联盟生成是多Agent系统(multi-agent system,MAS)研究基本问题之一[1-2],主要将Agent进行合作或协商,使其效用增加。Agent联盟基本上被认为在MAS的框架内的一组Agent,愿意与这组中的其他Agent合作,共同合作活动的目的是达到最佳的标准。当Agent通过组建联盟共同工作时,联盟结构生成就会发生[3]。目标就是求一种最优的联盟结构,使得所求的社会福利最大,并返回其值[4-5]。
Agent在联盟生成时达到最优方案不一定是全局最优解,但是应该是Nash最优解[6-7]或者次优解,因此联盟生成主要包括以下活动:
1) 联盟结构生成:Agent之间进行协商生成联盟,但不考虑各个联盟之间的协商。
2) 解决每个联盟优化问题:将Agent的任务和资源集中在一起,共同解决问题。Agent之间进行协商使联盟的社会福利尽可能最大化,即寻找最优的方法使得联盟本身的效用最大化。
3) 划分值:在进行收益分配的时候,常用的方法有两种,即公平(每个Agent所得到的收益是Agent在博弈中的贡献的体现)和稳定(存在没有和其他Agent协商而单独形成自己的自私利益联盟)。
同样,存在很多方法寻找和创建一个最优的联盟——协商或搜索以及用于找出解决问题的几种潜在的方法,例如:遗传算法、博弈论、粒子群算法等。但是,随着研究的不断深入,在现实世界的应用中有一些联盟结构是不允许生成的[8]。目前,联盟研究的热点问题主要是约束条件下联盟生成。在现有研究中,很多文献已经考虑将联盟进行广泛应用,例如:通过形成联盟,自主传感器可以改善某些区域的监控情况[9];认识无线电网络可以增加它们的吞吐量[10];购买者可以通过批量购买而获得较低的价格[11];自主连接车辆进行护航工作[12];形成联盟促进社交网络关系[13-14]等。
在Agent联盟研究发展中,Sandholm等[15]最先提出最坏情况有限界联盟结构生成;Yeh等[16]首次使用动态规划算法联盟生成并求得精确最优解;随着研究的不断深入,Agent数量的增加,先前的算法越来越不能满足当前的需求,Dang等[17]首次提出建立次优联盟结构并求得次优解;Greco等[18]经过进一步研究,提出了一种新的联盟结构生成的方式——约束联盟结构,即在生成联盟的过程对联盟添加约束。
1 基本定义 1.1 主要定义假设所有的Agent都是理性的,并使用合作博弈建模进行Agent之间的合作和协商。在博弈中,令
定义1 联盟结构。对于任意联盟
例1 一个集合
定义2 社会福利。社会福利即为联盟结构CS中所有的联盟
$ V\left( {\rm CS} \right) = \sum\limits_{i = 1}^k {\nu ({C_i})} $ |
定义3 次加性。对于任意的不相交的联盟
定义4 特征函数。给定一个
在常用的联盟博弈模型中,通常用货币来表示联盟的价值(或奖励[19])。在进行博弈的过程中,假设存在一个在Agent之间可以自由流动的交换媒介(如货币),每个Agent可以根据自己的绩效得到相应的货币,这种博弈被称为“单边支付”博弈或可转移效用(transferable utility,TU)博弈。相反,联盟的绩效是用向量表示的,直接指定每个成员的绩效,Agent只能服从这种分配方案,不能对分配方案进行修改,这种博弈被称为不可转移效用(non-transferable utility,NTU)博弈。在多Agent系统中,可转移效用博弈受到了很大的关注。
1) 特征函数博弈
特征函数博弈(characteristic function games,CFGs)是联盟的价值完全取决于它所包含的Agent的值。将特征函数博弈定义为
2) 分区博弈
在分区博弈(partition function games,PFGs)中联盟的价值不仅仅取决于所包含的Agent的值,也会受非成员分区的影响。将分区博弈定义为
CFGs是PFGs的子集,联盟C在CFGs中有一个精确值,但在PFGs中却存在很多值,这是因为使用PFGs有不同的方法对
在联盟结构生成问题中,通过联盟结构搜索得到最优联盟结构。
1) 联盟结构图
Sandholm等[15]提出的联盟结构图中,每个节点代表一个联盟结构,并且将节点进行了划分,表示为
Download:
|
|
2) 整数分区图
在联盟结构图中,能直接看出具有i个联盟所组成的联盟结构的情况。而Dean等[20]提出的整数分区图中,则是基于联盟结构中所包含的联盟的数量,将联盟结构中的空间划分成不相交的子空间,每个子空间是由n个整数分割表示的。整数n的分区值可以通过递归的方法计算[21],用
假设
Download:
|
|
对于具有n个Agent的数据集,会产生
理论上,在进行输入操作时即可排除一些不合理的联盟,或者在进行联盟结构生成的时候就可以忽略一部分的输入。但是在接下来进行的操作过程中无法保证存在单一的联盟与其他的联盟进行合作之后的社会福利不是最佳社会福利,这是因为:被排除在外的联盟中可能存在比其他的联盟社会福利更大的联盟。
2.2 联盟结构的数量随着联盟结构不断发展,Agent数量的增多,新问题也随之产生。联盟结构的个数表示为
$\sum\limits_{i = 1}^N {Z(n,i)} $ |
其中:n代表数据集中的Agent个数;
$Z(n,i) = iZ(n - 1,i) + Z(n - 1,i - 1)$ |
式中:
命题1 对于具有n个Agent的集合,具有
命题2 寻找最优联盟结构是NP难问题。
随着Agent数量的增加,联盟结构的数量也随之增加。经过实验的证明,当数据集中Agent个数超过15时,使用穷举法列举出所有联盟结构是不可行的。
3 最坏情况有限界联盟结构生成Dean和Boddy在时间依赖规划(time dependent planning)的基础上提出了Anytime算法,其本质是一种反复求解使得结果更加精确的算法。在算法的运行过程中,能够很快得到一个不精确的解,然后进行若干次的重复过程,经过重复后逐步提高解的质量,Anytime算法一个最显著的优点就是能够很好地权衡计算时间和解的质量。Sandholm等[15]使用Anytime算法开创性地提出了一种最坏情况有限界联盟结构生成。
