CN112101406A - 一种多智能体网络的智能水平量化方法 - Google Patents

一种多智能体网络的智能水平量化方法 Download PDF

Info

Publication number
CN112101406A
CN112101406A CN202010758904.6A CN202010758904A CN112101406A CN 112101406 A CN112101406 A CN 112101406A CN 202010758904 A CN202010758904 A CN 202010758904A CN 112101406 A CN112101406 A CN 112101406A
Authority
CN
China
Prior art keywords
agent
intelligent
network
representing
agents
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.)
Pending
Application number
CN202010758904.6A
Other languages
English (en)
Inventor
杨凤
李周霞
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong 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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202010758904.6A priority Critical patent/CN112101406A/zh
Publication of CN112101406A publication Critical patent/CN112101406A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer And Data Communications (AREA)

Abstract

本发明提供了一种多智能体网络的智能水平量化方法，包括：根据多智能体网络中各智能主体的功能对各智能主体进行分类；计算划分后的不同智能主体种类在多智能体网络中的重要性；根据得到的不同智能主体种类重要性计算各个智能主体在多智能网络中的量化值；根据信息熵模型将各智能主体的量化值累加得到多智能体网络的智能水平的量化值。本方法可以用来量化多智能体网络的智能水平，对多智能体网络的发展具有一定的指导意义。

