多智能体社会进化算法的动力学分析

通过一个简化的2-bit问题对多智能体社会进化算法(MASEA)中的进化算子及其组合进行形式化描述,分析了MASEA的全局动力学形态。针对算法中的进化算子建立数学模型,通过分析模型中各个不动点的吸引性,揭示出不同进化算子对动力学形态的影响,证明了算法MASEA的全局收敛性。     

多智能体差分进化算法

基于多智能体与差分进化算法的各自优势,充分地将对多智能体环境的感知和反作用于环境的能力与差分进化速度和全局寻优能力有机结合,提出一种多智能体差分进化算法.引入差分进化算子以提高智能体更新速度并保持群体多样性,同时应用正交交叉算子以改善智能体协作特性确保有效竞争,并通过局部寻优算子提高算法的寻优精度.对几种典型测试函数进行了测试,实验结果表明所提出的算法具有较强的全局寻优能力.     

组织进化算法求解SAT问题

基于组织的概念设计了一种新的进化算法——求解SAT问题的组织进化算法(Organizational Evolutionary Algorithm for SAT problem，0EASAT)．OEASAT将SAT问题分解成若干子问题，然后用每个子问题形成一个组织，并根据SAT问题的特点设计了三种组织进化算子——自学习算子、吞并算子和分裂算子以引导组织的进化．根据组织的适应度，将所有组织分成两个种群——最优种群和非最优种群，然后用进化的方式来控制各算子，以协调各组织间的相互作用．OEASAT通过先解决子问题，再协调相冲突变量的方式来求解SAT问题．由于子问题的规模较小，相对于原问题来说较容易解决，这样就达到了降低问题复杂度的目的．实验用标准SATLIB库中变量个数从20-250的3700个不同规模的标准SAT问题对OEASAT的性能作了全面的测试，并与著名的WalkSAT和RFEA2的结果作了比较．结果表明，OEASAT具有更高的成功率和更高的运算效率．对于具有250个变量、1065个子句的SAT问题，OEASAT仅用了1．524s，表现出了优越的性能．     

一种基于多智能体进化的广义图染色算法

基于对广义图染色问题的研究,提出了一种求解广义图染色问题的多智能体进化算法(multiagent evolutionary algorithm for T-coloring problem,简称MAEA-TCP),并将该算法应用到实际中的频率分配问题上,取得了良好的效果.该方法中每个智能体作为一个候选解被固定在智能体网格上,为了增加自身能量而与邻域当中的智能体展开竞争或者合作,同时智能体也可以利用自身的知识进行自学习来增加能量.根据广义图染色问题的特点,为智能体设计了3种算子:竞争算子、自学习算子和变异算子,以引导其进化,并用进化的方式来控制各算子,以协调智能体之间的相互作用.在实验中,分别使用大规模的随机图实例和费城实例来测试算法性能,同时给出参数测试结果和最佳取值区间.比较结果表明,该算法优于其他方法,具有良好的收敛性和实用价值.     

项目优化调度的多智能体社会进化算法

结合多智能体系统、进化算法以及关系网模型,提出了一种多智能体社会进化算法用于求解项目活动的一个最优调度顺序以使整个工程的工期最短,每个智能体生存于环境中,为了增加自身能量将与其邻域展开竞争及协同操作,同时可利用自身的知识进行自学习来增加能量,根据项目优化调度的问题特点,设计了智能体的竞争行为、协同行为以及自学习行为,通过对PSPLIB中的标准问题进行测试,同时与其他启发式算法相比较的仿真实验结果表明该算法具有良好的性能,能在较短的时间内寻找到十分接近"最优解"的调度序列.     

多智能体入侵杂草算法

针对标准入侵杂草算法缺乏信息共享机制的缺陷,将多智能体系统融入标准入侵杂草算法,提出了一种新的多智能体入侵杂草算法.该算法通过多智能体系统中改进的邻域竞争合作算子实现个体间信息的交流,提高收敛速率;利用多智能体系统中的自学习算子增强算法求解精度.五个基准函数测试对比分析结果表明,多智能体入侵杂草算法的求解精度、收敛速度和稳定性优于标准入侵杂草算法、粒子群算法和差分进化算法.     

基于智能体的多目标社会进化算法

提出了一种基于智能体的多目标社会进化算法用以求解多目标优化问题(multiobjective optimization problems,简称MOPs),通过多智能体进化的思想来完成Pareto 解集的寻优过程.该方法定义可信任度来表示智能体间的历史活动信息,并据此确定智能体的邻域、控制智能体间的行为.针对多目标问题的特点,设计了3 个进化算子分别体现适者生存、弱肉强食、多样性原则以及自学习的特性.同时采用擂台赛法则构造Pareto 解的存储种群.仿真实验结果表明,该算法能够较好地收敛到Pareto 最优解集上,并且具有良好的多样性.另外,通过对智能体局部邻域环境建立方式的分析结果表明引入“关系网模型”可有效提高算法的收敛速度,并能在一定程度上提高解的质量.     