命题1表明,在联盟结构图上找到最优的联盟结构是不可行的。所以,在进行联盟结构图的搜索的时候设定一个限界。
对联盟结构的子集N进行搜索,目的在于寻找搜索中的最优联盟结构,即局部最优联盟结构,记:
$ CS_N^* = \arg \mathop {\max }\limits_{CS \in N} V(CS) $ |
同时,为了保证设定的联盟结构在最佳范围内,即存在一个有限的但是尽可能小的值k,k被称为搜索的解的界限,也是衡量局部最优解
$ k = \min \{ \kappa \} ,\,\,\, \kappa \geqslant \frac{{V(C{S^{\rm{*}}})}}{{V(CS_N^*)}} $ |
通常,如果没有对联盟结构进行完全搜索,设定一个正确的界限是很难的。这是因为:在剪枝的过程中虽然可以减少一些联盟结构的搜索,但是很难保证没有剪掉的比剪掉的具有更优性。在进行社会福利的定义的时候,令任意一个联盟
本节主要讨论如何尽可能地减少对图的搜索的前提下,建立一个界限k。
定理1 对于界限k,可以只搜索联盟结构图的最低的两级(图1中第
最底层具有1个联盟结构,第二最底层中具有
算法1 最坏情况有保证联盟结构生成算法
1) 搜索联盟结构图的最底二层;
2) 从联盟结构图的顶层(第n层)开始,作宽度优先搜索,一直搜索到时间不允许为止或搜索完整个联盟结构图;
3) 返回迄今为止所得到的最优的联盟结构。
先前使用特征函数的方式[25-26]进行联盟结构生成,算法1是一种任意时间算法,可以在任何时间中断。如果将第1、2层搜索完成后,还存在剩余时间,则可进一步地搜索缩小界限。
定理2 如果联盟结构图的第1、2层已经被搜索完成并且第1层以及以上的层也被搜索完成(
在
总之,最坏情况有限界联盟结构生成算法中第2步具有很强的理性,即界限k能够迅速地下降,同时该算法的收益递减,如图3所示。
Download:
|
|
界限
胡山立等[27-28]对算法1深入研究并进行改进,给出了解决问题的一种任一时间联盟结构生成算法和给定界限要求的联盟结构生成。Dang等[29]提出不以层为单位最坏情况有限界的联盟结构生成。
4 动态规划联盟生成求精确最优解动态规划(dynamic programming,DP)算法和分治法类似,其基本思想是将待求解的问题分解成若干个次级子问题,在求解的过程中,先求解子问题,然后从子问题的解中得到要求解的问题的答案。将动态规划算法应用于最优化的问题,一般分为4个步骤来完成:
1) 找出最优解的性质,并刻画其结构特征;
2) 递归定义的最优值;
3) 以自顶向下的方式计算出最优值;
4) 根据计算最优值所得到的信息,构造最优解。
将动态规划算法应用于联盟中的想法是Yeh在1986年首次提出的[16];Rothkopf[30]及刘惊雷等[31]使用DP算法对求解最优联盟结构的算法进行了改进,主要解决存在大量重复子问题计算的问题;Rahwan等[32]提出了IDP(improved dynamitic programming)算法;张新良等[33]在2007年提出了一种快速动态生成 (search of coalition structure, SCS) 算法,主要降低搜索次数。本文中,DP算法主要基于定理3。
定理3 任意给定一个联盟
$ V({\rm C}{{\rm S}^*}) = \left\{ \begin{array}{l} v(C){\rm{,}}\;\;\;\;\left| C \right| = 1\\ \max \{ v(C),{\max\limits _{\{ C',C''\} \in {\varPi ^N}}}(v(C') + v(C'')\} ,\;\;\;{\text{其他}} \end{array} \right. $ |
使用定理3进行动态规划,先计算只有一个Agent的联盟,接着迭代具有2个Agent的联盟,然后是具有3个Agent的联盟,一直迭代到具有n个Agent的联盟。对于每个联盟C都需要使用式(1)计算。从式(1)中易知:当
通过上述操作,计算出来的最大
例2 令数据集
$\begin{array}{c} v(\{ {a_1}\} ) = 30,v(\{ {a_2}\} ) = 40,\\ v(\{ {a_3}\} ) = 25,v(\{ {a_4}\} ) = 45,\\ v(\{ {a_1},{a_2}\} ) = 50,v(\{ {a_1},{a_3}\} ) = 60,\\ v(\{ {a_1},{a_4}\} ) = 80,v(\{ {a_2},{a_3}\} ) = 55,\\ v(\{ {a_2},{a_4}\} ) = 70,v(\{ {a_3},{a_4}\} ) = 80,\\ v(\{ {a_1},{a_2},{a_3}\} ) = 90,v(\{ {a_1},{a_2},{a_4}\} ) = 120\\ v(\{ {a_1},{a_3},{a_4}\} ) = 100,v(\{ {a_2},{a_3},{a_4}\} ) = 115,\\ v(\{ {a_1},{a_2},{a_3},{a_4}\} ) = 140 \end{array}$ |
表1表示算法的具体运算过程。由表1知,
定理4 给定一组Agent集,使用动态规划算法求得最优联盟结构的时间复杂度
DP算法在该算法的运行过程中实际做了如下几方面:
1) 评估图上的运动;
2) 在表t中存储最优结构;
3) 从底部节点开始向上运动。
5 联盟生成求近似最优解Rahwan等[34]将联盟配置与Anytime算法进行结合提出一种联盟结构相似最优解算法;为Albizuri等[35]基于整数分区对联盟结构进行推广从而对联盟配置(coalition configuration)进行了定义。
