在自治计算环境中,自治元素有自主管理的特性,没有“超级”元素对它们的行为统一调度和指挥。因此协商成为了自治元素在合作时解决利益冲突与任务分配问题的必然选择。本文应用人工智能和分布式人工智能的方法,从协商的外部环境与内部推理两方面入手,研究了自动服务协商的理论,架构和决策模型等内容,主要创新成果如下:1)建立了一个多方参与的自动服务协商基础架构。根据自治计算的特性,本文提出的协商基础架构满足了以下三个方面的要求:①灵活性:任何Agent都可以自由选择是否参与协商、和谁进行协商,并可以同时与多个对手进行协商。②分布性:所有协商实例的协商过程不需要第三方的直接参与,单个实例的建立和结束不会破坏整个协商环境。③动态性:任何的参与者都能“随时”地参与或退出协商,协商实例可以动态地建立和结束。2)为了解决协商Agent“可信”与“自治”的矛盾,提出了一个分层的协商决策模型。模型分为两个层次:宏观指示层与微观行为层。用户通过宏观指示层为协商Agent提供“粗粒度”的指导,这样使得协商过程变得可控,从而达到可信。而微观行为层则会根据宏观指示层的指令,和环境与对手的信息,灵活地决定具体协商动作,这样保留了协商Agent“自治”性的特点。3)基于对手协商态度的微观行为层模型。针对自治计算环境中协商信息私密性特点,提出了一个基于对手协商态度的微观行为层模型。在该模型中,首先通过支持向量机学习标注了对手态度的协商历史数据,得到协商态度计算函数。用此函数计算出对手在协商过程中的态度。最后微观行为层模型权衡对手态度和己方权重计算出具体的反建议值。实验结果表明,该模型能有效减少协商的时间,增加协商双方的联合效用。4)基于对手效用函数估计的协商决策模型。模型通过学习协商历史数据获得对手的近似效用函数,然后综合考虑自身和对手的效用做出最优的协商动作。该模型克服了传统的协商决策模型需要预先获取对手私有信息或应用领域相关先验知识的制约。实验表明在信息保密和没有先验知识的条件下,此模型仍能表现出较高的效率和效用。5)挖掘协商中的近似时态关联规则。针对协商中时态关联近似性的特点,提出了一种基于聚类的近似时态关联规则挖掘方法。此方法通过对特定关联模式的实例进行聚类,以找出满足给定条件的时态关联规则,并给出规则中各属性取值和关联间隔约束的有效范围。实验表明近似时态关联规则较一般的关联规则而言,具有更强的灵活性和适应性,且更适合描述协商中的时态关联。