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