5.1 基本定义在进行求解的过程中,设
算法实现分为3个部分:1)预处理操作;2)构造和选择合适的配置;3)搜索元素。
1) 预处理操作
预处理的主要目的是计算
①评估互补大小:将
②包含配置为
经过上述两个操作搜索联盟结构,可以搜索空间的一部分(随着n的增加而减小)。表4表示的是8个Agent搜索结果,其中配置
2) 构造和选择合适的配置
在搜索过程中,进行剪枝操作主要目的是减少搜索空间。
①构造独一无二的配置:保证所有的配置的集合等于所有Agent可能产生的整数分区。例如,有5个Agent,可能存在的整数分区的配置G为{5},{4, 1},{3, 2},{3, 1, 1},{2, 2, 1},{2, 1, 1, 1}和{1, 1, 1, 1, 1}。计算每个配置G对应于F(G)的上界
②选择合适的配置:搜索过程中满足
③更新上边界:进行搜索的
3) 搜索元素
搜索过程的关键在于构建联盟结构。在该算法中,构建联盟结构的主要问题是,在执行时会进行重复操作,从而形成冗余和无效的联盟结构。
①避免重叠的联盟结构:重叠的联盟结构是
②避免冗余的联盟结构:冗余的联盟结构是
③正确性证明:通过上述步骤可以生成唯一的和有效的解决方案。
6 约束条件下联盟生成求最优解Frankovi等[37]将关注点从所有Agent之间的联系转移到只关注给定Agent之间建立最优的联盟。Greco等[18]经过进一步研究,提出了一种新的联盟结构生成方式——约束联盟结构,即在生成联盟的过程对联盟添加约束。
6.1 约束联盟的基础在进行约束联盟结构形成的过程中,主要是定义在一对
例3 假设一个联盟博弈为
$v(\{ {a_3}\} ) = 0$ |
$v(\{ {a_1}\} ) = v(\{ {a_2}\} ) = v(\{ {a_1},{a_3}\} ) = v(\{ {a_2},{a_3}\} ) = 1$ |
$v(\{ {a_1},{a_2}\} ) = v(\{ {a_1},{a_2},{a_3}\} ) = 3$ |
易知,最优联盟结构是
假设在联盟博弈
令
例4 给定一个联盟博弈
Download:
|
|
图4中
如果C是可行联盟结构,将函数α、β和实数 x、y 通过式(2)定义成评估函数v的映射
${{\rm{val}}_\sigma }(v,C) = \left\{ \begin{array}{l} \alpha ({a_i}) \times v(C) + \beta ({a_i}),\,\,\,\,\{ {a_i}\} = C \cap S\\ x \times v(C) + y,\,\,\,\,C \cap S = \text{Ø} \end{array} \right.$ | (2) |
例5 假设图4中,估值函数为v,C是一个可行联盟,则
$v(C) = \sum {{e \in E,\,\,e \in C}{w_e}} $ |
$\begin{array}{c} v({C_1}) = w({a_1},{a_3}) = 1{\rm{ }}\\ v({C_2}) = w({a_5},{a_6},{a_7}) = w({a_5},{a_6}) + w({a_6},{a_7}) = 1 + 1 = 2 \end{array}$ |
假设函数
边际贡献网[38]在过去的几年里收到了相当大的关注。边际贡献网(marginal contribution network, MC-net)是包含一系列代表Agent的布尔变量的规则,每个规则的形式为
例6 给定一个联盟博弈
$\begin{array}{c} \{ {a_1} \wedge {a_2} \wedge \neg {a_3}\} \to 2\\ \{ \neg {a_1} \wedge {a_2} \wedge {a_3}\} \to 2\\ \{ {a_1} \wedge \neg {a_2} \wedge {a_3}\} \to 2\\ \{ {a_1} \wedge {a_2} \wedge {a_3}\} \to 5\\ \{ {a_3} \wedge {a_5}\} \to 0\\ \{ {a_2} \wedge {a_4}\} \to 0 \end{array}$ |
根据给定的规则,
定理5 令
约束满足问题具有较强的灵活性,能够进行推广解决文献[32]中提到的约束问题。
7 结束语联盟结构生成问题中如何能够更快更精确地进行优化整体性能对于研究人员一直都是挑战。本文针对这一问题进行了全面的综述:1)搜索空间的不同表示;2)动态规划算法的时候来解决这个问题;3)使用近似最优来代替最优解;4)使用评估的方法,主要是添加了约束条件。所有的这些结构都是以一种独立的方式展示出来的。
但是,在现有联盟生成的研究中,大多数是以Agent之间具有相同的协商资源和态度为前提的,只考虑了协商中的相同性,却忽略了协商中的异质性。在未来的工作中,可以考虑将协商的异质性与约束联盟中的评估结构相结合。
同时,在约束K-means聚类算法的启发下,可以将一般形式的无法连接的约束进行合理操作后有理性地加入到评估结构中。另外,可以进行扩展,将允许联盟生成的概率使用先验知识进行检验或者将Agent之间的动态相互信任添加到联盟生成的过程中。
[1] | AZIZ H. Multiagent systems: algorithmic, game-theoretic, and logical foundations by Y. Shoham and K. Leyton-Brown Cambridge University Press, 2008[J]. ACM SIGACT news, 2010, 41(1): 34-37. DOI:10.1145/1753171 (0) |
