多Agent系統(tǒng)環(huán)境下動態(tài)信任模型研究.pdf

1、多Agent系統(tǒng),正朝著大規(guī)模、開放的、動態(tài)的和分布式結構的方向發(fā)展,在系統(tǒng)中擁有大量自私的 Agent,與其它 Agent交互時提供虛假信息或劣質(zhì)服務來獲得自己最大化利益。在任何時間Agent可以以不同角色進入或離開系統(tǒng),因而具有自私性和不可靠性。在系統(tǒng)中建立信任機制不僅有利于增加Agent交互的可靠性且可以幫助Agent作出理性決策,因此信任機制在開放多Agent系統(tǒng)中有重要作用。
　　近年來,不同研究人員基于多Agent系統(tǒng)

2、環(huán)境下提出了不同信任和信譽模型,然而當前信任模型都有不足之處:第一,基于概率論的 Beta分布信任模型僅能評價二元離散集,沒有考慮到推薦第三方是否可信問題及算法難以適應動態(tài)環(huán)境變化;第二,基于馬爾可夫決策過程和強化學習方法的信任模型假設 Agent知道自己所處的環(huán)境所有的信息,Agent在動態(tài)環(huán)境下缺乏學習和決策能力以及沒有考慮到“維數(shù)災”問題。
　　針對以上這些不足之處,本文提出基于狄利克雷分布的信任模型,以及基于機器學習理論的

3、信任模型。本文主要內(nèi)容和貢獻包括如下方面:
　　(1)基于狄利克雷分布的信任模型
　　利用狄利克雷后驗分布計算直接信任度,可以更加有效地避免策略性欺騙對計算直接信任的影響。為了得到最準確的推薦信息,使用最優(yōu)無偏估計方法對推薦信任度進行估計。由于本文中是以第三方推薦作為計算信任度參考量的,所以就存在第三方是否可靠的問題,因此提出了層次過濾算法對第三方推薦得到信息進行過濾。
　　仿真實現(xiàn)表明信任模型能夠有效抑制簡單的,不誠

4、實推薦和策略的惡意 Agent攻擊。
　　(2)基于機器學習理論的信任模型研究
　　在多Agent部分可觀察馬爾可夫決策過程框架中加入信任能使Agent作出更好決策。由于Agent是隱狀態(tài),用信念狀態(tài)來評估更新Agent交互狀態(tài)。在交互狀態(tài)評估函數(shù)中的轉(zhuǎn)移概率分布和觀察概率分布是部分可觀察或完全未知的,因此采用貝葉斯學習方法學習未知參數(shù)。隨著Agent交互次數(shù)不斷增多,信念狀態(tài)空間會出現(xiàn)“維數(shù)災”問題。采用分解聯(lián)合狀態(tài)、行動