一、基于能力向量发挥率和拍卖的联盟形成策略（论文文献综述）
桂海霞,赵邦磊,张国富,苏兆品,蒋建国[1]（2021）在《任务优先满足和绩效奖励的重叠联盟效用分配》文中指出效用分配是联盟形成中的一个难点问题,合理的效用划分方式有利于联盟的形成与稳定.针对重叠联盟中一个Agent可以参与多个任务的复杂情形,提出了任务优先满足的任务分派方法.当新的Agent成员加入到联盟中时,任务分派时对原有联盟成员给予绩效奖励,然后根据任务分派情况进行效用划分,最后通过实例与已有的效用分配策略进行了对比分析.结果表明,本文所提策略能更好的满足效用非减,充分体现各Agent对联盟贡献的差异性,同时满足时效性、稳定性和动态性等特征.
韩露,聂艳艳,程文丽,臧思雨[2]（2020）在《一种基于三维编码修正的重叠联盟形成方案》文中认为重叠联盟形成是人工智能与多Agent系统领域中的一个关键问题。由于每个Agent拥有的资源有限,不同任务求解联盟之间会存在潜在的资源冲突。本文将传统的差分进化扩充至三维整数编码,更直观、有效地完成智能资源体的快速分配,并针对初始化赋予任意值可能产生的联盟无效与资源冲突问题,设计了相应的编码修正策略,以确保任何一个无效编码都能够被修正为一个合法编码。
尹蕾[3]（2019）在《分布式智能系统中多任务协作机制研究》文中指出在复杂的分布式智能系统（DIS）中,多智能子系统之间的多任务协作尤为关键。本文运用云模型理论、智能优化算法和多Agent系统（MAS）理论,对DIS中实现多任务协作的主要方式——协作联盟及其资源优化分配算法、决策评价方法和效用划分策略等关键问题进行了较深入的理论探讨,并应用到新能源汽车联盟的资源优化分配和决策评价中,从而为复杂的DIS中多任务协作的资源分配、决策评价和效用划分等机制研究提供有效的方法和途径。本文完成的主要研究工作及创新如下:1)针对多任务协作联盟（MTCC）资源分配问题,提出了一种基于二进制粒子群（BPSO）-二进制差分进化（BDE）混合算法（简称BPSO-BDE混合算法）的MTCC资源优化分配方法。构建了以资源为导向的MTCC资源优化分配模型,建立基于二维二进制编码修正的资源冲突消解机制,避免了MTCC中潜在资源冲突和联盟死锁;采用二维二进制编码方式进行种群个体编码,以联盟总收益值作为适应度值,融合BPSO的粒子速度、位置更新操作和无参数变异的BDE种群变异、交叉、选择操作,不断进行寻优迭代获得联盟资源分配的最优方案,并通过实例分别与基于BPSO算法和BDE算法的MTCC资源分配进行了对比分析,验证了BPSO-BDE混合算法的优越性。2)在MTCC资源优化分配的基础上,针对MTCC决策评价过程中存在的不确定性问题,引入“评价云”概念,提出了一种基于云模型理论的MTCC决策评价方法。首先在构建多任务联盟多层决策评价体系的基础上,确定指标评价云和评价指标权重,并运用云加权算术平均数算子（CWAA）的云集结方法得到单任务联盟决策评价云;再结合任务权重和单任务联盟决策评价云进行二次云集结获得MTCC决策评价云,并运用基于距离的云相似度对备选协作联盟方案进行排序与选优,以确定最优的联盟方案;最后通过实例与基于Dempster-Shafer理论（简称D-S理论）的联盟评价方法进行对比分析,验证了基于云模型理论的协作联盟决策评价方法的可行性和有效性。3)在前述研究工作的基础上,提出了一种基于信任度和能力融合的MTCC效用划分策略。在满足效用非减和资源不冲突的条件下,融合信任度和贡献资源能力的评价信息进行联盟中各成员的效用划分;并通过实例对比分析,验证了基于信任度和能力融合的效用划分策略的合理性和有效性。4)鉴于大数据是重要战略资源,针对新能源汽车产业联盟的特点,在前述资源优化分配算法和决策评价方法研究的基础上,提出了一种面向大数据的新能源汽车联盟资源优化分配与云决策评价方法。首先,基于BPSO-BDE混合算法进行面向大数据的联盟资源优化分配;然后,基于云模型理论进行面向大数据的新能源汽车联盟决策评价;最后,通过实例验证了面向大数据的新能源汽车联盟资源优化分配与云决策评价方法的可行性。