[2] | WOOLDRIDGE M. Computational aspects of cooperative game theory[C]//Proceedings of the 5th KES International Conference on Agent and Multi-Agent Systems: Technologies and Applications. Manchester, UK, 2011. (0) |
[3] | ELKIND E, RAHWAN T, JENNINGS N R. Computational coalition formation[M]. Cambridge: MIT Press, 2013: 329–380. (0) |
[4] | OSBORNE M J, RUBINSTEIN A. A course in game theory[M]. Cambridge: MIT Press, 1994. (0) |
[5] | VON NEUMANN J, MORGENSTERN O. Theory of games and economic behavior[M]. Princeton: Princeton University Press, 1972. (0) |
[6] | WOOLDRIDGE M, BUSSMANN S, KLOSTERBERG M. Production sequencing as negotiation[C]// Proceedings of the First International Conference on the Practical Application of Intelligent Agents and Multi-Agent Technology. London, UK, 1996: 709–726. (0) |
[7] | SANDHOLM T, SIKKA S, NORDEN S. Algorithms for optimizing leveled commitment contracts[C]// Proceedings of the 16th International Joint Conference on Artifical Intelligence. Stockholm, Sweden, 1999: 535–540. (0) |
[8] | RAHWAN T, MICHALAK T P, WOOLDRIDGE M, et al. Coalition structure generation: a survey[J]. Artificial intelligence, 2015, 229: 139-174. DOI:10.1016/j.artint.2015.08.004 (0) |
[9] | ZHU Han, POOR H V. Coalition games with cooperative transmission: a cure for the curse of boundary nodes in selfish packet-forwarding wireless networks[C]// Proceedings of the 5th International Symposium on Modeling and Optimization in Mobile, Ad Hoc and Wireless Networks and Workshops. Limasso, Cyprus, 2009: 1–8. (0) |
[10] | KHAN Z, LEHTOMÄKI J, LATVA-AHO M, et al. On selfish and altruistic coalition formation in cognitive radio networks[C]//Proceedings of the 2010 Fifth International Conference on Cognitive Radio Oriented Wireless Networks and Communications. Cannes, France, 2010: 1–5. (0) |
[11] | LI Cuihong, SYCARA K, SCHELLER-WOLF A. Combinatorial coalition formation for multi-item group-buying with heterogeneous customers[J]. Decision support systems, 2010, 49(1): 1-13. DOI:10.1016/j.dss.2009.12.002 (0) |
[12] | MANOOCHEHRI H E, WENKSTERN R Z. Dynamic coalition structure generation for autonomous connected vehicles[C]// Proceedings of 2017 IEEE International Conference on Agents. Beijing, China, 2017: 21–26. (0) |
[13] | SLESS L, HAZON N, KRAUS S, et al. Forming k coalitions and facilitating relationships in social networks [J]. Artificial intelligence, 2018, 259: 217-245. DOI:10.1016/j.artint.2018.03.004 (0) |
[14] | SLESS L, HAZON N, KRAUS S, et al. Forming coalitions and facilitating relationships for completing tasks in social networks[C]// Proceedings of the 2014 International Conference on Autonomous Agents and Multi-Agent Systems. Paris, France, 2014: 261–268. (0) |
