说明 这是一个snmp agent开发包，完全支持snmpv1和snmpv2c（目前暂时不支持Counter64）的 各种操作包括get,getnext,getbulk,set和v1,v2两种Trap。用户编写程序时不需考虑协议 细节，程序框架由mib编译器自动生成，使用时，只要在框架中填入应用相关的逻辑即可。 windows版本可以支持的编译器： ms visual c++ 6.0 borland c++ 5.0 borland c++ builder 5.0 lcc 开发包的组成： 1.mib编译器 mib2c 将mib编译成c文件和头文件 2.Agent LIB的头文件 3.Agent LIB库，包括vc,bc,bcb下的库文件 4.例子

多Agent系统引论(三个压缩包) (英)Michael Wooldridge著，石纯一等译 网上唯一完整高清pdf版，亲自加有各章书签。感谢“原版-miaoziao”

多Agent系统引论(三个压缩包) (英)Michael Wooldridge著，石纯一等译 网上唯一完整高清pdf版，亲自加有各章书签。感谢“原版-miaoziao”

面向Agent 的软件工程 面向Agent 的软件工程是当今软件工程中新的研究热点 相对于原有的开发方式, 在当今 软件系统越来越复杂的开发活动中, 特别是在用Agent 表示高层次抽象行为实体的软件系统中, 通过组 织Agent 成为具有独立能力和协作的部件, 形成比已有的软件方法更加适合的开发方法 在开发基于A gent 系统中采用高层次~ 特殊软件工程方法研究的基础上, 讨论并分析了这些方法的特点, 以及软件工 程中相关技术针对Agent 实现的扩充, 为实际建立基于Agent 的软件系统提供了参考

人工智能-搜索引擎

Smell Agent Optimization (SAO)（2021年提出）（智能优化算法matlab代码）（论文）.zip 本文介绍了对一些 CEC数值优化基准函数的称为气味代理优化 (SAO)的新元启发式算法的广泛研究 和混合可再生能源系统（HRES）工程问题。SAO 实现了气味代理和蒸发气味分子的对象之间的关系。这些关系被建模为三种独立的模式，称为嗅探模式、尾随模式和随机模式。当气味分子从气味源向代理扩散时，嗅探模式模拟代理的气味感知能力。尾随模式模拟代理跟踪气味分子的一部分直到其来源被识别的能力。然而，随机模式是代理用来避免陷入局部最小值的一种策略。对 37 个常用的 CEC 基准函数和 HRES 工程问题进行了测试，并将结果与​​其他 6 种元启发式方法进行了比较。实验结果表明，SAO 可以在 76% 的基准函数中找到全局最优值。同样，统计结果表明，SAO 也获得了最具成本效益的HRES 设计与基准算法的比较。 针对 CEC 基准功能和混合再生能源系统（HRES，提出了一种新的启发式算法——嗅觉代理优化（Smell Agent Optimization，SAO）工程优化问

zabbix windows插件，亲测好用

健身房 基于OpenAI Gym的多代理环境的集合。 安装 使用PyPI： pip install ma-gym 直接从来源： git clone https://github.com/koulanurag/ma-gym.git cd ma-gym pip install -e . 参考： 如果您想引用它，请使用此bibtex： @misc{magym, author = {Koul, Anurag}, title = {ma-gym: Collection of multi-agent environments based on OpenAI gym.}, year = {2019}, publisher = {GitHub}, journal = {GitHub repository}, howpublish

针对合同网下的多agent系统,基于集合覆盖理论提出了一种解决子任务分配的严格启发式搜索算法；并分析了该算法的收敛性及渐进时间复杂度；证明了其搜索结果的上确界。该算法具有分布性,搜索空间缩减快,适合于中小型的多agent系统的子任务分配。

计算机软件新技术agent课件，济南大学，硕士研究生。2008.12.31