·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