曹义亲,张政庭,黄晓生[4]（2016）在《基于评价因子行为等级更新的多agent联盟效用分配策略》文中指出为了进一步增强多agent联盟效用分配的合理性,提升联盟的稳定性,提出了一种基于评价因子行为等级更新的多agent联盟效用分配策略。该策略引入评价因子概念,将行为等级定性描述的agent行为因素通过既定方法量化为行为评价因子,agent完成任务的能力表示为能力评价因子,结合这两种评价因子对agent联盟的效用进行划分,并根据agent完成任务情况和是否存在欺骗行为对agent的行为等级进行更新。理论分析和分配实验表明,新策略在满足联盟形成机制的相关要求外,增强了多agent联盟中效用分配的合理性。
曹义亲,张贞,黄晓生[5]（2014）在《基于忠诚度的多智能体联盟效用分配策略》文中研究指明为增强多智能体系统中联盟成员效用划分的合理性,促使agent形成稳定的全局最优联盟,提出了一种基于忠诚度的多智能体联盟效用分配策略。新策略引入agent忠诚度的概念,根据agent每次参与联盟后是否服务到任务结束来对agent忠诚度进行评价,从而表示各agent的忠诚度大小,将忠诚度与各agent完成任务的能力相结合,共同决定联盟内各agent效用如何划分。理论分析和实验表明,新策略提高了对联盟效用分配的合理性,较好地满足了联盟形成机制的全局最优性、强稳定性、时效性、简单性等要求。
周鹏[6]（2013）在《多agent系统中重叠联盟形成问题研究》文中研究表明在多agent系统（MAS）中，agent通过结盟的方式进行协商合作，是处理复杂分布式智能控制问题的重要途径。如何合理有效的形成均衡的联盟，并保证联盟趋于稳定，是联盟形成的重要课题，也是MAS中亟待解决的关键问题。关于联盟形成问题，传统的研究主要围绕非重叠联盟形成展开，然而非重叠联盟形成的本质只允许一个agent加入一个任务联盟，极易造成agent资源、能力的过度浪费，在很多实践的场合不能满足应用需求。基于上述背景，本文对MAS中的重叠联盟形成算法和效用分配问题展开深入的研究，旨在实现每个agent可以自由竞争任务，并能从根本上解决由此带来的激烈的资源冲突现象，为解决复杂系统中多任务决策问题提供理论依据。本文的研究内容及创新点如下：（1）对基于二维编码的非重叠联盟形成算法进行分析总结，指出Yang和Luo非重叠联盟算法中初始化编码、交叉算子、变异算子存在的问题，并举出反例，最后针对这些不足提出改进思想。（2）提出一种基于虚拟联盟的重叠联盟形成算法。该算法重点研究如何把一个无效的二维二进制编码修正为一个合法的编码，提出将有效联盟的剩余能力转移给一个动态的虚拟联盟，由虚拟联盟帮助解决其他无效联盟。实验结果表明，本文算法不会丢弃任何无效编码，在解决激烈的资源冲突时显得更加灵活有效。（3）提出一种公平的重叠联盟效用分配策略。在公平分配的原则上，运用讨价还价模型对多任务快速分解，明确各个agent在重叠联盟中实际贡献的能力值，根据实际贡献值进行效用分配。该策略可以将多任务有效分解，在系统总资源能力大于总任务需求的前提下，保证全部任务都能被完成，并且避免潜在资源冲突问题，满足效用非减的条件，在鼓励agent积极加入任务求解联盟的同时提高系统效率。
杨杨[7]（2011）在《面向自私用户的Ad hoc网络协作机制》文中研究指明移动自组织网络（Mobile Ad hoc Networks, MANETs）具有自组织、快速组网、抗毁性和健壮性等优良特性,在军事和民用领域具有广泛的应用前景。通过Ad hoc移动终端的高效协作,用户可以获得更加丰富灵活的信息通信服务,移动节点间协作机制是Ad hoc网络中重要的研究内容。但是,由于移动终端固有的能源受限、处理能力较低、内存较小等缺陷,使得一部分用户不愿意为其他用户消耗额外的资源和能量来提供服务（如转发数据包、资源共享等）,这类用户被称之为自私用户。研究表明,当网络中自私用户占全网总用户的10%至40%时,会导致网络吞吐性能严重下降16%至32%,数目过多时甚至会导致网络瘫痪。因此,本文针对用户自私性所带来的不合作问题,研究有效的自私节点间协作机制,并对所提出的机制和算法进行了仿真验证。本文的主要研究内容和创新点如下：（1）将MANETs中的资源和各种高级应用抽象成服务,通过服务的有偿使用激励各个自私用户加入到协商中。