專利名稱：一種基于多Agent技術的智能決策仿真實驗系統(tǒng)的制作方法
技術領域：
本發(fā)明涉及一種基于多Agent技術的管理實驗或決策支持的智能仿真系統(tǒng)。其概念可定 義為-智能決策仿真實驗系統(tǒng)(Intelligent Decision Simulation Experimental System， IDSES)，屬于計算機仿真、人工智能和管理實驗的交叉領域，是一種集成了系統(tǒng)仿真、計算 機圖形學、人工智能的多項新技術、云計算和管理實驗方法論的更為先進的智能決策系統(tǒng)。
背景技術：
凡事預則立不預則廢，管理實驗對于組織決策有著極其重要的作用，如優(yōu)化設計降低成 本、預測結果規(guī)避風險，提高效率縮短周期，虛擬現(xiàn)實減少物耗。無論是作業(yè)層面還是戰(zhàn)略 層面的決策(方案選擇)都是組織的管理核心，而低成本、低風險、高效率、高安全的科學 決策已然成為各類組織管理實踐的需求重點。研究表明，目前中國對管理實驗的研究比較零散 和少見，且主要集中于基于計算機的模擬實驗，大多數(shù)的研究被限制在運作研究上，其中系統(tǒng) 動力學的方法是主要的模擬手段。
基于計算機及其網(wǎng)絡的仿真技術，不但能提高效率，縮短研究開發(fā)周期，減少訓練時間， 不受環(huán)境及氣候限制，而且對保證安全、節(jié)約開支、提高質量具有突出的功效。仿真技術是 建立于實驗性的概念上。當要一個機構決定使用一個新的設計或新的策略時，往往由于時間 和資金的限制，沒有辦法承受失敗所帶來的風險，此時仿真技術可以幫助它減輕失敗的風險。 通過電腦虛擬現(xiàn)實的情況，決策者可以知道策略或設計的可行性，從而幫助他們做出明智的 決策。美國、日本等發(fā)達國家在計算機仿真方面比較領先，先后開發(fā)出了如WINTNES、FLEXSIM、 RaLC等工具，但這些仿真工具都是以確定性實物規(guī)劃和過程仿真等作業(yè)層的應用為主，缺乏 戰(zhàn)略決策仿真和動態(tài)不確定性環(huán)境的仿真。這些工具的主要仿真方法有數(shù)學模擬、矢量圖形、 三維模型等。它們具備一定的柔性和可視性，但智能化和集成化程度低，功能簡單。隨著人 類所研究的對象規(guī)模日益龐大，結構日益復雜，環(huán)境日益不確定，組織決策僅僅依靠人的經(jīng) 驗及傳統(tǒng)的技術難于滿足越來越高的要求。
當前的智能決策支持系統(tǒng)(IDSS)概念最早由美國學者波恩切克等人于20世紀80年代 提出，它的功能是，既能處理定量問題，又能處理定性問題。是人工智能(AI)和DSS相結 合，應用專家系統(tǒng)技術，使DSS能夠更充分地應用人類的知識，如關于決策問題的描述性知 識，決策過程中的過程性知識，求解問題的推理性知識，通過邏輯推理來幫助解決復雜的決 策問題的輔助決策系統(tǒng)。IDSS的核心思想是將AI與其它相關科學成果相結合，使DSS具有人工智能。但IDSS最大的缺陷是缺乏仿真實驗過程，即預測過程，尤其是可視化仿真過程， 輔助決策的效果無法預先檢驗。另外當遇到專家知識短缺和需要大規(guī)模復雜并行計算時效率 會變得很低。
然而現(xiàn)代組織的競爭越來越精益化， 一個失誤就可能斷送機會。因此一個智能化的預測 決策一體化實驗平臺對于組織的科學、有效決策顯得至關重要。智能決策仿真實驗系統(tǒng)綜合 運用了云計算和人工智能的多項新技術，如多agent技術、自然語言處理、機器學習、知識 發(fā)現(xiàn)等，比傳統(tǒng)仿真系統(tǒng)和決策支持系統(tǒng)更智能化、開放化、集成化和高效，功能更全面。

發(fā)明內容
本發(fā)明的目的是為了充分利用人工智能的最新技術，結合仿真技術的可預見性對管理實 驗在理論上和技術上進行突破，創(chuàng)新智能決策支持系統(tǒng)的設計理念和實現(xiàn)方法，在理論、方 法、技術和功能上形成相對現(xiàn)有IDSS的新概念，形成預測與決策一體化智能系統(tǒng)，將組織從 作業(yè)層到戰(zhàn)略層的決策全部納入實驗系統(tǒng)，以智能型可視化仿真實驗預測過程與結果，降低 組織決策成本、規(guī)避決策風險、提高決策科學性、有效性和效率。智能決策仿真實驗系統(tǒng)是 一個大規(guī)模決策實驗平臺，完全開放和柔性，使用者可以在這個平臺的基礎上建立自己的邏 輯庫、知識庫、素材庫、范例/對策庫，利用平臺的強大實驗功能(3D模型仿真、2D圖形仿 真、數(shù)學模型仿真，邏輯推理仿真與云計算)建立自己行業(yè)的實驗室。該系統(tǒng)可應用在企業(yè) 經(jīng)營決策、政府管理決策、軍隊指揮決策、院校教育培訓等領域。
本發(fā)明解決上述問題所采用的技術方案是 一種基于多Agent技術的智能決策仿真實驗 系統(tǒng)(IDSES)，它是一個基于互聯(lián)網(wǎng)的、集成化的預測與決策一體化智能仿真系統(tǒng)；
(1) 所述智能決策仿真實驗系統(tǒng)包括規(guī)劃子系統(tǒng)、評估子系統(tǒng)、決策子系統(tǒng)、博弈子 系統(tǒng)四個功能子系統(tǒng)；
(2) 所述各功能子系統(tǒng)具有四層多Agent系統(tǒng)結構(MAS),即職能層MAS、作業(yè)層MAS, 通信層MAS、資源層MAS;
(3) 所述規(guī)劃子系統(tǒng)，其功能是利用該仿真實驗平臺進行智能機器規(guī)劃或人工規(guī)劃提 出決策方案；職能層MAS包括人機界面Agent、解釋Agent、人工干預Agent、約束Agent、 推理Agent;，作業(yè)層MAS包括規(guī)劃Agent、任務Agent、項目Agent、作業(yè)Agent、信息 Agent、自然語言處理Agent、仿真Agent、圖形模擬Agent;通信層MAS包括通信Agent; 資源層MAS包括素材庫管理Agent、知識庫管理Agent 、邏輯庫管理Agent 、范例/對策庫 管理Agent、遠程數(shù)據(jù)挖掘Agent;
(4) 所述評估子系統(tǒng)，其功能是利用該仿真實驗平臺對決策預案進行智能評估提出改進意見；職能層MAS包括人機界面Agent、解釋Agent、人工干預Agent;作業(yè)層MAS包括 評估Agent、自然語言處理Agent、仿真Agent、圖形模擬Agent;通信層MAS包括通信Agent; 資源層MAS包括素材庫管理Agent、知識庫管理Agent、邏輯庫管理Agent、范例/對策庫 管理Agent、遠程數(shù)據(jù)挖掘Agent;
(5) 所述決策子系統(tǒng)，其功能是利用該仿真實驗平臺對多個決策預案進行智能分析選 擇最滿意方案；職能層MAS包括人機界面Agent、解釋Agent、人工干預Agent;作業(yè)層MAS 包括決策分析Agent、自然語言處理Agent、仿真Agent、圖形模擬Agent;通信層MAS包 括通信Agent;資源層MAS包括素材庫管理Agent、知識庫管理Agent、邏輯庫管理Agent、 范例/對策庫管理Agent、遠程數(shù)據(jù)挖掘Agent;
(6) 所述博弈子系統(tǒng)，其功能是利用該仿真實驗平臺進行智能人機博弈或智能聯(lián)機博 弈以檢驗決策的競爭力；職能層MAS包括人機界面Agent、解釋Agent、人工干預Agent; 作業(yè)層MAS包括博弈Agent 、策略Agent 、項目Agent 、作業(yè)Agent 、信息Agent 、目標Agent 、 自然語言處理Agent、仿真Agent、圖形模擬Agent;通信層MAS包括通信Agent;資源層 MAS包括素材庫管理Agent、知識庫管理Agent 、邏輯庫管理Agent 、對策庫管理Agent 、 遠程數(shù)據(jù)挖掘Agent;
(7) 所述各子系統(tǒng)職能層MAS，用以履行系統(tǒng)上層職能
人機界面Agent:反應型，用來獲取信息，向用戶提供結論，請求用戶輸入必要信息，包 括輸入輸出控制模塊、通信模塊、行為感知模塊、1/0算法數(shù)據(jù)庫及Agent狀態(tài)表和Agent字典;
解釋Agent:混合型，用來對實驗結果進行必要的、合理的對運行過程的解釋，把結果反 饋給人機界面Agent輸出給用戶，包括解釋生成器、結論控制模塊、通信模塊、行為感知模塊、 解釋算法數(shù)據(jù)庫以及Agent狀態(tài)表和Agent字典；
人工干預Agent:反應型，用于在資源不足時，啟動相應的程序，由用戶干預處理，包括 程序調用控制模塊、通信模塊、行為感知模塊、調用算法數(shù)據(jù)庫；
約束Agent:反應型，用于解決決策實驗過程的約束滿足，主要解決常識性和約定的約束， 包括約束控制模塊、通信模塊、行為感知模塊、約束算法數(shù)據(jù)庫以及約束條件表和Agent字典；
推理Agent:即推理機，混合型，依靠專家知識與策略對機器規(guī)劃方案進行事實推論， 向規(guī)劃Agent提出改進意見，包括問題推理器、規(guī)則控制模塊、通信模塊、行為感知模塊、 推理算法數(shù)據(jù)庫以及規(guī)則集和Agent字典；
