买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉大连理工大学申请的专利一种多智能体超图建模与表示方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116561376B 。

龙图腾网通过国家知识产权局官网在2026-02-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310190423.3，技术领域涉及：G06F16/901；该发明授权一种多智能体超图建模与表示方法是由于硕;黄华飞;王鹏飞;张强;丁锋设计研发完成，并于2023-03-02向国家知识产权局提交的专利申请。

本一种多智能体超图建模与表示方法在说明书摘要公布了：本发明属于图表示学习领域，提出一种多智能体超图建模与表示方法。首先将图表示学习过程定义为多智能体的优化过程；其次，将现有超图表示学习方法中的消息传递机制作为一种智能体的交互方式；接着，设计一种基于力的智能体交互方式；最后将两种智能体交互方式在下游任务上共同优化图模型，并利用优化后的图模型输出预测结果。本发明从多智能体的角度形式化了图表示学习问题，考虑了图中节点的高阶复杂关系，并将消息传递和基于力的交互结合起来，提升了现有超图方法的性能，并且适用于复杂场景中图学习任务。

本发明授权一种多智能体超图建模与表示方法在权利要求书中公布了：1.一种多智能体超图建模与表示方法，其特征在于，将图表示学习过程定义为多智能体的优化过程，将现有超图表示学习方法中的消息传递机制作为一种智能体交互方式，另设计一种基于力的智能体交互方式；将两种智能体交互方式在下游任务上共同优化图模型，通过优化后的图模型输出预测结果；具体步骤如下： 步骤1：从多智能体角度形式化图表示学习过程； 步骤1.1、定义智能体；将能够感知周围环境和其他智能体的物理或抽象实体定义为智能体；智能体能够与多智能体系统内其他成员通信，在与其交互时根据当前状态做出反应；任意给定智能体具有信息，为智能体集合； 表示的固有属性，表示当前状态，用于决策过程或其他任务； 将图表示学习中图的节点视为具有属性和状态的智能体；图的节点表示作为智能体的状态，节点的固有性质作为智能体的属性； 智能体组是基于特定功能的包含任意数量的智能体集合；一个智能体包含在多个智能体组中；是智能体组的集合；图中的边为一种智能体组；当一个智能体组仅包含两个智能体时，表示简单图中的成对关系； 步骤1.2、形式化图表示学习过程； 智能体通过交互接收其他成员传递的信息，然后根据其状态执行操作；一个多智能体系统中包括两种交互方式：第一种为全局交互，多智能体系统中的每个智能体都与所有其他智能体进行交互；第二种为组内交互，智能体在智能体组内进行交互，不与多智能体系统中的所在智能体组外的成员进行通信或影响；令表示某个交互方式，其中，是一个智能体组，表示发生交互的一组智能体个体，代表某种特定的交互操作，根据实际应用中多智能体系统环境决定； 给定一个多智能体系统，构成智能体图，其中，是智能体的集合，是智能体组的集合，为智能体交互方式的集合； 多智能体系统学习一个映射函数，用于计算下游任务中的智能体状态；然后通过智能体状态对下游任务进行预测，是多智能体图模型的预测，为下游任务的预测函数，为智能体节点的真实标签； 优化智能体的状态以满足多智能体系统中当前任务的要求；根据给定的下游任务，为下游任务的集合以及优化过程，智能体通过与其他成员协作通信来迭代更新其状态信息，以获得最佳任务性能； 步骤2：将超图表示学习方法中的消息传递机制作为一种智能体的交互方式，其为组内交互； 根据现有图的消息传递机制，将其扩展于超图表示学习中，根据普通边的消息传递，拓展到根据超边的消息传递机制；超图的消息传递机制统一表示为如下形式； ； 其中，表示超边，是超边的集合，其中每个超边都与节点相关联；消息函数通过超边的拓扑结构聚集节点的关于超边上邻域节点的信息；更新函数融合了所有与节点关联的和上一层的输出，并输出下一层；对于智能体，获得表示向量为，而整个图的表示向量的矩阵则为，将最后一层的输出标记为智能体的状态； 步骤3：设计一种基于力的智能体交互方式，包括组内交互的吸引力交互方式和全局交互的排斥力交互方式； 步骤3.1将弹簧电荷模型拓展到超图表示学习中，使其适用于智能体组；对给定智能体，与其在同一超边中的智能体相互吸引，吸引力之和计算如下：  ； 其中，是任意一个包含第个智能体的超边，表示智能体的状态，由图模型的最后一层输出，超参数为控制智能体之间吸引力的比例，值越大吸引力越大，对应的智能体之间状态的距离越有接近的趋向； 步骤3.2定义弹簧电模型中的排斥力，第个智能体的排斥力之和表示如下： ； 其中，是智能体集合中智能体的总数量，和同样是控制力大小的超参数，为正数向量，设置为常数向量； 步骤3.3智能体的吸引力和排斥力的共同作用表示为； 步骤4：将步骤2和步骤3的两种智能体交互方式共同优化图模型，使用优化后的图模型预测结果； 步骤4.1选择半监督节点分类作为下游任务，并使用智能体的表示进行预测；智能体的软标签预测为： ；其中，是步骤2最终输出的第个智能体的状态； 步骤4.2下游任务的损失函数为交叉熵损失，其描述如下：  ； 其中，为节点的标签向量，一共有类，在正确的类别的维度上为1，其他维度为0； 步骤4.3基于吸引力和排斥力的损失函数，表示如下： ； 步骤4.4最终损失函数包括和，并通过Adam优化器不断训练优化，直到获得最佳性能；最终损失函数表示为： ； 其中，是控制损失率的超参数； 步骤4.5使用优化后的超图模型输出下游任务的预测结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。