第10卷第3期 智能系统学报 Vol.10 No.3 2015年6月 CAAI Transactions on Intelligent Systems Jun.2015 D0:10.3969/j.issn.1673-4785.201405023 网络出版地址：htp:/www.cnki.net/kcms/detail/23.1538.tp.20150508.0916.001.html 基于人工蜂群算法的电子商务多Agent自动谈判模型 高珊，马良，张惠珍 (上海理工大学管理学院，上海200093) 摘要：由于现有电子商务自动谈判模型在不断动态变化的网络环境中匹配慢、整体效用值低，结合人工蜂群算法 的原理及求解流程，给出一种电子商务自动谈判模型。该模型基于多Ag©t多属性的自动谈判模式，融合符合实际 的商务谈判方式，着重将电子商务自动谈判的Agt匹配与人工蜂群算法求解的过程相结合，以快速准确获得使整 体利益最大的解。通过求解一个电子采购实例并与其他算法的求解效率进行对比，验证了该模型的有效性。 关键词：电子商务：自动谈判；人工蜂群算法：多Agent:谈判模型 中图分类号：TP301.6:C93文献标志码：A文章编号：1673-4785(2015)03-0476-06 中文引用格式：高珊，马良，张惠珍.基于人工蜂群算法的电子商务多Aget自动谈判模型[J].智能系统学报，2015,10(3)：476481. 英文引用格式：GAO Shan,MA Liang,ZHANG Huizhen.MIuIti-Agent automated negotiation model for E-commerce based on the artificial bee colony algorithm[J].CAAI Transactions on Intelligent Systems,2015,10(3):476-481. Multi-Agent automated negotiation model for E-commerce based on the artificial bee colony algorithm GAO Shan,MA Liang,ZHANG Huizhen (School of Management,University of Shanghai for Science and Technology,Shanghai 200093,China) Abstract:Since the current E-commerce automated negotiation systems (ANS)have some disadvantages such as slow matching and low overall utility in the dynamic Internet environment,a kind of E-commerce automated negoti- ation model based on the theory of the artificial bee colony algorithm (ABC)is presented.The model integrates the intelligent business negotiation way based on the multi-Agent and multi-attribute automated negotiation mode.To obtain the solution that maximizes the overall interests quickly and accurately,the model puts emphasis on combi- ning the Agent matching of the E-commerce automated negotiation with the process of the ABC algorithm solution.A solution to an e-procurement was illustrated and compared with the other algorithms in efficiency,validating the ef- fectiveness of the model. Keywords:E-commerce;automated negotiation;artificial bee colony algorithm (ABC);multi-Agent;negotiation model 随着人们对电子商务交易智能化、个性化需求 自动谈判的研究已成为多主体系统的典型应用之 的提高，实现电子商务谈判的智能化和个性化已经 一山。相对于传统的谈判支持系统，自动谈判可以 成为下一代电子商务的发展方向。目前，电子商务 在一定程度上代替人进行谈判，能够优化谈判过程， 提高谈判效率，节约成本。尤其是实现异地远程商 收稿日期：2014-05-10.网络出版日期：2015-05-08. 基金项目：国家白然科学基金资助项目(71401106)；上海高校一流学 务谈判的自动化与决策支持，具有重要的研究价值。 科建设计划项目(S1201Y江XK);上海高校青年教师培养资 从20世纪90年代初，国内外学者开始研究电 助计划项目(SLG12010):上海市教育委员会科研创新项 目(14YZ090):高等学校博士学科点专项科研基金联合资 子商务自动谈判模型，陆续研发出一些有实际应用 助课题(20123120120005). 通信作者：高珊.E-mail:gaoshanl158@126.com 价值的自动谈判系统，例如有慎思机制的谈判模型
第 １０ 卷第 ３ 期 智 能 系 统 学 报 Ｖｏｌ．１０ №．３ ２０１５ 年 ６ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｊｕｎ． ２０１５ ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１６７３⁃４７８５．２０１４０５０２３ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ｔｐ．２０１５０５０８．０９１６．００１．ｈｔｍｌ 基于人工蜂群算法的电子商务多 Ａｇｅｎｔ 自动谈判模型 高珊，马良，张惠珍 （上海理工大学 管理学院，上海 ２０００９３） 摘 要：由于现有电子商务自动谈判模型在不断动态变化的网络环境中匹配慢、整体效用值低，结合人工蜂群算法 的原理及求解流程，给出一种电子商务自动谈判模型。 该模型基于多 Ａｇｅｎｔ 多属性的自动谈判模式，融合符合实际 的商务谈判方式，着重将电子商务自动谈判的 Ａｇｅｎｔ 匹配与人工蜂群算法求解的过程相结合，以快速准确获得使整 体利益最大的解。 通过求解一个电子采购实例并与其他算法的求解效率进行对比，验证了该模型的有效性。 关键词：电子商务；自动谈判；人工蜂群算法；多 Ａｇｅｎｔ；谈判模型 中图分类号：ＴＰ３０１．６； Ｃ９３ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１５）０３⁃０４７６⁃０６ 中文引用格式：高珊，马良，张惠珍． 基于人工蜂群算法的电子商务多 Ａｇｅｎｔ 自动谈判模型［Ｊ］． 智能系统学报， ２０１５， １０（３）： ４７６⁃４８１． 