一种多智能体协作中形成联盟的机制

提出了一种联盟形成的机制，采用按劳分配的方法，可以使系统达到全局最优化解，并且保持稳定。文中用Postman问题对机制进行了例证。并对该机制进行了性能分析，证明了它的优越性。     

多任务联盟形成中的Agent行为策略研究

Agent联盟是多Agent系统中一种重要的合作方式,联盟形成是其研究的关键问题.本文提出一种串行多任务联盟形成中的Agent行为策略,首先论证了Agent合作求解多任务的过程是一个Markov决策过程,然后基于Q-学习求解单个Agent的最优行为策略.实例表明该策略在面向多任务的领域中可以快速、有效地串行形成多个任务求解联盟.     

一种基于利益均衡的联盟形成策略

联盟形成是多Agent系统中的一个关键问题,主要研究如何在联盟内Agent间划分联盟效用,使Agent在决策时愿意形成全局更优的联盟.但已有策略对额外效用的平均分配没有顾及后加入联盟的Agent的利益,不利于全局优化联盟的形成.对此,给出一种基于利益均衡的联盟形成策略,在非减性效用分配等原则的基础上,提高了对额外效用分配的合理性,在面向任务的领域中可以达到全局优化解,较好地满足了稳定性、时效性以及分布等要求.     

基于熟人的Agent联盟策略

在多ａｇｅｎｔ系统中,ａｇｅｎｔ可以通过协商形成联盟来完成任务求解。本文基于ａｇｅｎｔ联盟的统计规律提出了ａｇｅｎｔ熟人的概念,以熟人为基础的联盟策略可以有效减少联盟形成过程中的通讯开销和计算量。随后给出了一种基于该策略的联盟竞争任务的算法,该算法适用于动态,开放的环境、无中心控制,不存在通讯和计算瓶颈。     

一种基于理性Agent的任务求解联盟形成策略

联盟形成是多 agent 系统中的一个关键问题, 主要着眼于如何在联盟内 agent 间划分联盟的效用. 但已有策略无法摆脱搭便车问题, 尤其是额外效用的分配没有确切反映出各 agent 对于联盟贡献的差异性, 导致联盟潜在的不稳定. 本文给出了一种新的联盟形成的行为策略, 在公平分配原则和无妒忌原则的基础上, 提高了对额外效用分配的合理性, 在具有超加性的面向任务的领域中可以形成全局最优联盟, 并具有 Nash 均衡意义下的稳定性.     

单线列车调度问题的双向阻塞车间调度模型及其粒子群求解算法

针对单线列车调度问题的特点,以线路中列车的总运行时间最小为目标,建立了可以直观描述问题解空间的双向阻塞车间调度模型,并提出了一种有效的离散粒子群优化算法进行求解。该算法基于双向阻塞车间调度模型设计了排列编码形式,从而可确定列车的运行顺序,同时利用随机策略和运行时间最短优先策略选择列车运行轨道;算法在求解过程中,提出了列车冲突的检测和化解方法,并按照“调度-检测冲突-化解冲突”的步骤逐区段调度列车运行;最后,利用离散粒子群优化算法进行全局优化,得到问题的最优解。仿真实例表明,所得模型和算法能够高效地求解单线列车调度问题。     

进化策略求解Hopfield神经网络

提出了一种进化策略求解ＨＯｐｆｉｅｌｄ神经网络的方法。该进化策略分三个阶段,即第一阶段只在较小区间上求出局部优化解;然后,在此基础上,由第二阶段求出较大区间上的局部优化解;最后由第三阶段求出全局优化解。同时采用Ｈｏｐｆｉｅｌｄ神经网络动态方程指导第一阶段的局部进化策略的进化方向,因而大大加快了优化搜索速度。在分阶段的进化策略中,其第一阶段只需搜索较小区间、第二和第三阶段的搜索则建立在其前一阶段的基     

多主体系统中的联盟形成技术综述

本文给出了多主体联盟技术的定义，介绍了联盟形成的行为规范机制、CFG对策及其它的联盟形成模型。最后，给出了该领域的研究展望。     

分布式问题求解中联盟结构的形成

分布式问题求解中各个智能体是非理性的(即无私的),不计较个体的付出,所以联盟/联盟结构的形成不涉及报酬的分配问题.针对这一特点并联系实际,建立了切实可行的报酬计算函数,由此建立了子任务序列有优先关系的联盟结构的数学模型,并运用多智能体遗传算法对模型进行了验证.在仿真计算过程中分别采用串行/并行求解策略和同步/异步交叉/变异算子形成联盟结构,并根据结果比较了不同策略的效率.     