(8) 所述各子系統(tǒng)作業(yè)層MAS，用以實現(xiàn)系統(tǒng)核心業(yè)務操作功能
規(guī)劃Agent:混合型，用來接受用戶的規(guī)劃實驗請求，建立規(guī)劃約束、規(guī)劃模型和規(guī)劃域，集成各任務Agent的規(guī)劃結果，形成總規(guī)劃案，包括任務規(guī)劃器、決策與智能控制模塊、通信 模塊、行為感知模塊、規(guī)劃算法數(shù)據(jù)庫以及Agent狀態(tài)表和Agent字典；
評估Agent:混合型，用來接受用戶的評估實驗請求，建立評估指標體系和測試集，對決 策方案用戶關心的目標進行比較評價和邏輯推理評價，形成評價方案，包括方案評價模塊、 評估控制模塊、通信模塊、行為感知模塊、評估算法數(shù)據(jù)庫以及Agent狀態(tài)表和Agent字典；
決策分析Agent;混合型，用來接受用戶的決策分析實驗請求，建立決策約束、目標模型 和選擇機制，比較分析用戶提交的各類方案，形成決策意見，包括方案比較模塊、決策分析 控制模塊、通信模塊、行為感知模塊、決策算法數(shù)據(jù)庫以及Agent狀態(tài)表和Agent字典；
博弈Agent:混合型，用來接受用戶的博弈實驗請求，建立裁判模型、推理機制和博弈約 束，裁決用戶提交的各種方案，形成博弈結果，包括策略生成器、裁決與智能控制模塊、通 信模塊、行為感知模塊、博弈算法數(shù)據(jù)庫以及Agent狀態(tài)表和Agent字典；
任務Agent:混合型，根據(jù)各項目Agent能力和狀態(tài)進行問題分解，把任務分配給相應的項 目Agent，同時收集項目Agent的規(guī)劃子案反饋給規(guī)劃Agent,包括項目規(guī)劃器、決策與智能控 制模塊、通信模塊、行為感知模塊、規(guī)劃算法數(shù)據(jù)庫以及Agent狀態(tài)表和Agent字典；
目標Agent:反應型，用于在網(wǎng)絡上尋找聯(lián)機博弈目標及其策略并反饋給博弈Agent，包 括目標搜索控制模塊、通信模塊、行為感知模塊、搜索算法數(shù)據(jù)庫以及路由表和Agent字典；
策略Agent:混合型，作用同任務Agent,只是受控和傳遞對象不同，結果形式不同，包括 項目規(guī)劃器、決策與智能控制模塊、通信模塊、行為感知模塊、規(guī)劃算法數(shù)據(jù)庫以及Agent 狀態(tài)表和Agent字典；
項目Agent:混合型，多個，是完成實驗任務的主體，承擔具體實驗任務，可衍生出下一 層作業(yè)Agent,包括作業(yè)規(guī)劃器、決策與智能控制模塊、通信模塊、行為感知模塊、規(guī)劃算法 數(shù)據(jù)庫以及Agent狀態(tài)表和Agent字典；
作業(yè)Agent:混合型，多個，是完成實驗任務的基礎單元，根據(jù)所得到的子問題和參數(shù)， 利用相關信息生成基礎實驗結果并反饋給項目Agent，包括子問題求解器、求解與智能控制模 塊、通信模塊、行為感知模塊、求解算法數(shù)據(jù)庫以及Agent狀態(tài)表和Agent字，；
信息Agent:反應型，多個，負責收集上一級Agent所需的各類信息并反饋，可能需多個 信息Agent以完成不同的任務并進行協(xié)商和合作，包括信息采集控制模塊、通信模塊、行為感 知模塊、采集算法數(shù)據(jù)庫以及Agent狀態(tài)表和Agent字典；
自然語言處理Agent:混合型，用來處理用戶在實驗系統(tǒng)界面輸入的和系統(tǒng)輸出的大規(guī)模 真實文本，進行信息檢索過濾和信息抽取，轉換成系統(tǒng)識別的簡潔的規(guī)范數(shù)據(jù)以待核心Agent 處理，包括語言處理模塊、信息識別與智能控制模塊、通信模塊、行為感知模塊、識別算法數(shù)據(jù)庫、語料庫以及專有詞匯表和Agent字典；
仿真Agent:反應型，用來將規(guī)范化決策方案進行數(shù)學仿真、計算和邏輯推理仿真并輸出 結果，包括仿真控制模塊、通信模塊、行為感知模塊、仿真算法數(shù)據(jù)庫及函數(shù)表和Agent字典;
圖形模擬Agent:反應型，用來將仿真過程用適當?shù)膱D形(二維、三維)可視化模擬， 同時具有空間參數(shù)和行為參數(shù)計算功能，包括圖形模擬控制模塊、通信模塊、行為感知模塊、 動作算法數(shù)據(jù)庫以及函數(shù)表和Agent字典；
(9) 所述各子系統(tǒng)通信層MAS，只有通信Agent，反應型，用以實現(xiàn)數(shù)據(jù)排隊，提供Agent 的注冊，基于消息的通信，為消息提供者提供匹配，解釋處理等功能，包括通信服務器、消 息發(fā)送模塊、行為感知模塊、通信算法數(shù)據(jù)庫以及注冊表和路由表；
(10) 所述各子系統(tǒng)資源層MAS，用以實現(xiàn)系統(tǒng)底層數(shù)據(jù)管理功能； 素材庫管理Agent:反應型，負責素材庫管理維護、素材組合和運行，包括素材分類與調
用控制模塊、通信模塊、行為感知模塊、分類與調用算法數(shù)據(jù)庫以Agent狀態(tài)表和Agent字典;
知識庫管理Agent:混合型，負責知識庫的維護、知識比較更新和基于知識的推理工作， 包括知識比較更新模塊、知識分類與調用控制模塊、基于知識的推理模塊、通信模塊、行為 感知模塊、比較算法數(shù)據(jù)庫、分類與調用算法數(shù)據(jù)庫以及Agent狀態(tài)表和Agent字典；
邏輯庫管理Agent:混合型，負責邏輯庫的維護、邏輯調用、邏輯匹配和基于邏輯的推理 工作，包括邏輯比較更新模塊、邏輯分類與調用控制模塊、基于邏輯的推理模塊、通信模塊、 行為感知模塊、比較算法數(shù)據(jù)庫、分類與調用算法數(shù)據(jù)庫以及Agent狀態(tài)表和Agent字典；
范例/對策庫管理Agent:混合型，負責范例/對策庫的檢索、匹配、修改、復用等基于范 例推理的相應功能，包括范例/對策比較更新模塊、范例/對策分類與調用控制模塊、通信模 塊、行為感知模塊、比較算法數(shù)據(jù)庫、分類與調用算法數(shù)據(jù)庫以及Agent狀態(tài)表和Agent字典;
遠程數(shù)據(jù)挖掘Agent:混合型，負責本地數(shù)據(jù)缺乏時進行遠程數(shù)據(jù)獲取、數(shù)據(jù)較驗和數(shù)據(jù) 沖突及冗余消解，包括數(shù)據(jù)評價與校驗模塊、數(shù)據(jù)挖掘控制模塊、通信模塊、行為感知模塊、 KDD構件庫以及網(wǎng)絡資源檢索和Agent字典；
(11 )所述反應型Agent:通過感知環(huán)境變化做出相應反應動作，用五元組表示Agent:: =<Aid， P， A， see, action>,其中，Aid是某個具體Agent的標識；A表示Agent行為集； P表示Agent視覺狀態(tài)集；see, action用于刻畫Agent內部觀察過程和行為決策過程；
(12)所述混合型Agent:結構分為兩層，底層是反應層，不采用符號表示和推理，可 快速響應并處理外部環(huán)境的突發(fā)性變化，通常具有較高的優(yōu)先級；高層采用傳統(tǒng)人工智能方 法進行規(guī)劃、推理和決策，用十一元組表示Agent : : =<Aid， P， A， R, Dva， Dar， Rule,see next, estimate, action〉，其中，R表示Agent所有可能行動方案對應的所有可能結 果狀態(tài)所構成的集合；Dva表示視覺狀態(tài)與方案集的對應規(guī)則集；Dar表示方案集與結果狀態(tài) 之間的對應關系；Rule是具體的決策法則構成的集合；next用于刻畫Agent內部的思維過程； estimate表示選定方案集，根據(jù)方案與結果狀態(tài)集的對應規(guī)則庫，確定可能的結果狀態(tài)。其 它元素含義與反應型Agent相同。
(13) 所述智能決策仿真實驗系統(tǒng)包括素材庫、范例/對策庫、知識庫、邏輯庫等四類 本地數(shù)據(jù)庫；素材庫用以存儲和提供圖形模擬所需要的圖形素材；知識庫用以存儲和提供實 驗所需要的專家知識、實驗規(guī)則、管理知識和情報數(shù)據(jù)；邏輯庫用以存儲和提供實驗所需要 的作業(yè)邏輯、推理邏輯、解釋邏輯等；范例/對策庫用以存儲和提供實驗成功范例/對策和實 驗所需要的相同或相似案例/對策。
(14) 所述智能決策仿真實驗系統(tǒng)運用數(shù)學模型仿真、二維圖形仿真、三維模型仿真、 邏輯推理仿真4種仿真實驗方法；數(shù)學模型仿真，是將問題抽象和簡化，建立數(shù)學模型，通 過求解過程進行行為仿真，從而預測結果；數(shù)學模型仿真可以和圖形仿真、邏輯推理相結合; 二維圖形仿真，是利用機器或人工建立，以動態(tài)平面圖形仿真表現(xiàn)行為過程，從而觀測過程 并計算結果；三維模型仿真，是利用機器或人工建立，以動態(tài)三維圖形仿真全方位表現(xiàn)行為 過程，從而觀測過程并計算結果；邏輯推理仿真，是將問題和環(huán)境參數(shù)交給專家知識，利用 推理機制和算法預測過程和結果，通常與數(shù)學模型仿真相結合。