英文引用格式：ＧＡＯ Ｓｈａｎ， ＭＡ Ｌｉａｎｇ， ＺＨＡＮＧ Ｈｕｉｚｈｅｎ． Ｍｕｌｔｉ⁃Ａｇｅｎｔ ａｕｔｏｍａｔｅｄ ｎｅｇｏｔｉａｔｉｏｎ ｍｏｄｅｌ ｆｏｒ Ｅ⁃ｃｏｍｍｅｒｃｅ ｂａｓｅｄ ｏｎ ｔｈｅ ａｒｔｉｆｉｃｉａｌ ｂｅｅ ｃｏｌｏｎｙ ａｌｇｏｒｉｔｈｍ［Ｊ］． ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ， ２０１５， １０（３）： ４７６⁃４８１． Ｍｕｌｔｉ⁃Ａｇｅｎｔ ａｕｔｏｍａｔｅｄ ｎｅｇｏｔｉａｔｉｏｎ ｍｏｄｅｌ ｆｏｒ Ｅ⁃ｃｏｍｍｅｒｃｅ ｂａｓｅｄ ｏｎ ｔｈｅ ａｒｔｉｆｉｃｉａｌ ｂｅｅ ｃｏｌｏｎｙ ａｌｇｏｒｉｔｈｍ ＧＡＯ Ｓｈａｎ， ＭＡ Ｌｉａｎｇ， ＺＨＡＮＧ Ｈｕｉｚｈｅｎ （Ｓｃｈｏｏｌ ｏｆ Ｍａｎａｇｅｍｅｎｔ， Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｈａｎｇｈａｉ ｆｏｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， Ｓｈａｎｇｈａｉ ２０００９３， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｓｉｎｃｅ ｔｈｅ ｃｕｒｒｅｎｔ Ｅ⁃ｃｏｍｍｅｒｃｅ ａｕｔｏｍａｔｅｄ ｎｅｇｏｔｉａｔｉｏｎ ｓｙｓｔｅｍｓ （ＡＮＳ） ｈａｖｅ ｓｏｍｅ ｄｉｓａｄｖａｎｔａｇｅｓ ｓｕｃｈ ａｓ ｓｌｏｗ ｍａｔｃｈｉｎｇ ａｎｄ ｌｏｗ ｏｖｅｒａｌｌ ｕｔｉｌｉｔｙ ｉｎ ｔｈｅ ｄｙｎａｍｉｃ Ｉｎｔｅｒｎｅｔ ｅｎｖｉｒｏｎｍｅｎｔ， ａ ｋｉｎｄ ｏｆ Ｅ⁃ｃｏｍｍｅｒｃｅ ａｕｔｏｍａｔｅｄ ｎｅｇｏｔｉ⁃ ａｔｉｏｎ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｔｈｅ ｔｈｅｏｒｙ ｏｆ ｔｈｅ ａｒｔｉｆｉｃｉａｌ ｂｅｅ ｃｏｌｏｎｙ ａｌｇｏｒｉｔｈｍ （ＡＢＣ） ｉｓ ｐｒｅｓｅｎｔｅｄ． Ｔｈｅ ｍｏｄｅｌ ｉｎｔｅｇｒａｔｅｓ ｔｈｅ ｉｎｔｅｌｌｉｇｅｎｔ ｂｕｓｉｎｅｓｓ ｎｅｇｏｔｉａｔｉｏｎ ｗａｙ ｂａｓｅｄ ｏｎ ｔｈｅ ｍｕｌｔｉ⁃Ａｇｅｎｔ ａｎｄ ｍｕｌｔｉ⁃ａｔｔｒｉｂｕｔｅ ａｕｔｏｍａｔｅｄ ｎｅｇｏｔｉａｔｉｏｎ ｍｏｄｅ． Ｔｏ ｏｂｔａｉｎ ｔｈｅ ｓｏｌｕｔｉｏｎ ｔｈａｔ ｍａｘｉｍｉｚｅｓ ｔｈｅ ｏｖｅｒａｌｌ ｉｎｔｅｒｅｓｔｓ ｑｕｉｃｋｌｙ ａｎｄ ａｃｃｕｒａｔｅｌｙ， ｔｈｅ ｍｏｄｅｌ ｐｕｔｓ ｅｍｐｈａｓｉｓ ｏｎ ｃｏｍｂｉ⁃ ｎｉｎｇ ｔｈｅ Ａｇｅｎｔ ｍａｔｃｈｉｎｇ ｏｆ ｔｈｅ Ｅ⁃ｃｏｍｍｅｒｃｅ ａｕｔｏｍａｔｅｄ ｎｅｇｏｔｉａｔｉｏｎ ｗｉｔｈ ｔｈｅ ｐｒｏｃｅｓｓ ｏｆ ｔｈｅ ＡＢＣ ａｌｇｏｒｉｔｈｍ ｓｏｌｕｔｉｏｎ． Ａ ｓｏｌｕｔｉｏｎ ｔｏ ａｎ ｅ⁃ｐｒｏｃｕｒｅｍｅｎｔ ｗａｓ ｉｌｌｕｓｔｒａｔｅｄ ａｎｄ ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｈｅ ｏｔｈｅｒ ａｌｇｏｒｉｔｈｍｓ ｉｎ ｅｆｆｉｃｉｅｎｃｙ， ｖａｌｉｄａｔｉｎｇ ｔｈｅ ｅｆ⁃ ｆｅｃｔｉｖｅｎｅｓｓ ｏｆ ｔｈｅ ｍｏｄｅｌ． Ｋｅｙｗｏｒｄｓ：Ｅ⁃ｃｏｍｍｅｒｃｅ； ａｕｔｏｍａｔｅｄ ｎｅｇｏｔｉａｔｉｏｎ； ａｒｔｉｆｉｃｉａｌ ｂｅｅ ｃｏｌｏｎｙ ａｌｇｏｒｉｔｈｍ （ＡＢＣ）； ｍｕｌｔｉ⁃Ａｇｅｎｔ； ｎｅｇｏｔｉａｔｉｏｎ ｍｏｄｅｌ 收稿日期：２０１４⁃０５⁃１０． 网络出版日期：２０１５⁃０５⁃０８． 基金项目：国家自然科学基金资助项目（７１４０１１０６）；上海高校一流学 科建设计划项目（Ｓ１２０１ＹＬＸＫ）；上海高校青年教师培养资 助计划项目（ ＳＬＧ１２０１０）；上海市教育委员会科研创新项 目（１４ＹＺ０９０）；高等学校博士学科点专项科研基金联合资 助课题（２０１２３１２０１２０００５）． 通信作者：高珊． Ｅ⁃ｍａｉｌ： ｇａｏｓｈａｎ１１５８＠ １２６．ｃｏｍ． 随着人们对电子商务交易智能化、个性化需求 的提高，实现电子商务谈判的智能化和个性化已经 成为下一代电子商务的发展方向。 目前，电子商务 自动谈判的研究已成为多主体系统的典型应用之 一［１］ 。 相对于传统的谈判支持系统，自动谈判可以 在一定程度上代替人进行谈判，能够优化谈判过程， 提高谈判效率，节约成本。 尤其是实现异地远程商 务谈判的自动化与决策支持，具有重要的研究价值。 从 ２０ 世纪 ９０ 年代初，国内外学者开始研究电 子商务自动谈判模型，陆续研发出一些有实际应用 价值的自动谈判系统，例如有慎思机制的谈判模型
第3期 高珊，等：基于人工蜂群算法的电子商务多Aget自动谈判模型 477. 在线拍卖网站AnctionBot系统、具有学习能力的谈 的结果使得整个系统的利益达到最大。 判系统等。随着Agent的引入，电子商务谈判系统 2)自我学习。单个Agent有自己的历史经验 开始有了新的发展方向。而多个Agent的自动谈判 库、数据存储、处理过程和处理机，在与整个系统交 技术弥补了传统谈判信息不对称的不足，更符合电 互的过程中，Agent根据外界环境变化的信息，经过 子商务谈判对速度快、整体效益需求高的要求。现 分析处理反馈出对自己有利的当前状态，同时更新 有关多Agent谈判模型和算法的研究较少，并且存 历史经验库和数据存储。即Agent经过了自我学习 在一些不足。诸如：1)现有自动谈判模型大都采用 的过程。 一旦发现Agent相匹配即退出的模式，Agent匹配到 3)服从协议。为保证谈判过程的正常执行，A 的不一定是使整体效用最大的Agent:2)使用较为 gent必须执行谈判协议规定的行动方案，使得谈判 成熟的智能算法，如模拟退火算法)、遗传算法[)、 各方解决冲突，最终达成一致协议。 贝叶斯学习或建立效用函数等，而一些新兴算法如 1.2 Agent属性的权重和效用 蝙蝠算法、人工鱼群算法、人工蜂群算法等尚未用 每个Agent在谈判过程中有多个谈判属性，即 到，这些新兴算法在解决实际问题中有其自身优势； 谈判中考虑的问题，每一轮谈判中各个属性的效用 3)基于传统经典理论的谈判算法具有很强的针对 值之和是这个Agent在此次谈判中所获得的效用。 性，应用在不确定性很大的网络环境中有一定困难。 设每个Agent有M项属性，按照自己的偏好对各项 针对上述现有电子商务自动谈判模型的局限性，本 属性分别设置权重Wy。N个Agent的权重矩阵为 文引入了新的模型和求解算法来解决上述问题。 WW2… Wur 2005年，Karaboga提出了一种基于蜜蜂群体觅 W21W2… W2M 食行为的群智能优化算法一人工蜂群算法(artificial W=（W可)NxM= :: bee colony algorithm,ABC)。该算法参数较少，全局 WNW2… WNM 收敛性也较好，适用于多维问题的求解。ABC算法 式中：W,∈(0,1)j=1,2,…,M,且每个Agent所 模拟蜂群的集体行为，蜜蜂群依据各自分工不同进 行不同活动，通过交换信息来寻找最佳蜜源。蜂群 有属性权重之和为1，即∑W,=1G=1,2…,N)。 算法的算法流程与多Agent系统的自动谈判模型有 每个Agent对事先协商好的M项谈判属性，分别在 一定的相似性，如蜜蜂寻找含蜜量多的蜜源，相当于 (0,10)范围内取一个效用值V(保留一位小数)， Agent寻找与之匹配的Agent;蜜蜂多次探索寻找全 为了能够量化和比较供方和需方的属性值，规定属 局最优解，相当于Aget匹配到使整体效用最大的 性值越高价格越低，运输越快，质量、产地、品牌等越 Agent。