基于D-S 證據理論的多智能體系統沖突數據融合機制研究

摘要：多智能體信息融合（multi-agent information fusion，MAIF）系統主要面向多個智能體之間的信息融合、調節、交流和矛盾處理。研究針對數據高度沖突條件下的D-S 證據理論失效問題，提出一種將重構的基本概率分配和信念熵相結合的多智能體系統沖突數據融合方法。該方法使用重構的基本概率分配和信念熵修正證據的可靠性，獲得更合理的證據，使用Dempster 組合規則將證據進行融合得到結果，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 系統辨識過程的精度。

關鍵詞：基本概率分配；熵；D-S 證據理論；多智能體；信息融合

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

隨著人工智能的日益普及，智能體技術已經成為分布式人工智能領域的流行趨勢。多智能體系統（multi agent system，MAS）是近年來發展的重要工具，是智能體集合，解決實時、繁復、龐大和不確定信息的問題，采用D-S 證據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。

D-S 證據理論，作為一種基于證據的推理方法，一直廣泛應用于信息融合、目標識別、風險分析、分類、決策等領域[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和處理不確定信息的能力，在信息融合系統中十分流行，但Dempster 組合規則在融合高度沖突的證據時，往往會得到與直覺相反的結果。鑒于這些悖論，學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 組合規則的解決方案[4?5]；另一種是基于修改證據來源的解決方案[6?7]，該方案在證據融合之前對證據來源的不確定性進行管理。

在修改D-S 組合規則的研究方面，文獻[8]在分析和說明相似性沖突的基礎上，提出一種新的組合規則，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據，新的組合規則可以有效解決識別領域中的問題。文獻[10]提出一種選擇源行為方法，這種方法的優點是可以清楚解釋來源的假設。

基于修改證據來源的相關證據融合方法可分為2 類：一類是基于相關源證據模型[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果的高估，相關證據與獨立證據相比具有重疊信息，不能在組合過程中被給予一樣的權重，會導致重復計算證據。相關的證據應該被忽略，折扣系數取決于相關程度。文獻[12]使用基于改進折扣系數的證據理論合成方法，該方法為了降低證據間的沖突程度，在融合前，通過計算各證據之間的相似性獲得各證據的支持度，并與專家權值相結合得到綜合權值，用這個權值作為折扣系數來修正原始的BPA。文獻[13]結合沖突因子k 和證據間Pignistic 概率距離共同衡量證據間沖突程度，轉化沖突程度為證據權重系數并修正沖突證據。

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，被廣泛應用于風險分析等許多應用[15]。文獻[16]根據鄧熵方法對基于D-S 證據理論的融合方法進行改進，與傳統D-S 證據理論方法相比，融合數據更符合真實空戰的結果。文獻[17]根據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合修正原始證據。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據，一些方法嘗試在識別框架（framework ofdiscernment，FOD）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，以前的研究已經提出了一些預處理策略提高性能，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據源，2 個數據源之間沒有具體區別。

筆者采用在數據融合前對不確定信息進行預處理的方案提高MAIF 性能。研究將在基本概率分配（base basic probability assignment，bBPA）的基礎上提出重構BPA 和信念熵組合，對數據進行預處理，使用D-S證據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時不會出現與常識相悖的結果，證明其在MAIF 系統應用中的有效性。

1 多智能體信息融合

隨著人工智能的日益普及，智能體技術已經成為分布式人工智能領域的流行趨勢。具有自治和協作能力的智能體可以處理復雜、協作和不可預測的問題。他們可以隨著環境的變化修改目標、擴展知識、提高能力。由于能力和與其他智能體關系的限制，不可能使用單個智能體解決復雜問題。人工智能逐漸發展，不僅解決復雜的技術難題，還在現實世界中發揮重要作用，幫助應對各種大規模問題。這些問題超出了單個智能體的能力。因此，多智能體系統是近年來發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、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、獨立的系統替換為開放、分散的智能體系統；2）把集中式的智能系統擴展到不自主的、分散的智能系統。MAS 的主要研究內容是通過協商、調控與合作，使得多智能體系統能實現龐大紛雜的控制任務，或者是求解龐大繁雜問題。

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

信息融合是一個應用領域，涉及將分散在不同數據源、傳感器和系統中的數據整合起來，進行綜合分析和處理。將信息融合技術應用到MAS 中，提供更完整的判斷、評價和決策。使用適當的信息融合技術，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。

D-S 證據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化為可以量化和評估的概率分布，提供一種強有力的表達框架來分析和處理各種類型的不確定信息。D-S 證據理論是MAIF 中不確定信息處理的不錯選擇。

在現代工程應用中，電子信息系統趨向于高度集成、多組件和復雜功能。因此，并發性、突發性和復雜性是設備發生故障時可能出現的3 個主要問題[21]。在許多信息系統中，多源信息系統占據一定比例，它通常用于表示來自多個來源的復雜信息。然而，在信息融合和診斷過程中，許多學者開始關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 系統主要研究多個智能體之間的調節、交流和矛盾處理。它側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，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據，給出的結論也可能不一致，因為每個智能體使用的推理模型不一定相同。現已經有許多改進性能的嘗試，如分布式加權[24]和相對可靠性評估[25]。然而，它們并不側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論。