本發(fā)明的意義在于1)是管理實驗方法論、系統(tǒng)仿真技術和輔助決策在理論、方法、 技術和功能上的整合和突破。2)建立了一個具有通用性、開放性、可擴展性、可復用的，基 于多Agent技術的預測與決策一體化智能仿真實驗系統(tǒng)模型。3)開發(fā)一套功能強大的、易用 的、集成的、可視化的、低成本的、計算與求解能力卓越地高智能化決策仿真實驗軟件系統(tǒng)。 4)首次將異構Agent及其群體協(xié)作引入決策支持系統(tǒng)，大幅度提高了智能水平；首次將預測 與決策技術集成處理，大幅度提高了決策的科學性；首次將云計算商業(yè)模式運用于輔助決策， 大幅度提高了決策的時效性。5)構建智能決策仿真實驗系統(tǒng)的體系結構，不僅改變了現(xiàn)有仿 真系統(tǒng)的運行機制，更改變了現(xiàn)有智能決策支持系統(tǒng)的構造方法和運行機制。6)智能決策仿 真實驗系統(tǒng)的設計與開發(fā)將傳統(tǒng)的為運作管理而設計的系統(tǒng)仿真技術提高到了戰(zhàn)略管理層 面，并將一直以來獨立存在且緩慢發(fā)展的我國管理實驗研究帶入了互聯(lián)網(wǎng)和智能體時代，同 時也將引起系統(tǒng)工程界對管理決策問題交叉領域更廣泛的研究。


下面結合附圖和實施例對本發(fā)明作進一步說明。200910013045.1
圖1是本發(fā)明設計的智能決策仿真實驗系統(tǒng)(IDSES)結構示意圖。
圖2是本發(fā)明設計的IDSES四層Agent體系結構示意圖。
圖3是本發(fā)明設計的IDSES規(guī)劃子系統(tǒng)工作流程圖。
圖4是本發(fā)明設計的IDSES評估子系統(tǒng)工作流程圖。
圖5是本發(fā)明設計的IDSES決策子系統(tǒng)工作流程圖。
圖6是本發(fā)明設計的IDSES博弈子系統(tǒng)工作流程圖。
圖7是本發(fā)明設計的職能層MAS人機界面Agent結構與功能示意圖
圖8是本發(fā)明設計的職能層MAS解釋Agent結構與功能示意圖
圖9是本發(fā)明設計的職能層MAS人工干預Agent結構與功能示意圖
圖10是本發(fā)明設計的職能層MAS約束Agent結構與功能示意圖
圖11是本發(fā)明設計的職能層MAS推理Agent結構與功能示意圖
圖12是本發(fā)明設計的作業(yè)層MAS規(guī)劃Agent結構與功能示意圖
圖13是本發(fā)明設計的作業(yè)層MAS評估Agent結構與功能示意圖
圖14是本發(fā)明設計的作業(yè)層MAS決策分析Agent結構與功能示意圖
圖15是本發(fā)明設計的作業(yè)層MAS博弈Agent結構與功能示意圖
圖16是本發(fā)明設計的作業(yè)層MAS任務Agent結構與功能示意圖
圖17是本發(fā)明設計的作業(yè)層MAS目標Agent結構與功能示意圖
圖18是本發(fā)明設計的作業(yè)層MAS策略Agent結構與功能示意圖
圖19是本發(fā)明設計的作業(yè)層MAS項目Agent結構與功能示意圖
圖20是本發(fā)明設計的作業(yè)層MAS作業(yè)Agent結構與功能示意圖
圖21是本發(fā)明設計的作業(yè)層MAS信息Agent結構與功能示意圖
圖22是本發(fā)明設計的作業(yè)層MAS自然語言處 Agent結構與功能示意圖
圖23是本發(fā)明設計的作業(yè)層MAS仿真Agent結構與功能示意圖
圖24是本發(fā)明設計的作業(yè)層MAS圖形模擬Agent結構與功能示意圖
圖25是本發(fā)明設計的通信層MAS通信Agent結構與功能示意圖
圖26是本發(fā)明設計的資源層MAS素材庫管理Agent結構與功能示意圖
圖27是本發(fā)明設計的資源層MAS知識庫管理Agent結構與功能示意28是本發(fā)明設計的資源層MAS邏輯庫管理Agent結構與功能示意圖 圖29是本發(fā)明設計的資源層MAS范例/對策庫管理Agent結構與功能示意圖
圖30是本發(fā)明設計的資源層MAS遠程數(shù)據(jù)挖掘Agent結構與功能示意圖
具體實施例方式
如圖1所示，為本發(fā)明設計的系統(tǒng)結構圖。IDSES由四個子系統(tǒng)組成，每個子系統(tǒng)通過 四層MAS實現(xiàn)預定功能。系統(tǒng)所需數(shù)據(jù)存儲在四個數(shù)據(jù)庫中，用戶登錄系統(tǒng)界面根據(jù)需要選 擇進入不同的子系統(tǒng)進行操作，數(shù)據(jù)在各子系統(tǒng)間共享。當數(shù)據(jù)不足時，系統(tǒng)發(fā)起遠程數(shù)據(jù) 挖掘進程，從Internet獲取所需數(shù)據(jù)；當系統(tǒng)發(fā)生大規(guī)模并行計算需求時，可通過Internet 利用云計算資源提高求解效率。
如圖2所示，為本發(fā)明設計的四層Agent體系結構示意圖。多個異構Agent根據(jù)功能需 要和交互需要被分成四個層次。在四個功能子系統(tǒng)中職能層包括了5種Agent，是與用戶最 接近的上層表現(xiàn)機構，用于建立人機互動進行和結論輔助修正工作，直接表現(xiàn)了系統(tǒng)的職能; 作業(yè)層包括了 13種Agent,是系統(tǒng)的中層核心執(zhí)行機構，對于用戶來說是透明的，它們上層 問題指令，通過通信中介從資源層獲得數(shù)據(jù)進行一系列求解過程然后將最終結構反饋給職能 層；通信層只有通信Agent,是系統(tǒng)的中層通信中樞，主要用來傳遞消息與數(shù)據(jù)并進行Agent 注冊，保證多Agent系統(tǒng)中通信與數(shù)據(jù)傳遞的有序性和有效性；資源層包括6種Agent，是 系統(tǒng)的底層資源管理機構，用于數(shù)據(jù)的獲取、更新、提交及海量數(shù)據(jù)的分析和識別，保證數(shù) 據(jù)頻繁調用過程的準確性。
如圖3所示，為本發(fā)明設計的規(guī)劃子系統(tǒng)工作流程圖。其具體步驟如下-
步驟l，用戶需制定一個方案，通過人機界面登錄規(guī)劃子系統(tǒng)，選擇機器規(guī)劃或人工規(guī) 劃，規(guī)劃子系統(tǒng)各Agent向通信Agent注冊；如果選擇了機器規(guī)劃，則在輸入界面選擇結構 化文本輸入或非結構化文本輸入問題和參數(shù)；如果選擇了人工規(guī)劃，則在輸入界面進行文本 描述問題和參數(shù)或利用系統(tǒng)提供的圖形素材在圖形建模平臺進行圖形建模并描述問題邏輯；
步驟2，輸入的信息通過自然語言處理Agent進行信息過濾和關鍵詞句抽取，轉換成系 統(tǒng)識別的標準數(shù)據(jù)；
步驟3，如果選擇的是機器規(guī)劃，標準數(shù)據(jù)將直接傳遞給任務Agent,任務Agent首先通 過通信Agent向范例庫査詢相應解，以求效率最高，通信Agent進行消息排隊和轉發(fā)；
步驟4，范例庫管理Agent收到通信Agent轉發(fā)的消息后向范例庫査詢相應范例，若范 例不存在則返回空值給通信Agent,通信Agent轉發(fā)此消息給任務Agent;若范例存在則將其
提交給自然語言處理Agent;自然語言處理Agent收到范例進行處理并將數(shù)據(jù)交給通信Agent;步驟5，在機器規(guī)劃路線中，若范例Agent返回空值，則任務Agent根據(jù)用戶問題和參 數(shù)的性質及各項目Agent的能力進行任務分解，并收集各項目Agent的子任務解形成問題解， 然后提交給規(guī)劃Agent;如果選擇的是人工規(guī)劃，標準數(shù)據(jù)將傳遞給規(guī)劃Agent;
步驟6，在機器規(guī)劃路線中，項目Agent領受任務Agent分配的子任務，根據(jù)任務難度 和工作量決定與其它項目Agent協(xié)作或進一步將子任務分解成作業(yè)題目交給作業(yè)Agent并收 集作業(yè)Agent提交的題目解形成子任務解提交給分配給自己子任務的任務Agent;
步驟7，在機器規(guī)劃路線中，作業(yè)Agent領受作業(yè)題目并根據(jù)作業(yè)題目需要的數(shù)據(jù)向信 息Agent發(fā)出數(shù)據(jù)需求消息，得到數(shù)據(jù)后根據(jù)求解算法計算作業(yè)題目解，并將解提交給分配 給自己作業(yè)題目的項目Agent;
步驟8，在機器規(guī)劃路線中，信息Agent收到數(shù)據(jù)需求的消息后向通信Agent發(fā)送所需 數(shù)據(jù)參數(shù)，通信Agent將此消息轉發(fā)給知識庫管理Agent和邏輯庫管理Agent;
