自适应粒子群算法优化多Agent联盟生成

"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。