Wieloagentowy system decyzyjny z dynamicznie generowanymi rozłącznymi klastrami

• Autorzy: Przybyła-Kasperek M.

Warianty tytułu

EN

Decision making system with dynamically generated disjoint clusters

• Języki publikacji: PL

Abstrakty

PL

Artykuł zawiera zagadnienia związane z procesem podejmowania decyzji globalnych na podstawie wiedzy rozproszonej, przechowywanej w kilku lokalnych bazach wiedzy. W artykule zaproponowano nowe podejście do organizacji struktury systemu umożliwiającego podejmowanie decyzji na podstawie wiedzy rozproszonej. W prezentowanym podejściu rozpatrywany jest system o dynamicznej strukturze. Będziemy dążyć do wyznaczenia grup lokalnych baz wiedzy, na podstawie których wyznaczane są zgodne decyzje dla obiektu testowego. Następnie w utworzonych grupach realizowany będzie proces eliminacji niespójności wiedzy. Decyzje globalne podejmowane są z wykorzystaniem jednej z metod analizy konfliktu. Artykuł zawiera definicję wieloagentowego systemu decyzyjnego o strukturze dynamicznej oraz definicję dynamicznie generowanych klastrów. Przedstawiono opis procesu wyznaczania decyzji globalnych oraz wyniki eksperymentów przeprowadzonych na danych z repozytorium UCI.

EN

The paper includes issues related to process of global decision-making on the basis of knowledge which is stored in several local knowledge bases. The paper proposes a new approach to organization of structure of multi-agent decision- making system, operating on the basis of dispersed knowledge. In the presented system, the local knowledge bases will be combined into groups in a dynamic way. We will seek to designate groups of local bases on which the test object is classified to the decision classes in a similar manner. Then in the created groups a process of elimination inconsistencies in the knowledge will be implemented. Global decisions will be made by using one of the methods of analysis of conflict. The paper includes the definition of multi-agent decision-making system with dynamically generated clusters and a description of global decision-making process. In addition, the paper presents results of experiments carried out on data from the UCI repository.

Słowa kluczowe

PL

system decyzyjny; decyzja globalna; koalicja; konflikt

EN

decision-making system; global decision; coalition; conflict

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Studia Informatica
• Rocznik: 2013
• Tom: Vol. 34, nr 2A
• Strony: 275--294
• Opis fizyczny: Bibliogr. 29 poz.

Twórcy

autor

Przybyła-Kasperek M.

• Uniwersytet Śląski, Instytut Informatyki, ul. Będzińska 29, 41-200 Sosnowiec, Polsk

Bibliografia

• 1. Bazan J., Peters J., Skowron A., Nguyen H., Szczuka M.: Rough set approach to pattern extraction from classifiers. Electronic Notes in Theoretical Computer Science 82, Elsevier Science Publishers, 2003.
• 2. Caragea D.: Learning Classifiers from Distributed, Semantically Heterogeneous, Autonomous Data Sources. PhD thesis, Iowa State University, USA 2004.
• 3. Chawla N., Eschrich S., Hall L.: Creating Ensembles of Classifiers. IEEE International Conference on Data Mining, 2001, s. 580÷581.
• 4. Deja R.: Conflict Analysis, Rough Sets; New Developments, [in:] Polkowski L. (ed.): Studies in Fuzziness and Soft Computing, Physical-Verlag, 2000.
• 5. Ester M., Kriegel H., Sander J., Xu X.: A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise. Proceedings of 2nd International Conference on Knowledge Discovery and Data Mining, KDD, 1996, s. 226÷231.
• 6. Faratin P., Sierra C., Jennings N.: Using Similarity Criteria to make issue trade-offs in automated negotiations. Artificial Intelliegence Journal, Vol. 142, No. 2, 2002, s. 205÷237.
• 7. Franklin, S., Graesser, A.: Is it an Agent, or just a Program – A Taxonomy for Autonomous Agents. Proceedings of the Third International Workshop on Agent Theories, Architectures, and Languages, Springer-Verlag, Berlin 1996, s. 21÷35.
• 8. Jiang W., Zhang X., Cohen A., Ras Z.: Multiple Classifiers for Different Features in Timbre Estimation. Advances in Intelligent Information Systems, 2010, s. 335÷356.
• 9. Kargupta H., Park B., Johnson E., Sanseverino E., Silvestre L., Hershberger D.: Collective DataMining From Distributed Vertically Partitioned Feature Space. Workshop on distributed data mining. International Conference on Knowledge Discovery and Data Mining, 1998.
• 10. Kuncheva L.: Combining Pattern Classifiers Methods and Algorithms. John Wiley& Sons, 2004.
• 11. Lopes F., Mamede N., Novais A.Q., Coelho H.: Negotiation Strategies for Autonomous Computational Agents. ECAI 2004, IOS Press, Amsterdam 2004, s. 38÷42.
• 12. Lopes F., Wooldridge M., Novais A.Q.: Negotiation among autonomous computational agents: principles, analysis and challenges. Artificial Intelligence Review, Vol. 29, No. 1, 2008, s. 1÷44.
• 13. Michalski R., Wojtusiak J.: The Distribution Approximation Approach to Learning from Aggregated Data. Reports of the Machine Learning and Inference Laboratory, MLI 08-2, George Mason University, Fairfax, VA, USA 2008.
• 14. Nguyen T., Jennings N.: Coordinating multiple concurrent negotiations. Proceedings of 3rd International Joint Conference on Autonomous Agents and Multi Agent Systems, New York, USA 2004, s. 1064÷1071.
• 15. Pawlak Z.: On Conflicts. Int. J. of Information and Computer Science, Vol. 11, 1984, s. 344÷356.
• 16. Pawlak Z.: O konfliktach. Państwowe Wydawnictwo Naukowe, Warszawa 1987.
• 17. Pawlak Z.: Rough Sets: Theoretical aspects of reasoning about data. Kluwer Academic Publishers, Boston, USA 1991.
• 18. Pawlak Z.: An Inquiry Anatomy of Conflicts. Journal of Information Sciences, Vol. 109, 1998, s. 65÷78.
• 19. Polkowski L., Araszkiewicz B.: A rough set approach to estimating the game value and the Shapley value from data. Fundamenta Informaticae 53, 2003, s. 335÷343.
• 20. Przybyła-Kasperek M., Wakulicz-Deja A.: Application of decision rules, generated on the basis of local knowledge bases, in the process of global decision-making. 4th International Symposium on Intelligent Decision Technologies, IDT-2012, INVITED SESSION Rough Sets and Granular Computing, 2012.
• 21. Skowron, A., Deja, R.: On Some Conflict Models and Conflict Resolutions. Romanian Journal of Information Science and Technology 3(1-2), 2002, s. 69÷82.
• 22. Skowron A., Wang H., Wojna A., Bazan J.: Multimodal Classification: Case Studies. T. Rough Sets, 2006, s. 224÷239.
• 23. Ślezak D., Wróblewski J., Szczuka M.: Neural network architecture for synthesis of the probabilistic rule based classifiers. [in:] Electronic Notes in Theoretical Computer Science 82, Elsevier Science Publishers, 2003.
• 24. Wakulicz-Deja A., Przybyła-Kasperek M.: Hierarchical Multi-Agent System. Recent Advances in Intelligent Information Systems, Academic Publishing House EXIT, 2009, s. 615÷628.
• 25. Wakulicz-Deja A., Przybyła-Kasperek M.: Global decisions Taking on the Basis of Multi-Agent System with a Hierarchical Structure and Density-Based Algorithm. Concurrency Specification and Programming CS&P, Uniwersytet Warszawski, Warszawa 2009, s. 616÷627.
• 26. Wakulicz-Deja A., Przybyła-Kasperek M.: Multi-Agent Decision Taking System. Fundamenta Informaticae 101(1-2), 2010, s. 125÷141.
• 27. Wakulicz-Deja A., Przybyła-Kasperek M.: Wieloagentowy system decyzyjny – porównanie metod. Studia Informatica, Vol. 31, No. 2A (89), Gliwice 2010, s. 173÷188.
• 28. Wakulicz-Deja A., Przybyła-Kasperek M.: Application of the method of editing and condensing in the process of global decision-making. Fundamenta Informaticae 106 (1), 2011, s. 93÷117.
• 29. Zeng D., Sycara K.: Bayesian learning in negotiation. Int. J. Hum. Comput. Stud. 48, 1998, s. 125÷141.