Description

一种多智能体网络的智能水平量化方法
技术领域
本发明涉及智能体网络交互技术领域，尤其涉及一种多智能体网络的智能水平量化方法。
背景技术
多智能体网络系统是由一系列相互作用的智能主体构成，内部的各个智能体之间通过相互通信、合作和竞争等方式，完成单个智能体不能完成的，大量而又复杂的工作。其目标是让若干个具备简单智能却便于管理控制的系统能通过相互协作实现复杂智能，使得在降低系统建模复杂性的同时，提高系统的鲁棒性、可靠性和灵活性。
多智能体网络不仅由智能智能主体，而且由智能主体之间的联系构成，这种联系承载着智能主体之间的交互。多主体协调是指在多个主体之间合理安排资源，使多智能体网络的整体智能水平最大化。因此智能主体之间的交互实际上反映了多智能体网络所获得的有限资源是如何被安排的。例如在物流供应链中，系统内部各要素的协调使资源得到充分利用，提高系统运行效率，节约整体成本。这是积极的合作效应，反之则是消极的合作效应，甚至没有合作效应。此外重要性高的智能主体可能比其他智能主体更活跃，因此重要性高的智能主体可能产生更多的交互。
图2为多智能体网络完成任务的过程示意图，如图2所示，多智能体网络完成任务的过程主要包括两部分，首先通过环境不断地向多智能体网络分配不同的任务；其次由于任务可以细化为多个子任务，所以多智能体网络中的每一个智能主体都是通过与其他智能主体交互，依靠自己的专业技能来完成相应的子任务。由此可知智能主体间交互是完成任务的关键环节。动作表示在一个特定的专业种类中完成一项子任务的专业技能或者智能主体之间的交互。智能主体间的交互可以体现多智能体网络的智能水平，交互协同性越高，智能水平越高。智能水平较高的网络更加符合社会的发展，将智能水平较低的网络改变成为较高智能水平的网络有利于效益最大化。
现有技术中针对智能主体之间直接交互作用的研究，提出了基于信任度与信用度的合作伙伴选择机制，探讨了智能主体之间如何相互通讯，但是没有具体分析具有不同专业能力的智能主体间交互作用，而且基于信任度和信用度的机制难于运用于实际的多智能体网络中。
因此，亟需一种可以具体分析具有不同专业能力的智能主体间交互作用并进行实际应用的多智能体网络的智能水平量化方法。
发明内容
本发明提供了一种多智能体网络的智能水平量化方法，旨在通过探讨多智能体网络中的智能主体间的交互作用与智能水平的关系，并根据多智能体网络中各类智能主体交互作用建立量化模型，进而衡量多智能体网络的智能水平。
为了实现上述目的，本发明采取了如下技术方案。
一种多智能体网络的智能水平量化方法，包括：
根据多智能体网络中各智能主体的功能对各智能主体进行分类；
计算划分后的不同智能主体种类在多智能体网络中的重要性；
根据得到的不同智能主体种类重要性计算各个智能主体在多智能网络中的量化值；
根据信息熵模型将各智能主体的量化值累加得到多智能体网络的智能水平的量化值。
优选地，根据多智能体网络中各智能主体的功能对各智能主体进行分类，包括：基于改进差分进化的k均值聚类算法对多智能体网络的智能主体进行聚类，得到多智能体网络中不同智能主体种类。
优选地，基于改进差分进化的k均值聚类算法对多智能体网络的智能主体进行聚类，得到多智能体网络中不同智能主体种类，包括：
首先需要对从多智能体网络中的智能主体中随机选择的聚类中心进行编码，构建初始种群，然后进行差分进化算法的变异、交叉、选择获得最佳个体，最后，对最佳个体解码，获得最佳初始聚类中心并进行聚类，得到多智能体网络中不同智能主体种类划分。
优选地，计算划分后的不同智能主体种类在多智能体网络中的重要性，包括根据下式(1)计算各个智能主体种类在多智能体网络中的重要性：
Figure BDA0002612502920000031
其中，Ii表示智能主体种类i在多智能体网络中的重要性，q表示根据网络结构所得的参数，权衡类内类外的权值，Rout表示智能主体种类i与多智能体网络中所有其他智能主体种类的交互，Rin表示智能主体种类i内部的智能主体的交互，Ti表示智能主体种类i的类内和类间的交互之和，即Ti＝Rin+Rout。
优选地，根据得到的不同智能主体种类重要性计算各个智能主体在多智能网络中的量化值，包括：根据下式(2)计算各个智能主体在多智能网络中的量化值：
Figure BDA0002612502920000032
其中，SIPij表示i类智能主体中智能主体j在多智能网络中的量化值，i表示智能主体的种类，j表示在i类主体当中的智能主体j，TSj表示智能主体j在多智能体网络中与所有其他智能主体的交互，Ri′j表示主体j与除i类外的所有其他智能主体种类的交互，i′表示除i类外的所有其他智能主体种类，Rij表示智能主体j与其所属智能主体种类i中所有其他智能主体的交互，K为多智能主体网络中智能主体种类的个数。
