某一智能体发送的;
MS(Ai)是智能体Ai工作周期内的接收信息率和整个系统中各agent接收信息量均值的比例;MS(Ai)∈[0,n(S)]CMR(Ai)=0表示Ai不接收任何消息;MS(Ai)=n(S)表示系统中的所有消息都是由Ai接收的;
所述系统级下系统整体通信状态分类规则如下:
当BS(S)远大于1的系统分类为压迫型系统;
当MS(S)远大于1的系统分类为被压迫型系统;
当BS(S)和MS(S)均远大于1的系统分类为双向压迫型系统;
当BS(S)和MS(S)均接近0的系统分类为孤立型系统;
当BS(S)和MS(S)均接近1的系统分类为常规型系统,不存在压迫模式。
5.根据权利要求1所述的多智能体系统通信不良检测方法,其特征在于,所述角色级下智能体个体通信状态度量标准计算公式如下:
其中:R(Ai)为系统中所有与Ai功能角色类型相同的智能体群体集合;n(R)为R的基数;S(Ai)是智能体Ai工作周期内的发送信息率;R(Ai)是智能体Ai工作周期内的接收信息率;
BR(Ai)是Ai工作周期内的发送信息率和与Ai扮演同一角色的智能体发送信息率均值的比例;BR(Ai)∈[0,n(R)],BS(S)=0表示Ai没有发送任何消息;BR(Ai)=n(R)表示系统中的所有消息都是由Ai发送的;
MR(Ai)是Ai工作周期内的接收信息率和与Ai扮演同一角色的智能体接收信息率均值的比例;MR(Ai)∈[0,n(S)]MR(Ai)=0表示Ai不接收任何消息;MR(Ai)=n(S)表示系统中的所有消息都是由Ai接收的;
所述角色级下智能体个体通信状态分类规则如下:
当BR(Ai)远大于1时,则Ai为压迫智能体;
当MR(Ai)远大于1时,则Ai为被压迫智能体;
当BR(Ai)和MR(Ai)均远大于1时,则将Ai为双向压迫智能体;
BR(Ai)和MR(Ai)均接近0时,则Ai为孤立智能体;
当BR(Ai)和MR(Ai)均接近1时,则Ai为常规智能体。
6.根据权利要求1所述的多智能体系统通信不良检测方法,其特征在于,所述角色级包括特定角色级,该类型智能群体的通信状态度量标准计算公式如下:
其中:
BR(Aj)与MR(Aj)分别是智能体Aj在角色级度量下的通信压迫与被压迫状态度量标准。
BR(R)是R集的压迫行为强度;BR(R)∈[0,n(S)],BR(R)=0表示R集中没有任何智能体发送消息;BR(R)=n(R)表示R集中的所有消息都是由某一智能体发送的;
MR(R)是R集的被压迫行为强度;MR(R)∈[0,n(S)],MR(R)=0表示R集中没有任何智能体接收消息;MR(R)=n(R)表示R集中的所有消息都是由某一智能体接收的;
所述特定角色类型智能群体通信状态分类规则如下:
接收或发送任何信息的角色被分类为孤立型角色;
BR(R)值远高于1的角色分类为压迫型角色;
MR(R)值远高于1的角色分类为压迫型角色;
BR(R)和MR(R)值均远高于1的角色分类为双向压迫型角色;
BR(R)和MR(R)值均接近于1的角色划分为常规型角色,既不被压迫也不发起压迫行为。
7.根据权利要求1所述的多智能体系统通信不良检测方法,其特征在于,所述独立智能体级通信状态度量标准计算公式如下:
其中:
CA度量标准通过对比Ai的收发信息量比值来确定Ai的分类;
CA(Ai)∈[0,1],CA(Ai)=0表示Ai没有接收任何智能体发送消息;
CA(Ai)=1表示Ai没有发送任何消息;
所述独立智能体级通信状态划分标准如下:
CA(Ai)值接近0.5的可以划分为常规智能体;
CA(Ai)值远低于0.5的划分为压迫智能体;
CA(Ai)值远低于0.5的划分为被压迫智能体;
CA(Ai)值为0的是孤立型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310566789.2A CN104636582B (zh) | 2013-11-12 | 2013-11-12 | 多智能体系统通信不良检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310566789.2A CN104636582B (zh) | 2013-11-12 | 2013-11-12 | 多智能体系统通信不良检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104636582A true CN104636582A (zh) | 2015-05-20 |
CN104636582B CN104636582B (zh) | 2017-10-20 |
Family
ID=53215323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310566789.2A Active CN104636582B (zh) | 2013-11-12 | 2013-11-12 | 多智能体系统通信不良检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104636582B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108259250A (zh) * | 2018-02-28 | 2018-07-06 | 哈尔滨理工大学 | 一种多智能体一致性采样方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7571054B2 (en) * | 2006-03-27 | 2009-08-04 | Key Energy Services, Inc. | Method and system for interpreting tubing data |
