基于移动Agent的智能拍卖系统研究

摘要:该文基于买方为主的拍卖结构,提出了一种基于移动Agent技术的多属性拍卖系统。采用Skyline算法实现招标的选优,协同过滤技术实现投标的推荐,利用移动Agent技术优势完成多属性拍卖过程的自动化处理。分析表明该系统是一种较为有效,智能化的系统。

关键词:移动Agent;拍卖;协商;智能性

中图分类号:TP391文献标识码:A文章编号:1009-3044(2009)35-10072-03

Research on Electronic Auction System Based on Intelligent Mobile Agent

TAO Yong-bo, WANG Zi-qiang

(Dept. of Information Science and Engineering, Hanan University of Technology, Zhengzhou 450001, China)

Abstract: This paper proposed a electronic auction system based on intelligent mobile agent. Skyline algorithm is applied to choose excellent bid submission and a collaborative filtering algorithm is employed to recommend the bid. Automatic process of multi-attribute auction is achieved by using mobile agent. The analysis shows that this system is an efficient and intelligent.

Key words: mobile agent; auction; negotiation; intelligent

随着Internet的迅速发展,人类许多活动越来越趋于电子化,各种电子商务活动如电子支付,电子拍卖迅速发展起来,其中最重要的活动之一是电子拍卖。现在,各种拍卖系统如eBay,已相继成立。然而传统的拍卖活动大多数都是单一拍卖,类似于传统交易的电子化,缺乏智能性,智能化处理[1]。移动Agent 技术用一种全新的方式对复杂、庞大系统进行归纳、分析、描述和实现, 体现了一种新的软件开发模式, 为解决分布式复杂工程提供了可能, 其所代表的智能化和网络化趋势亦属必然, 逐渐成为人工智能领域一个新的研究热点。文中引入了移动Agent 技术来弥补网上拍卖的不足, 利用移动Agent 技术优点来实现多属性拍卖过程的自动化处理, 使得拍卖更加智能化, 适应性更强[2]。

1 相关简述

移动Agent系统由分布在不同信息节点上的相互协作的一组Agent子系统以及管理各个子系统信息的调度Agent系统组成。多属性拍卖是采购拍卖的一种, 定义为拍卖人与投标人交易时考虑到多个属性的一种拍卖模式[3]。多属性拍卖是一种解决一对多投标的有效方法, 经济学家将多属性效用理论广泛地应用于多属性拍卖,利用多属性效用评价函数来准确表达用户的属性偏好, 拍卖的理想情况是选择可以达到最高期望效用的投标。Che 设计了一种二维(价格和质量)拍卖模型以提高政府采购的能力, 模型采用密封式拍卖, 投标根据买方设定的评价规则来评估。Branco的模型将成本影响加入多属性拍卖中, 采用两段式拍卖, 在第一阶段买方选择一个厂家, 第二阶段厂家控制成本达到预定的质量标准。研究认为完全公开买方偏好是买方最优策略, 但完全公开买方偏好对买方来说并不公平, 应该设计一种仅公开环境参数的拍卖系统, 根据参数, 买方考虑各个属性的权重以达到最大收益[4]。Bichler 的研究表明多维拍卖中得到的效用值明显高于传统单属性拍卖。

2 移动Agent系统

本文模型的主要工作流程:

1) 买方商品目录, 定义偏好结构, 招标书;

2) 买方根据采购方的产品需求进行信息搜索, 根据招标所需填写投标书;

3) 采购方查看供应商基本信息, 评估所有投标, 如果匹配则回复选中投标, 拍卖结束, 否则进行协商谈判, 达成协议, 拍卖结束。

系统框架:别定义如下:

基于上述流程, 系统按功能划分模块并用多个Agent 分工合作来实现拍卖任务, 其内部模块结构为买方Agent组、调度Agent 组、买方Agent 组三大部分。系统结构如图1所示。

各个Agent的主要功能:

买方Agent:买方Agent负责从人机接口处得到采购方所需产品目录信息, 偏好属性结构, 同时将偏好属性结构传送给效用评估Agent。效用评估一般利用效用函数进行,

即U=w1E1+w2E2+w3E3+......+wjEj, wj=Qj/ΣQj, 其中wj 为权重, 表示不同属性的相关重要性, Qj表示属性的重要性参数, 效用评估采用招标优选算法。

招标生成Agent:

就是根据用户输入的属性要求和偏好,自动生成招标标书, 以及对不合理的招标标书进行调整。投标方在投标的时候不能看到用于评标的那部分设置, 如条件的权重等[5]。评标过程使用效用评估Agent。人机接口部分主要处理采购方与Agent 之间的交互, 包括用户对效用评估Agent 的修改和对招标方案制定或调整的干预等。

调度Agent:

调度Agent在整个移动Agent系统中作用在于收集,管理,统计,查询各种Agent资源,按照其功能分类或建立Agent联盟,并负责同其他Agent系统之间通讯,同时它在这个系统中担当可信任的安全认证中心,保证各Agent系统之间的安全通讯[6]。建立了买方Agent和卖方Agent之间的通信联系。

买方Agent:其中买方Agent 则从调度Agent处得到产品目录信息, 从基本信息库查看采购方基本信息, 根据招标方案, 买方Agent 根据自身能力是否满足服务要求和获得的交易效用的估算来决定是否参与投标[6]。同时投标推荐Agent 填写投标书, 使得投标Agent的推荐中标率提高, 本文采用投标推荐算法。投标则发送投标书给调度Agent。人机接口部分主要处理卖方与Agent之间的交互, 包括卖方对效用评估的修改和对投标方案制定或调整。

信息库:

在这个系统中,信息库有两种,一种存放着本地的信息,它供Agent子系统调用,另一种信息库存放着Agent的信息,供调度Agent使用[7]。信息库采用数据库的技术来存储。

3 招投标算法

快速实现招投标算法一直是拍卖中的热点问题,本文设计了招标选优与投标推荐算法来实现该多属性拍卖模型中的快速投招标问题。

3.1 招标选优算法

在招标过程中招标Agent应用Skyline查询算法快速筛选出较优的投标,目前, 对Skyline 查询的研究已得到国际上众多研究者的广泛关注, 并提出了许多有效算法。例如:BNL(Block Nested Loops)算法[8]。BNL 算法的基本思想是: 在主存中保留一个窗口, 窗口中存储的是临时Skyline 点, 通过反复从输入数据集中读取数据点和窗口中的点进行支配比较, 一个读入数据点p 通过比较会有以下三种情况: 1)点p 支配窗口中的点,窗口中被点p 支配的点全部删除, 点p 插入到窗口中; 2)点p被窗口中的数据点支配, p 被删除; 3)点p 和窗口中的点不互相支配, 点p 插入到窗口中。当窗口中的数据点在主存中无法容纳时, 可将其存入辅助存储器的临时文件中[9]。每次迭代后, 窗口中输出的点是全局Skyline 点的一部分, 将临时文件作为输入数据集进行下一次迭代, 当临时文件为空时, 迭代终止。所有从窗口中输出的点就是全部的Skyline 点。该算法可以应用到任意维空间。

输入:所有供应商的投标

输出:最优投标或者几个较优投标

具体步骤:

1) 将所有投标在采购商要求的所有属性维利用BNL 算法预处理, 删除被支配的点(不理想的投标)。

2) 对剩下的投标, 根据属性权重, 抽出部分属性再次进行BNL 算法处理。删除被支配点(部分重要属性上不理想的投标。

3) 如果剩下的投标数目小于输出要求的投标数目, 直接输出, 否则根据输出前N个。

3.2 投标推荐算法

竞标中不明确采购方的各属性权重, 为了更好的投标。投标推荐Agent的任务就是从案例库中找出类似的拍卖, 在投标推荐 Agent中使用协同过滤技术[10]。采用投标推荐算法计算出采购者的招标属性权重。

输入:采购者的采购信息以及部分兴趣度

输出:推荐Agent 计算出推荐兴趣度

具体步骤:

1) 从数据库中找出与采购者采购相同物品的采购数据;数据库中的相关用户数据可以通过以下矩阵的形式存放。

2) 根据修正的余弦相似性度量方法计算出采购方各个供应商之间兴趣的相似性。

3) 根据相似性数组找出最近邻居集合。

3.3 系统结构分析

1) 系统利用多个移动Agent的优势分工合作自动完成任务,并发的完成拍卖过程,智能化,自动化程度高,而且移动Agent可以按照拍卖任务直接迁移到目标节点,执行买方竞价搜索和相关处理任务,完成指定的任务后返回结果[11]。

2) 系统中的买方、调度方、买方都是分散的, 其计算是异步的, 没有系统的全局控制。而移动Agent 系统放松了对集中式、规划、顺序控制的限制, 因此模型中采用移动Agent 技术来分散控制、应急和并行处理的能力。

3) 系统中招标Agent 使用招标优选算法, 根据属性维的权重, 通过BNL 算法可以在招标的所有属性维空间上降低到有限维空间, 对有限维空间上的投标进行处理, 以减少不理想投标个数。在招标过程中, 只需各个属性的权重, 而无须用户依靠自己的感觉与经验来决策招标对象。

4) 系统中投标Agent 采用协同过滤技术个性化、准确地推荐。能够过滤难以进行机器自动分析的信息, 可以共享他人的经验, 避免了分析的不完全和不精确, 并且能够对一些复杂,难以表述的概念进行过滤。能够有效地使用其它相似客户的反馈信息, 加快个性化学习的速度, 有推荐新信息的能力, 减少协商次数。

5 结论

本文提出的基于移动Agent 的多属性拍卖模型, 改进了目前多属性拍卖缺乏智能性、自动化程度不高的缺陷。在模型中使用多个算法来提高移动Agent 的工作效率, 从而使得拍卖加速, 该模型是一种自动化、智能化、高效的模型。如何在模型中应用更高效的算法, 使得模型更具合理性以及仿真实现是下一步的工作。

参考文献:

[1] Bichler M. An experimental analysys of multi-attribute auction [J].Decision Support systems,2000(29):249-268.

[2] Branco F. Design competition of multidimensional auctions[J].Rand Journal Econonmics,1997,28(1):63-81.

[3] Jennings N. Wooldridge M. Agent theories. Architecture, and languages a survey[D]. UK: University of London,1995.

[4] Jennings, N. R. Wooldridge,M.J. Agent-Oriented Software Engineering[J].Handbook of Agent Technology, 2001(18).

[5] Ouzzani M, Bouguettaya A. Efficient Access to Web Services[J].IEEE Internet Computing,2004,8(2):34-44.

[6] 蔡自兴.人工智能及其应用[M]. 北京:清华大学出版社,2003.

[7] 张李义,段凌,邓汉化.面向电子采购的多属性拍卖模型[J].武汉大学学报,2004,37(4):97-100.

[8] 崔燕妮.面向Agent的理论与应用[J].云南师范大学学报,2002(5).

[9] 樊晓聪.面向Agent软件工程(I): Agent计算、编程风范与语言设计[J].计算机科学,1998,25(3).

[10] 郑人杰,殷人昆.软件工程概论[M].北京: 清华大学出版社,1998.

[11] 胡军,管春.基于拍卖博弈的电子商务自动协商[J].微计算机信息,2006(30):117-119.