步驟9,在機器規(guī)劃路線中，知識庫管理Agent和邏輯庫管理Agent收到數(shù)據(jù)需求的消 息后向知識庫和邏輯庫査詢所需數(shù)據(jù)，若所需數(shù)據(jù)存在則通過通信Agent轉發(fā)提交給信息 Agent,信息Agent將得到的數(shù)據(jù)提交給向自己發(fā)出請示的作業(yè)Agent;若所需數(shù)據(jù)不存在則 知識庫管理Agent和/或邏輯庫管理Agent向遠程數(shù)據(jù)挖掘Agent發(fā)出數(shù)據(jù)短缺的消息；
步驟10，在機器規(guī)劃路線中，遠程數(shù)據(jù)挖掘Agent收到數(shù)據(jù)短缺的消息后發(fā)起數(shù)據(jù)挖掘 進程通過局域網(wǎng)或互聯(lián)網(wǎng)進行知識發(fā)現(xiàn)，若所需數(shù)據(jù)能夠找到則將其提交給通信Agent并存 入相應的數(shù)據(jù)庫，若所需數(shù)據(jù)不能找到則將消息提交給人工干預Agent;
步驟11，在機器規(guī)劃路線中，人工干預Agent收到數(shù)據(jù)挖掘為空的消息后啟動編輯器和 /或編譯器程序，由使用者或專業(yè)人員進行人工知識、邏輯的補充，并將編好的數(shù)據(jù)通過通信 Agent提交給信息Agent,同時存入相應的數(shù)據(jù)庫；
步驟12，規(guī)劃Agent根據(jù)現(xiàn)有規(guī)劃原則和規(guī)劃域的方法對人工規(guī)劃方案進行規(guī)范形成標 準規(guī)劃方案或將機器規(guī)劃問題解形成標準規(guī)劃方案，該方案提交給約束Agent;
步驟13，約束Agent根據(jù)用約束算法和用戶設定的約束條件對規(guī)劃方案進行約束分析， 或方案符合則提交給仿真Agent,若方案不符合則將此消息和方案提交給推理Agent;
步驟14,推理Agent根據(jù)相應推理算法和專家知識、邏輯對方案進行推理分析并提出改 進意見提交給規(guī)劃Agent;
步驟15，規(guī)劃Agent收到相應意見后對方案進行修正再次進行約束比對，符合條件的方 案將被提交給仿真Agent;步驟16，仿真Agent收到規(guī)劃方案根據(jù)仿真算法進行規(guī)劃實施過程仿真并計算出結果， 若用戶決定不需要圖形模擬，則方案和仿真結果一并提交給解釋Agent,若用戶決定需要進 行圖形模擬，則方案提交給圖形模擬Agent;
步驟17，圖形模擬Agent收到需要模擬的方案后通過通信Agent向素材庫管理Agent 發(fā)出素材需求，素材庫管理Agent收到需求消息后向素材庫查詢所需素材，若素材存在則通 過通信Agent提交給圖形模擬Agent,若素材不存在則向遠程數(shù)據(jù)挖掘Agent發(fā)出數(shù)據(jù)短缺 的消息，進程同知識和邏輯數(shù)據(jù)短缺請求過程；
步驟18，圖形模擬Agent得到所需素材后根據(jù)規(guī)劃方案和相應的動作算法進行二維或三 維圖形動態(tài)模擬展示同時將模擬過程傳遞給解釋Agent;
步驟19，解釋Agent收到仿真結果和/或圖形模擬過程后根據(jù)解釋算法和專家知識對最 終方案進行文字解釋，將規(guī)劃方案和伴隨解釋輸出給人機界面Agent同時存入范例庫，然后 反饋給用戶。
如圖4所示，為本發(fā)明設計的評估子系統(tǒng)工作流程圖，其具體步驟如下
步驟l，用戶通過人機界面登錄評估子系統(tǒng)，評估子系統(tǒng)各Agent向通信Agent注冊； 用戶在輸入界面選擇結構化文本輸入預案或非結構化文本輸入預案或利用系統(tǒng)提供的圖形素 材在圖形建模平臺進行圖形建模并描述預案邏輯；
步驟2,輸入的預案通過自然語言處理Agent進行信息過濾和關鍵詞句抽取，轉換成系 統(tǒng)識別的標準數(shù)據(jù)并提交給仿真Agent;
步驟3，仿真Agent收到預案根據(jù)仿真算法進行預案實施過程仿真并計算出結果，若用 戶決定不需要圖形模擬，則預案和仿真結果一并提交給評估Agent,若用戶決定需要進行圖 形模擬，則方案提交給圖形模擬Agent;
步驟4，圖形模擬Agent收到需要模擬的預案后通過通信Agent向素材庫管理Agent發(fā) 出素材需求，素材庫管理Agent收到需求消息后向素材庫査詢所需素材，若素材存在則通過 通信Agent提交給圖形模擬Agent,若素材不存在則向遠程數(shù)據(jù)挖掘Agent發(fā)出數(shù)據(jù)短缺的 消息，進程同規(guī)劃子系統(tǒng)的知識和邏輯數(shù)據(jù)短缺過程；
步驟5，圖形模擬Agent得到所需素材后根據(jù)預案的組成成份、邏輯和相應動作算法進 行二維或三維圖形動態(tài)模擬展示同時將模擬過程傳遞給評估Agent;
步驟6，評估Agent收到預案仿真過程和結果后，根據(jù)專家知識和用戶約束條件進行預 案評價，并結合評估算法、專家知識和用戶目標計算出更優(yōu)解，形成評估意見交給解釋Agent;評估Agent所需知識、邏輯直接通過通信Agent向底層資源管理MAS索取，底層數(shù)據(jù)査詢與 提交過程與規(guī)劃子系統(tǒng)步驟12至步驟15相同；
步驟7，解釋Agent收到預案評估意見后根據(jù)解釋算法和專家知識對預案和評估意見進 行文字解釋，將評估意見和伴隨解釋輸出給人機界面Agent并存入范例庫，然后反饋給用戶。
如圖5所示，為本發(fā)明設計的決策子系統(tǒng)工作流程圖，其具體步驟如下
步驟l，用戶通過人機界面登錄決策子系統(tǒng)，決策子系統(tǒng)各Agent向通信Agent注冊； 用戶在輸入界面選擇結構化文本輸入或非結構化文本依次輸入2個以上預案或利用系統(tǒng)提供 的圖形素材在圖形建模平臺進行圖形建模并描述各個預案的邏輯；
步驟2，輸入的每個預案依次通過自然語言處理Agent進行信息過濾和關鍵詞句抽取， 轉換成系統(tǒng)識別的標準數(shù)據(jù)并提交給仿真Agent;
步驟3，仿真Agent收到各預案根據(jù)仿真算法對每個預案依次進行實施過程仿真并計算 出結果，若用戶決定不需要圖形模擬，則各預案及其仿真結果一并提交給決策分析Agent, 若用戶決定需要進行圖形模擬，則每個預案依次提交給圖形模擬Agent;
步驟4，圖形模擬Agent收到需要模擬的各個預案后通過通信Agent向素材庫管理Agent 發(fā)出素材需求，素材庫管理Agent收到需求消息后向素材庫査詢所需素材，若素材存在則通 過通信Agent提交給圖形模擬Agent,若素材不存在則向遠程數(shù)據(jù)挖掘Agent發(fā)出數(shù)據(jù)短缺 的消息，進程同規(guī)劃子系統(tǒng)的知識和邏輯數(shù)據(jù)短缺過程；
步驟5，圖形模擬Agent得到所需素材后根據(jù)每個預案的組成成份、邏輯和相應的動作 算法進行二維或三維圖形動態(tài)模擬展示同時將模擬過程依次傳遞給決策分析Agent;
步驟6，決策分析Agent收到各預案仿真過程和結果后，根據(jù)專家知識和用戶約束條件 進行各預案比較分析，同時結合決策算法、專家知識和用戶目標計算出最優(yōu)解，形成決策分 析意見提交給解釋Agent;決策分析Agent所需知識、邏輯直接通過通信Agent向底層資源 管理MAS索取，底層數(shù)據(jù)査詢與提交過程與規(guī)劃子系統(tǒng)步驟12至步驟15相同；
步驟7，解釋Agent收到對各預案的決策分析意見后根據(jù)解釋算法和專家知識對各預案 和決策分析意見進行文字解釋，將決策分析意見和伴隨解釋輸出給人機界面Agent同時存入 范例庫，然后反饋給用戶。
如圖6所示，為本發(fā)明設計的博弈子系統(tǒng)工作流程圖，其具體步驟如下
步驟l,用戶需要檢驗決策的可行性和競爭力，通過人機界面登錄博弈子系統(tǒng)，選擇人 機博弈或聯(lián)機博弈，博弈子系統(tǒng)各Agent向通信Agent注冊；無論哪種博弈，在輸入界面以半結構化文本輸入問題加參數(shù)，以結構化或非結構化文本輸入策略；
步驟2，輸入的信息通過自然語言處理Agent進行信息過濾和關鍵詞句抽取，轉換成系 統(tǒng)識別的標準數(shù)據(jù)；
步驟3，標準數(shù)據(jù)將直接傳遞給博弈Agent,如果用戶選擇的是人機博弈，則博弈Agent 將用戶問題、參數(shù)和策略生成對策求解信息，首先通過通信Agent向對策庫查詢相應解，以 求效率最高，通信Agent進行消息排隊和轉發(fā)；
步驟4，對策庫管理Agent收到通信Agent轉發(fā)的消息后向對策庫查詢相應對策，若對 策不存在則返回空值給通信Agent,通信Agent轉發(fā)此消息給博弈Agent;若對策存在則將其 提交給自然語言處理Agent;
步驟5，自然語言處理Agent收到對策進行信息處理，處理后的數(shù)據(jù)交給通信Agent, 通信Agent將此數(shù)據(jù)轉發(fā)給博弈Agent;