优选地，根据信息熵模型将各智能主体的量化值累加得到多智能体网络的智能水平的量化值，包括：根据下式(3)的信息熵模型将各智能主体的量化值累加：
Figure BDA0002612502920000041
其中，i＝1，2......K，表示多智能体网络中的K个类别的智能主体，每一类别中智能主体个数为Mi，SIPij表示类别i中智能主体j的量化值，SIPnetwork表示多智能体网络的量化值。
优选地，交互的表示形式为度或者聚集系数。
由上述本发明的多智能体网络的智能水平量化方法提供的技术方案可以看出，本发明基于改进差分进化的k均值聚类方法对多智能体网络中的智能主体种类聚类，再利用复杂网络中节点重要性度量方法以及类内类外智能主体间的交互作用，建立量化模型用来量化多智能体网络的智能水平,对多智能体网络的发展具有一定的指导意义。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本实施例提供的多智能体网络的智能水平量化方法流程示意图；
图2为多智能体网络完成任务的过程示意图；
图3为区块链网络示意图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤和/或操作，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作和/或它们的组。应该理解，这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且并不构成对本发明实施例的限定。
实施例
多智能体网络就是利用大量的智能主体间通讯，协调，合作等交互来完成各种各样的任务的。智能主体间的交互对于系统最终完成任务或者计算求解起着决定性的作用。本实施例中所述的交互是指智能主体间的通讯、协调与合作以及它们之间的联系。
图1为本实施例提供的多智能体网络的智能水平量化方法流程示意图，参照图1，该方法包括：
S1根据多智能体网络中各智能主体的功能对各智能主体进行分类。
示意性地，基于改进差分进化的k均值聚类算法对多智能体网络的智能主体进行聚类，得到多智能体网络中不同智能主体种类。
首先需要对从多智能体网络中的智能主体中随机选择的聚类中心进行编码，构建初始种群，然后进行差分进化算法的变异、交叉、选择获得最佳个体，最后，对最佳个体解码，获得最佳初始聚类中心并进行聚类，得到多智能体网络中不同智能主体种类划分。
具体包括：
对于智能主体由D个属性，规模为N，类别为K个的多智能体网络，自适应度函数f定义为所有样本到K个聚类中心的欧氏距离；
S11：编码：使用实数编码在合适的区间上随机产生服从均匀分布的初始种群X(t)，t表示迭代次数。X(t)中每个编码个体由K个聚类中心向量串组成，由于每一个样本是D维，所以每一个个体都是K×D维向量，具体编码过程如下式(1)所示：
X(t)＝{X1(t)，X2(t)......XN(t)}
Xl(t)＝{cl，1，cl，2......cl，K}，l＝1，2......N (1)
其中，Xl(t)表示第l个个体，Xl(t)表示第l个个体包含有K个聚类中心，每一个聚类中心cl，m(l＝1，2，......N；m＝1，2，......K)是D维向量；
S12：记适应度函数f(Xl(t))为所有样本到K聚类中心Xl(t)的欧氏距离，根据初始种群可以得到Xbest(t)，表示本次迭代中与样本最为贴近的K聚类中心；
S13：变异操作如下式(2)所示用Vl(t)表示这次迭代中对Xl(t)变异操作的结果，在种群中选取两个样本Xb(t)和Xc(t)，b≠c≠l，Xbest(t)表示一次迭代中最佳的聚类中心，即代入自适应度函数f欧氏距离最小，即最好的K聚类中心，F∈(-1，1)为控制扰动因子的缩放系数；
Vl(t)＝Xl(t)+F*(Xbest(t)-Xl(t))+F*(Xb(t)-Xc(t))，b≠c≠l, (2)
S14：对步骤S13和S14的结果采取交叉操作如下式(3)所示，用Ul(t)表示此次迭代中交叉操作的结果：
Figure BDA0002612502920000071
其中，CR∈[0，1]为交叉概率，rand(0，1)表示(0,1)均匀分布随机数，r3∈{1，2......D}。
S15：选择操作：对交叉操作后得到的中间试验个体Ul(t)和当前进化个体Xl(t)采用贪心算法计算和比较适应度值，确定个体的最大适应度值，即最佳个体进入下一代，如下式(4)所示：
Figure BDA0002612502920000072
S16：检验种群：t是否达到迭代次数，若达到指定的迭代次数或者最佳自适应度函数值变化不大则输出最佳个体Xbest(t)并终止算法；否则，迭代次数t将增加1，并返回至S12；
