基于多Agent系统的细菌群体趋药性算法研究.docVIP

基于多Agent系统的细菌群体趋药性算法研究 　　摘要：针对细菌群体趋药性（Bacterial Colony Chemotaxis，BCC）算法由于过度依赖群体交互而容易陷入局部最优解的缺陷，结合多Agent系统（Multi-Agent System，MAS）的主要特征构造一种全新算法――基于多Agent的细菌群体趋药性（MABCC）算法。该算法通过每个细菌Agent相互之间的竞争与协作，弱化其对群体信息的依赖，使其能够更精确地收敛到全局最优解。对不同函数优化试例的仿真表明该算法比BCC算法有更好的全局寻优性能。 　　关键词： 细菌群体趋药性算法；多Agent系统；竞争；协作；全局最优 　　中图分类号：TP18 文献标识码：A文章编号：1009-3044(2011)07-1604-03 　　Study on Bacterial Colony Chemotaxis Algorithm Based on Multi-Agent System 　　HUA Liang 　　(Dept. of Automatic Control, Suzhou Campus, Nanjing Institute of Railway Technology, Suzhou 215137, China) 　　Abstract: Bacterial Colony Chemotaxis(BCC)algorithm is easy to fall into a local optimal solution because of the over-reliance on group interaction. To solve the problem, this paper structured a new algorithm―Bacterial Colony Chemotaxis algorithm based on multi-agent (MABCC) combined with the main features of multi-agent system (MAS). Through the competition and collaboration among the bacteria Agent, this algorithm weakens its dependence on the group information. As a result, the bacteria converge more accurately to the global optimal solution. The simulation of some test function optimization using MABCC algorithm shows this algorithm is better than BCC algorithm for the global optimization. 　　Key words: bacterial colony chemotaxis algorithm; multi-Agent system; competition; collaboration; global optimal 　　细菌群体趋药性（Bacterial Colony Chemotaxis，BCC）算法[1-2]是一种从细菌趋药性（Bacterial Colony，BC）算法[3-5]发展起来的新的基于群体智能的优化方法。BCC算法相比其它智能优化算法，由于各细菌的移动步长和方向按照概率分布取值，因此具有固有的突破局部最值限制的性能。但是，算法本身存在一定的缺陷。 　　1）BCC算法计及邻域内群体信息对细菌个体运动的影响，提高了算法的总体收敛速度和求解效率，然而当邻域内群体信息优于个体自身的选择时，原有的个体信息将会被放弃，转而向邻域最优解靠拢。如果邻域最优解是局部最优解，那算法最终可能局部收敛。 　　2）如果某一细菌在算法初期陷入局部最优，而不幸的是该细菌又是群体中的最优个体，那它极有可能给其它细菌提供错误信息（Wrong Info），将其它细菌引入局部最优区域，从而使其它细菌错过到达全局最优的机会。 　　综合上述两点，影响算法收敛性的主要原因有：1）原本有可能到达全局最优的细菌个体被其它细菌误导，从而放弃原有的轨迹信息（群体对个体的影响）；2）最先到达局部最优的细菌个体误导其它细菌，使其陷入局部最优（个体对群体的影响）。 　　多Agent系统（Multi-agent System，MAS）的概念起源于人工智能领域，是分布式人工智能的主要方向之一。Agent是对过程运行中的决策或控制任务进行抽象而得到的一种具有主动行为能力的实体，它