CN103149878A (zh) * | 2011-12-06 | 2013-06-12 | 中国科学院沈阳计算技术研究所有限公司 | 多智能体结构的数控机床故障诊断系统的自适应学习机制 |
-
2013
- 2013-11-12 CN CN201310566789.2A patent/CN104636582B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7571054B2 (en) * | 2006-03-27 | 2009-08-04 | Key Energy Services, Inc. | Method and system for interpreting tubing data |
CN103149878A (zh) * | 2011-12-06 | 2013-06-12 | 中国科学院沈阳计算技术研究所有限公司 | 多智能体结构的数控机床故障诊断系统的自适应学习机制 |
Non-Patent Citations (2)
Title |
---|
何汉明等: "多智能体社会", 《计算机工程与应用》 * |
李跃新等: "基于复杂性理论知识管理系统多智能体的行为模式", 《科技进步与对策》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108259250A (zh) * | 2018-02-28 | 2018-07-06 | 哈尔滨理工大学 | 一种多智能体一致性采样方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104636582B (zh) | 2017-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106779069A (zh) | 一种基于神经网络的异常用电检测方法 | |
CN102609778B (zh) | 一种电力通信网风险评估方法及装置 | |
CN102323972B (zh) | 一种相控阵雷达资源管理方法 | |
CN104182278B (zh) | 一种判定计算机硬件资源繁忙程度的方法和装置 | |
CN101459445A (zh) | 一种认知无线电系统中的合作频谱感知方法 | |
CN104270779A (zh) | 一种无线网络故障原因预处理方法及无线网络故障工单派发系统 | |
CN104901898A (zh) | 一种负载均衡方法及装置 | |
CN109862590A (zh) | 网络容量评估方法及装置 | |
CN109190915A (zh) | 一种基于城市规划的碳排放管理系统 | |
CN104679655B (zh) | 基于参数相关性的软件系统状态评估方法 | |
CN103795481B (zh) | 一种基于自由概率理论的协作频谱感知方法 | |
CN107360026A (zh) | 分布式消息中间件性能预测与建模方法 | |
CN103326797B (zh) | 认知网络中的合作式频谱感知方法 | |
CN103914482B (zh) | 基于cmdb的集中监控事件影响性确定方法 | |
CN105117847A (zh) | 一种变压器故障重要度的评估方法 | |
CN107094043A (zh) | 基于块迭代法的改进后的mmse低复杂度信号检测方法 | |
CN104636582A (zh) | 多智能体系统通信不良检测方法 | |
CN103207804A (zh) | 基于集群作业日志的MapReduce负载模拟方法 | |
CN109377436A (zh) | 一种环境精准监管方法与装置、终端设备及存储介质 | |
Freidin et al. | Economic growth, electricity consumption and internet usage nexus: Evidence from a panel of commonwealth of independent states | |
CN103196691A (zh) | 基于主对角元占优模糊关系矩阵建立相关性故障测试矩阵的方法 | |
CN116055164A (zh) | 一种安全合规自动化评估算法 | |
CN106550387B (zh) | 一种无线传感器网络路由层服务质量评价方法 | |
CN103198355B (zh) | 一种光学卫星传感器静态对地观测能力聚类方法 | |
CN103412814B (zh) | 移动终端系统安全测试与智能修复系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |