导读:本文包含了多智能体进化算法论文开题报告文献综述及选题提纲参考文献，主要关键词:任务分配,智能体系统,正交矩阵,正交交叉
多智能体进化算法论文文献综述
熊远武,赵岭忠,翟仲毅[1]（2019）在《基于差分进化算法多智能体任务分配》一文中研究指出为提升多智能体系统的工作效率,克服差分进化算法DE (differential evolution)在多智能体系统任务分配过程中的不足,提出一种基于QOC (quantization orthogonal crosser)策略改进的正交交叉差分进化算法AOCDE (an orthogonal crosser differential evolution)。QOC在DE算法基础上,引入正交思想和数据量化技术,通过改变交叉策略,增强算法全局寻优能力,提升算法收敛性。使用该算法解决多智能体系统任务分配问题,将仿真结果与其它算法进行比较,验证了该算法的有效性。(本文来源于《计算机工程与设计》期刊2019年10期）
刘振,郭恒光,李伟[2]（2019）在《协同量子智能体进化算法及其性能分析》一文中研究指出针对当前量子进化算法的特点和不足,提出了一种分层协同进化的量子智能体进化算法.将种群个体视为以量子编码的智能体,采取叁级进化方法,在子种群之间进行个体交流,子种群内部进行个体竞争操作,个体内部能够进行局部调整,使得进化操作能够作用在不同的小生境范围内,增强了进化的粒度.利用不动点定理对所提算法的收敛性进行分析,结果显示,算法能够收敛到最优值.对多个基准函数进行仿真对比分析,该算法具有更好的收敛精度.(本文来源于《北京邮电大学学报》期刊2019年02期）
范柄尧[3]（2018）在《差分进化算法在多智能体路径规划中的应用研究》一文中研究指出随着工业技术发展的不断进步,智能体路径规划问题需要在更加复杂和多样的工作环境中完成,而由于单个智能体的应用范围有限,需要发展多智能体系统来提高工作性能。多智能体的路径规划是一个复杂的问题,需要考虑环境建模、避障和协调等技术理论。本论文通过对差分进化算法(Differential Evolution,DE)进行改进,分别针对单/多智能体在全局信息已知条件下的路径规划问题进行研究。本文的主要工作包括:(1)分别介绍了智能体路径规划研究情况和相关的国内外研究现状,介绍了路径规划的常用方法,并分析了这些的方法的优点和缺点;介绍了DE的国内外研究现状和常用的改进策略以及算法的基本原理和流程。(2)针对现有的环境建模方法进行优缺点分析,建立本文的环境模型,在此环境模型下,设计路径编码方式和最短无碰撞路径模型。(3)针对单智能体无碰撞最短路径规划问题,提出人工势场-差分进化混合算法。建立单智能体全局环境信息已知的无碰撞路径模型,采用差分进化算法规划智能体最优路径。针对DE的变异因子,采用适应性的调节策略;针对差分进化算法在交叉操作过程中的不可行解,提出人工势场法不可行路径修正策略,提高算法寻求最短路径的有效性。实验结果表明,所提混合算法的收敛速度和求解质量均优于基本差分进化算法,实现了单智能体的最短无碰撞路径问题的有效求解。(4)针对多智能体有碰撞路径规划问题,提出了混合思维进化算法的差分进化算法(Memetic Differential Evolution Assisted by Mind Evolution Algorithm,MDEMEA),将DE的初始种群分成多个规模相同的子种群,根据相应的数学模型,采用MDEMEA算法规划多智能体路径,针对算法过程中产生的智能体间的碰撞路径点,设计多智能体协调策略,仿真研究表明了所提MDEMEA算法的实用性。(本文来源于《太原科技大学》期刊2018-04-01）
陈上,崔国民,张春伟,段欢欢[4]（2016）在《一种热集成系统的动态多智能体微分进化算法》一文中研究指出针对热集成系统换热网络存在的严重非凸非线性与多维多极值问题,提出动态多智能体微分进化算法.结合动态更新策略,并引入多智能体算法的环境感知能力,改进微分进化算法的种群生成方式与变异机制,并增强在大规模复杂非线性系统中的全局搜索能力.通过10SP2与9SP1换热网络经典算例优化,得到最佳年综合费用,体现出了改进算法更优的全局搜索能力.(本文来源于《计算物理》期刊2016年03期）
