求解连续型分布式约束优化问题的自适应多点交叉遗传算法

摘要: 针对连续型分布式约束优化问题(continuous distributed constraint optimization problems, C-DCOPs)求解算法的anytime属性的缺失、约束函数形式的限制和无法保证收敛等局限，本文提出一种求解C-DCOP的自适应多点交叉遗传算法(adaptive multi-point crossover genetic algorithm based C-DCOP, AMCGA)。在AMCGA中，智能体(agent)构建分布式种群和广度优先搜索(breadth first search, BFS)伪树以分布式地计算个体适应度；通过贪婪策略选择精英个体进行自适应多点交叉实现全局搜索，智能体之间协同通信保证分布式种群中解的一致性；利用变异算子完成局部搜索。AMCGA适用于任意形式的约束函数，并被证明具有任意时间属性和全局收敛性。在4类基准问题上的广泛实验结果表明，AMCGA的求解质量优于最先进的C-DCOP求解算法，能有效地打破目前C-DCOP求解算法的局限，并在求解质量方面存在20%~30%的提升。

• 关键词: 
• 连续型分布式约束优化问题  /  
• 任意时间属性  /  
• 自适应多点交叉  /  
• 遗传算法  /  
• 分布式种群  /  
• 广度优先搜索伪树  /  
• 智能体  /  
• 求解质量  

分布式约束优化问题(distributed constraint optimization problems, DCOPs)[1]是解决分布式多智能体系统建模的有效框架。DCOP由一组智能体构成，每个智能体控制一组离散变量，通过与局部的智能体协同通信优化全局目标函数。全局目标函数被定义为约束代价的集合，其中