并行多任务环境下Agent联盟的快速生成算法

针对并行多任务环境下Agent联盟的生成问题,提出了基于多种群蚂蚁算法的Agent联盟生成策略.在该联盟生成策略中,种群内部蚂蚁相互合作,协调资源分配并完成相应任务;种群间蚂蚁进行资源竞争,协调解决并行多项任务间的资源冲突.同时,改进的信息素更新策略在综合考虑局部联盟收益和全局联盟收益的基础上提高了算法的全局搜索能力和生成联盟的质量.仿真实验结果表明,文中算法在多种典型条件下都能生成比现有算法更加高效的联盟结构.     

基于云概念语言的多任务模糊联盟形成

在MAS系统中多任务联盟的生成是关键问题,针对Agent提供的能力及其态度表现具有模糊性和不确定性特点,提出云概念语言的多任务联盟生成方法。运用二维云模型实现模糊量间不确定转换,得到Agent与任务之间的云概念语言,以概念语言语义中最好Agent为各特定任务的"盟主",并依据概念语言语义强弱依次与联盟中其他Agent成员进行协商形成多任务联盟,有效地降低了多任务联盟形成的复杂性。实例说明方法更合理、更有效。     

面向社交网络基于协作度协商的联盟形成机制

分布式多Agent构成的社交网络通常表现出不同的特征,针对不同的社交网络和多Agent本身的异质性,提出了一种面向社交网络的基于协作度协商联盟形成机制.该机制依托多Agent构成的社交网络环境,建立面向分布式环境的分布式协商协议,并设计一种考虑到社交网络特征和Agent异质性的基于协作度的协商策略,采用分布式自动协商方式形成联盟.通过对全连通网络、层次网路和小世界网络的仿真实验结果表明,该机制能够有效地实现分布式环境下的联盟形成,并且在反应大多数实际应用环境的小世界社交网络中表现出相对较好的性能.     

产品并行设计多Agent系统中任务分解和协调模型的研究

适当的任务分解是网络式分布环境下进行产品并行设计的关键。本文分析了产品并行设计中任务分解的原则 ,提出了一种进行任务分解的与或树方法 ,探讨了在多Agent系统中并行设计各任务间的组织方法和协调策略 ,并对KQML语言作了扩充 ,这些工作为减少多Agent间的通讯量 ,加强多Agent间的相互协作 ,提高产品并行设计效率奠定了基础     

改进蚁群优化算法求解移动机器人路径规划问题

针对蚂蚁双向并行搜索策略会丢失蚂蚁间的部分可行路径甚至最优路径的问题,该文采用栅格法建立移动机器人环境模型,提出了根据信息素判断蚂蚁是否相遇的新的蚂蚁相遇判别法。为避免算法陷入局部最优,提出了综合考虑多种因素的新的路径选择策略和全局信息素更新策略。二维环境下的仿真研究表明,只要路径客观存在,算法就能快速地规划出相应的安全路径。     

自利Agent追捕联盟生成算法

多Agent合作追捕是多Agent系统研究的经典问题,在机器人等领域具有重要的应用前景。文章提出了面向任务的自利Agent联盟生成算法,该算法能同时处理多个不同类型的逃跑Agent的任务分配问题;因为追捕Agent和逃跑Agent速度相等,追捕联盟成员位置的分布十分关键,所以提出了基于贡献度的联盟成员选择策略;同时为了较好地体现追捕Agent的自利性,定义了需求度作为自利性的度量,解决了冲突协商且有利于资源的优化配置。通过与经典拍卖算法的比较表明,该算法显著提高了追捕成功率。     

移动计算环境下结构化存储查询优化算法的设计

移动结构化存储问题一直以来是移动PC产品研究的热点问题。为了更好地处理移动计算环境下断接等问题,采用多元连接的查询优化算法进行了设计。首先在理论上设计了改进算法在并行连接操作的优势及特点,同时利用Socket实现了移动Agent和服务器Agent的网络通信;并完成了移动环境下的无线网络模拟平台设计。实验结果表明改进算法传送到指定站点的集中装配消耗时间显著减少,在表属性列限制条件较多时,改进算法的总代价与普通算法相比明显要少,并行连接最多时改进的算法可以确保总代价最小。研究对移动数据存储的稳定性改进具有一定的意义。     

基于用户行为的自动任务识别技术研究

自动任务识别是多任务工作环境下自动任务管理技术的关键,其中对窗口切换历史信息采用Bron-Kerbosky算法来聚类同一任务的窗口,已经被国外研究者采用.然而,该方法仅适用于短时间、较少任务的识别,而对长时间下多个工作任务识别缺乏有效性.本文创新性地提出将窗口切换历史聚类结果与基于焦点时间的窗口重要性相结合形成任务向量,再运用模糊KCenter聚类算法求解任务窗口集合来实现长时间工作环境下多任务识别的方法.实验结果表明,该方法能有效识别长时间工作环境下的多个任务且具有较高的准确率.     

无线传感器网络中多基站定位的多目标蚁群算法

根据多目标进化算法思想,提出了无线传感器网络中多基站定位的多目标蚁群算法.该算法用一组蚂蚁并行搜索,用一个蚂蚁所在位置表示一个基站定位,多蚂蚁位置的组合表示多基站的定位.计算单基站和多基站定位的适应度,再根据这两个适应度值调整蚂蚁觅食路径上的信息素,蚂蚁沿着信息素强的方向搜索,不断逼近多目标优化的Parote解,从而获得全局优化的多基站定位解.实验结果表明,该算法求得的多基站定位位置能有效提高网络性能,且适用性强.     

