基于agent偏好和资源约束的重叠联盟机制研究

Overlapping coalition formation(OCF) is a very active research field in the complex systems. However, conventional research on overlapping coalition formation usually focuses on unbounded goals or resources, and this makes the technology difficult to deal with the increasingly complex and intelligent application requirements. Therefore, we introduce a overlapping coalition mechanism for concurrent multi tasking decision-making and scheduling under agent preference and bounded resources, and make some research on several outstanding problems illustrated in the technical route. The concrete research contents of this proposal include: first, we build OCF model based on agent preference and resource conflicts in the case of limited resources, then design OCF algorithm based on three-dimensional integer encoding differential evolution for conflict resolutions. Moreover, we put forward a payoff distribution of overlapping coalition based on multi issue negotiation theory, which realizes the parallel dispatch of multi tasks and the parallel distribution of multi coalitions utility, is introduced to identify the actual contribution of each agent in the overlapping coalition so that agents can be payoff distribution according to their actual contribution. In order to select the best coalition ,we carry out comprehensive evaluation for the formational overlapping coalition based on cloud model and fuzzy soft sets. This proposal belongs to one of the interdisciplinary applied basic researches and its implementation may provide theoretical instruction and methodology for the research and development of complex systems so as to promote the development of emulation technology in complex systems.

重叠联盟形成是复杂系统中非常活跃的研究领域。然而，传统的重叠联盟形成研究大都简单的要求目标无约束或资源无约束，难以适应日益复杂和智能的应用需求。为此，本课题提出通过重叠联盟机制来实现agent偏好和资源约束下的各种并发多任务决策和调度，并围绕技术路线中若干有待解决的问题开展研究。具体研究内容包括：在资源有限的情况下,构建基于agent偏好和资源冲突的OCF模型，设计基于三维整数编码差异演化的OCF算法进行冲突消解，同时提出基于多议题协商理论的重叠联盟效用分配策略，实现多任务的并行分派和多联盟效用的并行分配，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，最后基于云模型和模糊软集合对形成的重叠联盟进行综合评价，选出最优联盟。本课题属于多学科交叉的应用基础研究，可以为实际复杂系统的研制与开发提供理论指导及方法依据，推动复杂系统仿真技术的发展。

联盟形成研究是多agent系统（multi-agent systems, MAS）和人工智能领域中非常重要的研究课题，agent间如何形成高效的联盟是联盟形成中一个难点问题。本课题通过引入重叠联盟形成问题相关的领域知识和约束条件，在MAS和人工智能领域开展应用基础研究，主要创新成果有：（1）构建了基于agent偏好和资源冲突的重叠联盟形成的数学模型，提出了面向任务优先满足和绩效奖励的重叠联盟效用分配策略。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。该策略能更好的满足效用非减，充分体现了各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。并将重叠联盟的相关研究应用到水电建设项目中，提出了效益协商分配策略在水电建设项目中的运用。（2）提出了一种基于云模型和模糊软集合的agent联盟综合评价方法。首先利用云模型实现专家评价信息定性到定量的转换，然后利用模糊软集合实现评价信息的融合，得到综合评价结果。在此基础上，将重叠联盟应用到水电建设项目中，结合水电建设项目团队合作实际情况，对水电建设项目合作团队进行评价。（3）设计了基于重叠联盟和NSGA-II的虚拟企业伙伴选择算法。构建了多个项目并发的虚拟企业伙伴选择模型，设计了基于NSGA-II多目标优化的虚拟企业伙伴选择算法。多目标优化的虚拟企业伙伴选择能够获得多个Pareto最优解，这样可以为决策者提供更多的决策方案。（4）基于智能体联盟的车辆路径优化方法。针对多配送中心车辆路径问题，采用智能体联盟思想，构建了基于成本，碳排放和顾客满意度的多目标优化模型。设计了一种具有多目标启发函数的改进蚁群算法进行求解，得到更多的Pareto最优解。本课题属于多学科交叉的应用基础研究，可以为实际复杂系统的研制与开发提供理论指导及方法依据，推动复杂系统仿真技术的发展。