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.     

一种非线性动态自适应的Agent联盟生产算法

代理(Agent)联盟是对无线传感器网络WSN(Wireless Sensor Network)进行管理的重要手段.引入粒子群算法PSO(Particle Swarm Optimization)并对其进行改进,使PSO的参数具有非线性动态自适应性.将改进的PSO用于求解Agent联盟生成问题,并针对WSN的特性设计了一种效益函数用于评价联盟的效益.采用基于非线性动态自适应PSO的Agent联盟生成算法,在联盟生成初期搜索范围较广,搜索后期在局部挖掘上表现出良好的性能.实验证明在解决Agent联盟生成问题中,基于PSO的算法在稳定性上优于其他算法,基于改进PSO的联盟生成算法可以加大搜索空间,更快的收敛到最优解,且该算法可以同时生成多个Agent联盟,支持并行多任务环境下的Agent联盟求解.     

基于云模型的Agent 联盟评价

针对多 Agent 系统中影响联盟功效的因素存在较强的模糊性和不确定性的问题,将定性定量转换模型—–云模型引入 Agent 联盟评价中,提出一种新的基于云模型的联盟评价方法.与已有方法相比,该方法简单有效,易于工程实现,可较好地处理评价指标的模糊性和不确定性,从而为复杂控制系统中的最佳联盟选择提供更科学、更合理的决策.     

基于信用度的Agent联盟效用分配策略

联盟形成是多Agent系统的一个关键问题,主要研究在联盟内Agent间如何划分联盟效用,使得Agent更愿意形成联盟,但已有策略没有考虑到Agent的信用度,联盟内的稳定性和Agent间合作的积极性并不高.对此,本文提出了一种基于信用度的Agent效用分配策略,对退出联盟现象进行有效的控制,提高了多Agent系统的使用价值.最后通过实例证明此方法的有效性.     

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.     

基于评价因子行为等级更新的多Agent联盟效用分配策略

为了进一步增强多Agent联盟效用分配的合理性,提升联盟的稳定性,提出了一种基于评价因子行为等级更新的多Agent联盟效用分配策略。该策略引入评价因子概念,将行为等级定性描述的agent行为因素通过既定方法量化为行为评价因子,agent完成任务的能力表示为能力评价因子,结合这两种评价因子对agent联盟的效用进行划分,并根据agent完成任务情况和是否存在欺骗行为对agent的行为等级进行更新。理论分析和分配实验表明,新策略在满足联盟形成机制的相关要求外,增强了多Agent联盟中效用分配的合理性。     

基于协作度的分布式自动协商联盟形成机制

现有联盟形成的研究中大都没有考虑到不同Agent的协作资源和协作态度不同的异质性,而是假定所有Agent具有相同的协作资源和协作态度.为此提出一种基于协作度的分布式自动协商联盟形成机制(collaborative degree-based distributed automatic negotiation coalition formation mechanism,CDBDN),通过对处在网络拓扑结构中Agent的协作资源和协作态度的描述建立Agent协作度的概念.以分布式的应用环境为背景,建立分布式协商协议(distributed negotiation protocal,DNP)来实现分布式自动协商方式构建联盟.该机制建立了分布式协商协议和引入了Agent协作度,提出基于Agent 协作度的协商策略.实验结果表明,该机制在联盟形成的效率、Agent协商效率和个体效用方面都表现出有较好的性能.     

基于模糊评判的Agent联盟效用分配

多个Agent同时形成任务求解联盟时,联盟效用的分配是一个棘手的问题。已有的平均分配和基于能力大小的分配策略都没有反映出Agent对联盟贡献的差异性,不利于联盟的形成和完成任务的绩效。提出了一种基于模糊评判的联盟效用分配方法。首先模糊评价Agent的各维能力贡献率,然后综合计算出整体贡献因子,并据此完成联盟效用的合理分配,最后通过实例分析说明了此方法的有效性。     

基于模糊软集合理论的Agent联盟评价

针对多Agent系统中影响联盟功效的因素存在很强的模糊性和不确定性的问题,提出采用模糊软集合理论对Agent联盟进行综合评价。首先,待评价联盟给出自己属性,每位专家根据自己的知识和经验给出评价指标集及对应的评价矩阵;然后,利用模糊软集合理论实现评价矩阵的融合,得到最终评价结果。最后通过实例说明该方法能有效、合理地处理信息的模糊性和不确定性,评价过程符合人的思维判断。     

基于遗传算法的多agent联盟的生成

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.本文讨论了Agent联盟的生成,并将遗传算法应用于Agent联盟生成中,对比实验结果表明,遗传算法可以快速、高效地找出合适的Agent联盟,并在解的质量和收敛速度上均优于相关算法.