基于人工智能的多Agent協(xié)同辯證邏輯推理方法

黃海 桂起權

1 引言

Agent 屬于人工智能中的一個重要概念，是一種具有自主、可移動、自適應性和智慧性的實體，能夠代表使用者或其他程序，以積極的服務形式來執(zhí)行一系列任務。Agent 由環(huán)境、接收輸入和構成輸出的感測器三部分組成，智能Agent 可以連續(xù)地執(zhí)行三個任務，分別為在環(huán)境中感知動態(tài)條件、執(zhí)行對環(huán)境狀況的影響、通過推理了解感知信息并作出推理和決策。（[16]）Agent 擁有自己的計算資源和行為控制機制，可以通過自身的內(nèi)部狀況和對周圍環(huán)境的感知來決定和控制自身的行為，而不需要外部的直接操控。同時，Agent 還掌握了其他Agent 的相關知識和信息，能夠與其他Agent 進行交互、協(xié)作和合作，并使用行動者之間特定的通信語言。

多Agent 是指一組分布于邏輯或物理位置的Agent，在網(wǎng)絡中實現(xiàn)共享和協(xié)作，從而構成了一個有組織的體系，以共同完成一項復雜的工作。多Agent 的目的是把大型的、復雜的任務分解成小的、相互通訊的、協(xié)調的、易于管理的任務。多Agent 的協(xié)同運行需要論辯式的辯證邏輯的支持，這種邏輯為消除Agent 內(nèi)部信念沖突提供了途徑，并通過論辯互動來協(xié)調多個Agent 的沖突。首先，系統(tǒng)需要識別并建模各個Agent 內(nèi)部的信念。這通常通過一種形式化的表示來完成，例如使用謂詞邏輯。一旦信念被建模，系統(tǒng)就可以檢測是否存在沖突的信念。這通常通過邏輯推理來完成，例如，如果一個Agent 同時持有兩個互相矛盾的信念，那么就存在沖突。當檢測到?jīng)_突時，Agent 可以通過論辯互動來解決這些沖突。這通常涉及到使用一種或多種論辯策略，例如提出反駁、提供證據(jù)或者通過邏輯推理來解決沖突?；谡撧q的結果，Agent 可能需要修正其內(nèi)部的信念。這可以通過丟棄某些信念、采納新的信念或者通過某種形式的信念合并來完成。論辯式的辯證邏輯允許Agent 在運行時動態(tài)地適應新信息或變化的環(huán)境。這是因為它提供了一種機制，使Agent 能夠通過互動來修正或更新其信念。論辯式的辯證邏輯自然地支持社會互動和協(xié)調，因為它涉及到Agent 之間的互動和溝通。這有助于解決多Agent 系統(tǒng)中的協(xié)同問題。

這里有必要對“論辯式的辯證邏輯”的概念做一個說明。在2005 年桂林召開的辯證邏輯會議上，晉榮東的論文《Dialectic：辯證邏輯的新形態(tài)》（[12]）提出，20 世紀下半葉國際邏輯界出現(xiàn)了某種將辯證法（Dialectic）向“論辯術”的本真意義作“現(xiàn)代回歸”的新趨向，它可以合理地看作一種新型的辯證邏輯，即“論辯術的辯證邏輯”。從詞源和語義解釋上看，日本人采用“辯證法”這三個漢字來翻譯Dialectic 這個詞是非常確切到位的：通過論辯、對話來證明真理的方法=辯證法=論辯術。該論文分析了目前中國的辯證邏輯研究中存在的問題，闡述了辯證邏輯的產(chǎn)生過程，以更好地理解辯證邏輯。通過研究亞里士多德等人的論辯術，解決矛盾和沖突。以中國馬克思主義辯證邏輯為基礎，吸收論辯術中的積極因素，不斷提高辯證邏輯研究的水平。

