多智能体技术

1、多智能体技术摘 要 当今，分布式人工智能研究的一个热点是多智能体系统，它是分布式问题求解的进一步发展。随着多智能体理论与技术的发展，其应用范围也在不断扩大着，但是由于其理论与应用研究刚起步不久，还有不少问题有待解决。本论文回顾了多智能体技术的发展历史，指出了多智能体理论及应用的研究方向，介绍了多智能体技术的基本概念和特点，多智能体系统的体系结构，多智能体中的协调与协作方法等内容。关键词 多智能体系统；多智能体结构；多目标优化；协调协作Multi-agent technologyAbstract Nowadays, one of the hot points in distributed art

2、ificial intelligence research is multi-agent system, which is the further development in distributed problem solving. With the development of multi-agent theory and technology, its application is being expanded. As the theory and application is just starting, there are many issues to be resolved. In

3、 this paper, the thesis reviews the development of EGCS, points out the research directions of multi-agent theory and application, and introduces the basic concepts and characteristics, Multi-agent system architecture，the coordination and collaboration on Multi-agent system.Keywords Multi-agent syst

4、ems；Multi-agent architecture；Multi-objective optimization；Coordination and collaboration1.前言目前的工业系统正向大型、复杂、动态和开放的方向转变，传统的工业系统和多机器人技术在许多关键问题上遇到了严重的挑战。分布式人工智能 (DAI，Distributed Artificial Intelligence)与多智能体系统(MAS, Multi-Agent System)理论为解决这些挑战提供了一种最佳途径。智能体系统是分布式人工智能的一个重要分支，是20世纪末至21世纪初国际上人工智能的前沿学科。研究的目的

5、在于解决大型、复杂的现实问题，而解决这类问题已超出了单个智能体的能力，将DAT、MAS充分应用于工业系统和多机器人系统的结果，便产生了一门新兴的机器人技术领域一多智能体机器人系统(MARS，MultiAgent Robot System)。总的来说，多智能体系统领域正在蓬勃发展。2.多智能体2.1多智能体理论的发展历史智能体Agent的概念最早可以追溯到1977年的 Carl Hewitt的“Viewing Control Structure as Patterns of Passing Messages”一文。在此文中，Carl Hewitt给出了一个称为 “Actor”的对象，它具有自身的

6、内在状态，又能与其他同类对象发送和反馈信息。而正式采用“Agent”一词可见于M. Minsky于1986年出版的“Society of Mind”一书，文中用“Agent”称呼一些具有特别技能的个体，它们存在于社会中，并通过竞争或协商求解矛盾1。多智能体系统（简称 MAS）是由多个单Agent组成的集合，该系统可以协调一组Agent的行为（知识、目标、方法和规划），以协同完成一个任务或是求解问题，各个单Agent可以有同一个目标，也可以有多个相互作用的不同目标，它们不仅要共享有关问题求解方法的指示，而且要就单Agent间的协调过程进行推理。多智能体理论的应用研究开始于 20世纪80年代中期，

7、近些年呈明显增长的趋势。尤其是近 10年来，Agent 和多智能体系统理论和技术频繁出现在大量应用系统的设计中，对Agent的研究已成为人工智能学科的一个热点，是人工智能学科的核心内容。目前，Agent方法和 MAS等相关技术已经日益应用于智能机器人、交通控制、制造系统、网络智能化、电子商务、软件系统等领域，成为一种对复杂系统进行分析、设计的有力思想方法和工具。2.2多智能体技术的基本概念和特点2.2.1多智能体技术的基本概念多智能体系统（Multi-Agent System，MAS）是由多个Agent组成的集合，Agent之间及Agent与环境之间通过通讯、协商与协作来共同完成单个Agent

8、不能解决的问题。也可以简单地说，多智能体系统是指由多个自主或半自主的构件所构成的各种大型的系统。在多智能体系统中，数据是分散的，没有系统的全局控制。多智能体技术提供了一种适合分布式计算和不确定问题求解的新方法，这是因为多智能体系统放松了对集中式规划、顺序控制的限制，提供了分散控制、应急和并行处理的能力，并且它是一个高度交叉的研究领域，它吸取了不同领域的内容，如计算机科学、人工智能、经济学、社会学等2。2.2.2多智能体技术的特点多智能体系统不同于传统的分布式处理系统，它要求系统中每Agent及Agent之间的交流具有智能性或自组织能力（如推理、规划、学习等）。其主要特点如下3：（1）社会性在