步驟6，在人機博弈路線中，若對策庫管理Agent返回空值，則博弈Agent將對策求解 信息交給策略Agent,策略Agent根據(jù)用戶問題、參數(shù)的性質和策略強度及各項目Agent的 能力進行任務分解，交給選擇好的項目Agent并收集各項目Agent的子任務解形成對策解， 然后提交給博弈Agent;在聯(lián)機博弈路線中，博弈Agent將對策求解信息交給目標Agent,目 標Agent根據(jù)用戶問題、參數(shù)的性質和策略強度及目標搜索算法通過通信Agent向局域網(wǎng)或 廣域網(wǎng)尋找預定博弈對象，并將其策略提交給博穽Agent;
步驟7，在人機博弈路線中，項目Agent領受策略Agent分配的子任務，根據(jù)任務難度 和工作量決定與其它項目Agent協(xié)作或進一步將子任務分解成作業(yè)題目交給作業(yè)Agent并收 集作業(yè)Agent提交的題目解形成子任務解提交給分配給自己子任務的策略Agent;
步驟8，在人機博弈路線中，作業(yè)Agent領受作業(yè)題目并根據(jù)作業(yè)題目需要的數(shù)據(jù)向信 息Agent發(fā)出數(shù)據(jù)需求消息，得到數(shù)據(jù)后根據(jù)求解算法計算作業(yè)題目解，并將解提交給分配 給自己作業(yè)題目的項目Agent;
步驟9,在人機博弈路線中，信息Agent收到數(shù)據(jù)需求的消息后向通信Agent發(fā)送所需 數(shù)據(jù)參數(shù)，通過通信Agent向底層資源管理MAS索取，底層數(shù)據(jù)査詢與提交過程與規(guī)劃子系 統(tǒng)步驟12至步驟15相同；
步驟IO，博弈Agent根據(jù)當時問題+參數(shù)環(huán)境、裁決模型和博弈算法，必要時輔以專家 知識推理對用戶策略和機器策略或對手策略的展開與實施過程進行關鍵數(shù)據(jù)點采集判斷和裁 定，將策略實施過程和裁決過程提交給仿真Agent;步驟11，仿真Agent收到雙方策略實施過程和裁決過程后根據(jù)仿真算法進行策略實施過 程仿真并計算出裁決結果，若用戶決定不需要圖形模擬，則機器策略或對手策略和仿真結果 一并提交給解釋Agent，若用戶決定需要進行圖形模擬，則提交給圖形模擬Agent;
步驟12，圖形模擬Agent收到需要模擬的對象后通過通信Agent向素材庫管理Agent 發(fā)出素材需求，素材庫管理Agent收到需求消息后向素材庫査詢所需素材，若素材存在則通 過通信Agent提交給圖形模擬Agent,若素材不存在則向遠程數(shù)據(jù)挖掘Agent發(fā)出數(shù)據(jù)短缺 的消息，進程同規(guī)劃子系統(tǒng)的知識和邏輯數(shù)據(jù)短缺過程；
步驟13，圖形模擬Agent得到所需素材后根據(jù)策略博弈與裁決過程和相應動作算法進行 二維或三維圖形動態(tài)模擬展示同時將模擬過程傳遞給解釋Agent;
步驟14，解釋Agent收到仿真結果和/或圖形模擬過程后根據(jù)解釋算法和專家知識對最 終博弈結果進行文字解釋，將機器策略或對手策略、博弈結果和伴隨解釋輸出給人機界面 Agent (同時將機器策略存入對策庫)，然后反饋給用戶。
如圖7所示，為本發(fā)明設計的職能層MAS人機界面Agent結構與功能示意圖。Agent狀態(tài)表 中存放其他Agent信息，可以用不確定邏輯描述。Agent字典存放用戶定義的規(guī)范化概念表示 和解釋，人機界面Agent可以據(jù)此修正信息的輸入輸出。輸入輸出控制模塊感知到任務，根據(jù) 字典和I/0算法進行輸入輸出控制，必要時査找Agent狀態(tài)表，向用戶報錯或要求修改I/0算法。 通信模塊負責人機界面Agent注冊及與其它Agent的通信，其它Agent的通信模塊功能與此相 同，不再贅述。
如圖8所示，為本發(fā)明設計的職能層MAS解釋Agent結構與功能示意圖。Agent狀態(tài)表中存 放其他Agent信息，可以用不確定邏輯描述。Agent字典存放用戶定義的規(guī)范化概念表示和解 釋，解釋Agent可以據(jù)此修正解釋結論。解釋生成器感知到任務，根據(jù)字典和邏輯庫、知識庫 進行解釋，必要時査找Agent狀態(tài)表，掌握全局過程，形成正確解釋結論。結論控制模塊根據(jù) 解釋任務和解釋算法執(zhí)行控制功能。如果在解釋過程中發(fā)現(xiàn)數(shù)據(jù)短缺或概念模糊，結論控制 模塊將向遠程數(shù)據(jù)挖掘Agent發(fā)出請求或要求用戶更新Agent字典。解釋過程可能需用戶干預。
如圖9所示，為本發(fā)明設計的職能層MAS人工干預Agent結構與功能示意圖。程序調用控制 模塊感知到任務，根據(jù)調用算法進行應用程序調用。
如圖10所示，為本發(fā)明設計的職能層MAS約束Agent結構與功能示意圖。約束條件表中存 放約束條件信息，用確定邏輯描述。Agent字典存放用戶定義的規(guī)范化概念表示和解釋，約束 Agent可以據(jù)此修正約束條件。約束控制模塊感知到任務，査找Agent狀態(tài)表，根據(jù)字典和約 束算法進行約束檢驗，通信模塊負責約束Agent注冊及與其它Agent的通信。如圖11所示，為本發(fā)明設計的職能層MAS推理Agent結構與功能示意圖。規(guī)則集中存放決 策與實驗規(guī)劃，可用確定邏輯描述。Agent字典存放用戶定義的規(guī)范化概念表示和解釋，推理 Agent可以據(jù)此修正推理過程和結論。問題推理器感知到任務，根據(jù)字典和邏輯庫、知識庫進 行推理，必要時査找規(guī)劃集，形成正確推理意見。規(guī)則控制模塊根據(jù)推理問題和推理算法執(zhí) 行控制功能，如匹配、沖突消解等。如果在推理過程中發(fā)現(xiàn)數(shù)據(jù)短缺或邏輯混亂，規(guī)則控制 模塊將向遠程數(shù)據(jù)挖掘Agent發(fā)出請求或要求用戶更新Agent字典。推理過程可能需用戶干預。
如圖12所示，為本發(fā)明設計的作業(yè)層MAS規(guī)劃Agent結構與功能示意圖。Agent狀態(tài)表中存 放其他Agent信息，如問題求解范圍、錯誤率等，可以用不確定邏輯描述。Agent字典存放用 戶定義的規(guī)范化概念表示和解釋，規(guī)劃Agent可以據(jù)此修正任務規(guī)劃。任務規(guī)劃器感知到任務， 根據(jù)字典和范例庫、邏輯庫、知識庫進行任務規(guī)劃，必要時査找Agent狀態(tài)表，選擇合適的任 務或項目Agent以承擔相應的子任務，形成完整規(guī)劃。決策與智能控制模塊根據(jù)任務規(guī)劃和規(guī) 劃算法執(zhí)行控制功能。如果在規(guī)劃過程中發(fā)現(xiàn)數(shù)據(jù)短缺，決策與智能控制模塊將向遠程數(shù)據(jù) 挖掘Agent發(fā)出請求。規(guī)劃過程中可能需要用戶干預。
如圖13所示，為本發(fā)明設計的作業(yè)層MAS評估Agent結構與功能示意圖。Agent狀態(tài)表 中存放其他Agent信息，可以用不確定邏輯描述。Agent字典存放用戶定義的規(guī)范化概念表 示和解釋，評估Agent可以據(jù)此修正評估意見。方案評價模塊感知到任務，根據(jù)字典和邏輯 庫、知識庫、用戶約束條件進行方案評估，必要時査找Agent狀態(tài)表，掌握充分信息，形成 正確評價。評估控制模塊根據(jù)方案評價和評估算法執(zhí)行控制功能。如果在評估過程中發(fā)現(xiàn)數(shù) 據(jù)短缺，評估控制模塊將向遠程數(shù)據(jù)挖掘Agent發(fā)出請求。評估過程中可能需要用戶干預。
如圖14所示，為本發(fā)明設計的作業(yè)層MAS決策分析Agent結構與功能示意圖。Agent 狀態(tài)表中存放其他Agent信息，可以用不確定邏輯描述。Agent字典存放用戶定義的規(guī)范化 概念表示和解釋，決策分析Agent可以據(jù)此修正決策分析結論。方案比較模塊感知到任務， 根據(jù)字典和邏輯庫、知識庫、用戶約束條件進行方案比較，必要時查找Agent狀態(tài)表，掌握 充分信息，形成正確分析結論。決策分析控制模塊根據(jù)方案比較和決策算法執(zhí)行控制功能。 如果在決策分析過程中發(fā)現(xiàn)數(shù)據(jù)短缺，決策分析控制模塊將向遠程數(shù)據(jù)挖掘Agent發(fā)出請求。 決策分析過程中可能需用戶干預。
如圖15所示，為本發(fā)明設計的作業(yè)層MAS博弈Agent結構與功能示意圖。Agent狀態(tài)表 中存放其他Agent信息，如問題求解范圍、錯誤率等，可以用不確定邏輯描述。Agent字典 存放用戶定義的規(guī)范化概念表示和解釋，博弈Agent可以據(jù)此修正裁決過程和結論。策略生 成器感知到任務，根據(jù)字典和對策庫、邏輯庫、知識庫進行策略生成，必要時査找Agent狀態(tài)表，選擇合適的策略或項目Agent以承擔相應的子任務，形成完整策略。裁決與智能控制 模塊根據(jù)策略生成和博弈算法執(zhí)行控制功能。如果在博弈過程中發(fā)現(xiàn)數(shù)據(jù)短缺和邏輯混亂， 裁決與智能控制模塊將向遠程數(shù)據(jù)挖掘Agent發(fā)出請求和/或要求用戶更新字典。博弈過程中 可能需要用戶干預。
