论文部分内容阅读
多agent系统，尤其是多agent学习方法，近年来有长足的发展，在解决很多实际问题中取得了很好的应用效果。但是随着研究的深入，多agent学习领域也迎来了新的挑战。多agent系统可扩展能力在多agent学习研究中具有重要地位。本文试图利用新的学习技术和方法，运用经典的团队学习视角。重新考察多agent学习问题，并希望对多agent系统可扩展性问题的进一步研究提供新的思路。学习分类器系统作为一种基于遗传算法的机器学习方法，同时也被纳入到强化学习领域。近年来学习分类器系统方法在数据挖掘，控制等领域有出色的实际应用。有研究者也曾尝试过利用该方法解决多agent系统问题。但大多采用完全异构的方式组织。
本文主要采用团队学习，一种经典的多agent学习架构，重新思考学习分类器系统在多agent系统中应用的可能性。论文的主要工作如下：
1)详细综述多agent学习思想以及其两种主要的研究方法：多agent强化学习和共同进化算法；
2)详细介绍了学习分类器系统的发展历史，基本原理以及架构。对经典的三种学习分类器系统研究进行了综述；
3)在总结学习分类器系统在多agent系统研究领域内已有主要工作的基础上，提出了基于复杂学习分类器系统或XCS的同质团队学习模型以及算法实现。并在新模型的基础上，进行系统实验，深入讨论了学习积累过程，通信以及基于遗传算法探索能力等因素对多agent系统协作性能的影响以及原因。