陈上[5]（2016）在《换热网络的动态多智能体微分进化算法及温差均匀性优化原则》一文中研究指出换热网络作为过程工业的一个重要组成部分,其优化设计对整个系统能量的合理利用起着重要作用。目前,换热网络优化问题的研究主要采用确定性方法和启发式方法。确定性方法虽然发展的比较成熟,对于单极值问题的求解能够搜索到最优解,但应用于换热网络综合时,此类方法对初始值的依赖性很强,很难得到全局最优解。启发式方法通过模拟某些自然现象规律具有很强的搜索能力,且对目标函数的要求较低,但其得到的优化结果不能从理论上证明是全局最优解。鉴于此,本文分别采用确定性方法与启发式方法优化换热网络,并针对算法在优化过程中存在的问题,提出改进策略,使其在寻优过程中,跳出局部最优解,搜索更优的换热网络设计。此外,根据温差均匀性优化原则建立带有内部公用工程的分级超结构模型,并利用改进后的启发式算法优化模型。主要研究内容如下首先,本文建立了以年综合费用为目标函数的换热网络数学模型,选取牛顿法和序列线性规划法作为研究的确定性方法。为加强牛顿法的全局搜索能力,提出了一种改进的一维搜索方法;为克服序列线性规划法在计算过程中易陷入局部极值问题,提出了一种改进的变步长搜索策略。通过文献中的算例对其验证,结果表明,改进后的确定性方法的性能明显提升,但全局搜索能力依然有待提升。然后,提出了一种结合序列线性规划法的微分进化算法,在微分进化算法的随机性上加入确定性因素以提高算法的优化性能。此外,提出换热单元协进化的微分进化算法处理换热网络优化中的结构进化问题,赋予微分进化算法优化整型变量的能力。继之,为进一步提升微分进化算法的性能,提出动态更新策略与多智能体概念,并将两者结合,首次建立了动态多智能体微分进化算法,通过不同规模的算例验证了算法的有效性,均获得了优于基本微分进化算法的结果。最后,基于场协同原理,深入研究温差均匀性因子在换热网络中的评价效能,针对存在内部公用工程的换热网络结构的温差均匀性深入分析,并发现内部公用工程对换热网络温差场分布均匀性的积极作用,基于此建立内部公用工程分级超结构模型,并利用动态多智能体微分进化算法优化新的超结构模型,得到存在内部公用工程的换热网络结构且其年综合费用低于文献结果,同时进一步证明了温差均匀性因子能够准确的评价换热网络的换热效能。(本文来源于《上海理工大学》期刊2016-02-01）
朱园[6]（2014）在《基于多智能体进化算法的布图方法及叁维装箱方法》一文中研究指出在人类活动的方方面面,我们经常会遇到装箱问题(Bin Packing Problem,BPP),比如运输业的装货问题、制造业中的切割问题、布局问题等等。装箱问题是一种组合优化问题,它的合理求解算法能在很大程度上节约资源、减少损耗。装箱问题属于NP-Hard问题,传统的精确算法会为装箱问题的求解过程带来计算量的组合性爆炸,所以启发式的求解方法成为了装箱问题的理论研究和实际应用方面的第一选择。生活中的装箱问题因为其装载约束和优化目标不尽相同,所以解决方法也多种多样。装箱问题求解算法的核心部分是放置方案,即解码算法。目前研究的装箱问题主要有二维装箱问题(Two-dimensional Bin Packing Problem,2D-BPP)和叁维装箱问题(Three-dimensional Bin Packing Problem,3D-BPP)。2D-BPP的求解算法已经有了大量学者的研究,他们提出了一些比较好的启发式算法。很多3D-BPP的解码算法都是由2D-BPP的解码算法扩展而来,所以为了更好的研究3D-BPP,必须先了解2D-BPP的解码方法。超大规模集成电路(Very Large Scale Integration,VLSI)布图规划(Floorplanning)是二维装箱问题的一种特例,因此,本文首先设计了解决超大规模集成电路布图规划问题的算法,再将该算法扩展到3D-BPP。本文使用的优化算法有多智能体粒子群算法(Multi-agent Particle Swarm Optimization,MAPSO)和多智能体遗传算法(Multi-agent Genetic Algorithm,MAGA),下面是本论文的主要工作:1.