解排列优化整数编码多智能体进化算法.docVIP

解排列优化整数编码多智能体进化算法摘要：为解排列优化问题，在多智能体进化算法的基础上，提出一种整数编码的多智能体进化算法。重新定义了竞争算子和自学习算子。在网格内，智能体与周围的8个智能体构成竞争域，优胜智能体将编码段植入失败智能体，只有优胜者能获得自学习机会，自学习算子中智能体通过两种编码段换位方式来提升能量。使用本算法在旅行商问题典型数据上进行测试，与现有文献比较，表明该算法具有更好的全局寻优能力而且收敛稳定性更好 关键词：排列优化；多智能体进化算法；旅行商问题；进化算法；整数规划 中图分类号：TP18 文献标识码：A Number Coding Multi-Agent Evolutionary Algorithm for Deployment Optimization YUAN Zhi (South-China Institute of Software Engineering, Guangzhou University, Guangzhou 510990, China) Abstract: For deployment optimization, Number Coding MAEA named as NC-MAEA is proposed based on Multi-agent Evolutionary Algorithm, the competition operator and learning operator are redefined. In grids, a agent and 8 agents around constitute a competing area, the winner plants it?s codes fragment into failure?s codes series, only winner obtains learning chance, in learning process it swap code fragments in two ways to improve energy. Simulated with the typical test data of in traveling salesman problems, compared with other related literatures, it has been proved that NC-MAEA has better global optimization ability and convergence stability. Key Words: deployment optimization; Multi-Agent Evolutionary Algorithm; traveling salesman problem; Evolution Algorithm; integer programming 1.引言 排列优化问题广泛应用在生产调度、工程规划等方面。不失一般性，排列优化问题可以转换为一个整数规划下的函数极值问题,描述为： minZ =F(x1, x2, …, xn) (xi∈N；1≤xi≤n；若i≠j,xi≠xj)minZ =F(x1, x2, …, xn) 旅行商问题是排列优化问题的典型代表。旅行商问题是个NP完全问题，传统算法中用分支定界法来求解，但当数据规模过大时，会出现“组合爆炸”问题，目前多用智能算法求解[1]。文献[2][3][4]使用0-1编码，通过遗传算法和二进制粒子群算法求解旅行商问题，文献[5]使用整数编码，通过模拟退火粒子群算法来求解旅行商问题，文献[6]使用混合蚂蚁算法来求解旅行商问题。通过分析以上文献的计算结果，发现它们的全局寻优能力和收敛稳定性都有待提高 多智能体进化算法(Multi-Agent Evolutionary Algorithm，MAEA)用智能体网格构造进化环境，每个智能体依据目标自我学习以提升能量，并在邻域中参与竞争，竞争失败便被邻域中能量最大的智能体淘汰，不需要全局消息，更接近于自然界进化模式[7]。文献[8]提出了组合优化多智能体进化算法，证明了算法的全局收敛性。但以该算法求解排列优化问题时存在明显不足：采用0-1编码产生大量重复编码段属于非法解，导致大量无效计算；0-1编码使解空间编码规模庞大，迭代运算时间长；以逻辑运算为基础的淘汰算子和学习算子在排列优化问题中难以赋予清晰的自然语义 本文提出整数编码的多智能体进化算法(NC-MAEA)，在原算法的基础上重新设计竞争算子和自学习算子。在旅行商问题的典型测试数据上进行仿真，实验表明，它的全局寻优能力和收敛稳定性更好 2