CN110162400B - 复杂网络环境下实现mas系统中智能体合作的方法和系统 - Google Patents

复杂网络环境下实现mas系统中智能体合作的方法和系统 Download PDF

Info

Publication number
CN110162400B
CN110162400B CN201910421598.4A CN201910421598A CN110162400B CN 110162400 B CN110162400 B CN 110162400B CN 201910421598 A CN201910421598 A CN 201910421598A CN 110162400 B CN110162400 B CN 110162400B
Authority
CN
China
Prior art keywords
node
nodes
current
module
complex network
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.)
Active
Application number
CN201910421598.4A
Other languages
English (en)
Other versions
CN110162400A (zh
Inventor
刘楚波
李敏灿
阳王东
李肯立
全哲
肖正
李克勤
张尧学
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Original Assignee
Hunan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University filed Critical Hunan University
Priority to CN201910421598.4A priority Critical patent/CN110162400B/zh
Publication of CN110162400A publication Critical patent/CN110162400A/zh
Application granted granted Critical
Publication of CN110162400B publication Critical patent/CN110162400B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种复杂网络环境下实现MAS系统中智能体合作的方法，包括：获取复杂网络拓扑图，从复杂网络拓扑图中确定多个初始关键节点，获取每个初始关键节点的追随节点数量，按照追随节点数量的大小将所有初始关键节点进行排序，并对排序结果进行筛选，筛选结果构成初始关键节点集合，对得到的初始关键节点集合中的每个关键节点，将其和复杂网络拓扑图中所有与其连接、且不在初始关键节点集合中的节点组成初始联盟，所有初始联盟作为当前联盟构成当前联盟集合。本发明不仅能够根据拓扑结构上的关键节点形成相关的合作联盟，并且能够根据动态拓扑结构的改变对当前联盟进行调整，从而形成新的更高合作水平的联盟以带来更高的合作效率。

