知识型多Agent系统问题求解及知识发现研究.pdf

摘 要 Agent／MAS涉及到的研究范围是极为广泛的，本文主要研究的是知识型 要的应用领域。 本文的结构和主要内容如下： 第一章综述Agent和MAS的研究现状和发展过程： 第二章针对目前知识型MAS问题求解研究中缺乏对MAS系统问题求解能力的 理论上和形式化研究，用MDP方法对知识型MAS的问题求解过程进行建模和能力 分析，以此模型为基础，提出了改善MAS系统问题求解能力的途径： 第三章提出了一种概念树结构的多Agent合作推理模型，用证据理论作为 Agent推理过程中信息聚焦的工具，并对证据理论进行了拓展，以解决辨识空间 不同的Agent的推理结果的合成： 第四章讨论了多Agent环境下的决策支持与知识发现，提出了一种具有可扩 展性和健壮性的广域分布式下多Agent决策支持系统模型，采用KDD技术对 Agent自身数据源进行分析和得到决策知识，并对多Agent在分布式数据源中进 行知识发现的的问题进行了讨论： 第五章讨论了Internet环境下知识型MAS的任务分配问题，以数理经济学 中的均衡市场理论为基础，提出了一种Walrasian均衡市场方法的任务分配机 制，可以在有不同准确度和不同计算资源的Agent之间合理分配任务；第六章对 本文进行了总结和展望。 本文的创新点如下： 1．知识型MAS系统的问题求解过程形式化建模及问题求解能力分析。目前 的MAS设计中总是先验地认为多个Agent通过合作可以有较单个Agent更强的问 题求解能力，但缺乏对MAS系统问题求解能力的理论上和形式化的研究。MAS的 问题求解能力受到诸如成员Agent的知识范围、知识正确性、交互方式、交互时 机、协调策略等多个因素的综合制约，建立一个适当的MAS问题求解模型，可以 使得对MAs求解过程的分析过程规范、简化、明确，指导设计出能力更强的MAS 系统。MAS研究中存在着符号方法与效用方法分离的现象，我们综合符号方法和 效用方法的优点，将Agent的解题过程用的Markov决策过程来描述，并推广到 多Agent合作环境下，对MAS的问题求解能力进行建模分析，并以此模型为基础， 提出了改善MAS系统问题求解能力的途径。 2．基于概念树结构和证据理论的多Agent合作推理模型。Agent在推理过 程中，会不断产生可能指数式增加的假设、部分解等信息，必须有好的协调机制 使得Agent能够聚焦于有用信息上。此外，Agent的行为可能相互影响，不适当 的交互会干扰Agent的求解过程，有效的协调机制仍是影响问题求解能力的关 键。我们认为Agent之间的交互与合作必须建立在一个统一的数据结构上，这个 数据结构作为引导Agent合作求解过程的平台，可以较好的限制不必要的交互。 针对Agent的知识具有结构性这一特点，我们采用概念树作为合作求解平台，提 出了一种基于概念树结构的多Agent合作求解模型。 3．为了融合每个Agent的观点、结论，实现信息聚焦，我们对证据理论进 行了拓展，提出了一种面向可能解集的证据理论方法，解决了不同辨识空间的 Agent信息聚焦，并用模态逻辑和可能世界语义给出了理论解释。 4．基于分布式数据源的多Agent决策支持和知识发现。本文提出了一种可 以实现决策过程扁平化的分布式多Agent决策支持系统结构。这种结构具有良好 的健壮性和可扩展性，并不仅限于组织内部，而是可以扩展为社会性系统。现在 很多大型数据库可以通过Internet提供公共服务，实现了数据共享。通过在这 些大型数据库上建立本文提出的由决策支持Agent和知识获取Agent组成的本地 子系统，可以实现知识共享和智能服务的共享，提高了信息共享的层次。 5．在决策支持过程中，对数据信息的分析、提取和使用具有极其重要的作 用，而EDD是解决这一问题的有效技术，目前对分布式多Agent、多数据源环境 下的KDD研究还不多见。我们提出了Agent之间的知识重用和知识共享问题、知 识冲突问题和跨数据库的知识发现问题。并提出用阳，fJ抽样检验方案解决知识 重用和知识共享问题；用基于粗糙集的冲突信息表属性约简方法消解Agent间的 知识冲突，发现冲突背后隐含的知识；对跨数据库的知识发现也提出了基于贝叶 斯网络的解决思路。 户提供远程服务，但不同的智能系统所拥有的计算资源、带宽资源是不同的，因 而在单位时间内能够支持的用户访问量也各不相同，不能保证为用户提供满意服 务。此外，这些智能系统的生存周期也