繼晉榮東之后，周紅艷在萬小龍指導下，其博士論文專門研究了雷歇爾的“論辯式的辯證邏輯”。（[17,23]）其重視辯證過程的形式結構：即反饋式的循環(huán)結構。他糅合了古希臘蘇格拉底和柏拉圖原初的對話辯證法的論辯術特性和黑格爾辯證否定的螺旋式上升的循環(huán)特征。他糅合了古希臘蘇格拉底和柏拉圖原初的對話辯證法的論辯術特性和黑格爾辯證否定的螺旋式上升的循環(huán)特征。同時汲取了懷特海“過程哲學”的理念，并且用20 世紀系統(tǒng)科學的“反饋、自動調節(jié)”的圖式和科學語言重新加以表述。因此，這種向“Dialectic”的回歸，就帶有當今時代的新意。

整個辯證過程包含多個回合，每一回合都包含三個階段：（1）初始假定；（2）反饋（反駁、回擊）；（3）修正或調整（精致化、復雜化）。辯證過程通過初始—反饋—修正—回歸的循環(huán)使事物整體到達更高級的階段。論辯辯證法完整地刻畫了整個辯證過程的內(nèi)容。言談對話、論辯具有情境性，同時具有規(guī)范性。在對話雙方的互動中，初始假定在回應挑戰(zhàn)與反駁的同時得到修正和精致化。規(guī)范的論辯由辯護方、反對方和裁決者這三個部分組成。

現(xiàn)階段多Agent 在執(zhí)行與應用過程中，文獻[21]提出了基于時序關系網(wǎng)絡的論辯邏輯推理方法，利用卷積神經(jīng)網(wǎng)絡對輸入的三幅圖像進行空間特征提取，使用關系網(wǎng)絡對四種空間特性進行了兩兩結合，再利用LSTM（Long Short Term Memory）方法對輸入的三幅圖像進行時序特征提取，并將其時間序列特征與已有的空間特性結合起來，從而獲得了時間-空間的融合特性，在此基礎上，將前面三幅圖像與各選項所獲得的時間-空間融合特性進行進一步的推理，并利用Softmax函數(shù)對其進行評分，得出的結果為正確的。該方法的推理準確度較高。文獻[8]提出了一種基于邏輯推理規(guī)則和沖突度量的證據(jù)網(wǎng)絡推理方法。定義了兩個邏輯推理規(guī)則，以表明父節(jié)點中某些前因的出現(xiàn)將導致子節(jié)點出現(xiàn)的子BPA（Basic Probability Assignment）。然后通過父節(jié)點中的先驗概率計算子BPA 與子節(jié)點的發(fā)生概率。基于證據(jù)距離計算子BPA 的支持度。并定義了新的推理規(guī)則—OR 規(guī)則，使推理過程更加直觀。然而上述兩種方法未考慮到不同Agent 之間的知識庫不一致問題，影響了多Agent 的協(xié)同推理加速率。

為此，引入人工智能技術，設計了多Agent 協(xié)同的論辯式辯證邏輯推理方法。人工智能指的是使用計算機程序模仿人類的一些思維和行為的技術。論辯規(guī)范要求有論辯雙方（辯護方，反駁方）+裁判，擴展到論辯各方（n ＞2），多方，就是多Agent 情況。因為Agent 的工作原理和目的是符合人工智能技術的，所以人工智能技術與多Agent 技術之間的適配度較高，將人工智能技術應用到多Agent 協(xié)同論辯式辯證邏輯推理方法的設計中，以期能夠提高多Agent 協(xié)同的論辯式辯證邏輯推理加速率以及應用價值。

2 多Agent 協(xié)同的論辯式辯證邏輯推理方法設計

2.1 建立多Agent 協(xié)同模型

作為智能體，Agent 的作用決定了它的行為必須通過邏輯推理來實現(xiàn)。（[14]）例如，如果一個Agent 知道所有的紅色方塊必須放在藍色方塊上，并且它看到一個紅色方塊，那么它可以通過演繹推理得出這個紅色方塊需要被放在一個藍色方塊上的結論，或者，如果一個Agent 觀察到每次它執(zhí)行某個特定動作時，都會收到一個正面的獎勵，它可能會歸納出這個動作通常是有益的。為了保證多個Agent之間的互通性，多Agent 協(xié)同模型選擇混合型Agent 作為組成個體，并在混合型Agent 的基礎上對其進行改進，保證Agent 模型支持論辯協(xié)商，改裝后的Agent 的內(nèi)部結構如圖1 所示。