而且基于蜂群算法的算法流程与多Agent 好。N个Agent的效用矩阵为 系统的自动谈判模型之间的相似性，可以对人工蜂 [V,V2… VIN 群算法进行改进，并添加学习机制，使之更适用于电 VVn… V2N 子商务环境下多Agent自动谈判模型的求解。 V=(Vi)MxN= 1电子商务自动谈判 LVM ViR… VMN 式中：Vg∈(0,10)，i=1,2,…,Mj=1,2,…,N。 1.1特征选取和内容相似度计算 对每项属性的效用值设定上限和下限，在自动 多Agent系统(multi-Agent system,MAS)中，每 谈判过程中每项属性只能在此范围内进行调整，如 一个Agent是独立和自治的，不仅要有自主性、反应 式(1)： 性、能动性、时间连续性及其个性偏好，还要能够和 内≤Vg≤以 (1) 其他Agent进行交互[)。在谈判过程中，各个Agent 式中：i=1,2,…,M,j=1,2,…,N。 相互之间通过竞争、协商、合作等手段达到利益最大 1.3自动谈判过程及协议 化的目的。多Agent系统结构有集中式和分布式2 电子商务自动谈判过程主要分为6步：需求确 种，本文研究分布式结构的多Agent系统。在分布 定、商品代理（信息搜寻）、商家代理、谈判、支付与 式结构中，Agent之间是平等合作的关系。自动谈 配送、商品服务与评价。第2步到第4步为谈判系 判模型中的Agent还应该具有如下3个特性： 统的核心，也是自动谈判系统研究的重点。经典的 1)择优选择。Agent每一次的选择使得自身效 电子商务多对多谈判机制中交易双方都有多个，且 用函数最大，所有Agent在动态变化的环境中选择 供应方和需求方数量不一定相等，谈判的内容不止
在线拍卖网站 ＡｎｃｔｉｏｎＢｏｔ 系统、具有学习能力的谈 判系统等。 随着 Ａｇｅｎｔ 的引入，电子商务谈判系统 开始有了新的发展方向。 而多个 Ａｇｅｎｔ 的自动谈判 技术弥补了传统谈判信息不对称的不足，更符合电 子商务谈判对速度快、整体效益需求高的要求。 现 有关多 Ａｇｅｎｔ 谈判模型和算法的研究较少，并且存 在一些不足。 诸如：１）现有自动谈判模型大都采用 一旦发现 Ａｇｅｎｔ 相匹配即退出的模式，Ａｇｅｎｔ 匹配到 的不一定是使整体效用最大的 Ａｇｅｎｔ；２） 使用较为 成熟的智能算法，如模拟退火算法［１］ 、遗传算法［２］ 、 贝叶斯学习或建立效用函数等，而一些新兴算法如 蝙蝠算法、人工鱼群算法、人工蜂群算法等尚未用 到，这些新兴算法在解决实际问题中有其自身优势； ３）基于传统经典理论的谈判算法具有很强的针对 性，应用在不确定性很大的网络环境中有一定困难。 针对上述现有电子商务自动谈判模型的局限性，本 文引入了新的模型和求解算法来解决上述问题。 ２００５ 年，Ｋａｒａｂｏｇａ 提出了一种基于蜜蜂群体觅 食行为的群智能优化算法—人工蜂群算法（ａｒｔｉｆｉｃｉａｌ ｂｅｅ ｃｏｌｏｎｙ ａｌｇｏｒｉｔｈｍ， ＡＢＣ）。 该算法参数较少，全局 收敛性也较好，适用于多维问题的求解。 ＡＢＣ 算法 模拟蜂群的集体行为，蜜蜂群依据各自分工不同进 行不同活动，通过交换信息来寻找最佳蜜源。 蜂群 算法的算法流程与多 Ａｇｅｎｔ 系统的自动谈判模型有 一定的相似性，如蜜蜂寻找含蜜量多的蜜源，相当于 Ａｇｅｎｔ 寻找与之匹配的 Ａｇｅｎｔ；蜜蜂多次探索寻找全 局最优解，相当于 Ａｇｅｎｔ 匹配到使整体效用最大的 Ａｇｅｎｔ。 而且基于蜂群算法的算法流程与多 Ａｇｅｎｔ 系统的自动谈判模型之间的相似性，可以对人工蜂 群算法进行改进，并添加学习机制，使之更适用于电 子商务环境下多 Ａｇｅｎｔ 自动谈判模型的求解。 １ 电子商务自动谈判 １．１ 特征选取和内容相似度计算 多 Ａｇｅｎｔ 系统（ｍｕｌｔｉ⁃Ａｇｅｎｔ ｓｙｓｔｅｍ， ＭＡＳ）中，每 一个 Ａｇｅｎｔ 是独立和自治的，不仅要有自主性、反应 性、能动性、时间连续性及其个性偏好，还要能够和 其他 Ａｇｅｎｔ 进行交互［４］ 。 在谈判过程中，各个 Ａｇｅｎｔ 相互之间通过竞争、协商、合作等手段达到利益最大 化的目的。 多 Ａｇｅｎｔ 系统结构有集中式和分布式 ２ 种，本文研究分布式结构的多 Ａｇｅｎｔ 系统。 在分布 式结构中，Ａｇｅｎｔ 之间是平等合作的关系。 自动谈 判模型中的 Ａｇｅｎｔ 还应该具有如下 ３ 个特性： １）择优选择。 Ａｇｅｎｔ 每一次的选择使得自身效 用函数最大，所有 Ａｇｅｎｔ 在动态变化的环境中选择 的结果使得整个系统的利益达到最大。 ２）自我学习。 单个 Ａｇｅｎｔ 有自己的历史经验 库、数据存储、处理过程和处理机，在与整个系统交 互的过程中，Ａｇｅｎｔ 根据外界环境变化的信息，经过 分析处理反馈出对自己有利的当前状态，同时更新 历史经验库和数据存储。 即 Ａｇｅｎｔ 经过了自我学习 的过程。 ３）服从协议。 为保证谈判过程的正常执行，Ａ⁃ ｇｅｎｔ 必须执行谈判协议规定的行动方案，使得谈判 各方解决冲突，最终达成一致协议。 １．２ Ａｇｅｎｔ 属性的权重和效用 每个 Ａｇｅｎｔ 在谈判过程中有多个谈判属性，即 谈判中考虑的问题，每一轮谈判中各个属性的效用 值之和是这个 Ａｇｅｎｔ 在此次谈判中所获得的效用。 设每个 Ａｇｅｎｔ 有 Ｍ 项属性，按照自己的偏好对各项 属性分别设置权重 ＷＭ 。 Ｎ 个 Ａｇｅｎｔ 的权重矩阵为 Ｗ ＝ （Ｗｉｊ） Ｎ×Ｍ ＝ Ｗ１１ Ｗ１２ … Ｗ１Ｍ Ｗ２１ Ｗ２２ … Ｗ２Ｍ ︙ ︙ ︙ ︙ ＷＮ１ ＷＮ２ … ＷＮＭ é ë ê ê ê ê ê ù û ú ú ú ú ú 式中： Ｗｉｊ ∈ （０，１），ｊ ＝ １，２，…，Ｍ ，且每个 Ａｇｅｎｔ 所 有属性权重之和为 １，即 ∑ Ｍ ｉ Ｗｉｊ ＝ １（ｊ ＝ １，２，．．．，Ｎ） 。 每个 Ａｇｅｎｔ 对事先协商好的 Ｍ 项谈判属性，分别在 （０，１０）范围内取一个效用值 ＶＭ （保留一位小数）， 为了能够量化和比较供方和需方的属性值，规定属 性值越高价格越低，运输越快，质量、产地、品牌等越 好。 Ｎ 个 Ａｇｅｎｔ 的效用矩阵为 Ｖ ＝ （Ｖｉｊ） Ｍ×Ｎ ＝ Ｖ１１ Ｖ１２ … Ｖ１Ｎ Ｖ２１ Ｖ２２ … Ｖ２Ｎ ︙ ︙ ︙ ︙ ＶＭ１ ＶＭ２ … ＶＭＮ é ë ê ê ê ê ê ù û ú ú ú ú ú 式中： Ｖｉｊ ∈ （０，１０） ，ｉ ＝ １，２，…，Ｍ，ｊ ＝ １，２，…，Ｎ。 对每项属性的效用值设定上限和下限，在自动 谈判过程中每项属性只能在此范围内进行调整，如 式（１）： Ｖ ｉｊ ｍｉｎ ≤ Ｖｉｊ ≤ Ｖ ｉｊ ｍａｘ （１） 式中：ｉ ＝ １，２，…，Ｍ， ｊ ＝ １，２，…，Ｎ。 １．３ 自动谈判过程及协议 电子商务自动谈判过程主要分为 ６ 步：需求确 定、商品代理（信息搜寻）、商家代理、谈判、支付与 配送、商品服务与评价。 第 ２ 步到第 ４ 步为谈判系 统的核心，也是自动谈判系统研究的重点。 经典的 电子商务多对多谈判机制中交易双方都有多个，且 供应方和需求方数量不一定相等，谈判的内容不止 第 ３ 期 高珊，等：基于人工蜂群算法的电子商务多 Ａｇｅｎｔ 自动谈判模型 ·４７７·