如圖16所示，為本發(fā)明設計的作業(yè)層MAS任務Agent結構與功能示意圖。Agent狀態(tài)表 中存放其他Agent信息，如問題求解范圍、錯誤率等，可以用不確定邏輯描述。Agent字典 存放用戶定義的規(guī)范化概念表示和解釋，任務Agent可以據(jù)此修正子任務分配及子任務解合 成。項目規(guī)劃器感知到任務，根據(jù)字典和邏輯庫、知識庫在規(guī)劃Agent的控制下進行子任務 分解和解合成，査找Agent狀態(tài)表，選擇合適的項目Agent以承擔相應的子任務，形成完整 規(guī)劃。決策與智能控制模塊根據(jù)項目規(guī)劃和規(guī)劃算法執(zhí)行控制功能。如果在規(guī)劃過程中發(fā)現(xiàn) 數(shù)據(jù)短缺，決策與智能控制模塊將向遠程數(shù)據(jù)挖掘Agent發(fā)出請求。
如圖17所示，為本發(fā)明設計的作業(yè)層MAS目標Agent結構與功能示意圖。路由表中存 放局域網(wǎng)或廣域網(wǎng)目標路徑信息。Agent字典存放用戶定義的規(guī)范化概念表示和解釋，目標 Agent可以據(jù)此修正搜索條件和路徑。目標搜索控制模塊感知到任務，査找路由信息，根據(jù) 字典和搜索算法進行目標搜索。
如圖18所示，為本發(fā)明設計的作業(yè)層MAS策略Agent結構與功能示意圖。Agent狀態(tài)表 中存放其他Agent信息，如問題求解范圍、錯誤率等，可以用不確定邏輯描述。Agent字典 存放用戶定義的規(guī)范化概念表示和解釋，策略Agent可以據(jù)此修正子任務分配及對策合成。 項目規(guī)劃器感知到任務，根據(jù)字典和邏輯庫、知識庫在博弈Agent的控制下進行子任務分解 和對策合成，査找Agent狀態(tài)表，選擇合適的項目Agent以承擔相應的子任務，形成完整策 略。博弈控制模塊根據(jù)項目規(guī)劃和規(guī)劃算法執(zhí)行控制功能。如果在策略生成過程中發(fā)現(xiàn)數(shù)據(jù) 短缺，博弈控制模塊將向遠程數(shù)據(jù)挖掘Agent發(fā)出請求。
如圖19所示，為本發(fā)明設計的作業(yè)層MAS項目Agent結構與功能示意圖。Agent狀態(tài)表 中存放其他Agent信息，可以用不確定邏輯描述。Agent字典存放用戶定義的規(guī)范化概念表 示和解釋，項目Agent可以據(jù)此進行子問題求解或進行子問題作業(yè)題目分配及解合成。作業(yè) 規(guī)劃器感知到任務，根據(jù)字典和邏輯庫、知識庫在任務Agent的控制下進行作業(yè)題目分解和 解合成，必要時査找Agent狀態(tài)表，選擇合適的作業(yè)Agent以承擔相應的作業(yè)題目，形成完 整子問題解。決策與智能控制模塊根據(jù)作業(yè)規(guī)劃和規(guī)劃算法執(zhí)行控制功能。如果在求解過程 中發(fā)現(xiàn)數(shù)據(jù)短缺，決策與智能控制模塊將向遠程數(shù)據(jù)挖掘Agent發(fā)出請求。
如圖20所示，為本發(fā)明設計的作業(yè)層MAS 業(yè)Agent結構與功能示意圖。Agent狀態(tài)表中存放其他Agent信息，可以用不確定邏輯描述。Agent字典存放用戶定義的規(guī)范化概念表 示和解釋，作業(yè)Agent可以據(jù)此進行和修正子問題求解及解合成。子問題求解器感知到任務， 根據(jù)字典和邏輯庫、知識庫在項目Agent的控制下進行子問題求解和解合成，必要時査找 Agent狀態(tài)表，選擇合適的作業(yè)Agent以協(xié)作完成問題求解，形成完整子問題解。求解與智 能控制模塊根據(jù)子問題求解和求解算法執(zhí)行控制功能。如果在求解過程中發(fā)現(xiàn)數(shù)據(jù)短缺，求 解與智能控制模塊將向遠程數(shù)據(jù)挖掘Agent發(fā)出請求。
如圖21所示，為本發(fā)明設計的作業(yè)層MAS信息Agent結構與功能示意圖。Agent狀態(tài)表中存 放其他Agent信息，可以用不確定邏輯描述。Agent字典存放用戶定義的規(guī)范化概念表示和解 釋，信息Agent可以據(jù)此修正信息數(shù)據(jù)格式和表達方式。信息采集控制模塊感知到任務，根據(jù) 字典和采集算法進行信息査詢和收集，必要時査找Agent狀態(tài)表，與其它信息Agent協(xié)作，形 成完整信息數(shù)據(jù)。
如圖22所示，為本發(fā)明設計的作業(yè)層MAS自然語言處理Agent結構與功能示意圖。專有 詞匯表中存放行業(yè)專有詞匯信息。Agent字典存放用戶定義的規(guī)范化語法表示和歧義解釋， 自然語言處理Agent可以據(jù)此修正信息檢索和關鍵詞抽取等處理過程。語言處理模塊感知到 任務，根據(jù)字典和語料庫、邏輯庫、知識庫進行自然語言文本處理，抽取關鍵信息形成標準 化數(shù)據(jù)，必要時査找專有詞匯表，選擇合適的詞匯，形成正確處理結果。信息識別與智能控 制模塊根據(jù)語言處理和識別算法執(zhí)行控制功能，如糾錯、歧義分析、信息不足提示等。如果 在語言處理過程中發(fā)現(xiàn)數(shù)據(jù)短缺或識別困難，信息識別與智能控制模塊將向遠程數(shù)據(jù)挖掘 Agent和/人工干預Agent發(fā)出請求。自然語言處理過程可能需要用戶干預。
如圖23所示，為本發(fā)明設計的作業(yè)層MAS仿真Agent結構與功能示意圖。函數(shù)表中存放函 數(shù)表達式及其屬性。Agent字典存放用戶定義的規(guī)范化概念表示和解釋，仿真Agent可以據(jù)此 修正仿真過程。仿真控制模塊感知到任務，根據(jù)字典和仿真算法進行方案的過程仿真并提交 仿真結果，必要時査找函數(shù)表，選擇合適的函數(shù)構造仿真模型，形成正確仿真結論。
如圖24所示，為本發(fā)明設計的作業(yè)層MAS圖形模擬Agent結構與功能示意圖。函數(shù)表中存 放圖形建模函數(shù)及其屬性，圖形模擬Agent可以據(jù)此建立圖形方案框架和相互關系。Agent字 典存放用戶定義的規(guī)范化概念表示和解釋，圖形模擬Agent可以據(jù)此修正角色及其動作軌跡。 圖形模擬控制模塊感知到任務，根據(jù)字典和動作算法進行方案的動態(tài)圖形化模擬展示。
如圖25所示，為本發(fā)明設計的通信層MAS通信Agent結構與功能示意圖。注冊表中存 放所有Agent的注冊信息，可以用確定邏輯描述，通信Agent可據(jù)此識別和查找目標Agent 的信息。路由表存放轉發(fā)信息排隊狀態(tài)和路徑占用狀態(tài)，通信Agent可以據(jù)此迅速找到合適
路徑進行信息轉發(fā)。通信服務器感知到信息，根據(jù)注冊表、路由表和通信算法進行信息轉發(fā)，消息發(fā)送模塊負責數(shù)據(jù)包發(fā)送。
如圖26所示，為本發(fā)明設計的資源層MAS素材庫管理Agent結構與功能示意圖。Agent 狀態(tài)表中存放其他Agent信息，可以用不確定邏輯描述。Agent字典存放用戶定義的規(guī)范化 概念表示和解釋，素材庫管理Agent可以據(jù)此修正素材的分類方式和存儲管理策略。素材分 類與調用控制模塊感知到任務，根據(jù)字典和分類與調用算法進行素材的調用、存儲分類，數(shù) 據(jù)短缺或失效時査找Agent狀態(tài)表，啟動數(shù)據(jù)挖掘、人工干預和冗余清理進程，此過程可能 需要與用戶交互。
如圖27所示，為本發(fā)明設計的資源層MAS知識庫管理Agent結構與功能示意圖。Agent 狀態(tài)表中存放其他Agent信息，可以用不確定邏輯描述。Agent字典存放用戶定義的規(guī)范化 概念表示和解釋，知識庫管理Agent可以據(jù)此進行基于知識的推理和修正知識分類方式、存 儲策略、推理邏輯。知識分類與調用控制模塊感知到任務，根據(jù)分類與調用算法數(shù)據(jù)庫進行 知識的調用、分類存儲，并與知識比較更新模塊交互，以保證知識的新鮮度。知識比較更新 模塊根據(jù)字典和比較算法對存入知識庫的數(shù)據(jù)執(zhí)行基于時間和用戶解釋的比較功能，在知識 短缺和失效時査找Agent狀態(tài)表，啟動數(shù)據(jù)挖掘、人工干預和冗余清理進程，此過程可能需 要與用戶交互。基于知識的推理模塊與Agent字典、知識比較更新模塊循環(huán)交互，保證知識 和字典的自我更新，并將基于知識的推理過程與結論作為新知識存入知識庫。