圖1: 改裝Agent 內(nèi)部結構圖

圖1 所示的改裝Agent 是通過感知周圍環(huán)境變化，發(fā)現(xiàn)協(xié)作任務，采用遠程過程調用的方式實現(xiàn)多Agent 之間的通信?？蛻舳送ㄟ^通信網(wǎng)絡將報文傳送給服務器，服務器收到數(shù)據(jù)后調用對應的Server Stub，若存在返回值，則根據(jù)所需的傳送和執(zhí)行路徑反向返回。（[22]）遠程通信的核心內(nèi)容是提高移動Agent 系統(tǒng)的互用性，以及新IDL（Interface Definition Language）的統(tǒng)一管理。Agent 的整個生命周期內(nèi)的信息是動態(tài)變化的，RTMAA 結構的Agent 的知識單位不僅要進行信息的存儲，而且要注意信息的動態(tài)變化，保證信息的連貫性。支持辯論的多Agent 系統(tǒng)通常由參與者和仲裁方構成，其中仲裁方是獨立于參與者Agent 的第三方，主要負責辯論過程的管理和控制，同時也擔任結果的評判等責任。

2.2 利用人工智能技術求解多Agent 協(xié)同任務

在人工智能技術的支持下，利用多Agent 協(xié)同模型按照流程對協(xié)同任務進行求解，如圖2 所示。

圖2: 多Agent 協(xié)同任務求解流程圖

定義多Agent 協(xié)同處理任務為，首先，要對任務進行分解，即把任務分成若干個區(qū)域，然后再把每個子任務組成一個集合，并將其分解為：

式中，ri為多Agent 執(zhí)行的子任務。為了提高多Agent 的協(xié)同處理效率，可以把各個子任務分別指派給具有最大處理能力的分布式節(jié)點。（[15]）在問題知識庫中，針對不同的任務，可以構建出各個輔助節(jié)點在問題知識庫中的權值知識。假設協(xié)同處理任務需分配給n個Agent 節(jié)點，則可將人工智能技術分配任務的過程量化表示為：

式中，y為任務分配的目標函數(shù)，變量m和n分別表示的是協(xié)同任務的分解數(shù)量和分配Agent 節(jié)點數(shù)量，λij表示的是子任務ri分配給第j個Agent 的適合度，該指標的計算公式如下：

式中，變量heff(·)和hcost(·)分別對應的是效能和費用的效用函數(shù)，φij和?ij表示的是第i個Agent 節(jié)點對任務j的求解能力和負載均衡度。在完成分解分配任務后，在多Agent 模型中各成員的談判是由一個代表談判的結點組成的有限狀態(tài)自動機，由結點間的連線代表狀態(tài)的轉換，而協(xié)商行為作為弧上的標簽，用以指明狀態(tài)轉換的原因。（[19]）節(jié)點上有叉形標志著談判的終止。首先，任務分配程序會將初步協(xié)商的提議發(fā)送出去，再由雙方進行反饋，最終，雙方都可以根據(jù)各自的條件，選擇接受還是拒絕，協(xié)商過程結束。在協(xié)商契約的約束下，由形成的Agent 組合完成協(xié)同子任務，最終通過多任務的融合，實現(xiàn)多Agent 協(xié)同任務的求解。

2.3 消解Agent 間沖突

多Agent 模型在協(xié)同任務處理過程中，由于各個Agent 之間的知識不完全、不相容，會引起Agent 之間的各種沖突，從而影響到Agent 之間的合作。為了降低Agent 間沖突對任務處理結果產(chǎn)生的影響，需對Agent 間的沖突進行消解處理。（[10]）將沖突動機組定義為C，并判定同一動機是否存在于沖突動機組C，如果判定的結論是“是”，那么用該動機生成目標，否則融合多個動機生成消除目標，利用0-1 規(guī)劃求解Agent 間沖突，沖突求解過程可以表示為：

