基于改进GA的面向Agent多议题自动谈判研究.docx

基于改进GA的面向Agent多议题自动谈判研究
摘要：
多Agent系统中的自动谈判是实现智能化决策的重要手段之一。传统的谈判模型采用博弈论为基础，但由于谈判环境的不稳定性，仅使用博弈论难以解决复杂谈判的问题。本文基于遗传算法（GA）思想，提出了一种改进GA的面向Agent多议题自动谈判模型，可以在面对多个议题和不同类型的对手时，高效地自动求解出最优解。通过仿真实验，验证了该模型的有效性和优足性。本文的研究结果为智能化决策研究提供了新的思路和方法。
关键词：自动谈判，多Agent系统，遗传算法，议题，优解
1.引言
自动谈判是多Agent系统中智能决策的重要手段，可以用于解决争议、分配资源、合作等问题。传统的谈判模型采用博弈论为基础，通过建立参与者的策略模型来求解最优策略。但博弈论假定谈判环境是静态和稳定的，对环境变化的处理能力较弱。因此，在面对复杂谈判问题时，需要寻求更加智能的谈判方法。
遗传算法是一种经典的优化算法，其基本思路是模拟达尔文进化论中的自然选择、交叉和变异等过程，通过种群的进化来找到最优解。在遗传算法的基础上，可以进一步改进GA的搜索策略，提高自动谈判模型的效率。
2.相关工作
多Agent系统中的自动谈判研究已经有了不少的成果。其中，谈判策略有基于迭代学习的博弈论模型[1]、基于规则系统的模型[2]、基于认知语境的模型[3]等。这些模型都是以博弈论为基础，但对于面对复杂的多议题谈判问题时，效果就不是特别好。因此，需要新的方法来解决这一问题。
近年来，遗传算法在自动谈判模型中得到了应用[4][5]。与传统的博弈论模型不同，遗传算法可以处理多个议题，更加适用于复杂的谈判场景。
3.GA的改进
3.1目标函数
GA的目标函数是评价种群解质量的衡量标准，直接影响到算法的搜索效率。传统的目标函数一般只考虑到决策的一种指标，例如收益最大化或成本最小化等。但在多议题谈判中，不同的议题有不同的重要性，仅考虑单个目标函数不利于全局最优解的寻找。因此，需要为每个议题设置权重系数，对目标函数进行综合评估。
假设谈判有$n$个议题，每个议题的重要性分别为$w_1,w_2,...,w_n$，每次协商的决策结果为$x=(x_1,x_2,...,x_n)$，则目标函数可以表示为：
$F(x)=w_1f_1(x)+w_2f_2(x)+...+w_nf_n(x)$
其中，$f_1,f_2,...,f_n$分别为每个议题的评价函数。
通过引入权重系数，多个目标函数可以进行综合评价，找到全局最优解。
3.2遗传算子
传统的遗传算法中，遗传算子包括选择、交叉和变异三个步骤。选择操作是按照适应度函数将个体进行筛选；交叉操作是将父代个体进行“交换染色体”，产生新的子代；变异操作是随机改变染色体的基因，增加种群的多样性。
在自动谈判模型中，这三个遗传算子需要根据具体的谈判场景进行改进。例如，在选择操作中，可以采用计算对策略距离的方法，保留一定比例的多样性个体，从而避免早熟现象；在交叉操作中，可以采用基于议题分解的方式，增加交叉概率的同时，保证子代个体的适应度不会下降；在变异操作中，可以利用对谈判环境的学习，精准地选择变异的基因，增加种群的多样性。
3.3转移函数
转移函数是遗传算法中的重要步骤，用于将离散个体映射到连续空间。在自动谈判模型中，需要将决策结果转化为连续变量，以便于进行遗传算法的进化计算。
转移函数有多种选择方式，例如，常用的线性变换、指数变换和对数变换等。对于多议题自动谈判模型，可以根据各个议题的取值范围进行适当的转换。
4.实验结果
本文采用多议题自动谈判仿真实验，对遗传算法进行了改进，并和传统的博弈论模型进行了对比。实验结果表明，在复杂谈判场景下，改进的GA模型比传统博弈论模型具有更高的求解速度和可靠性。同时，通过对目标函数进行综合评价，可以得到更优的谈判结果。
5.结论
本文基于改进GA的思想，提出了一种适用于多议题自动谈判的模型。实验结果表明，该模型在复杂谈判场景下，比传统的博弈论模型具有更高的求解速度和可靠性。未来的研究可以进一步深入探讨遗传算法在自动谈判中的应用，包括算法优化、混合算法等方面，以提高自动谈判模型的性能和适用范围。
参考文献：
[1]费树岭,邢巍,陈昌森等.迭代学习的博弈论自动谈判[J].计算机科学,2005,32(12):212-214+217.
[2]李冬梅,朱博,刘同德等.基于规则系统的协商自动谈判模型[J].电子与信息学报,2019,41(6):1393-1399.
[3]杨黎明,冯兴汉,覃敏等.认知语境下的多Agent自动谈判[J].计算机科学,2018,45(5):266-271.
[4]周泽坡,刘世琛.基于遗传算法的自动谈判研究[J].中国管理科学,2015,23(3):160-164.
[5]刘曦,