·478 智能系统学报 第10卷 一项，与现实生活中的电子商务市场一致，本文这里 随蜂，跟随蜂通过轮盘赌来选择一个蜜源。再在此 研究多对多的多属性自动谈判问题。 蜜源附近利用其记忆中的局部信息选择一个新蜜 首先，确定多对多自动谈判协议。发起谈判时， 源，比较新位置和原位置的花蜜数量，若新位置的花 确定参与谈判各方。发送身份验证，确认谈判中用 蜜量高于原位置，则记住新位置。 于保障数据安全的公钥和各自的私钥。谈判过程 3)一个食物源经过Nm代(N为自定义常 中，采用改进让步协议[6，如果当前Agent匹配到另 量)，其适应度都没有任何改变，则当前食物源被放 外一个Agent的要求，那么就暂时达成一个协议。 弃，且当前食物源处的引领蜂变为侦察蜂，并开始随 此时若没有合适当前Agent的匹配，则Agent让步 机搜索新的蜜源。 或者进入下一轮谈判。Agent通过调整各项属性的 4)记录迄今为止最好蜜源，作为全局最优解 效用值来实现让步，并且不能使所有属性值同时提 输出。 高，降低一个属性的效用值，相应地提高另一个属性 人工蜂群算法反馈机制优越，食物源的花蜜量 的效用值。例如，若实际谈判中需方Agent接受较 与食物源被选择的可能性成正比，蜜蜂能及时停止 远的产地，则相应地要求提升产品质量，其让步过程 对较差食物源的开采。且蜜蜂能与其他蜜蜂共同分 可描述为 享食物源的信息。这对自动谈判过程中，供应商的 (Vii,V +x)=(Vi+y,V) 选择、属性调整以及快速寻找匹配Agent的过程具 式中：x,y∈(0,1)。 有有益的参考价值。 如果在某一步中，没有Agent让步，那么谈判结 2.2人工蜂群算法建模及求解 束或者协议指出已经产生了一个死锁。在谈判中 结合人工蜂群算法原理和Agent自动谈判过 Agent不能放弃，也不能同时多轮都不变化。在自 程，可以假设供应方为食物源，需求方为蜜蜂，每一 动谈判过程中，如果有Agent无法匹配到其他Agent 个供方和需方为一个Agent,食物源的花蜜量由A- 要求，且经过多轮让步都无法匹配，则该Agent自动 gent的效用值来决定。设供方有N个，需方有X 退出谈判，不影响谈判继续进行。此协议的优点是， 个。与电子商务市场实际情况相结合，供应方和需 它能够保证收敛或者当不能够收敛时，可以快速结 求方数量不一定相等，谈判结果也不一定是供方和 束谈判。在此协议中，为满足这个规则，Agent必须 需方一一对应，因此将N个供方模拟为N(r=1,2, 相互知道对方的效用矩阵。 …,n)个食物源，即每个供方Agent有r次被选择的 2人工蜂群算法的谈判模型设计 机会，此处r取决于实际问题的计算规模，r取值越 大，计算结果趋向于整体效用值更优，但是计算时间 2.1人工蜂群算法基本原理 也越长。 在蜜蜂群体采蜜的过程中，传递蜜源的位置、含 设每个Agent有M项属性，各项属性的权重为 蜜量等信息，以便大量蜜蜂飞往优秀蜜源采蜜是最 W:(W:∈(0,1)。第j个Agent的第i项效用值为 重要的部分。因此，人工蜂群算法首先将蜂群分为 V(V∈{0,1,2，…100})，效用值的上限和下限分 引领蜂(employed bees)、跟随蜂(onlookers)和侦察 别为和。则谈判过程中总体效用值如式 蜂(scouts)3类。出去寻找蜜源的蜜蜂是引领蜂，在 (2)所示。求最大总体效用即为求模型的目标函数 舞蹈区内等待选择蜜源的蜜蜂是跟随蜂，而在一定 f的最大值，目标函数fa如式(3)所示。 情况下进行随机搜索蜜源的蜜蜂是侦察蜂。蜂群数 量的一半是引领蜂，另一半是跟随蜂，引领蜂的数量 2N+X 和食物源的数量相等。 g2,4e() (2)》 在蜂群进化过程中，引领蜂和跟随蜂负责执行 2N+X M 开采过程，而侦察蜂执行探索过程。蜜蜂执行搜索 maxful=∑(B∑V,W:) (3) =1 活动的主要过程如下： 式中：B,∈(0,1)为第j个Agent的效用系数。 1)随机初始化引领蜂的位置，发现初始蜜源 计算中，如果需方Agent的属性值高于当前 并记忆当前蜜源位置，根据记忆的局部信息，在 匹配的供方Agent属性值，则需方Agent的效用 领域范围内搜索新蜜源。根据蜜源的花蜜数量 系数B,=0,反之B,=1。若需方Agent的M项属 选择最优位置。 性中有M,项属性值低于供方Agent属性，则B,值 2)引领蜂通过跳摇摆舞将蜜源信息分享给跟 用式(4)求解
一项，与现实生活中的电子商务市场一致，本文这里 研究多对多的多属性自动谈判问题。 首先，确定多对多自动谈判协议。 发起谈判时， 确定参与谈判各方。 发送身份验证，确认谈判中用 于保障数据安全的公钥和各自的私钥。 谈判过程 中，采用改进让步协议［６］ ，如果当前 Ａｇｅｎｔ 匹配到另 外一个 Ａｇｅｎｔ 的要求，那么就暂时达成一个协议。 此时若没有合适当前 Ａｇｅｎｔ 的匹配，则 Ａｇｅｎｔ 让步 或者进入下一轮谈判。 Ａｇｅｎｔ 通过调整各项属性的 效用值来实现让步，并且不能使所有属性值同时提 高，降低一个属性的效用值，相应地提高另一个属性 的效用值。 例如，若实际谈判中需方 Ａｇｅｎｔ 接受较 远的产地，则相应地要求提升产品质量，其让步过程 可描述为 （Ｖｉｊ，Ｖｋｊ ＋ ｘ） ＝ （Ｖｉｊ ＋ ｙ，Ｖｋｊ） 式中： ｘ，ｙ ∈ （０，１） 。 如果在某一步中，没有 Ａｇｅｎｔ 让步，那么谈判结 束或者协议指出已经产生了一个死锁。 在谈判中 Ａｇｅｎｔ 不能放弃，也不能同时多轮都不变化。 在自 动谈判过程中，如果有 Ａｇｅｎｔ 无法匹配到其他 Ａｇｅｎｔ 要求，且经过多轮让步都无法匹配，则该 Ａｇｅｎｔ 自动 退出谈判，不影响谈判继续进行。 此协议的优点是， 它能够保证收敛或者当不能够收敛时，可以快速结 束谈判。 在此协议中，为满足这个规则，Ａｇｅｎｔ 必须 相互知道对方的效用矩阵。 ２ 人工蜂群算法的谈判模型设计 ２．１ 人工蜂群算法基本原理 在蜜蜂群体采蜜的过程中，传递蜜源的位置、含 蜜量等信息，以便大量蜜蜂飞往优秀蜜源采蜜是最 重要的部分。 因此，人工蜂群算法首先将蜂群分为 引领蜂（ ｅｍｐｌｏｙｅｄ ｂｅｅｓ）、跟随蜂（ ｏｎｌｏｏｋｅｒｓ） 和侦察 蜂（ｓｃｏｕｔｓ）３ 类。 出去寻找蜜源的蜜蜂是引领蜂，在 舞蹈区内等待选择蜜源的蜜蜂是跟随蜂，而在一定 情况下进行随机搜索蜜源的蜜蜂是侦察蜂。 蜂群数 量的一半是引领蜂，另一半是跟随蜂，引领蜂的数量 和食物源的数量相等。 在蜂群进化过程中，引领蜂和跟随蜂负责执行 开采过程，而侦察蜂执行探索过程。 蜜蜂执行搜索 活动的主要过程如下： １）随机初始化引领蜂的位置，发现初始蜜源 并记忆当前蜜源位置，根据记忆的局部信息，在 领域范围内搜索新蜜源。 根据蜜源的花蜜数量 选择最优位置。 ２）引领蜂通过跳摇摆舞将蜜源信息分享给跟 随蜂，跟随蜂通过轮盘赌来选择一个蜜源。 再在此 蜜源附近利用其记忆中的局部信息选择一个新蜜 源，比较新位置和原位置的花蜜数量，若新位置的花 蜜量高于原位置，则记住新位置。 ３）一个食物源经过 Ｎｌｉｍｉｔ 代（Ｎｌｉｍｉｔ 为自定义常 量），其适应度都没有任何改变，则当前食物源被放 弃，且当前食物源处的引领蜂变为侦察蜂，并开始随 机搜索新的蜜源。 ４）记录迄今为止最好蜜源，作为全局最优解 输出。 人工蜂群算法反馈机制优越，食物源的花蜜量 与食物源被选择的可能性成正比，蜜蜂能及时停止 对较差食物源的开采。 且蜜蜂能与其他蜜蜂共同分 享食物源的信息。 这对自动谈判过程中，供应商的 选择、属性调整以及快速寻找匹配 Ａｇｅｎｔ 的过程具 有有益的参考价值。 ２．２ 人工蜂群算法建模及求解 结合人工蜂群算法原理和 Ａｇｅｎｔ 自动谈判过 程，可以假设供应方为食物源，需求方为蜜蜂，每一 个供方和需方为一个 Ａｇｅｎｔ，食物源的花蜜量由 Ａ⁃ ｇｅｎｔ 的效用值来决定。 设供方有 Ｎ 个，需方有 Ｘ 个。 