Description

复杂网络环境下实现MAS系统中智能体合作的方法和系统
技术领域
本发明属于计算机分布式人工智能领域，更具体地说，涉及一种复杂网络环境下实现MAS系统中智能体合作的方法和系统。
背景技术
多智能体系统(Multi-agent system，简称MAS)作为分布式人工智能领域两个重要的研究分支之一，目前广泛应用于社交网络、机器学习、金融网络、经济演化与博弈论等领域，已成为解决大规模复杂系统的任务及模拟的研究热点。
在MAS环境中，智能体多以合作的方式来完成复杂网络中的相关任务或者仿真。鉴于MAS的自利性、社交性、反应性、预动性特点，传统的智能体合作机制包括基础方法、传统联盟方法、、以及重新布线机制。其中基础方法是任务随机分配，智能体之间存在冲突和抢占；传统联盟方法是计算出一组固定的联盟组合方式，并以此在不同的环境中进行合作；重新布线机制则是根据现有的邻域评估结果适当地增减当前邻域的合作对象，以改善合作环境。
然而，上述现有的智能体合作机制都存在一些不可忽略的技术问题：第一、这两种智能体合作机制不能根据网络的动态变化来调节联盟的组合方式，从而导致智能体合作的效率偏低；第二，这两种智能体合作机制都没有考虑到智能体合作的可靠性，从而会导致智能体合作失败，进而不能完成复杂网络中的相关任务。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种复杂网络环境下实现MAS系统中智能体合作的方法和系统，其目的在于，解决现有智能体合作机制中存在的上述技术问题，此外，本发明不仅能够根据拓扑结构上的关键节点形成相关的合作联盟，并且能够根据动态拓扑结构的改变对当前联盟进行调整，形成新的更高合作水平的联盟以带来更高的合作效率。
为实现上述目的，按照本发明的一个方面，提供了一种复杂网络环境下实现MAS系统中智能体合作的方法，包括以下步骤：
(1)获取复杂网络拓扑图，其中的每个节点代表一个智能体，每条边代表两个智能体之间的连接；
(2)从步骤(1)获取的复杂网络拓扑图中确定多个初始关键节点，获取每个初始关键节点的追随节点数量，按照追随节点数量的大小将所有初始关键节点进行排序，并对排序结果进行筛选，筛选结果构成初始关键节点集合；
(3)针对步骤(2)中得到的初始关键节点集合中的每个关键节点，将其和复杂网络拓扑图中所有与其连接、且不在初始关键节点集合中的节点组成初始联盟，所有初始联盟作为当前联盟构成当前联盟集合；
(4)针对当前联盟集合中的每个当前联盟而言，根据其中每个节点的原始可靠度值、以及该节点与该当前联盟中关键节点之间的距离来计算每个节点的可靠度值；
(5)根据步骤(4)得到的每个当前联盟中每个节点的可靠度值，从该当前联盟中选择最大可靠度值对应的节点作为根节点，将该根节点作为当前节点；
(6)使用该当前节点的可靠度值更新复杂网络拓扑图中该根节点下一层各个节点的可靠度值，并找出该根节点的下一层中可靠度值最高的节点t；
(7)判断该节点t是否在当前联盟中，如果是则进入步骤(8)，否则将该节点t加入当前联盟中，然后进入步骤(8)；
(8)判断节点t在其当前联盟中是否已经是最后一层，如果是则进入步骤(10)，否则进入步骤(9)。
(9)选择t节点对应节点作为当前节点，并返回步骤(6)。
(10)计算当前联盟集合中每一个当前联盟的合作效率值，其等于当前联盟中所有节点所拥有的资源的总价值V与当前联盟中所有节点的总可靠度值R的乘积；
(11)迭代执行步骤(4)至(10)，直到迭代次数达到600为止，并根据整个迭代过程中每次迭代得到的每个当前联盟的合作效率值获取平均合作效率值，过程结束。
优选地，步骤(2)具体包括以下子步骤：
(2-1)设置计数器i＝1；
(2-2)针对复杂网络拓扑图中的第i个节点，获取该第i个节点的追随节点数量，其中追随节点是满足原本与该第i个节点连接、但由于该第i个节点退出复杂网络而使得与该第i个节点连接的该节点的连接边的数量减少到小于k的节点，其中k的取值等于
Figure RE-GDA0002092782220000031
Figure RE-GDA0002092782220000032
表示向上取整，a为比例系数，N表示复杂网络拓扑图中最大的连接边数量。
(2-3)针对复杂网络拓扑图中的所有剩余节点，重复执行上述步骤 (2-2)，直到获取完毕复杂网络拓扑图中的所有节点的追随节点数量为止；
