基于個性Agent的協(xié)作強化學習模型研究.pdf

1、隨著計算機網(wǎng)絡(luò)和人工智能等技術(shù)的發(fā)展，智能體(Agent)的研究已成為分布式人工智能(DAI--Distributed Artificial Intelligent)研究的一個熱點。Agent的理論、技術(shù)，特別是MAS(Multi Agent System)的理論技術(shù)不僅為解決新的分布式應(yīng)用問題提供了有效的途徑，還為全面準確地研究分布式計算系統(tǒng)的特點提供了合理的概念模型，給我們帶來設(shè)計和實現(xiàn)可運行在分布與開放環(huán)境中的軟件系統(tǒng)的一個全新模

2、式，成為描述復(fù)雜現(xiàn)象、研究復(fù)雜系統(tǒng)、實現(xiàn)復(fù)雜自適應(yīng)性計算的方法。 MAS首先根據(jù)所研究的問題，定義單個Agent，給Agent賦予一定的行為和參數(shù)；然后，定義Agent之間以及Agent和環(huán)境之間的交互規(guī)則；最后，通過Agent之間的交互活動產(chǎn)生解決問題的能力。由此可見，構(gòu)造Agent和設(shè)計Agent之間的協(xié)作是MAS技術(shù)的核心。 本文針對目前的多Agent協(xié)作研究缺乏個性傾向和個性特質(zhì)模型研究，提出了CRLBP(Coo

3、perative Reinforcement Learning based Personality)模型，試圖從另一個側(cè)面解決多Agent協(xié)作問題。本文的主要工作包括： (1)提出個性Agent模型，即將個性行為綁定到信息Agent上，并詳細描述與形式化具有個性的信息Agent使各個性Agent更匹配任務(wù)中的角色位置。 (2)將個性Agent模型引入到協(xié)作協(xié)議中，基于個性Agent的協(xié)作強化學習模型(CRLBP)，該模型

4、將傳統(tǒng)的從單個Agent角度出發(fā)的強化學習，應(yīng)用到Agent群體的協(xié)作強化學習，對CRLBP模型與傳統(tǒng)模型進行對比實驗，在傳球和截球方面，CRLBP比傳統(tǒng)模型有優(yōu)勢。 (3)提出了概率性分布函數(shù)并通過評估函數(shù)進行修正，形式化了個性Agent，并進行了仿真實驗，實驗表明與不采用個性的Agent對比，在對單個Agent的傳球和截球方面的能力有提高。 (4)在機器人足球比賽(RoboCup)仿真平臺下，應(yīng)用CRLBP模型進行A