如圖28所示，為本發(fā)明設計的資源層MAS邏輯庫管理Agent結構與功能示意圖。Agent 狀態(tài)表中存放其他Agent信息，可以用不確定邏輯描述。Agent字典存放用戶定義的規(guī)范化 概念表示和解釋，邏輯庫管理Agent可以據(jù)此進行基于邏輯的推理和修正邏輯分類方式、存 儲策略、推理原則。邏輯分類與調用控制模塊感知到任務，根據(jù)分類與調用算法數(shù)據(jù)庫進行 邏輯的調用、分類存儲，并與邏輯比較更新模塊交互，以保證邏輯的先進性與適用性。邏輯 比較更新模塊根據(jù)字典和比較算法對存入邏輯庫的數(shù)據(jù)執(zhí)行基于時間和用戶解釋的比較功 能，在邏輯短缺和失效時查找Agent狀態(tài)表，啟動數(shù)據(jù)挖掘、人工干預和冗余清理進程，此 過程可能需要與用戶交互?；谶壿嫷耐评砟K與Agent字典、邏輯比較更新模塊循環(huán)交互, 保證邏輯和字典的自我更新，并將基于邏輯的推理過程與結論作為新邏輯存入邏輯庫。
如圖29所示，為本發(fā)明設計的資源層MAS范例/對策庫管理Agent結構與功能示意圖。 Agent狀態(tài)表中存放其他Agent信息，可以用不確定邏輯描述。Agent字典存放用戶定義的規(guī) 范化概念表示和解釋，范例/對策庫管理Agent可以據(jù)此修正范例/對策分類方式、存儲策略、 比較條件。范例/對策分類與調用控制模塊感知到任務，根據(jù)分類與調用算法數(shù)據(jù)庫進行范例 /對策的調用、分類存儲，并與范例/對策比較更新模塊交互，以保證范例/對策的新鮮度。范例/對策比較更新模塊根據(jù)字典和比較算法對存入范例/對策庫的數(shù)據(jù)執(zhí)行基于時間和用戶解 釋的比較功能，在范例/對策短缺和失效時査找Agent狀態(tài)表，啟動數(shù)據(jù)挖掘、人工干預和冗 余清理進程，此過程可能需要與用戶交互。
如圖30所示，為本發(fā)明設計的資源層MAS遠程數(shù)據(jù)挖掘Agent結構與功能示意圖。網(wǎng) 絡資源檢索中存放云計算資源和網(wǎng)絡節(jié)點數(shù)據(jù)的資源信息，，遠程數(shù)據(jù)挖掘Agent可以據(jù)此迅 速定位目標范圍。Agent字典存放用戶定義的規(guī)范化概念表示和解釋，遠程數(shù)據(jù)挖掘Agent 可以據(jù)此修正數(shù)據(jù)挖掘過程。數(shù)據(jù)挖掘控制模塊感知到任務，根據(jù)數(shù)據(jù)類型從KDD構件庫中 調用合適的構件，經(jīng)通信Agent接入Internet進行遠程數(shù)據(jù)挖掘。當獲取一條數(shù)據(jù)后，Agent 啟動數(shù)據(jù)評價與較驗模塊根據(jù)字典對所獲取的數(shù)據(jù)及相關數(shù)據(jù)庫進行檢査，找出并消解冗余 和沖突，此過程可能需要與用戶交互。對不同類型的數(shù)據(jù)需要不同的KDD算法，采用知識發(fā) 現(xiàn)構件庫機制，將各種知識發(fā)現(xiàn)算法做成構件存放在構件庫中，由數(shù)據(jù)挖掘控制模塊根據(jù)數(shù) 據(jù)類型從構件庫中調用。
權利要求
1、一種基于多Agent技術的智能決策仿真實驗系統(tǒng)(IDSES)，它是一個基于互聯(lián)網(wǎng)的、集成化的預測與決策一體化智能仿真系統(tǒng)；其特征是(1)所述智能決策仿真實驗系統(tǒng)包括規(guī)劃子系統(tǒng)、評估子系統(tǒng)、決策子系統(tǒng)、博弈子系統(tǒng)四個功能子系統(tǒng)；(2)所述各功能子系統(tǒng)具有四層多Agent系統(tǒng)結構(MAS)，即職能層MAS、作業(yè)層MAS，通信層MAS、資源層MAS；(3)所述規(guī)劃子系統(tǒng)，其功能是利用該仿真實驗平臺進行智能機器規(guī)劃或人工規(guī)劃提出決策方案；職能層MAS包括人機界面Agent、解釋Agent、人工干預Agent、約束Agent、推理Agent；，作業(yè)層MAS包括規(guī)劃Agent、任務Agent、項目Agent、作業(yè)Agent、信息Agent、自然語言處理Agent、仿真Agent、圖形模擬Agent；通信層MAS包括通信Agent；資源層MAS包括素材庫管理Agent、知識庫管理Agent、邏輯庫管理Agent、范例/對策庫管理Agent、遠程數(shù)據(jù)挖掘Agent；(4)所述評估子系統(tǒng)，其功能是利用該仿真實驗平臺對決策預案進行智能評估提出改進意見；職能層MAS包括人機界面Agent、解釋Agent、人工干預Agent；作業(yè)層MAS包括評估Agent、自然語言處理Agent、仿真Agent、圖形模擬Agent；通信層MAS包括通信Agent；資源層MAS包括素材庫管理Agent、知識庫管理Agent、邏輯庫管理Agent、范例/對策庫管理Agent、遠程數(shù)據(jù)挖掘Agent；(5)所述決策子系統(tǒng)，其功能是利用該仿真實驗平臺對多個決策預案進行智能分析選擇最滿意方案；職能層MAS包括人機界面Agent、解釋Agent、人工干預Agent；作業(yè)層MAS包括決策分析Agent、自然語言處理Agent、仿真Agent、圖形模擬Agent；通信層MAS包括通信Agent；資源層MAS包括素材庫管理Agent、知識庫管理Agent、邏輯庫管理Agent、范例/對策庫管理Agent、遠程數(shù)據(jù)挖掘Agent；(6)所述博弈子系統(tǒng)，其功能是利用該仿真實驗平臺進行智能人機博弈或智能聯(lián)機博弈以檢驗決策的競爭力；職能層MAS包括人機界面Agent、解釋Agent、人工干預Agent；作業(yè)層MAS包括博弈Agent、策略Agent、項目Agent、作業(yè)Agent、信息Agent、目標Agent、自然語言處理Agent、仿真Agent、圖形模擬Agent；通信層MAS包括通信Agent；資源層MAS包括素材庫管理Agent、知識庫管理Agent、邏輯庫管理Agent、對策庫管理Agent、遠程數(shù)據(jù)挖掘Agent；(7)所述智能決策仿真實驗系統(tǒng)包括素材庫、范例/對策庫、知識庫、邏輯庫等四類本地數(shù)據(jù)庫；素材庫用以存儲和提供圖形模擬所需要的圖形素材；知識庫用以存儲和提供實驗所需要的專家知識、實驗規(guī)則、管理知識和情報數(shù)據(jù)；邏輯庫用以存儲和提供實驗所需要的作業(yè)邏輯、推理邏輯、解釋邏輯等；范例/對策庫用以存儲和提供實驗成功范例/對策和實驗所需要的相同或相似案例/對策。
2、據(jù)權利要求1所述的智能決策仿真實驗系統(tǒng)，其特征是(1) 所述各子系統(tǒng)職能層MAS，用以履行系統(tǒng)上層職能人機界面Agent:反應型，包括輸入輸出控制模塊、通信模塊、行為感知模塊、1/0算法 數(shù)據(jù)庫以及Agent狀態(tài)表和Agent字典，用來獲取信息，向用戶提供結論及解釋機制，請求用 戶輸入必要信息；解釋Agent:混合型，包括解釋生成器、結論控制模塊、通信模塊、行為感知模塊、解釋 算法數(shù)據(jù)庫以及Agent狀態(tài)表和Agent字典，用來對實驗結果進行必要的、合理的對運行過程 的解釋，把結果反饋給人機界面Agent輸出給用戶；人工干預Agent:反應型，包括程序調用控制模塊、通信模塊、行為感知模塊、調用算法 數(shù)據(jù)庫，用于在資源不足時，啟動相應的程序，由用戶干預處理；約束Agent:反應型，包括約束控制模塊、通信模塊、行為感知模塊、約束算法數(shù)據(jù)庫以 及約束條件表和Agent字典，用于解決決策實驗過程的約束滿足，主要解決常識性的和約定的 約束問題；推理Agent:即推理機，混合型，包括問題推理器、規(guī)則控制模塊、通信模塊、行為感 知模塊、推理算法數(shù)據(jù)庫以及規(guī)則集和Agent字典，依靠專家知識與策略對機器規(guī)劃方案進 行事實推論，向規(guī)劃Agent提出改進意見；(2) 所述各子系統(tǒng)作業(yè)層MAS，用以實現(xiàn)系統(tǒng)核心業(yè)務操作功能規(guī)劃Agent:混合型，包括任務規(guī)劃器、決策與智能控制模塊、通信模塊、行為感知模塊、 規(guī)劃算法數(shù)據(jù)庫以及Agent狀態(tài)表和Agent字典，用來接受用戶的規(guī)劃實驗請求，建立規(guī)劃約 束、規(guī)劃模型和規(guī)劃域，集成各任務Agent的規(guī)劃結果，形成總規(guī)劃案；評估Agent:混合型，包括方案評價模塊、評估控制模塊、通信模塊、行為感知模塊、評 估算法數(shù)據(jù)庫以及Agent狀態(tài)表和Agent字典，用來接受用戶的評估實驗請求，建立評估指標 體系和測試集，對決策方案用戶關心的目標進行比較評價和邏輯推理評價，形成評價方案；決策分析Agent;混合型，包括方案比較模塊、決策分析控制模塊、通信模塊、行為感知 模塊、決策算法數(shù)據(jù)庫以及Agent狀態(tài)表和Agent字典，用來接受用戶的決策分析實驗請求， 