基于分布式协商进化算法的多Agent目标冲突消解

针对多Agent系统研究中的目标冲突消解问题,建立了在多个Agent的局部目标和系统全局目标间进行协调优化的多目标优化模型.在多Agent分布式规划的框架下,提出了一种基于遗传算法(genetic algorithm,GA)的分布式协商进化算法,用于求解多目标规划模型.针对GA搜索中保持解的多样性、提高收敛速度等问题,对选择算子进行了设计.通过仿真实验,证明新的选择算子能有效提高解的质量.最后将该算法应用于部队机动协同路线规划的目标冲突消解问题,验证了其有效性.     

基于协商视角的食品质量链冲突消解策略

针对食品质量链多主体企业协同过程中的冲突问题, 提出一种基于协商的冲突消解方法.首先,基于Pareto最优解对食品质量链协同冲突的本质从数学上进行界定;然后,在充分考虑食品质量链特点的基础上, 提出食品制造商、食品供应商以及食品质量链的收益模型;接着,确定冲突双方之间的讨价还价过程参数:食品供应商提供的质量水平以及制造商成本和对方质量水平所提供的质量检测水平,并构建双方以自身收益最大化为目标的协商过程.最后,应用到具体乳制品质量链中,验证了出方法的有效性.研究表明:所提出的协商策略不仅使得每个企业成员的收益最大,而且使质量链总体收益最大,从而既消解了食品质量链冲突,又提高了质量链的质量水平.     

基于状态预测的多智能体动态协作算法

针对复杂动态环境下的多智能体协作问题,提出基于信息处理和状态预测的优化动态协作算法.充分考虑其它智能体对环境的影响,采用重要度函数和信息处理方法,对协作所需信息进行筛选和处理.通过引入状态预测算法,在多智能体动态协作过程中对智能体的行为和系统的状态进行预测,以实现协作结构的在线调整,使得多智能体能在内部以新的控制任务或新的平衡状态为目标,进行联合行动的动态协作.通过在典型的复杂动态MAS研究平台--机器人救援仿真比赛系统中应用,验证了该算法的有效性.     

基于多智能体协商的路径选择行为仿真研究

动态路径选择是城市交通流诱导系统的核心理论之一.为了兼顾个体出行者和路网系统管理者在路径选择过程中的利益,从分布式人工智能的角度出发,给出了一种基于多智能体协商的动态路径选择方法,将路网中的驾驶员、信息发布单元以及系统管理者分别看作不同的智能体进行建模,并给出智能体之间的路径选择协商模型.借助多智能体仿真软件Starlogo,对无信息无协商出行、有信息无协商出行和有信息有协商出行等三种不同的仿真方案进行模拟比较,仿真结果验证了协商方法在满足驾驶员出行需求以及提高路网整体效率方面的有效性和优越性.     

基于博弈论和多主体仿真的产学研合作创新网络演化

运用博弈论构建了产学研合作创新两阶段博弈模型,基于博弈策略,结合产学研合作创新网络拓扑结构,构建了产学研合作创新网络演化算法;运用Netlogo多主体仿真平台实现了产学研合作创新网络的演化仿真,揭示了其动态演化规律。研究表明:网络平均节点度呈U型分布,节点数量呈L型分布;选择"积极合作"策略的企业和学研机构存在最佳合作规模;度择优连接机制不利于无标度网络节点创新扩散,组合择优连接机制能以最大程度促进小世界网络和随机网络创新扩散。     

基于差分进化算法的异构多无人机任务分配

针对不同类型无人机协同完成对目标的侦察、打击以及毁伤评估的任务分配问题,在充分考虑不同UAV执行任务方式差异的基础上,建立了更加贴近实际的异构多UAV任务分配模型.采用任务分层解耦的方法降低模型求解难度,并提出一种基于种群灾变的自适应差分进化算法求解该模型.仿真实验表明,该算法具有收敛速度快,寻优能力强等优点,能够有效的完成异构多UAV的协同任务分配.     

