基于量子多目标进化算法的多任务Agent联盟生成

多Agent联盟生成是多Agent系统的关键问题之一, 主要研究如何在多Agent系统中动态生成面向任务的最优联盟. 为使Agent能稳定的组织起来完成单Agent不能完成的任务并在成本、资源、利益等方面达到一个良好的平衡性能并达到全局最优, 提出了联盟多目标综合评价模型, 并将量子进化多目标算法应用于多目标多任务Agent联盟问题, 运用编码的映射, 将资源组合和任务分配合并为一个过程, 降低了问题的复杂性. 对比实验结果表明该算法求得的解的质量高, 平衡性好, 能有效避免了联盟死锁和资源浪费.     

一种基于Agent诚实度的动态联盟形成策略

联盟形成是多Agent系统一个关键问题,主要着眼于如何在联盟内Agent间划分联盟的效用.但已有策略大都针对超加性环境,而对非超加性环境的研究却很少.文中提出了"Agent诚实度"的概念,并基于协商机制给出了一种新的动态联盟形成策略.该策略在非超加性环境中可以快速、有效地形成任务求解联盟,及时满足系统需求.     

一种基于FIRE模型的Agent联合测谎算法

FIRE模型改进了SPORAS模型,更适用于开放性的问题求解要求。检测相互合作的Agent是否说谎、以及对说谎现象进行有效控制能够提高多Agent系统模型的实用价值。基于FIRE模型,提出一种对说谎Agent进行联合测度与控制的算法,是对Zacharia和Jennings等人关于多Agent系统信任和名誉模型的研究工作的进一步延续。     

一种基于任务匹配的联盟生成策略

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.引入历史任务集和系统经验集的概念,使用任务相似度来判断任务间的关系.提出了一种基于任务匹配的联盟生成策略,增强了Agent的学习能力,对于任务序列可以有效的求解全局最优联盟.对比实验表明本策略可以有效减少联盟生成的搜索时间和计算量.     

改进非支配排序遗传算法求解多目标Agent联盟

采用典型多目标进化算法-NSGA-II对从任务角度进行抽象建模所得到的Agent联盟模型进行生成优化,并针对Agent联盟生成存在的特点,将Pareto最优概念与多目标优化相结合对NSGA-II算法进行改进,从而实现兼顾联盟收益、开销、时间约束等多个目标。仿真对比实验结果表明,算法运行一次可以获得多个Pareto最优解,为各个目标之间权衡分析提供了有效的工具,在满足性能要求下,可为联盟生成提供满足多个设计目标的全局优化方案,对联盟实际应用具有借鉴与应用价值。对联盟实际应用具有借鉴与应用价值。     

一种新的基于贪婪法的CDM时隙分配最优化算法

引入了协同决策的思想,研究一种新的地面等待策略-基于协同决策的地面等待(GDP-E).首先研究了GDP-E的实施过程以及其中的算法,其次,基于Compression算法的单元受限的现状,分析研究了地面等待程序必须考虑的各空中交通参与方的影响和地位,并建立了数学模型,借助贪婪法求局部最优的思想协同优化了各方的利益,提出了新的"压缩算法",为保证航空公司拥有时隙的公平性,文中采用了补偿函数来强化或弱化对航空公司的公平性.仿真结果显示:此改进算法在很大程度上提高了机场的运作效率,减小了航空公司的总延误成本,保证了航空公司服务对象的利益,且算法具有自适应能力,易于工程实现.     

多任务多联盟并行生成：模型与求解

联盟生成是MAS的一个关键问题,现有的工作主要研究如何针对一个任务生成最优联盟,很少考虑多任务多联盟生成问题(MMG).对MMG问题建立了模型,并进行了分析.在系统能力受限的条件下给出一种并行算法,首先找出最优可达任务集,再针对每个任务生成相应的联盟,从而实现了问题的分布并行求解.最后通过仿真试验说明了此算法的有效性.     

移动Agent系统的联盟形成

移动 Agent系统是一种分布式计算模型 ,移动 Agent联盟形成过程中需要考虑通讯和合作问题 ,本文给出了一种移动 Agent系统的联盟形成模型 ,讨论了联盟分级结构和联盟形成机制 ,利用令牌传输技术 ,以保证联盟内部的合作、决策和组织完整.     

