多Agent系統(tǒng)機器學習研究及應用.pdf

1、多Agent系統(tǒng)的理論與技術已成為分布式人工智能和計算機科學技術重要研究內(nèi)容之一。由于多Agent系統(tǒng)的運行環(huán)境大型、開放、動態(tài)和不確定,迫切需要采用各種智能技術,引入學習機制來構建具有自學習能力的Agent。
　　本文主要研究Agent系統(tǒng)中的機器學習方法,通過對各種機器學習方法的研究與改進,力圖使Agent的學習能力更強,適應性更好。本文的主要研究成果和創(chuàng)新之處體現(xiàn)在以下幾個方面:
　　(1) BP算法是神經(jīng)網(wǎng)絡中最常用

2、的算法之一。標準BP算法存在的最主要問題就是易于陷入局部極小、收斂速度慢等問題。針對BP算法的這些問題,出現(xiàn)了許多改進的措施,如引入變步長法、加動量項法等。本文提出了一種基于樣本期望訓練數(shù)的改進BP算法(EBP),仿真實驗說明了該算法可以明顯提高BP網(wǎng)絡學習速度,并且具有簡單通用性,可以和其他方法結合,進一步提高算法的收斂速度。
　　(2)本文結合免疫機制和數(shù)論中的佳點集理論,給出了一種免疫佳點集遺傳算法(IGGA)。該算法把數(shù)論

3、中佳點集理論運用于遺傳算法交叉操作和種群初始化的改進,提出帶權歐氏距離計算抗體的相似度、濃度和適應度,引入免疫機制使群體保持多樣性和快速導向高適應度模式。實驗結果驗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)強化學習中的Q學習是一種基于隨機動態(tài)過程的不依賴模型的學習方法,Q學習主要采用查詢功能代替Q函數(shù)。但由于當數(shù)量較大時Q值需要很大的存儲空間,同時agent所處的環(huán)境是空間連續(xù)的,因此采用本文提