基于依赖关系的多议题协商模型研究
| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-12页 |
| ·研究背景 | 第8-10页 |
| ·研究内容 | 第10页 |
| ·论文结构 | 第10-12页 |
| 第二章 多议题协商综述 | 第12-23页 |
| ·Agent的概念和特征 | 第12-13页 |
| ·Agent的定义 | 第12页 |
| ·多Agent系统的特性及应用 | 第12-13页 |
| ·多议题协商模型综述 | 第13-17页 |
| ·MAS中多议题协商交互模型 | 第13-14页 |
| ·基于效用图的多议题协商模型 | 第14-16页 |
| ·基于GAI网的多议题协商模型 | 第16-17页 |
| ·多议题协商中的协商策略 | 第17-19页 |
| ·时间让步策略和模拟对手行为策略 | 第17-19页 |
| ·精英保留策略 | 第19页 |
| ·多议题协商中的优化算法 | 第19-22页 |
| ·多目标优化问题 | 第19-20页 |
| ·多目标遗传算法 | 第20-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 基于依赖关系的多议题协商模型 | 第23-30页 |
| ·依赖关系和依赖度 | 第23-24页 |
| ·协商Agent的bundle产生机制 | 第24-25页 |
| ·基于依赖关系的多议题协商模型 | 第25-28页 |
| ·扩展后的效用图协商模型 | 第26-27页 |
| ·基于GAI网的协商模型 | 第27-28页 |
| ·非线性效用函数的产生与表示 | 第28-30页 |
| 第四章 协商策略和关联组合优化算法 | 第30-41页 |
| ·谨慎表态策略 | 第31-32页 |
| ·非线性效用函数的学习 | 第32-35页 |
| ·人工神经网络 | 第32-33页 |
| ·复合映射算子f·g | 第33-34页 |
| ·非线性效用函数的学习 | 第34-35页 |
| ·概率分布评估机制 | 第35-37页 |
| ·均匀设计方法 | 第35-36页 |
| ·正交设计方法 | 第36-37页 |
| ·单点变异策略 | 第37页 |
| ·选择概率的动态调整因子-ε | 第37-38页 |
| ·关联组合优化算法 | 第38-41页 |
| 第五章 实验及分析 | 第41-47页 |
| ·效用图和GAI网的学习 | 第41-43页 |
| ·协商Agent加强协商策略的实验 | 第43页 |
| ·非线性效用函数的学习 | 第43-44页 |
| ·关联组合优化算法实验及分析 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第六章 总结与展望 | 第47-49页 |
| ·总结 | 第47页 |
| ·下一步工作展望 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 致谢 | 第53-54页 |
| 附录(攻读学位期间发表的论文) | 第54页 |
