二进制编码差异演化算法在Agent联盟形成中的应用

在多Agent 系统中,通过形成联盟可以提高Agent求解问题的能力,因此,联盟是多Agent系统的重要合作方法.从本质上讲,Agent联盟的形成是一个复杂的组合优化问题.引入差异演化算法来解决这一问题.差异演化是一种基于群体差异的演化算法,适合于求解连续空间的最优化问题.首次将以实数编码的差异演化算法应用于Agent 联盟问题,提出二进制编码的差异演化算法解决组合优化问题,通过引入S型函数把变异操作的结果限制在集合｛0,1｝上,可以快速、高效地找出合适的Agent 联盟.与遗传算法和蚁群算法的对比实验表明,该算法是正确、有效、可行的,在运行时间和解的性能上都优于相关算法.     

用差异演化算法求解单任务Agent联盟

在多Agent 系统中, 可以通过联盟提高Agent求解问题的能力,因此,联盟是多Agent系统的重要合作方法.将差异演化算法应用于Agent 联盟问题,可以快速、高效地找出合适的Agent 联盟.对比实验表明,该算法是正确、有效、可行的,在运行时间和解的性能上都优于相关算法.     

二进制差异演化算法及其应用

针对传统差异演化算法（Differential Evolution）无法求解采用二进制编码问题的缺点,通过引入“少数服从多数”原则,提出一种解决二进制编码问题的差异演化算法—二进制差异演化算法。5个测试函数和4个背包问题的仿真实验表明了文中提出算法在解决二进制编码问题上的有效性。     

基于QPSO的单任务Agent联盟形成

智能群体搜索算法在求解单任务Agent联盟时稳定性较差、收敛速度慢、全局寻优能力不强,因此采用优化的量子粒子群优化算法解决上述问题。利用群体历史优质解,在最优粒子变异的基础上,采用多种群并行搜索,防止陷入局部极值,并对粒子群进行筛选以加快粒子群的收敛速度。对比实验结果表明,该算法可以快速、高效地找出合适的Agent联盟,在运行时间和解的质量方面优于同类算法。     

多Agent系统中的联盟形成

1.引言自1993年文[1.4,8]提出联盟方法以来,已取得了一定的进展。通过联盟可以提高Agent求解问题的能力,获得更多的报酬,因而联盟是多Agent系统(MAS)的重要合作方法。下面先给出问题的描述,然后论及联盟的形成过程。设agent集N={A_1,A_2,…,A_n},资源集Q={(q_1,q_2,…,q_n)},其中q_i=(q_i~1,q_i~2,…,q_i~(ki)),q_i~j表示A_i第j种资源的数量;任务集T={T_1,T_2,…,T_n},其中T_i={t_i~1,t_i~2,…,t_i~(mi)}是A_i的任务集,t_i~j是A_i的第j个任务,对每一个任务有对应的资源需求说明;每一个Agent开始都持有一定的资源。     

混合差异演化算法在背包问题中的应用

提出了一种用于求解0-1背包问题的混合差异演化算法,详细阐述了该算法求解背包问题的具体操作过程。算法主要使用了两个思想策略,即启发式贪婪算法和基于二进制编码的差异演化算法。通过对其它文献中仿真实例的计算和结果对比,表明该算法对求解0-1背包问题的有效性,这对差异演化算法解决其它离散问题会有些帮助。     

自适应粒子群算法求解Agent联盟

联盟生成是多Agent系统的一个关键问题,主要研究如何在多Agent系统中动态生成面向任务的最优Agent联盟.引入粒子群算法来解决这一问题,受到惯性权重c0在进化过程中所起作用的启发,引入自适应惯性权重cadp对粒子群算法进行改进,使其不再易于陷入局部极小.对比实验结果表明,该算法在解的性能和收敛速度上均优于相关算法.     

改进型蚁群算法求解单任务Agent联盟

联盟是多Agent之间一种重要的合作方法,如何生成面向某个任务的最优联盟是一个复杂的组合优化问题．首次引入蚁群算法来解决这一问题,在求解过程中蚂蚁倾向于选择曾经合作过并且合作效果比较好的Agent组成联盟,充分实现了熟人机制;创新地引入“第2种信息素”对蚁群算法进行改进,不再易于陷入局部极小．对比实验结果表明,本算法在解的性能和收敛速度上均优于相关算法．     

解0-1背包问题的二进制差异演化算法

针对传统差异演化算法(DE)无法求解采用二进制编码问题的缺点,通过采用新的变异方法,提出了一种用于求解0-1背包问题的二进制差异演化算法,阐明了该算法求解背包问题的具体实现过程.通过多个0-1背包问题的仿真试验,表明了该算法在求解0-1背包问题时不仅能达到最优解,而且收敛速度快,同时也验证了算法在解决二进制编码问题上的可行性和有效性.     

