具有社交网络特性之Agent群智能算法分析.docVIP

　　具有社交网络特性之Agent群智能算法分析 --第一章绪论 本章主要介绍本文的研宄背景知识和研宄现状，分析智能体理论的发展，介绍了本文的主要研宄内容和提纲。 1.1.智能体理论的发展史 1.1.1.机器学习理论 在当代的定义里，机器学习（Machine Learning, ML)被看作是允许计算机根据己有的经验数据而产生学习行为的一类不断被设计和发展的算法⑴，在这类算法中，数据可以作为解释被观察对象相关性的样本。机器学习研究中一个主要的关注点是如何让计算机基于己有数据去自动的学习认识复杂模式，并做出智能的决定。放眼当今机器学习领域的现状，主要覆盖了计算机科学与技术学科的许多重要技术[2]，例如面向对象的程序设计、分布式计算、人工智能生命、智能体和代理中继。在机器学习的研究中，通过模仿人类生理行为和认知水平，丰富每个种类的学习理论和学习方法，学习传统算法和理论分析，建立应用于特定领域的学习系统，最终建立完善的学习机制。关于机器学习是否可以超越人类的智能，大多数人坚定的持有否定观点，因为机’器是由人类发明制造的，通过独立的运行复杂的操作，完成人类所需的特定功能，因此断言机器学习理论无论发展到什么阶段，机器的智能将永远无法超越机器的设计者。这样的观点适用于不具备学习能力的一切机器，但对具有完善学习能力的机器而言，在不断的运行和工作中，学习型机器能够不断的从所处环境中获得经验，在长期积累之后，甚至连机器的设计者都无法获知机器的能力水平。 .......... 1.2.本文研究内容 本文主要研宄智能体理论，根据智能体的特点和研宄现状，将智能体思想应用到进化算法当中，解决实际中的函数优化问题，算法的设计思想以智能体的特征为指导，结合现阶段进化算法的发展，借鉴了遗传算法、粒子群算法、差分进化等算子的特色，设计出智能体的动态进化算法，并对算法性能进行详细的评估分析。本次研究的想法于日常生活中对社交网络关系网架构的思考。在微博、论坛、社区等社交网络平台的使用中，对现实互联网中存在的微博高粉丝用户、网络水军、网络传信等问题产生兴趣，发现互联网中的“局部领袖”对网络结构和网络信息扩散具有重要的引导作用，领袖用户的影响力大大超过普通用户对网络关系的影响，在某些条件下甚至可以左右网络中传播的言论和网民旳个人偏好。根据现实中网络模型的这些特征，在算法设计中，添加了网络领袖的模型，用来进一步完善算法性能。 ..... 第二章群智能体技术 从本章开始，将进入智能体理论的研究。本章是智能体理论的背景知识介绍，对智能体和智能体系统做了简要说明，同时涉及当今人工智能领域的发展趋势，为第三章和第四章介绍智能体进化算法打下理论基础。 2.1.智能体简介 2.1.1.智能体的概念 智能体(Agent)是人工智能领域里一个很重要的概念，是一个具有自适应、自治能力的硬件、软件或其它实体，具备认识和模拟人类智能行为的能力[22]。智能体具备个体的特性，能够与周围的环境发生作用，影响自身的同时也对环境产生影响，每个个体自治的运行，从而影响和改变环境。因此，在研究中，可以把智能体定义为一个物理的或抽象的实体，它能够作用于自身和环境，并能对环境做出反应。智能体和环境间的作用关系见图2-1。 智能体是一个广泛的概念，被看作一个智能体的实体，具有感知能力和执行能力，通过感知所处环境，结合自身特性和环境条件，执行相应的动作。例如，计算机里的服务进程可被看作智能体，进程由函数通过输入参数来感知外部环境，经函数分析处理后，以相应的输出来提供服务。智能体的本质是一个学习型的实体，有关智能体的理论技术研宄最早源于分布式人工智能，现在已被广泛使用于机器学习、数据挖掘、人工智能等相关问题的处理中。在本文的研究过程中，将把智能体看作作用于自身的局部环境中，具有一定生命周期的问题抽象实体来处理。 ....... 2. 2.智能体的学习能力 2.2.1.强化学习技术的适用性分析 学习技术于机器学习理论[24]，按学习反馈的不同，可分为监督学习，非监督学习和强化学习（Reinforcement Learning, RL),其中强化学习是智能体颇具吸引力的关键技术[25]，使智能体能够以环境条件为输入，不断提高经验积累，更好的适应和改造环境。当输入输出参数均已知且求解过程中不做变动时，监督学习表现出优良的效率，但对于很多控制问题，需要在参数不定期缺失的条件下对控制行为做出选择，此时输入输出参数将不再是稳定可控的，在这样的条件下，强化学习能以学习的方式得到未知的参数，通过性能良好的算子，做出控制系统的稳定评估模型，因此，强化学习比监督学习更适用于现实系统中。与机器学习不同，具有人类智能的学习技术分为强化学习和模仿学习，在解决高度智能化问题时，两种学习行为相互协作，问题初期常采用模仿学习，从陌生的环境中通过观