CN112306684A - 一种面向深水空间数据集成基于lqafcn的任务控制方法 - Google Patents

一种面向深水空间数据集成基于lqafcn的任务控制方法 Download PDF

Info

Publication number
CN112306684A
CN112306684A CN202011185860.9A CN202011185860A CN112306684A CN 112306684 A CN112306684 A CN 112306684A CN 202011185860 A CN202011185860 A CN 202011185860A CN 112306684 A CN112306684 A CN 112306684A
Authority
CN
China
Prior art keywords
agent
task
negotiation
task control
data
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
Application number
CN202011185860.9A
Other languages
English (en)
Other versions
CN112306684B (zh
Inventor
张哲�
董天奇
刘利钊
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.)
Tianjin Bluefin Ocean Engineering Co ltd
Original Assignee
Tianjin Bluefin Ocean Engineering Co ltd
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 Tianjin Bluefin Ocean Engineering Co ltd filed Critical Tianjin Bluefin Ocean Engineering Co ltd
Priority to CN202011185860.9A priority Critical patent/CN112306684B/zh
Publication of CN112306684A publication Critical patent/CN112306684A/zh
Application granted granted Critical
Publication of CN112306684B publication Critical patent/CN112306684B/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]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0611—Request for offers or quotes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种面向深水空间数据集成的任务控制方法，包括以下步骤：S1、对深水空间数据集成任务中所涉及的相关问题进行建模；S2、根据当前各数据节点存储情况进行相应的任务分解，形成多个可由单一数据节点独立执行的原子任务集合；S3、引入LQAFCN协商模型，设计了一种基于LQAFCN的Mulit‑Agent任务控制机制。本发明所述的一种面向深水空间数据集成基于LQAFCN的任务控制方法引入LQAFCN协商模型，将面向分布式深水异构空间数据集成的多Agent任务控制机制看成协商问题，简化了任务控制的过程，增加了各数据节点之间的交互性，也在一定程度上加快了任务控制进度；同时，加入区域管理、时间粒度及空间尺度等因素，提高了深水空间数据集成的任务控制效率。

