基于对偶分解的分布式协同编队飞行研究

针对多智能体编队飞行问题,提出一种新的基于对偶分解的分布式算法,以实现协同航迹规划。首先,将编队飞行问题建模为受线性动力学约束的优化问题,其目标函数中包括智能体各自的独立目标(例如跟踪参考轨迹)以及系统的全局目标(例如总燃料消耗、编队队形等)。其次,为了分布式地求解该优化问题,将其对偶问题分解,把大计算量的原问题转化为多个小的子问题。最后,设计了协同分布式规划算法,并对其收敛性和最优性进行了理论证明。由于该算法只需相邻智能体间的通信,因此具有很强的可扩展性,并能适用于通信能力受限情况下的编队飞行。仿真结果表明,提出的分布式算法能有效地进行协同编队飞行规划;同时通过与集中式方法的比较,其最优性和收敛性得到了验证。     

一种改进多目标灰狼优化算法的多无人机任务分配

针对多无人机对空中移动目标协同执行多任务问题,本文提出了一种基于并行机制的多目标灰狼优化算法。结合无人机空中态势模型,以最小化执行代价和最小化时间代价为双目标函数,建立了多无人机协同多任务分配模型;将多个无人机视为并行的灰狼子群,对每个子群分别采用分层编码和多目标优化算法保留其最优个体;通过档案室共享策略获得整个群体的最优解;仿真对比验证了改进多目标灰狼优化算法与传统的智能算法。研究结果表明:与多目标灰狼优化算法和多目标粒子群算法相比,基于并行机制的多目标灰狼优化算法在代价函数均值方面分别降低了约3.8%和4.1%,在收敛值方面分别降低了约15.5%和6.2%,具有更好的稳定性和收敛性。     

最小事件间隔时间可设计的分布式事件触发优化算法

针对多智能体系统中的分布式凸优化问题,本文提出一种基于自适应事件触发机制的零梯度和优化算法.基于虚拟时钟设计了一种自适应事件触发条件,当每个智能体的虚拟时钟满足该条件时才触发条件,有效地降低了控制器的更新次数和系统的通信负担.通过构造李雅普诺夫函数,证明了在该算法下所有智能体的状态能渐近收敛到全局最优解.此外,所设计的事件触发条件使得最小事件触发间隔时间可设计,有效地排除Zeno行为.最后,通过仿真验证了该算法的有效性.     

基于鞍点方程的分布式经济调度算法

为了实现智能电网的安全稳定经济运行,针对电力系统中广泛研究的经济调度问题,受到一致性模型和鞍点动态法的启发,提出基于一阶连续系统的分布式算法. 该算法考虑了迭代过程中节点生产能力和网络总负荷需求的约束,且每个节点只知道自身的代价函数. 为了解决上述约束,该算法设计3种对应的拉格朗日乘子. 为了实现控制参数的常量化,该算法添加了一个变量,用于平衡局部梯度差值. 由于有向网络的权矩阵是非对称的,该算法引入一变量用于平衡各有向边的权增益. 通过节点局部梯度与拉格朗日乘子,获取节点输出功率. 实验结果表明,该算法针对经济调度问题是可行且有效的.     

时变领航情况下多智能体网络一致性分析与应用

针对个体动态为一阶积分器的多智能体网络,研究时变领航情况下网络的一致性.当只有部分个体已知领航者状态时,基于智能体间的相对状态,提出分布式控制协议,应用图论、矩阵理论和稳定性理论给出有向固定拓扑网络实现一致的充要条件及算法.拓展算法至当智能体间具有固定相对状态偏差时,给出分布式控制协议和网络实现一致的充要条件及算法.仿真实验结果表明:基于文中算法的控制协议可以实现只有部分智能体已知时变领航情况下的一致性追踪,基于拓展算法的控制协议可使多车辆在一定时间保持理想编队.该研究结果对于多智能体协调控制问题具有参考意义,也为多车辆编队控制问题提出新的思路.     

机动目标跟踪的分布式MIMO雷达资源分配算法

在分布式多输入多输出雷达平台下,将发射功率和信号带宽联合优化分配,目的是在资源有限的情况下提高机动目标的跟踪精度.该方法首先推导了机动目标跟踪误差的贝叶斯克拉美罗下界,然后以最小化贝叶斯克拉美罗下界为目标,建立了包含发射功率和带宽两个优化变量的代价函数,并用循环最小化算法结合凸松弛和凸优化进行求解.仿真结果表明,该算法能明显提高机动目标的跟踪精度.     

基于网络效用与寿命的无线传感器网络跨层优化

为有效提高无线传感器网络在节点能量、存储与计算能力资源受限条件下的网络能力,提出了一种基于网络效用与功耗的跨层资源优化算法。综合物理层功率控制、Mac层接入控制、传输层流量控制模型,以网络效用和寿命为优化目标,建立了以拥塞代价和能量代价为基础的网络协同优化机制,采用垂直分解理论实现优化目标的逐层分解,推导出基于节点的功耗、链路接入概率和速率的更新公式,实现了分布式的优化解决方案。     

Ad Hoc网络中信道自适应多径路由算法

针对自组织移动通信网络,研究了基于自适应调整和编码的多径路由算法。该算法根据信道条件和业务量优化分组在多条路径上的路由,实现整个网络平均分组时延最小的目标。考虑寻找路由以及存储路由表的代价和开销因素,多径路由限制为2条路径,使业务在最小代价路径和次小代价路径中分配。仿真结果表明,最多2条路径的信道自适应路由算法可以获得较小的网络时延。     

基于CS-PSO算法的电池储能系统多目标优化运行策略

为了充分发挥储能系统在智能配电网中的积极调节作用,提出了一种统一为成本量纲的电池储能系统多目标优化运行模型。该模型以一个完整调度周期的配电网购电成本、网络损耗费用及电压调节费用均最小为目标函数,以电池储能系统的充/放电功率为控制变量,并确保储能系统在整个调度周期的能量守恒及容量约束。再应用层次分析法计算各子目标权重,化多目标函数为单一综合目标函数。针对所提出的电池储能系统优化运行模型,提出一种改进的混合粒子群优化算法—纵横交叉粒子群优化(CS-PSO)算法。将纵横交叉算子引入粒子群算法,并采用交叉搜索的方法以维护种群多样性,再以电池荷电状态为粒子位置矢量元素,实现完整调度周期内储能系统优化运行策略的求解。最后,对含高渗透率分布式发电单元和电池储能的IEEE34节点算例进行仿真,对比分析了3个单一单目标与本文多目标的优化结果以及3种智能优化算法的计算性能,还分析了储能系统优化运行对系统电压质量的影响。仿真分析结果表明:多目标优化能够充分利用储能系统为配电网提供多种服务,使配电网获得最大综合效益;CS-PSO算法在求解非线性规划问题时具有很好的收敛特性及较高的计算效率,从而验证了所提模型及算法的有效性。     

一种基于性能和代价的多传感器管理算法

针对多传感器环境下目标的跟踪性能和传感器使用代价之间的矛盾,提出了一种新的多传感器管理算法.该算法建立由卡尔曼滤波误差协方差矩阵的迹和传感器代价组成的目标函数,通过选择使该目标函数最小的传感器组合以实现对传感器的有效管理,可较好地解决目标的跟踪性能与传感器使用代价之间的矛盾,使得两者之间达到一个最佳的平衡.     

基于多智能体强化学习的社交网络舆情增强一致性方法

针对社交网络舆情动力学的增强一致性问题,提出了一种基于多智能体强化学习的智能感知模型(Consensus Opinion Enhancement with Intelligent Perception, COEIP) 。在舆情动力学场景下的马尔科夫决策过程中,首先通过双向循环神经网络设计了智能体的决策模型以解决智能体不定长感知的问题。然后通过差分奖励的思想针对收敛效率、连通度和通信代价三类目标,设计了有效的奖励函数。最后为优化COEIP模型,设计了基于策略梯度的多智能体探索与更新算法,让智能体在彼此交互过程中,通过奖励值自适应学习具备多目标权衡能力的邻域选择策略。大量仿真验证了COEIP在社交网络舆情动力学场景下可以有效调和智能体间的矛盾,降低系统稳定时的簇数,进而增强系统的舆情一致性。本模型为大规模社交网络下提高人群意见的统一性提供了新的解决方案,具有重要的理论指导意义。     

多信道无线多跳网络的跨层优化

为提高多信道无线多跳网络的效用,提出了一种实际可行的跨层优化机制.  利用该机制,每个节点在传输层使用联合设计算法分布式地调整流速率,在链路层根据所提出的分布式调度算法进行速率分配;网关节点使用所提出的干扰代价最小的信道分配算法集中式地分配信道.  通过在层间和节点间传递信息来协调这些层的工作,比集中式算法降低了复杂度,减少了信令开销.  仿真结果表明,该机制具有快速收敛性,且能保证业务流间的公平性;随着可用射频和信道数目的增加,业务流的速率和网络效用增加.     