(2-4)根据步骤(2-3)中获取的所有节点的追随节点数量按照从大到小的顺序将所有节点进行排序，根据排序结果中前
Figure RE-GDA0002092782220000033
个结果将其对应的多个节点作为关键节点构成初始关键节点集合；其中b为比例系数，M表示复杂网络拓扑图中的节点总数。
优选地，步骤(4)中得到每个节点的可靠度值是采用以下公式：
Figure RE-GDA0002092782220000041
其中
Figure RE-GDA0002092782220000042
表示当前联盟中的第m个节点的可靠度值，Rm表示当前联盟中第m个节点的原始可靠度值，Rm表示当前联盟中第n个关键节点的原始可靠度值，dmn是第m个节点和当前联盟中第n个关键节点之间的距离，b表示该当前联盟内关键节点的数量，F表示该节点的追随节点数量。
优选地，步骤(6)中使用该当前节点的可靠度值更新复杂网络拓扑图中该根节点下一层各个节点的可靠度值，具体是将下一层各个节点的可靠度值设置为下一层各个节点的可靠度值*当前节点的可靠度值。
优选地，合作效率值是用于指示智能体之间的合作水平。
按照本发明的另一方面，提供了一种复杂网络环境下实现MAS系统中智能体合作的系统，包括：
第一模块，用于获取复杂网络拓扑图，其中的每个节点代表一个智能体，每条边代表两个智能体之间的连接；
第二模块，用于从第一模块获取的复杂网络拓扑图中确定多个初始关键节点，获取每个初始关键节点的追随节点数量，按照追随节点数量的大小将所有初始关键节点进行排序，并对排序结果进行筛选，筛选结果构成初始关键节点集合；
第三模块，用于针对第二模块中得到的初始关键节点集合中的每个关键节点，将其和复杂网络拓扑图中所有与其连接、且不在初始关键节点集合中的节点组成初始联盟，所有初始联盟作为当前联盟构成当前联盟集合；
第四模块，用于针对当前联盟集合中的每个当前联盟而言，根据其中每个节点的原始可靠度值、以及该节点与该当前联盟中关键节点之间的距离来计算每个节点的可靠度值；
第五模块，用于根据第四模块得到的每个当前联盟中每个节点的可靠度值，从该当前联盟中选择最大可靠度值对应的节点作为根节点，将该根节点作为当前节点；
第六模块，用于使用该当前节点的可靠度值更新复杂网络拓扑图中该根节点下一层各个节点的可靠度值，并找出该根节点的下一层中可靠度值最高的节点t；
第七模块，用于判断该节点t是否在当前联盟中，如果是则进入第八模块，否则将该节点t加入当前联盟中，然后进入第八模块；
第八模块，用于判断节点t在其当前联盟中是否已经是最后一层，如果是则进入第十模块，否则进入第九模块。
第九模块，用于选择t节点对应节点作为当前节点，并返回第六模块。
第十模块，用于计算当前联盟集合中每一个当前联盟的合作效率值，其等于当前联盟中所有节点所拥有的资源的总价值V与当前联盟中所有节点的总可靠度值R的乘积；
第十一模块，用于迭代执行第四模块至第十模块，直到迭代次数达到 600为止，并根据整个迭代过程中每次迭代得到的每个当前联盟的合作效率值获取平均合作效率值，过程结束。
优选地，第二模块具体包括以下子模块：
第一子模块，用于设置计数器i＝1；
第二子模块，用于针对复杂网络拓扑图中的第i个节点，获取该第i个节点的追随节点数量，其中追随节点是满足原本与该第i个节点连接、但由于该第i个节点退出复杂网络而使得与该第i个节点连接的该节点的连接边的数量减少到小于k的节点，其中k的取值等于
Figure RE-GDA0002092782220000051
Figure RE-GDA0002092782220000052
表示向上取整，a 为比例系数，N表示复杂网络拓扑图中最大的连接边数量。
第三子模块，用于针对复杂网络拓扑图中的所有剩余节点，重复执行上述第二子模块，直到获取完毕复杂网络拓扑图中的所有节点的追随节点数量为止；
第四子模块，用于根据第三子模块中获取的所有节点的追随节点数量按照从大到小的顺序将所有节点进行排序，根据排序结果中前
Figure RE-GDA0002092782220000061