9、MAS中，Agent可能处于由多个Agent构成的社会环境中，拥有其他Agent的信息和知识，能通过Agent通信语言与其他Agent实施灵活多样的交互和通信，实现与其他Agent的合作、协调、协商等，以完成自身的问题求解或帮助其他Agent完成任务。（2）自治性在 MAS中，一个Agent发出服务请求后，其他Agent只有同时具备提供此服务的能力和兴趣，才能接受动作委托。因此，一个Agent不能强制其他Agent提供某项服务。 （3）协作性在 MAS中，具有不同目标的各个Agent必须相互协同、协商未完成问题的求解。通常的协作有：资源共享协作、生产者/消费者关系协作、任务/子任务关系协作等。

10、2.3多智能体理论应用的研究方向作为分布式人工智能的重要组成部分，多智能体技术的理论与应用研究刚起步不久，还有不少问题有待解决。今后多智能体的研究方向主要集中在以下几个方面5：（1）多智能体系统的实时性：一般的实时条件下，需要集中于对多智能体系统通讯层、协作层和控制层的设计及性能（不确定性、可靠性、鲁棒性、推理机制、学习机制及各种规划算法等）的提高。而在复杂实时动态条件下，对Agent结构、表达方法以及协调机制的研究与设计也是多智能体的研究方向之一；对于开放式综合多级的多智能体系统结构，要求该结构反映复杂环境下多层次、实时、动态的特点，并随问题性质的变化而改变；另外，在实时动态环境下，建立定性

11、和定量相结合的局部全局不精确多智能体推理模型，并将时序推理、非单调推理、时限推理和异步事件处理技术溶入多智能体系统推理中，以及采用模糊集理论，研究多智能体系统中各Agent的不一致性和不确定性，探讨多智能体可信度协调模型亦作为今后的主要研究内容，提出有效解决实时动态环境下仍能保持系统良好性能的解决方法。 （2）网络环境下的多智能体系统6研究基于多智能体技术的网络智能化方法，探讨建立和完善基于多智能体的分布式仿真系统和测试平台所面临的软件和硬件问题。（3）多智能体系统的协调在复杂的实时动态环境下，因存在时间及资源上的约束，需要解决Agent系统在有限时间和资源的前提下进行资源分配、任务调度、行为

12、协调、冲突消解等协调合作问题，因而研究多智能体系统也需要将重点放在对于功能独立的各个Agent通过协调及协作，完成复杂的控制任务或解决复杂问题方面上。具体研究内容主要是参与协调Agent对系统所做的贡献、Agent信息的可靠度以及各Agent之间的影响问题。此外，对参与协调Agent的重视程度和将多目标协调问题转化为单目标协调问题亦是其研究方向之一。 （4）实际应用的多智能体系统考核指标 在多智能体系统应用于实际的过程中，会有多个考核指标来对多智能体系统的应用价值进行评价，并且在用户界面、系统的稳定性、安全性、学习机制的准确性、可靠性及学习的延时性、实时性以及鲁棒性等问题上都需要进一步的研究与

13、改进，以达到考核指标的综合优化。 （5）逻辑符号与数学计算相结合的多智能体系统 研究多智能体的符号和数学方式的表达方法，探讨符号运算与数学计算的相互结合与转换，并将其应用于以机器和操作者构成的人机共存的多智能体系统。（6）基于多智能体系统的分布智能控制探讨将多智能体技术应用于实际的智能控制中所面临的问题，进一步研究具有分布和协调功能的智能控制系统的性能。2.4多智能体中的协调与协作在开放的多智能体系统中，每个Agent都具有自主性，在求解和运行过程中会按照自己的目的、知识与能力进行活动，经常会出现矛盾冲突，其根源在于Agent间的知识不完备性、目标不一致性、不兼容性等方面。因此，MAS中的Ag

