在大规模复杂的分布式智能系统中,多个智能子系统之间的协调、合作尤为重要,也是难点问题。经典的大系统理论缺少有效的方法。本文基于Agent理论的联盟方法对上述问题进行了深入的理论研究,提出了一些有效的协作算法、策略,从而为实际应用系统的研制和开发提供理论指导和方法依据。 论文研究的主要内容及创新之处: (1) 在计算资源受限环境下有效的Agent联盟生成算法。针对具体任务,动态选择和激活适当的Agent组成任务求解联盟,从而以最优的配置和最高的效率完成任务,这是多Agent系统(MAS)运作的重要方式。如何在计算资源受限的实际系统中快速生成面向任务的最优Agent联盟是需要解决的首要问题。本文提出了一种基于蚁群系统的Agent联盟生成算法。在求解过程中蚂蚁倾向于选择曾经合作过并且合作效果比较好的Agent组成联盟,充分实现了熟人机制;创新地引入第二种信息素“内激素”对蚁群算法进行改进,使之不再易于陷人局部极小,提高了解的质量,加快了收敛。另外,该算法在求解任务集的最优联盟序列时,基于蚁群系统的学习能力可以有效减少联盟生成的搜索时间和计算量,可实现性好!实验结果表明该算法可以在计算资源受限环境下较好地解决面向复杂任务分布式智能系统如何自组织,最优化协调、合作的问题。 (2) 有效的联盟形成的效用划分策略。联盟完成任务可以获得一定的效用,甚至可能有额外效用。在MAS中,管理者为鼓励Agent结盟,必须指定一种合适的效用划分规则。设计了基于利益均衡的联盟形成效用划分策略,在非减性效用分配等原则的基础上,提高了对额外效用划分的合理性,在面向任务的领域中有利于全局优化联盟的形成。同时,在本文策略下形成的联盟具有Nash平衡意义下的稳定性。该效用划分策略为设计分布式智能系统的进化机制提供了依据。 (3) 适合于分布式智能系统的通信模型。顺畅的通信是智能子系统之间协作的基础。设计了一种Agent分层命名与定位机制来解决位置透明通信问题;在KQML语言的基础上扩充其行为原语,构造了适合于联盟协作的内容层描述语言,以保证智能子系统对所传输的信息进行无歧义的语义理解,从而构建了适用于分布式智能系统的通信模型。 (4) 针对制造系统的两个关键问题:供应链伙伴选择、收益分配,应用Agent联盟生成算法以及效用划分策略,设计了相应的求解方案,并验证了其有效性。同时,采用Visual C++语言编制了敏捷供应链决策支持系统ASCDSS。