S18:对输出的最佳个体进行解码，得到相应的最优聚类中心集，并将种群中的所有数据对象根据最近邻原则划分为相应的类别中，输出聚类结果。最近邻原则指的是计算每一个样本与上述得到的聚类中心的距离，距离最小则将该样本划分到相应类别。
S2计算划分后的不同智能主体种类在多智能体网络中的重要性。
在根据差分进化得到的种类之后，根据主体交互模式这个因素对多智能体网络中类内类间智能主体的交互作用进行量化。首先需要得到某一类别在多智能体网络中的重要性，将其作为加权平均的权重。为了准确描述每个专业类别内的主体交互，既考虑了同一类别的智能主体之间的交互，也考虑了不同类别的智能主体之间的交互。因此，根据下式(5)计算各个智能主体种类在多智能体网络中的重要性：
Figure BDA0002612502920000081
其中，Ii表示智能主体种类i在多智能体网络中的重要性，q表示根据网络结构所得的参数，权衡类内类外的权值，Rout表示智能主体种类i与多智能体网络中所有其他智能主体种类的交互(即类内的所有智能主体与类外的所有智能主体交互之和)，Rin表示智能主体种类i内部的智能主体的交互，Ti表示智能主体种类i的类内和类间的交互之和，即Ti＝Rin+Rout。
S3根据得到的不同智能主体种类重要性计算各个智能主体在多智能网络中的量化值。
某一智能主体的活动水平可以通过考虑同一类别的智能主体之间的交互作用和不同类别的智能主体之间的交互作用来量化。其中，既可以根据目标智能主体与其他类别智能主体之间的交互次数，也可以根据目标智能主体与同一类别智能主体之间的交互次数来量化活动水平。因此，根据下式(6)计算各个智能主体在多智能网络中的量化值：
Figure BDA0002612502920000082
其中，SIPij表示i类智能主体中智能主体j在多智能网络中的量化值,i表示智能主体的种类，j表示在i类主体当中的智能主体j，TSj表示智能主体j在多智能体网络中与所有其他智能主体的交互，Ri′j表示主体j与除i类外的所有其他智能主体种类的交互，i′表示除i类外的所有其他智能主体种类，Rij表示智能主体j与其所属智能主体种类i中所有其他智能主体的交互，K为多智能主体网络中智能主体种类的个数。
S4根据信息熵模型将各智能主体的量化值累加得到多智能体网络的智能水平的量化值。
根据下式(7)的信息熵模型将各智能主体的量化值累加：
Figure BDA0002612502920000091
其中，i＝1，2......K，表示多智能体网络中的K个类别的智能主体，每一类别中智能主体个数为Mi，SIPij表示类别i中智能主体j在多智能网络中的量化值，SIPnetwork表示多智能体网络的量化值。
优选地，交互的表示形式为度或者聚集系数。
图3为本实施例的两种结构不同的区块链网络，本算例通过采用本实施例的多智能体网络的智能水平量化方法来比较这两种不同结构的区块链网络的智能水平。
如图3所示(a)结构的区块链网络中，M1到M6是指开采矿石的六名矿工，属于一个类别记为minners，A和B是交易双方属于一个类别记为AB。有一个矿工是有记账权的，这需要与其他矿工竞争获得此权利来记录交易，另外五个矿工确认A和B之间的交易历史。由于在区块链网络当中，各个智能主体的分工已经很明确，因此，不需要再使用聚类方法对智能主体进行分类。
如图3所示(a)结构的区块链网络中，指定一个矿工记账，并且各个矿工之间没有联系。q表示是与网络结构有关的值,在图3(a)中类内的度个数为1(A与B之间)，类间的度个数为12，度数总共是13，所以超参数q为1/13，则得到：
Figure BDA0002612502920000092
计算各个智能主体与其他智能主体的交互值得到：
Figure BDA0002612502920000093
Figure BDA0002612502920000094
SIPM1＝SIPM2＝SIPM3＝SIPM4＝SIPM5＝SIPM6
通过信息熵模型将各智能主体的交互值累加可得：
SIPnetwork_a＝-(2*SIPA*ln(SIPA))+6*SIPM1*ln(SIPM1))＝0.95
图3所示(b)结构的区块链网络中，M2是拥有记账权的矿工，并且其与其他的5个矿工之间存在联系，超参数q为1/3，这种情况下计算得：
Figure BDA0002612502920000101
Figure BDA0002612502920000102
计算各个智能主体与其他智能主体的交互得到：
Figure BDA0002612502920000103
Figure BDA0002612502920000104
SIPM1＝SIPM3＝SIPM4＝SIPM5＝SIPM6
Figure BDA0002612502920000105
通过信息熵模型将各智能主体的交互值累加可得：