基于MAS的配电网三相状态估计

为了探索建立配电快速仿真与模拟(DFSM)并行分布式计算环境的有效方法,将Agent和多Agent系统(MAS)的理论和方法应用于DFSM的研究;并以基于支路电流的配电网三相状态估计(DSE)为具体的研究对象,提出了Agent的八元素实现结构描述框架;详细阐述了配电网的分割方法和有偏序关系的配电子网状态估计迭代计算算法;设计并实现了基于MAS的DSE并行分布式计算环境(masDSE).算例分析表明:在实验系统中,masDSE可以使计算效率至少提高50%.     

基于蚁群算法的最短路径搜索方法研究

最短路径问题是在给定的网络图中寻找出一条从起始点到目标点之间的最短路径。蚁群算法是一种用于求解优化问题的新型模拟进化算法,该算法在许多相当困难的优化问题的求解中体现了极强的寻优能力和较好的性质。提出了一种利用蚁群算法来解决网络最短路径问题的新方法,并用Matlab语言编程进行算法的实现和仿真。结果表明,蚁群算法在寻求网络最短路方面的应用是可行的。     

基于蚁群算法的集装箱装载问题

探讨了蚁群算法在复杂集装箱装载问题中的应用．利用蚁群算法对解空间的搜索能力，结合二维链表结构的方法，对布局空间依次分割完成不同大小的三维矩形物体的装载，并给出了有效的编码形式和解码算法．通过对文献中提供的数据进行测试和比较说明本算法是有效的．     

基于蚁群算法的集装箱装载问题

探讨了蚁群算法在复杂集装箱装载问题中的应用.利用蚁群算法对解空间的搜索能力,结合二维链表结构的方法,对布局空间依次分割完成不同大小的三维矩形物体的装载,并给出了有效的编码形式和解码算法.通过对文献中提供的数据进行测试和比较说明本算法是有效的.     

一种改进的自适应蚁群算法及其应用研究

蚁群算法作为一种新型的模拟进化算法,具有分布计算和信息正反馈等优点,但蚁群算法与其他进化算法一样存在收敛速度慢,易陷于局部最优等缺陷。针对这一问题,提出一种改进的蚁群算法,结合遗传算法和图论中的最邻近算法,并自适应地初始化信息素和限定信息素的大小范围。将该算法应用于旅行商问题(traveling salesman problem,TSP)求解,与基本蚁群算法比较,数值实验结果表明,这种改进算法能有效抑制算法陷入局部最优的缺陷,从而提高了解的全局搜索能力和解的质量。     

用分层蚁群算法求解优化问题

提出了一种改进的群算法用于求解优化问题,首先建立N个低层子种群,用一定数量的蚂蚁在这N个解空间中先随机搜索,然后模拟蚂蚁寻食的方式通过信息素来指引搜索,得到N个结果后在用蚁群算法求解,并给出了具体的算法。     

模糊蚁群优化算法在交通导航系统中的应用

为了能处理交通导航系统中的模糊信息,并且能快速的综合多种信息求解最优导航路径,将模糊逻辑推理技术与改进的蚁群算法相结合提出了一种新的算法——模糊蚁群混合优化算法。实验表明,该算法不仅能够处理导航系统中的各种模糊信息,并且能利用改进的蚁群算法快速求解最优导航路径。     

一种改进的自适应蚁群算法及其应用研究

蚁群算法作为一种新型的模拟进化算法,具有分布计算和信息正反馈等优点,但蚁群算法与其他进化算法一样存在收敛速度慢,易陷于局部最优等缺陷。针对这一问题,提出一种改进的蚁群算法,结合遗传算法和图论中的最邻近算法,并自适应地初始化信息素和限定信息素的大小范围。将该算法应用于旅行商问题（traveling salesman problem,TSP）求解,与基本蚁群算法比较,数值实验结果表明,这种改进算法能有效抑制算法陷入局部最优的缺陷,从而提高了解的全局搜索能力和解的质量。     

混沌蚁群算法在回归分析中的应用

混沌蚁群优化算法将混沌搜索与蚁群算法相结合，在蚁群搜索完成后，利用混沌进行细搜索，以提高搜索精度，避免陷入局部最小点．将其用于线性回归分析，仿真结果表明，混沌蚁群算法能够有效地解决回归分析问题，为回归问题提供了一个新的解决方法．     

基于改进的文化蚁群算法求解最优路径问题研究

针对传统方法不能够有效的求解GIS最优路径问题,在文化算法的基础上提出了一种基于实际路况求解两地之间最优距离的蚁群优化算法.引入了表示天气、路况、驾驶员个人偏好等诸多不确定因素,并将改进的蚁群算法融入到文化算法当中,使蚁群算法具有群体空间和信仰空间并行进化的机制.群体空间采用改进的最大最小蚁群算法,从而有效的提高算法最...     

基于蚁群和粒子群优化的混合算法求解TSP问题

提出了一种基于蚁群优化和粒子群优化的混合算法求解TSP(Traveling Salesm an Prob lem)问题。在应用蚁群算法对TSP问题的求解过程中,利用粒子群算法对蚁群系统的参数进行优化,其目的是提高蚁群系统的优化性能,使蚁群系统的参数不必靠人工经验或反复试验选取,而是通过粒子搜索自适应选取。