基于不妥协度的Ｂａｙｅｓ学习协商机制.docVIP

基于不妥协度的Ｂａｙｅｓ学习协商机制 　　摘要：如何高效地使用Agent学习机制进行在线协商，已经成为经济学家和计算机学者共同研讨的一个主要方向。，为了当协商进入僵持状态时参与协商的买卖双方能确定是否进行妥协，从而使协商继续进行下去，本文在限时条件下的多议题协商中和贝叶斯学习的基础上提出了基于不妥协度的协商策略。实验表明在协商过程中进行学习可以提高对方私有信息的预测精确度，缩短了协商时间，提高了协商效率。 　　关键词：多Agent协商；不妥协度；贝叶斯学习；在线学习 　　中图分类号：TP301.6文献标识码：A文章编号：1009-3044(2008)27-2012-02 　　Bayesian Learning Negotiation Mechanism Based on Un-compromising Degree 　　WANG Juan,WANG Pu 　　(Department of Computer Science， Henan Administrative Institute of Politics and Law, Zhengzhou450002, China) 　　Abstract: How to solve the Agent negotiation online learning problem quickly and high-efficently has been a mainstream in both economics and computer science domain. Negotiation strategies based on un-compromising degree is presented on the basis of Bayes learning and in time-limited multi-issues among multi-Agents.The experimental results show that negotiation based on online learning should imporve predictive precision of opponent’s private information, sequentially shorten negotiation time and advance negotiation efficiency. 　　Key words: multi-agent negotiation;un-compromising degree;Bayes learning;online learning 　　 　　1 引言 　　 　　在当前的电子商务应用中，使用Agent系统代替交易方进行谈判和协商成为了一种新的发展方向，它在工业和商业领域的应用范围也在逐步扩大[1]。 　　在这些系统中，Agent拥有自己的目标或意图，可以自己决定执行动作的目的、时间以及在什么环境下主动自发地做出适当的决策，控制自身的行为。每个Agent都是独立的个体，它们彼此之间并不能仅仅通过简单的指令形式直接控制对方的行为，而只能通过相互之间主动或者被动的信息交换，在一定程度上影响协商环境中其他Agent的行为选择和决策结果[2]。 　　Iyad Rahwan[3]等人对协商作了以下说明：协商是一组Agent的一种交互形式，这些Agent具有相互冲突的利益但又希望能够合作，在稀缺资源被分散分配的基础上，努力达成双方都能接受的协议。典型的协商决策行为包括评估对方提出的提议、生成新的提议、冲突解决等等[4]。 　　 　　2 基于不妥协度的协商策略 　　 　　从本质上讲，协商过程是一个双方不断妥协、放宽限制的过程，参与者都希望用最小的代价获得最大的效用[5]。在协商进行过程中，可能要经过多次的“讨价还价”才能达成最终的协定。 　　在协商过程中，协商各方都不愿过早暴露自己的私有信息，包括他们的偏好、保留值、协商时限、出价策略等，因而通常双方Agent都具有不完全信息。协商对手的提议是用来了解对手私有信息、效用函数，并更新己方策略的重要信息来源。因此，协商Agent具有在线学习能力是十分重要的。 　　在每一轮协商中，每一个Agent都会为了最大化自己的利益而讨价还价。当协商进入僵持状态时，参与协商的买卖双方需要确定是否进行妥协，从而使协商继续进行下去。 　　如果一个Agent已经做出了一定的妥协，它不再妥协产生的损失会相对小一些，因此它会冒着产生冲突的危险而选择不妥协；相反，如果一个Agent从未做出过妥协，它不再妥协就会造成比较大的损失，它更情愿避免产生冲突而做出妥协。这里用不妥协度来衡量Agent是否应该做出妥协，如果A