SIPnetwork_b＝-(2*SIPA*ln(SIPA))+5*SIPM1*ln(SIPM1)+SIPM2*ln(SIPM2))＝2.43
通过上述结果可以看出，图3中(b)结构网络相比(a)结构网络增加了拥有记账权的矿工与其余5个矿工的联系得到的SIPnetwork_b＞SIPnetwork_a，M2与其余5个矿工之间的联系的增加，意味着M2在网络中的交互更多，使得整个网络的交互更紧密，完成任务的效率高，且智能水平也更高。
综上所述，本申请的量化方法可以对多智能网络的智能水平进行很好地量化，对多智能体网络的发展具有一定的指导意义。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种多智能体网络的智能水平量化方法，其特征在于，包括：
根据多智能体网络中各智能主体的功能对各智能主体进行分类；
计算划分后的不同智能主体种类在多智能体网络中的重要性；
根据得到的不同智能主体种类重要性计算各个智能主体在多智能网络中的量化值；
根据信息熵模型将各智能主体的量化值累加得到多智能体网络的智能水平的量化值。
2.根据权利要求1所述的多智能体网络的智能水平量化方法，其特征在于，所述的根据多智能体网络中各智能主体的功能对各智能主体进行分类，包括：基于改进差分进化的k均值聚类算法对多智能体网络的智能主体进行聚类，得到多智能体网络中不同智能主体种类。
3.根据权利要求2所述的多智能体网络的智能水平量化方法，其特征在于，所述的基于改进差分进化的k均值聚类算法对多智能体网络的智能主体进行聚类，得到多智能体网络中不同智能主体种类，包括：
首先需要对从多智能体网络中的智能主体中随机选择的聚类中心进行编码，构建初始种群，然后进行差分进化算法的变异、交叉、选择获得最佳个体，最后，对最佳个体解码，获得最佳初始聚类中心并进行聚类，得到多智能体网络中不同智能主体种类划分。
4.根据权利要求1所述的多智能体网络的智能水平量化方法，其特征在于，所述的计算划分后的不同智能主体种类在多智能体网络中的重要性，包括根据下式(1)计算各个智能主体种类在多智能体网络中的重要性：
Figure FDA0002612502910000011
其中，Ii表示智能主体种类i在多智能体网络中的重要性，q表示根据网络结构所得的参数，权衡类内类外的权值，Rout表示智能主体种类i与多智能体网络中所有其他智能主体种类的交互，Rin表示智能主体种类i内部的智能主体的交互，Ti表示智能主体种类i的类内和类间的交互之和，即Ti＝Rin+Rout。
5.根据权利要求3所述的多智能体网络的智能水平量化方法，其特征在于，所述的根据得到的不同智能主体种类重要性计算各个智能主体在多智能网络中的量化值，包括：根据下式(2)计算各个智能主体在多智能网络中的量化值：
Figure FDA0002612502910000021
其中，SIPij表示i类智能主体中智能主体j在多智能网络中的量化值，i表示智能主体的种类，j表示在i类主体当中的智能主体j，TSj表示智能主体j在多智能体网络中与所有其他智能主体的交互，Ri′j表示主体j与除i类外的所有其他智能主体种类的交互，i′表示除i类外的所有其他智能主体种类，Rij表示智能主体j与其所属智能主体种类i中所有其他智能主体的交互，K为多智能主体网络中智能主体种类的个数。
6.根据权利要求1所述的多智能体网络的智能水平量化方法，其特征在于，所述的根据信息熵模型将各智能主体的量化值累加得到多智能体网络的智能水平的量化值，包括：根据下式(3)的信息熵模型将各智能主体的量化值累加：
Figure FDA0002612502910000022
其中，i＝1，2......K，表示多智能体网络中的K个类别的智能主体，每一类别中智能主体个数为Mi，SIPij表示类别i中智能主体j的量化值，SIPnetwork表示多智能体网络的量化值。
7.根据权利要求1-6任一权项所述的多智能体网络的智能水平量化方法，其特征在于，所述交互的表示形式为度或者聚集系数。
CN202010758904.6A 2020-07-31 2020-07-31 一种多智能体网络的智能水平量化方法 Pending CN112101406A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010758904.6A CN112101406A (zh) 2020-07-31 2020-07-31 一种多智能体网络的智能水平量化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010758904.6A CN112101406A (zh) 2020-07-31 2020-07-31 一种多智能体网络的智能水平量化方法