式中，κrep和κeco分別表示的是沖突消減過程中需要考慮的信譽度和經(jīng)濟因素，ω1和ω2對應的是κrep和κeco的權重值，變量ei表示的是沖突動機組C中的第i個動機。在上述沖突消解規(guī)則下，完成對Agent 間沖突的消解處理。

2.4 構建多Agent 協(xié)同的論辯式辯證邏輯推理論據(jù)

參與者Agent 都是圍繞當前對話的臨界元尋找攻擊論據(jù)，而臨界元集是由所有臨界因子的元素構成。（[13]）因此，在目前的會話中，合法移動函數(shù)提供合法移動集的前提是能夠明確對話中包含的臨界因子和臨界元。（[18]）臨界依賴描述了臨界因子中臨界元的可替代關系，臨界因子中任意臨界元k 被其臨界依賴替換得到新的臨界因子，可量化表示為：

式中，γnew和γ為替換前后的臨界因子，δ代表臨界依賴。依據(jù)臨界因子將合法移動集進行聚類，得出臨界元的計算結果。將論證本體中的知識與規(guī)則轉化成PROLOG 語言，并利用PROLOG 的推理機制建立論證。（[9]）充分利用論證本體，找出最不容易被攻擊的論據(jù)：詢問論證本體中是否存在與W有關的論點，如果論證主體中沒有W作為結論的論點，那么，運用PROLOG 推理機和論證本體來構造一個以W為根結點的推理樹，把推理樹轉化為論證，存儲在論證本體中，接著，對論證本體進行查詢，得到了論證。若本體中有多個論點是基于W而得出的，則將其組成為：

式中，Lf、Ls、Ly和Lk分別為可廢止論據(jù)子集、似然論據(jù)子集、嚴格論據(jù)子集和可靠論據(jù)子集。因為建立的論據(jù)儲存在本體中的，并且PROLOG 推理機的知識庫中也包括了關于本體論的結論，因此，在進行推理時，不需要再構造原有的論據(jù)，從而避免論據(jù)的重復構建。

2.5 實現(xiàn)多Agent 協(xié)同的論辯式辯證邏輯推理

在分布式的辯論架構下，每個Agent 僅占有整個辯論框架的一小部分，要考慮到這些爭論的重點論點的可信度，就必須綜合考慮一切可能的攻擊論點和支撐論點。為了實現(xiàn)這一目標，通常要求所有的主體都參加辯論。（[20]）與僅有presentation Pro 和presentation Opp 的辯論邏輯不同，在多Agent 協(xié)作論辯推理中，每個論辯回合中都會有多個Agent 參與辯論，并且每個Agent 都沒有固定的立場：在r+1 輪中，Agent 會提出攻擊或間接攻擊焦點論點的反論點。多Agent 協(xié)同的論辯式辯證邏輯推理的基本框架如圖3 所示。

圖3: 多Agent 協(xié)同的論辯式辯證邏輯推理架構

為了保證多Agent 協(xié)同辯證推理的順利進行，必須建立一個管理者角色來協(xié)調不同行動者在論證博弈中的行為，多Agent 協(xié)同的論辯式辯證邏輯推理管理者的形式定義如下：

