一、引言
　　多Agent系统（MAS）是近年来人们普遍关心的问题之一，其根本原因是多Agent系统实际上可以看作是在某个环境中的Agent集合，并且Agent之间、Agent与环境之间可以进行交互，通过彼此间的行为推理达到完成某个任务的目的。由此可以看出，在多Agent系统中，每个Agent必须具备推理能力，才能实现目标。那么Agent怎样实现这种功能呢？Agent是一个基于软件或硬件的计算机系统，它具有自治性、反应性、社会性和协作性等特性。它是一个智能的实体，可以控制自己的内部状态，自动感知其所处的环境，并与其他Agent交流合作，从而完成推理任务。
      什么是Agent的推理呢？Agent的推理就是Agent依据一定的规则从已有的事实推出结论的过程，或Agent与Agent之间利用相互之间的信息进行问题求解的过程。文献[4]对各类自动推理技术做了明确的比较，指出：传统的推理技术是以经典的谓词逻辑为基础的、精确的、严格的推理技术，通常被认为是“绝对正确的推理”；现代自动推理技术是以常识知识为基础进行逻辑推理，它考虑到了在某些知识不完全的情况下，所产生的信息的不准确性、随机性、模糊性及动态性等问题。在多Agent系统中，经常要面临环境的动态变化产生的动态模糊性，鉴于这些客观问题，本文引入动态模糊逻辑（DFL）建立一个多Agent系统自动推理模型来解决这个问题。
　　二、相关概念描述
　　（一）多Agent系统
      多Agent系统可以表示成：MAS＝。其中Agents表示一组Agent，KB表示Agent的知识库。
　　每个Agent的模型可以用一个五元组表示：Ag＝{B，D，I，P，K}，其中B表示Agent的信念是Agent解决问题的依据；D表示Agent的愿望，是解决问题的动力；I表示Agent的意图，按照某种规划设定解决问题的行为或行动；P表示问题；K表示Agent的BDI对应求解问题的知识库。
      对于某个Agi来说，B×D    I表示：每个Agent都根据自己的信念和愿望形成自己的意图，也就是形成自己的行动规划。在这个过程中，Agi要调用知识库中的知识。在多个Agent中，单一的Agent在进行推理的过程中，往往需要了解别的Agent的信念、愿望或意图，以便达成统一的规划。所以在进行推理的过程中，要找到Agent之间更多的共同点。
      多个Agent的信念组可以用（B1，B2，…，Bn）表示，可以通过矩阵运算求得最大的共同信念Bc。同理，对于多个Agent的愿望，也可以用（D1，D2，…，Dn）表示，求得最大的共同愿望Dc。利用公式Bc×Dc          Ic，就可以得到新的共同的意图Ic，将新意图发送给每个Agent，然后进行问题的推理。
　　（二）理论工具
      本文采用DFL的推理规则实现自动推理，DFL的基本概念见文献，这里介绍几个基本的DFL推理规则。
      1.连接规则（Connection Rule）
　　其模式化为：
 
　　2.笛卡尔集乘积规则（Cartesian Sets Rule）
　　其模式为：  
     
　　3.投影规则（Rule of projection）
　　其模式为：        
   
      式中的变量X，Y各自的域为U，V，Proj X*R表示DF关系R在U上的投影，定义：
      式中的uR(u，υ)为DF关系R的隶属函数。
      4.合成规则（Rule of Composition）
　   其模式为：        

      5.继承规则（Rule of Succession）
　   其模式为：    
    
      6.等价规则（Rule of Equivalence）
      其模式为：     
   
      7.假言推理规则（Rule of modus ponens）
      其模式为：    
   
     -B表示B的补运算，    定义为：
　　（三）基于DFL的多Agent系统自动推理模型
      多Agent自动推理模型是能够在某一知识领域满足人们自主运用知识的智能系统，因此它必须具备以下几个基本组成部分：
      1.知识库：其中存放了该领域的相关基础知识和基本规则；
　　2.基于规则的自动推理系统：它将知识库中的知识用于具体的问题，进行反复推理，得出结论；
　　3.临时信息库：用于Agent之间、Agent和环境之间交互过程中产生的临时信息，可以帮助推理朝有利的方向进行；
      4.广播站：用于管理者Agent与各任务Agent之间的信息传递。
　　因此，我们可以这样描述基于DFL的多Agent系统的自动推理平台：
　　AR＝
　　其中，Ag表示一个agent集合，它包括两类：管理者Agent和任务Agent，前者用于下达任务、反馈信息、协议仲裁并控制这个推理过程，后者用于协作完成推理过程；
　　KB表示系统的学科知识库，它是管理者Agent分析问题以后自动生成的，存放分析所得的基本知识和规则；
　　In是临时信息库，用于存放在推理过程中产生的临时信息，以用于下一步的推理；
      B表示广播站，将管理者Agent的要求及各个Agent反馈的信息以广播的方式通知所有的Agent；
      DFL表示描述知识和规则的方法。
      整个推理过程是由问题驱动的，过程如下：管理者Agent接收到问题后触发自动推理系统。首先由管理者Agent分析问题的条件和结论，生成相应的知识库和任务。然后将任务以提问的方式下达给各个任务Agent，任务Agent接收到下达的任务以后，搜索自己的知识，对规则的前提条件逐条匹配，以决定拒绝还是采用该规则。匹配得越多，其评价值就越大，采用的可能性就越高。匹配之后，任务Agent将自己的完成结果反馈给管理者Agent。管理者Agent将此结果放入临时信息库，并与结论比较，若一致，表示任务已解决，推理结束；否则进行第二次推理。
      简言之，整个系统运行过程即是分析任务、生成知识库、反复推理的过程。
　   其中推理过程中单个Agent进行规则匹配的步骤可以用下图表示：

【参考文献】
　　[1]张维明.智能协作信息技术[M].北京：电子工业出版社，2002.
　　[2]黄改娟.自动推理技术发展的回顾与展望[J].微机发展，2003，（13）.
　　[3]李凡长，朱维华.动态模糊逻辑及其应用[M].昆明：云南科技出版社，1997.
　　[4]蒋建文，高锷，韩江洪，林勇.一种多Agent系统框架的实现机制[J].沈阳化工学院学报，2001，15（4）.
　　[5]孙壮志，尹国峰，王海竹.Multi-Agent系统中Agent通信可靠性的研究[J].计算机工程与应用，2003，（1）.