| 第一章 绪论 | 第1-32页 |
| 1．1 ABDIDSS——知识经济环境下决策支持系统的适宜模式 | 第19-21页 |
| 1．2 国内外研究现状 | 第21-29页 |
| 1．2．1 国内外Agent研究现状 | 第21-25页 |
| 1．2．1．1 Agent理论模型研究 | 第21-22页 |
| 1．2．1．2 Agent结构模型研究 | 第22-24页 |
| 1．2．1．3 Agent组织研究 | 第24-25页 |
| 1．2．2 国内外用Agent技术研究分布式决策支持系统的现状 | 第25-26页 |
| 1．2．3 多Agent之间的协作研究 | 第26-27页 |
| 1．2．4 多Agent之间的推理研究 | 第27-29页 |
| 1．3 研究现状分析 | 第29页 |
| 1．4 本文的主要研究工作 | 第29-30页 |
| 1．4．1 研究目标 | 第29-30页 |
| 1．4．2 研究内容 | 第30页 |
| 1．4．3 拟解决的关键问题 | 第30页 |
| 1．5 本文的组织 | 第30-32页 |
| 第二章 Agent及ABDIDSS模型 | 第32-47页 |
| 2．1 引言 | 第32-33页 |
| 2．2 Agent形式化描述 | 第33-41页 |
| 2．2．1 Agent作用环境与行为 | 第33-36页 |
| 2．2．1．1 Agent作用环境 | 第33-34页 |
| 2．2．1．2 感知与效应 | 第34-35页 |
| 2．2．1．3 效用 | 第35-36页 |
| 2．2．2 Agent形式化模型 | 第36-41页 |
| 2．2．2．1 语法 | 第36页 |
| 2．2．2．2 多Agents系统模型 | 第36-37页 |
| 2．2．2．3 语义 | 第37-41页 |
| 2．2．2．3．1 Agent心智状态 | 第37-38页 |
| 2．2．2．3．2 多Agents联合心智状态 | 第38-41页 |
| 2．3 Agent的结构模型 | 第41-43页 |
| 2．4 ABDIDSS的结构模型 | 第43-46页 |
| 2．5 本章小结 | 第46-47页 |
| 第三章 基于贝叶斯网的复杂决策任务的表示与分解 | 第47-68页 |
| 3．1 引言 | 第47-48页 |
| 3．2 决策Agent及其任务规范分解的形式化定义 | 第48页 |
| 3．3 任务规范的分解方法及其性质 | 第48-54页 |
| 3．3．1 基于GDF的任务规范的分解判据及其性质 | 第48-52页 |
| 3．3．2 基于BN的任务规范的表示及分解 | 第52-54页 |
| 3．3．2．1 BN及MSBN的概念 | 第52-53页 |
| 3．3．2．2 基于BN的决策Agent任务规范的表示 | 第53页 |
| 3．3．2．3 基于BN的决策Agent任务规范的分解 | 第53-54页 |
| 3．4 任务规范的优化分解 | 第54-60页 |
| 3．4．1 优化分解问题的提出 | 第54-55页 |
| 3．4．2 优化分解方法 | 第55-57页 |
| 3．4．3 案例分析 | 第57-60页 |
| 3．5 基于遗传算法的贝叶斯网分解 | 第60-67页 |
| 3．5．1 BN分解概述 | 第60页 |
| 3．5．2 BN分解 | 第60-62页 |
| 3．5．3 遗传算法设计 | 第62-65页 |
| 3．5．3．1 编码 | 第62-63页 |
| 3．5．3．2 初始种群的确定 | 第63页 |
| 3．5．3．3 适应度函数 | 第63页 |
| 3．5．3．4 遗传操作设计 | 第63-64页 |
| 3．5．3．4．1 等比例选择操作(RPS) | 第63页 |
| 3．5．3．4．2 循环交叉操作(CX) | 第63-64页 |
| 3．5．3．4．3 替换变异操作(DM) | 第64页 |
| 3．5．3．5 遗传算法参数选择 | 第64页 |
| 3．5．3．6 BDGA算法描述 | 第64-65页 |
| 3．5．4 实验结果及分析 | 第65-67页 |
| 3．5．4．1 标准BN | 第65-66页 |
| 3．5．4．2 标准BN分解的BDGA算法的参数设定 | 第66页 |