个结果将其对应的多个节点作为关键节点构成初始关键节点集合，其中b为比例系数，M表示复杂网络拓扑图中的节点总数。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)本发明能够解决传统的智能体合作机制不能根据网络的动态变化来调节联盟的组合方式，从而导致智能体合作的效率偏低技术问题：由于本发明采用了步骤(4)到步骤(5)在完成模拟的动态的根据智能体周围的环境进行重新布线，而且在新的环境中调整了联盟的成员以适应新的网络变化，因此本方法在动态适应性地调整合适联盟的同时，能保证更高的合作效率值。
(2)本发明能够解决传统的智能体合作机制会导致智能体合作失败，进而不能完成复杂网络中的相关任务的技术问题：由于本发明采用了步骤 (5)到步骤(6)来实现可靠度值的计算和调整，每当网络发生变化的时候，本发明都能适应性的计算变化的可靠度值，及时的将具有高可靠度值的智能体纳入联盟当中，因此一方面保证了智能体的可靠度值，另一方面提高了整个联盟的可靠度值，使得任务的完成率有了保障。
(3)本发明能够适应多种网络拓扑结构，适应性强。当网络发生变化的时候，不论是联盟的环境改善还是可靠性提高，都能进行相应的调整，以求得在新的环境中稳定高效可靠的合作。
(4)本发明可扩展性强，可适用于多种复杂网络结构和多种智能体合作环境，无论静态还是动态网络，博弈合作还是非博弈合作，都能达到很好的合作水平。
附图说明
图1是本发明方法中使用的复杂网络拓扑图的示例图；
图2是根据本发明方法的步骤(2)中得到的追随节点的示意图；
图3是WS模型下本发明方法和三种现有方法的平均合作效率值比较曲线；
图4是BA模型下本发明方法和三种现有方法的平均合作效率值比较曲线；
图5是本发明方法和另外三种现有方法的平均合作效率值比较曲线；
图6是本发明复杂网络环境下实现MAS系统中智能体合作的方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图6所示，本发明提供了一种复杂网络环境下实现MAS系统中智能体合作的方法，包括以下步骤：
(1)获取复杂网络拓扑图，其中的每个节点代表一个智能体，每条边代表两个智能体之间的连接；
(2)从步骤(1)获取的复杂网络拓扑图中确定多个初始关键节点，获取每个初始关键节点的追随节点数量，按照追随节点数量的大小将所有初始关键节点进行排序，并对排序结果进行筛选，筛选结果构成初始关键节点集合；
本步骤具体包括以下子步骤：
(2-1)设置计数器i＝1；
(2-2)针对复杂网络拓扑图中的第i个节点，获取该第i个节点的追随节点数量，其中追随节点指的是满足原本与该第i个节点连接、但由于该第 i个节点退出复杂网络而使得与该第i个节点连接的该节点的连接边的数量减少到小于k的节点，其中k的取值等于
Figure RE-GDA0002092782220000081
其中
Figure RE-GDA0002092782220000082
表示向上取整，a 为比例系数，且a∈[0.6，0.8]，N表示复杂网络拓扑图中最大的连接边数量；
举例而言，如果k＝3，在图1所示的复杂网络拓扑图中，以节点j为例计算其追随节点数量。假设节点j退出网络，那么与之相连的三条边将不存在。从而造成的直接影响是节点k和节点c的连接边由3变为2，而2<k，所以节点k和节点c都是节点j的追随节点。再删去这两个追随节点，造成的结果是节点l的连接边也不足3，那么节点l也是节点j的追随节点，以此类推删去节点l，直至图中再无节点的连接边数量不足3，如图1所示，则可以得出节点j的追随节点为：k，c，l，m，n(如图2中的深灰色节点所示)，因此节点j的追随节点数量为5。
(2-3)针对复杂网络拓扑图中的所有剩余节点，重复执行上述步骤(2-2)，直到获取完毕复杂网络拓扑图中的所有节点的追随节点数量为止；
(2-4)根据步骤(2-3)中获取的所有节点的追随节点数量按照从大到小的顺序将所有节点进行排序，根据排序结果中前
Figure RE-GDA0002092782220000083
个结果将其对应的多个节点作为关键节点构成初始关键节点集合；其中b为比例系数，且b ∈[0.12，0.16]，M表示复杂网络拓扑图中的节点总数。
(3)针对步骤(2)中得到的初始关键节点集合中的每个关键节点，将其和复杂网络拓扑图中所有与其连接、且不在初始关键节点集合中的节点组成初始联盟，所有初始联盟作为当前联盟构成当前联盟集合；
(4)针对当前联盟集合中的每个当前联盟而言，根据其中每个节点的原始可靠度值、以及该节点与该当前联盟中关键节点之间的距离来计算每个节点的可靠度值；
本步骤中得到每个节点的可靠度值是采用以下公式：