式中Bdis、Bspeech、Bstra和Bf分別表示的是論辯議題集合、管理論據(jù)博弈的言語行為集合、論據(jù)論辯過程的邏輯策略集合和執(zhí)行邏輯函數(shù)活動集合。fmove、fstru、frule和fdist分別表示啟動論辯博弈、檢查論辯規(guī)則、改變參與者角色以及識別終止狀態(tài)的函數(shù)，Y為論辯邏輯推理過程中的多方對話控制協(xié)議。（[11]）在管理者的約束下，完成多Agent 協(xié)同任務的論辯式辯證邏輯推理。在多Agent 模式中，Referee 負責協(xié)調和控制整個辯論過程，Referee 會在初始化時將問題廣播到已注冊的Participant，然后把競技場的競技者的申請資料保存到隊列中。從競技場的主人請求信息隊列中選出一條消息，然后向所有的Participant 進行廣播，然后在一定的時間內(nèi)接受Participant 的挑戰(zhàn)申請，將其保存到隊列中，然后從隊伍中選出一名挑戰(zhàn)者，然后向擂主發(fā)起挑戰(zhàn)，并對其進行監(jiān)督。發(fā)起擂主-挑戰(zhàn)者辯論，并監(jiān)控這場辯論，參與辯論的所有Agent 都是Participant。剛進入系統(tǒng)向Referee注冊時，所有Participant 的role 屬性值都為“spectator”。在收到Referee 的議題后，Participant 試圖根據(jù)議題建立一個主題，并為競技場的擁有者提供一個請求，在建立好之后，將請求信息發(fā)送給Referee。若選擇了Participant 作為競技場的擂主，role 值將變?yōu)椤癿aster”。如果Participant 不是擂主，且收到Referee 發(fā)送了其它Participant 申請擂主的申請信息，則嘗試構建反論據(jù)和用于申請?zhí)魬?zhàn)者的申請信息，如果構建成功就向Referee 發(fā)送申請信息。如果選擇了Participant 作為一個挑戰(zhàn)者，role 值將變?yōu)椤癱hallenger”。如果Participant 的role 值不是“spectator”，則表示Participant 進行辯論。每次從Referee 中接收到含有論點的內(nèi)容時，會從其內(nèi)容中提取論點，試圖建立一個相反的論點，如果建立成功，就把它打包發(fā)給Referee，反之，會沿著辯論線返回，去尋找另一方所用的相反論點，直到辯論一端發(fā)送承認失敗的信息給Referee 或者收到Referee 發(fā)送辯論結束的消息。

在以往的研究中，研究者發(fā)現(xiàn)管理器模型的一些缺陷。首先是集中化，在管理器模型中，所有數(shù)據(jù)和命令通常都通過單個點（管理器），如果管理器不能足夠快地處理信息，則可能會減慢整個系統(tǒng)的速度。其次是有限的帶寬，管理器的通信帶寬可能有限，當代理數(shù)量或數(shù)據(jù)量增加時，這可能成為瓶頸。還有資源限制，管理者可能受到計算資源的限制，從而難以有效地處理大量代理或復雜的任務。（[3,4]）

在發(fā)生故障時，整個多Agent 系統(tǒng)也會面臨一定的風險。一是單點故障，如果管理器發(fā)生故障，可能會破壞整個系統(tǒng)，因為所有代理都依賴它進行協(xié)調。二是數(shù)據(jù)丟失，管理器故障可能會導致數(shù)據(jù)丟失或數(shù)據(jù)傳播不正確，從而導致代理采取不正確的操作。三是安全風險，如果管理器受到威脅，可能會對整個系統(tǒng)造成安全風險，因為它通常控制所有代理。（[1,7]）

以上問題是管理者模型所面臨的共通的問題，但是研究者也繼續(xù)研究了一些解決這些問題的方法和措施。例如實施備份管理器可以幫助減輕與單點故障相關的風險，而且一些任務可以去中心化，以減少管理者的負擔，從而降低瓶頸的風險。還有研究指出適當?shù)馁Y源分配策略可以幫助管理者有效地處理更多的座席和任務。（[2,5,6]）

我們所設計的多Agent 系統(tǒng)可以利用分布式管理系統(tǒng)來解決上述問題。在分布式管理系統(tǒng)中，可以實施多個備份管理器（Backup Managers）以減輕與單點故障（Single Point of Failure）相關的風險。這樣，即使主管理器出現(xiàn)故障，備份管理器可以立即接管，確保系統(tǒng)的持續(xù)運行。該系統(tǒng)也是去中心化的，這意味著沒有單一的管理實體負責所有任務。這有助于減輕任何單一管理者的負擔，從而降低成為瓶頸的風險。去中心化還增加了系統(tǒng)的靈活性和可擴展性。同時，資源分配通常是動態(tài)進行的，并且可以根據(jù)各個Agent 的能力和當前負載來進行調整。這樣，管理者可以更有效地處理更多的任務。此外，該系統(tǒng)可以通過負載均衡技術來分散請求，從而減少任何單一節(jié)點或管理者的壓力。這有助于提高系統(tǒng)的整體性能和可靠性。最后，該系統(tǒng)可以采用一致性算法（如Paxos、Raft 等）來確保所有管理實體都有一致的系統(tǒng)視圖，即使在網(wǎng)絡分區(qū)或其他故障情況下也是如此。通過這些方式，分布式管理系統(tǒng)能夠緩解多代理系統(tǒng)中的各種問題，從而提供更高的可靠性、可擴展性和效率。這些特點使其成為多代理系統(tǒng)中的一個有用工具，特別是在需要高度可靠和可擴展解決方案的場合。

