多Agent系統(tǒng)機(jī)器學(xué)習(xí)研究及應(yīng)用.pdf

1、多Agent系統(tǒng)的理論與技術(shù)已成為分布式人工智能和計(jì)算機(jī)科學(xué)技術(shù)重要研究?jī)?nèi)容之一。由于多Agent系統(tǒng)的運(yùn)行環(huán)境大型、開(kāi)放、動(dòng)態(tài)和不確定,迫切需要采用各種智能技術(shù),引入學(xué)習(xí)機(jī)制來(lái)構(gòu)建具有自學(xué)習(xí)能力的Agent。
　　本文主要研究Agent系統(tǒng)中的機(jī)器學(xué)習(xí)方法,通過(guò)對(duì)各種機(jī)器學(xué)習(xí)方法的研究與改進(jìn),力圖使Agent的學(xué)習(xí)能力更強(qiáng),適應(yīng)性更好。本文的主要研究成果和創(chuàng)新之處體現(xiàn)在以下幾個(gè)方面:
　　(1) BP算法是神經(jīng)網(wǎng)絡(luò)中最常用

2、的算法之一。標(biāo)準(zhǔn)BP算法存在的最主要問(wèn)題就是易于陷入局部極小、收斂速度慢等問(wèn)題。針對(duì)BP算法的這些問(wèn)題,出現(xiàn)了許多改進(jìn)的措施,如引入變步長(zhǎng)法、加動(dòng)量項(xiàng)法等。本文提出了一種基于樣本期望訓(xùn)練數(shù)的改進(jìn)BP算法(EBP),仿真實(shí)驗(yàn)說(shuō)明了該算法可以明顯提高BP網(wǎng)絡(luò)學(xué)習(xí)速度,并且具有簡(jiǎn)單通用性,可以和其他方法結(jié)合,進(jìn)一步提高算法的收斂速度。
　　(2)本文結(jié)合免疫機(jī)制和數(shù)論中的佳點(diǎn)集理論,給出了一種免疫佳點(diǎn)集遺傳算法(IGGA)。該算法把數(shù)論

3、中佳點(diǎn)集理論運(yùn)用于遺傳算法交叉操作和種群初始化的改進(jìn),提出帶權(quán)歐氏距離計(jì)算抗體的相似度、濃度和適應(yīng)度,引入免疫機(jī)制使群體保持多樣性和快速導(dǎo)向高適應(yīng)度模式。實(shí)驗(yàn)結(jié)果驗(yàn)證了該算法可以有效地避免早熟,改善算法的全局收斂性,提高搜索效率。
　　(3)強(qiáng)化學(xué)習(xí)中的Q學(xué)習(xí)是一種基于隨機(jī)動(dòng)態(tài)過(guò)程的不依賴模型的學(xué)習(xí)方法,Q學(xué)習(xí)主要采用查詢功能代替Q函數(shù)。但由于當(dāng)數(shù)量較大時(shí)Q值需要很大的存儲(chǔ)空間,同時(shí)agent所處的環(huán)境是空間連續(xù)的,因此采用本文提