分布式约束优化方法研究进展

多agent系统作为分布式人工智能研究领域的重要分支,已被广泛应用于多个领域中复杂系统的建模.而分布式约束优化作为一种多agent系统求解的关键技术,已成为约束推理研究的热点.首先对其适用性进行分析,并基于对已有算法的研究,总结出采用该方法解决问题的基本流程,在此基础上,从解的质量保证、求解策略等角度对算法进行了完整的分类;其次,根据算法分类结果以及执行机制,对大量经典以及近年来的分布式约束优化算法进行了深入分析,并从通信、求解质量、求解效率等方面对典型算法进行了实验对比;最后,结合分布式约束优化技术的求解优势给出了分布式约束优化问题的实际应用特征,总结了目前存在的一些问题,并对下一步工作进行了展望.

基于Multisim的交通信号灯混杂控制方法仿真

采用目前方法对交通信号灯进行控制时,没有构建城市交通网络模型,无法获取交通路口的实际情况,车辆在交通路口的延误时间和停车次数较高,方法的整体有效性差。在诱导条件下提出基于Multisim的交通信号灯混杂控制方法,首先构建了城市交通网络模型,获取车辆在交通路口的实际情况,并对交通路口的状态进行预测,采用Multisim软件根据预测结果设计交通信号灯混杂控制器,通过控制器实现交通信号灯的混杂控制。仿真结果表明,所提方法可有效预测交通路口的车流量,减少车辆在交通路口的延误时间和停车次数,验证了所提方法具有良好的控制性能。

一种改进的分布约束优化算法MULBS+

完备算法虽然能够求得分布式约束优化问题最优解,但要消耗大量资源及时间,相反,非完备算法通过求得次优解来提高效率.MULBS作为一个有效的非完备算法,虽然在求解质量和时间上有所提高,但在解决赋值冲突时采用的回溯策略及并行搜索方面存在不足.通过对该算法的深入分析,本文针对上述问题进行了改进,提出其改进算法MULBS+.通过在回溯策略中引入最小冲突选择机制,以及在约束图密度较大时采用基于动态子图划分的并行搜索策略,进一步提高了算法的性能.实验表明,该算法除增加一定的通信信息外,其执行时间及求解质量均优于原算法.