• 
  复杂决策任务的建...
  ￥27.65元

　　本书对复杂决策任务的概念、分类以及求解方法等进行了系统阐述；在分析Agent模型、MAS系统分析、系统设计以及面向复杂决策任务系统MAS模型的基础上，研究了基于Agent的复杂决策任务系统的建模方法；在分析贝叶斯网结构和扩展模型的基础上，研究了面向复杂决策任务的贝叶斯网建模过程和方法；系统地研究了决策Agent及其任务规范分解的形式化方法、任务分解与优化分解方法以及基于遗传算法分解方法；研究了面向复杂决策任务地协同求解机制以及近似推理机制。
　　本书可作为管理科学与工程、决策科学、系统科学、控制工程以及计算机应用技术等学科高年级的本科生、研究生用书，也可供相关研究人员参考。

样章试读

• 暂时还没有任何用户评论

总计 0 个记录，共 1 页。 第一页 上一页 下一页 最末页

全部咨询(共0条问答)

• 暂时还没有任何用户咨询内容

总计 0 个记录，共 1 页。 第一页 上一页 下一页 最末页

用户名：	匿名用户
E-mail：
咨询内容：

• 前言
  第1章 绪论
  1.1 复杂系统与复杂决策任务
  1.2 决策任务的概念与分类
  1.2.1 决策任务的概念
  1.2.2 决策任务的分类
  1.3 决策任务建模与求解的一般方法
  1.3.1 决策数学模型与智能决策方法
  1.3.2 决策问题结构化模型与群决策模型研究
  1.3.3 决策支持系统
  1.4 复杂决策任务建模与求解的新技术
  1.4.1 多Agent技术
  1.4.2 贝叶斯网技术
  1.5 复杂决策任务的建模与求解特征与要求
  1.6 本章小结
  参考文献
  第2章 基于Agent的复杂决策任务系统的建模
  2.1 引言
  2.2 Agent模型
  2.2.1 形式化模型
  2.2.2 组织模型
  2.2.3 结构模型
  2.3 MAS系统分析
  2.3.1 引言
  2.3.2 G／A矩阵
  2.3.3 个体Agent的识别方法
  2.4 基于组件的Agent框架和MAS系统设计
  2.4.1 面向对象的设计（OOD）和面向Agent的设计（AOD）
  2.4.2 基于Agent的系统设计
  2.5 面向复杂决策任务系统的MAS模型
  2.5.1 复杂决策任务系统的模型结构
  2.5.2 复杂决策任务求解支持的分布式模型
  2.6 本章小结
  参考文献
  第3章 面向复杂决策任务的贝叶斯网建模过程
  3.1 引言
  3.2 贝叶斯网
  3.2.1 定义与结构
  3.2.2 贝叶斯网的扩展模型
  3.2.3 带权重的定性贝叶斯网
  3.3 贝叶斯网建模原则
  3.4 贝叶斯网建模流程
  3.5 建模流程分析
  3.5.1 问题分析阶段
  3.5.2 模型设计阶段
  3.5.3 模型测试阶段
  3.6 建模中的简化方法
  3.7 本章小结
  参考文献
  第4章 面向复杂决策任务的贝叶斯网建模方法
  4.1 引言
  4.2 贝叶斯网结构的学习
  4.2.1 基于评分函数的方法
  4.2.2 基于约束的方法
  4.3 参数学习
  4.4 基于ACO的贝叶斯网结构学习
  4.4.1 蚁群优化算法
  4.4.2 蚁群优化算法的改进
  4.4.3 蚁群优化算法的结论
  4.4.4 基于ACO的贝叶斯网结构学习
  4.5 知识和数据融合的结构建模方法
  4.5.1 知识和数据的融合方法
  4.5.2 实证研究
  4.6 基于案例和规则推理的贝叶斯网建模
  4.6.1 基于知识的建模
  4.6.2 基于案例推理
  4.6.3 基于案例和规则推理的建模过程
  4.7 本章小结
  参考文献
  第5章 基于贝叶斯网的复杂决策任务的表示与分解
  5.1 引言
  5.2 决策Agent及其任务规范分解的形式化定义
  5.3 任务规范的分解方法及其性质
  5.3.1 基于GDF的任务规范的分解判据及其性质
  5.3.2 基于BN的任务规范表示及分解
  5.4 任务规范的优化分解
  5.4.1 优化分解问题的提出
  5.4.2 优化分解方法
  5.4.3 案例分析
  5.5 基于遗传算法的贝叶斯网分解
  5.5.1 BN分解概述
  5.5.2 遗传算法概要
  5.5.3 遗传算法设计
  5.5.4 实验结果及分析
  5.6 本章小结
  参考文献
  第6章 面向复杂决策任务的协同求解机制
  6.1 引言
  6.2 多Agent之间协作的基本机制
  6.2.1 多Agent之间的协作方式
  6.2.2 任务分担的协作
  6.2.3 结果共享的协作
  6.2.4 基于协作的问题求解过程
  6.3 基于博弈论的多Agent之间的协作
  6.3.1 基于博弈论的多Agent协作模型
  6.3.2 任务协作的MAID表示
  6.3.3 MAID与博弈树
  6.3.4 任务协作的MAID的均衡策略的求解
  6.4 本章小结
  参考文献
  第7章 面向复杂决策任务的近似推理机制
  7.1 引言
  7.2 贝叶斯网的概率推理方法
  7.2.1 变量消去法
  7.2.2 超树的推理方法
  7.2.3 割集的推理方法
  7.2.4 连接树的推理方法
  7.2.5 仿真与搜索的推理方法
  7.3 基于联结树的贝叶斯网的推理结构
  7.3.1 BN推理概述
  7.3.2 在BN及SS上概率推理的等价性
  7.3.3 从BN的G到SS的JT的转变结构及构造算法
  7.3.4 案例分析
  7.4 基于赋值代数的贝叶斯网概率推理的局部计算模型
  7.4.1 赋值代数概述
  7.4.2 赋值代数
  7.4.3 推理结构及其赋值代数
  7.4.4 概率推理的局部计算的赋值代数模型
  7.4.5 案例分析
  7.5 多Agent之间基于Rough set的近似推理
  7.5.1 粗糙集概述
  7.5.2 多Agent推理的近似空间
  7.5.3 多Agent之间的近似推理
  7.5.4 案例分析
  7.6 本章小结
  参考文献