Figure RE-GDA0002092782220000091
其中
Figure RE-GDA0002092782220000092
表示当前联盟中的第m个节点的可靠度值，Rm表示当前联盟中第m个节点的原始可靠度值，Rm表示当前联盟中第n个关键节点的原始可靠度值，dmn是第m个节点和当前联盟中第n个关键节点之间的距离，b表示该当前联盟内关键节点的数量，F表示该节点的追随节点数量， k为步骤(2-2)中的设置值。
(5)根据步骤(4)得到的每个当前联盟中每个节点的可靠度值，从该当前联盟中选择最大可靠度值对应的节点作为根节点，将该根节点作为当前节点；
(6)使用该当前节点的可靠度值更新复杂网络拓扑图中该根节点下一层各个节点的可靠度值(即设置下一层各个节点的可靠度值＝下一层各个节点的可靠度值*当前节点的可靠度值)，并找出该根节点的下一层中可靠度值最高的节点t；
(7)判断该节点t是否在当前联盟中，如果是则进入步骤(8)，否则将该节点t加入当前联盟中，然后进入步骤(8)；
(8)判断节点t在其当前联盟中是否已经是最后一层(即成为叶子节点)，如果是则进入步骤(10)，否则进入步骤(9)；
(9)选择t节点对应节点作为当前节点，并返回步骤(6)。
(10)计算当前联盟集合中每一个当前联盟的合作效率值，其等于当前联盟中所有节点所拥有的资源的总价值V与当前联盟中所有节点的总可靠度值R的乘积；
在本发明中，合作效率值是用于指示智能体之间的合作水平。
(11)迭代执行步骤(4)至(10)，直到迭代次数达到600为止，并根据整个迭代过程中每次迭代得到的每个当前联盟的合作效率值获取平均合作效率值，过程结束。
以下详细介绍MAS复杂网络动态合作的具体实现方式。
一.模拟场景描述：
在网络拓扑结构确定的前提下，每个节点代表一个智能体，智能体之间的连接由网络中的边表示。每个智能体都有一定的资源用于合作，且每个智能体都有一个可靠度值用于衡量其获取资源的能力。智能体之间可以进行资源的借用以完成任务。
当任务被分配给一个联盟时，联盟内部的智能体则都采取合作的策略，即联盟内部的成员集合资源共同完成任务，完成任务的合作效率总值根据每个智能体资源所占比重来分配。而当任务被分配给单个智能体的时候，该智能体资源不足则会向其连接的其他智能体借资源，这时候被借的智能体有两种策略选择：合作策略和对抗策略。合作策略即借出资源，这种策略的后果是当任务完成时，双方智能体都能获取合作效率值。而对抗策略则是不作为，不与借出，那么也就不会产生合作效率值。
具体的模拟规则如下：
1)智能体之间的关系是竞争和合作并存的，联盟内部的合作就是为了能在任务完成中最大化合作效率值；
2)每个智能体都有自己的资源和对应的资源可靠度值，其中资源的可靠度值表示该资源的稳定性和该智能体可通过网络连接获取更多资源的能力。
3)任务来临时将随机分配给现有的联盟，联盟内的智能体成员根据自己的资源完成合作模拟，任务完成后，则合作效率值为资源总价值V与总可靠度值R的乘积，其中可靠度值的计算已经在上面介绍过，在此不再赘述；
4)完成任务后，每个智能体通过对自己联盟内部的合作效率值进行评估，放弃合作效率值差的智能体，改连接邻域内更好水平的智能体。
(5)每完成一次合作任务的模拟，根据每个联盟的可靠度进行来调整以适应新的网络环境。针对每个联盟，选取联盟中具有最高可靠度的关键节点作为联盟的根节点。从根节点出发，逐层计算每层的最高可靠度值的智能体，若最高可靠度值的智能体不在联盟中，则将其加入联盟。
二、性能测评
基于动态复杂网络下MAS联盟合作模拟，主要是通过构建复杂网络的拓扑结构，让智能体基于复杂网络的结构来进行合作和模拟的。在这里我分别构建了两种复杂网络，小世界网络和无标度网络，分别选择了WS模型和BA模型。由于整个合作环境是完成任务后的合作效率值统计，所以对于本发明的方法的测评就是对智能体合作的合作效率值的测评。
本发明中设置的智能体总数为500，方便统计和模拟，同时我们设置合作效率值的计算为：任务完成则合作效率值为资源总价值V与总可靠度值 R的乘积，合作失败则合作效率值为0。这样针对每次合作都能有个一个明确的统计。
首先为了测评新的合作方法的有效性，选取了三种智能体合作方法分别在两种复杂网络下进行相同的模拟，然后对比收益；然后选取了另外三种不同的智能体合作方法作为对比，证明根据关键节点建立联盟是否有效。
