分布式问题求解方案的模糊综合评价模型及其算法实现

为解决现阶段大型复杂工程方案评价缺少实用理论分析工具的问题，文章应用“主因素突出型”和“因素加权型”两种多阶段模糊评判模型，实现了一种适合大型工程分布式协同设计的方案模糊综合评价算法。文中首先分析了大型工程分布式问题求解过程，提出了一种面向工程的分布式问题求解逻辑结构；其次详细分析了多阶段方案模糊评价模型以及模糊综合评价算法的流程框图及其实现过程。

一种新的基于复合弹簧网络的多Agent系统分布式问题求解方法

当多 Agent系统 (MAS)中 Agent之间存在多种复杂的随机的社会交互行为时 ,当各 Agent表现出不同程度的自治性和理性时 ,难以用现有的方法描述和求解 MAS问题 .即使对于仅仅存在竞争和合作这两种社会交互行为 ,并且不考虑 Agent之间自治程度的本质性差异时 ,现有的基于结盟的 MAS问题求解算法也具有极高的计算复杂性 .该文提出一种新的复合弹簧网络模型和方法 ,利用分布式弹性动力学方程 ,将 MAS分布式问题求解过程转变为对应的复合弹簧网络形变过程 .这种模型和方法能够处理各种社会交互行为以及 Agent不同程度的自治性 .分析和仿真实验表明 ,在计算复杂性和适用性等许多方面 ,该文的分布并行算法优于文献 [7,8]的 Shehory-Kraus算法 .

新一代能量管理系统的开发和分布式问题求解的新途径

IT信息技术的进步和电力市场的发展,加上几次大停电引起的震撼,使得传统的能量管理系统面临着诸多机遇和挑战,新一代的能量管理系统正在酝酿孵化之中。作者在回顾能量管理系统和电力信息技术发展的基础上,就新一代能量管理系统“新”在哪里、主要解决什么问题、当前的研发热点,实时分布系统采用集中式问题求解所遭遇到的难点,以及分布式问题求解的新途径,即Agent 在信息集成、自适应控制和电力市场仿真中的应用进行了分析和讨论。

多Agent系统分布式问题求解的代数模型方法(Ⅰ):社会行为、社会局势和社会动力学

该组论文提出一种新的代数模型方法 ,用于多 Agent系统超分布超并行社会智能问题求解 ,该方法通过社会动力学和社会智能 ,统一地处理各种复杂的并行的社会行为 ,用于求解用常规方法难以处理的许多社会交互问题 .本文是组合论文中第一篇 ,提出多 Agent系统分布式问题求解的代数模型结构 ,讨论多 Agent系统中典型社会行为模式及其性质 ,建立形式化描述 。

多Agent系统分布式问题求解的代数模型方法(Ⅱ):群体智能和社会动力学

该文是组合论文中第二篇 ,讨论多 Agent系统分布式问题求解的代数模型中的特性层和动力学层 ,即不同粒度 Agent群体的宏观群体智能的形式化代数模型以及宏观社会智能与 Agent个体间微观社会行为之间的社会动力学模型 .提出了基于这种新的代数模型方法的超分布超并行社会智能问题求解算法 .关于分布式多任务自组织规划和资源自组织分配的仿真实验以及与其它方法的比较分析 。

分布式问题求解中联盟结构的形成

分布式问题求解中各个智能体是非理性的(即无私的),不计较个体的付出,所以联盟联盟结构的形成不涉及报酬的分配问题。针对这一特点并联系实际,建立了切实可行的报酬计算函数。由此建立了子任务序列有优先关系的联盟结构的数学模型,并运用多智能体遗传算法对模型进行了验证。在仿真计算过程中分别采用串行/并行求解策略和同步/异步交叉/变异算子形成联盟结构,并根据结果比较了不同策略的效率。

分布式问题求解中协作方法的研究

分布式问题求解是分布式人工智能（ＤＡＩ）研究和应用的一个重要分支，如何使各个只有局部的、不完全知识的知识源协调工作、合作求解问题是它的一个最基本也是最重要的研究内容之一。本文介绍了在某变电站仿真系统中提出的一种分布式问题求解模型。它着重强调了将静态定义和动态调整相结合的思想，并对结点协作应采用的通信策略作了详细描述。

