平衡参数自适应下基于模体的混合阶网络多智能体一致性

充分利用多智能体网络结构中的高阶信息可以有效增强多智能体一致性。现有的基于模体加权的多智能体框架(Motif-aware Weighted Multi-agent System,MWMS)将关注点集中在复杂网络中连接信息的提取,忽略了网络中的碎片信息,导致MWMS在取不同的平衡参数值时收敛效果差异较大。针对上述问题,提出了一种平衡参数自适应下基于模体加权的多智能体系统框架(Alpha-adaptive Motif-aware Weighted Multi-agent System,AMWMS),揭示了多智能体系统在混合阶网络下的平衡参数的调节规律。首先,提出了基于Jaccard相似性的高阶网络碎片化程度量化方法和基于相对距离的低阶网络碎片化程度量化方法,用于对不同网络层碎片信息进行建模;其次,设计了自适应参数生成的混合阶网络(Adaptive Parameter Generation Hybrid-Order Network,APGHNet),APGHNet的平衡参数能够在系统演化过程中自适应变化;最后,给出了平衡参数自适应下基于模体矩阵的多智能体一致性协议。通过仿真实验与MWMS中的一致性协议进行比较,验证了新协议的平衡参数自适应生成方法的有效性,系统最终能够收敛到较少的簇,增强了系统一致性。