对于WS模型，设置总的智能体数目为500，即网络节点总数为500， WS网络参数概率p＝0.1，平均连接数为10，k＝10。结果如图3所示，可以看出，在不同的资源利用率下，本发明的方法(在图中示为“关键节点动态联盟”)都取得了很好的收益，比其他三种方法效益高很多，比传统联盟方式提高了5％-17％左右。
对于BA模型，设置总的智能体数目为500，即网络节点总数为500， WS网络参数概率γ＝3，k＝10。结果如图4所示，可以看出在不同的资源利用率下，本发明的方法(在图中示为“关键节点动态联盟”)都取得了很好的收益，比传统联盟方式提高了2％-18％左右。
对于其他三种传统的智能体合作方式：领导者联盟、公平联盟、动态联盟，在不同的资源利用率下做收益统计，基于关键节点动态联盟方式表现出了更高的收益；结果如图5所示，可以看出在不同的资源利用率下，本发明的方法都取得了很好的收益，比次高的方法提高了3％-11％左右。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种复杂网络环境下实现MAS系统中智能体合作的方法，其特征在于，包括以下步骤：
(1)获取复杂网络拓扑图，其中的每个节点代表一个智能体，每条边代表两个智能体之间的连接；
(2)从步骤(1)获取的复杂网络拓扑图中确定多个初始关键节点，获取每个初始关键节点的追随节点数量，按照追随节点数量的大小将所有初始关键节点进行排序，并对排序结果进行筛选，筛选结果构成初始关键节点集合；
(3)针对步骤(2)中得到的初始关键节点集合中的每个关键节点，将其和复杂网络拓扑图中所有与其连接、且不在初始关键节点集合中的节点组成初始联盟，所有初始联盟作为当前联盟构成当前联盟集合；
(4)针对当前联盟集合中的每个当前联盟而言，根据其中每个节点的原始可靠度值、以及该节点与该当前联盟中关键节点之间的距离来计算每个节点的可靠度值；
(5)根据步骤(4)得到的每个当前联盟中每个节点的可靠度值，从该当前联盟中选择最大可靠度值对应的节点作为根节点，将该根节点作为当前节点；
(6)使用该当前节点的可靠度值更新复杂网络拓扑图中该根节点下一层各个节点的可靠度值，并找出该根节点的下一层中可靠度值最高的节点t；
(7)判断该节点t是否在当前联盟中，如果是则进入步骤(8)，否则将该节点t加入当前联盟中，然后进入步骤(8)；
(8)判断节点t在其当前联盟中是否已经是最后一层，如果是则进入步骤(10)，否则进入步骤(9)；
(9)选择t节点对应节点作为当前节点，并返回步骤(6)；
(10)计算当前联盟集合中每一个当前联盟的合作效率值，其等于当前联盟中所有节点所拥有的资源的总价值V与当前联盟中所有节点的总可靠度值R的乘积；
(11)迭代执行步骤(4)至(10)，直到迭代次数达到600为止，并根据整个迭代过程中每次迭代得到的每个当前联盟的合作效率值获取平均合作效率值，过程结束。
2.根据权利要求1所述的方法，其特征在于，步骤(2)具体包括以下子步骤：
(2-1)设置计数器i＝1；
(2-2)针对复杂网络拓扑图中的第i个节点，获取该第i个节点的追随节点数量，其中追随节点是满足原本与该第i个节点连接、但由于该第i个节点退出复杂网络而使得与该第i个节点连接的节点的连接边的数量减少到小于k的节点，其中k的取值等于
Figure FDA0002814756520000022
Figure FDA0002814756520000023
表示向上取整，a为比例系数，N表示复杂网络拓扑图中最大的连接边数量；
(2-3)针对复杂网络拓扑图中的所有剩余节点，重复执行步骤(2-2)，直到获取完毕复杂网络拓扑图中的所有节点的追随节点数量为止；
(2-4)根据步骤(2-3)中获取的所有节点的追随节点数量按照从大到小的顺序将所有节点进行排序，根据排序结果中前
Figure FDA0002814756520000024
个结果将其对应的多个节点作为关键节点构成初始关键节点集合；其中b为比例系数，M表示复杂网络拓扑图中的节点总数。
3.根据权利要求1或2所述的方法，其特征在于，步骤(4)中得到每个节点的可靠度值是采用以下公式：
Figure FDA0002814756520000021
其中
Figure FDA0002814756520000031
