基于D-S 證據(jù)理論的多智能體系統(tǒng)沖突數(shù)據(jù)融合機制研究

摘要：多智能體信息融合（multi-agent information fusion，MAIF）系統(tǒng)主要面向多個智能體之間的信息融合、調(diào)節(jié)、交流和矛盾處理。研究針對數(shù)據(jù)高度沖突條件下的D-S 證據(jù)理論失效問題，提出一種將重構(gòu)的基本概率分配和信念熵相結(jié)合的多智能體系統(tǒng)沖突數(shù)據(jù)融合方法。該方法使用重構(gòu)的基本概率分配和信念熵修正證據(jù)的可靠性，獲得更合理的證據(jù)，使用Dempster 組合規(guī)則將證據(jù)進行融合得到結(jié)果，在2 個實驗中均得到了超過90% 的置信度。實驗表明了該方法的有效性，提高了MAIF 系統(tǒng)辨識過程的精度。

關(guān)鍵詞：基本概率分配；熵；D-S 證據(jù)理論；多智能體；信息融合

中圖分類號：TP391 文獻標(biāo)志碼：A 文章編號：1000-582X（2025）02-022-13

隨著人工智能的日益普及，智能體技術(shù)已經(jīng)成為分布式人工智能領(lǐng)域的流行趨勢。多智能體系統(tǒng)（multi agent system，MAS）是近年來發(fā)展的重要工具，是智能體集合，解決實時、繁復(fù)、龐大和不確定信息的問題，采用D-S 證據(jù)理論對多個智能體的信息進行融合，形成多智能體信息融合（multi agent informationfusion，MAIF）系統(tǒng)。

D-S 證據(jù)理論，作為一種基于證據(jù)的推理方法，一直廣泛應(yīng)用于信息融合、目標(biāo)識別、風(fēng)險分析、分類、決策等領(lǐng)域[1?2]。最早由Dempster 于1967 年提出，Shafer 進一步擴展[3]。該理論因出色的表達(dá)和處理不確定信息的能力，在信息融合系統(tǒng)中十分流行，但Dempster 組合規(guī)則在融合高度沖突的證據(jù)時，往往會得到與直覺相反的結(jié)果。鑒于這些悖論，學(xué)者們提出了一些解決方案，基本分為2 類：一類是基于修改Dempster 組合規(guī)則的解決方案[4?5]；另一種是基于修改證據(jù)來源的解決方案[6?7]，該方案在證據(jù)融合之前對證據(jù)來源的不確定性進行管理。

在修改D-S 組合規(guī)則的研究方面，文獻[8]在分析和說明相似性沖突的基礎(chǔ)上，提出一種新的組合規(guī)則，解決沖突問題。文獻[9]提出決策試驗和評估實驗室方法合并沖突數(shù)據(jù)，新的組合規(guī)則可以有效解決識別領(lǐng)域中的問題。文獻[10]提出一種選擇源行為方法，這種方法的優(yōu)點是可以清楚解釋來源的假設(shè)。

基于修改證據(jù)來源的相關(guān)證據(jù)融合方法可分為2 類：一類是基于相關(guān)源證據(jù)模型[11]，另一類是基于折扣修正模型。折扣修正模型的觀點是對綜合結(jié)果的高估，相關(guān)證據(jù)與獨立證據(jù)相比具有重疊信息，不能在組合過程中被給予一樣的權(quán)重，會導(dǎo)致重復(fù)計算證據(jù)。相關(guān)的證據(jù)應(yīng)該被忽略，折扣系數(shù)取決于相關(guān)程度。文獻[12]使用基于改進折扣系數(shù)的證據(jù)理論合成方法，該方法為了降低證據(jù)間的沖突程度，在融合前，通過計算各證據(jù)之間的相似性獲得各證據(jù)的支持度，并與專家權(quán)值相結(jié)合得到綜合權(quán)值，用這個權(quán)值作為折扣系數(shù)來修正原始的BPA。文獻[13]結(jié)合沖突因子k 和證據(jù)間Pignistic 概率距離共同衡量證據(jù)間沖突程度，轉(zhuǎn)化沖突程度為證據(jù)權(quán)重系數(shù)并修正沖突證據(jù)。

熵是一種典型的不確定性測量和管理方法，可用于修改證據(jù)來源。文獻[14]提出了鄧熵，可有效正確地處理基本概率分配（basic probability assignment，BPA）的不確定性。鄧熵作為一種信念熵，被廣泛應(yīng)用于風(fēng)險分析等許多應(yīng)用[15]。文獻[16]根據(jù)鄧熵方法對基于D-S 證據(jù)理論的融合方法進行改進，與傳統(tǒng)D-S 證據(jù)理論方法相比，融合數(shù)據(jù)更符合真實空戰(zhàn)的結(jié)果。文獻[17]根據(jù)信念熵來測量基本概率分配的不確定度，將其與通過曼哈頓距離測量出的可信度相結(jié)合修正原始證據(jù)。文獻[18]同樣采用信念熵測量不確定度和單焦元三角散度衡量可信度。此外，為了解決不確定信息中的沖突數(shù)據(jù)，一些方法嘗試在識別框架（framework ofdiscernment，F(xiàn)OD）中為事件分配初始信任，減少基本概率分配之間的沖突。文獻[19]提出一種考慮FOD 冪集中命題初始信任度的新策略，但可能導(dǎo)致分散的信任分配。文獻[20]提出了一種改進的基本概率分配方法。這些方法為不確定信息的建模和處理引入額外信息。在MAIF 方面，以前的研究已經(jīng)提出了一些預(yù)處理策略提高性能，提供了距離測量，有效測量MAIF 的不確定性。測量對象作為一個整體主要基于多個數(shù)據(jù)源，2 個數(shù)據(jù)源之間沒有具體區(qū)別。

