基于分类器融合的自动化协商决策模型

上海交通大学学报（自然版） ›› 2013, Vol. 47 ›› Issue (04): 644-649.

• 自动化技术、计算机技术 • 上一篇下一篇

基于分类器融合的自动化协商决策模型

彭艳斌1, 郑志军1, 于成波2, 李吉明3

（1.浙江科技学院信息与电子工程学院，杭州 310023； 2.浙江大学计算机科学与技术学院，杭州 310027； 3.浙江警察学院刑事科学技术系，杭州 310053）

收稿日期:2012-05-02 出版日期:2013-04-28 发布日期:2013-04-28
基金资助:
国家自然科学基金(61175058), 浙江省自然科学基金(Y1100036，LY12F02018), 浙江省教育厅科研计划基金(Y201016929，Y201222997)，浙江省自然科学基金（Z12F020019）资助项目

Automated Negotiation Decision Model Based on Classifier Fusion

PENG Yan-Bin-1, ZHENG Zhi-Jun-1, YU Cheng-Bo-2, LI Ji-Ming-3

(1. School of Information and Electronic Engineering, Zhejiang University of Science and Technology, Hangzhou 310023, China; 2. School of Computer Science and Technology, Zhejiang University, Hangzhou 310027, China; 3. Department of Forensic Science, Zhejiang Police College, Hangzhou 310053, China)

Received:2012-05-02 Online:2013-04-28 Published:2013-04-28

摘要/Abstract

摘要： 为了解决电子商务环境中由于信息的保密性使协商参与者无法获得对手协商偏好从而影响协商性能的问题，提出一种基于分类器融合的自动化协商决策模型.该模型融合支持向量机和贝叶斯分类器，通过结合2种分类器的优点，提高对协商偏好的分类学习效果.在准确估计对手协商偏好的基础上，采用粒子群优化算法搜寻最优协商反建议.实验数据分析表明，新方法的效果优于单一分类器，并且在有噪声的小规模训练样本集下，仍然保持较高的协商总效用.

关键词: 自动化协商, 支持向量机, 贝叶斯

Abstract: Due to the confidentiality of information in e-commerce environment, negotiation participants can not get opponent’s negotiation preferences, thereby affecting the negotiation performance. To solve this, an automated negotiation decision model based on classifier fusion was proposed. The model incorporates support vector machine and Bayesian classifier by combining the advantages of both, improving the effect of classification learning of negotiation preferences. Based on accurate estimation of opponent’s negotiation preference, a particle swarm optimization algorithm was used to search the optimal counter proposal. The experimental data show that the new method is better than the single classifier, and can maintain a high total negotiation utility in the noisy small scale training set.

Key words: automated negotiation, support vector machine, Bayesian

中图分类号:

TP 18

彭艳斌1, 郑志军1, 于成波2, 李吉明3. 基于分类器融合的自动化协商决策模型[J]. 上海交通大学学报（自然版）, 2013, 47(04): 644-649.

PENG Yan-Bin-1, ZHENG Zhi-Jun-1, YU Cheng-Bo-2, LI Ji-Ming-3. Automated Negotiation Decision Model Based on Classifier Fusion[J]. Journal of Shanghai Jiaotong University, 2013, 47(04): 644-649.

参考文献

［1］Jennings N R, Faratin P, Lomuscio A R, et al. Automated negotiation: Prospects, methods and challenges ［J］. Group Decision and Negotiation, 2001, 10(2): 199215.
［2］Lopes F, Wooldridge M, Novais A. Negotiation among autonomous computational agents: Principles, analysis and challenges ［J］. Artificial Intelligence Review, 2008, 29(1): 144.
［3］周晓俊, 张申生, 周根春. 基于约束的智能主体及其在自动协商中的应用［J］. 上海交通大学学报, 2005, 39(4): 574577.
ZHOU Xiaojun, ZHANG Shensheng, ZHOU Genchun. Constraint based agent and its application in automation negotiation ［J］. Journal of Shanghai Jiaotong University, 2005, 39(4): 574577.
［4］程昱, 高济, 古华茂, 等. 基于机器学习的自动协商决策模型［J］. 软件学报, 2009, 20(8): 21602169.
CHENG Yu, GAO Ji, GU Huamao, et al. Automated negotiation decision model based on machine learning ［J］. Journal of Software, 2009, 20(8): 21602169.
［5］Coehoorn R M, Jennings N R. Learning on opponent’s preferences to make effective multiissue negotiation tradeoffs ［C］∥ICEC04 Proceedings of the 6th Jnternational Conference on Electronic Commerce.Netherlands: ACM, 2004: 5968.
［6］Hindriks K, Tykhonov D. Opponent modelling in automated multiissue negotiation using bayesian learning ［C］∥Proceedings of the 7th Jnternational Joint Conference on Autonomous Agents and Multiagent Systems. Richland, USA: ACM, 2008: 331338.
［7］程昱, 高济, 古华茂, 等. 基于对手态度学习的协商决策模型［J］. 浙江大学学报：工学版, 2008, 42(10): 16761680.
CHENG Yu, GAO Ji, GU Huamao, et al. Negotiation decision model based on learning of opponent's attitudes ［J］. Journal of Zhejiang University: Engineering Science, 2008, 42(10): 16761680.
［8］彭艳斌, 艾解清. 基于马尔可夫链蒙特卡罗方法的双边多议题协商模型［J］. 计算机集成制造系统, 2011, 17(9): 20442050.
PENG Yanbin, AI Jieqing. Markov chain monte carlo method based bilateral multiissue negotiation model ［J］. Computer Integrated Manufacturing Systems, 2011, 17(9): 20442050.
［9］彭艳斌, 廖备水, 郑志军, 等. 基于半监督对手协商偏好学习的协商模型［J］. 计算机集成制造系统, 2012, 18(9): 20822090.
PENG Yanbin, LIAO Beishui, ZHENG Zhijun, et al. Negotiation model based on semisupervised opponent's negotiation preference learning ［J］. Computer Integrated Manufacturing Systems, 2012, 18(9): 20822090.