一类Boltzmann & Darwin混合寻优策略的收敛特性研究

基于文［１］提出的求解组合最优化问题的Ｂｏｌｔｚｍａｎｎ＆Ｄａｒｗｉｎ混合寻优策略，本文进一步分析研究了Ｂｏｌｔｚｍａｎｎ＆Ｄａｒｗｉｎ混合寻优策略非时齐情形下的收敛特性，包括全局收敛性和收敛速度。结果表明，Ｂｏｌｔｚｍａｎｎ＆Ｄａｒｗｉｎ混合寻优策略的收敛特性优于模拟退火（ｓｉｍ－ｕｌａｔｅｄ ａｎｎｅａｌｉｎｇ）方法的收敛特性。     

一种基于按劳分配原则的联盟形成策略

联盟形成主要研究如何在联盟内Agent间划分联盟效用,使Agent在决策时愿意形成更优的联盟。但是已有的联盟形成策略对额外效用的平均分配没有考虑到每个Agent对联盟的贡献大小以及加入后的利益,不利于联盟的形成。提出一种基于按劳分配原则的联盟形成策略,该策略运用按能力分配原则对额外效用进行合理分配,体现了“能者多劳,多劳多得”的特点,维护了个体间的利益,优于Shapley值方法和平均分配法,较好地满足了联盟的稳定性和时效性等要求。     

Multiple UAV Coalitions for a Search and Prosecute Mission

Unmanned aerial vehicles (UAVs) have the potential to carry resources in support of search and prosecute operations. Often to completely prosecute a target, UAVs may have to simultaneously attack the target with various resources with different capacities. However, the UAVs are capable of carrying only limited resources in small quantities, hence, a group of UAVs (coalition) needs to be assigned that satisfies the target resource requirement. The assigned coalition must be such that it minimizes the target prosecution delay and the size of the coalition. The problem of forming coalitions is computationally intensive due to the combinatorial nature of the problem, but for real-time applications computationally cheap solutions are required. In this paper, we propose decentralized sub-optimal (polynomial time) and decentralized optimal coalition formation algorithms that generate coalitions for a single target with low computational complexity. We compare the performance of the proposed algorithms to that of a global optimal solution for which we need to solve a centralized combinatorial optimization problem. This problem is computationally intensive because the solution has to (a) provide a coalition for each target, (b) design a sequence in which targets need to be prosecuted, and (c) take into account reduction of UAV resources with usage. To solve this problem we use the Particle Swarm Optimization (PSO) technique. Through simulations, we study the performance of the proposed algorithms in terms of mission performance, complexity of the algorithms and the time taken to form the coalition. The simulation results show that the solution provided by the proposed algorithms is close to the global optimal solution and requires far less computational resources.     

局部信息的分布式联盟结构生成算法

已有的求解最优联盟结构方法大多假定Agent的全局信息已知,采用集中式求解思路,这种假设不适用于分布式环境,且没有充分利用Agent的自治性。在多Agent环境下,个体Agent往往只拥有部分联盟信息并且是自利的,如何在局部信息条件下寻找最优联盟结构是多Agent系统需要解决的关键问题。针对以上问题,基于个体Agent的局部信息及系统整体收益的考虑,通过局部Agent之间的优势信息传递,给出了最优联盟结构的分布式求解算法。该算法的特色是在局部最优假设下,通过局部信息的指导,n个Agent在深度方向上自顶向下对联盟结构图的并行搜索,从而达到缩短搜索时间,降低搜索复杂度的目的,该算法的时间复杂度为O（n2）。     

多主体目标优化的动态合作博弈方法*

通过多目标优化和动态合作博弈理论,定义了联盟中多主体目标优化问题,提出了能够适应动态环境的基于合作博弈的多主体目标优化模型。该模型的组成一方面能够利用主体的协作能力,另一方面又能够充分考虑动态联盟的特征,适合大规模网络中多主体协作,避免模型中主体理性和团体理性的冲突。基于所提出的多主体目标优化模型,设计了一种联盟效用分配算法。仿真实验表明,联盟效用分配算法能够使多主体根据最优共识原则,分配各方的合作效用,从而达到多赢的帕累托最优局面。     

基于云环境的高效任务调度算法

高效的任务调度是云服务提供商高效处理业务并降低运营成本的关键。针对云环境下的任务调度问题,提出一种贪心模拟退火的新型算法。首先,利用贪心算法求出局部最优解,并用它来初始化所提新型算法的当前最优解及模拟退火算法的初始解;然后,采用模拟退火算法来不断更新当前最优解。实验结果表明,与传统调度算法相比,所提算法能够更快地达到全局收敛,并得到更加稳定的寻优结果,提高了寻优的质量和效率;同时,该算法不仅减少了总任务时间开销,而且使虚拟机的平均资源利用率稳定在99%以上,负载也更加均衡。     

一种AGENT任务求解联盟形成策略

Agent联盟是一组平等的、协作的、共同承担任务的Agent的集合．联盟的形成往往需要较大的通信开销和计算工作量．本文提出一种Agent形成联盟的策略，该策略在系统运行的初始阶段，保证任务分配的优化解．而在随后的运行中基于成功合作者集形成Agent联盟．该策略保证在接近任务分配优化解的情况下，有效减少系统中的可能联盟数以及联盟形成过程中的通信开销和计算量，避免联盟形成过程中的盲目性，节省协商时间提高协商效率．     

基于形状先验和图割的彩色图像分割

基于图割理论的图像分割方法在二值标号问题中可以获取全局最优解,而在多标号问题中可以获取带有很强特征的局部最优解。但对于含有噪声或遮挡物等复杂的图像,分割结果不完整,效果并不令人满意,提出了一种基于形状先验和图割的图像分割方法。以图割算法为基础,加入形状先验知识,使该算法包含更多约束信息,从而限制感兴趣区域的搜寻空间,能够更好地分割出完整的目标,增加了算法的精确度。针对形状的仿射变换,运用特征匹配算法进行处理,使算法更加具有灵活性,能够应对不同类型的情况。实验表明了该算法的有效性。