[15] | SANDHOLM T, LARSON K, ANDERSSON M, et al. Coalition structure generation with worst case guarantees[J]. Artificial intelligence, 1999, 111(1/2): 209-238. (0) |
[16] | YEH D Y. A dynamic programming approach to the complete set partitioning problem[J]. BIT numerical mathematics, 1986, 26(4): 467-474. DOI:10.1007/BF01935053 (0) |
[17] | DANG T T, FRANKOVIE B, BUDINNSKA I. Create agent’s coalition based on a dynamic programming approach[C]//Proceedings of the 15th European Conference on Artificial Intelligence, Workshop " Agent Technologies and Logistics”. Lyon, France, 2002: 16–24. (0) |
[18] | GRECO G, GUZZO A. Constrained coalition formation on valuation structures: formal framework, applications, and islands of tractability[J]. Artificial intelligence, 2017, 249: 19-46. DOI:10.1016/j.artint.2017.04.005 (0) |
[19] |
童向荣, 张伟. 动态联盟收益值的再励学习[J]. 计算机工程与应用, 2006, 42(6): 85-87. TONG Xiangrong, ZHANG Wei. Reinforcement learning for the value of dynamic coalition[J]. Computer engineering and application, 2006, 42(6): 85-87. DOI:10.3321/j.issn:1002-8331.2006.06.027 (0) |
[20] | DEAN T, BODDY M. An analysis of time-dependent planning[C]// Proceedings of the 7th National Conference on Artificial Intelligence. St. Paul, Brazil, 1988: 49–54. (0) |
[21] |
BRUALDI R A. 组合数学[M]. 冯舜玺, 译. 5版. 北京: 机械工业出版社, 2012: 180–186. BRUALDI R A. Introductory combinatorics[M]. FENG Shunxi, trans. 5th ed. Beijing: China Machine Press, 2012: 180–186. (0) |
[22] | KARP R M. Reducibility among combinatorial problems[C]// Complexity of Computer Computations. New York, USA, 1972: 85–103. (0) |
[23] | HASTAD J. Clique is hard to approximate within n1-ε[J]. Acta mathematica, 1999, 182(1): 105-142. DOI:10.1007/BF02392825 (0) |
[24] | SANDHOLM T. An algorithm for optimal winner determination in combinatorial auction[C]// Proceedings of the Sixteenth International joint conference on artificial intelligence. Stockholm, Sweden, 1999: 542–547. (0) |
[25] | LINIAL N. Game-theoretic aspects of computing[M]// AUMANN R J, HART S. Handbook of Game Theory with Economic Applications. Amsterdam, Netherlands: Elsevier, 1994: 1339–1395. (0) |
[26] | LARSON K S, SANDHOLM T W. Anytime coalition structure generation: an average case study[J]. Journal of experimental & theoretical artificial intelligence, 2000, 12(1): 23-42. (0) |
[27] |
