自适应粒子群算法优化多Agent联盟生成

需积分: 9 0 下载量 171 浏览量 更新于2024-08-08 收藏 1.07MB PDF 举报
"蒋建国,吴琼,夏娜(合肥工业大学计算机与信息学院,安徽合肥230009)的论文《自适应粒子群算法求解Agent联盟》发表于2007年的《智能系统学报》,该研究探讨了在多Agent系统中动态生成最优任务联盟的方法,并提出了一种改进的自适应惯性权重的粒子群优化算法。" 在多Agent系统中,联盟生成是一个至关重要的问题,其核心目标是动态地组建最优的Agent联盟以完成特定任务。传统的解决方案可能面临陷入局部最优的困境,无法全局优化联盟结构。为了解决这个问题,研究人员采用了粒子群优化算法(PSO),这是一种基于群体智能的优化技术,通过模拟鸟群或鱼群的集体行为来寻找问题的最优解。 粒子群优化算法的基本思想是,每只“粒子”代表一个可能的解,粒子在搜索空间中移动并更新其位置和速度,依据当前最好位置(个人最佳)和全局最好位置(全局最佳)调整。然而,原始的PSO算法中,惯性权重c0在整个进化过程中保持不变,这可能导致算法在后期过于依赖当前速度而忽视全局探索。 针对这一局限性,论文提出了自适应惯性权重CADP(Adaptive Inertial Weight)的策略。CADP允许惯性权重在进化过程中动态变化,初期时惯性权重较大,使得粒子有较强的全局探索能力;随着迭代次数增加,惯性权重逐渐减小,增强算法的局部搜索能力,从而在保持全局探索的同时提高收敛速度,避免早熟收敛到局部最优。 通过对比实验,该自适应粒子群算法在解的质量和收敛速度上都表现出了优于传统PSO算法的优势。这表明,CADP策略有效地平衡了全局搜索和局部搜索,提高了联盟生成的效率和质量。因此,这种改进的粒子群算法为多Agent系统的联盟生成提供了一个有效且实用的工具,有助于在复杂环境中形成更优化的任务联盟。 这篇论文的关键词包括:多Agent系统、粒子群优化算法、自适应粒子群算法以及联盟。按照中国图书馆分类号,它属于TP18(自动化技术、计算机科学技术)类别,具有较高的学术价值和技术实用性。