与电子商务市场实际情况相结合，供应方和需 求方数量不一定相等，谈判结果也不一定是供方和 需方一一对应，因此将 Ｎ 个供方模拟为 ｒＮ（ｒ ＝ １，２， …，ｎ）个食物源，即每个供方 Ａｇｅｎｔ 有 ｒ 次被选择的 机会，此处 ｒ 取决于实际问题的计算规模，ｒ 取值越 大，计算结果趋向于整体效用值更优，但是计算时间 也越长。 设每个 Ａｇｅｎｔ 有 Ｍ 项属性，各项属性的权重为 Ｗｉ（Ｗｉ∈（０，１））。 第 ｊ 个 Ａｇｅｎｔ 的第 ｉ 项效用值为 Ｖｉｊ（Ｖｉｊ∈｛０，１，２，…１００｝），效用值的上限和下限分 别为 Ｖ ｉｊ ｍｉｎ 和 Ｖ ｉｊ ｍａｘ。 则谈判过程中总体效用值如式 （２）所示。 求最大总体效用即为求模型的目标函数 ｆ ｔｏｔａｌ的最大值，目标函数 ｆ ｔｏｔａｌ如式（３）所示。 ∑ ２Ｎ＋Ｘ ｊ ＝ １ （βｊ∑ Ｍ ｉ ＝ １ ＶｉｊＷｉ）， Ｖｉｊ ∈ （Ｖ ｉｊ ｍｉｎ ，Ｖ ｉｊ ｍａｘ） （２） ｍａｘ ｆ ｔｏｔａｌ ＝ ∑ ２Ｎ＋Ｘ ｊ ＝ １ （βｊ∑ Ｍ ｉ ＝ １ ＶｉｊＷｉ） （３） 式中：βｊ∈（０，１）为第 ｊ 个 Ａｇｅｎｔ 的效用系数。 计算中，如果需方 Ａｇｅｎｔ 的属性值高于当前 匹配的供方 Ａｇｅｎｔ 属性值，则需方 Ａｇｅｎｔ 的效用 系数βｊ ＝ ０，反之 βｊ ＝ １。 若需方 Ａｇｅｎｔ 的 Ｍ 项属 性中有 Ｍ１项属性值低于供方 Ａｇｅｎｔ 属性，则βｊ值 用式（ ４）求解。 ·４７８· 智 能 系 统 学 报 第 １０ 卷
第3期 高珊，等：基于人工蜂群算法的电子商务多Agt自动谈判模型 ·479 置后，利用式(7)进行属性调整，选择调整后的最优 月=-M1 (4) 位置为跟随蜂的位置，并记录当前最好解。 1+∑w, =1 式中：g∈(0，l),W,为属性值高于当前匹配Agent (7) 属性的权重，W,为离散集合。 设引领蜂数量与需求方数量相等为X,跟随蜂 遍历所有蜜源，当一个蜜源效用值在N:代内没 有变化，当前位置的跟随蜂变为侦查蜂。寻找从未被 数量也为X。首先，对供方Agent和需方Agent进行 一次随机匹配，将匹配结果作为引领蜂的初始位置。 选择过的蜜源x,利用式(8)进行试探性匹配，若f>0 其次，求出当前的目标函数值f。然后，利用式 则当前位置被蜜源x替换：如果所有蜜源都被选择 (5)对Agent的属性值进行调整，权重越大的属性值 过，则随机挑选一个蜜源k利用式(9)进行试探性交 被调整的概率越小，计算调整后的目标函数值与调 换匹配，若2>0则当前位置被蜜源k替换。 整前相比取最优。 f=B∑VaW-B∑VaWa (8) i=1 i=1 (5) 方=B∑Wa-B∑yW (9) i=1 式中：：∈(0,1)为属性调整系数，第i个属性权重 式中：k=rand(0,1)×2N。 越大则P:越小，根据实际问题规模取值，若实际问 最后，计算当前目标函数fa值是否达到要求， 题规模较大则P:取值较大可以加速收敛。 达到要求则输出结果，否则算法继续。 在引领蜂选择的基础上，X个跟随蜂利用式 图1为整个自动谈判模型的建模计算过程。 (6)在N个位置中选择蜜源。跟随蜂选定所在位 开始 结束 初始化参数，确定目标函数 输出谈判结果 随机匹配一次，得到引领蜂初始位置 目标函数是 N 否达到要求 引领蜂调整属性， 择优选择当前匹配 随机选择一个蜜源进行匹配 N 跟随蜂利用选择蜜源 N 与未被选择 是否存在 过的蜜源 跟随蜂调整属性，择优选择当前匹配 是否有侧 未被选择过 进行试掬 查蜂出现 的蜜源 性匹配 图1建模计算流程 Fig.1 The modeling flow chart 3模型验证 矩阵W、效用值矩阵V和效用调整范围{Va, V}。主要参数设置为属性最大范围参数P=l0, 企业A、B、C分别需要采购一种工业原材料，3 蜜源数量2N=8,引领蜂数量X=3,属性数M=3,r= 家企业对原材料的运输(Delivery)、质量(Quality)、 2。图2为人工蜂群算法模型求解的计算收敛曲线， 价格(Price)分别有各自的要求。3家采购企业属性 从图中可看出，算法循环20次后最好解不再变化， 效用值如表1所示，当前有4家供应商可供选择，分 平均每次运行用时1.8430s,整体效用值最大为 别为Q、W、E、R,每家供应商产品和服务都各有特 322.922(保留小数3位)。此时，需求企业A选择供 色，4家供应商的属性如表2所示。 应商R,B选择Q,C选择W。当前所有Agent属性 应用本文建模方法，首先从表1和2得到权重 效用值如表3所示
βｊ ＝ αｊ １ ＋ ∑ Ｍ－Ｍ１ ｔ ＝ １ Ｗｔ （４） 式中： αｊ ∈ （０，１） ，Ｗｔ为属性值高于当前匹配 Ａｇｅｎｔ 属性的权重，Ｗｔ为离散集合。 设引领蜂数量与需求方数量相等为 Ｘ，跟随蜂 数量也为 Ｘ。 首先，对供方 Ａｇｅｎｔ 和需方 Ａｇｅｎｔ 进行 一次随机匹配，将匹配结果作为引领蜂的初始位置。 其次，求出当前的目标函数值 ｆ ｔｏｔａｌ。 然后，利用式 （５）对 Ａｇｅｎｔ 的属性值进行调整，权重越大的属性值 被调整的概率越小，计算调整后的目标函数值与调 整前相比取最优。 ∑ Ｍ ｉ ＝ １ （Ｖｉ ＋ φｉ １ ＋ Ｗｉ （Ｖ ｉ ｍａｘ － Ｖ ｉ ｍｉｎ ）） （５） 式中： φｉ ∈ （０，１） 为属性调整系数，第 ｉ 个属性权重 越大则 φｉ 越小，根据实际问题规模取值，若实际问 题规模较大则 φｉ 取值较大可以加速收敛。 在引领蜂选择的基础上，Ｘ 个跟随蜂利用式 （６）在 ｒＮ 个位置中选择蜜源。 跟随蜂选定所在位 置后，利用式（７）进行属性调整，选择调整后的最优 位置为跟随蜂的位置，并记录当前最好解。 ｐｉ ＝ ｆ ｊ ／∑ ｔＮ ｊ ＝ １ ｆ ｊ， ｆ ｊ ＝ ∑ Ｍ ｊ ＝ １ ＶｊＷｊ （７） 遍历所有蜜源，当一个蜜源效用值在 Ｎｌｉｍｉｔ代内没 有变化，当前位置的跟随蜂变为侦查蜂。 寻找从未被 选择过的蜜源 ｘ，利用式（８）进行试探性匹配，若 ｆ １＞０ 则当前位置被蜜源 ｘ 替换；如果所有蜜源都被选择 过，则随机挑选一个蜜源 ｋ 利用式（９）进行试探性交 换匹配，若 ｆ ２＞０ 则当前位置被蜜源 ｋ 替换。 ｆ １ ＝ βｔ∑ Ｍ ｉ ＝ １ ＶｔｉＷｔｉ － βｊ∑ Ｍ ｉ ＝ １ ＶｊｉＷｊｉ （８） ｆ ２ ＝ βｋ∑ Ｍ ｉ ＝ １ ＶｋｉＷｋｉ － βｊ∑ Ｍ ｉ ＝ １ ＶｊｉＷｊｉ （９） 式中： ｋ ＝ ｒａｎｄ（０，１） × ２Ｎ 。 最后，计算当前目标函数 ｆ ｔｏｔａｌ值是否达到要求， 达到要求则输出结果，否则算法继续。 图 １ 为整个自动谈判模型的建模计算过程。 图 １ 建模计算流程 Ｆｉｇ． １ Ｔｈｅ ｍｏｄｅｌｉｎｇ ｆｌｏｗ ｃｈａｒｔ ３ 模型验证 企业 Ａ、Ｂ、Ｃ 分别需要采购一种工业原材料，３ 家企业对原材料的运输（Ｄｅｌｉｖｅｒｙ）、质量（Ｑｕａｌｉｔｙ）、 价格（Ｐｒｉｃｅ）分别有各自的要求。 ３ 家采购企业属性 效用值如表 １ 所示，当前有 ４ 家供应商可供选择，分 别为 Ｑ、Ｗ、Ｅ、Ｒ，每家供应商产品和服务都各有特 色，４ 家供应商的属性如表 ２ 所示。 应用本文建模方法，首先从表 １ 和 ２ 得到权重 矩阵 Ｗ、 效 用 值 矩 阵 Ｖ 和 效 用 调 整 范 围 ｛ Ｖｍｉｎ ， Ｖｍａｘ｝。 主要参数设置为属性最大范围参数 Ｐ ＝ １０， 蜜源数量 ２Ｎ＝ ８，引领蜂数量 Ｘ ＝ ３，属性数 Ｍ＝ ３，ｒ ＝ ２。 图 ２ 为人工蜂群算法模型求解的计算收敛曲线， 从图中可看出，算法循环 ２０ 次后最好解不再变化， 平均每次运行用时 １． ８４３ ０ ｓ，整体效用值最大为 ３２２．９２２（保留小数 ３ 位）。 此时，需求企业 Ａ 选择供 应商 Ｒ，Ｂ 选择 Ｑ，Ｃ 选择 Ｗ。 当前所有 Ａｇｅｎｔ 属性 效用值如表 ３ 所示。 第 ３ 期 高珊，等：基于人工蜂群算法的电子商务多 Ａｇｅｎｔ 自动谈判模型 ·４７９·