胡山立, 石纯一. 一种任一时间联盟结构生成算法[J]. 软件学报, 2001, 12(5): 729-734. HU Shanli, SHI Chunyi. An anytime coalition structure generation algorithm[J]. Journal of software, 2001, 12(5): 729-734. (0) |
[28] |
胡山立, 石纯一. 给定限界要求的联盟结构生成[J]. 计算机学报, 2001, 24(11): 1185-1190. HU Shanli, SHI Chunyi. Coalition structure generation with given required bound[J]. Chinese journal of computers, 2001, 24(11): 1185-1190. DOI:10.3321/j.issn:0254-4164.2001.11.009 (0) |
[29] | DANG V D, JENNINGS N R. Generating coalition structures with finite bound from the optimal guarantees[C]// Proceedings of 3rd International Joint Conference on Autonomous Agents and Multiagent Systems. New York, USA, 2004: 564–571. (0) |
[30] | ROTHKOPF M H, PEKEČ A, HARSTAD R M. Computationally manageable combinational auctions[J]. Management science, 1998, 44(8): 1131-1147. DOI:10.1287/mnsc.44.8.1131 (0) |
[31] |
刘惊雷, 童向荣, 张伟. 一种快速构建最优联盟结构的方法[J]. 计算机工程与应用, 2006, 42(4): 35-37, 44. LIU Jinglei, TONG Xiangrong, ZHANG Wei. A kind of method for quick constructing optimal coalition structure[J]. Computer engineering and applications, 2006, 42(4): 35-37, 44. DOI:10.3321/j.issn:1002-8331.2006.04.011 (0) |
[32] | RAHWAN T, MICHALAK T P, ELKIND E, et al. Constrained coalition formation[C]//Proceedings of the Twenty-Fifth AAAI Conference on Artificial Intelligence. San Francisco, USA, 2011: 719–725. (0) |
[33] |
张新良, 石纯一. 多Agent联盟结构动态生成算法[J]. 软件学报, 2007, 18(3): 574-581. ZHANG Xinliang, SHI Chunyi. A dynamic formation algorithm of multi-agent coalition structure[J]. Journal of software, 2007, 18(3): 574-581. (0) |
[34] | RAHWAN T, RAMCHURN S D, DANG V D, et al. Near-optimal anytime coalition structure generation[C]// Proceedings of the 20th International Joint Conference on Artificial Intelligence. Hyderabad, India, 2007: 2365–2371. (0) |
[35] | ALBIZURI M J, AURRECOECHEA J, ZARZUELO J M. Configuration values: extensions of the coalitional Owen value[J]. Games and economic behavior, 2006, 57(1): 1-17. DOI:10.1016/j.geb.2005.08.016 (0) |
[36] | RAHWAN T, JENNINGS N R. Distributing coalitional value calculations among cooperative agents[C]// Proceedings of the 20th National Conference on Artificial Intelligence. Pittsburgh, Pennsylvania, 2005: 152–157. (0) |
[37] | FRANKOVI B, DANG T, BUDINSKÁ I. Agents’ coalitions based on a dynamic programming approach[J]. Acta polytechnica hungarica, 2008, 5(2): 5-21. (0) |
[38] | IEONG S, SHOHAM Y. Marginal contribution nets: a compact representation scheme for coalitional games[C]// Proceedings of the 6th ACM Conference on Electronic Commerce. Vancouver, BC, Canada, 2005: 193–202. (0) |