提出了基于服务协商的单点协作模型,适应于每个卖方都具备充足的资源独立地为买方提供服务的场景。另外,设计和优化了协商策略,可帮助协商者在下一回合出价中占据优势,从而大大增加达成交易的概率。（2）在服务协商场景中,进一步考虑保留价、初始价、协商期限等协商环境因素对协商者达成交易的影响,提出了关于初始价和保留价的定价模型。初始价模型能够反映协商初始阶段节点的资源状况,而保留价模型能够随着协商进程的推进重新评估,以避免无效协商。由于MANETs网络中突发的用户应用使得终端的计算资源和能量被频繁占用,从而影响到协商者的最大协商期限。因此提出了协商期限自适应调整机制,可以为其下一回合出价提供更准确的参考。（3）移动Ad hoc网络可以末端网络的方式通过网关与Internet或移动网络互联,当上层管理中心需要对Ad hoc网络运行状况进行监测、控制和任务分配时,多个MANETs节点可以组成任务联盟合作完成管理任务,提高任务的完成质量和效率。通过改进的模糊C均值聚类算法对盟员节点的多重属性（能源现状、计算能力现状、移动性、故障率等）进行预先筛选,以缩减联盟形成时的搜索空间。随后,在盟主选举过程中综合考虑传输时延、占用的资源现状、移动性等因素,以避免形成的联盟频繁重构。在此基础上,提出了联盟生成和优化算法,支持任务的冗余性检测,保证系统的鲁棒性和执行效率。（4）自私用户受其个性偏好、当前状态、情感历史以及外部刺激影响,对于是否参与协作可能产生不同的情绪反应。本文提出了自私节点的协作动机模型,使得MANETs网络中的移动设备可以模拟人类情感对协作成功的渴求程度,协作行为由情感触发,从而减少节点由于参与无效协作而产生的能量以及网络流量开销。
曾广平,熊海涛[8]（2009）在《基于软件人的任务求解联盟形成算法的研究》文中指出联盟形成是软件人系统中的一个关键问题,主要着眼于如何在联盟内的软件人之间划分联盟的效用。但是已有的算法对效用的分配没有反映出软件人对联盟贡献的差异性,导致联盟的不稳定性。给出了一种新的联盟形成算法,该算法在对联盟内的任务采用按能力分配的基础上,对联盟内的效用采用按劳分配的原则,体现了"能者多劳,多劳多得"的特点,提高了对效用分配的合理性,同时通过效用窃取算法,保证了个体效用非减的原则,使形成的联盟具有较好的稳定性、时效性等。
刘莉,问翠梅,何永恩,杨金霞[9]（2009）在《基于信用度的Agent联盟效用分配策略》文中提出联盟形成是多Agent系统的一个关键问题,主要研究在联盟内Agent间如何划分联盟效用,使得Agent更愿意形成联盟,但已有策略没有考虑到Agent的信用度,联盟内的稳定性和Agent间合作的积极性并不高。对此,本文提出了一种基于信用度的Agent效用分配策略,对退出联盟现象进行有效的控制,提高了多Agent系统的使用价值。最后通过实例证明此方法的有效性。
蒋建国,张国富,夏娜,苏兆品[10]（2009）在《基于蚁群正反馈的Agent联盟形成策略》文中研究说明联盟形成是多agent系统中的一个核心问题,由于系统的计算资源有限,因此设计一种能有效缓解计算瓶颈和信息拥塞的联盟形成策略是关键。基于蚁群算法的正反馈思想,以熟悉度表示agent之间的相互关系,提出了一种具有"正反馈"特性的联盟形成策略。仿真实验的测试及分析说明了该策略能在一定程度上降低整个系统的通信代价和资源开销,提高了系统的可靠程度。
二、基于能力向量发挥率和拍卖的联盟形成策略（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于能力向量发挥率和拍卖的联盟形成策略（论文提纲范文）
（1）任务优先满足和绩效奖励的重叠联盟效用分配（论文提纲范文）
| 1引言 |
| 2重叠联盟描述 |
| 3重叠联盟效用分配策略 |
| 3.1效用分配原则 |
| 3.2任务分派 |
| 3.3效用分配 |
| 4实例验证与对比分析 |
| 4.1联盟形成初始 |
| 4.2成员加入组成新联盟 |
| 4.3重叠联盟分配策略对比 |
| 4.4分配策略相关特性分析 |
| 5结束语 |
| 附录相关定理证明 |
（2）一种基于三维编码修正的重叠联盟形成方案（论文提纲范文）
| 0 引言 |
| 1 OCF数学模型 |
| 2 三维整数编码 |
| 2.1 符号约定 |
| 2.2 编码修正方案 |
| 3 实例分析 |
| 4 结束语 |
（3）分布式智能系统中多任务协作机制研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 分布式智能系统 |
| 1.2.1 分布式人工智能系统 |
| 1.2.2 分布式智能系统 |
| 1.3 多Agent系统 |
| 1.3.1 Agent的定义 |
| 1.3.2 多Agent系统 |
| 1.4 多任务协作机制国内外研究现状和存在的问题 |
| 1.4.1 基于联盟的多任务协作的资源优化分配 |
| 1.4.2 基于不确定性的多任务协作的决策评价 |
| 1.4.3 面向多任务的协作联盟效用划分 |
| 1.5 课题来源和研究目的 |
| 1.6 论文的主要研究内容和组织结构 |
| 1.6.1 论文主要研究内容 |
| 1.6.2 论文组织结构 |
| 2 基于BPSO-BDE混合算法的多任务协作联盟资源分配 |
| 2.1 相关工作分析 |
| 2.2 面向资源的多任务协作联盟资源优化分配模型 |
| 2.3 智能优化算法的原理 |
| 2.3.1 二进制粒子群优化算法 |
| 2.3.2 二进制差分进化算法 |
| 2.4 基于BPSO-BDE混合算法的多任务协作联盟资源优化分配 |
| 2.4.1 二维二进制编码 |
| 2.4.2 基于编码修正的资源冲突消解机制 |
| 2.4.3 基于无参数变异的BDE算法的多任务协作联盟资源优化分配 |
| 2.4.4 基于BPSO-BDE混合算法的多任务协作联盟资源优化分配 |
| 2.5 实验结果及分析 |
| 2.6 本章小结 |
| 3 基于云模型理论的多任务协作联盟决策评价 |
| 3.1 相关工作分析 |
| 3.2 多任务协作联盟多层决策评价体系 |
| 3.2.1 多任务协作联盟多层决策评价体系 |
| 3.2.2 多任务协作联盟基本评价指标 |
| 3.3 云模型理论 |
| 3.4 基于云模型理论的多任务协作联盟决策评价方法 |
| 3.4.1 建立决策评价指标集 |
| 3.4.2 评价等级划分及其标准评价云模型化 |
| 3.4.3 权重的确定 |
| 3.4.4 确定基本评价指标的评价云 |
| 3.4.5 确定单任务联盟决策评价云 |
| 3.4.6 确定多任务协作联盟决策评价云 |
| 3.4.7 多个备选方案的决策评价 |
| 3.5 实验结果及分析 |
| 3.5.1 基于云模型理论的协作联盟备选方案的决策评价 |
| 3.5.2 基于D-S证据的协作联盟备选方案的评价 |
| 3.6 本章小结 |
| 4 基于信任度和能力融合的多任务协作联盟效用划分策略 |
| 4.1 相关工作分析 |
| 4.2 联盟效用划分的基本要求及其影响因素 |
| 4.2.1 联盟效用划分的基本要求 |
| 4.2.2 联盟效用划分的影响因素及评价 |
| 4.3 基于信任度和能力融合的多任务协作联盟效用划分策略 |
| 4.3.1 基于按比例的任务分派机制 |
| 4.3.2 综合因素评价 |
| 4.3.3 效用划分权重和效用划分 |
| 4.3.4 效用非减条件 |
| 4.3.5 多任务协作联盟效用划分步骤 |
| 4.4 多任务协作联盟效用划分实例分析 |
| 4.5 本章小结 |
| 5 面向大数据的新能源汽车联盟资源优化分配与云决策评价 |
| 5.1 相关工作分析 |
| 5.2 大数据及大数据处理 |
| 5.2.1 大数据的特点及应用 |
| 5.2.2 大数据处理系统 |
| 5.3 面向大数据的新能源汽车联盟资源优化分配 |
| 5.3.1 新能源汽车联盟资源优化分配模型 |
| 5.3.2 面向大数据的新能源汽车联盟架构及其资源优化分配 |
| 5.4 面向大数据的新能源汽车联盟云决策评价 |
| 5.4.1 面向大数据的新能源汽车联盟评价模型 |
| 5.4.2 面向大数据的新能源汽车联盟云决策评价 |
| 5.5 应用实例分析 |
| 5.5.1 基于BPSO-BDE混合算法的新能源汽车联盟资源优化分配 |
| 5.5.2 新能源汽车联盟云决策评价 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 主要研究工作总结 |
| 6.2 论文创新点 |
| 6.3 下一步工作展望 |
| 参考文献 |
| 攻读博士学位期间的学术活动及成果情况 |
（4）基于评价因子行为等级更新的多agent联盟效用分配策略（论文提纲范文）
| 0 引言 |
| 1 效益分配问题 |
| 2 评价因子 |
| 2.1 能力评价因子 |
| 2.2 行为评价因子 |
| 3 基于评价因子行为等级更新的多agent联盟效用分配 |
| 4 理论分析 |
| 1)全局最优性 |
| 2)稳定性 |
| 3)有效性 |
| 4)非减性 |
| 5)实效性 |
| 6)简单性 |
| 5 效用分配实验与分析 |
| 6 结束语 |
（5）基于忠诚度的多智能体联盟效用分配策略（论文提纲范文）
| 1 问题描述 |
| 2 忠诚度 |
| 2.1 忠诚度定义 |
| 2.2 联盟效用分配中忠诚度的确定 |
| 3 基于忠诚度的联盟效用分配策略 |
| 1)n个agent同时形成联盟Cl效用分配策略 |
| 2)已有多个联盟合并为新的联盟的策略 |
| 3)单个agent的行为策略 |
| 4 理论分析 |
| 5 Agent效用分配实验 |
| 结束语 |
（6）多agent系统中重叠联盟形成问题研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 致谢 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 相关概念 |
| 1.2.1 智能 agent |
| 1.2.2 MAS 体系结构 |
| 1.2.3 MAS 组织结构 |
| 1.3 联盟形成研究内容 |
| 1.3.1 MAS 关键问题 |
| 1.3.2 联盟形成研究内容 |
| 1.4 课题来源、目的与意义 |
| 1.5 论文组织安排 |
| 1.5.1 主要内容 |
| 1.5.2 论文结构安排 |
| 第二章 基于二维编码的非重叠联盟形成算法探讨 |
| 2.1 联盟结构生成问题 |
| 2.2 相关工作分析 |
| 2.3 遗传算法平台 |
| 2.4 Yang 和 Luo 的算法 |
| 2.4.1 编码 |
| 2.4.2 GA 算法求解联盟结构 |
| 2.4.3 初始化编码 |
| 2.4.4 交叉算子 |
| 2.4.5 变异算子 |
| 2.4.6 存在的问题 |
| 2.4.7 改进思想 |
| 2.5 小结 |
| 第三章 基于虚拟联盟的重叠联盟形成算法 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 离散粒子群算法平台 |
| 3.3.1 离散粒子群算法 |
| 3.3.2 粒子编码方案 |
| 3.4 OCF 数学模型 |
| 3.5 二维二进制编码 |
| 3.6 编码修正算法 |
| 3.6.1 算法描述 |
| 3.6.2 性能分析 |
| 3.7 实验结果与分析 |
| 3.8 小结 |
| 第四章 一种公平的重叠联盟效用分配策略 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.2.1 OCF 重要条件 |
| 4.2.2 讨价还价模型 |
| 4.3 相关工作分析 |
| 4.4 OCF 效用分配策略 |
| 4.4.1 公平分配原则 |
| 4.4.2 基于讨价还价模型的多任务分解 |
| 4.4.3 效用非减 |
| 4.5 实例分析 |
| 4.6 小结 |
| 第五章 总结与展望 |
| 5.1 本文主要内容 |
| 5.2 存在问题及下一步研究工作 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
（7）面向自私用户的Ad hoc网络协作机制（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究动机 |
