论文部分内容阅读
信念修正是人工智能、数据库理论以及哲学逻辑研究中的热门课题。它是研究当新知识与已有知识发生冲突时,如何协调新旧知识的理论。但传统信念修正理论是建立在单agent的基础上,而对于多agent系统中的信念修正还缺乏深入的研究。
本文在对多agent信念修正等基础理论的研究和探讨的基础上,结合国家自然科学基金项目“多agent信念修正理论研究”工作,提出了一种面向应用的计算方法,构造并初步实现了一个多agent信念修正框架。本文的主要研究工作和创新成果如下:一、完善了链表的计算方法,在AGM信念修正和广义信念修正理论的基础上,讨论了信念修正的计算方法。以优序划分模型为基础提出了一种信念修正计算方法并给出了相关的定义和定理,以及具体的算法,为研究agent信念库的维护操作奠定了基础。
二、提出了一种新的计算方法—LAT,针对链表结构算法复杂度高和无法表达信念间的逻辑关系的缺点,提出了一种新的树结构的计算方法。它能有效地表示信念间的逻辑关系,并在算法复杂度上优于链表结构,从而能有效地节省信念修正的时间。
三、构造了一个多agent信念修正框架模型—BereFrame。在MAS中为达到共同目标,各agent之间需要相互通信,合作,协调,协商。各agent并不是相互独立的,所以多agent信念修正不仅要求每个agent维持自身信念的一致性,而且各agent之间要采取某种策略协作完成全局信念的修正,达到全局一致性。本文提出的BereFrame系统能比较好的解决这方面的问题,并在一定程度上实现了部分功能。
四、为了达到全局的一致性,在BereFrame中采用对策论的方法,使系统中的各个agent不仅考虑自身的利益,还能兼顾整个系统的平衡。