基于质点模型多智能体遗传算法.docVIP

基于质点模型多智能体遗传算法 　　摘要：针对传统遗传算法优化高维函数效率不高的问题，借鉴质点间相互作用机制，提出了一种基于质点模型的多智能体遗传算法。基本思想是：定义质点的质量表示智能体的历史活动信息及具有的能量，通过质点间引力作用的特点，不断提高智能体的自学习能力和自身的能量。该算法具有较高的优化效率，特别适合高维函数的优化。 　　关键词：遗传算法；多智能体；质点模型；算法效率 　　DOIDOI：10.11907/rjdk.172216 　　中图分类号：TP312 　　文献标识码：A文章编号文章编号2018）001008104 　　Abstract：A multi agent genetic algorithm based on particle model is proposed for the traditional genetic algorithm， which is prone to search efficiency is not high and precocious. The quality of the defined particle represents the historical activity information of the agent and its energy. Through the interaction between the particles， the selflearning ability and the energy of the agent are improved. The algorithm has higher optimization efficiency and is especially suitable for the optimization of highdimensional functions. 　　Key Words：genetic algorithm； multiagent； particle model； algorithm efficiency 　　0引言 　　?z传算法是经过模拟生物在自然界的进化而产生的一种优化算法，应用广泛。但传统遗传算法在优化高维甚至超高维函数时，效率不高，从而使其实用性大打折扣。基于智能体（Agent）的优化方法已广泛应用于计算科学的各个领域，它们通过推理、学习、协作和协商能力感知环境并做出反应，可对复杂问题有效求解。多智能体系统的分布式并行布局有利于防止遗传算法早熟，而智能体自身的邻域结构有利于提高种群的局部搜索能力，由此产生了很多改进的遗传算法[1]。钟伟才[24]等将智能体与遗传算法相结合，提出了多智能体进化算法，提升了算法的求解精度，但是消耗了大量时间；文献[5]提出的协同进化遗传算法收敛速度快，但它破坏了变量之间的相关性，导致搜索解的质量差；文献[6]把智能体的动态链式网络布局加入到遗传算法中，削减了次优个体过早获得“顶端优势”，防止早熟，可以保持种群多样性；文献[7]把均匀设计方法加入到智能遗传算法中，在某些方面避免了局部最优；文献[8]将差分进化算子结合到多智能体遗传算法上，提升了智能体的换代速度；文献[9]提出了交互式多智能遗传算法，增强了算法的全局收敛能力和局部搜索能力；文献[10]把多种群的概念加入到遗传算法中，考虑了种群数量对收敛速率的影响；文献[11]创建了包括“智能体、环境、交互式规则”3个重要概念的AER模型，有效解决了多达7 000个皇后的问题和一些大规模着色问题；文献[12]把均匀设计的思路、多智能体系统以及遗传算法相结合，提出了高维多峰函数算法，拥有很好的全局搜索能力和较快的收敛速率。上述各种改进算法都在某些方面提高了算法的寻优能力和收敛速度。 　　为了提高遗传算法高维优化的效率，本文将“理想化模型――质点”的思想引入到多智能体遗传算法中，提出了一种基于质点模型的多智能体遗传算法。算法采用多智能体相互作用的演化结构，各智能体分别与其它智能体 　　产生引力作用，通过矢量合成得到各智能体合力，相互进行比较、竞争、合作及自学习，实现自身能量的增加，向着群体最优的方向移动，各智能体定期通过引力作用操作进行信息交互。 　　1质点模型的多智能体遗传算法 　　1.1质点模型 　　任何物体都具有尺寸、形状、质量和空间特性，这些属性混合在一起就很难确定物体的位置和研究对象的运动。假设物体是在一个很大的空间内，自身的体积远远小于空间范围，则确定物体在空间的位置时，其自身因素对结果影响很小，这时就可以忽略物体的尺寸和形状等特性，用一个具有质量的点去代替实际物体，在物理学中称为质点。质点是科学概括的产物，是一个理想化模型，事实上不存在。质点并不是凭空想