筆者采用在數(shù)據(jù)融合前對不確定信息進行預(yù)處理的方案提高MAIF 性能。研究將在基本概率分配（base basic probability assignment，bBPA）的基礎(chǔ)上提出重構(gòu)BPA 和信念熵組合，對數(shù)據(jù)進行預(yù)處理，使用D-S證據(jù)理論對多源信息進行融合，提高MAIF 精度，使其在融合沖突證據(jù)時不會出現(xiàn)與常識相悖的結(jié)果，證明其在MAIF 系統(tǒng)應(yīng)用中的有效性。

1 多智能體信息融合

隨著人工智能的日益普及，智能體技術(shù)已經(jīng)成為分布式人工智能領(lǐng)域的流行趨勢。具有自治和協(xié)作能力的智能體可以處理復(fù)雜、協(xié)作和不可預(yù)測的問題。他們可以隨著環(huán)境的變化修改目標(biāo)、擴展知識、提高能力。由于能力和與其他智能體關(guān)系的限制，不可能使用單個智能體解決復(fù)雜問題。人工智能逐漸發(fā)展，不僅解決復(fù)雜的技術(shù)難題，還在現(xiàn)實世界中發(fā)揮重要作用，幫助應(yīng)對各種大規(guī)模問題。這些問題超出了單個智能體的能力。因此，多智能體系統(tǒng)是近年來發(fā)展起來的一個重要工具。MAS 是智能體的集合，其目的是解決實時、繁復(fù)、龐大和不確定信息的問題。其理論研究價值在于2 個方面：1）逐漸將閉塞的、獨立的系統(tǒng)替換為開放、分散的智能體系統(tǒng)；2）把集中式的智能系統(tǒng)擴展到不自主的、分散的智能系統(tǒng)。MAS 的主要研究內(nèi)容是通過協(xié)商、調(diào)控與合作，使得多智能體系統(tǒng)能實現(xiàn)龐大紛雜的控制任務(wù)，或者是求解龐大繁雜問題。

然而，不確定性是多智能體系統(tǒng)研究面臨的最大挑戰(zhàn)。在許多問題中，由于噪聲或傳感器容量的限制，環(huán)境狀態(tài)將是不確定的。智能體只能通過自己的傳感器觀察環(huán)境的狀態(tài)。一個智能體預(yù)測其他智能體趨勢的能力是有限的，這也將使合作變得復(fù)雜，因此，在多智能體系統(tǒng)中可能出現(xiàn)沖突信息。

信息融合是一個應(yīng)用領(lǐng)域，涉及將分散在不同數(shù)據(jù)源、傳感器和系統(tǒng)中的數(shù)據(jù)整合起來，進行綜合分析和處理。將信息融合技術(shù)應(yīng)用到MAS 中，提供更完整的判斷、評價和決策。使用適當(dāng)?shù)男畔⑷诤霞夹g(shù)，可以將智能體所識別的部分信息在功能、時間、空間上進行融合。因此，如何融合沖突信息并做出正確判斷是多智能體信息融合（MAIF）的主要挑戰(zhàn)。

D-S 證據(jù)理論可作為一種信息融合的方法，核心在于如何有效地處理和表達(dá)那些在獲取信息時存在不確定性的因素。這種理論通過將不確定性轉(zhuǎn)化為可以量化和評估的概率分布，提供一種強有力的表達(dá)框架來分析和處理各種類型的不確定信息。D-S 證據(jù)理論是MAIF 中不確定信息處理的不錯選擇。

在現(xiàn)代工程應(yīng)用中，電子信息系統(tǒng)趨向于高度集成、多組件和復(fù)雜功能。因此，并發(fā)性、突發(fā)性和復(fù)雜性是設(shè)備發(fā)生故障時可能出現(xiàn)的3 個主要問題[21]。在許多信息系統(tǒng)中，多源信息系統(tǒng)占據(jù)一定比例，它通常用于表示來自多個來源的復(fù)雜信息。然而，在信息融合和診斷過程中，許多學(xué)者開始關(guān)注識別有效整合多源信息的方法，并測量其不確定性，以確保正確性和抗干擾性[22?23]。

MAIF 系統(tǒng)主要研究多個智能體之間的調(diào)節(jié)、交流和矛盾處理。它側(cè)重于分析多個智能體之間的信息融合，而不是單個智能體的自治和開發(fā)，是MAS 中智能體間信息融合問題的一種自主解決方案。在MAIF 過程中，即使所有智能體使用相同的原始檢測數(shù)據(jù)，給出的結(jié)論也可能不一致，因為每個智能體使用的推理模型不一定相同。現(xiàn)已經(jīng)有許多改進性能的嘗試，如分布式加權(quán)[24]和相對可靠性評估[25]。然而，它們并不側(cè)重于測量來自不同來源的信息源之間的不確定性。此外，在MAIF 過程中，這些方法在一定程度上難以合并不同的結(jié)論。