Publications (1)

Publication Number Publication Date
CN112101406A true CN112101406A (zh) 2020-12-18

Family

ID=73750575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010758904.6A Pending CN112101406A (zh) 2020-07-31 2020-07-31 一种多智能体网络的智能水平量化方法

Country Status (1)

Country Link
CN (1) CN112101406A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113281993A (zh) * 2021-05-11 2021-08-20 北京理工大学 一种贪心k-均值自组织神经网络多机器人路径规划方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170249387A1 (en) * 2007-07-26 2017-08-31 Hamid Hatami-Hanza Methods and systems for investigation of compositions of ontological subjects and intelligent systems therefrom
CN110222163A (zh) * 2019-06-10 2019-09-10 福州大学 一种融合cnn与双向lstm的智能问答方法及系统
CN110708279A (zh) * 2019-08-19 2020-01-17 中国电子科技网络信息安全有限公司 一种基于群体智能的漏洞挖掘模型构建方法
CN110826725A (zh) * 2019-11-07 2020-02-21 深圳大学 基于认知的智能体强化学习方法、装置、系统、计算机设备及存储介质
CN111311409A (zh) * 2020-02-13 2020-06-19 腾讯云计算（北京）有限责任公司 目标对象确定方法、装置、电子设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170249387A1 (en) * 2007-07-26 2017-08-31 Hamid Hatami-Hanza Methods and systems for investigation of compositions of ontological subjects and intelligent systems therefrom
CN110222163A (zh) * 2019-06-10 2019-09-10 福州大学 一种融合cnn与双向lstm的智能问答方法及系统
CN110708279A (zh) * 2019-08-19 2020-01-17 中国电子科技网络信息安全有限公司 一种基于群体智能的漏洞挖掘模型构建方法
CN110826725A (zh) * 2019-11-07 2020-02-21 深圳大学 基于认知的智能体强化学习方法、装置、系统、计算机设备及存储介质
CN111311409A (zh) * 2020-02-13 2020-06-19 腾讯云计算（北京）有限责任公司 目标对象确定方法、装置、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113281993A (zh) * 2021-05-11 2021-08-20 北京理工大学 一种贪心k-均值自组织神经网络多机器人路径规划方法
CN113281993B (zh) * 2021-05-11 2022-05-27 北京理工大学 一种贪心k-均值自组织神经网络多机器人路径规划方法

Similar Documents

Publication Publication Date Title
CN113191484B (zh) 基于深度强化学习的联邦学习客户端智能选取方法及系统
Zhang et al. Cooperative coevolutionary bare-bones particle swarm optimization with function independent decomposition for large-scale supply chain network design with uncertainties
EP1506495A1 (en) Gene expression programming algorithm
CN112215604B (zh) 交易双方关系信息识别方法及装置
CN110120888B (zh) 一种云众包平台海量服务资源组合优化方法与系统
Li et al. A bilevel learning model and algorithm for self-organizing feed-forward neural networks for pattern classification
Tirumala Evolving deep neural networks using coevolutionary algorithms with multi-population strategy
CN116340726A (zh) 一种能源经济大数据清洗方法、系统、设备及存储介质
CN112101406A (zh) 一种多智能体网络的智能水平量化方法
Yang et al. Evolutionary neural architecture search for transformer in knowledge tracing
Han et al. An efficient genetic algorithm for optimization problems with time-consuming fitness evaluation
Yang Combination forecast of economic chaos based on improved genetic algorithm
Zhu et al. An Efficient Hybrid Feature Selection Method Using the Artificial Immune Algorithm for High‐Dimensional Data
Asiri et al. Short-term load forecasting in smart grids using hybrid deep learning
Alba et al. Comparative analysis of modern optimization tools for the p-median problem
Dou et al. System portfolio selection for large-scale complex systems construction
CN115905293A (zh) 作业执行引擎的切换方法及装置
Su et al. A novel strategy for minimum attribute reduction based on rough set theory and fish swarm algorithm
Kim et al. Identifying the impact of decision variables for nonlinear classification tasks
CN114493172A (zh) 一种应急产能调配预案推演方法及系统
CN113947503A (zh) 基于区块链和新能源消纳调度的电能生产单位推荐方法
CN114118543A (zh) 基于联合学习的烟气含氧量负荷预测方法及装置
CN112070200A (zh) 一种谐波群优化方法及其应用
Alfred Short-term time series modelling forecasting using genetic algorithm
Shan et al. Software enterprise risk detection model based on BP neural network

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