复杂任务下的多智能体协同进化算法

针对多智能体系统在处理复杂任务时存在的低效率、高冗积、多智能体系统内协同模型算法存在交互冲突、资源损耗过高等问题,提出一种基于复杂任务的多智能体系统优化算法.在差分进化算法与局部优化算法的基础上对二者进行优化,结合强化学习的训练框架,构建训练网络,通过对学习步长进行修订,改变种群迭代优化准则,使得种群在计算力充足的情况...     

基于移动服务的隐私政策Petri网协商算法

移动商务在给用户带来丰富便捷的服务时,引发了严重的隐私担忧。结合移动商务环境的特点,在Petri网的基础上设计了基于移动服务的隐私政策Petri网协商算法,该算法兼顾了用户的隐私偏好与服务商的隐私政策,双方以移动服务为粒度进行隐私政策协商,并支持协商冲突检测与缓解,实现了移动用户的服务需求与隐私保护之间的权衡。仿真实验发现,相比传统的隐私政策协商方法,该算法有更高的协商效率和协商成功率。     

基于智能体的多移动机器人群集编队控制系统

群是一种普遍存在的自然现象,群集编队控制是模拟自然界中生物聚合运动的新型分散式控制方法。提出了一种基于智能体的有leader的群集控制算法。在此基础上,引入“虚拟力”的概念,运用动力学原理设计了由智能体到移动机器人的控制转化方法,并实现了一个实用化的多移动机器人群集控制系统。移动机器人群编队实验验证了该方法的有效性。     

基于多智能体强化学习的协同目标分配

针对传统方法难以适用于动态不确定环境下的大规模协同目标分配问题,提出一种基于多智能体强化学习的协同目标分配模型及训练方法。通过对相关概念和数学模型的描述,将协同目标分配转化为多智能体协作问题。聚焦于顶层分配策略的学习,构建了策略评分模型和策略推理模型,采用Advantage Actor-Critic算法进行策略优化。仿真实验结果表明,所提方法能够准确刻画作战单元之间的协同演化内因,有效地实现了大规模协同目标分配方案的动态生成。     

基于粒子能量的自适应粒子群优化算法

群优化是一种随机的群体搜索策略.针对粒子群算法易陷入局部最优和收敛速度慢等不足,提出了根据粒子的能量自适应调整参数的改进算法.该算法基于动力学和热力学的理论,计算每个粒子的能量值,并将优化过程中的群体视为热力学的某一状态,通过退火温度和粒子的能量动态调整算法中的惯性参数,达到对"惰性"粒子的原速度方向给予较大的牵引力的目的.优化过程中,随着系统温度的降低,惯性参数逐渐减小,有利于问题的收敛.算法中采用了带极值扰动策略,加速粒子跳出局部最优的能力.数值实验结果表明,该算法具有收敛精度高和收敛速度快的特点,可快速有效的求解约束和非约束优化问题.     

基于PSO的模糊控制及在孵化中的应用

针对孵化系统复杂的动态非线性特性,提出一种基于粒子群优化的模糊控制算法,该算法针对模糊控制器量化因子参数调节的困难,采用PSO的惯性系数的自适应调整机制,用以加速优化算法的收敛性和维持群体的多样性,以寻优模糊控制器量化因子参数,将该方法应用于孵化过程,较好的实现了温度、湿度和含氧量的稳定控制。仿真和实际运行结果表明了所提出的算法的有效性和优越性。     

双尺度变异离散粒子群算法求解背包问题

针对传统离散粒子群算法求解背包问题早熟收敛、精度低等缺点提出一种解决背包问题的双尺度变异离散粒子群算法.利用对当前最优解进行双尺度速度变异,可以实现提高算法局部最优解搜索能力的同时,保持算法的全局搜索能力和逃出局部极值的能力.在算法初期利用粗尺度速度变异可使粒子快速定位到最优解区域,算法后期则通过逐渐减小的细尺度变异可提高算法最优解的精度.粒子位置初始化过程中,把采用贫心策略所得的结果作为一个粒子的初始位置.将改进算法与其他算法比较证明该算法不仅能够有效解决其他算法搜索能力差的问题,同时还提高了最优解的精度和收敛速度.     