解排列优化的整数编码多智能体进化算法

为解排列优化问题,在多智能体进化算法的基础上,提出一种整数编码的多智能体进化算法。重新定义了竞争算子和自学习算子。在网格内,智能体与周围的8个智能体构成竞争域,优胜智能体将编码段植入失败智能体,只有优胜者能获得自学习机会,自学习算子中智能体通过两种编码段换位方式来提升能量。使用本算法在旅行商问题典型数据上进行测试,与现有文献比较,表明该算法具有更好的全局寻优能力而且收敛稳定性更好。     

一种多智能体混合蛙跳算法

提出一种多智能体混合蛙跳算法.将智能体固定在智能体网格上,每个智能体通过与其邻居的竞争与合作,结合混合蛙跳算法的进化机制,不断感知局部环境,并逐渐影响整个智能体网格,以提高自身对环境的适应能力.为更好地适应环境,智能体也可以利用自身的知识进行自学习.仿真实验结果表明,该算法能有效地维持种群的多样性,提高优化精度,同时抑制早熟现象,在高维函数优化方面具有较高的优化性能.     

改进的多智能体遗传算法求解TSP研究

多智能体遗传算法是基于智能体对环境感知与反作用的能力提出的一种新的函数优化方法,具有很快的收敛速度,尤其是在优化超高维函数时更显示出了它的优越性。针对这一特点对该算法进行了适当的改进,在邻域正交交叉算子中采用精英保留策略,在自学习算子中引入邻域正交交叉算子并采用小变异概率以加快收敛速度。求解TSP的实验结果显示,改进后算法的性能有了较大的提高。     

多智能体遗传算法用于线性系统逼近

提出了一种新的参数优化方法--多智能体遗传算法,来求解线性系统逼近问题. 该方法中每个智能体代表一个候选解,即搜索空间中的一个实值向量.所有智能体生存在一 个网格状的环境中,且每个智能体占据一个格点不能移动.为了增加能量,它们将与其邻域 进行合作或竞争,也可以利用自身的知识.因此,设计了4个进化算子来模拟智能体间的竞 争、合作、自学习等行为.该方法利用这些智能体与智能体间的相互作用来达到优化逼近模 型中参数的目的;此外,还采用了一种动态扩展搜索空间的方法以解决算法所需的搜索空间 难以确定的问题.实验中,利用一个稳定和一个非稳定的线性系统逼近问题来验证算法的性 能,并与两种新近提出的方法作了比较.结果表明,该文方法优于其它方法,能够用较少的计 算量找到高质量的逼近模型,具有良好的性能和实际应用价值.     

基于协作协进化的多智能体机器人协作研究

协作问题一直是自主多智能体机器人系统研究的关键问题之一。基于多智能体机器人系统的CCP协作协议所生成的各智能体机器人的任务序列依赖于目标的初始顺序,因此难以得到最优解。文章提出了利用协作协进化来实现多智能体机器人之间协作的一种机制。该方法采用基于协作种群的技术来生成多智能体机器人任务执行序列,在给定的任务分解产生的所有可能解中寻找最优解,并通过交换局部知识和并行决策等手段来优化系统的性能。利用该机制,对3个智能体协作搬运8个物体进行计算机模拟,结果表明,该机制在优化任务执行序列方面作用明显,从而能有效提高多智能体机器人系统的性能。     

基于多智能体协同进化的粒子滤波目标跟踪算法

在对视频图像中的目标进行跟踪时,由于现有的粒子滤波器存在粒子退化和多样性丧失等问题,导致跟踪精度降低。文中提出一种基于多智能体协同进化的粒子滤波目标跟踪算法。该算法将多智能体协同进化机制引入到粒子滤波的重采样过程,通过对粒子个体和局部生存环境的重新定义,使粒子成为具有局部感知、竞争协作和自学习能力的智能个体。通过粒子间的竞争、交叉、变异以及自学习等进化行为来实现重采样过程,在保证粒子有效性的同时还增加粒子的多样性。实验结果表明该算法可对复杂视频环境下的运动目标进行准确、鲁棒地跟踪。     

密度敏感的多智能体进化聚类算法

采用密度敏感距离作为数据相似性度量,并基于多智能体进化的思想提出了一种密度敏感的多智能体进化聚类(density sensitive based multi-agent evolutionary clustering,简称DSMAEC)算法.算法设计了一种基于连接的编码方式,通过解码过程可直接得到最终的聚类结果,无需事先确定聚类类别数,有效地克服了对领域知识的依赖.针对聚类问题,设计了3个有效的进化算子来模拟智能体间的竞争、合作和自学习行为,共同完成智能体的进化,最终达到对数据聚类的目的.分别对人工数据集、UCI数据集以及合成纹理图像进行仿真,实验结果表明,该算法不但可以自动确定聚类类别数,而且能够应付不同结构的数据,适应不同的聚类要求,具有较强的实用价值.     