由于本文主要的研究對象是辯證推理方法下的管理者G 和多Agent 協(xié)同工作的效率等問題，所以在本文接下來的內(nèi)容中暫時不考慮分布式系統(tǒng)的問題，相關內(nèi)容會在下一階段的工作中進行展開研究。

3 邏輯推理效果測試實驗分析

多Agent 協(xié)同的論辯式辯證邏輯推理方法是多Agent 協(xié)同運行工作中的輔助方法，無法通過可視化的推理結果判定論辯邏輯推理效果，因此需要將其應用到多Agent 協(xié)同任務處理工作中，從而反映出論辯式辯證邏輯推理方法的推理結果。為了體現(xiàn)出設計的基于人工智能的多Agent 協(xié)同的論辯式辯證邏輯推理方法在推理效果方面的優(yōu)勢，此次實驗采用對比測試的方式，實驗對比方法為文獻[21]的方法（基于時序關系網(wǎng)絡的論辯邏輯推理方法）和文獻[8]的方法（基于邏輯推理規(guī)則和沖突度量的證據(jù)網(wǎng)絡推理新方法）。

3.1 配置多Agent 研究對象

此次實驗選擇6 個相同的Agent 作為研究對象，分別從引擎、執(zhí)行器、Agent管理等多個方面對多Agent 研究對象進行配置，多Agent 研究對象連接結構的配置結果如圖4 所示。

圖4: 多Agent 拓撲結構配置結果

圖4 中的引擎是多Agent 的核心，用來負責協(xié)調各Agent 的動態(tài)調整，Agent探測器和驗證器分別用來檢索配置請求并驗證Agent 協(xié)同執(zhí)行任務的合法性，另外Agent 執(zhí)行器為協(xié)同論辯式辯證邏輯推理方法的運行環(huán)境，將上述組成元件進行連接，并布設各個Agent 之間的通信環(huán)境。將包含Agent 構件靜態(tài)信息、接口信息、執(zhí)行規(guī)則、協(xié)同協(xié)議等內(nèi)容的數(shù)據(jù)導入到對應的代理模塊，構成一個獨立的Agent，Agent 管理器提供Agent 總線負載對多Agent 的統(tǒng)一管理。

3.2 準備多Agent 協(xié)同處理任務

將設計的基于人工智能的多Agent 協(xié)同的論辯式辯證邏輯推理方法應用到在面向P2P 社區(qū)的協(xié)同任務中，在實驗環(huán)境中設置多個惡意節(jié)點，測試多Agent 協(xié)同的論辯式辯證邏輯推理方法是否能夠成功識別并抵制惡意節(jié)點對協(xié)同工作的影響。多Agent 協(xié)同處理任務以及惡意節(jié)點的設置情況如表1 所示。

表1: 多Agent 協(xié)同處理任務設置表

在協(xié)同處理任務正常節(jié)點位置上導入惡意攻擊程序，實現(xiàn)惡意節(jié)點的布設。為了保證實驗協(xié)同處理任務中惡意節(jié)點的可控性，需要在惡意攻擊程序中添加一個強制開關，從而實現(xiàn)正常節(jié)點和惡意節(jié)點之間的轉換。