Description

一种面向深水空间数据集成基于LQAFCN的任务控制方法
技术领域
本发明属于分布式深水空间数据集成领域，尤其是涉及一种面向深水空间数据集成基于LQAFCN的任务控制方法。
背景技术
随着“数字深水”战略的提出，对各类深水数据的集成，尤其是深水空间数据的集成需求越来越大。其中，对于深水空间数据集成任务的合理控制是实现深水空间数据资源有效利用的关键技术，而多Agent技术凭借其智能性、分布性、动态性等特点，在深水空间数据集成任务控制过程中脱颖而出。
在“数字深水”中，深水空间数据的特殊性给集成任务控制带来一些挑战，如：深水空间数据来源多样且类型各异，其中包括海底地形、深水水文气象等多种具有空间属性的深水信息，由于其采集手段、存储管理方式的不同，造成了同类深水空间数据比例尺、数据精度以及存储结构等差异，使其具有多源异构性，因此给集成过程中数据资源的选择带来困难；由于深水具有较强的时空变化特性，例如同一经纬度上的表层水温数据，分别采用逐时测量和定时测量的就存在一定的差异。同时，由于深水数据较陆地数据变化较快，因此深水空间数据的现势性便成为集成任务控制过程中的一个重要因素；深水空间数据具有分布式区域管理性特征，即不同区域的深水数据是被分布式地存储在该海区管辖内的相关部门，例如东海区域的海流图、海浪图等预报深水信息存储在国家深水局东海预报中心。
发明内容
有鉴于此，本发明旨在提出一种面向深水空间数据集成基于LQAFCN的任务控制方法，针对上述“数字深水”中深水空间数据集成任务控制的特殊性，以LQAFCN协商模型为基础，将区域管理、时间粒度及空间尺度等因素加入其中，设计一种面向深水空间数据集成基于LQAFCN的任务控制方法，以提高深水空间数据集成的任务控制效率。
为达到上述目的，本发明的技术方案是这样实现的：
一种面向深水空间数据集成基于LQAFCN的任务控制方法，包括以下步骤：
S1、对深水空间数据集成任务中所涉及的相关问题进行建模；
S2、根据当前各数据节点存储情况进行相应的任务分解，形成多个可由单一数据节点独立执行的原子任务集合；
S3、引入LQAFCN协商模型，设计了一种基于LQAFCN的Mulit-Agent任务控制机制。
进一步的，对步骤S1中对深水空间数据集成任务中所涉及的相关问题进行建模，包括：
将一个深水空间数据集成中的任务控制问题表示为四个元组：
<T,C，N，B>
T：表示深水空间数据集成任务分解后所形成的待控制原子任务集合，每个子任务可抽象为一个三元组：
<D_TYPE,D_SCOPE,D_REQ>
其中，D_TYPE集成要求数据类型；
D_SCOPE表示数据的经纬度范围需求；
D_REQ表示集成任务中对于数据比例尺、时间等关键指标的要求；
C：表示根据深水空间数据的分布式区域管理特征所划分的区域联盟集合，各个区域联盟可抽象为一个五元组：
<C_TASK，C_BUSSINESS,C_ABILITY,MEMBER,LEADER>
其中，C_TASK表示该联盟体所接受的任务集合；C_BUSSINESS表示联盟体能够完成的业务范围，业务范围包括数据类型和空间区域；MEMBER为该联盟体中的所有成员Agent的集合；LEADER表示该联盟体中盟主Agent，即成员Agent的中属性ROLE为manager的节点Agent；
N：表示各数据节点中管理具有深水空间数据集成能力的计算Agent以及深水数据资源的数据管理Agent的集合，代表数据节点进行任务控制处理，各数据管理Agent可抽象为一个五元组：
<TASK,ABILITY,C_ID,ROLE,E>
其中，TASK表示该数据管理Agent所管理的计算Agent需完成的任务集合，根据实际处理需求每个子任务有相应的优先级；
ABILITY表示其所属数据节点的任务执行能力，即根据各计算Agent目前的工作状态、安全性、通信等因素完成相应任务的能力自信度；
C_ID表示该数据管理Agent的数据节点所在联盟；
ROLE表示该数据管理Agent在联盟中所担任的角色，“manager”表示盟主和“member”表示成员；E表示其负责的数据节点所存数据的资源信息列表，主要记录数据的类型、范围以及时空等信息。
B表示黑板体，即为体系框架中的元数据目录，用于公告各联盟体的业务范围C_BUSSINESS，即各联盟体所管理的深水空间数据的类型及空间区域。
进一步的，步骤S2中根据当前各数据节点存储情况进行相应的任务分解，形成多个可由单一数据节点独立执行的原子任务集合，需形成多个可由单一数据节点独立执行的原子任务集合，其特征在于适应深水空间数据类型多样且为分布式存储的特性，包括：一个深水空间数据集成任务ZT可从两个层次进行分解：要素划分层和区域划分层；
要素划分层是根据国家标准对ZT进行深水要素分解；
区域化分层是对已经分解的深水要素任务再进行空间区域分解，形成待控制的区域任务集T，并分发布到相应的区域联盟中。
进一步的，步骤S3中引入LQAFCN协商模型，设计了一种基于LQAFCN的Mulit-Agent任务控制机制，将深水空间数据集成中的任务控制看成是出价-还价/招标-投标的协商过程，以增加各数据节点间的交互性，包括：
定义招标为：任务发起端的任务控制Agent负责对各集成任务进行初步的区域分解和发布；
各数据节点作为潜在任务执行者对任务进行相应的投标，由各区域联盟的盟主LEADER负责自身区域联盟中的任务控制，将任务划分给有能力的一个或多个数据处理Agent，并在出现冲突或者无法独立完成任务时与其他区域联盟协商解决；
有能力的数据处理Agent，即为潜在任务执行Agent，也可称任务投标Agent，与任务控制Agent直接进行协商，最后由任务控制Agent评估决定最终的任务执行Agent；
任务招标：利用深水空间数据具有分布式区域管理特点，对任务的招标采用空间区域划分策略，具体过程为：
任务发布者对ZT进行要素与区域分解形成待控制区域任务；任务发布者根据B上发布的C_BUSSINESS信息，与t∈T进行要素和空间信息的匹配；根据匹配信息，将同一区域联盟的任务t∈T打包，形成C_TASK，并发送给相应的区域联盟；各区域联盟根据C_TASK制定相应的招标书，内容包括深水空间数据类型、空间范围以及要求节点Agent提供的空间尺度、数据采集时间、时间粒度等关键指标信息，并将其发送给各成员，即数据节点中的数据管理Agent，完成任务的招标过程；
将任务控制中的问题建模为分布式模糊约束网络N(U，X，C)，任务控制Agent和任务投标Agent具有不同的模糊约束网络，其中：
U：表示模糊约束网络N的论域
X：表示非重复对象元组
C：表示模糊约束集合
将任务控制Agent和任务投标Agent之间的协商过程概括为根据协商议题交换报价和还价，直到任务控制Agent和任务投标Agent之间达成协议，或者直到无法产生进一步的报价或还价；
LQAFCN模型是一种有效的Agent协商模型，用于表述上述协商过程，其主要包括协商协议和协商过程两部分内容：
协商过程包括：Agent协商过程主要包括以下步骤：让步值计算，可行解生成，要价生成以及协商终止；
首先，任务控制Agent或任务投标Agent通过评估对手agent的响应状态，自身的内部状态，以及所处的环境状态，决定下一轮协商中是否进行让步，以及让步的程度，然后，基于让步值，生成一组可行的解决方案，并选取一个最优解决方案，也即满意度最高的解决方案来生成要价/还价发送给对手agent。当此要价/还价不能被对手agent所接受时，agent基于协商策略进行还价，并考虑具有相同满意度水平的解决方案，或者提供满意度较低的解决方案，将其发送给对手，在满足终止条件(协商达成一致或失败)之前，不断循环上述协商过程；
1)让步值计算
对于Agent而言，对手的响应状态，自身的内部状态，和所处的环境状态分别代表了对手的意愿，自身的期望，以及所受的环境约束，因此，agent可以通过评估对手的响应状态，自身的内部状态以及所处的环境状态来决定在接下来的协商中是否进行让步，以及让步的程度；
任务控制Agent和任务投标Agent在协商过程中的让步值计算相似，以任务投标Agent为例，其在协商过程中的让步值计算过程如下：
对手的响应状态O，是之前要价A和最新还价B之间的差异程度，定义如下：
σ＝1-(G(A0，B0)-G(A，B))/G(A0，B0)
其中，A0和B0表示初始要价和还价，G(A，B)是指在协商目标Xi∈X上要价A和还价B之间的距离度量，计算公式如下：
Figure BDA0002751376750000061
Ai和Bi表示A，B在协商目标Xi∈X上的可能性分布，n表示是n个协商目标，
自身的内部状态I包括与最新要价A相关的满意度水平ρ和一组备选解决方案的紧密度δ，其中：
ρ＝ΨPA(S*)
δ＝1-(ρ-ε)
上式中，S*表示agent的期望解决方案，Ψ(S*)表示对解决方案S*的满意度，ε则表示整体满意度阈值。Ψ(S*)计算公式如下所示：
Figure BDA0002751376750000062
其中，Z(S*)是协商对象Xi的解S*的隶属度；
在任务控制的协商过程中，agent所受的环境约束E主要是时间，通过函数来表示时间与让步值计算之间的关系：
