信誉的产生主要是由于对一个特定问题的不完全认识,以及个体对超出自身认知事物进行研究与评价。信誉概念的实现依赖于从多个信息源进行数据的累积。在多智能体系统中,参与者的信任属性是一个重要的关注点,而且尤其需要考虑那些长期活跃在系统中的参与者。一般而言,信誉作为一种决策工具使交互双方可以更好地了解彼此,从而在提高智能体之间的合作上起到了关键作用。事实上,智能体间的顺利合作还强烈地依赖于智能体之间信任关系的分享。然而,由于多智能体系统具有开放性、动态性和匿名性等特点,使得多智能体系统中的合作问题仍然面临着许多挑战。其中一个重要的挑战就是在多智能体系统中的噪声问题。因此,误差将会十分容易地发生,这就给系统中合作战略的成功带来了困难。误差不仅仅造成智能体的交易收益低于预期,而且那些产生了误差的智能体将会获得一个信任违背,导致其未来交互频率的降低。换言之,信任违背往往会不可避免地发生在协作的自治智能体间。在基于信任的智能体系统里,信任可以通过正面的体验产生,相对应地,交互中负面的体验将会对信任产生违背。从心理学的角度来看,信任违背是背叛者通过对受害者表达了一个很低的权重,从而给受害者造成一个高付出低回报的收益结果。而且,单个智能体对由于信任违背导致的低信任度者的感知可以推广到整个智能体空间。与此相一致的,未按预期进行的交互所产生的信任违背,引发了信任是否可恢复的问题。然而,信任恢复的挑战不是在于设计机制来防止背叛者再次发生信任违背,而是在于设计一种机制来评估受害人恢复背叛者的信任度,并获得好的期望交互的可能性。显然,信任恢复比信任初始建立和维护更复杂。为了解决信任恢复的问题,在之前的文献里提出了很多基于心理和非心理的方法。然后,他们的方法与本文的方法的主要区别在于之前大多数的工作都只考虑了某一个单独因素,比如,后悔,道歉或基于静止时间的遗忘,来评估原谅一个违规者的可能性。因此,信任恢复需要更复杂的机制来探索导致信任下降的因素,并识别出受信任违背直接和间接影响的个体。本文主要贡献如下:(1)引入了原谅机制的计算模型,用来探测那些潜在的、有能力完成未来交易的不可信智能体。我们提出的原谅机制包括原谅因素的识别、信息来源和它的计算模型。五个积极动机,即意图,历史,道歉,严重性和重要性,被用来构成原谅的因素。为了提供一个更可靠的评价,原谅的信息来源既包括主观层面(个人层面),又包括客观层面(社区层面)。(2)提出了激励机制的计算模型,以鼓励信任违背后交互方之间的合作。此外,还引入了可宽恕的区域,指出了一些限制和边界值,以反映被原谅的信任违背不应该被完全遗忘的事实。提出了利益权衡比(WTR)的计算模型,作为分布式多智能体系统中信任故障恢复的机制。利益权衡比是一个心理变量,指的是一个人头脑中所进行的用来评估他人利益相对于自我利益的权重计算。基于利益权衡比,我们提出了评价指标的计算模型,通过对多个评价指标的整合,我们提供了最终的结果。此外,我们在四个不同的环境设置(在线社区、基于智能体的模型、重复囚徒困境和社交网络)下:进行了大量的实验,以验证所提出的框架的适用性。实验结果表明,通过采取本文提出的信任恢复框架,智能体间的交互效率得到了很好的提高,特别是长期交互,并且还能有效地处理不同程度的信任违背。