分布式问题求解中的妥协策略

基于多agent系统的分布式约束满足(CSP)问题的求解进程依赖于agent间的有效交互。该文针对着色问题(GCP)的分布式求解,提出了agent妥协的概念。通过妥协,两个相邻agent改变了各自原有的局部目标,实现了相邻约束的满足。模拟实验表明,妥协策略有助于提高分布式GCP问题的求解性能。该文还讨论了不同的妥协实现方式对性能的影响。

一种分布式问题求解的数学模型

基于离散的Lagrange方法,建立了一个基于多agent系统的求解分布式约束满足问题(CSP)的数学模型,当各agent的局部行为聚合成一个给定目标函数的下降操作时,只要该CSP是可解的,就可以通过这个多agent系统寻找出问题的一个解.使用这个模型对分布式逃逸算法进行了分析,有助于进一步了解各agent的局部行为的聚合涌现,提高求解的性能.

扩展帝国竞争算法求解分布式不相关并行机车间调度问题

针对考虑加工约束的分布式不相关并行机车间调度问题,以总运输成本、工厂间并行机齐停评价函数和工件种类平均切换次数均衡评价函数为优化目标,提出一种扩展帝国竞争算法进行求解。该算法在原始帝国竞争算法的基础上,增加了适于工厂分配的初始化工厂-工件序列群;根据传统帝国竞争算法容易陷入局部最优的缺点,将较劣序列同化分为了外部同化机制和内部同化机制,采用局部和全局相结合的搜索方式实现扩展帝国竞争算法的智能搜索行为;采用部分匹配交叉和单点变异更新工厂-工件序列群,保证工厂-工件序列的多样性。最后设计3个不同规模12个算例,通过仿真实验验证所提算法的有效性,同时对比相关领域研究成果验证了该算法在求解分布式多目标不相关并行机调度问题方面的优越性。

低约束密度分布式约束优化问题的求解算法

多Agent协作过程中的许多挑战都可以建模为分布式约束优化问题.针对低约束密度的分布式约束优化问题,提出了一种基于贪婪和回跳思想的求解算法.在该算法中,各Agent基于贪婪原则进行决策,能够利用低约束密度问题中大量赋值组合代价为0这一特点来加快求解速度.同时,Agent间的回跳机制可以在贪婪原则陷入局部最优时保证算法的完全性.相对于已有主流算法,该算法可以在保持多项式级别的消息长度/空间复杂度的前提下,以较少的消息数目求解低约束密度的分布式约束优化问题.给出了算法关键机制的正确性证明,并通过实验验证了算法的上述性能优势.

自组织分治求解分布式约束优化问题

分布式约束优化问题(DCOP)是在大规模、开放、动态网络环境中的优化问题,在计算网格、多媒体网络、电子商务、企业资源规划等领域中都有广泛应用.除了具有传统优化问题的非线性、约束性等特点,DCOP还具有动态演化、信息区域化、控制局部化、网络状态异步更新等特点.寻求一种解决DCOP的大规模、并行、具有智能特征的求解方法已成为一个具有挑战性的研究课题.目前已提出多种求解DCOP的算法,但大多不是完全分散的算法,存在集中环节,需要网络的全局结构作为输入,不适合处理由规模巨大、地理分布、控制分散等因素导致的全局结构难以获取的分布式网络.针对该问题,提出一个基于自组织行为的分治策略求解DCOP.在不具有全局网络知识的情况下,分布在网络中的多个自治Agent基于局部感知信息、采用自组织的方式协作求解.与已有算法相比,它是一个完全分散式算法,并在求解效率和求解质量方面都展现出很好的性能.

基于分布式约束优化的武器目标分配问题研究

为解决舰艇编队协同防空中的武器目标分配(WTA)问题,提出一种将WTA问题建模为分布式约束优化问题的方法。介绍求解分布式约束优化问题的2个典型算法ADOPT和DPOP。通过Frodo软件平台对舰艇拦截多批反舰导弹过程进行仿真,比较2个算法在仿真时间、通信量等方面的性能,结果证明了该方法求解WTA问题的可行性。

分布式约束满足问题及其在MAS任务分配中的应用

针对多智能体系统(MAS)任务分配问题中多个任务与MAS两者的分布式特征,将任务分配问题形式化为分布式约束满足问题(DCSP)进行求解,分别建立了以任务为中心和以agent为中心两种MAS任务分配模型,基于改进的DCSP分布式并行求解算法,提出了基于DCSP的MAS任务分配问题求解框架。该方法适合求解agent间通信有随机延迟以及agent间存在多约束的问题,应用实例的求解表明了其实用性与有效性。