Figure BDA0002751376750000063
Figure BDA0002751376750000064
上述公式中，tnow表示当前协商时间,tmax表示协商终止时间。
Figure BDA0002751376750000065
表示协商目标Xi的在tmax时刻的取值，
Figure BDA0002751376750000066
表示不考虑时间影响时协商目标Xi在时间tnow的还价，
Figure BDA0002751376750000071
表示考虑时间影响时协商目标Xi在时间tnow的还价。α(t)表示时间和让步计算之间的关系，q，α为常数，且α＞1，-1≤q≤1；
根据上述公式计算得到的对手响应状态O，自身的内部状态I和所处的环境状态E，进行让步值的计算；
让步值Δε是从模糊让步集V和水平分割τ变换而来：
Δε＝Fdf(Vτ)
其中，Fdf表示去模糊方法，τ是让步意愿的水平切割，计算公式如下：
Figure BDA0002751376750000072
μρ(ρ),μδ(δ),μσ(σ)和μα(t)(α(t))分别表示依据满意度、紧密度、差异度、和时间约束的让步期望，
Figure BDA0002751376750000073
表示协商过程中与让步相关的权重；
要价和还价的生成：给定任务控制Agent内部状态，任务投标Agent响应状态，任务控制Agent的环境状态，以及任务控制Agent在上一轮协商中的行为状态ε，那么任务控制Agent新的行为状态ε*为：
ε*＝ε-Δε
2)可行解生成
给定模糊约束网络N的意图Π和agent的最新行为状态ε*，生成的可行解P定义如下：
P＝Γ(Π，ε*)＝{S|(S∈Π)Λ(Ψ(S*)＞ε*)}
其中，Ψ(S*)表示agent的目标集在N中的满意度。在给定要价B和可行解集P的前提下，期望解S*的选择遵循以下条件：
S*＝argmax(H(S，B))
H(S，B)是一个效用函数，用于评估可行解S∈P相对于还价B的适当性，定义如下：
Figure BDA0002751376750000074
上式中，W1是agent在议题I上的偏好函数，W2是计算解S和还价B之间距离的相似度函数，ω1与ω2分别表示与偏好和相似度相关的权重，而ω1与ω2值的选取与agent所采用的协商策略有关；
双赢策略：ω1≤1.0，ω2≤1.0，ω1＝ω2
协作策略：ω1≤1.0，ω2≤1.0，ω1＜ω2
竞争策略：ω1≥1.0，ω2≥1.0，ω1＞ω2
采用双赢策略进行协商意味着agent在考虑自身利益的同时，也会考虑对手agent的利益，使用协作策略表示在协商过程中agent会更多地考虑对手agent的利益，而使用竞争策略进行协商则表明agent在协商是更注重自身利益的获得；
3)要价生成
给定可行解集P和期望解集S*，关于议题I∈X的一组要价
Figure BDA0002751376750000081
的生成定义如下：
A*＝∧(P，S*)
上式中，议题Ii∈X的要价与集合A*中元素
Figure BDA0002751376750000082
相对应，
Figure BDA00027513767500000811
是值S*在空间X边际可能性分布；
根据一组议题I上的还价B＝{B1，B2，...，BN}，对手agent的首选解集
Figure BDA0002751376750000083
定义如下：
Figure BDA0002751376750000084
其中
Figure BDA0002751376750000085
表示Bi在空间X上的圆柱形延展，每个元素
Figure BDA0002751376750000086
表示对手首选的解决方案，每个元素在
Figure BDA0002751376750000087
中隶属度表示解决方案被对手接受的程度；
4)协商终止
任务控制Agent和任务投标Agent之间会不断地要价和还价的交换，直到达成一致，或者没有新的要价/还价生成。给定可行解集P和还价B，协商会以协商达成一致或者协商失败两种状态终止。其中，协商达成一致需满足条件：
Figure BDA0002751376750000088
协商失败满足条件：
Figure BDA0002751376750000089
上式中，
Figure BDA00027513767500000810
代表对手的首选解集。协商成功表明任务控制Agent和任务投标Agent之间达成一致，也意味着模糊约束满足问题得以解决，达成一致的解是从P和P^的交集中选择的。协商失败则表明任务控制Agent和任务投标Agent之间没有达成一致，其原因可能剩余解的满意度低于设定的阈值或者是协商时间已用尽；
协商协议包括：
协商协议是对Agent通信语言(ACL)的定义、表示、处理和语义解释，主要是用来处理协商过程中Agent之间的交互，它本质上是所有agent必须遵守的规则，其定义了agent之间的所有交互，也确定了agent之间消息的序列和结构。在任务控制问题中，任务控制Agent和任务投标Agent可以通过发送或接收各种类型的消息来进行协商，这些消息包括：
Ask()：agent向对手发送一份提议，其中包含每个协商项的具体值或取值范围。
Tell()：agent根据请求向对手发送带有附加模糊隶属函数的还价。
Accept()：agent接受对手的还价并终止其谈判过程。
Reject()：如果agent不能向对手提出任何建议，agent将向对手发送拒绝的消息。
Agree()：agent暂时接受对手提出的最新还价，等待对手的确认。
Abort()：任务控制Agent和任务投标Agent之间没有可行的解决方案，其中一个中止了协商。
在开始协商之前，任务控制Agent会先向任务投标Agent发送消息确认需要进行的协商项，以及协商项的取值范围，需任务投标Agent确认接受之后，才能正式开始协商。
在正式协商过程中，任务控制Agent会先向任务投标Agent发送附带由初始要价的Ask()消息。当收到来自任务控制Agent的要价时，任务投标Agent会对要价进行评估，以确定是否满足自身约束条件。如果不满足约束条件，将根据上述公式生成还价，并将Tell()消息发送给任务控制Agent。当任务控制Agent收到任务投标Agent还价时，评估还价，检查是否满足协商项要求。如果还价不满足要求，任务控制Agent进行让步值计算并生成要价。在步骤7中重新调整对协商项的要求，然后在步骤8中由任务控制Agent向任务投标Agent发送带有新要价的Ask()消息，随后，将按照步骤2～9迭代地进行要价和还价的交换，重复上述协商过程。当agent在第2步或第6步中接受所有协商项的要价/还价时，T-Agree()消息将发送给对手agent。然后，在步骤11或13中，当且仅当所有接收到的消息都为T-Agree()时，agent才会发送Accept()消息，这意味着协商达成一致。否则，表示双方在某些协商项上的可行解集之间没有交集，任务控制Agent或任务投标Agent将发送Abort()消息给对手，此情况下协商失败。当然，还有一种情况也代表协商失败，那就是当前协商时间超过提前约定好的协商时间。在任务控制Agent与任务投标Agent进行协商的过程中，双方在生成要价/还价时都会判断当前协商时间是否超过规定时间，如果未超过规定的时间，继续进行协商，如果超过，则协商以失败的状态终止。
进一步的，任务投标策略为：各节点中的数据管理Agent收到任务后，利用资源匹配策略与其资源信息列表E进行深水空间数据类型及空间范围的匹配，根据具体情况确定是否与任务控制Agent进行协商，并基于LQAFCN模型进行相应的投标处理。
相对于现有技术，本发明所述的一种面向深水空间数据集成基于LQAFCN的任务控制方法具有以下优势：
本发明所述的一种面向深水空间数据集成基于LQAFCN的任务控制方法引入LQAFCN协商模型，将面向分布式深水异构空间数据集成的多Agent任务控制机制看成协商问题，简化了任务控制的过程，增加了各数据节点之间的交互性，也在一定程度上加快了任务控制进度；同时，加入区域管理、时间粒度及空间尺度等因素，提高了深水空间数据集成的任务控制效率。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的流程图示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示，一种面向深水空间数据集成基于LQAFCN的任务控制方法，包括以下步骤：
S1、对深水空间数据集成任务中所涉及的相关问题进行建模；
S2、根据当前各数据节点存储情况进行相应的任务分解，形成多个可由单一数据节点独立执行的原子任务集合；
S3、引入LQAFCN协商模型，设计了一种基于LQAFCN的Mulit-Agent任务控制机制。
对步骤S1中对深水空间数据集成任务中所涉及的相关问题进行建模，包括：
将一个深水空间数据集成中的任务控制问题表示为四个元组：
<T,C，N，B>
T：表示深水空间数据集成任务分解后所形成的待控制原子任务集合，每个子任务可抽象为一个三元组：
<D_TYPE,D_SCOPE,D_REQ>
其中，D_TYPE集成要求数据类型；
D_SCOPE表示数据的经纬度范围需求；