14、ent之间需要进行协作与协调。多智能体协作（cooperation）是指多个Agent通过协调各自的行为，合作完成共同的目标。多智能体协调（coordinating）是指具有不同目标的多个Agent对其目标、资源等进行合理安排，以协调各自行为，最大限度地实现各自目标。2.4.1多智能体中的协调。有效的协调是自主的Agent在 MAS中达到目标的关键。MAS中存在Agent相互依赖的行为时，由于有多个Agent的意图存在，当发生冲突时，就要进行协调。协调是保证多智能体系统中Agent合作的主要方法。通过协调多智能体系统中Agent的个体行为，使得多智能体系统的整体行为得到改进，提高系统的性能，或

15、是减少系统的冲突3。2.4.1.1多智能体协调类型多智能体系统的协调分为显式协调和隐式协调两种4。显式协调是指Agent被设计成能够对可能的交互进行推理，必要时与其他Agent进行协商。隐式协调是指Agent被设计成遵循某局部的行为规则。 (1) 显式协调显式协调以协调控制行为的执行者在系统中的分布程度可分为完全集中的协调、完全分布的协调以及集中与分布相结合的协调三类。完全集中的协调是指主控Agent完全控制从属者的行为，由主控Agent内部的规划器保证从属Agent的行为彼此协调，这种协调方法在机器世界中已有应用。集中协调方法降低了系统的复杂性，减少了用于协调的通信开销，但却要求中心规划器有

16、极强的处理能力，要处理各种可能冲突来形成一个全局一致的方案。在完全分布的协调方法中，各Agent处于平等的地位，彼此行为的协调通过各Agent内部的推理机制或Agent之间的多次交互，必要时进行协商实现。这种协调方法适合于研究理性Agent的多智能体系统。(2) 隐式协调由于处理大量的可能冲突以形成一个全局一致的方案，交互通信或中心规划器的方法是可行的，因此多智能体系统中出现了关于社会规则、过滤、标准等隐式的研究。 Shoham提出人工Agent社会规定一套规则，每个Agent必须遵守，同时相信其他Agent也会遵守。这些规则一方面会限制每一个Agent所选择的动作，另一方面也可确保其他Age

17、nt的社会行为的协调。多智能体过滤是指过滤掉与任意Agent的已知目标或与既定目标不相容的选项。过滤策略与社会规则的原则相同，都是根据一定的原则将Agent可选动作中相容的一部分视为合理的而保留下来，从而协调Agent的行为。标准化是指在某些情况下，协调Agent通过标准化进行协调，即建立受控Agent在一些情况下必须遵守的标准规则。如计算机程序就是标准化协调的例子。2.4.1.2多智能体协调方法目前多智能体协调方法主要有如下四种5： (1) 基于集中规划的协调如果 MAS中至少有一个Agent具备其他Agent的知识、能力和环境资源知识，那么该Agent可作为主控Agent对该系统的目标进行

18、分解，对任务进行规划，并指示或建议其他Agent执行相关任务。这种基于集中规划的协调方法特别适合于环境和任务相应固定、动态行为集可预计和需要集中监控的情况，如机器人协调和智能控制。(2) 基于协商的协调当协商时，系统中没有作为规划的主控Agent。协商是Agent交换信息、讨论和达成一致的方式。具体协商方法有合同网协商、功能精确的协作和基于对策论的协商等等。(3) 基于对策论的协调此协调方法包括无通信协调和有通信协调两类。无通信协调是在没有通信的情况下，Agent根据对方及自身的效益模型，按照对策论选择适当行为。在这种协调方式中，Agent至多只能达到协调的平衡解。在基于对策论的有通信协调中可

19、以得到协作解。(4) 基于社会规则的协调这是一类以每个Agent都必须遵循的社会规则、过滤策略、标准和管理为基础的协调方法。这些规则对各Agent的行为加以限制，过滤某些有冲突的意图和行为，保证其他Agent必须具有的行为方式，从而确保本Agent行为的可行性，以实现整个Agent系统的社会行为的协调。2.4.2多智能体中的协作协作，也就是合作，是Agent社会性的表现，就同人类一样，能够共同完成复杂的任务。多智能体的协作问题是多智能体系统研究的重点6。2.4.2.2多智能体协作类型按照Agent间相互依赖的关系，多智能体系统问题求解的协作类型分为如下四种11： (a) 水平协作一种水平协作是