基于多智能体深度强化学习的无人机路径规划

为解决多无人机(unmanned aerial vehicle, UAV)在复杂环境下的路径规划问题，提出一个多智能体深度强化学习UAV路径规划框架.该框架首先将路径规划问题建模为部分可观测马尔可夫过程，采用近端策略优化算法将其扩展至多智能体，通过设计UAV的状态观测空间、动作空间及奖赏函数等实现多UAV无障碍路径规划；其次，为适应UAV搭载的有限计算资源条件，进一步提出基于网络剪枝的多智能体近端策略优化(network pruning-based multi-agent proximal policy optimization, NP-MAPPO)算法，提高了训练效率.仿真结果验证了提出的多UAV路径规划框架在各参数配置下的有效性及NP-MAPPO算法在训练时间上的优越性.     

粒子群算法在多传感器多目标跟踪的应用

多传感器多目标跟踪系统中,数据关联是其中的关键问题之一.它可以表述为多维分配问题,提出了基于粒子群优化算法的多维分配算法,它将多维分配问题中的目标代价函数极小化问题作为组合优化问题求解.通过在粒子群初始化步骤以及交叉和变异时充分考虑确认备选量测,缩小优化搜索范围,能较快找到最优解实现关联.在虚警和漏检、密集目标环境下,该算法应用于多传感器多目标融合系统仿真,结果表明所述算法在多目标数据关联中有较好的可行性和优越性.     

基于改进遗传算法的电网无功补偿优化控制研究

电网无功功率补偿优化控制是一个多元非线性动态约束问题,传统的电网无功补偿非线性规划方案都需要精确的数学物理模型,且各参变量间的协调性较差,很难满足电网多目标优化控制的工程需要.利用改进蚁群算法分布式协同组合优化的思想,建立以电压越限畸变为惩罚函数,以电压和无功补偿综合满意度为目标函数的电网无功补偿优化控制模型.实例仿真试验表明,基于改进遗传算法的电网无功优化控制模型,通过自适应的目标函数最大路径寻优,获得电网无功功率补偿装置较优越的无功补偿组合,提高了电网无功补偿的综合效率,有利于系统电压的稳定性,为电网无功优化提供了一个新的智能运算模型.     

多目标资源受限项目调度的多种群蚁群算法

为实现资源受限项目调度的多目标优化,通过改进传统蚁群算法,提出适用于多目标优化的多种群蚁群算法.该算法基于串行进度生成机制,每个蚁群具有各自的目标函数、与目标函数相匹配的不同搜索策略以及各自的信息素更新机制.各蚁群独立进行搜索决策,但各蚁群之间存在信息素的相互作用,从而实现加速搜索.针对多目标资源受限项目调度问题设计新的精英策略.在目标规划基础上构造一系列多目标项目调度算例,经系统测试表明,所提出的多种群蚁群算法能够有效优化资源受限项目的资源配置,实现多目标优化.     

基于相对状态符号信息的分布式优化算法

针对网络化多智能体的分布式优化问题,本文讨论一种只利用邻居相对状态的符号信息的分布式算法.该算法不要求与图相关的权重矩阵是双随机矩阵.首先利用优化理论中的惩罚函数法解释该算法,然后分析算法在静态图上的收敛性以及收敛速度.与现有使用邻居相对状态的完整信息的分布式梯度下降算法相比,所提算法的收敛速度并没有本质上降低.另一方面,将所提算法扩展到确定性和随机性的时变图上,并给出相应的收敛性结论.最后,通过数值仿真实验验证算法的有效性.     

一种基于动态事件触发的分布式优化算法

针对多智能体系统优化问题,提出一种基于动态事件触发机制的分布式优化算法.基于李雅普诺夫函数方法设计一种新型的动态事件触发控制器,相较于传统静态事件触发控制方法,所提出算法可有效降低多智能体间通信负担以及控制器计算负担.此外,利用周期采样信息进行事件触发条件设计,可避免智能体连续检测事件触发条件,并可消除Zeno现象.通过数值仿真验证了算法的有效性.     

定位-运输路线安排问题的一种启发式算法研究

定位-运输路线安排问题（LRP）是分销网络设计和物流管理决策中的难题,属于NP难问题,求解有一定难度.文章通过构造辅助函数对优化问题约束条件的处理,基于分层次实现多个目标的思路将LRP看作一个整体,利用具群体智能的粒子群算法进行求解,避免了基于两阶段算法的不足,减小了在进化过程中停滞于局部最优解的概率.为粒子群算法在大规模组合优化问题中实际应用做了有益的尝试.     

无线传感器网络任务分配的粒子群优化算法

为延长网络生命周期,减少网络能量消耗和均衡网络负载,引入了离子群优化算法,提出了一种基于离散粒子群优化的任务分配算法.该算法根据任务总完成时间和能量损耗,建立代价函数,实现优化任务分配策略.引人变异算子,很好地保持了种群的多样性并提高了算法的全局搜索能力.仿真实验结果表明算法是可行的和有效的.