基于行为预测的多智能体协作模型

智能体的行为预测是多智能体系统中的一个具有挑战性的问题。机器人足球是一个典型的多智能体系统,论文对多智能体系统中的行为预测进行了研究,概述了RoboCup中几种典型的智能体行为预测方法和协作模型,在此基础上采用基于行为的混合预测方法,建立了一种基于行为预测的多智能体协作模型。该协作模型已应用于CSU_YunLu2003仿真球队中,在RoboCup仿真比赛中证明了该协作模型的有效性。     

基于切换拓扑的多智能体协作控制研究综述

多智能体系统一直是众多学科领域研究的主要研究对象,基于切换拓扑的多智能体协作控制理论研究作为多智能体系统研究的重要部分,一直是近年来的热点。为了推进基于切换拓扑的多智能体协作控制理论研究,在广泛调研现有文献和最新成果的基础上,从一致性问题、分布式优化问题和分布式估计问题三个方面对该领域的发展现状进行了总结;探讨了诸如一致性协议的设计、一致性协议的性能分析方法及其优缺点、分布式优化的实现方式和分布式估计的实际应用。最后指出当前该领域尚未解决的问题和未来的研究方向。     

多智能体协作模拟环境的设计与实现

提出了一种以可视化编程技术设计多智能体协作模拟环境的方案,通过模拟搬运物体的过程来演示智能体间的协作过程.提供了参数可调的环境模型,并对协作执行结果进行分析,为多智能体协作的探讨和研究提供了一个平台.     

足球机器人多智能体协作策略

文章提出了足球机器人多智能体系统协作策略,它由三部分组成:角色执行器、角色分配器和避撞任务处理器。机器人角色分为进攻、防守和守门。角色任务处理器决定每一角色运动到何位置。角色分配器在每个采样周期中,根据视觉信息,动态地改变每一机器人的角色。避撞任务处理器预测两个机器人相撞的可能性,并改变机器人目标位置以避免碰撞。角色任务执行器执行由4阶bezier曲线产生运动轨迹。带有PID控制的足球机器人跟踪确定的bezier曲线。该文提出的策略已成功应用到GDUT_TAIYI队。     

基于独立学习的多智能体协作决策

联合学习模式是实现多智能体协作决策的有效方法 ,但是当智能体信息不完备时 ,这一方法难以适用。为此 ,在智能体独立学习的基础上提出一种多智能体协作决策方法。以网格对策为例 ,仿真证明了这一方法的有效性     

基于多阶段强化学习的多智能体协作决策

为了解决多智能体协同训练过程中的团队奖励稀疏导致样本效率低下、无法进行有效探索以及对参数敏感的问题,本研究在MAPPO算法的基础上引入了分阶段的思想,提出了基于多阶段强化学习的多智能体协同算法MSMAC。该算法将训练划分为2个阶段：一是构建基于进化策略优化的单智能体策略网络,二是对多智能体策略网络进行协同训练。在多智能体粒子环境下的实验结果表明,基于多阶段的强化学习算法不仅提升了协作性能,而且提高了样本的训练效率和模型的收敛速度。     

多智能体协作技术综述

本文从协作模型和研究方法两个角度考察了多智能体协作技术的发展,认为是外在的 理性形式化模型和内在的对策和学习机制是多智能体协作技术的两个重要方面．并对这两个 方面的研究和应用前景作了进一步的展望．     

多智能体协作的两层强化学习实现方法

提出了多智能体协作的两层强化学习方法。该方法主要通过在单个智能体中构筑两层强化学习单元来实现,将该方法应用于3个智能体协作抬起圆形物体的计算机模拟中,结果表明比采用传统强化学习方法的智能体协作得更好。     

基于遗传算法的多智能体联盟形成机制

针对动态开放式多智能体系统中联盟的形成问题,提出“按能力分配”的联盟报酬划分规则和联盟报酬率等概念及相关命题,讨论Agent之间的协商机制和协商原则,在此基础上建立基于多智能体遗传算法的联盟形成机制。仿真计算结果表明,该联盟形成机制能够减少系统的通信量,保证所得联盟的稳定性和全局最优性,提高系统的结盟效率。     

基于多智能体遗传算法的无人机突防航线规划

针对无人机突防航线规划中需要威胁规避以及低空突防的问题,结合智能体自学习自适应的特点,提出了基于多智能体遗传算法来解决航线规划问题.采用自适应交叉和变异,改进自学习算子中获取下一代智能体的方法,将智能体和遗传算法的优点结合起来,达到了全局最优的效果.通过和传统遗传算法进行仿真比较,相比之下,基于多智能体的遗传算法可以有效规避威胁源,并能实现低空突防的效果,整体所需的航程代价小,运算速度快.     