采用移动模式序列(Moving Block Sequence,MBS)作为解码算法来解决超大规模集成电路布图规划问题。MBS是一种非二分的布图表示方法,它的凸搜索空间为算法中交叉算子的设计提供了平台。MBS所需的存储量与已有方法相比更小,并可以保证所有的布局为左下紧布局。传统的粒子群算法,具有普遍性、鲁棒性性强和可以并行优化处理等优点,但为了深层次研究和更加充分的利用生物的智能资源,本文将MBS和MAPSO相结合,构成了一种基于移动模式序列的多智能体粒子群算法(MAPSO-MBS),并使用MCNC和GSRC两个数据集中的部分问题对其进行性能测试,本算法能够得到良好的结果。2.改进适用于二维装箱问题的MBS算法为叁维移动模式序列(Three-dimensional Moving Block Sequence,3DMBS),并将其扩展到无约束叁维装箱问题上,作为无约束叁维装箱问题的解码算法。该算法的存储量小,并且为优化算法中的交叉算法提供了方便,能够使整个放置过程达到最优的结果。3.针对叁维装箱问题,由于实际需求,寻找一种合理有效地放置策略是研究的重要方向。在优化问题的求解过程中,MAGA有非常大潜力。本文将3DMBS和MAGA相结合,构成了基于叁维移动模式序列的多智能体遗传算法(MAGA-3DMBS),并用随机产生的数据对其进行性能测试,得到了良好的结果。(本文来源于《西安电子科技大学》期刊2014-12-01）
王霄[7]（2014）在《基于多智能体进化算法的聚类及其在图像分割中的应用》一文中研究指出图像分割大体上是把需要分割的图像进行划分,并对需要进行后续处理的目标进行标记的一个过程。随着模拟图像全面被数字图像所取代,数字图像处理受到了越来越多的关注,而图像分割就是众多数字图像处理技术中非常重要的一种。图像分割在图像目标识别与图像分析中具有非常重要的意义。由于图像分割是很多其它图像处理技术的预处理,研究人员对其的研究也越来越多,图像分割技术也已经有了长足的发展。目前,研究员们已经提出的图像分割方法数以千计,其中,运用最为广泛的则是由各种聚类算法演变而来的图像分割方法。本文主要针对图像分割的研究,提出两种基于多智能体进化算法的聚类并将其应用于处理图像分割问题。文章先是对图像分割问题进行了介绍,包括分割基本理论以及常见的分割方法,现有技术中的图像分割方法基本上包括传统分割方法和结合各种算法的分割方法两类。本文提出的两种基于多智能体进化聚类算法的图像分割方法,具体是结合多智能体进化算法和特定算法思想的图像分割方法,都是根据介绍的基于多智能体进化聚类的方法的基础上进行改进而来的。主要研究内容有:1.针对现有基于聚类分析的图像分割方法过分依赖于初始参数设定的缺点,特别是针对初始聚类数目设定对图像分割结果影响过大这一缺点,提出一种新的聚类算法来解决图像分割问题。具体方法是指在多智能体进化算法基础上,根据迭代自组织算法中的分裂和合并思想,结合新的分裂算子和合并算子,并将新的聚类算法用于图像分割,有效解决了常用分割方法中分割结果过分依赖于初始设定类别的缺点。并且,由于多智能体进化算法是全局性搜索算法,本算法还解决了种群局部早熟,易陷入局部最优值等问题。2.由于图像分割的评价标准多种多样,单一的评价标准对于分割结果来说,或多或少的存在一些局限性,基于此,我提出一种基于多目标智能体进化算法的聚类方法,并应用于解决图像分割问题。该方法可以很好的做到兼顾多种评价标准,更加全面的来评价聚类结果,所以最终得到的分割结果也更加的贴近于研究需要。基于多目标智能体进化算法的聚类算法在种群多样性方面具有更加明显的优势,在局部早熟方面具有很好的性能,能很好地避免算法陷入局部最优值,更加容易接近全局最优解,该算法还具有鲁棒性好、并行搜索以及自适应性等特点。(本文来源于《西安电子科技大学》期刊2014-12-01）