表示当前联盟中的第m个节点的可靠度值，Rm表示当前联盟中第m个节点的原始可靠度值，Rn表示当前联盟中第n个关键节点的原始可靠度值，dmn是第m个节点和当前联盟中第n个关键节点之间的距离，b表示该当前联盟内关键节点的数量，F表示该节点的追随节点数量。
4.根据权利要求3所述的方法，其特征在于，步骤(6)中使用该当前节点的可靠度值更新复杂网络拓扑图中该根节点下一层各个节点的可靠度值，具体是将下一层各个节点的可靠度值设置为下一层各个节点的可靠度值×当前节点的可靠度值。
5.根据权利要求4所述的方法，其特征在于，合作效率值是用于指示智能体之间的合作水平。
6.一种复杂网络环境下实现MAS系统中智能体合作的系统，其特征在于，包括：
第一模块，用于获取复杂网络拓扑图，其中的每个节点代表一个智能体，每条边代表两个智能体之间的连接；
第二模块，用于从第一模块获取的复杂网络拓扑图中确定多个初始关键节点，获取每个初始关键节点的追随节点数量，按照追随节点数量的大小将所有初始关键节点进行排序，并对排序结果进行筛选，筛选结果构成初始关键节点集合；
第三模块，用于针对第二模块中得到的初始关键节点集合中的每个关键节点，将其和复杂网络拓扑图中所有与其连接、且不在初始关键节点集合中的节点组成初始联盟，所有初始联盟作为当前联盟构成当前联盟集合；
第四模块，用于针对当前联盟集合中的每个当前联盟而言，根据其中每个节点的原始可靠度值、以及该节点与该当前联盟中关键节点之间的距离来计算每个节点的可靠度值；
第五模块，用于根据第四模块得到的每个当前联盟中每个节点的可靠度值，从该当前联盟中选择最大可靠度值对应的节点作为根节点，将该根节点作为当前节点；
第六模块，用于使用该当前节点的可靠度值更新复杂网络拓扑图中该根节点下一层各个节点的可靠度值，并找出该根节点的下一层中可靠度值最高的节点t；
第七模块，用于判断该节点t是否在当前联盟中，如果是则进入第八模块，否则将该节点t加入当前联盟中，然后进入第八模块；
第八模块，用于判断节点t在其当前联盟中是否已经是最后一层，如果是则进入第十模块，否则进入第九模块；
第九模块，用于选择t节点对应节点作为当前节点，并返回第六模块；
第十模块，用于计算当前联盟集合中每一个当前联盟的合作效率值，其等于当前联盟中所有节点所拥有的资源的总价值V与当前联盟中所有节点的总可靠度值R的乘积；
第十一模块，用于迭代执行第四模块至第十模块，直到迭代次数达到600为止，并根据整个迭代过程中每次迭代得到的每个当前联盟的合作效率值获取平均合作效率值，过程结束。
7.根据权利要求6所述的系统，其特征在于，第二模块具体包括以下子模块：
第一子模块，用于设置计数器i＝1；
第二子模块，用于针对复杂网络拓扑图中的第i个节点，获取该第i个节点的追随节点数量，其中追随节点是满足原本与该第i个节点连接、但由于该第i个节点退出复杂网络而使得与该第i个节点连接的节点的连接边的数量减少到小于k的节点，其中k的取值等于
Figure FDA0002814756520000041
Figure FDA0002814756520000042
表示向上取整，a为比例系数，N表示复杂网络拓扑图中最大的连接边数量；
第三子模块，用于针对复杂网络拓扑图中的所有剩余节点，重复执行第二子模块，直到获取完毕复杂网络拓扑图中的所有节点的追随节点数量为止；
第四子模块，用于根据第三子模块中获取的所有节点的追随节点数量按照从大到小的顺序将所有节点进行排序，根据排序结果中前
Figure FDA0002814756520000051
个结果将其对应的多个节点作为关键节点构成初始关键节点集合，其中b为比例系数，M表示复杂网络拓扑图中的节点总数。
CN201910421598.4A 2019-05-21 2019-05-21 复杂网络环境下实现mas系统中智能体合作的方法和系统 Active CN110162400B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910421598.4A CN110162400B (zh) 2019-05-21 2019-05-21 复杂网络环境下实现mas系统中智能体合作的方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910421598.4A CN110162400B (zh) 2019-05-21 2019-05-21 复杂网络环境下实现mas系统中智能体合作的方法和系统

