轮盘反转算子改进的多Agent算法在线性系统逼近中的应用

"这篇论文是2009年发表在《控制理论与应用》期刊第26卷第1期上，由张俊岭、梁昌勇和杨善林三位作者共同撰写，主要研究了如何利用一种改进的多Agent算法解决线性系统逼近问题。文章针对John Holland提出的反转算子在数值优化中的不足，提出了一种新的轮盘反转算子，并结合此算子设计了一种名为RAER（Roulette Inversion-based Evolutionary Algorithm with Multiple Agents）的多Agent进化算法。通过理论分析证明了RAER算法具有全局收敛性，并通过无约束优化的仿真实验展示了其优于其他算法的性能。在实际的线性系统逼近工程优化问题中，RAER算法能更有效地搜索固定和动态扩展的区域，从而获得更优的模型。" 本文的研究重点在于改进优化算法以解决线性系统的逼近问题。首先，作者指出了John Holland的反转算子在数值优化中存在不合理性，这可能限制了算法的性能。为了解决这个问题，他们提出了一种创新的轮盘反转算子，该算子的设计旨在克服原有反转算子的不足，提高算法的寻优效率。新算子的引入不仅提升了算法的适应性，还使得算法在处理复杂优化问题时更加灵活。 随后，作者结合轮盘反转算子，开发了一种多Agent进化算法，即RAER算法。多Agent系统的运用允许算法并行处理问题，提高了搜索空间的覆盖度，增强了算法的全局探索能力。通过理论分析，RAER算法被证明具有全局收敛性，这意味着它能够在搜索过程中逐步接近问题的全局最优解，而不仅仅是局部最优解。 为了验证RAER算法的有效性，作者进行了无约束优化的仿真实验。实验结果表明，RAER算法在性能上超越了其他比较算法，能够更深入地探索搜索区域，并且在解决线性系统逼近问题时，无论是在固定区域内还是在动态扩展的区域中，都能找到更优的模型。这些实验结果为RAER算法的实际应用提供了有力支持。 最后，论文指出，由于RAER算法在探索性和精度上的优势，它在工程优化问题中具有很高的实用价值，可以广泛应用于线性系统的逼近和其他需要高效优化的领域。 这篇论文贡献了一种创新的多Agent进化算法，结合了改进的反转算子，解决了传统算法在数值优化中的问题，为线性系统逼近提供了更高效、更全面的解决方案。