·480 智能系统学报 第10卷 表1采购企业属性表 Table 1 Property sheet of procurement company 运输D 质量Q 价格P 企业 效用值 效用值 效用值 效用值 权重 效用值 权重 效用值 权重 可调整范围 可调整范围 可调整范围 5.5 [4.9,10] 0.15 6.5 [5.8,10] 0.28 7.0 [6.2.9.0] 0.57 8.2 [7.5,10] 0.47 7.0 [6.4,10] 0.32 5.2 [4.6,9.0] 0.21 6.2 [5.5,10] 0.10 8.7 [8.0.10] 0.61 5.6 [5.1,9.0] 0.29 表2供应商属性表 Table 2 Property sheet of supplier 运输D 质量Q 价格P 企业 效用值 效用值 效用值 效用值 权重 效用值 权重 效用值 权重 可调整范围 可调整范围 可调整范围 Q 7.5 [0,8.2] 0.62 6.6 [0,7.2] 0.28 4.5 [1,5.1] 0.10 W 6.0 [0,6.5] 0.21 8.4 [0,8.9] 0.59 5.0 [1,5.5] 0.20 E 5.2 [0,6.0] 0.11 6.0 [0,6.6] 0.19 8.0 [1,8.3] 0.70 R 6.6 [0,7.0] 0.30 7.1 [0,7.7] 0.31 6.1 [1,6.6] 0.39 表3调整后效用值 文献[l]给出的多Agent、多Object谈判方法 Table 3 The utility value after adjustment (M3INM)中，当Object=1时，该模型描述的问题和本 文类似。为验证本文模型的高效性，用文献[1]中的 企业 运输D 质量Q 价格P M3NM模型对本文算例进行求解，并与ABC算法的 A 5.5 6.5 6.5 求解结果进行对比。本文模型迭代1次需要1.843s, B 7.8 6.7 4.8 循环20次求得最好解为322.922：M3NM模型迭代1 6.0 8.5 5.2 次需3.254s,循环20次求得最好解为321.958。本文 模型和M3NM模型分别运行50次，结果如表4所 Q 7.9 6.9 4.9 示，从表中可看出本文算法计算结果及求解速度都优 6.2 8.6 5.4 于文献[1]。图3为ABC算法与M3NM模型求解结 E 5.2 6.0 8.0 果的对比图，从图中可以看出，ABC算法求解性能优 6.6 7.1 6.6 于M3NM,10代以内就能收敛到全局最优解，M3NM 到第20代整体效用值都没有达到300。 400 400 350 350 ppppp-b-中 300 300 00-00000 250 250 200 ￥200 ABC M3INM 150 一人工蜂群求解收敛曲线 150 100 0246810121416182022 100024681012141618202 迭代次数 迭代次数 图2模型计算收敛曲线 图3收敛性对比 Fig.2 The convergence curve Fig.3 Convergence performance comparison
表 １ 采购企业属性表 Ｔａｂｌｅ １ Ｐｒｏｐｅｒｔｙ ｓｈｅｅｔ ｏｆ ｐｒｏｃｕｒｅｍｅｎｔ ｃｏｍｐａｎｙ 企业 运输 Ｄ 效用值 效用值 可调整范围 权重 质量 Ｑ 效用值 效用值 可调整范围 权重 价格 Ｐ 效用值 效用值 可调整范围 权重 Ａ ５．５ ［４．９， １０］ ０．１５ ６．５ ［５．８， １０］ ０．２８ ７．０ ［６．２， ９．０］ ０．５７ Ｂ ８．２ ［７．５， １０］ ０．４７ ７．０ ［６．４， １０］ ０．３２ ５．２ ［４．６， ９．０］ ０．２１ Ｃ ６．２ ［５．５， １０］ ０．１０ ８．７ ［８．０， １０］ ０．６１ ５．６ ［５．１， ９．０］ ０．２９ 表 ２ 供应商属性表 Ｔａｂｌｅ ２ Ｐｒｏｐｅｒｔｙ ｓｈｅｅｔ ｏｆ ｓｕｐｐｌｉｅｒ 企业 运输 Ｄ 效用值 效用值 可调整范围 权重 质量 Ｑ 效用值 效用值 可调整范围 权重 价格 Ｐ 效用值 效用值 可调整范围 权重 Ｑ ７．５ ［０， ８．２］ ０．６２ ６．６ ［０， ７．２］ ０．２８ ４．５ ［１， ５．１］ ０．１０ Ｗ ６．０ ［０， ６．５］ ０．２１ ８．４ ［０， ８．９］ ０．５９ ５．０ ［１， ５．５］ ０．２０ Ｅ ５．２ ［０， ６．０］ ０．１１ ６．０ ［０， ６．６］ ０．１９ ８．０ ［１， ８．３］ ０．７０ Ｒ ６．６ ［０， ７．０］ ０．３０ ７．１ ［０， ７．７］ ０．３１ ６．１ ［１， ６．６］ ０．３９ 表 ３ 调整后效用值 Ｔａｂｌｅ ３ Ｔｈｅ ｕｔｉｌｉｔｙ ｖａｌｕｅ ａｆｔｅｒ ａｄｊｕｓｔｍｅｎｔ 企业 运输 Ｄ 质量 Ｑ 价格 Ｐ Ａ ５．５ ６．５ ６．５ Ｂ ７．８ ６．７ ４．８ Ｃ ６．０ ８．５ ５．２ Ｑ ７．９ ６．９ ４．９ Ｗ ６．２ ８．６ ５．４ Ｅ ５．２ ６．０ ８．０ Ｒ ６．６ ７．１ ６．６ 图 ２ 模型计算收敛曲线 Ｆｉｇ． ２ Ｔｈｅ ｃｏｎｖｅｒｇｅｎｃｅ ｃｕｒｖｅ 文献［１］ 给出的多 Ａｇｅｎｔ、多 Ｏｂｊｅｃｔ 谈判方法 （Ｍ３ＩＮＭ）中，当 Ｏｂｊｅｃｔ ＝ １ 时，该模型描述的问题和本 文类似。 为验证本文模型的高效性，用文献［１］中的 Ｍ３ＩＮＭ 模型对本文算例进行求解，并与 ＡＢＣ 算法的 求解结果进行对比。 本文模型迭代 １ 次需要 １．８４３ ｓ， 循环 ２０ 次求得最好解为 ３２２．９２２；Ｍ３ＩＮＭ 模型迭代 １ 次需 ３．２５４ ｓ，循环 ２０ 次求得最好解为 ３２１．９５８。 本文 模型和 Ｍ３ＩＮＭ 模型分别运行 ５０ 次，结果如表 ４ 所 示，从表中可看出本文算法计算结果及求解速度都优 于文献［１］。 图 ３ 为 ＡＢＣ 算法与 Ｍ３ＩＮＭ 模型求解结 果的对比图，从图中可以看出，ＡＢＣ 算法求解性能优 于 Ｍ３ＩＮＭ，１０ 代以内就能收敛到全局最优解，Ｍ３ＩＮＭ 到第 ２０ 代整体效用值都没有达到 ３００。 图 ３ 收敛性对比 Ｆｉｇ． ３ Ｃｏｎｖｅｒｇｅｎｃｅ ｐｅｒｆｏｒｍａｎｃｅ ｃｏｍｐａｒｉｓｏｎ ·４８０· 智 能 系 统 学 报 第 １０ 卷