| 3．5．4．3 实验结构比较与分析 | 第66-67页 |
| 3．6 本章小结 | 第67-68页 |
| 第四章 多Agents之间的协作机制 | 第68-87页 |
| 4．1 引言 | 第68-69页 |
| 4．2 多Agents之间协作的基本机制 | 第69-73页 |
| 4．2．1 多Agents之间的协作方式 | 第69-70页 |
| 4．2．2 任务分担的协作 | 第70-71页 |
| 4．2．3 结果共享的协作 | 第71-72页 |
| 4．2．4 基于协作的问题求解过程 | 第72-73页 |
| 4．3 基于博弈论的多Agents之间的协作 | 第73-86页 |
| 4．3．1 基于博弈论的多Agents协作模型 | 第74-77页 |
| 4．3．2 任务协作的MAID表示 | 第77-79页 |
| 4．3．3 MAID与博弈树 | 第79-80页 |
| 4．3．4 任务协作的MAID的均衡策略的求解 | 第80-86页 |
| 4．3．4．1 策略相关图 | 第80-82页 |
| 4．3．4．2 MAID的相关图构造 | 第82-83页 |
| 4．3．4．3 强连通块的构造 | 第83-85页 |
| 4．3．4．4 全局均衡策略求解 | 第85-86页 |
| 4．4 本章小结 | 第86-87页 |
| 第五章 多Agents之间的近似推理机制 | 第87-112页 |
| 5．1 引言 | 第87页 |
| 5．2 基于联结树的贝叶斯网的推理结构 | 第87-96页 |
| 5．2．1 BN推理概述 | 第87-88页 |
| 5．2．2 在BN及SS上概率推理的等价性 | 第88-89页 |
| 5．2．3 从BN的G到SS的JT的转变结构及构造算法 | 第89-94页 |
| 5．2．3．1 G~M的构造 | 第89-90页 |
| 5．2．3．1．1 算法原理 | 第89-90页 |
| 5．2．3．1．2 算法 | 第90页 |
| 5．2．3．2 G~T的构造算法 | 第90-93页 |
| 5．2．3．2．1 算法原理 | 第90-91页 |
| 5．2．3．2．2 算法 | 第91-93页 |
| 5．2．3．3 JT的构造算法 | 第93-94页 |
| 5．2．3．3．1 算法原理 | 第93-94页 |
| 5．2．3．3．2 算法 | 第94页 |
| 5．2．4 案例分析 | 第94-96页 |
| 5．3 基于赋值代数的贝叶斯网概率推理的局部计算模型 | 第96-106页 |
| 5．3．1 赋值代数概述 | 第96-97页 |
| 5．3．2 赋值代数 | 第97-98页 |
| 5．3．2．1 相关概念 | 第97页 |
| 5．3．2．2 公理及赋值代数 | 第97-98页 |
| 5．3．3 推理结构及其赋值代数 | 第98-99页 |
| 5．3．3．1 推理结构的约束条件 | 第98页 |
| 5．3．3．2 推理结构的赋值代数 | 第98-99页 |
| 5．3．4 概率推理的局部计算的赋值代数模型 | 第99-103页 |
| 5．3．4．1 推理结构的转变 | 第99-100页 |
| 5．3．4．2 赋值初始化 | 第100页 |
| 5．3．4．3 一致性全局消息传播与吸收 | 第100-102页 |
| 5．3．4．4 概率推理的局部计算 | 第102-103页 |
| 5．3．4．4．1 P(V)的局部计算 | 第102-103页 |
| 5．3．4．4．2 P(V／e)的局部计算 | 第103页 |
| 5．3．5 案例分析 | 第103-106页 |
| 5．4 多Agents之间基于Rough set的近似推理 | 第106-111页 |
| 5．4．1粗 糙集概述 | 第106页 |
| 5．4．2 多Agents推理的近似空间 | 第106-107页 |
| 5．4．3 多Agents之间的近似推理 | 第107-109页 |
| 5．4．4 案例分析 | 第109-111页 |
| 5．5 本章小结 | 第111-112页 |
| 第六章 总结与展望 | 第112-118页 |
| 6．1 总结 | 第112-115页 |
| 6．2 展望 | 第115-118页 |
| 参考文献 | 第118-128页 |
| 攻读博士学位期间的主要研究成果 | 第128-129页 |
