论文部分内容阅读
在多智能体系统Multi-Agent System(MAS)的研究中，多智能体联盟是多智能体协作的一种重要方式，也是一个MAS的研究热点。由于PSO算法具有实现简单、全局搜索能力强、鲁棒性和分布性较好的特点，因此适合于求解复杂系统的联盟形成问题，但目前基于PSO的联盟形成算法主要存在较易陷入局部最优、收敛速度较慢等问题，因此影响粒子对最优联盟的搜索效率。.论文在深入研究多智能体联盟形成理论及粒子群优化理论的基础上，系统研究了基于粒子群优化的多智能体联盟形成相关理论与算法，主要工作包括：1、提出了一种改进的带经验因子的BPSO算法，提高了算法的有效性。该算法通过引入反映粒子位置历史信息的经验因子来影响粒子速度的更新，从而引导粒子寻优。为避免粒子对历史信息的过度依赖，算法通过赏罚机制和历史遗忘系数对其进行调节，最后通过经验权重决定经验因子对速度更新的影响。实验结果表明，新算法无论在收敛速度还是全局搜索能力上，都能达到更好的效果。2、将带经验因子的BPSO算法用于求解多agent联盟生成问题，并分析了算法在解决此问题的优缺点。针对缺点提出了一种基于经验推进的BPSO算法解决多agent联盟生成问题，新算法在带经验因子的BPSO算法基础上加入粒子当前最差联盟以及群体当前最差联盟对速度更新式进行改进。实验结果表明新算法在解决多agent联盟生成问题时较带经验因子的BPSO算法更为准确和高效。3、提出了一种基于忠诚度的多智能体联盟效用分配策略。新策略引入agent忠诚度的概念，根据agent每次参与联盟后是否服务到任务结束对agent忠诚度进行评价，从而表示各agent的忠诚度大小，将忠诚度与各agent完成任务的能力相结合，共同决定联盟内各agent效用如何划分。理论分析和实验表明，新策略提高了对联盟效用分配的合理性，较好地满足了联盟形成机制的全局最优性、强稳定性、时效性、简单性等要求。