第3期 高珊，等：基于人工蜂群算法的电子商务多Aget自动谈判模型 ·481- 表4计算结果对比 [7]REN Z,ANUMBA C J.UGWU OO.The development of a Table 4 Comparison of calculated results multi-agent system for construction claims negotiation[J]. t代内 Advances in Engineering Software,2003,34(11/12):683- 方法 迭代次数 最大值时间/s 平均值 696. ABC算法 20 320.8421 322.9221.8430 [8]孙华梅，李一军，曹荣增，等.基于约束放松的电子商务 协同谈判模型[J].运筹与管理，2008,17(4)：132-137. M3INM模型 20 291.5931321.9583.2540 SUN Huamei,LI Yijun,CAO Rongzeng,et al.Collabora- tive negotiation model based on relaxative constraints for E- 4 结束语 commerce J.Operations Research and Management Sci- 本文将人工蜂群算法与多Agent多属性自动谈 ence,2008,17(4):132-137. 判模型相结合，设计了自动谈判模型及求解过程，提 [9]RAHWAN I,KOWALCZYK R,PHAM HH.Intelligent a- 供了一种电子商务自动谈判问题的建模求解新思 gents for automated one-to-many e-commerce negotiation[J]. Australian Computer Science Communications,2002,24 路，具有较强的适用性，能快速找到所有Agent总效 (1):197-204. 用最大的谈判结果。实例测试结果及与其他模型的 [10]BADICA C,GANZHA M,PAPRZYCKI M.Developing a 对比，验证了本文模型的有效性。国内外目前对大 model agent-based e-commerce system M ]//LU Jie, 数据量自动谈判系统的研究较少，本文后续研究方 ZHANG Guangquan,RUAN Da.E-service Intelligence 向为建立基于人工蜂群算法的一般模型，用于解决 Berlin/Heidelberg:Springer,2007:555-578. 大量Agent多属性谈判问题。 [11]王海，李一军，侯新培.基于Agent的电子商务自动谈 判系统研究[J].系统工程理论与实践，2005,25(11)： 参考文献： 14-19. WANG Hai,LI Yijun,HOU Xinpei.E-commerce oriented [1]FEI Yulian,CHEN Wenjuan.A multi-agent,multi-object ANS based on Agent[J].Systems Engineering-Theory and multi-attribute intelligent negotiation model [C]// Practice,2005,25(11):14-19. Fourth International Conference on Fuzzy Systems and [12]高珊，张惠珍，马良.蜂群算法求解支持模糊QS约束 Knowledge Discovery.Haikou,China,2007,3:440-446. 的电子采购模型[J].经济数学，2014,31(2)：59-63. [2]黄京华，马晖，赵纯均.面向电子商务的基本遗传算法 GAO Shan,ZHANG Huizhen,MA Liang.Solving E-pro- 的Agent谈判模型[J].管理科学学报，2002,5(6)：17- curement model based on fuzzy QoS-constraint with bee col- 23. ony algorithm J].Journal of Quantitative Economics, HUANG Jinghua,MA Jun,ZHAO Chunjun.Multi-agent ne- 2014,31(2):59-63. gotiation model based on genetic algorithm in E-business 作者简介： [J].Journal of Manegement Sciences in China,2002,5 高珊，女，1989年生，硕士研究生 (6):17-23. 主要研究方向为智能优化、系统工程。 [3]ARGONETO P,RENNA P.Production planning,negotia- 曾获美国大学生数学建模竞赛二等奖， tion and coalition integration:A new tool for an innovative e- 全国研究生数学建模竞赛二等奖。发 business model[J].Robotics and Computer-Integrated Man- 表学术论文6篇。 ufacturing,2010,26(1):1-12. [4]CHHETRI M B,LIN J,GOH S K,et al.A coordinated ar- chitecture for the agent-based service level agreement negoti- ation of web service composition[C]//The Australian Soft- 马良，男，1964年生，教授，博士生 ware Engineering Conference.Sydney,Australia,2006:90- 导师，主要研究方向为系统工程、智能 99. 优化。发表学术论文300余篇，出版专 [5]HUANG CC,LIANG W Y,LAI Y H,et al.The agent- 著1部，主编教材2部。 based negotiation process for B2C E-commerce[J].Expert Systems with Applications,2010,37(1):348-359. [6]高珊，张惠珍，马良.元胞人工蜂群算法及其在01规划 问题中的应用[J].数学理论与应用，2014,34(1)：83 张惑珍，女，1979年生，副教授.博 91. 士，主要研究方向为运筹学、智能优化。 GAO Shan,ZHANG Huizhen,MA Liang.Cellular artificial 发表学术论文20余篇，出版专著1部。 bee colony algorithm and its application to 0-1 programming problems[].Mathematical Theory and Applications,2014, 34(1):83-91
表 ４ 计算结果对比 Ｔａｂｌｅ ４ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｃａｌｃｕｌａｔｅｄ ｒｅｓｕｌｔｓ 方 法 迭代次数 ｔ 代内 平均值 最大值 时间／ ｓ ＡＢＣ 算法 ２０ ３２０．８４２ １ ３２２．９２２ １．８４３ ０ Ｍ３ＩＮＭ 模型 ２０ ２９１．５９３ １ ３２１．９５８ ３．２５４ ０ ４ 结束语 本文将人工蜂群算法与多 Ａｇｅｎｔ 多属性自动谈 判模型相结合，设计了自动谈判模型及求解过程，提 供了一种电子商务自动谈判问题的建模求解新思 路，具有较强的适用性，能快速找到所有 Ａｇｅｎｔ 总效 用最大的谈判结果。 实例测试结果及与其他模型的 对比，验证了本文模型的有效性。 国内外目前对大 数据量自动谈判系统的研究较少，本文后续研究方 向为建立基于人工蜂群算法的一般模型，用于解决 大量 Ａｇｅｎｔ 多属性谈判问题。 