D_REQ表示集成任务中对于数据比例尺、时间等关键指标的要求；
C：表示根据深水空间数据的分布式区域管理特征所划分的区域联盟集合，各个区域联盟可抽象为一个五元组：
<C_TASK，C_BUSSINESS,C_ABILITY,MEMBER,LEADER>
其中，C_TASK表示该联盟体所接受的任务集合；C_BUSSINESS表示联盟体能够完成的业务范围，业务范围包括数据类型和空间区域；MEMBER为该联盟体中的所有成员Agent的集合；LEADER表示该联盟体中盟主Agent，即成员Agent的中属性ROLE为manager的节点Agent；
N：表示各数据节点中管理具有深水空间数据集成能力的计算Agent以及深水数据资源的数据管理Agent的集合，代表数据节点进行任务控制处理，各数据管理Agent可抽象为一个五元组：
<TASK,ABILITY,C_ID,ROLE,E>
其中，TASK表示该数据管理Agent所管理的计算Agent需完成的任务集合，根据实际处理需求每个子任务有相应的优先级；
ABILITY表示其所属数据节点的任务执行能力，即根据各计算Agent目前的工作状态、安全性、通信等因素完成相应任务的能力自信度；
C_ID表示该数据管理Agent的数据节点所在联盟；
ROLE表示该数据管理Agent在联盟中所担任的角色，“manager”表示盟主和“member”表示成员；E表示其负责的数据节点所存数据的资源信息列表，主要记录数据的类型、范围以及时空等信息；
B表示黑板体，即为体系框架中的元数据目录，用于公告各联盟体的业务范围C_BUSSINESS，即各联盟体所管理的深水空间数据的类型及空间区域。
步骤S2中根据当前各数据节点存储情况进行相应的任务分解，形成多个可由单一数据节点独立执行的原子任务集合，需形成多个可由单一数据节点独立执行的原子任务集合，其特征在于适应深水空间数据类型多样且为分布式存储的特性，包括：一个深水空间数据集成任务ZT可从两个层次进行分解：要素划分层和区域划分层；
要素划分层是根据国家标准对ZT进行深水要素分解；
区域化分层是对已经分解的深水要素任务再进行空间区域分解，形成待控制的区域任务集T，并分发布到相应的区域联盟中。
步骤S3中引入LQAFCN协商模型，设计了一种基于LQAFCN的Mulit-Agent任务控制机制，将深水空间数据集成中的任务控制看成是出价-还价/招标-投标的协商过程，以增加各数据节点间的交互性，包括：
定义招标为：任务发起端的任务控制Agent负责对各集成任务进行初步的区域分解和发布；
各数据节点作为潜在任务执行者对任务进行相应的投标，由各区域联盟的盟主LEADER负责自身区域联盟中的任务控制，将任务划分给有能力的一个或多个数据处理Agent，并在出现冲突或者无法独立完成任务时与其他区域联盟协商解决；
有能力的数据处理Agent，即为潜在任务执行Agent，也可称任务投标Agent，与任务控制Agent直接进行协商，最后由任务控制Agent评估决定最终的任务执行Agent；
任务招标：利用深水空间数据具有分布式区域管理特点，对任务的招标采用空间区域划分策略，具体过程为：
任务发布者对ZT进行要素与区域分解形成待控制区域任务；任务发布者根据B上发布的C_BUSSINESS信息，与t∈T进行要素和空间信息的匹配；根据匹配信息，将同一区域联盟的任务t∈T打包，形成C_TASK，并发送给相应的区域联盟；各区域联盟根据C_TASK制定相应的招标书，内容包括深水空间数据类型、空间范围以及要求节点Agent提供的空间尺度、数据采集时间、时间粒度等关键指标信息，并将其发送给各成员，即数据节点中的数据管理Agent，完成任务的招标过程；
将任务控制中的问题建模为分布式模糊约束网络N(U，X，C)，任务控制Agent和任务投标Agent具有不同的模糊约束网络，其中：
U：表示模糊约束网络N的论域
X：表示非重复对象元组
C：表示模糊约束集合
将任务控制Agent和任务投标Agent之间的协商过程概括为根据协商议题交换报价和还价，直到任务控制Agent和任务投标Agent之间达成协议，或者直到无法产生进一步的报价或还价；
LQAFCN模型是一种有效的Agent协商模型，用于表述上述协商过程，其主要包括协商协议和协商过程两部分内容：
协商过程包括：Agent协商过程主要包括以下步骤：让步值计算，可行解生成，要价生成以及协商终止；
首先，任务控制Agent或任务投标Agent通过评估对手agent的响应状态，自身的内部状态，以及所处的环境状态，决定下一轮协商中是否进行让步，以及让步的程度，然后，基于让步值，生成一组可行的解决方案，并选取一个最优解决方案，也即满意度最高的解决方案来生成要价/还价发送给对手agent；当此要价/还价不能被对手agent所接受时，agent基于协商策略进行还价，并考虑具有相同满意度水平的解决方案，或者提供满意度较低的解决方案，将其发送给对手，在满足终止条件(协商达成一致或失败)之前，不断循环上述协商过程；
1)让步值计算
对于Agent而言，对手的响应状态，自身的内部状态，和所处的环境状态分别代表了对手的意愿，自身的期望，以及所受的环境约束，因此，agent可以通过评估对手的响应状态，自身的内部状态以及所处的环境状态来决定在接下来的协商中是否进行让步，以及让步的程度；
任务控制Agent和任务投标Agent在协商过程中的让步值计算相似，以任务投标Agent为例，其在协商过程中的让步值计算过程如下：
对手的响应状态O，是之前要价A和最新还价B之间的差异程度，定义如下：
σ＝1-(G(A0，B0)-G(A，B))/G(A0，B0)
其中，A0和B0表示初始要价和还价，G(A，B)是指在协商目标Xi∈X上要价A和还价B之间的距离度量，计算公式如下：
Figure BDA0002751376750000151
Ai和Bi表示A，B在协商目标Xi∈X上的可能性分布，n表示是n个协商目标，自身的内部状态I包括与最新要价A相关的满意度水平ρ和一组备选解决方案的紧密度δ，其中：
ρ＝ΨPA(S*)
δ＝1-(ρ-ε)
上式中，S*表示agent的期望解决方案，Ψ(S*)表示对解决方案S*的满意度，ε则表示整体满意度阈值，Ψ(S*)计算公式如下所示：
Figure BDA0002751376750000161
其中，Z(S*)是协商对象Xi的解S*的隶属度；
在任务控制的协商过程中，agent所受的环境约束E主要是时间，通过函数来表示时间与让步值计算之间的关系：
Figure BDA0002751376750000162
Figure BDA0002751376750000163
上述公式中，tnow表示当前协商时间,tmax表示协商终止时间，
Figure BDA0002751376750000164
表示协商目标Xi的在tmax时刻的取值，
Figure BDA0002751376750000165
表示不考虑时间影响时协商目标Xi在时间tnow的还价，
Figure BDA0002751376750000166
表示考虑时间影响时协商目标Xi在时间tnow的还价，α(t)表示时间和让步计算之间的关系，q，α为常数，且α＞1，-1≤q≤1；
根据上述公式计算得到的对手响应状态0，自身的内部状态I和所处的环境状态E，进行让步值的计算；
让步值Δε是从模糊让步集V和水平分割τ变换而来：
Δε＝Fdf(Vτ)
其中，Fdf表示去模糊方法，τ是让步意愿的水平切割，计算公式如下：
Figure BDA0002751376750000167
μρ(ρ),μδ(δ),μσ(σ)和μα(t)(α(t))分别表示依据满意度、紧密度、差异度、和时间约束的让步期望，
Figure BDA0002751376750000171
表示协商过程中与让步相关的权重；
要价和还价的生成：给定任务控制Agent内部状态，任务投标Agent响应状态，任务控制Agent的环境状态，以及任务控制Agent在上一轮协商中的行为状态ε，那么任务控制Agent新的行为状态ε*为：
ε*＝ε-Δε
2)可行解生成
给定模糊约束网络N的意图Π和agent的最新行为状态ε*，生成的可行解P定义如下：
P＝Γ(Π，ε*)＝{S|(S∈Π)Λ(Ψ(S*)＞ε*)}
其中，Ψ(S*)表示agent的目标集在N中的满意度，在给定要价B和可行解集P的前提下，期望解S*的选择遵循以下条件：
S*＝argmax(H(S，B))
H(S，B)是一个效用函数，用于评估可行解S∈P相对于还价B的适当性，定义如下：
Figure BDA0002751376750000172
上式中，W1是agent在议题I上的偏好函数，W2是计算解S和还价B之间距离的相似度函数，ω1与ω2分别表示与偏好和相似度相关的权重，而ω1与ω2值的选取与agent所采用的协商策略有关；
双赢策略：ω1≤1.0，ω2≤1.0，ω1＝ω2
协作策略：ω1≤1.0，ω2≤1.0，ω1＜ω2
竞争策略：ω1≥1.0，ω2≥1.0，ω1＞ω2
采用双赢策略进行协商意味着agent在考虑自身利益的同时，也会考虑对手agent的利益，使用协作策略表示在协商过程中agent会更多地考虑对手agent的利益，而使用竞争策略进行协商则表明agent在协商是更注重自身利益的获得；