3.3 描述測試實驗過程

我們利用基于人工智能的多Agent 協(xié)同的論辯式辯證邏輯推理方法調整多Agent 的協(xié)同工作邏輯，在完成多Agent 的初始化設置后，Agent 管理器向各個Agent 發(fā)出開始指令，并分配協(xié)同任務和惡意節(jié)點判定議題。Agent 打開一個具有專業(yè)規(guī)則和知識庫的論據(jù)本體，在論據(jù)和推理規(guī)則的支持下得出節(jié)點類型的判定結果。在協(xié)同論辯式辯證邏輯推理方法的支持下多Agent 協(xié)同任務的運行情況如圖5 所示。

圖5: 應用論辯式辯證邏輯推理的多Agent 協(xié)同任務運行界面

按照上述操作流程運行三種邏輯推理方法，得出三種方法下多Agent 協(xié)同任務的執(zhí)行結果。

3.4 設置邏輯推理效果測試指標

此次實驗分別從多Agent 協(xié)同推理加速效果和應用效果三個方面進行測試，設置協(xié)作推理加速率作為多Agent 協(xié)同推理加速效果的量化測試指標，其數(shù)值結果如下：

式中，τi+1和τi分別表示的是多Agent 協(xié)同推理第i+1 和i個主體的運行時間，nsubject表示的是協(xié)同處理任務中推理主體的總數(shù)量。多Agent 協(xié)同的論辯式辯證邏輯推理方法應用效果的測試指標為Agent 之間的協(xié)同程度和惡意節(jié)點的抵制成功率，Agent 協(xié)同程度的數(shù)值結果為：

式中，μk和μk+1分別為第k和k+1 個Agent 的加速率，代表多Agent 加速率的平均值，參數(shù)NAgent為實驗環(huán)境中設置Agent 的數(shù)量。另外通過論辯邏輯推理方法的應用多Agent 抵制惡意節(jié)點的成功率測試結果如下：

式中，Numboycott和Nummalice分別表示的是多Agent 實際抵制的節(jié)點數(shù)量和實驗環(huán)境中惡意節(jié)點的總數(shù)量，Numb為多Agent 抵制節(jié)點中非惡意節(jié)點的數(shù)量。最終計算得出協(xié)作推理加速率越高、邏輯推理復雜度越低、惡意節(jié)點抵制成功率越高，說明對應多Agent 協(xié)同的論辯式辯證邏輯推理方法的性能越優(yōu)、應用價值越高。

3.5 測試實驗結果分析

統(tǒng)計相關數(shù)據(jù)，通過公式8 的計算得出反映論辯邏輯推理方法加速率的測試對比結果，如圖6 所示。

圖6: 不同方法的加速率測試對比結果

綜合6 個Agent 的運行結果可知，文獻[21]的方法和文獻[8]的方法的平均加速率分別為3.4 和3.8，而設計辯證邏輯推理方法的平均加速率為4.8，高于文獻[21]的方法和文獻[8]的方法，證明設計的多Agent 協(xié)同的論辯式辯證邏輯推理方法的性能更好。另外多Agent 協(xié)同辯證邏輯推理方法應用效果的測試結果，如表2 所示。

表2: 不同推理方法應用效果測試數(shù)據(jù)表

將表2 中的數(shù)據(jù)代入到公式(10)中，計算得出三種方法惡意節(jié)點抵制成功率的平均值分別為87%、82.5%和97.1%。綜上所述，與文獻[21]的方法和文獻[8]的方法相比，設計的基于人工智能的多Agent 協(xié)同的論辯式辯證邏輯推理方法的加速率更高、推理復雜度更低，同時具有更高的應用效果。

4 結語

多Agent 協(xié)同問題研究的關鍵是要建立一個協(xié)同的社會組織，對任務實現(xiàn)有效分解和分配，以及解決多Agent 協(xié)同中的通信開銷問題。在人工智能技術的支持下，通過論辯式辯證邏輯推理方法的設計與應用，有效提高了多Agent 之間的協(xié)同度，進而提高多Agent 協(xié)同任務的執(zhí)行效率，由此證明基于人工智能的多Agent協(xié)同的論辯式辯證邏輯推理方法具有較高的研究與應用價值。