您的位置: 专家智库 > >

王立春

作品数:7 被引量:174H指数:5
供职机构:南京大学计算机科学与技术系计算机软件新技术国家重点实验室更多>>
发文基金:国家自然科学基金国家教育部博士点基金更多>>
相关领域:自动化与计算机技术经济管理更多>>

文献类型

  • 6篇期刊文章
  • 1篇学位论文

领域

  • 7篇自动化与计算...
  • 1篇经济管理

主题

  • 4篇人工智能
  • 3篇AODE
  • 3篇多AGENT...
  • 2篇多AGENT...
  • 2篇KQML
  • 2篇AGENT
  • 1篇电子商务
  • 1篇多AGENT
  • 1篇学习算法
  • 1篇原语
  • 1篇商务
  • 1篇通信
  • 1篇通信机制
  • 1篇通信研究
  • 1篇协商
  • 1篇协商策略
  • 1篇协商协议
  • 1篇聚类
  • 1篇决策支持
  • 1篇决策支持系统

机构

  • 7篇南京大学

作者

  • 7篇王立春
  • 6篇陈世福
  • 2篇李红兵
  • 1篇沈建强
  • 1篇骆斌
  • 1篇高阳
  • 1篇谢俊元

传媒

  • 2篇模式识别与人...
  • 1篇南京大学学报...
  • 1篇计算机应用研...
  • 1篇软件学报
  • 1篇计算机工程与...

年份

  • 2篇2002
  • 3篇2001
  • 2篇2000
7 条 记 录,以下是 1-7
排序方式:
AODE中Agent通信机制的设计与实现被引量:3
2000年
本文讨论了面向Agent的系统开发环境AODE中的通信机制,并实现了由通信服务器、本地通信模块和外部通信模块构成的通信系统。
骆斌王立春谢俊元陈世福
关键词:AODEAGENT人工智能通信机制
扩充KQML以实现合同网被引量:27
2000年
KQML目前已成了 agent通讯语言的事实标准,并得到广泛应用。该文在对 KQML的语义分析的基础上指出它不利于AGENT间任务级的高级复杂交互,不能实现合同网,为此扩充了 KQML。文章给出了 8条扩充原语的定义、语义及在合同网上的应用。
陈武华王立春李红兵陈世福
关键词:合同网KQML原语DSS决策支持系统
多agent协商与通信研究
近年来,关于agent理论与技术的研究已经成为人工智能、软件工程和网络与Internet等领域的主要研究课题。与传统人工智能的研究方法不同,基于agent理论的人工智能研究不单纯追求系统单个智能特征所达到的程度,而是着眼...
王立春
关键词:多AGENT系统多AGENT协商聚类AGENT通信KQML
文献传递
多Agent多问题协商模型被引量:112
2002年
在多agent环境中,协商是多agent系统能够成功运转的关键.根据参与协商agent的数目和协商问题的数目,多agent环境中的协商可以分为双边-单问题协商、双边-多问题协商、多边-单问题协商、多边-多问题协商.前3种协商是多边-多问题协商在不同维上的简化.利用协商-协商过程-协商线程的概念建立了一个多边-多问题协商模型MMN(multi-agent multi-issue negotiation).该模型通过提供一个灵活的协商协议支持多agent环境中的不同协商形式,并且支持agent在协商过程中的学习.
王立春陈世福
关键词:多AGENT系统协商协议人工智能
一个基于Agent的电子商务系统框架被引量:9
2002年
电子商务是信息技术、因特网技术在商务活动中的运用 ,而基于分布式人工智能的Agent技术为电子商务系统提供了一种新的计算和问题求解方法。以Agent以及多Agent技术为背景 ,对电子商务系统进行了探讨。在此基础上 ,提出了一个基于Agent的电子商务原型系统AODEEC ,并简介了系统中若干关键技术问题的解决办法。
沈建强王立春陈世福
关键词:人工智能电子商务AGENT
AODE中基于强化学习的Agent协商模型被引量:23
2001年
AODE是我们研制的一个面向Agent的智能系统开发环境 .AODE中基于强化学习的Agent协商模型采用Markov决策过程和连续决策过程分别描述系统状态变化和特定系统状态的Agent协商过程 ,并将强化学习技术应用于Agent协商过程 .该协商模型能够描述动态环境下的多Agent协商 ,模型中所有Agent都采用元对策Q 学习算法时 ,系统能获得动态协商环境下的最优协商解 .
王立春高阳陈世福
关键词:AODE协商策略
AODE中的多agent协商与学习被引量:6
2001年
AODE是我们研制的一个面向agent的智能系统开发环境,本文以AOD为平台研究了多agent环境下的协商与学习,本文利用协商-协商过程-协商线程的概念建立了多边-多问题协商模型MMN,该协商模型支持多agent环境中的多种协商形式及agent在协商过程中的学习,系统中的学习agent采用状态概率聚类空间上的多agent强化学习算法,该算法通过使用状态聚类方法减少Q值表存储所需空间,降低了经典Q-学习算法由于使用Q值表导致的对系统计算资源的要求,且该算法仍然可以保证收敛到最优解。
王立春李红兵陈世福
关键词:多AGENT系统协商AODE学习算法人工智能
共1页<1>
聚类工具0