基于混合蚁群算法的MAS任务分配*

在MAS（多agent系统）中,由于任务的复杂性和agent求解问题能力的不同,任务和agent不再是传统的一对一的关系。为解决MAS的任务分配问题,提出了任务与agent之间多对多的任务分配模式。首先建立了任务分配的数学模型,并导出分配优化的目标函数;其次利用混合蚁群算法快速收敛和分布式求解的特点实现任务分配的组合优化。对实验仿真的结果分析表明,多对多的任务分配模式能够明显提升多agent系统的性能。     

改进蚁群算法求解旅行Agent问题

利用蚁群算法来求解TAP问题是解决移动Agent迁移策略的一种有效途径。旅行Agent问题是复杂的组合优化问题,蚁群算法作为一种新的生物进化算法,具有并行、正反馈和启发式搜索等特点,适合求解NP难问题。在蚁群算法的基础上,提出分泌多种信息素的改进蚁群算法来求解旅行Agent问题,动态反应了节点服务能力和网络负载的变化,使迁移更具有灵活性。实验结果表明了该文算法的可行性。     

多Agent系统中基于招投标的任务分配优化

在利用多Agent系统辅助生产任务分配过程中,为避免仅凭招投标结果来确定任务分配方案时只能获得局部最优的问题,提出了一种生产任务分配全局优化方法。建立了基于招投标结果的生产任务分配优化目标函数,设计了退火进化算法,实现生产任务的综合评标。通过实例验证说明算法求解该问题可行有效,便于获得生产任务分配的全局最优方案。     

知识化制造系统的任务分配决策

为解决知识化制造系统(KMS)的任务分配问题,给出一种基于Agent的KMS体系结构,提出一种特征控制的概念和一种基于Tabu搜索的优化算法,在建立的数学模型基础上,对特征控制的动态过程进行描述,并给出算法的详尽步骤,该算法和特征控制的结合使任务分配决策系统能够动态地响应任务和Agent的变化,最后的仿真实例验证了该方法的有效性。     

一种动态分布式约束优化问题协同求解算法

多Agent协作过程中的许多问题都可在分布式约束优化问题(DCOP)框架下建模,但多局限于规划问题,且一般需Agent具有完全、准确收益函数.针对DCOP局限性,定义动态分布式约束优化问题(DDCOP),分析求解它的两个关键操作:Exploration和Exploitation,提出基于混沌蚂蚁的DDCOP协同求解算法(CA-DDCOP).该算法借鉴单只蚂蚁的混沌行为和蚁群的自组织行为,实现Exploration和Exploitation,根据玻尔兹曼分布,建立平衡Exploration和Exploitation的协同方法.通过多射频多信道无线AdHoc网络的信道分配验证该算法的有效性.     

基于分解优化的多星合成观测调度算法

某些卫星的侧摆性能较差, 必须进行合成观测以提高观测效率. 研究了多星联合对地观测中的任务合成观测调度问题. 提出了将原问题分解为任务分配与任务合成的分解优化思路. 任务分配为任务选择卫星资源及时间窗口; 任务合成则针对该分配方案,将分配到各卫星的任务按照轨道圈次分组, 分别进行最优合成. 采用蚁群优化算法(Ant colony optimization, ACO)求解任务分配问题, 通过自适应参数调整及信息素平滑策略, 实现全局搜索和快速收敛间的平衡.提出了基于动态规划的最优合成算法, 求解任务合成子问题,能够在多项式时间内求得最优合成方案. 依据分配方案的合成结果, 得到优化方案的特征信息, 反馈并引导蚁群优化算法对任务分配方案的搜索过程. 大规模测试算例验证了本文算法的效率.     

基于蚁群-遗传融合框架的仓储群机器人任务分配

将智能仓储中的自主移动群机器人订单任务分配,建模成群机器人协同调度的多目标优化问题,将成员机器人完成拣货任务的路径代价和时间代价作为优化目标.设计了蚁群-遗传算法融合框架并在其中求解.该框架中,蚁群算法作为副算法,用于初始种群优化;遗传算法改进后作为主算法.具体地,在遗传算法轮盘赌选择算子后引入精英保留策略,并在遗传操作中加入逆转算子.针对不同数量的订单任务,使用不同规模的群机器人系统进行了任务分配仿真实验.结果表明,在本文所提的融合框架中求解,较分别使用蚁群算法或遗传算法单独求解,性能上具有明显优势,能够发挥蚁群算法鲁棒性好和遗传算法全局搜索能力强的特点,提高智能仓储系统的整体运行效率.     

蚁群算法求解分布式系统任务分配问题

蚁群算法是受自然界蚂蚁觅食过程中,基于信息素的最短路径搜索食物行为的启发提出的一种智能优化算法.研究表明,在求解复杂优化问题方面该算法具有一定的优越性.任务分配问题是一类典型的组合优化问题.应用蚁群算法来解决多处理器分布式系统上的任务分配问题,一个任务只能分配给一个处理器处理,而一个处理器可以处理多个任务,其中每个处理器都有固定成本和能力限制.仿真结果表明,该算法比禁忌搜索和随机方法具有更好的求解能力.     

二进制编码差异演化算法在Agent联盟形成中的应用

在多Agent系统中,通过形成联盟可以提高Agent求解问题的能力,因此,联盟是多Agent系统的重要合作方法.从本质上讲,Agent联盟的形成是一个复杂的组合优化问题.引入差异演化算法来解决这一问题.差异演化是一种基于群体差异的演化算法,适合于求解连续空间的最优化问题.首次将以实数编码的差异演化算法应用于Agent联盟问题,提出二进制编码的差异演化算法解决组合优化问题,通过引入S型函数把变异操作的结果限制在集合{0,1}上,可以快速、高效地找出合适的Agent联盟.与遗传算法和蚁群算法的对比实验表明,该算法是正确、有效、可行的,在运行时间和解的性能上都优于相关算法.     

