In multiagent systems, agents often have to rely on other agents to reach their goals, for example when they lack a needed resource or do not have the capability to perform a required action. Agents therefore need to cooperate. Then, some of the questions raised are: Which agent(s) to cooperate with? What are the potential coalitions in which agents can achieve their goals? As the number of possibilities is potentially quite large, how to automate the process? And then, how to select the most appropriate coalition, taking into account the uncertainty in the agents' abilities to carry out certain tasks? In this article, we address the question of how to find and evaluate coalitions among agents in multiagent systems using MCS tools, while taking into consideration the uncertainty around the agents' actions. Our methodology is the following: We first compute the solution space for the formation of coalitions using a contextual reasoning approach. Second, we model agents as contexts in Multi-Context Systems (MCS), and dependence relations among agents seeking to achieve their goals, as bridge rules. Third, we systematically compute all potential coalitions using algorithms for MCS equilibria, and given a set of functional and non-functional requirements, we propose ways to select the best solutions. Finally, in order to handle the uncertainty in the agents' actions, we extend our approach with features of possibilistic reasoning. We illustrate our approach with an example from robotics.

中文翻译：

---

联盟形成的背景和可能性推理

在多智能体系统中，智能体通常不得不依赖其他智能体来实现他们的目标，例如当他们缺乏所需的资源或没有能力执行所需的操作时。因此，代理商需要合作。然后，提出的一些问题是：与哪些代理合作？代理可以实现其目标的潜在联盟是什么？由于可能性的数量可能非常大，如何使过程自动化？然后，如何选择最合适的联盟，同时考虑到代理执行某些任务的能力的不确定性？在本文中，我们解决了如何使用 MCS 工具在多代理系统中查找和评估代理之间的联盟的问题，同时考虑代理行为的不确定性。我们的方法如下：我们首先使用上下文推理方法计算形成联盟的解决方案空间。其次，我们将代理建模为多上下文系统 (MCS) 中的上下文，并将寻求实现其目标的代理之间的依赖关系建模为桥梁规则。第三，我们使用 MCS 均衡算法系统地计算所有潜在联盟，并给出一组功能和非功能要求，我们提出了选择最佳解决方案的方法。最后，为了处理代理行为的不确定性，我们用可能性推理的特征扩展了我们的方法。我们用机器人学的一个例子来说明我们的方法。以及寻求实现目标的代理之间的依赖关系，作为桥梁规则。第三，我们使用 MCS 均衡算法系统地计算所有潜在联盟，并给出一组功能和非功能要求，我们提出了选择最佳解决方案的方法。最后，为了处理代理行为的不确定性，我们用可能性推理的特征扩展了我们的方法。我们用机器人学的一个例子来说明我们的方法。以及寻求实现目标的代理之间的依赖关系，作为桥梁规则。第三，我们使用 MCS 均衡算法系统地计算所有潜在联盟，并给出一组功能和非功能要求，我们提出了选择最佳解决方案的方法。最后，为了处理代理行为的不确定性，我们用可能性推理的特征扩展了我们的方法。我们用机器人学的一个例子来说明我们的方法。我们用可能性推理的特征扩展了我们的方法。我们用机器人学的一个例子来说明我们的方法。我们用可能性推理的特征扩展了我们的方法。我们用机器人学的一个例子来说明我们的方法。