求解SAT问题的多智能体社会进化算法

基于Agent社会合作机制以及智能体对环境的感知和反作用能力提出了一种新的求解SAT问题的多智能体社会进化方法MASEA(Multi-Agent Social Evolutionary Algorithm).该方法在多智能体进化思想的基础上,引入人类社会"关系网模型"的概念来建立智能体所能感知的邻域环境;同时在保留原有的竞争算子和自学习算子前提下,根据智能体具有竞争协作的特性,设计了一个新的算子——协作算子来共同完成整个进化过程.以标准SATLIB库中变量个数从20~250的3700个不同规模的标准SAT问题以及基于RB模型所产生的随机实例对MASEA的性能进行了全面的测试,并与其他一些具有较高性能算法的结果进行了比较.结果表明,MASEA具有更高的成功率和更高的运算效率.     

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.     

知识引导的多目标多智能体进化算法

将智能体模型与知识模型相结合,提出一种知识引导的多目标多智能体进化算法.算法定义了智能体的不同邻域环境,并通过对邻域之间的竞争、正交交叉、知识学习等操作实现种群的演化过程.算法采用一种新颖的方法求非劣解集,并使用循环拥挤排序法对外部归档集进行维护.通过对多个测试函数的仿真结果表明,知识的引入不仅增加了种群多样性,而且提高了算法的收敛性.     

基于擂台赛法则和小生境技术的多目标进化算法

最优解集的构造和解的分布性是多目标进化算法的两个重要研究内容。用擂台赛法则构造非支配集具有较高的效率,而小生境共享技术可以提高种群的多样性。本文将小生境共享技术引入基于擂台赛法则的多目标进化算法,数值实验表明：改进后的算法保持了擂台赛算法运行效率高的特点,而且具有较佳的分布度。     

改进多目标进化算法NSGA-II运行效率的方法

NSGA-II是一种性能优良的多目标进化算法,近年来非常流行。为了进一步改进NSGA-II的运行效率,采用了擂台赛法则作为构造非支配集的方法,提出了按需分层的策略。实验结果表明,提出的方法与NSGA-II相比具有更少的非支配集层数,支配比较次数和运行时间。     

多智能体系统的旋转目标跟踪控制

介绍对一个旋转目标实现跟踪控制的多智能体系统协调控制问题.提出一个包含领航者及多个跟随者的多智能体系统,该领航者是一个进行匀速圆周运动的智能体,为实现对领航者的跟踪,设计一种能实现旋转跟踪控制的协议,并通过李雅普诺夫方法证明协议能实现旋转目标的跟踪控制.最后,通过数值仿真实验验证了所设计的协议的有效性.     

改进多目标进化算法NSGA-Ⅱ运行效率的方法

NSGA-Ⅱ是一种性能优良的多目标进化算法,近年来非常流行.为了进一步改进NSGA-Ⅱ的运行效率,采用了擂台赛法则作为构造非支配集的方法,提出了按需分层的策略.实验结果表明,提出的方法与NSGA-Ⅱ相比具有更少的非支配集层数,支配比较次数和运行时间.     

分布式优化的多智能体方法

分布式优化作为分布式协调控制领域中的一个基本而重要的研究课题,近年来,不同领域的众多学者对其产生了广泛的研究兴趣.本文总结归纳了分布式优化的研究现状和近期的研究成果,重点对离线分布式优化和在线分布式优化进行了阐述,并从算法设计和收敛性分析这两个角度进行了剖析.特别地,针对一类混合均衡问题,本文介绍了一类分布式求解算法.最后,阐述了当前尚未解决的问题和未来的研究方向.     

基于黑板模型的多智能体合作学习

Q学习算法要求智能体无限遍历每个状态-动作转换,因此在涉及状态-动作空间非常大的应用问题时,导致收敛速度非常慢。借助多智能体的合作学习,智能体之间基于黑板模型的方法通过开关函数相互协调合作,可以更快地定位那些有效的状态-动作转换,避免了无效的更新,从而以较小的学习代价加快了Q表的收敛速度。     

基于熟人联盟及扩充合同网协议的多智能体协商模型

合同网协议可扩充性好,处理动态环境能力强,在多智能体系统协商中应用广泛．在分析了经典合同网协议的优缺点后,提出了基于熟人联盟及扩充合同网协议的多智能体系统协商模型．根据模型设计了适合扩充合同网协议的系统结构,引入了熟人联盟以及信任度参数,提出熟人联盟生成方法及信任度更新规则并构造了基于经典合同网协议的扩充合同网协议．最后通过对一个导弹防御例子的测试及分析,证实了该模型在保证协商质量的基础上,有效地降低了协商代价．     

一种新的基于进化策略的多目标优化算法

用进化策略求解多目标优化问题时,为了提高解在决策变量空间中的搜索能力和保证Pareto前沿的多样性,提出了一种新的基于进化策略的多目标优化算法。运用自适应变异步长的进化策略,使解在决策变量空间中进行全局和局部搜索;并引入非劣解按一定比例进入下一代的方法,使完全被占优的个体有机会参与到下一代的繁殖,保持了解在Pareto前沿的多样性。该算法在保证解在决策空间多样性的同时,也保持了Pareto前沿的多样性。仿真实验表明,该算法具有良好的搜索性能。     

基于分解的演化多目标优化算法综述

基于分解的演化多目标优化算法(MOEA/D)的基本思想是将一个多目标优化问题转化成一系列子问题(单目标或者多目标)来进行优化求解.自2007年提出以来, MOEA/D受到了国内外学者的广泛关注,已经成为最具代表性的演化多目标优化算法之一.总结过去13年中关于MOEA/D的一些研究进展,具体内容包括:(1)关于MOEA/D的算法改进;(2) MOEA/D在超多目标优化问题及约束优化问题上的研究;(3) MOEA/D在一些实际问题上的应用.然后,实验对比几个具有代表性的MOEA/D改进算法.最后,指出一些MOEA/D未来的研究方向.     