一种自适应粒子群优化算法及其仿真研究

分析了粒子群优化(PSO)算法易于发生早熟收敛的原因。在此基础上提出的自适应粒子群优化(APSO)算法根据群体早熟收敛程度和个体适应值自适应地调整粒子的惯性权重,使群体在进化过程中始终保持惯性权重的多样性,在算法的全局收敛性和收敛速度之间做了一个很好的折衷。对两个经典函数仿真的结果表明APSO算法能够有效地避免PSO算法的早熟收敛问题,而且具有较快的收敛速度。     

一种改进的粒子群优化算法

针对非线性优化问题讨论了一种基于迭代进程和适应值综合的自适应变异粒子群优化算法,该算法按照自适应变异方法从迭代进程上、以及从目标函数适应值上调整速度惯性因子,同时结合正态变异算子调整搜索方向。采用专用测试函数进行仿真测试分析,结果表明改进算法收敛,具有很高的搜索效率和求解精度。     

基于共识粒子群的全局优化求解方法

针对粒子群优化(PSO, particle swarm optimization)和高效全局优化(EGO, efficient global optimization)两种算法的特点,提出一种共识粒子群和局部代理模型协同的全局黑箱优化算法(CPSO-LSM, consensus particle swarm optimization and local surrogate model)。该算法固定PSO算法周期对粒子进行分群并在粒子达成共识后停止,将每群粒子周围的优质子区域输出作为代理模型的建模区域,通过比较各区域最优值获得高质量最优解甚至全局最优解。不仅避免了PSO冗长的计算过程、提高了建立代理模型的速度和精度还可以避免陷入局部最优。通过对比其他算法在标准测试函数的仿真结果,CPSO-LSM具有较好的收敛速度和求解精度。     

基于T-S模型的模糊自适应PSO算法

惯性权重的取值对改善微粒群优化(Particle Swarm Optimization,PSO)算法的收敛性起着关键作用.针对惯性权重的取值问题,提出一种基于T-S模型的模糊自适应PSO(T-SPSO)算法.算法根据当前种群最优适应值和惯性权重,自适应更新惯性权重取值,改善了算法收敛性.最后以典型优化问题的实例仿真验证了所提出算法有效性.     

基于自适应网格的多目标粒子群优化算法

针对现有多目标进化算法计算复杂度高,搜索效率低等缺点,提出了基于自适应网格的多目标粒子群优化(AGA-MOPSO)算法,其特点包括:评估非劣解集中粒子密度估计信息的自适应网格算法;能够平衡全局和局部搜索能力的基于AGA的Pareto最优解搜索技术;删除非劣解集集中品质差的多余粒子以维持非劣解集在一定规模的基于AGA的非劣解集截断技术.仿真计算表明,和文献中典型的多目标进化算法比较,AGA-MOPSO算法在求解复杂大规模优化问题方面表现了良好的性能.     

基于粒子群的K均值聚类算法

针对K均值聚类算法存在的缺点,提出了一种新的聚类算法———基于粒子群的K均值聚类算法,并将此算法与现有的基于遗传算法的K均值聚类算法进行比较.理论分析和数据实验证明,该算法有较好的全局收敛性,不仅能有效地克服传统的K均值算法易陷入局部极小值的缺点,而且全局收敛能力优于基于遗传算法的K均值聚类算法.     

一种基于量子粒子群算法的SAR图像自聚焦方法

为了准确补偿合成孔径雷达(SAR,Synthetic Aperture Radar)回波数据中的相位误差,研究了一种实用的SAR图像自聚焦算法。该方法以量子粒子群算法(QPSO,Quantum-behaved Particle Swarm Optimization)为基础,利用最小熵准则作为评判标准,通过多维搜索完成相位误差校正。同传统的自聚焦方法相比,该方法具有较好的鲁棒性和收敛速度快的特点,对低频和高频相位误差都有非常好的补偿能力。仿真结果验证了该方法的有效性。