集合核约束分划的贪婪算法分析

从两个方面分析了集合核约束分划的贪婪算法的近似性,给出了近似比的上界估计．     

基于多Agent的智能决策生成系统研究

分析了战略决策模拟系统中引入智能决策生成系统的必要性，介绍了多Agent理论，提出了基于多Agent的智能决策生成系统的框架结构，给出了系统工作流程、Agent结构和实现技术，最后总结了采用多Agent技术实现智能决策生成系统的主要优点。     

基于资源性能评估的网格任务调度算法

在保障本地任务QoS需求并尊重网格节点本地调度策略的条件下,为网格用户提供QoS保障是计算服务网格环境中任务调度的一个重要目标和面临的新问题.根据对网格节点相关资源可用性历史数据进行统计、分析得出的结果,利用概率论方法对网格节点的资源能力进行评估,对网格节点状态进行划分并得到资源的平均状态;利用信息论中熵的概念对网格节点状态动态变化的不确定性进行评估并得到刻画网格节点状态不确定性的定量值.在此基础上,建立了一种基于性能评估的分布式调度框架,并提出了一种基于性能评估的网格任务调度算法.对GridSim进行了改进与扩展,基于改进与扩展后的GridSim对提出的算法进行仿真并与相关算法进行比较,实验结果表明了本所提出的调度算法在网格用户QoS保障程度、网格任务执行makespan以及负载均衡等方面的有效性.     

基于蚁群算法的并行测试任务调度

并行测试的任务优化调度是并行测试技术的核心问题.提出了一种用于解决并行测试任务调度问题的改进蚁群算法,通过该算法可以获得测试时间最短的任务调度序列.给出了并行测试任务调度问题的数学模型,设计了启发式函数和状态转移概率的计算公式.采用动态标注方法在搜索过程中加大可行解间的信息素差别,避免算法早熟.给出了应用实例,实际应用表明该算法是有效的,能很好地解决此类多维动态组合优化问题.     

基于遗传算法的导弹稳定控制回路参数设计方法

本文利用遗传算法（ＧＡ）来优化设计控制系统参数。文中在简要阐述遗传算法的机理及实现的基础上，将遗传算法应用于Ｘ型导弹的弹上稳定回路的参数设计，仿真结果表明了所提方法的可行及有效性。     

改进A*算法及其在GIS路径搜索中的应用

路径选择在实际运用中主要追求的是最优而不是最短.为此通常采用精度换效率的策略.这种策略虽然在一定程度上达到了路径搜索的任务要求,但如果能在精度和效率之间综合取值的话,效果往往会更令人满意.采用了一种改进的A*算法来实现这一目的.主要是通过变权值的方式来控制算法的搜索精度和搜索效率.实验证明,改进的A*算法可以实现最优路径的选择,且效率有很大的提高.     

Mean Shift算法优化带宽的自动搜索

Mean Shift算法是一种非参数估计方法,能够快速收敛到概率密度函数的模态,在图像处理领域已得到了广泛的应用。算法的带宽参数的选取会直接影响到收敛速度和收敛结果,而手动调试参数需花费大量的时间和资源。为解决这一问题,提出一种Mean Shift算法优化带宽自动搜索策略,采用Mean Shift算法对图像特征空间内的样本点进行聚类分析,以图像结构特征信息作为分割效果的评判准则,自动寻取优化带宽参数。实验结果表明,提出的方法可以实现自动寻取Mean Shift算法的优化带宽参数,为解决Mean Shift算法带宽自寻优问题提供了一种新的思路。     

基于混合电磁算法求解置换流水车间调度问题

为了求解置换流水车间调度问题,提出了一种基于混合电磁算法的调度算法。首先,采用最小位置值法将算法中连续向量转换为工件排列顺序。其次,对随机生成的一部分初始解用基于启发式信息的贪婪随机自适应算法得到的结果加以改造,使其质量得到提高。最后,加入局部搜索增强算法性能。通过对Car系列和Rec系列基准测试结果表明,提出的算法性能优良。另外,还讨论了一些参数对算法优化性能的影响。     

基于免疫的多峰极值遗传搜索算法

寻找多极值点是一个具有广泛应用价值的问题。在传统遗传算法基础上,引入免疫算子用来搜索多峰函数的极值点,其中免疫算子依次通过疫苗提取、接种疫苗和免疫选择三个步骤来完成。实验测试结果表明,该算法对一元函数和多元函数都有很好的效果。     

基于GA的n维空间优化参数的搜索算法

n维空间中函数优化、模式分类判别函数的确定等问题均可转化为n维空间优化参数的搜索问题。采用人工神经网或梯度爬山算法均存在对优化函数形式有限制及陷入局部最优等局限性。提出一种基于遗传算法的n维空间优化参数的搜索算法,它采用对变化方向和长度的编码以及分层由粗到粗的搜索,能实现全局寻优和改善搜索效率,有效地应用于工业优化、数据挖掘、模式识别等领域,二个实例验证了算法的有效性。