参考文献： ［１］ ＦＥＩ Ｙｕｌｉａｎ， ＣＨＥＮ Ｗｅｎｊｕａｎ． Ａ ｍｕｌｔｉ⁃ａｇｅｎｔ， ｍｕｌｔｉ⁃ｏｂｊｅｃｔ ａｎｄ ｍｕｌｔｉ⁃ａｔｔｒｉｂｕｔｅ ｉｎｔｅｌｌｉｇｅｎｔ ｎｅｇｏｔｉａｔｉｏｎ ｍｏｄｅｌ ［ Ｃ ］ ／ ／ Ｆｏｕｒｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｆｕｚｚｙ Ｓｙｓｔｅｍｓ ａｎｄ Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ． Ｈａｉｋｏｕ， Ｃｈｉｎａ， ２００７， ３： ４４０⁃４４６． ［２］黄京华， 马晖， 赵纯均． 面向电子商务的基本遗传算法 的 Ａｇｅｎｔ 谈判模型［Ｊ］． 管理科学学报， ２００２， ５（６）： １７⁃ ２３． ＨＵＡＮＧ Ｊｉｎｇｈｕａ， ＭＡ Ｊｕｎ， ＺＨＡＯ Ｃｈｕｎｊｕｎ． Ｍｕｌｔｉ⁃ａｇｅｎｔ ｎｅ⁃ ｇｏｔｉａｔｉｏｎ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ｉｎ Ｅ⁃ｂｕｓｉｎｅｓｓ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｍａｎｅｇｅｍｅｎｔ Ｓｃｉｅｎｃｅｓ ｉｎ Ｃｈｉｎａ， ２００２， ５ （６）： １７⁃２３． ［３］ ＡＲＧＯＮＥＴＯ Ｐ， ＲＥＮＮＡ Ｐ． Ｐｒｏｄｕｃｔｉｏｎ ｐｌａｎｎｉｎｇ， ｎｅｇｏｔｉａ⁃ ｔｉｏｎ ａｎｄ ｃｏａｌｉｔｉｏｎ ｉｎｔｅｇｒａｔｉｏｎ： Ａ ｎｅｗ ｔｏｏｌ ｆｏｒ ａｎ ｉｎｎｏｖａｔｉｖｅ ｅ⁃ ｂｕｓｉｎｅｓｓ ｍｏｄｅｌ［Ｊ］． Ｒｏｂｏｔｉｃｓ ａｎｄ Ｃｏｍｐｕｔｅｒ⁃Ｉｎｔｅｇｒａｔｅｄ Ｍａｎ⁃ ｕｆａｃｔｕｒｉｎｇ， ２０１０， ２６（１）： １⁃１２． ［４］ＣＨＨＥＴＲＩ Ｍ Ｂ， ＬＩＮ Ｊ， ＧＯＨ Ｓ Ｋ， ｅｔ ａｌ． Ａ ｃｏｏｒｄｉｎａｔｅｄ ａｒ⁃ ｃｈｉｔｅｃｔｕｒｅ ｆｏｒ ｔｈｅ ａｇｅｎｔ⁃ｂａｓｅｄ ｓｅｒｖｉｃｅ ｌｅｖｅｌ ａｇｒｅｅｍｅｎｔ ｎｅｇｏｔｉ⁃ ａｔｉｏｎ ｏｆ ｗｅｂ ｓｅｒｖｉｃｅ ｃｏｍｐｏｓｉｔｉｏｎ［Ｃ］ ／ ／ Ｔｈｅ Ａｕｓｔｒａｌｉａｎ Ｓｏｆｔ⁃ ｗａｒｅ Ｅｎｇｉｎｅｅｒｉｎｇ Ｃｏｎｆｅｒｅｎｃｅ． Ｓｙｄｎｅｙ， Ａｕｓｔｒａｌｉａ， ２００６： ９０⁃ ９９． ［５］ ＨＵＡＮＧ Ｃ Ｃ， ＬＩＡＮＧ Ｗ Ｙ， ＬＡＩ Ｙ Ｈ， ｅｔ ａｌ． Ｔｈｅ ａｇｅｎｔ⁃ ｂａｓｅｄ ｎｅｇｏｔｉａｔｉｏｎ ｐｒｏｃｅｓｓ ｆｏｒ Ｂ２Ｃ Ｅ⁃ｃｏｍｍｅｒｃｅ［ Ｊ］． Ｅｘｐｅｒｔ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ， ２０１０， ３７（１）： ３４８⁃３５９． ［６］高珊， 张惠珍， 马良． 元胞人工蜂群算法及其在 ０⁃１ 规划 问题中的应用［Ｊ］． 数学理论与应用， ２０１４， ３４（１）： ８３－ ９１． ＧＡＯ Ｓｈａｎ， ＺＨＡＮＧ Ｈｕｉｚｈｅｎ， ＭＡ Ｌｉａｎｇ． Ｃｅｌｌｕｌａｒ ａｒｔｉｆｉｃｉａｌ ｂｅｅ ｃｏｌｏｎｙ ａｌｇｏｒｉｔｈｍ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ｔｏ ０⁃１ ｐｒｏｇｒａｍｍｉｎｇ ｐｒｏｂｌｅｍｓ［Ｊ］． Ｍａｔｈｅｍａｔｉｃａｌ Ｔｈｅｏｒｙ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ， ２０１４， ３４（１）： ８３⁃９１． ［７］ＲＥＮ Ｚ， ＡＮＵＭＢＡ Ｃ Ｊ， ＵＧＷＵ Ｏ Ｏ． Ｔｈｅ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ａ ｍｕｌｔｉ⁃ａｇｅｎｔ ｓｙｓｔｅｍ ｆｏｒ ｃｏｎｓｔｒｕｃｔｉｏｎ ｃｌａｉｍｓ ｎｅｇｏｔｉａｔｉｏｎ ［ Ｊ］． Ａｄｖａｎｃｅｓ ｉｎ Ｅｎｇｉｎｅｅｒｉｎｇ Ｓｏｆｔｗａｒｅ， ２００３， ３４（１１ ／ １２）： ６８３⁃ ６９６． ［８］孙华梅， 李一军， 曹荣增， 等． 基于约束放松的电子商务 协同谈判模型［Ｊ］． 运筹与管理， ２００８， １７（４）： １３２－１３７． ＳＵＮ Ｈｕａｍｅｉ， ＬＩ Ｙｉｊｕｎ， ＣＡＯ Ｒｏｎｇｚｅｎｇ， ｅｔ ａｌ． Ｃｏｌｌａｂｏｒａ⁃ ｔｉｖｅ ｎｅｇｏｔｉａｔｉｏｎ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｒｅｌａｘａｔｉｖｅ ｃｏｎｓｔｒａｉｎｔｓ ｆｏｒ Ｅ⁃ ｃｏｍｍｅｒｃｅ［ Ｊ］． Ｏｐｅｒａｔｉｏｎｓ Ｒｅｓｅａｒｃｈ ａｎｄ Ｍａｎａｇｅｍｅｎｔ Ｓｃｉ⁃ ｅｎｃｅ， ２００８， １７（４）： １３２⁃１３７． ［９］ＲＡＨＷＡＮ Ｉ， ＫＯＷＡＬＣＺＹＫ Ｒ， ＰＨＡＭ Ｈ Ｈ． Ｉｎｔｅｌｌｉｇｅｎｔ ａ⁃ ｇｅｎｔｓ ｆｏｒ ａｕｔｏｍａｔｅｄ ｏｎｅ⁃ｔｏ⁃ｍａｎｙ ｅ⁃ｃｏｍｍｅｒｃｅ ｎｅｇｏｔｉａｔｉｏｎ［Ｊ］． Ａｕｓｔｒａｌｉａｎ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ， ２００２， ２４ （１）： １９７⁃２０４． ［１０］ ＢＡＤＩＣＡ Ｃ， ＧＡＮＺＨＡ Ｍ， ＰＡＰＲＺＹＣＫＩ Ｍ． Ｄｅｖｅｌｏｐｉｎｇ ａ ｍｏｄｅｌ ａｇｅｎｔ⁃ｂａｓｅｄ ｅ⁃ｃｏｍｍｅｒｃｅ ｓｙｓｔｅｍ ［ Ｍ ］ ／ ／ ＬＵ Ｊｉｅ， ＺＨＡＮＧ Ｇｕａｎｇｑｕａｎ， ＲＵＡＮ Ｄａ． Ｅ⁃ｓｅｒｖｉｃｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ． Ｂｅｒｌｉｎ ／ Ｈｅｉｄｅｌｂｅｒｇ： Ｓｐｒｉｎｇｅｒ， ２００７： ５５５⁃５７８． ［１１］王海， 李一军， 侯新培． 基于 Ａｇｅｎｔ 的电子商务自动谈 判系统研究［Ｊ］． 系统工程理论与实践， ２００５， ２５（１１）： １４⁃１９． ＷＡＮＧ Ｈａｉ， ＬＩ Ｙｉｊｕｎ， ＨＯＵ Ｘｉｎｐｅｉ． Ｅ⁃ｃｏｍｍｅｒｃｅ ｏｒｉｅｎｔｅｄ ＡＮＳ ｂａｓｅｄ ｏｎ Ａｇｅｎｔ［ Ｊ］． Ｓｙｓｔｅｍｓ Ｅｎｇｉｎｅｅｒｉｎｇ—Ｔｈｅｏｒｙ ＆ Ｐｒａｃｔｉｃｅ， ２００５， ２５（１１）： １４⁃１９． ［１２］高珊， 张惠珍， 马良． 蜂群算法求解支持模糊 ＱｏＳ 约束 的电子采购模型［Ｊ］． 经济数学， ２０１４， ３１（２）： ５９⁃６３． ＧＡＯ Ｓｈａｎ， ＺＨＡＮＧ Ｈｕｉｚｈｅｎ， ＭＡ Ｌｉａｎｇ． Ｓｏｌｖｉｎｇ Ｅ⁃ｐｒｏ⁃ ｃｕｒｅｍｅｎｔ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｆｕｚｚｙ ＱｏＳ⁃ｃｏｎｓｔｒａｉｎｔ ｗｉｔｈ ｂｅｅ ｃｏｌ⁃ ｏｎｙ ａｌｇｏｒｉｔｈｍ ［ Ｊ ］． Ｊｏｕｒｎａｌ ｏｆ Ｑｕａｎｔｉｔａｔｉｖｅ Ｅｃｏｎｏｍｉｃｓ， ２０１４， ３１（２）： ５９⁃６３． 作者简介： 高珊，女，１９８９ 年生，硕士研究生， 主要研究方向为智能优化、系统工程。 曾获美国大学生数学建模竞赛二等奖， 全国研究生数学建模竞赛二等奖。 发 表学术论文 ６ 篇。 马良，男，１９６４ 年生，教授，博士生 导师，主要研究方向为系统工程、智能 优化。 发表学术论文 ３００ 余篇，出版专 著 １ 部，主编教材 ２ 部。 张惠珍，女，１９７９ 年生，副教授，博 士，主要研究方向为运筹学、智能优化。 发表学术论文 ２０ 余篇，出版专著 １ 部。 第 ３ 期 高珊，等：基于人工蜂群算法的电子商务多 Ａｇｅｎｔ 自动谈判模型 ·４８１·