潘晓英,焦李成,刘芳[8]（2014）在《求解SAT问题的多智能体社会进化算法》一文中研究指出基于Agent社会合作机制以及智能体对环境的感知和反作用能力提出了一种新的求解SAT问题的多智能体社会进化方法MASEA(Multi-Agent Social Evolutionary Algorithm).该方法在多智能体进化思想的基础上,引入人类社会"关系网模型"的概念来建立智能体所能感知的邻域环境;同时在保留原有的竞争算子和自学习算子前提下,根据智能体具有竞争协作的特性,设计了一个新的算子——协作算子来共同完成整个进化过程.以标准SATLIB库中变量个数从20~250的3700个不同规模的标准SAT问题以及基于RB模型所产生的随机实例对MASEA的性能进行了全面的测试,并与其他一些具有较高性能算法的结果进行了比较.结果表明,MASEA具有更高的成功率和更高的运算效率.(本文来源于《计算机学报》期刊2014年09期）
吴亚丽,薛芬[9]（2014）在《知识引导的多目标多智能体进化算法》一文中研究指出将智能体模型与知识模型相结合,提出一种知识引导的多目标多智能体进化算法.算法定义了智能体的不同邻域环境,并通过对邻域之间的竞争、正交交叉、知识学习等操作实现种群的演化过程.算法采用一种新颖的方法求非劣解集,并使用循环拥挤排序法对外部归档集进行维护.通过对多个测试函数的仿真结果表明,知识的引入不仅增加了种群多样性,而且提高了算法的收敛性.(本文来源于《控制理论与应用》期刊2014年08期）
刘欣萌,何世伟,陈胜波,路超[10]（2014）在《带时间窗VRP问题的多智能体进化算法》一文中研究指出基于实用性和合理性的角度,研究了单个配送中心带时间窗的车辆路径问题。以行驶时间最短和客户等待时间最小为目标函数,以服务时间窗与车辆载质量为约束条件,建立了双目标优化模型,采用基于整数编码的多智能体进化算法求解模型,并将计算结果与利用遗传算法求得的结果进行对比。计算结果表明:当客户需求点的数量为13,需求点的服务时间为5min,车辆最大载质量为3t,初始智能体个数为49,最大进化代数为200次时,经过30次计算后,采用遗传算法的最差值为121.8min,最优值为110.3min,采用提出多智能体进化算法的最差值为113.6min,最优目标值为103.6min。可见,采用多智能体进化算法能够获得更高质量的最优解,而且经过多次反复试验,最终解的变化不大。(本文来源于《交通运输工程学报》期刊2014年03期）
多智能体进化算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对当前量子进化算法的特点和不足,提出了一种分层协同进化的量子智能体进化算法.将种群个体视为以量子编码的智能体,采取叁级进化方法,在子种群之间进行个体交流,子种群内部进行个体竞争操作,个体内部能够进行局部调整,使得进化操作能够作用在不同的小生境范围内,增强了进化的粒度.利用不动点定理对所提算法的收敛性进行分析,结果显示,算法能够收敛到最优值.对多个基准函数进行仿真对比分析,该算法具有更好的收敛精度.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
多智能体进化算法论文参考文献
[1].熊远武,赵岭忠,翟仲毅.基于差分进化算法多智能体任务分配[J].计算机工程与设计.2019
[2].刘振,郭恒光,李伟.协同量子智能体进化算法及其性能分析[J].北京邮电大学学报.2019
[3].范柄尧.差分进化算法在多智能体路径规划中的应用研究[D].太原科技大学.2018
[4].陈上,崔国民,张春伟,段欢欢.一种热集成系统的动态多智能体微分进化算法[J].计算物理.2016
[5].陈上.换热网络的动态多智能体微分进化算法及温差均匀性优化原则[D].上海理工大学.2016
[6].朱园.基于多智能体进化算法的布图方法及叁维装箱方法[D].西安电子科技大学.2014
[7].王霄.基于多智能体进化算法的聚类及其在图像分割中的应用[D].西安电子科技大学.2014
[8].潘晓英,焦李成,刘芳.求解SAT问题的多智能体社会进化算法[J].计算机学报.2014
[9].吴亚丽,薛芬.知识引导的多目标多智能体进化算法[J].控制理论与应用.2014
[10].刘欣萌,何世伟,陈胜波,路超.带时间窗VRP问题的多智能体进化算法[J].交通运输工程学报.2014