多智能体量子多目标进化算法及其在EELD问题中的应用

环境经济负荷分配问题是电力系统中重要的多目标优化问题。求解多目标优化问题的关键在于找到尽可能多的Pareto最优解。在基于量子进化理论,智能体的竞争、学习能力和生物的进化策略的基础上,提出了一种用于求解多目标优化问题的量子编码的多智能体进化算法。该方法将智能体分布在多智能体网络环境中,智能体之间通过量子进化来生成问题的可行解。将该算法应用于经济环境负荷分配的两目标(燃料成本和NOx排放)与三目标(燃料成本,NOx排放和SO2排放)优化问题,通过与经典多目标优化算法进行比较,表明了该算法的有效性。     

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.     

交互式多智能体进化算法及其应用

将多智能体技术应用于交互式进化计算领域，提出一种新的交互式多智能体进化算法。该方法让固定在网格上的相邻智能体之间展开竞争和熏优智能体本身的自学习，来提高智能体的能量，从而使得算法获得较强的全局收敛能力和局部搜索能力。算法以较快的进化速度收敛，并且用户每次只需要选择2个左右最感兴趣的个体，使得评价具有易操作性和轻松性，从而有效缓解用户的疲劳。服装设计的仿真实验证了算法的可行性和有效性。     

基于多智能体强化学习的多机器人协作策略研究

研究了一种基于智能体动作预测的多智能体强化学习算法. 在多智能体系统中,学习智能体选择动作不可避免地要受到其他智能体执行动作的影响,因此强化学习系统需要考虑多智能体的联合状态和联合动作.基于此,提出使用概率神经网络来预测其他智能体动作的方法,从而构成多智能体联合动作,实现了多智能体强化学习算法. 此外,研究了该方法在足球机器人协作策略学习中的应用,使多机器人系统能够通过与环境的交互学习来掌握行为策略,从而实现多机器人的分工和协作.     

基于多智能体粒子群的快速碰撞检测算法研究

在层次包围盒的基础上,提出一种基于多智能体粒子群的快速碰撞检测方法.算法首先利用层次包围盒方法快速减小物体间可能发生的碰撞检测区域,并基于随机碰撞检测核心思想将问题转变为物体特征对间距离机制的非线性优化问题,在建立的层次拓扑结构基础上,结合多智能体系统技术和粒子群算法的进化策略,设计了一种多智能体粒子群算法来求解碰撞检测问题.通过仿真测试表明,该算法具有很高的搜索效率和寻优性能,能够满足碰撞检测的实时性要求.     

基于协进化方法的多智能体协作系统体系结构及其仿真框架

通过分析多智能协作问题的研究现状，借鉴自然界中物种之间协同进化机制而得到的协进化计算思想，提出了基于协进化机制的多智能体系结构和协作方法，介绍了协作化智能体的分层设计方法，协进化智能体之间以及智能体与环境之间的交互过程，并设计了基于协进化方法的多智能体系协作系统仿真框架，以多武器平台协同的控制对抗仿真系统为背景进行了实验研究。     

动态环境下基于可进化性的多目标化进化算法

可进化性是对进化系统中进化过程动态性能的表征,个体可进化性直接影响种群进化的质量与效率.选择个体适应值改进的比率和基因型的差异对个体可进化性进行度量.以个体可进行性的度量为附加函数,提出分别基于两种可进行性度量的多目标化进化算法.在不同复杂度动态环境下进行算法性能验证.结果表明新算法具有良好的动态优化性能.     

基于学习分类器系统的企业战略适应性地形图模型

为了从更加数量化和系统化的理论角度用适应性地形来研究企业战略,选取了学习分类器系统作为企业智能体的原理算法,并构建了由企业智能体和企业环境构成的战略适应性地形图模型( 企业智能体的环境包括行业、企业和战略行业因素,企业智能体则通过学习分类器系统的规则和信息分配子系统、奖励子系统和规则发现子系统运行,通过行业规则库和战略资产规则的进化来适应环境并寻求更高的适应性( 最后给出了战略适应性地形图的示例,说明战略地形图模型可以比较形象直观地模拟企业的共同进化景象,并指出了战略适应性地形图的下一步研究方向。     

VGE多用户协作建模与虚拟演示

提出将多智能体技术集成到虚拟地理环境（VGE）中,以有效地虚拟表达面向“人”GIS。主要研究VGE中基于遗传算法（GA）和多智能体系统（MAS）的多用户之间的协作。分析和研究了基于GA的多用户集体操作行为学习的算法,建立多智能体与对象之间动态交互的动力学作用模型和运动策略;最后以进化的3个智能体如何协作完成群体推立方体箱任务为例,基于V-Realm Builder 2.0设计了VGE中3用户集体推箱的虚拟世界原型,并用Simulink 6.0进行建模与虚拟演示。     

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下可以实现全局收益最大化, 有效解决了指挥控制系统过程中的协同优化问题。