面向网络协作学习的多Agent自适应决策模型研究

Taking into account the large-scale, dynamic and openness properties and the urgent need for systematic and intelligent decision-making tools of web-based collaborative learning, this project will study decision-making models for web-based collaborative learning based on the theories of multiagent systems. The main idea of the research is from the distributed self-organizing collaborative framework to the self-adaptive decision-making models, employing collective diffusion and evolution models and the framework of collective intelligence-based collaboration. The research includes the following parts: 1) the multiagent system model for web-based collaborative learning environment; 2) the group formation model for collaborative learning based on Q-learning; 3) the task allocation model for the collaborative learning task set under structure constraints; 4) the collaborative learning assessment-based incentive mechanism achieving incentive compatibility. The research of this project can break through the limitations of existing works in terms of the scalability and adaptivity of system and the personalization and reliability of collaboration; and it will provide a set of tools for intelligent decision-making for the web-based collaborative learning environment.

考虑到现阶段网络协作学习的大规模、动态化、开放性发展趋势及对于系统性智能化决策工具的迫切需求，本项目基于多Agent（智能体）系统理论方法以分布式自组织协作框架到自适应决策关键模型的研究思路，结合群集扩散、群智协作等群体演化与协作模型，对网络协作学习中的关键决策模型进行研究。本项目主要包括以下研究内容：1）面向网络协作学习环境的多Agent系统模型；2）基于Q学习的协作学习群组形成模型；3）满足任务结构化约束的协作学习任务集分配模型；4）满足激励相容的协作学习评价激励模型。本项目的研究能够在系统规模伸缩性与动态适应性、协作学习个性化与可靠性上进行突破，为网络协作学习环境提供一套智能决策辅助工具。

本项目基于多Agent（智能体）系统理论方法，结合社会网络群智协同等群体演化与协作模型，譬如众包协作（Crowdsourcing）、群集扩散等，对网络协作学习关键决策模型开展研究工作。.面向网络协作学习环境的多Agent系统模型：基于多Agent系统建模与群智协同框架，对协作学习关键要素与过程环节（群组形成、任务分配、评价激励）进行建模，建立面向网络协作学习的多Agent系统模型，突破现阶段研究中关键过程建模孤立、部分关键过程建模重框架而缺乏量化分析、规模伸缩性与适应性弱的缺陷。.考虑主体协作关系属性的协作学习群组形成模型：结合主体协作关系属性与主体内在属性，考虑群集演化效应及交互结构化约束，建立群组形成效用量化评估模型，提出基于斯坦纳树的协作学习群组形成算法，能够在规模化环境中有效优化群组协作效用并保持合理的运行时间耗费，突破现阶段协作学习群组形成研究中对于系统结构化要素考虑不足、缺乏群集演化机制与精确效用评估的瓶颈。.满足任务结构化约束的协作学习任务集分配模型：针对任务间复杂约束关系，基于众包模式建立协作学习群组任务集（任务组合）分配模型，提出基于任务网络的任务组合分配方法；进一步考虑群组成员配对协作模式，基于任务集分布图提出基于任务集分割的分配协作算法。该部分研究能够突破现阶段协作学习任务分配中的任务独立分配模式，提高规模化环境下主体协作效用。.满足激励相容的协作学习评价激励模型：基于众包协作模式并考虑主体间异质性特征，构建评价抽查模型，提出松弛近似抽查算法并通过主体分组机制提高规模化协作学习环境适应性；进一步考虑评价结果传递不可靠问题，基于群集扩散情境提出主体信誉评估方法。该部分研究能够突破现阶段效用评价机制对于评价可靠性保障不足的缺陷，实现规模化环境下效用评价可靠性保障，激励用户真实行为意愿。.本项目研究能够有效实现系统效用优化、并在规模伸缩性、动态适应性与可靠性上实现突破，可为具有协作学习特性的相关网络平台与系统提供智能决策理论方法与辅助工具。.

内容获取失败，请点击重试