基于MAS的家居能量系统的Agent实现及其智能管理

随着社会信息化的加快,人们的工作、生活与通讯、信息的关系日益紧密。信息化社会在改变人们生活方式与工作习惯的同时,也对传统的家居提出了挑战,人们对家居的要求就不再只是物理空间,更为关注的是一个智能、安全、方便、舒适的居家环境。智能家居已经成为当今一个重要的新兴行业。 目前,大部分的家居设备都是独立工作,形成了孤立的自动化孤岛,不仅造成了大量能源的浪费,而且降低了家居自动化的功能水平。所以,本文将基于MAS技术构建智能家居系统其中之一的家居能量应用集成系统,使得家居能量设备在得到智能控制的同时,还能达到节能的目的。 论文在分析现有家居能量设备集中控制解决方案不足的基础上,结合多Agent技术,建立了基于MAS的家居能量系统模型MAES(Multi-Agent-based Home Energy System),并给出了模型的主要组成结构。作为人工智能成果之一的智能Agent技术已逐渐被中外学者引入并成为探讨家居智能化的新方向。Agent的原意是“代理”或“中介”的意思,也被称为“智能主体”或者“智能代理”,它是一种能够模拟人类行为,具备代理性、智能性并能提供相应服务的计算实体。将具有不同目标的多个Agent进行合理的组合,即构成了多Agent系统(Mufti-Agent System,MAS)。MAS作为分布式人工智能的典型应用,具有按需协作、松散耦合的运行方式,这些特点与智能家居系统的需求完全吻合。论文根据家居能量系统的MAES模型,归纳出模型中的各种类型的Agent,设计出各种Agent的功能、结构模型和实现方式,并且以温度控制Agent为例来说明了模型的实现方法是可行的。 论文重点研究了家居能量系统模型中的多Agent通信与学习的问题。首先系统地研究了现有的多Agent通信方式和通信语言,并在此基础上,结合家居环境的实际情况,提出了基于通信服务器模式的多Agent通信模型。然后深入地研究了Agent学习问题,在家居能量系统中,对某些具有特殊功能的Agent增加其学习能力,将会使系统的性能得到更好的改善,于是本文提出了一种基于长期得益的多Agent协作学习算法。该算法将长期得益的估计值作为动作的选择策略,最大的估计值相对应的动作既是当前最好的动作。由于该算法使得每个Agent都要考虑后继状态和动作得益,并采用联合动作的长期得益作为学习的线索,所以更有利于寻找最优联合动作策略。本文将该算法应用在燃气热水器的恒温系统中,仿真实验结果表明:该算法使学习过程建立在较好的学习基础上,从而更快地趋近于最优状态,达到快速恒温的目的。 基于MAS技术的家居能量系统的研究,有利于智能家居系统的分析与实现,可以较好的解决智能家居中即插即用的问题,同时也有利于降低家庭组网的成本,有助于加快智能家居标准的制定。