社会协作的多智能体进化

摘要:提出了一种新的求解函数优化的算法.借鉴社会协作机制,定义可信任度表示智能体的历史活动信息,控制智能体间的相互作用;引入“熟人关系网”模型构建和更新智能体的局部环境,利用多智能体之间的协作特性来加快算法收敛速度;并构造了非一致变异算子保证智能体种群的多样性.仿真实验结果表明,与性能优越的多智能体遗传算法相比,该算法能以更少的函数评价次数找到精度更高的最优解.关键词:函数优化;多智能体进化;社会协作机制;熟人关系网;收敛

中图分类号:TP18　　文献标识码:A　　文章编号:100122400(2009)0220274207

Socialcooperationbasedmulti2agentevolutionaryalgorithm

PANXiao2ying,JIOLi2(MinistryofEducationKeyLab.of,

Univ.)

Abstract:AgentEvolutionaryAlgorithm(SCMAEA)whichmechanismandmulti2agentevolutionfornumericaloptimizationisproposed.thesocialcooperationmechanism,trustdegree,whichdenotesthehistoricalinformationforagents,isdefinedtocontroltheinteractionbetweenagents.Atthesametime,the

‘acquaintancenetmodel’isimportedtoconstructandupdatethelocalenvironmentoftheagent.It

improvestheconvergenceratebythecooperationcharacteristicofagents.Furthermore,adoptingthenon2uniformmutationoperationimprovesthesearchingforoptimalsolutionsinthelocalregionandassuresthediversityofthesolution.Simulationresultsshowthatcomparedwiththemulti2agentgeneticalgorithm,thesocialcooperationbasedmulti2agentevolutionaryalgorithmcanfindtheoptimabyasmallernumberoffunctionevaluations.

KeyWords:　functionoptimization;multi2agentevolution;socialcooperationmechanism;acquaintance

net;convergence

遗传算法是通过模拟生物在自然界中的进化过程而形成的一种全局优化方法,目前已得到了广泛的应用[1].凭借其对函数的类型,搜索空间的形状等都没有任何限制的优势,遗传算法已经成为求解函数优化问题的最有潜力的方法之一.但当函数的维数增加时,搜索空间增大,变量间耦合度增强,则会导致遗传算法陷入局部极值的概率增大.为了提高算法的性能,提出了各种各样的新策略和方法,如概率遗传算法[2],量子遗传算法[3],正交遗传算法[4],宏进化算法[5],多智能体遗传算法[6]等,都取得了良好的效果.

基于智能体的计算已广泛应用于计算机科学的各个分支,Liu[7]将分布式技术用于求解约束满足问题,设计了一种基于能量的多智能体模型,并求解了高达7000个皇后问题,显示出智能体的优越性能.钟等[6]针对函数优化问题,将智能体对环境的感知和反作用的能力与遗传算法的搜索方式相结合,提出了多智能体遗

传算法(MAGA),其收敛速度远远高于传统算法,证实了借助多智能体系统中的协作机制来实现进化算法中个体的竞争和协作可加快算法的收敛速度和增强算法的优化能力.但MAGA仅为每个智能体定义了位

收稿日期:2007212226

基金项目:国家“863”计划项目资助(2006AA01Z107);博士点基金资助(20060701007)

作者简介:潘晓英(19812),女,西安电子科技大学博士研究生,E2mail:xiaoying-pan@.

社会协作的多智能体进化.doc 将本文的Word文档下载到电脑

下载这篇word文档