多智能体系统中子域适应度评估的合作协进化协作

为了克服合作协进化算法在解决复杂多智能体系统协作问题时存在的适应度函数难以建立和协作行为难以达到全局最优等问题,提出1种子域适应度评估的合作协进化算法来实现异构多智能体系统中智能体的自适应协作。该算法将复杂问题域模型分解成相互影响较小、较易求解的子问题域模型,在子问题域模型之间并行使用合作协进化算法来完成智能体协作行为的进化,有效降低适应度评估的复杂度。在子问题域进行合作协进化时,在适应度函数中引入环境因子影响矩阵,将其他子问题域的影响信息映射到该子问题域中的个体适应度评估中,从而引导种群向全局优化方向进化。ECJ系统中的仿真实验结果验证了其有效性。     

基于复数编码遗传算法的竞争性协进化策略

将基于复数编码的遗传算法引入竞争性协进化的理论研究中,提出一种竞争性协进化的新策略,即:在仿真实验中,采用2个基于神经网络结构控制的移动机器人,并将它们投入到一个陌生的环境中.其中,一个机器人扮演猎手,另一个扮演猎物,猎手对猎物进行捕捉,最终得到每一代的最好猎手机器人和最好猎物机器人以及它们的适应度曲线.在这个竞争性协进化系统中,基于复数编码的遗传算法主要用于对机器人控制系统的神经网络进行进化.计算机仿真结果表明,与基本遗传算法相比,基于复数编码的遗传算法具有更强的进化能力.     

理查德·诺加德协同进化的生态经济及生态文明思想研究

理查德·诺加德是生态经济创始人,他勾勒了一个生态经济的协同进化研究机制。为认识论层次的协同发展提供了一个跨越环境和社会维度的有力逻辑,并形成一个社会生态系统的跨学科研究方法。他确定生态经济协同研究涌现的四个相一致的论题,这涉及:环境退化和周边地区的开发失败;不可持续的生产-消费模式的套牢;人类努力控制不良微生物和这些生物进化之间的恶性循环;利他合作行为和机制的适应性优势。诺加德还设想了一个有关由中国开始的"生态文明"的协同进化解释,诺加德的研究对于我国当前生态文明建设具有重要的方法论启示。     

灾变合作型协同进化遗传算法及其在Job Shop调度中的应用

合作型协同进化遗传算法是多个子种群通过协作而共同进化的新型算法,常应用于多目标、大规模的优化问题。本文在合作型协同进化遗传算法的基础上,进一步模拟自然界中的灾变现象,在原先的算法中加入灾变算子,提出灾变合作型协同进化遗传算法,以防止出现不成熟收敛现象,并用经典的函数优化问题和Job Shop车间调度问题进行仿真实验,其结果验证了改进算法的优良性能.     

基于智能Agent技术的网络教学系统设计与实现

本文分析了当前网络教学系统存在的主要缺陷,引入智能Agent技术,提出了基于智能Agent技术的网络教学系统模型,将系统中一个复杂的任务分解为多个子任务,每个子任务由相互协作的Agent来执行,通过Agent之间的交互来完成任务,深入分析了Agent之间的基本通讯行为、通讯机制,研究了Agent之间协作的基本理论,提高了现有教育教学网络系统的智能性、适应性和可扩充性,改善了网络教与学的效果,实现了真正的网络教育.     

基于混沌的协作型协进化方法

在协作型协进化算法的基础上,提出了基于混沌的协作型协进化方法。该算法加入了进化是否发生停滞的判断,并在发生停滞时进行混沌映射。用经典的函数优化问题进行仿真实验,其结果表明了该算法的有效性。     

认知进化观:认知科学研究范式的新取向

认知科学在其发展过程中经历了几次研究范式的转换，认知进化观的兴起是认知科学各学科多层次整合的表现。在心理学领域，进化心理学采用功能分析的方法分析适应性行为下的心理机制和特征。在人工智能领域，采用进化计算和遗传算法探讨人工生命的适应性行为。在神经科学领域，是对神经网络的自组织机制和神经系统的可塑性进行考察。认知进化观的缺陷是自然主义的计算与进化，忽视了人的历史文化性。认知进化观作为一种新方法论，为智能研究带来了生机。     

多蚁群协进化的船舶多管路并行布局优化

基于蚁群算法和协作式互利典生类协同进化算法,构建了解决船舶空间多管路并行敷设的多蚁群协作式协同进化算法模型.在算法的每次迭代中,随机选择种群的进化次序;在种群内部采用蚁群算法寻找管路的最优路径,采用优良个体构造小环境的方式,避免了管路增多情况下的组合爆炸现象.通过三维空间的管路布局实验显示,应用所构建的算法较单一蚁群算法可以在管路并行敷设中取得协同性更好的布局效果.     

基于多Agent的分布式测量系统的研究

文章提出了一种在CORBA环境下,基于多Agent技术的分布式测量系统结构,该系统不仅具有单独完成测量任务的能力,而且还能够与其他测量系统协作来完成大型复杂的测量任务;测量系统首先按其功能划分为6个不同的Agent,然后利用KQML作为通信语言、CORBA作为通信机制来执行多Agents之间的交流和协作,具有互操作、合作性、智能性及开放性等特点。     

基于管理Agent的改进协作模型的研究

自动化计算总的越来越趋向于网络化、智能化、代理化、人性化发展,多Agent系统正是在这种环境之下发展起来的一种先进的计算模式。通常情况下,多Agent系统中的Agent在逻辑上或者物理上是分离的,Agent间交互与协作的智能行为及其有效性是多Agent系统研究的重点。对多Agent协作机制的研究主要是在动态环境下,多个独立自主的Agent通过相互的交互与协作等智能行为去完成对任务的求解。在多Agent系统中,传统的基于管理Agent协作机制属于集中式协调方式,采用这种协作模型的多Agent系统导致其管理Agent成为整个系统的瓶颈,从而影响系统完成任务的效率与稳定性,也增加对系统额外的维护费用。文章通过在传统基于管理Agent协作机制中加入了＂熟人＂、状态值元素,平衡了系统Agent的负载,降低了对管理Agent的维护成本,整体上提高了系统解决问题的效率。