一种基于混合高斯模型的多目标进化算法

目前,大多数多目标进化算法采用为单目标优化所设计的重组算子.通过证明或实验分析了几个典型的单目标优化重组算子并不适合某些多目标优化问题.提出了基于分解技术和混合高斯模型的多目标优化算法（multiobjective evolutionary algorithm based on decomposition and mixture Gaussian models,简称MOEA/D-MG）.该算法首先采用一个改进的混合高斯模型对群体建模并采样产生新个体,然后利用一个贪婪策略来更新群体.针对具有复杂Pareto前沿的多目标优化问题的测试结果表明,对给定的大多数测试题,该算法具有良好的效果.     

混合个体选择机制的多目标进化算法

在多目标进化算法中,如何从后代候选集中选择最优解,显著地影响优化过程.当前,最优解的选择方式主要是基于实际目标值或者代理模型估计目标值.然而,这些选择方式往往是非常耗时或者存在精度差等问题,特别是对于一些实际的复杂优化问题.最近,一些研究人员开始利用有监督分类辅助后代选择,但是这些工作难以准备准确的正例和负例样本,或者存在耗时的参数调整等问题.为了解决这些问题,提出了一种新颖的融合分类与代理的混合个体选择机制,用于从后代候选集中选择最优解.在每一代优化中,首先利用分类器选择优良解;然后设计了一个轻量级的代理模型用于估计优良解的目标值;最后利用这些目标值对优良解进行排序,并选择最优解作为后代解.基于典型的多目标进化算法MOEA/D,利用混合个体选择机制设计了新的算法框架MOEA/D-CS.与当前流行的基于分解多目标进化算法比较,实验结果表明,所提出的算法取得了最好的性能.     

关系网模型--基于社会合作机制的多Agent协作组织方法

在多Agent系统（MAS）的研究中,如何表示Agent之间的相互关系,以及有效地组织Agent之间的协作通信机制,提高系统的可靠程度,降低整个系统的通信代价和减少资源开销,一直是因扰很多MAS研究者的问题,该文主要从研究Agent社会合作机制入手,对大规模开放式多Agent系统（OMAS）环境下的Agent社会组织方法,Agent协作行为表现进行了研究,引入了一个表示Agent之间联系的熟人关系网模型,对Agent之间的可信任度关系进行了讨论,并分析了Agent熟人关系链上可信任关系的传播机制,对Agent社会中的Agent理性行为表现进行了详细讨论。     

A Tabu-Based Exploratory Evolutionary Algorithm for Multiobjective Optimization

This paper presents an exploratorymultiobjective evolutionary algorithm (EMOEA)that integrates the features of tabu search andevolutionary algorithm for multiobjective (MO)optimization. The method incorporates the taburestriction in individual examination andpreservation in order to maintain the searchdiversity in evolutionary MO optimization,which subsequently helps to prevent the searchfrom trapping in local optima as well as topromote the evolution towards the globaltrade-offs concurrently. In addition, a newlateral interference is presented in the paperto distribute nondominated individuals alongthe discovered Pareto-front uniformly. Unlikemany niching or sharing methods, the lateralinterference can be performed without the needof parameter settings and can be flexiblyapplied in either the parameter or objectivedomain. The features of the proposed algorithmare examined based upon three benchmarkproblems. Experimental results show that EMOEAperforms well in searching and distributingnondominated solutions along the trade-offsuniformly, and offers a competitive behavior toescape from local optima in a noisyenvironment.     

基于改进合同网协议的多Agent协作模型

合同网是用于分布式问题求解环境下各Agent进行通信和协作的一种协议,各个Agent内部的知识、能力和策略在问题求解过程中总是动态变化的。为了能够得到实用性强且易于实现的协作模型,分析了传统经典合同网的缺点并进行了改进,利用熟人模型对投标者进行了合理的筛选。采用Agent的主动感知特性,改进了任务Agent接受任务的被动性。在投标过程中引人信任度、感知系数和活跃度等智能参数,防止了投标者在投标过程中的自私性,平衡了各个合同承担者的负载。通过实验证明,改进的合同网降低了网络通信量,提高了多Agent系统协作的效率。     

分层多目标最优化进化算法

文章用进化算法给出了求解二层字典分层多目标最优化的方法,该算法把求解问题转化为多目标最优化,并研究了这两个问题的解集之间的联系。对多目标最优化定义了一个新的选择算子和适应值函数,这样定义的选择算子和适应值函数结合均匀设计能有效地引导搜索,直接求出问题的解而不用逐层求解。数值模拟表明该方法十分有效。