基于协进化和CPN的多智能体系统建模

多智能体系统体系结构及协作机制是多智能体理论研究的核心与热点问题,作为一种新兴的研究方法,基于协进化机制的多智能体协作具有广阔的研究前景。但已有的协进化模型过于简单,缺乏灵活性和更强的应用能力。CPN是多智能体系统建模的最好的工具之一,因此将其应用于协进化机制的多智能体系统的建模很有意义。     

多智能体蝙蝠算法在无线传感器中的应用

针对无线传感器网络(WSNs)节点的定位误差较大的问题,提出了一种新的具有局部搜索能力强的多智能体蝙蝠算法.改进算法中对寻优蝙蝠个体融入多智能体技术,通过邻域竞争合作算子以及自学习过程提高了算法全局搜索能力,避免算法陷入局部最优,加快算法的收敛速度.通过对标准测试函数的仿真,改进算法相比于其他算法,寻优精度和进化效率得到了较大的提高.随后采用多智能体蝙蝠算法求解无线传感节点定位问题,仿真结果表明改进算法减少了测距误差对定位精度的影响,提高了未知节点定位的精度,为无线传感网络节点定位的实际应用提供理论参考.     

基于值分解的多目标多智能体深度强化学习方法

多智能体深度强化学习方法可应用于真实世界中需要多方协作的场景,是强化学习领域内的研究热点。在多目标多智能体合作场景中,各智能体之间具有复杂的合作与竞争并存的混合关系,在这些场景中应用多智能体强化学习方法时,其性能取决于该方法是否能够充分地衡量各智能体之间的关系、区分合作和竞争动作,同时也需要解决高维数据的处理以及算法效率等应用难点。针对多目标多智能体合作场景,在QMIX模型的基础上提出一种基于目标的值分解深度强化学习方法,并使用注意力机制衡量智能体之间的群体影响力,利用智能体的目标信息实现量两阶段的值分解,提升对复杂智能体关系的刻画能力,从而提高强化学习方法在多目标多智能体合作场景中的性能。实验结果表明,相比QMIX模型,该方法在星际争霸2微观操控平台上的得分与其持平,在棋盘游戏中得分平均高出4.9分,在多粒子运动环境merge和cross中得分分别平均高出25分和280.4分,且相较于主流深度强化学习方法也具有更高的得分与更好的性能表现。     

作战模拟的人工生命多智能体建模

作战是典型的复杂自适应系统,传统的作战模拟依赖于兰彻斯特方程等数学模型,将作战视为确定性过程,难以对作战过程中的许多无形因素建模。人工生命的模拟方法,通过多智能体之间的相互作用研究系统的突现行为,很好地揭示了作战的本质和作战过程的演化规律。提出了多智能体作战模拟的二维网格环境下的智能体进化基因模型。通过计算和考察虚拟战场环境中的敌、我、友多方在交战过程中的演变规律和涌现特征,可模拟和解释战场局势的推演行为和发展规律。采用竞争、学习、协作进化、群居、物种灭绝等等生命进化现象来完成系统复杂性的模拟,取得了较好的仿真效果。模型系统具有演化速度快,模拟结果合理和可交互性等特点。     

链式多种群多智能体进化算法

将多种群的进化方式和链式结构的动态邻域引入到多智能体进化算法中,提出了一种链式多种群多智能体进化算法.算法设置了多种群交互的演化结构.各种群中的智能体通过与其动态邻域智能体的竞争、合作及自学习操作来增加自身的能量;动态邻域的链式结构提高了算法的效率、降低了计算复杂度;多个种群之间的信息定期以一定的方式进行交互,增强了种群的多样性,减小了算法陷入局部最优的机率.理论分析和多个测试函数的仿真结果均表明:链式多种群多智能体进化算法在求解高维优化问题上具有很好的性能.     

RoboCup中阵型策略的实现

机器人足球仿真比赛是检验各种多智能体系统理论的标准平台,在这个极为复杂的多智能体环境中,多个智能体需要通过协作完成共同目标,而协作可通过共享阵型获得.阵型是多智能体协作行为所要求的,它使多个智能体以有序、智能的方式进行协作.为适应RoboCup实时动态环境下多智能体间的协作需求,文中以阵型为研究对象,提出基于不同阵型转换和基于单一阵型调整的阵型策略并将其应用到机器人足球仿真比赛中,仿真结果表明结合应用这两种阵型策略提高了仿真球队的协作攻防效果.