基于多Agent群体状态预测策略研究.docVIP

基于多Agent群体状态预测策略研究 　　 摘 要：为了体现复杂适应系统的对未来状态的预测能力，以达到预测效果，设计并实现了基于多Agent技术的遗传算法，针对协商时间长，协商无结果的情况，引入了遗传算法并做了相应改进，该算法结合Agent理论，在评价函数、种群规模与分布、交叉和变异操作等方面都对传统遗传算法进行了改进，尤其是在高维度计算下，利用多Agent技术达成的自动协商，在性能和效率上都有提高。?? 　　关键词：Agent；复杂适应系统；遗传算法；预测?? 　　中图分类号：TP301 文献标识码：A 文章编号：1672-7800（2011）08-0016-03?お? 　　?? 　　作者简介：刘康（1984-），男，湖南衡南人、中南大学信息科学与工程学院研究生，研究方向为Agent理论；余腊生（1969-），男，湖北黄冈人，博士，中南大学信息科学与工程学院副教授，研究方向为Agent理论。 　　 0 引言?? 　　 对复杂适应系统研究的一个重要任务就是在复杂的环境下，对未来的一个状态进行预测。复杂适应系统是由多种具有智能性的个体构成，个体的适应性会导致系统更加复杂。但是，个体在外界环境没有发生变化的情况下是不会对自身的状态进行调整的。故适应性导致复杂性，这 　　 　　 　　个结论里面还隐含着一个信息：个体之间必然进行了协商通信，只有进行了协商，个体才会意识到环境变化，这时，对复杂环境预测未来状态的研究工作可以转移成通过研究多Agent的协商结果，它也是对未来状态的一种理性认识。 　　 　　1 遗传算法引入?? 　　1.1 遗传算法概述?? 　　 传统的遗传算法，本来是对达尔文的自然选择理论的一个借用。模仿自然选择的思路，种群通过选择个体、遗传基因、基因变异等方式，使得种群朝着更适应环境的方向发展。在计算机中引入遗传算法，目的也跟自然界种群进化一样，为了获取更优的后代。?? 　　1.2 遗传算法的基本原理?? 　　 根据问题的不同，算法给出评价函数，通过该评价函数可以检测个体的适应值。遗传算法一般过程如图1所示：?? 　　 　　2 遗传算法与多Agent结合的必要性?? 　　 遗传算法在寻求全局最优解方面，有很大的优势，但它本身也存在不能忽视的缺陷。首先，算法对未知空间的探索能力不是很足，使得该算法很容易误把局部的最优解当成全局最优解；第二，涉及到对达到一定规模的个体进行计算，计算花费的时间是个很大问题；第三，对讨论问题的处理维度较小，当维度较高时，很难做到性能优化；最后，得到的最优解结果不够稳定，因为算法本身的变异等操作带有随机性，使得最优解的可靠性有待商榷。?? 　　 　　图1 简单遗传算法基本结构?? 　　 本文在对复杂适应系统的研究中，着重选取了对未来状况的预测进行研究，这也是论文结合遗传算法及Agent技术的出发点和落脚点。在复杂适应系统中涉及到的个体，并不能简单的用一维的方式进行处理，很难找到合适的适应性函数来进行描述，而采用Agent技术后，可以采用智能体Agent的评估行为来代替个体适应性的自动计算，使得个体可以在综合各方面的情况下来指导选择和变异操作。再者，基于多Agent技术的遗传算法具备很好的收敛速度，它的智能性也增强了对未知空间的探索能力，而且对高维情况特别适用，这样的话可以大大减少算法计算量，弥补了算法早熟、结果不稳定等缺陷。?? 　　3 基于多Agent的遗传算法的实现?? 　　 在基于多Agent技术的遗传算法实现中，本文将染色体当成一个智能体Agent进行处理（命名为染色体Agent）。先初始化染色体Agent的适应值，这里所谓的染色体Agent适应值即染色体的能量，每个染色体Agent的目标都是最大化其能量。为便于研究，论文将染色体Agent都规定生存在一个拓扑结构网络上，把它称为染色体网络。记为R，规定每个染色体Agent不能移动，并且他们只能感知其周围染色体Agent的变化，并且能与这些染色体Agent进行交换。?? 　　3.1 智能体Agent的生存环境设计?? 　　 Agent作为一个计算实体，它具备感知环境的能力，并能对外界环境做出相应的反应。由此可知，染色体Agent作为Agent的一类，它也具备推理能力、交流能力及与其他同伴的协作能力等，染色体Agent不仅可以相互影响，也能通过感知环境来改变自己，进而改变环境。?? 　　 本文的智能体Agent生存环境设计为4×4的网络形式，如图2所示。本文在每个位置上放置一个染色体Agent，并做了相应标记。为了防止边界效应，本文设置的生存环境为环形拓扑结构，及在每个位置的染色体Agent能联系的其他染色体Agent数目都是一样的。每个染色体Agent的领域Agent数目是确定的，这个