多Agent激励学习方法及其在电商报价系统中的应用
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-14页 |
| ·选题的背景与意义 | 第9-11页 |
| ·MAS的应用与发展 | 第9-10页 |
| ·电力市场环境下的报价策略问题 | 第10页 |
| ·课题的研究意义 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·MAS的研究现状 | 第11-12页 |
| ·电力市场报价决策方法研究现状 | 第12页 |
| ·将MAS技术引入电力市场的研究现状 | 第12-13页 |
| ·本文的主要内容 | 第13-14页 |
| 2 MAS基本理论 | 第14-22页 |
| ·Agent概述 | 第14-16页 |
| ·Agent概念 | 第14-15页 |
| ·Agent具有的特性 | 第15-16页 |
| ·Agent分类 | 第16页 |
| ·MAS概述 | 第16-19页 |
| ·Multi-agent概念 | 第16-17页 |
| ·MAS研究内容 | 第17页 |
| ·多Agent系统的应用及发展 | 第17-19页 |
| ·Agent学习及其方法 | 第19-22页 |
| ·Agent的学习 | 第19-20页 |
| ·Agent的学习方法 | 第20页 |
| ·多Agent的学习 | 第20-22页 |
| 3 多Agent激励学习方法 | 第22-33页 |
| ·激励学习 | 第22-26页 |
| ·激励学习原理 | 第22-23页 |
| ·激励学习要素 | 第23-25页 |
| ·激励学习方法 | 第25-26页 |
| ·随机对策 | 第26-30页 |
| ·Markov决策过程 | 第26-27页 |
| ·优化策略 | 第27-29页 |
| ·随机对策 | 第29-30页 |
| ·多Agent激励学习 | 第30-33页 |
| ·单Agent与多Agent激励学习 | 第30-31页 |
| ·探索和利用 | 第31-33页 |
| 4 Q-学习算法研究 | 第33-44页 |
| ·Q-学习 | 第33-35页 |
| ·Q-学习原理 | 第33-34页 |
| ·单Agent Q-学习 | 第34-35页 |
| ·多Agent Q-学习 | 第35页 |
| ·零和随机对策下的Minimax-Q学习 | 第35-36页 |
| ·常和随机对策下的Q-学习 | 第36-39页 |
| ·Nash Q-学习 | 第36页 |
| ·Friend-or-Foe Q-学习 | 第36-37页 |
| ·CE Q-学习 | 第37-38页 |
| ·策略爬山WoLF | 第38-39页 |
| ·基于非Markov的多Agent激励学习算法 | 第39-44页 |
| ·改进的多Agent激励学习算法 | 第39-40页 |
| ·算法的实现 | 第40-42页 |
| ·仿真实验及结果 | 第42-44页 |
| 5 量子算法的研究 | 第44-52页 |
| ·量子计算 | 第44-46页 |
| ·量子计算简介 | 第44-45页 |
| ·量子位 | 第45页 |
| ·Walsh-Hadamard变换 | 第45-46页 |
| ·量子搜索算法 | 第46-48页 |
| ·量子搜索算法思想 | 第46页 |
| ·Grover量子搜索算法 | 第46-47页 |
| ·Grover迭代 | 第47-48页 |
| ·多Agent量子激励学习 | 第48-52页 |
| ·状态和行为描述 | 第48页 |
| ·多Agent量子激励学习过程 | 第48-49页 |
| ·仿真实验及结果 | 第49-52页 |
| 6 基于多Agent激励学习的发电报价策略 | 第52-58页 |
| ·基于MAS的电力市场模型 | 第52-53页 |
| ·电力市场基本主体 | 第52页 |
| ·市场主体的学习过程 | 第52-53页 |
| ·基于多Agent的发电商联合报价 | 第53页 |
| ·基于多Agent的发电商决策报价方法研究 | 第53-57页 |
| ·问题简述 | 第53-54页 |
| ·模型建立 | 第54页 |
| ·发电商报价学习算法设计 | 第54页 |
| ·算法参数设定 | 第54-55页 |
| ·仿真实验及结果 | 第55-57页 |
| ·小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