3)要价生成
给定可行解集P和期望解集S*，关于议题I∈X的一组要价
Figure BDA0002751376750000173
的生成定义如下：
A*＝∧(P，S*)
上式中，议题Ii∈X的要价与集合A*中元素
Figure BDA0002751376750000181
相对应，
Figure BDA0002751376750000182
是值S*在空间X边际可能性分布；
根据一组议题I上的还价B＝{B1，B2，...，BN}，对手agent的首选解集
Figure BDA0002751376750000183
定义如下：
Figure BDA0002751376750000184
其中
Figure BDA0002751376750000185
表示Bi在空间X上的圆柱形延展，每个元素
Figure BDA0002751376750000186
表示对手首选的解决方案，每个元素在
Figure BDA0002751376750000187
中隶属度表示解决方案被对手接受的程度；
4)协商终止
任务控制Agent和任务投标Agent之间会不断地要价和还价的交换，直到达成一致，或者没有新的要价/还价生成，给定可行解集P和还价B，协商会以协商达成一致或者协商失败两种状态终止，其中，协商达成一致需满足条件：
Figure BDA0002751376750000188
协商失败满足条件：
Figure BDA0002751376750000189
上式中，
Figure BDA00027513767500001810
代表对手的首选解集，协商成功表明任务控制Agent和任务投标Agent之间达成一致，也意味着模糊约束满足问题得以解决，达成一致的解是从P和P^的交集中选择的，协商失败则表明任务控制Agent和任务投标Agent之间没有达成一致，其原因可能剩余解的满意度低于设定的阈值或者是协商时间已用尽；
协商协议包括：
协商协议是对Agent通信语言(ACL)的定义、表示、处理和语义解释，主要是用来处理协商过程中Agent之间的交互，它本质上是所有agent必须遵守的规则，其定义了agent之间的所有交互，也确定了agent之间消息的序列和结构，在任务控制问题中，任务控制Agent和任务投标Agent可以通过发送或接收各种类型的消息来进行协商，这些消息包括：
Ask()：agent向对手发送一份提议，其中包含每个协商项的具体值或取值范围；
Tell()：agent根据请求向对手发送带有附加模糊隶属函数的还价；
Accept()：agent接受对手的还价并终止其谈判过程；
Reject()：如果agent不能向对手提出任何建议，agent将向对手发送拒绝的消息；
Agree()：agent暂时接受对手提出的最新还价，等待对手的确认；
Abort()：任务控制Agent和任务投标Agent之间没有可行的解决方案，其中一个中止了协商；
在开始协商之前，任务控制Agent会先向任务投标Agent发送消息确认需要进行的协商项，以及协商项的取值范围，需任务投标Agent确认接受之后，才能正式开始协商；
在正式协商过程中，任务控制Agent会先向任务投标Agent发送附带由初始要价的Ask()消息，当收到来自任务控制Agent的要价时，任务投标Agent会对要价进行评估，以确定是否满足自身约束条件，如果不满足约束条件，将根据上述公式生成还价，并将Tell()消息发送给任务控制Agent，当任务控制Agent收到任务投标Agent还价时，评估还价，检查是否满足协商项要求，如果还价不满足要求，任务控制Agent进行让步值计算并生成要价，在协商Agent中重新调整对协商项的要求，然后在Tell通信中由任务控制Agent向任务投标Agent发送带有新要价的Ask()消息，随后，将按照步骤2～9迭代地进行要价和还价的交换，重复上述协商过程，当agent在第2步或第6步中接受所有协商项的要价/还价时，T-Agree()消息将发送给对手agent，然后，在步骤11或13中，当且仅当所有接收到的消息都为T-Agree()时，agent才会发送Accept()消息，这意味着协商达成一致，否则，表示双方在某些协商项上的可行解集之间没有交集，任务控制Agent或任务投标Agent将发送Abort()消息给对手，此情况下协商失败，还有一种情况也代表协商失败，那就是当前协商时间超过提前约定好的协商时间，在任务控制Agent与任务投标Agent进行协商的过程中，双方在生成要价/还价时都会判断当前协商时间是否超过规定时间，如果未超过规定的时间，继续进行协商，如果超过，则协商以失败的状态终止。
任务投标策略为：各节点中的数据管理Agent收到任务后，利用资源匹配策略与其资源信息列表E进行深水空间数据类型及空间范围的匹配，根据具体情况确定是否与任务控制Agent进行协商，并基于LQAFCN模型进行相应的投标处理。
传统的多Agent任务控制方法分为集中式和分布式。集中式任务控制是指整个系统中存在一个中心管理者，其掌握所有Agent信息，并代表系统的整体利益建立最优的控制方案，该控制方法执行简单并具备产生最优解的潜力，但也存在集中通信易造成阻塞、中心控制难以满足实时性需求等问题。分布式任务控制是指任务控制由多个Agent共同参与、协商和竞争，或者各Agent根据环境信息的感知，完全独立地进行任务选择或调整，该控制算法可动态调整控制方案，具有较好的可扩展性和鲁棒性，并且分散的通信方式避免了消息阻塞，但分布式环境增加了任务控制时Agent之间的协商对话次数，从而加大了通信开销。由此可以看出，分布式任务控制机制更适用于“数字深水”中的深水空间数据集成这种具有动态环境的大规模多Agent系统。
本实例提出一种面向深水空间数据集成基于LQAFCN的任务控制方法；流程图如图1所示，即先对深水空间数据集成任务中所涉及的相关问题进行建模；然后，根据当前各数据节点存储情况对其进行相应的任务分解，最终形成多个可由单一数据节点独立执行的原子任务集合；最后，引入LQAFCN协商模型(Agent-based Fuzzy Constraint-directedNegotiation)，设计一种基于LQAFCN的Mulit-Agent任务控制机制。
具体的操作包括：
1、先对深水空间数据集成任务中相关问题进行建模，将一个深水空间数据集成中的任务控制问题表示为四个元组：
<T,C，N，B>
T：表示深水空间数据集成任务分解后所形成的待控制原子任务集合，每个子任务可抽象为一个三元组
<D_TYPE,D_SCOPE,D_REQ>
其中，D_TYPE集成要求数据类型；D_SCOPE表示数据的经纬度范围需求；D_REQ表示集成任务中对于数据比例尺、时间等关键指标的要求。
C：表示根据深水空间数据的分布式区域管理特征所划分的区域联盟集合，各个区域联盟可抽象为一个五元组
<C_TASK，C_BUSSINESS,C_ABILITY,MEMBER,LEADER>
其中，C_TASK表示该联盟体所接受的任务集合；C_BUSSINESS表示联盟体能够完成的业务范围(数据类型、空间区域等)；MEMBER为该联盟体中的所有成员Agent的集合；LEADER表示该联盟体中盟主Agent，即成员Agent的中属性ROLE为manager的节点Agent。
N：表示各数据节点中管理具有深水空间数据集成能力的计算Agent以及深水数据资源的数据管理Agent的集合，代表数据节点进行任务控制处理，各数据管理Agent可抽象为一个五元组
<TASK,ABILITY,C_ID,ROLE,E>
其中，TASK表示该数据管理Agent所管理的计算Agent需完成的任务集合，根据实际处理需求每个子任务有相应的优先级；ABILITY表示其所属数据节点的任务执行能力，即根据各计算Agent目前的工作状态、安全性、通信等因素完成相应任务的能力自信度；C_ID表示该数据管理Agent的数据节点所在联盟；ROLE表示该数据管理Agent在联盟中所担任的角色，“manager”表示盟主和“member”表示成员；E表示其负责的数据节点所存数据的资源信息列表，主要记录数据的类型、范围以及时空等信息。
B表示黑板体(即体系框架中的元数据目录)，用于公告各联盟体的业务范围C_BUSSINESS，即各联盟体所管理的深水空间数据的类型及空间区域。
2、根据当前各数据节点存储情况进行任务分解，形成多个可由单一数据节点独立执行的原子任务集合，具体包括：
一个深水空间数据集成任务ZT的分解可从两个层次进行：要素划分层和区域划分层。要素划分层，是根据国家标准对ZT进行深水要素分解；区域化分层，是对已经分解的深水要素任务再进行空间区域分解，形成待控制的区域任务集T，并分发布到相应的区域联盟中。
3、实现基于LQAFCN的Mulit-Agent的任务控制机制，将深水空间数据集成中的任务控制看成是出价-还价/招标-投标的协商过程，具体包括：