Publications (2)

Publication Number Publication Date
CN110162400A CN110162400A (zh) 2019-08-23
CN110162400B true CN110162400B (zh) 2021-01-26

Family

ID=67631530

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910421598.4A Active CN110162400B (zh) 2019-05-21 2019-05-21 复杂网络环境下实现mas系统中智能体合作的方法和系统

Country Status (1)

Country Link
CN (1) CN110162400B (zh)

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100580168B1 (ko) * 2003-03-21 2006-05-16 삼성전자주식회사 다중 홈 에이전트 제어장치 및 방법
EP1607898A3 (en) * 2004-05-18 2006-03-29 Neal E. Solomon A bioinformatics system for functional proteomics modelling
CN104660448B (zh) * 2015-01-24 2018-09-25 江苏建筑职业技术学院 分布式多层多域体系Multi-Agent协同故障诊断方法
CN104700311B (zh) * 2015-01-30 2018-02-06 福州大学 一种社会网络中的邻域跟随社区发现方法
CN104951898B (zh) * 2015-07-02 2017-02-22 北京理工大学 一种面向任务的协同多智能体联盟形成方法
CN105069010B (zh) * 2015-07-07 2018-04-17 西安电子科技大学 基于多Agent的资源聚合方法
CN105634828B (zh) * 2016-03-03 2018-12-28 厦门大学 线性微分包含多智能体系统的分布式平均跟踪的控制方法
CN105975332B (zh) * 2016-05-03 2018-02-16 北京理工大学 一种多智能体分布式联盟形成方法
CN106126245A (zh) * 2016-06-28 2016-11-16 武汉工程大学 一种动态环境下的多Agent协作方法及系统
CN107734005A (zh) * 2017-09-21 2018-02-23 扬州大学 一种基于移动智能体技术下智能体联盟形成方法
CN109039954B (zh) * 2018-07-25 2021-03-23 广东石油化工学院 多租户容器云平台虚拟计算资源自适应调度方法及系统

Also Published As

Publication number Publication date
CN110162400A (zh) 2019-08-23

Similar Documents

Publication Publication Date Title
Zhu et al. An efficient evolutionary grey wolf optimizer for multi-objective flexible job shop scheduling problem with hierarchical job precedence constraints
CN108694077A (zh) 基于改进二进制蝙蝠算法的分布式系统任务调度方法
CN114281104B (zh) 一种基于改进蚁群算法的多无人机协同调控方法
CN110233755A (zh) 一种物联网中雾计算的计算资源和频谱资源分配方法
CN113708969A (zh) 一种基于深度强化学习的云数据中心虚拟网络的协同嵌入方法
CN109121105A (zh) 基于马尔可夫博弈的运营商竞争切片强化学习方法
CN112418636A (zh) 虚拟电厂自组织聚合运行调度方法
CN114741955A (zh) 一种基于安全云的多目标优化任务调度方法
CN115333956A (zh) 一种多联盟非合作博弈的多智能体状态控制方法
CN108833227A (zh) 一种基于边缘计算的智能家居通信优化调度系统及方法
CN114371925A (zh) 一种保障边云负载比的边云协同多任务调度方法和系统
CN113032149B (zh) 基于演化博弈的边缘计算服务放置和请求分配方法及系统
CN112668871B (zh) 多轮群体决策中专家权重动态分配方法
CN116862021B (zh) 基于信誉评估的抗拜占庭攻击的去中心化学习方法及系统
CN110162400B (zh) 复杂网络环境下实现mas系统中智能体合作的方法和系统
CN115001978B (zh) 一种基于强化学习模型的云租户虚拟网络智能映射方法
CN114553869A (zh) 基于联合学习的确定资源贡献度的方法、装置和电子设备
CN111107604B (zh) 无人平台信息感知网络的快速优化方法和装置
CN111817298B (zh) 含随机风能的多调度区间分布式能源调度方法及系统
CN106970840A (zh) 一种结合任务调度的软硬件划分方法
US11973662B1 (en) Intelligent mapping method for cloud tenant virtual network based on reinforcement learning model
CN116684273B (zh) 一种基于粒子群的机动通信网络结构自动规划方法及系统
CN117251280B (zh) 一种云资源负载均衡调度方法、装置、设备及介质
CN117669741A (zh) 基于遗传算法的无人机集群大小模型动态协同推理方法
CN117793717A (zh) 遭袭情况下的基于博弈协商的无人机集群任务分配方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant