排序方式: 共有84条查询结果,搜索用时 15 毫秒
51.
52.
讨论了多Agent系统分布协作求解和粒子协作之间的关系,提出了一种多Agent系统协作求解粒子模型方法,将任务资源规划协作求解过程转化为多粒子共同寻优的过程.引入了协作程度变化参数,建立了需求强度计算公式和效益目标函数,并构造了适合求解的粒子群算法.通过算法的寻优计算,得到了任务资源规划协作求解的最优解.仿真实验结果表明,对于复杂的任务资源规划问题,该方法能描述和处理Agent本身自组织现象和社会交互行为的随机性和并发性,并具有良好的收敛性和有效性. 相似文献
53.
“互联网+”模式下区域停车“用户-资源”优化匹配是解决找车位难问题的有效途径,传统研究主要关注动态匹配机制设计,缺乏对用户匹配时机的考虑。在随机动态环境下,用户到达目的地附近后进行适当的延时等待,往往可以获得更优质的泊位资源,但取决于当前的停车供需模式。据此首次提出智能延时匹配策略,将每个停车用户抽象为智能体,构建多智能体深度Q学习模型(M-DQN)。结合系统的停车供需状态学习,用户自主决策延时等待时间,进入分配池后,系统利用匈牙利算法进行泊位匹配。在智能体总数量可变的环境下,利用集中式训练与分布式执行的框架,实现多智能体协同优化。为对比智能延时策略的效果,设计等待零时长策略(Greedy)和等待最大时长策略(Max Delay)。在算例中,结合同济大学四平路校区实测停车数据,设计3种不同的停车供需模式场景。在工作日早高峰时段,Greedy是最优的匹配策略,M-DQN和Max Delay的平均停车过程总用时会增加,匹配成功率下降;在工作日非高峰时段,M-DQN的平均停车过程总用时相较于Greedy和Max Delay分别减少23.8%和22.4%,效果提升明显;在工作日晚高峰时段,M-DQN的平均停车过程总用时相较于Greedy和Max Delay分别减少了12.8%和14.5%,M-DQN可以结合供需状态学习到最优的匹配策略。研究结果表明:在停车供需相对平衡的环境下,所提出的延时匹配策略和多智能体深度强化学习方法可以有效减少用户停车的平均行驶时间和步行距离,且停车周转率越高效果越好;但延时策略在应用方面仍有一定的局限性,不适用于停车供给紧张,停车周转率较低的场景。 相似文献
54.
铁路客票网络安全需求分析与安全模型研究 总被引:9,自引:1,他引:8
结合铁路客票网络安全的现状,深入分析了客票网络的安全威胁及安全管理的现实需求。在此基础上,提出了多代理自适应动态安全模型。客票安全管理开发实践表明,多代理自适应动态安全模型具有可扩展性好、易于实现、安全、高效等优点,可以广泛应用于各种复杂广域网的安全管理。 相似文献
55.
介绍了一种基于多Agent技术的船舶舾装托盘数据信息挖掘方法,利用该方法可以抽取TRIBON中的基本托盘信息,通过Control-Agent采用符号定向图SDG(Signed Directed Graph)方法,可以将舾装托盘的紧固件的标准件从五金件库中挖掘出来;采用分类方法,在SQL命令下进行数据之间的比较和处理,从中找到并重组上述两类托盘。 相似文献
56.
针对存贮路径问题的复杂特性,运用多Agent技术构建智能模型框架,利用模型中Agent间的协调机制实现存贮路径问题补货策略的求解,同时阐述了调度流程的任务优先级、冲突消除等问题.与集中式数学方法相比,该求解策略更能体现出问题分布式特性,并以一个实例分析验证方法的有效性. 相似文献
57.
58.
为解决分布式复杂巨系统在动态环境中的不确定性问题,智能体计算技术发展迅速.交通运输系统在物理位置和控制逻辑上分散于动态变化的交通网络环境,非常适合采用智能体方法建模与描述.文中综述了智能体技术在交通信号控制系统中各个领域应用的技术与方法,包括系统架构、控制算法、建模与仿真,以及智能交通集成管理等方面;跟踪了智能体技术在国内外交通控制领域的具体应用,讨论了智能体技术在智能交通信号控制系统中应用的研究动向,提出发展基于多智能体的交通网络信号集成控制系统的关键问题在于系统交互性、自适应性和可拓展性. 相似文献
59.
基于改进合同网的多Agent系统协作机理研究 总被引:1,自引:0,他引:1
针对传统合同网协作模型的不足和舰船动力辅助系统的特点,从三个方面对合同网加以改进,给出了一种适合于舰船动力辅助系统多Agent控制系统的改进合同网模型,该模型不但能够提高协作效率,而且能够有效的解决被控系统在突发事件和故障状态下的交互协作问题.以简化的冷却水系统为例,以JADE为开发平台,将该模型应用于其多Agent控制系统开发中,通过仿真模拟了Agent之间的协作过程,并将协作结果与理论结果比较验证了其正确性,为深入研究多Agent系统的协作机理提供了通用的方法. 相似文献
60.