建立決策約束、目標模型和選擇機制，比較分析用戶提交的各類方案，形成決策意見；博穽Agent:混合型，包括策略生成器、裁決與智能控制模塊、通信模塊、行為感知模塊、博弈算法數(shù)據(jù)庫以及Agent狀態(tài)表和Agent字典，用來接受用戶的博弈實驗請求，建立裁判模 型、推理機制和博弈約束，裁決用戶提交的各種方案，形成博弈結果；任務Agent:混合型，包括項目規(guī)劃器、決策與智能控制模塊、通信模塊、行為感知模塊、 規(guī)劃算法數(shù)據(jù)庫以及Agent狀態(tài)表和Agent字典，在規(guī)劃Agent控制下，根據(jù)各項目Agent能力 和狀態(tài)進行問題分解，把任務分配給相應的項目Agent,同時收集項目Agent的規(guī)劃子案反饋給 規(guī)劃Agent;目標Agent:反應型，包括目標搜索控制模塊、通信模塊、行為感知模塊、搜索算法數(shù)據(jù) 庫以及路由表和Agent字典，通過博弈Agent接受問題和參數(shù)，在局域網(wǎng)和廣域網(wǎng)上尋找聯(lián)機 博弈目標及其策略并反饋給博穽Agent;策略Agent:混合型，包括項目規(guī)劃器、決策與智能控制模塊、通信模塊、行為感知模塊、 規(guī)劃算法數(shù)據(jù)庫以及Agent狀態(tài)表和Agent字典，作用同任務Agent，只是受控和傳遞對象不同， 結果形式不同；項目Agent:混合型，包括作業(yè)規(guī)劃器、決策與智能控制模塊、通信模塊、行為感知模塊、 規(guī)劃算法數(shù)據(jù)庫以及Agent狀態(tài)表和Agent字典，是完成實驗任務的主體，承擔具體實驗任務， 可衍生出下一層作業(yè)Agent;作業(yè)Agent:混合型，包括子問題求解器、求解與智能控制模塊、通信模塊、行為感知模 塊、求解算法數(shù)據(jù)庫以及Agent狀態(tài)表和Agent字典，是完成實驗任務的基礎單元，根據(jù)所得 到的子問題和參數(shù)，利用相關信息生成基礎實驗結果并反饋給項目Agent;信息Agent:反應型，包括信息采集控制模塊、通信模塊、行為感知模塊、采集算法數(shù)據(jù) 庫以及Agent狀態(tài)表和Agent字典，負責收集上一級Agerit所需的各類信息并反饋，可能需多個 信息Agent以完成不同的任務并進行協(xié)商和合作；自然語言處理Agent:混合型，包括語言處理模塊、信息識別與智能控制模塊、通信模塊、 行為感知模塊、識別算法數(shù)據(jù)庫、語料庫以及專有詞匯表和Agent字典，用來處理用戶在實驗 系統(tǒng)界面輸入的和系統(tǒng)輸出的大規(guī)模真實文本，進行信息檢索過濾和信息抽取，轉換成系統(tǒng) 識別的簡潔的規(guī)范數(shù)據(jù)以待核心Agent處理；仿真Agent:反應型，包括仿真控制模塊、通信模塊、行為感知模塊、仿真算法數(shù)據(jù)庫及 函數(shù)表和Agent字典，用來將規(guī)范化決策方案進行數(shù)學仿真、計算和邏輯推理仿真并輸出結果；圖形模擬Agent:反應型，包括圖形模擬控制模塊、通信模塊、行為感知模塊、動作算 法數(shù)據(jù)庫以及函數(shù)表和Agent字典，用來將仿真過程用適當?shù)膱D形(二維、三維)可視化模 擬，同時具有空間參數(shù)和行為參數(shù)計算功能；(3)所述各子系統(tǒng)通信層MAS，只有通信Agent，反應型，包括通信服務器、消息發(fā)送模塊、行為感知模塊、通信算法數(shù)據(jù)庫以及注冊表和路由表，用以實現(xiàn)數(shù)據(jù)排隊，提供Agent 的注冊，基于消息的通信，為消息提供者提供匹配，解釋處理等功能； (4)所述各子系統(tǒng)資源層MAS，用以實現(xiàn)系統(tǒng)底層數(shù)據(jù)管理功能； 素材庫管理Agent:反應型，包括素材分類與調用控制模塊、通信模塊、行為感知模塊、 分類與調用算法數(shù)據(jù)庫以及Agent狀態(tài)表和Agent字典，負責素材庫的管理維護、素材組合， 素材運行；知識庫管理Agent:混合型，包括知識比較更新模塊、知識分類與調用控制模塊、基于知 識的推理模塊、通信模塊、行為感知模塊、比較算法數(shù)據(jù)庫、分類與調用算法數(shù)據(jù)庫以及Agent 狀態(tài)表和Agent字典，負責知識庫的維護、知識比較更新和基于知識的推理工作；邏輯庫管理Agent:混合型，包括邏輯比較更新模塊、邏輯分類與調用控制模塊、基于邏 輯的推理模塊、通信模塊、行為感知模塊、比較算法數(shù)據(jù)庫、分類與調用算法數(shù)據(jù)庫以及Agent 狀態(tài)表和Agent字典，負責邏輯庫的維護、邏輯調用、邏輯匹配和基于邏輯的推理工作；范例/對策庫管理Agent:混合型，包括范例/對策比較更新模塊、范例/對策分類與調用控 制模塊、通信模塊、行為感知模塊、比較算法數(shù)據(jù)庫、分類與調用算法數(shù)據(jù)庫以及Agent狀態(tài) 表和Agent字典，負責范例/對策庫的檢索、匹配、修改、復用等基于范例推理的相應功能；遠程數(shù)據(jù)挖掘Agent:混合型，包括數(shù)據(jù)評價與校驗模塊、數(shù)據(jù)挖掘控制模塊、通信模塊、 行為感知模塊、KDD構件庫以及網(wǎng)絡資源檢索和Agent字典，負責本地數(shù)據(jù)缺乏時進行遠程數(shù) 據(jù)獲取、數(shù)據(jù)較驗和數(shù)據(jù)沖突及冗余消解。
3、據(jù)權利要求l或2所述的Agent，其特征是(1) 反應型Agent:通過感知環(huán)境變化做出相應的反應動作，用五元組表示Agent:: =<Aid， P， A， see, action>,其中，Aid是某個具體Agent的標識；A表示Agent的行為 集；P表示Agent的視覺狀態(tài)集；see, action用于刻畫Agent內部觀察過程和行為決策過程；(2) 混合型Agent:結構分為兩層，底層是反應層，不采用符號表示和推理，可快速響 應并處理外部環(huán)境的突發(fā)性變化，通常具有較高的優(yōu)先級；高層采用傳統(tǒng)人工智能方法進行 規(guī)劃、推理和決策，用i^一元組表示Agent : : =<Aid， P， A， R， Dva， Dar， Rule, see next, estimate, action>，其中，R表示Agent所有可能行動方案對應的所有可能結果狀態(tài)所構 成的集合；Dva表示視覺狀態(tài)與方案集的對應規(guī)則集；Dar表示方案集與結果狀態(tài)之間的對應 關系；Rule是具體的決策法則構成的集合；next用于刻畫Agent內部的思維過程；estimate 表示選定方案集，根據(jù)方案與結果狀態(tài)集的對應規(guī)則庫，確定可能的結果狀態(tài)。其它元素含 義與反應型Agent相同。
4、據(jù)權利要求1或2所述的智能決策仿真實驗系統(tǒng)采用4種仿真實驗方法，其特征是(1) 數(shù)學模型仿真，是將問題抽象和簡化，建立數(shù)學模型，通過求解過程進行行為仿真，從而預測結果，數(shù)學模型仿真可以和圖形仿真、邏輯推理相結合；(2) 二維圖形仿真，是利用機器或人工建立，以動態(tài)平面圖形仿真表現(xiàn)行為過程，從 而觀測過程并計算結果；(3) 三維模型仿真，是利用機器或人工建立，以動態(tài)三維圖形仿真全方位表現(xiàn)行為過 程，從而觀測過程并計算結果；(4) 邏輯推理仿真，是將問題和環(huán)境參數(shù)交給專家知識，利用推理機制和算法預測過 程和結果，通常與數(shù)學模型仿真相結合。
全文摘要
本發(fā)明涉及一種基于多Agent技術的智能決策仿真實驗系統(tǒng)。屬于計算機仿真、人工智能和管理實驗的交叉領域，是管理實驗方法論和智能決策支持系統(tǒng)在概念、原理、技術和功能上的突破和發(fā)展。它是對現(xiàn)實世界管理活動中的離散事件進行仿真輔助預測與決策的一個大規(guī)模實驗平臺。該方法創(chuàng)造性地將異構Agent及其群體協(xié)作作為決策實驗和系統(tǒng)仿真的透明化處理主角，構建了4個功能子系統(tǒng)、4層多Agent系統(tǒng)結構、4類本地數(shù)據(jù)庫，運用4種仿真實驗方法的預測與決策一體化系統(tǒng)模型。它基于互聯(lián)網(wǎng)，綜合運用了云計算和人工智能的多項新技術，增加了策略博弈、機器規(guī)劃、知識發(fā)現(xiàn)和自建邏輯的功能，具備超強實驗能力。本發(fā)明是管理實驗技術和智能決策支持系統(tǒng)新的發(fā)展方向。
文檔編號G06Q10/00GK101615265SQ20091001304
公開日2009年12月30日 申請日期2009年8月11日 優(yōu)先權日2009年8月11日
發(fā)明者王立穎, 軍 路 申請人:軍 路