Enhancing agent sociability by extending interaction protocols using machine learning

Salim Zerrougui

doi:10.1177/15741702251370051

2025-09-01

PRE

Salim Zerrougui *

Farid Mokhati

Mourad Badri

Mohamed Chaouki Babahenini

DOI：10.1177/15741702251370051

原文链接

原文求助

摘要

En 中文

交互协议通常用于基于代理的系统。它们通过提出特定的消息交换模式来确保代理之间的良好协调。然而，这些交互协议并非完美；它们需要更多扩展以提供，例如，更好的性能和可扩展性，尤其是在涉及严格截止时间的情况下。在这种情况下，参与者往往由于过载、瓶颈、网络缓慢或忙于其他事务或被阻塞，而无法在截止时间前回答某些请求。在设计代理时若不考虑此问题，可能会降低其社交性，从而浪费获得最佳目标的有价值机会。所提出的方法利用参与者的经验来训练监督学习模型，以预测回复是否能在截止时间前到达发起方，从而实现一种优先级机制，更有效地处理交互请求。该方法已通过JADE平台下两个案例研究中的多个合同网交互场景进行了评估。令人鼓舞的结果显示，通过我们提出的新指标——交互协议社交性程度（SDIP）测量的代理社交性显著提高，即使系统在代理数量和发起交互方面进行扩展时也能保持稳定。

Keyword:

interaction protocol

sociability

perfective maintenance

multiagent systems

machine learning

performance and scalability