［10］Scholkopf B, Sung K K, Burges C J C, et al. Comparing support vector machines with Gaussian kernels to radial basis function classifiers ［J］. Signal Processing, IEEE Transactions on, 1997, 45(11): 27582765.
［11］Deselaers T, Heigold G, Ney H. Object classification by fusing SVMs and Gaussian mixtures ［J］. Pattern Recognition, 2010, 43(7): 24762484.
［12］韩华, 谷波, 任能. 基于主元分析与支持向量机的制冷系统故障诊断方法［J］. 上海交通大学学报, 2011, 45(9): 13551361.
HAN Hua, GU Bo, REN Neng. Fault diagnosis for refrigeration systems based on principal component analysis and support vector machine ［J］. Journal of Shanghai Jiaotong University, 2011, 45(9): 13551361.
［13］徐锋, 邹早建, 宋鑫. 基于支持向量机的水下运载器平面操纵运动建模［J］. 上海交通大学学报, 2012, 46(3): 358362.
XU Feng, ZHOU Zaojian, SONG Xin. Modeling of underwater vehicles’ planar maneuvering motion based on support vector machines ［J］. Journal of Shanghai Jiaotong University, 2012, 46(3): 358362.

[1]	施裕升, 王晓科, 周宇泰, 蒋国韬, 徐天洋. 基于卡方检验与SVM的多雷达抗欺骗干扰方法[J]. 空天防御, 2022, 5(1): 108-114.
[2]	肖冉, 魏子清, 翟晓强. 基于支持向量机的办公建筑逐时能耗预测[J]. 上海交通大学学报, 2021, 55(3): 331-336.
[3]	赵小强, 牟淼. 基于GSFA-GNPE的动态-静态联合指标间歇过程监控[J]. 上海交通大学学报, 2021, 55(11): 1417-1428.
[4]	董祥祥, 吕润妍, 蔡云泽. 基于变分贝叶斯理论的不确定厚尾噪声滤波方法[J]. 上海交通大学学报, 2020, 54(9): 881-889.
[5]	朱东, 姜萍萍, 颜国正, 王志武, 韩玎, 赵凯, 华芳芳, 姚盛健, 丁紫凡, 周泽润. 人工肛门括约肌系统便意感知重建[J]. 上海交通大学学报, 2020, 54(8): 771-777.
[6]	陈舞, 王浩, 张国华, 王成汤, 钟国强. 基于T-S模糊故障树和贝叶斯网络的隧道坍塌易发性评价[J]. 上海交通大学学报, 2020, 54(8): 820-830.
[7]	陶正瑞, 党嘉强, 徐锦泱, 安庆龙, 陈明, 王力, 任斐. 基于支持向量机回归的曲面零件涡流测距标定方法[J]. 上海交通大学学报, 2020, 54(7): 674-681.
[8]	徐彬彬, 洪榛, 赵磊, 俞立. 网络化倒立摆系统的偏差攻击及其检测方法[J]. 上海交通大学学报, 2020, 54(7): 697-704.
[9]	李红光, 郭英, 眭萍, 蔡斌, 苏令华. 基于稀疏贝叶斯的多跳频信号二维波达方向估计[J]. 上海交通大学学报, 2020, 54(4): 359-368.
[10]	胡晓强，仲训昱，张霄力，彭侠夫，何荧. 基于支持向量机辅助的四轴陀螺两级故障诊断方法[J]. 上海交通大学学报, 2020, 54(11): 1151-1156.
[11]	张维凯，胡鹏. 异重流水卷吸经验式不确定性对层平均数学模型的影响[J]. 上海交通大学学报, 2020, 54(1): 35-42.
[12]	王江卓,徐文聪,李建勋,贺丰收,曹兰英,缪礼锋. 基于支持向量机的雷达电子支援措施系统点迹-航迹关联算法[J]. 上海交通大学学报, 2019, 53(9): 1091-1099.
[13]	马志宏，贡亮，林可，毛雨晗，吴伟，刘成良. 基于稻穗几何形态模式识别的在穗籽粒数估测[J]. 上海交通大学学报（自然版）, 2019, 53(2): 239-246.
[14]	李春祥，裴杨从琪，殷潇. 基于Hermite组合核EMD-WT-LSSVM的非平稳非高斯风压预测[J]. 上海交通大学学报, 2019, 53(10): 1249-1258.
[15]	李春祥,殷潇. 基于小波支持向量机的非高斯空间风压内外插预测[J]. 上海交通大学学报（自然版）, 2018, 52(11): 1516-1523.

基于分类器融合的自动化协商决策模型

Automated Negotiation Decision Model Based on Classifier Fusion

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价