任务发起端的任务控制Agent负责对各集成任务进行初步的区域分解和发布，即招标。各数据节点作为潜在任务执行者对任务进行相应的投标，由各区域联盟的盟主LEADER负责自身区域联盟中的任务控制，将任务划分给有能力的一个或多个数据处理Agent，并在出现冲突或者无法独立完成任务时与其他区域联盟协商解决。有能力的数据处理Agent(潜在任务执行Agent，也可称任务投标Agent)与任务控制Agent直接进行协商，最后由任务控制Agent评估决定最终的任务执行Agent。
任务招标：利用深水空间数据具有分布式区域管理特点，对任务的招标采用空间区域划分策略。具体过程为：
任务发布者对ZT进行要素与区域分解形成待控制区域任务；任务发布者根据B上发布的C_BUSSINESS信息，与t∈T进行要素和空间信息的匹配；根据匹配信息，将同一区域联盟的任务t∈T打包，形成C_TASK，并发送给相应的区域联盟；各区域联盟根据C_TASK制定相应的招标书，内容包括深水空间数据类型、空间范围以及要求节点Agent提供的空间尺度、数据采集时间、时间粒度等关键指标信息，并将其发送给各成员，即数据节点中的数据管理Agent，完成任务的招标过程。
任务投标策略：各节点中的数据管理Agent收到任务后，利用资源匹配策略与其资源信息列表E进行深水空间数据类型及空间范围的匹配，根据具体情况确定是否与任务控制Agent进行协商，并基于LQAFCN模型进行相应的投标处理。
本实施例采用java语言在JADE平台上进行深水空间数据集成任务控制仿真实验，与基于合同网的任务控制方法进行了比较。实验在千兆局域网中进行，仿照“数字深水”中深水空间数据的分布式区域管理特点，将不同类型的深水空间数据，分布地存储在100个节点中，并根据各节点中数据空间范围，将这些节点划分为10个空间区域，并为体现该机制对于深水空间数据的综合指标评价及选择能力，对同一类深水数据，准备了不同比例尺以及不同时间粒度的多份数据，进行20次任务控制的实验，并与传统合同网效率进行比较，其耗时要比传统合同网算法少许多，足以证明该任务控制机制的有效性。
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、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种面向深水空间数据集成基于LQAFCN的任务控制方法，其特征在于，包括以下步骤：
S1、对深水空间数据集成任务中所涉及的相关问题进行建模；
S2、根据当前各数据节点存储情况进行相应的任务分解，形成多个可由单一数据节点独立执行的原子任务集合；
S3、引入LQAFCN协商模型，设计了一种基于LQAFCN的Mulit-Agent任务控制机制。
2.根据权利要求1所述的一种面向深水空间数据集成基于LQAFCN的任务控制方法，其特征在于：对步骤S1中对深水空间数据集成任务中所涉及的相关问题进行建模，包括：
将一个深水空间数据集成中的任务控制问题表示为四个元组：
<T，C，N，B>
T：表示深水空间数据集成任务分解后所形成的待控制原子任务集合，每个子任务可抽象为一个三元组：
<D_TYPE，D_SCOPE，D_REQ>
其中，D_TYPE集成要求数据类型；
D_SCOPE表示数据的经纬度范围需求；
D_REQ表示集成任务中对于数据比例尺、时间等关键指标的要求；
C：表示根据深水空间数据的分布式区域管理特征所划分的区域联盟集合，各个区域联盟可抽象为一个五元组：
<C_TASK，C_BUSSINESS，C_ABILITY，MEMBER，LEADER>
其中，C_TASK表示该联盟体所接受的任务集合；C_BUSSINESS表示联盟体能够完成的业务范围，业务范围包括数据类型和空间区域；MEMBER为该联盟体中的所有成员Agent的集合；LEADER表示该联盟体中盟主Agent，即成员Agent的中属性ROLE为manager的节点Agent；
N：表示各数据节点中管理具有深水空间数据集成能力的计算Agent以及深水数据资源的数据管理Agent的集合，代表数据节点进行任务控制处理，各数据管理Agent可抽象为一个五元组：
<TASK，ABILITY，C_ID，ROLE，E>
其中，TASK表示该数据管理Agent所管理的计算Agent需完成的任务集合，根据实际处理需求每个子任务有相应的优先级；
ABILITY表示其所属数据节点的任务执行能力，即根据各计算Agent目前的工作状态、安全性、通信等因素完成相应任务的能力自信度；
C_ID表示该数据管理Agent的数据节点所在联盟；
ROLE表示该数据管理Agent在联盟中所担任的角色，“manager”表示盟主和“member”表示成员；E表示其负责的数据节点所存数据的资源信息列表，主要记录数据的类型、范围以及时空等信息；
B表示黑板体，即为体系框架中的元数据目录，用于公告各联盟体的业务范围C_BUSSINESS，即各联盟体所管理的深水空间数据的类型及空间区域。
3.根据权利要求1所述的一种面向深水空间数据集成基于LQAFCN的任务控制方法，其特征在于：步骤S2中根据当前各数据节点存储情况进行相应的任务分解，形成多个可由单一数据节点独立执行的原子任务集合，需形成多个可由单一数据节点独立执行的原子任务集合，其特征在于适应深水空间数据类型多样且为分布式存储的特性，包括：一个深水空间数据集成任务ZT可从两个层次进行分解：要素划分层和区域划分层；
要素划分层是根据国家标准对ZT进行深水要素分解；
区域化分层是对已经分解的深水要素任务再进行空间区域分解，形成待控制的区域任务集T，并分发布到相应的区域联盟中。
4.根据权利要求1所述的一种面向深水空间数据集成基于LQAFCN的任务控制方法，其特征在于：步骤S3中引入LQAFCN协商模型，设计了一种基于LQAFCN的Mulit-Agent任务控制机制，将深水空间数据集成中的任务控制看成是出价-还价/招标-投标的协商过程，以增加各数据节点间的交互性，包括：
定义招标为：任务发起端的任务控制Agent负责对各集成任务进行初步的区域分解和发布；
各数据节点作为潜在任务执行者对任务进行相应的投标，由各区域联盟的盟主LEADER负责自身区域联盟中的任务控制，将任务划分给有能力的一个或多个数据处理Agent，并在出现冲突或者无法独立完成任务时与其他区域联盟协商解决；
有能力的数据处理Agent，即为潜在任务执行Agent，也可称任务投标Agent，与任务控制Agent直接进行协商，最后由任务控制Agent评估决定最终的任务执行Agent；
任务招标：利用深水空间数据具有分布式区域管理特点，对任务的招标采用空间区域划分策略，具体过程为：
任务发布者对ZT进行要素与区域分解形成待控制区域任务；任务发布者根据B上发布的C_BUSSINESS信息，与t∈T进行要素和空间信息的匹配；根据匹配信息，将同一区域联盟的任务t∈T打包，形成C_TASK，并发送给相应的区域联盟；各区域联盟根据C_TASK制定相应的招标书，内容包括深水空间数据类型、空间范围以及要求节点Agent提供的空间尺度、数据采集时间、时间粒度等关键指标信息，并将其发送给各成员，即数据节点中的数据管理Agent，完成任务的招标过程；
将任务控制中的问题建模为分布式模糊约束网络N(U，X，C)，任务控制Agent和任务投标Agent具有不同的模糊约束网络，其中：
U：表示模糊约束网络N的论域
X：表示非重复对象元组
C：表示模糊约束集合
将任务控制Agent和任务投标Agent之间的协商过程概括为根据协商议题交换报价和还价，直到任务控制Agent和任务投标Agent之间达成协议，或者直到无法产生进一步的报价或还价；
LQAFCN模型是一种有效的Agent协商模型，用于表述上述协商过程，其主要包括协商协议和协商过程两部分内容：
协商过程包括：Agent协商过程主要包括以下步骤：让步值计算，可行解生成，要价生成以及协商终止；
首先，任务控制Agent或任务投标Agent通过评估对手agent的响应状态，自身的内部状态，以及所处的环境状态，决定下一轮协商中是否进行让步，以及让步的程度，然后，基于让步值，生成一组可行的解决方案，并选取一个最优解决方案，也即满意度最高的解决方案来生成要价/还价发送给对手agent；当此要价/还价不能被对手agent所接受时，agent基于协商策略进行还价，并考虑具有相同满意度水平的解决方案，或者提供满意度较低的解决方案，将其发送给对手，在满足终止条件(协商达成一致或失败)之前，不断循环上述协商过程；
1)让步值计算
对于Agent而言，对手的响应状态，自身的内部状态，和所处的环境状态分别代表了对手的意愿，自身的期望，以及所受的环境约束，因此，agent可以通过评估对手的响应状态，自身的内部状态以及所处的环境状态来决定在接下来的协商中是否进行让步，以及让步的程度；
任务控制Agent和任务投标Agent在协商过程中的让步值计算相似，以任务投标Agent为例，其在协商过程中的让步值计算过程如下：
对手的响应状态O，是之前要价A和最新还价B之间的差异程度，定义如下：
σ＝1-(G(A0，B0)-G(A，B))/G(A0，B0)
其中，A0和B0表示初始要价和还价，G(A，B)是指在协商目标Xi∈X上要价A和还价B之间的距离度量，计算公式如下：
Figure FDA0002751376740000051
Ai和Bi表示A，B在协商目标Xi∈X上的可能性分布，n表示是n个协商目标，自身的内部状态I包括与最新要价A相关的满意度水平ρ和一组备选解决方案的紧密度δ，其中：
