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·