改进粒子群算法求解分布式柔性车间调度问题

文中提出一种改进粒子群算法来求解复杂的分布式柔性车间调度问题。针对该问题的特点,提出了一种2层粒子的编码与解码方式,使粒子群算法能够有效地解决该离散型优化问题。此外,采用改进的拥挤距离策略从众多非支配解中筛选出高质量的候选解。在迭代过程中,采用任务分配策略来平衡粒子的勘探与开采。最终在2工厂和3工厂生产模式下,通过总计20组分布式柔性车间测试算例验证了所提算法的性能。实验结果表明,该方法能够有效地解决分布式柔性车间调度问题,并可在其中的11组算例中得到较好的调度方案。

差分进化算法求解分布式柔性作业车间调度问题

经济全球化使制造业从单工厂模式转变为多工厂协同生产模式,制造资源异地化、客户需求多样化使得多工厂的分布式调度难度急剧增加,为此研究了分布式柔性作业车间调度问题。首先建立了该问题的双目标优化模型,同时优化总成本和提前/延期惩罚。然后提出改进的差分进化算法,设计了两种变异机制以及两种交叉方式,结合模拟退火的鲁棒性进行局部搜索,并结合贪婪和带精英策略的快速非支配排序遗传算法的选择思想设计选择操作,产生下一代继续进行迭代进化。最后,通过综合实验证明了所提模型和算法能够很好地求解此类问题。

改进区块遗传算法解决分布式车间调度问题

针对分布式车间调度问题,提出了改进区块遗传算法(modified block-genetic algorithm,MBGA)。用NEH和随机性两种方式得到高质量的初始解,然后进行统计分析,选出精英染色体,建立工件−车间分配矩阵和工件−机器排序矩阵,挖掘联系紧密的基因链组成区块。构建基于区块的人工染色体,并进行基因重组,提高解的质量和多样性。通过算例与其他知名算法进行比较,结果表明该算法优于其他算法,并具有较好的稳定性和准确性。

分布式约束优化问题及其求解算法

分布式约束优化问题(DCOP)能够对多智能体系统(MAS)中的各种分布式推理任务进行建模,广泛应用于分布式规划、调度、资源分配等问题中。首先从DCOP的概念出发,引入一个典型的DCOP实例,在此基础上对DCOP问题求解的两类主流算法进行了详细介绍和比较分析。针对DCOP对现实问题建模中出现的部分集中式、硬约束、开放式、隐私和anytime等5个方面的问题进行了阐述,并介绍了相应的扩展算法。在动态实时问题,自稳定性与误差容错以及在物理分布式环境下仿真等问题仍需进一步研究。

混合麻雀算法求解带准备时间的分布式柔性作业车间调度问题

分布式制造模式因多工厂/车间协同生产而使其制造环境存在多样性和多变性。研究了考虑零件加工前的动态准备时间的分布式柔性作业车间调度问题(Distributed Flexible Job Shop Scheduling Problem, DFJSP)。针对缸体零件加工阶段存在多工位零件装夹定位、拆卸和换刀等动态准备时间的实际生产情况,建立了以完工时间、碳排放和订单拖期为目标的DFJSP模型;提出了一种混合麻雀算法(Hybrid Sparrow Search Algorithm, HSSA)对上述模型进行求解。HSSA算法根据模型特点,采用了三层编码方式和多种群初始化策略,设计了一种三层变邻域搜索结构,引入了POX、PMX交叉算子和高斯变异算子来完成交叉、变异操作,同时设计了一种基于支配关系的精英选择策略。通过仿真及与其他算法的对比分析,验证了HSSA算法的优越性和可靠性。

基于模糊推理的分布式电力系统故障诊断专家系统

针对电力系统故障诊断问题存在的大量不确定性 ,提出了将模糊集和模糊推理方法结合专家系统进行故障诊断的新方案。同时 ,尝试将分布式问题求解方法用于电力系统故障诊断问题 ,开发了基于模糊推理的分布式电力系统故障诊断专家系统。为方便用户使用 ,开发了图形建模和模糊知识学习平台 ,以及故障信息管理系统。通过在某地区电网的测试表明 ,所提方案具有准确的诊断结果和很好的实用性。