ρ＝ΨPA(S*)
δ＝1-(ρ-ε)
上式中，S*表示agent的期望解决方案，Ψ(S*)表示对解决方案S*的满意度，ε则表示整体满意度阈值，Ψ(S*)计算公式如下所示：
Figure FDA0002751376740000052
其中，Z(S*)是协商对象Xi的解S*的隶属度；
在任务控制的协商过程中，agent所受的环境约束E主要是时间，通过函数来表示时间与让步值计算之间的关系：
Figure FDA0002751376740000053
Figure FDA0002751376740000054
上述公式中，tnow表示当前协商时间，tmax表示协商终止时间，
Figure FDA0002751376740000055
表示协商目标Xi的在tmax时刻的取值，
Figure FDA0002751376740000056
表示不考虑时间影响时协商目标Xi在时间tnow的还价，
Figure FDA0002751376740000057
表示考虑时间影响时协商目标Xi在时间tnow的还价，α(t)表示时间和让步计算之间的关系，q，α为常数，且α＞1，-1≤q≤1；
根据上述公式计算得到的对手响应状态O，自身的内部状态I和所处的环境状态E，进行让步值的计算；
让步值Δε是从模糊让步集V和水平分割τ变换而来：
Δε＝Fdf(Vτ)
其中，Fdf表示去模糊方法，τ是让步意愿的水平切割，计算公式如下：
Figure FDA0002751376740000061
μρ(ρ)，μδ(δ)，μσ(σ)和μα(t)(α(t))分别表示依据满意度、紧密度、差异度、和时间约束的让步期望，
Figure FDA0002751376740000062
表示协商过程中与让步相关的权重；
要价和还价的生成：给定任务控制Agent内部状态，任务投标Agent响应状态，任务控制Agent的环境状态，以及任务控制Agent在上一轮协商中的行为状态ε，那么任务控制Agent新的行为状态ε*为：
ε*＝ε-Δε
2)可行解生成
给定模糊约束网络N的意图II和agent的最新行为状态ε*，生成的可行解P定义如下：
P＝Γ(II，ε*)＝{S|(S∈II)Λ(Ψ(S*)＞ε*)}
其中，Ψ(S*)表示agent的目标集在N中的满意度，在给定要价B和可行解集P的前提下，期望解S*的选择遵循以下条件：
S*＝argmax(H(S，B))
H(S，B)是一个效用函数，用于评估可行解S∈P相对于还价B的适当性，定义如下：
Figure FDA0002751376740000063
上式中，W1是agent在议题I上的偏好函数，W2是计算解S和还价B之间距离的相似度函数，ω1与ω2分别表示与偏好和相似度相关的权重，而ω1与ω2值的选取与agent所采用的协商策略有关；
双赢策略：ω1≤1.0，ω2≤1.0，ω1＝ω2
协作策略：ω1≤1.0，ω2≤1.0，ω1＜ω2
竞争策略：ω1≥1.0，ω2≥1.0，ω1＞ω2
采用双赢策略进行协商意味着agent在考虑自身利益的同时，也会考虑对手agent的利益，使用协作策略表示在协商过程中agent会更多地考虑对手agent的利益，而使用竞争策略进行协商则表明agent在协商是更注重自身利益的获得；
3)要价生成
给定可行解集P和期望解集S*，关于议题I∈X的一组要价
Figure FDA0002751376740000071
的生成定义如下：
Figure FDA0002751376740000072
上式中，议题Ii∈X的要价与集合A*中元素
Figure FDA0002751376740000073
相对应，
Figure FDA0002751376740000074
是值S*在空间X边际可能性分布；
根据一组议题I上的还价B＝{B1，B2，...，BN}，对手agent的首选解集
Figure FDA00027513767400000712
定义如下：
Figure FDA0002751376740000075
其中
Figure FDA0002751376740000076
表示Bi在空间X上的圆柱形延展，每个元素
Figure FDA0002751376740000077
表示对手首选的解决方案，每个元素在
Figure FDA0002751376740000078
中隶属度表示解决方案被对手接受的程度；
4)协商终止
任务控制Agent和任务投标Agent之间会不断地要价和还价的交换，直到达成一致，或者没有新的要价/还价生成，给定可行解集P和还价B，协商会以协商达成一致或者协商失败两种状态终止，其中，协商达成一致需满足条件：
Figure FDA0002751376740000079
协商失败满足条件：
Figure FDA00027513767400000710
上式中，
Figure FDA00027513767400000711
代表对手的首选解集，协商成功表明任务控制Agent和任务投标Agent之间达成一致，也意味着模糊约束满足问题得以解决，达成一致的解是从P和P^的交集中选择的，协商失败则表明任务控制Agent和任务投标Agent之间没有达成一致，其原因可能剩余解的满意度低于设定的阈值或者是协商时间已用尽；
协商协议包括：
协商协议是对Agent通信语言(ACL)的定义、表示、处理和语义解释，主要是用来处理协商过程中Agent之间的交互，它本质上是所有agent必须遵守的规则，其定义了agent之间的所有交互，也确定了agent之间消息的序列和结构，在任务控制问题中，任务控制Agent和任务投标Agent可以通过发送或接收各种类型的消息来进行协商，这些消息包括：
Ask()：agent向对手发送一份提议，其中包含每个协商项的具体值或取值范围；
Tell()：agent根据请求向对手发送带有附加模糊隶属函数的还价；
Accept()：agent接受对手的还价并终止其谈判过程；
Reject()：如果agent不能向对手提出任何建议，agent将向对手发送拒绝的消息；
Agree()：agent暂时接受对手提出的最新还价，等待对手的确认；
Abort()：任务控制Agent和任务投标Agent之间没有可行的解决方案，其中一个中止了协商；
在开始协商之前，任务控制Agent会先向任务投标Agent发送消息确认需要进行的协商项，以及协商项的取值范围，需任务投标Agent确认接受之后，才能正式开始协商；
在正式协商过程中，任务控制Agent会先向任务投标Agent发送附带由初始要价的Ask()消息，当收到来自任务控制Agent的要价时，任务投标Agent会对要价进行评估，以确定是否满足自身约束条件，如果不满足约束条件，将根据上述公式生成还价，并将Tell()消息发送给任务控制Agent，当任务控制Agent收到任务投标Agent还价时，评估还价，检查是否满足协商项要求，如果还价不满足要求，任务控制Agent进行让步值计算并生成要价，在协商Agent中重新调整对协商项的要求，然后在Tell通信中由任务控制Agent向任务投标Agent发送带有新要价的Ask()消息，随后，将按照步骤2～9迭代地进行要价和还价的交换，重复上述协商过程，当agent在第2步或第6步中接受所有协商项的要价/还价时，T-Agree()消息将发送给对手agent，然后，在步骤11或13中，当且仅当所有接收到的消息都为T-Agree()时，agent才会发送Accept()消息，这意味着协商达成一致，否则，表示双方在某些协商项上的可行解集之间没有交集，任务控制Agent或任务投标Agent将发送Abort()消息给对手，此情况下协商失败，还有一种情况也代表协商失败，那就是当前协商时间超过提前约定好的协商时间，在任务控制Agent与任务投标Agent进行协商的过程中，双方在生成要价/还价时都会判断当前协商时间是否超过规定时间，如果未超过规定的时间，继续进行协商，如果超过，则协商以失败的状态终止。
5.根据权利要求3所述的一种面向深水空间数据集成基于LQAFCN的任务控制方法，其特征在于：任务投标策略为：各节点中的数据管理Agent收到任务后，利用资源匹配策略与其资源信息列表E进行深水空间数据类型及空间范围的匹配，根据具体情况确定是否与任务控制Agent进行协商，并基于LQAFCN模型进行相应的投标处理。
CN202011185860.9A 2020-10-29 2020-10-29 一种面向深水空间数据集成基于lqafcn的任务控制方法 Active CN112306684B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011185860.9A CN112306684B (zh) 2020-10-29 2020-10-29 一种面向深水空间数据集成基于lqafcn的任务控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011185860.9A CN112306684B (zh) 2020-10-29 2020-10-29 一种面向深水空间数据集成基于lqafcn的任务控制方法

