协同进化计算及其在多智能体中的应用

摘要

协同进化计算的理论和应用是目前的研究热点。进化计算和协同进化算法以其仿生学上的优势，非常适合解决很多传统方法难以解决的问题，尤其是很多难以建立精确的模型的非线性问题。因而被广泛地应用于数值优化领域，机器学习，经济预测，机器人路径规划、导航等智能控制领域。本文以协同进化算法作为研究对象，以旅行商问题和人工智能中经典的围捕问题作为仿真任务，针对协同进化算法存在的问题进行了相应的改进。具体研究工作如下：
　　首先，以提高遗传操作的效率为研究目标，借鉴自然界进化中的远缘杂交理论和进化计算中的精英策略，提出一种基于远缘杂交的精英进化算法。该算法在初始阶段将种群分为精英种群和普通种群，对精英种群则不经过交叉直接进入下一代，对普通种群则基于远缘杂交原则进行交叉，并将子代与精英种群一同组成新子代。仿真实验证明算法能提高种群基因的多样性，避免了算法陷入局部最优。针对TSP 实验结果表明， 算法具有全局收敛性及较快的收敛速度。
　　其次，将反馈机制引入协同进化中，同时引入了多个适应度函数，提出了一种基于反馈的多适应度协同进化算法，改变了同一种群进化中单一适应度评价的缺陷，提高了收敛速度。最后利用机器人围捕为仿真模型，通过仿真证明了算法的有效性。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1进化计算理论

1.2协同进化理论介绍

1.3课题研究的内容和意义

1.4论文的组织结构

第二章 协同进化计算理论及多智能体理论

2.1协同进化计算理论与模型

2.2协同进化算法的应用前景

2.3多智能体系统理论

2.4协同进化理论在多智能体系统中的应用

2.5本章小结

第三章 基于远缘杂交的精英进化算法研究

3.1普通进化算法存在的问题

3.2遗传算法的缺点及改进

3.3基于远缘杂交的精英进化算法

3.4算法收敛性验证

3.5仿真实验及结果分析

3.6本章小结

第四章 基于反馈的多适应度协同进化算法研究

4.1传统协同进化算法的局限性

4.2基于反馈的协同进化算法原理

4.3基于共享反馈的协同进化算法

4.4算法收敛性分析和验证

4.5仿真实验及结果分析

4.6本章小结

第五章 总结与展望

5.1本文工作总结

5.2展望

参考文献

附录1 攻读硕士学位期间撰写的论文

致谢