20、：协作团体中的每个Agent都不具有求解全局问题的能力，问题的解决需要众多智能体协作完成。另一种水平协作是：在协作团体中的每一个Agent都能独立解决问题而无需依赖其他Agent，但如果Agent能相互作用（用不同Agent的知识和数据进行推理或采用不同的推理机制），这样就能大大提高解的可信度。例如在给病人诊断病情时，多个医生之间的协作就是这种类型，将意见进行相互探讨及比较，则会大大提高最终诊断的可信度。 (b) 树型协作高一级的Agent根据低一级的Agent的结果做出解决问题的最后结论。例如总工程师常常根据几位工程师的意见给出最后的方案。 (c) 循环协作为了求得问题的解，不同的Agent

21、间相互依赖，往复协作。例如，为了解释地质数据，往往需要地理专家、地质专家、地球物理专家和地球化学专家的相互依赖、往复协作才能做出解释，即地球物理专家和地球化学专家完成一个子任务，而地球化学专家在完成该子任务的同时又可能要求地球地理专家的协助。由此可以看出，树型协作时循环协作的一个特例。 (d) 混杂协作即整个系统在某些级上用水平协作类型，而在整体上又是树型协作或循环协作类型，或整体上采用水平协作而局部采用树型或循环协作类型。2.4.2.2多智能体协作方法多智能体协作方法主要有合同网协作方法、黑板模型协作方法、结果共享协作方法和功能精确的协同方法等等7。 (a) 合同网合同网方法的思想源自人们用

22、于管理商品和服务的合同机制。其基本思想是：将任务的委派通过节点之间的招投标过程实现，在招投标过程中，利用通信机制对每个任务的分配进行协商，避免资源、知识等的冲突。即节点之间通过“招标投标中标”这一市场投标机制进行任务分配，使系统以较低的代价、较高的质量完成分布式任务。所有Agent分为两种角色：管理者和工作者。不需要预先规定Agent的角色，任何Agent既可以通过发布任务通知书进行招标而成为管理者，也可以通过应答任务通知书参与投标而成为工作者。这一灵活性使任务能够被不同层次地分解分配，系统中的每一待求解任务，由承担该任务的Agent负责。当Agent无法独立完成该任务时，它就将任务分解，并履

23、行管理者职责，为每一任务发放任务通知书，然后从返回的投标中选定合适的工作者，将子任务分配给它，并建立相应的合同。合同网适用于任务能够独立分解，子任务之间不存在相互作用的多智能体系统，但也存在着通信频繁、资源浪费等问题。 (b) 黑板模型8黑板模型结构是为解决分布在不同物理环境下多个实体协作完成任务的并行和分布计算模型。在多智能体协作中，黑板模型的基本思路是：多个Agent协作求解一个问题，黑板是一个共享的问题求解空间，多个Agent都能“看到”黑板上的各种信息。当问题和初始数据记录到黑板上，协作求解开始。所有Agent通过“看”黑板寻求有利于其经验知识发挥的信息，能够实现向问题解的靠近。当一个

24、Agent发现黑板上的信息足以支持它进一步求解问题时，它就将求解结果记录在黑板上。新增加的信息有可能使其他Agent继续求解。重复这一过程直到问题彻底解决，获得最终结果12。每个Agent是独立的专家，能独立解决某一特定问题。黑板是一个共享的问题求解空间，各Agent的交互通过黑板进行。监控部分是根据问题求解的状态和各知识源的求解技能，依据某种策略，动态的选择和激活适合的Agent，使各Agent能实时响应黑板的变化。这种方法特别适合于事先无法确定求解次序的复杂问题，但为了正确理解由其他Agent写到黑板上的信息，各Agent要使用共同的交互语言。(c) 结果共享方法结果共享协作方法的基本思路是：各个Agent通过交换结果实现协作的问题求解，逐步获得最终的结果。每当一个Agent求得某一问题的结果时，他就根据协作知识判断哪些Agent可能需要这一结果，并将结果传送给相应的Agent。收到结果的Agent可通过不同方式利用这个结果，以利于自身问题的计算或求解，从而产生一个更完整的求解结果，并传送给其他需要的Agent。重复此过程，直至整体任务完成。结果共享的协作求解方法可以增加正确结果的可信度，提高求解效率和资源利用率，改善群体求解的性能。但其实现有一定的难度，比如不知道哪些结果该共享，不知道