Publications (2)

Publication Number Publication Date
CN112306684A true CN112306684A (zh) 2021-02-02
CN112306684B CN112306684B (zh) 2023-02-17

Family

ID=74331962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011185860.9A Active CN112306684B (zh) 2020-10-29 2020-10-29 一种面向深水空间数据集成基于lqafcn的任务控制方法

Country Status (1)

Country Link
CN (1) CN112306684B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1510917A1 (fr) * 2003-08-27 2005-03-02 France Telecom Procédé pour allouer en temps réel une ressource entre plusieurs utilisateurs au moyen d'un mécanisme d'enchères
US20090254572A1 (en) * 2007-01-05 2009-10-08 Redlich Ron M Digital information infrastructure and method
CN103164745A (zh) * 2011-12-13 2013-06-19 中国人民解放军第二炮兵工程学院 一种基于蚁群算法和多代理技术的维修供应链集成机制
CN105069010A (zh) * 2015-07-07 2015-11-18 西安电子科技大学 基于多Agent的资源聚合方法
CN106842171A (zh) * 2016-12-20 2017-06-13 中国船舶重工集团公司第七〇五研究所 一种基于任务自动分配的主被动水声阵列信号仿真并行计算方法
CN109116817A (zh) * 2018-08-07 2019-01-01 北京空间技术研制试验中心 基于Agent技术的多航天器智能管理系统及其设计方法
CN110532342A (zh) * 2019-08-16 2019-12-03 南京王师大数据有限公司 全球空间目标区域位置编码方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1510917A1 (fr) * 2003-08-27 2005-03-02 France Telecom Procédé pour allouer en temps réel une ressource entre plusieurs utilisateurs au moyen d'un mécanisme d'enchères
US20090254572A1 (en) * 2007-01-05 2009-10-08 Redlich Ron M Digital information infrastructure and method
CN103164745A (zh) * 2011-12-13 2013-06-19 中国人民解放军第二炮兵工程学院 一种基于蚁群算法和多代理技术的维修供应链集成机制
CN105069010A (zh) * 2015-07-07 2015-11-18 西安电子科技大学 基于多Agent的资源聚合方法
CN106842171A (zh) * 2016-12-20 2017-06-13 中国船舶重工集团公司第七〇五研究所 一种基于任务自动分配的主被动水声阵列信号仿真并行计算方法
CN109116817A (zh) * 2018-08-07 2019-01-01 北京空间技术研制试验中心 基于Agent技术的多航天器智能管理系统及其设计方法
CN110532342A (zh) * 2019-08-16 2019-12-03 南京王师大数据有限公司 全球空间目标区域位置编码方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
毛东风，余阳，孙成功，左信，张来斌，李志刚: "一基于水动力学与虚拟现实的深水水下应急维修仿真系统", 《中国石油大学学报( 自然科学版)》 *

Also Published As

Publication number Publication date
CN112306684B (zh) 2023-02-17

Similar Documents

Publication Publication Date Title
Liu et al. A reinforcement learning-based resource allocation scheme for cloud robotics
CN111245903B (zh) 一种基于边缘计算的联合学习方法及系统
Carli et al. A distributed control algorithm for optimal charging of electric vehicle fleets with congestion management
Gao et al. A contract-based approach for ancillary services in V2G networks: Optimality and learning
CN103701894A (zh) 动态资源调度方法与系统
CN113378456A (zh) 多园区综合能源调度方法和系统
Pizzocaro et al. A distributed architecture for heterogeneous multi sensor-task allocation
CN113283778A (zh) 一种基于安全性评价的分层汇聚联邦学习方法
Zhao et al. An incentive mechanism for big data trading in end-edge-cloud hierarchical federated learning
Salmani et al. Stochastic peer to peer energy trading among charging station of electric vehicles based on blockchain mechanism
CN112306684B (zh) 一种面向深水空间数据集成基于lqafcn的任务控制方法
Shi et al. Federated deep reinforcement learning-based task allocation in vehicular fog computing
Rai et al. Fuzzy logic based task scheduling algorithm in vehicular fog computing framework
Liu et al. TDRA: A Truthful Dynamic Reverse Auction for DAG Task Scheduling Over Vehicular Clouds
Liu et al. Cooperative sensing and uploading for quality-cost tradeoff of digital twins in VEC
Chalkiadakis et al. Coalitional Bargaining with Agent Type Uncertainty.
CN114189522B (zh) 一种车联网中基于优先级的区块链共识方法及系统
CN115550944B (zh) 一种车联网中基于边缘计算和深度强化学习的动态服务放置方法
Le Bars et al. An agent-based simulation for water sharing between different users
Yang et al. Research on trans-region integrated traffic emergency dispatching technology based on multi-agent
Häusler et al. A framework for real‐time emissions trading in large‐scale vehicle fleets
He et al. A game-theoretic model for energy trading of privacy-preserving microgrid social networks
CN101860574A (zh) P2p内存资源共享网络中基于信誉的服务匹配方法
US20170324276A1 (en) Method and apparatus for optimal resource allocation based on contribution margin ratio
Al-Agtash et al. An evolutionary computation approach to electricity trade negotiation

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