| 1.1.2 研究意义 |
| 1.2 博士期间主要工作 |
| 1.3 本文主要研究内容和创新点 |
| 1.4 本文组织结构 |
| 第2章 AD HOC网络协作研究综述 |
| 2.1 概述 |
| 2.2 AD HOC网络激励机制 |
| 2.2.1 基于虚拟货币的激励机制 |
| 2.2.2 基于信誉的激励机制 |
| 2.3 协商机制 |
| 2.3.1 基于拍卖的协商机制 |
| 2.3.2 基于博弈理论的协商机制 |
| 2.3.3 多AGENT协商机制 |
| 2.4 联盟机制 |
| 2.5 情感建模理论 |
| 2.6 小结 |
| 第3章 基于服务协商的单点协作机制 |
| 3.1 引言 |
| 3.2 服务协商模型 |
| 3.3 协商优化策略 |
| 3.4 仿真实验 |
| 3.5 小结 |
| 第4章 协商环境参数自适应调整机制 |
| 4.1 引言 |
| 4.2 服务定价模型 |
| 4.2.1 卖方定价模型 |
| 4.2.2 买方定价模型 |
| 4.3 协商期限自适应调整机制 |
| 4.4 仿真实验 |
| 4.5 小结 |
| 第5章 面向任务联盟的多点协作机制 |
| 5.1 引言 |
| 5.2 盟员预选择机制 |
| 5.2.1 FCM算法 |
| 5.2.2 改进的FCM算法 |
| 5.3 联盟形成和优化 |
| 5.3.1 蚁群算法 |
| 5.3.2 蚁群算法求解任务联盟 |
| 5.4 仿真实验 |
| 5.5 小结 |
| 第6章 自私节点的协作动机模型 |
| 6.1 引言 |
| 6.2 协作动机模型 |
| 6.2.1 心理学中的成就动机模型 |
| 6.2.2 自私节点协作动机模型 |
| 6.3 仿真实验 |
| 6.3.1 基于服务协商的单点协作场景 |
| 6.3.2 基于联盟的多点协作场景 |
| 6.4 小结 |
| 第7章 结束语 |
| 7.1 论文总结 |
| 7.2 未来的研究工作 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表论文及专利 |
（10）基于蚁群正反馈的Agent联盟形成策略（论文提纲范文）
| 0 引言 |
| 1 联盟问题 |
| 2 基于蚁群正反馈策略的熟人机制 |
| 2.1 熟人机制 |
| 2.2 蚁群算法的正反馈策略 |
| 2.3 基于蚁群正反馈策略的熟人机制 |
| 3 基于蚁群正反馈策略的联盟策略 |
| 3.1 任务分配 |
| 3.2 形成策略 |
| 4 实验结果与分析 |
| 5 结论及进一步研究 |
四、基于能力向量发挥率和拍卖的联盟形成策略（论文参考文献）
- [1]任务优先满足和绩效奖励的重叠联盟效用分配[J]. 桂海霞,赵邦磊,张国富,苏兆品,蒋建国. 系统工程学报, 2021(03)
- [2]一种基于三维编码修正的重叠联盟形成方案[J]. 韩露,聂艳艳,程文丽,臧思雨. 智能计算机与应用, 2020(10)
- [3]分布式智能系统中多任务协作机制研究[D]. 尹蕾. 合肥工业大学, 2019
- [4]基于评价因子行为等级更新的多agent联盟效用分配策略[J]. 曹义亲,张政庭,黄晓生. 计算机应用研究, 2016(06)
- [5]基于忠诚度的多智能体联盟效用分配策略[J]. 曹义亲,张贞,黄晓生. 计算机科学, 2014(05)
- [6]多agent系统中重叠联盟形成问题研究[D]. 周鹏. 合肥工业大学, 2013(03)
- [7]面向自私用户的Ad hoc网络协作机制[D]. 杨杨. 北京邮电大学, 2011(12)
- [8]基于软件人的任务求解联盟形成算法的研究[A]. 曾广平,熊海涛. 2009国际信息技术与应用论坛论文集(上), 2009
- [9]基于信用度的Agent联盟效用分配策略[J]. 刘莉,问翠梅,何永恩,杨金霞. 微计算机信息, 2009(09)
- [10]基于蚁群正反馈的Agent联盟形成策略[J]. 蒋建国,张国富,夏娜,苏兆品. 中国科技论文在线, 2009(02)