在IT领域,多智能体系统(Multi-Agent System, MAS)是分布式人工智能的一个重要分支,涉及到众多智能体(Agent)的相互作用与协作。而合同网协议(ContractNet Protocol, CNP)是任务分配的经典策略之一,被广泛应用于分布式问题求解。然而,随着系统规模的增大,传统的CNP由于没有考虑智能体间的信任机制和多议题协商,导致效率低下和通信开销大。针对这些问题,研究人员提出了基于信任的合同网Agent协商模型,以提高协商效率和信任评估的准确性。
信任机制模型的引入,主要是为了解决智能体间的非合作行为和协商风险问题。在该模型中,信任被定义为在无法监控对方行为的情况下,一个实体对另一实体将要进行的影响自己的行为的可能性的主观预测。信任反映了管理者对任务承担者能力的信任程度,有助于管理者更有效地筛选值得信赖的承包商进行协商,从而降低不必要的协商次数和通信量。
在提出的信任合同网多议题协商模型(RCNP)中,管理者(管理者代理)在发布标书时,将只与信任值大于某个阈值(TR)的智能体进行协商。这种机制有效地减少了与不可靠智能体的无效沟通,从而提高了整个协商过程的效率。信任度的评估是基于智能体过去的行为和表现,结合推荐信息来综合判断。同时,为了防止智能体在协商后未能按承诺完成任务的情况,引入了惩罚机制,当智能体未能履行承诺时,会降低其信任度,直至其信任度降低为0,意味着该智能体在系统中的信誉丧失。
在开放系统中,信任度分为局部信任度和全局信任度两种。局部信任度是基于智能体之间直接交互获得的信任评价,而全局信任度则是通过系统内所有智能体的间接交互获得的综合评价。全局信任度有助于智能体在选择交易伙伴时做出更为全面的判断。
为了验证RCNP模型的有效性,本文作者在JATLite平台上进行了一系列实验。实验结果表明,与传统模型相比,通信量大大减少,信任度的评估方法更精确,系统性能得到了显著提升。
关键词:信任度,合同网,多议题,协商
1. 引言:
文章首先介绍了MAS系统中任务分配的传统策略——合同网协议(CNP),并指出了该协议存在的问题,特别是在大规模系统中,所有智能体平等参与投标所造成的高通信开销和非合作行为的协商风险问题。
2. 合同网多议题协商模型:
详细阐述了RCNP模型的构建,以及信任评估机制的实现。信任评估不仅是局部的,而且还结合了全局的信任度,以更全面地反映智能体的真实可信度。
3. 实验与结论:
通过在JATLite平台上进行的实验,证明了RCNP模型相比传统模型在通信量和信任度评估上的优势。实验还比较了管理者采用不同策略时对系统性能的影响,并最终总结了RCNP模型的优势。
RCNP模型的提出,为解决大规模多智能体系统中智能体间的信任评估和有效协商问题提供了一种新的思路。通过信任机制和多议题的综合考虑,提高了任务分配的效率和质量,为智能体间的合作提供了更加可靠的保障。这一研究对于促进智能体技术和应用的发展具有重要的理论和实践价值。