多Agent并行遗传算法在地震勘探属性优化中的应用

研究了基于多Agent的并行遗传算法,并将其应用于石油勘探的属性优化。针对常规遗传算法的不足,采用Agent构建多Agent系统实现了基于粗粒度的并行遗传算法,该算法能从进化环境中获取表征当前进化状态的有用信息,智能地监控调度GA的进化操作,在避免早熟的同时加快全局寻优,提高遗传算法搜索的效率,同时具有通讯开销小的特点。将该方法用于地震勘探属性优化,取得了良好的效果。     

基于动态描述逻辑的多主体协作模型

基于动态描述逻辑的主体模型和协作过程就是既考虑了智能主体的知识表示与推理问题,又紧密地结合主体的设计与编程问题,把表示与推理应用到主体的具体设计中.它充分利用了动态描述逻辑的统一的形式化框架,同时从静态的知识表示与推理和动态的运行与变化两个方面来刻画主体的心智状态和协作过程,探讨了主体信念、行为能力、目标和规划等心智要素的表示、推理与修改以及联合目标的形成、多目标的规划问题.多主体协作模型将理论和实践有机地结合起来,能够充分体现智能主体的本质特征与运行机制,为多主体系统的设计与编程奠定了很好的基础.     

基于遗传算法的飞行航路规划

飞行航路规划是一个大范围多目标多约束的三维规划问题。遗传算法是一种求解复杂问题的通用方法,该文在遗传算法中加入了飞行航路规划的相关知识来求解问题。首先,根据飞行航路规划中导航点属性复杂的特点,扩充导航点的模型,并在此基础上采用导航点链表形式的自由编码。第二,为加速规划的进程,同时保证充分的随机性和广泛性,初始群体构造采用端点启发初始化方法。第三,适应度函数由惩罚函数和代价函数组合计算,其中惩罚函数对应问题的约束条件,而代价函数对应问题的目标。第四,采用启发式交叉和启发式变异。最后,通过剖面优化操作实现高度维上的调整。仿真结果证明这是适于所研究问题的有效方法。     

基于蚁群遗传算法的三维飞行器航路规划

关于飞行器航路优化设计问题,航路规划是任务规划系统的一部分,是飞行器自主控制的关键技术.为了能够快速的寻找到最优航路且得到的航路有更少的制动点,在航路问题描述的基础之上,把蚁群算法和遗传算法相结合,提出了一种蚁群遗传算法的三维航路规划方法.设计了具有方差因子的航路评价函数,给出了一种关于面的规划空间的构造方法,并在规划空间中,进行蚁群遗传算法的种群初始化,所采用的遗传算子,给出了算法的流程.仿真结果证明了算法的正确性和有效性.     

用遗传算法实现多智能体联盟的形成

在多Agent系统中,当单个Agent不能或不能有效完成特定的任务时,任务就必需分配给一组Agent,即Agent将形成联盟。本文将讨论Agent联盟的形成,并将遗传算法应用于Agent联盟形成中,希望可以快速、高效地找出合适的Agent联盟。     

基于遗传算法的飞行器参考航迹规划

针对飞行器航迹规划问题展开研究,为了规划出最优满意的飞行轨迹,分析了飞行器航迹规划中存在的威胁与自身约束条件,提出了一种关于遗传算法的航迹规划方案,采用改进编码机制对飞行器在已知威胁情况下飞行航迹进行整体规划。取航迹个体只包含一个染色体,每个染色体为一个航迹点序列,随机生成种群,通过选择交叉变异,并将各种威胁和约束条件的影响适当的加入到适应值函数中,得到优化路径进行仿真。仿真结果给出了不同加权比例下所得到的最优航迹,通过仿真验证了算法的有效性。     

多agent系统的抽象合作模型

合作是多agent系统的特征之一,研究了具有请求／服务交互特征的多agent系统的抽象合作模型,根据服务请求强度和服务提供方式的差异性和多样性,系统分析并提出了6种基本抽象合作模型,提取了请求、承诺和通知3个言语行为作为实现合作的原子通信行为,给出这些原子通信行为和抽象合作模型的严格语义定义,分析它们的实现机制,以描述多agent系统的合作方式和机制,指导多agent系统的设计和实现．     

基于GA的电子侦察卫星任务规划问题研究

电子侦察卫星是现代战争中获取电子情报的重要手段,在快速作战决策方面具有独特的作用.电子侦察卫星任务规划问题是一类重要的任务规划问题,涉及各种复杂的约束条件.首先通过对电子侦察卫星工作原理的分析提出了基本假设和预处理的基本方法,并建立了CSP模型,然后采用遗传算法(GA)对模型进行求解.算法针对电子侦察卫星任务规划的特点设计了符号型编码以及相应的OBC交叉算子及多点交换变异算子.最后采用所设计的遗传算法和简单贪婪算法分别对不同规模的问题进行了求解,实验结果表明算法有效地解决了针对固定目标的电子卫星侦察任务规划问题.     

基于GA-NN的复杂工艺生产过程多目标优化研究

在复杂非线性多目标优化问题求解中,非线性模型结构很难事先给定,需要检验的参数也非常繁多,应用传统的建模方法和优化模型已难以解决更为复杂的现实问题。人工神经网络技术为解决复杂非线性系统建模问题提供了一条新的途径。将神经网络响应面作为目标函数或者约束条件,加上其他常规约束条件进行系统模型的建立,再应用遗传算法进行优化,从而实现设计分析与设计优化的分离。以某化工企业的生产过程优化问题为例,利用BP神经网络建立了工艺参数与性能目标之间的模型,然后利用遗传算法搜索最优工艺参数,获取了用于指导生产的样本点数据。研究结果表明,该方法能够获得高精度的多目标优化模型,从而使优化效率大为提高。