混合蚁群算法求解分布式系统任务分配问题

任务分配问题是被公认的NP-hard问题,应用广泛。在对分布式系统任务分配问题进行分析的基础上,将蚂蚁寻求任务分配方案的过程用一种新的图形表示方式来实现。针对蚁群优化算法易陷入局部最优的固有缺陷,提出了一种新的混合算法,该算法将蚁群优化算法与简单禁忌搜索算法相结合,增强了算法的局部搜索能力,提高了任务分配问题解的质量。实验结果表明混合算法的求解性能较优。     

一种基于Q学习的分布式多任务流调度算法

近来实时动态任务分配机制得到越来越多的研究.考虑多任务流并存时的任务分配问题,提出基于Q学习的分布式多任务流调度算法,不仅能适应自身任务流的到达过程,还充分兼顾其他任务流的到达及分配的影响,从而使得整个系统长期期望回报最大.分布式特性使得算法适用于开放的,局部可见的多Agent系统;强化学习的采用使得任务分配决策自适应系统环境隐藏的不确定性.实验表明此算法具有较高的任务吞吐量和任务完成效率.     

网络环境下多机器人的任务分配实现

多机器人协调系统中,任务分配机制的合理与否直接决定了系统中的各机器人的工作效率。该文在分析了MAS系统中任务分配的几种方法后,提出了以任务分配的一种———协商机制为基础,用网络通讯来实现多机器人间任务的分配模型,以便合理地分配任务。试验证明方法行之有效。     

多主体目标优化的动态合作博弈方法*

通过多目标优化和动态合作博弈理论,定义了联盟中多主体目标优化问题,提出了能够适应动态环境的基于合作博弈的多主体目标优化模型。该模型的组成一方面能够利用主体的协作能力,另一方面又能够充分考虑动态联盟的特征,适合大规模网络中多主体协作,避免模型中主体理性和团体理性的冲突。基于所提出的多主体目标优化模型,设计了一种联盟效用分配算法。仿真实验表明,联盟效用分配算法能够使多主体根据最优共识原则,分配各方的合作效用,从而达到多赢的帕累托最优局面。     

基于拍卖的多智能体任务分配算法

任务分配是多智能体系统协作关键问题,对此提出一种基于拍卖的多智能体任务分配算法.在限定时间内,利用拍卖算法综合考虑完成任务的效益及各智能体完成任务需付出的代价,得到接近最优的任务分配方案.动态的环境会造成方案滞后,通过动态调整,重要任务可吸引到更多智能体.为减轻动态调整过程的通信负担,引入令牌的概念,由令牌控制智能体发送信息的权利.通过在机器人救援仿真系统中的成功应用,验证了本算法的有效性.     

基于多Agent的运输任务系统的研究

运输任务分配是供应链中一个十分重要的问题。将多Agent技术应用于运输任务分配系统，通过多Agent之间的协商完成运输任务的分配，并利用JavaBean技术为Java提供了基于组件的软件开发体系，开发了一个运输任务分配的原型系统。     

基于拍卖的动态任务分配算法

动态任务分配是开放式MAS系统研究的重点。在文献[9]给出的算法基础上,针对任务分配或执行过程中,随时有新任务出现的情况,本文提出一种改进算法,同时考虑Agent对已知任务和未来任务的期望度,以引导Agent合理出价,从而得到较优的分配结果。通过在多Agent运输军需问题中的应用,验证了该算法是合理有效的。     

一种多智能体系统任务竞争模型及算法研究

致力于解决多智能体系统中的任务分配问题，基于社会生活中的竞争现象提出了一种多智能体竞争模型，同时提出了解决多智能体任务分配的详细算法．文章引入博弈论来研究存在相互外部约束条件下的个体选择问题．为了克服求解纳什均衡点的复杂性，本文采用了一步纳什均衡的方法．仿真结果证明了本模型的合理性和算法的有效性．     

基于信任度的合一系统社会任务分配

在多智体社会网络中,传统的任务分配模型一般采用直接面向任务执行者的分配机制.它们不考虑社会网络组织结构对任务分配性能的巨大影响,也很少透彻地研究不可靠社会中的任务分配.针对这些问题,本文开创性地研究了软硬件合一系统的任务分配,即按递阶、分层的思想设计了协作组织模型,并基于此提出了面向社区基于社会协调“软件人”的任务分配模型.模型研究过程中,提出了基于直接信任度和社区声誉的社区信任度评估机制、基于社区信任度和社区物理能力的节点选择机制、基于负载均衡的社区内任务分配机制和基于上下文资源的任务再分配策略.实验结果表明：与常见的直接面向任务执行者和基于资源的任务分配模型相比,所提出的模型具有更优的任务分配性能,且对社会任务环境变化具有更好的鲁棒性;社区内基于负载均衡的分配机制和基于上下文资源的再分配策略也有效提高了分配性能,降低了网络中的通信密度.     

多Agent系统中基于改进合同网模型的任务分配研究

任务分配是多Agent系统中研究的热.奴,合同网模型是关于多Agent系统中任务分配的经典策略,但传统的合同网模型存在很多不足。在引入基于信任度的招标策略和基于自适应的投标策略的基础上,主要针对传统合同网模型中标阶段存在的问题,从投标Agent的负载、能力和信任度3个方面进行综合考虑和权衡,提出了一种基于多属性评价中标策略的动态任务分配算法,从而有效地提高了任务分配和执行的效率。最后通过仿真实验验证了基于多属性评价中标策略的正确性和合理性。