多Agent联盟结构动态生成算法

针对多Agent联盟数量是Agent个数指数倍的问题,基于Agent合作收益独立性,给出了Agent联盟快速动态生成算法--SCS(search of coalition structure)算法;依Agent联盟之间的同构关系,将Agent联盟结构图剪枝,然后进行Agent联盟结构搜索,可降低搜索空间大小,并证明了是剪枝前搜索量的n(k-1)^n-k.最后,以机器人足球赛RoboCup为背景给出了实验分析,表明了SCS算法的效率.SCS算法是     

多目标优化差分进化算法

个体的适应度赋值和群体的多样性维护是进化算法的两个关键问题。首先,一方面,定义了Paretoε-支配关系的相关概念,通过Paretoε-支配关系确定个体的强度Pareto值,根据个体的强度Pareto值对群体进行Pareto分级排序,实现优胜劣汰;另一方面,使用拥挤距离估算个体的拥挤密度,淘汰位于拥挤区的一些个体,维持群体的多样性。然后,根据差分进化算法的特点,使用适当的进化策略和控制参数,给出了一种用于求解多目标优化问题的差分进化算法DEAMO。最后,数值实验表明,DEAMO在求解标准的多目标优化问题时性能表现优良。     

一种多agent网络中的分布式联盟形成算法

针对多agent系统的具体网络结构,提出一种分布式联盟形成算法。首先,每个agent向自己邻居任务中“信价比”最高的任务提出加入申请,形成潜在联盟;当联盟资源大于对应任务的资源需求时,使相应agent退出当前联盟,转而选择“信价比”次高的任务,从而提高联盟形成的可能性。仿真实验结果表明,与其他方法相比,所提出的算法能大幅提高系统效率和收益。     

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.     

给定限界要求的联盟结构生成

联盟形成是多Agent系统中的一个关键问题,目的是通过寻找使联盟值的总和最大的联盟结构来使系统得到最大的效益。但通常可能的联盟结构的数目太大,不允许穷尽搜索来找出最优解。当实际问题提出最坏情况的具体限界要求时,如何以最小的搜索达到这个要求是需要解决的。文中给出的算法对给定的限界要求K*≥2以最少的搜索层数解决了这个问题。Sandholm等人已经证明,要建立最坏情况下的限界K（n),搜索联盟结构图的最底两层是必要且是充分的,此时限界是n(系统的Agent 数）。以此为基础,文中给出了算法,在搜索最底两层之后,只要搜索一层就能保证K(n)≤3;而在搜索最底两层之后,最多搜索两层就能保证K(n)≤2。与Samdholm等人给出的算法相比,文中给出的算法达到指定限界的搜索量显著减少。     

多目标差分进化算法的电力系统无功优化

 在传统电力系统无功优化( Reactive Power Optimization,RPO) 模型中引入电压水平 指标,建立了以网损最小,电压水平最好为目标的多目标差分进化算法( Differential Evolution Algorithm) 的模型。针对基本差分进化算法易陷入局部最优解、收敛速度慢的缺点,提出一种 具有自适应参数策略的改进差分进化算法并首次用于多目标电力系统无功优化问题。通过在 算法进化过程中调整变异因子F 和交叉因子CR,在初期增加种群的多样性、扩大全局搜索区 域; 从而可以避免算法陷入局部最优解; 同时在后期也加快了收敛速度。将该算法用于电力系 统无功优化并仿真计算了IEEE-14 节点标准测试系统,结果验证模型和算法的有效性。     

一种基于进化方向的新的差分进化算法

变异策略对差分进化算法（DE）算法的成功与否起到至关重要的作用.然而,方向信息在DE变异策略的设计当中并没有被充分地挖掘,且对于如何平衡进化速度和种群多样性这两者之间的矛盾也没有得到很好的解决方案.研究了个体在进化选择操作前后产生的差量信息在变异操作上的导向作用,提出了一种新的基于进化方向的变异策略“DE/current-to-pbest/1/Gvector”.同时,为了测试我们这种新的方向信息能否提高算法的优化能力,我们在自适应差分进化算法（JADE）的基础上提出了一种新的算法DVDE.对CEC2005常用的12个测试函数做了仿真实验,实验结果证明DVDE的算法性能平均优于其他5个目前来说性能最好的DE算法（JADE,SaDE,CoDE,jDE,EPSDE）,特别是对于单峰函数,效果更为明显.实验结果也说明进化方向的加入对于提高算法的收敛速度以及保护种群的多样性避免算法过早陷入局部最优起到了较好的作用.