具有社交网络特征的Agent群智能算法分析

发布时间：2020-11-03 14:38

　　 智能体技术是人工智能领域里的核心技术,近年来,粒子群算法(PSO)、蚁群算法(ACO)、免疫优化、差分进化算法(DE)等具有智能体思想的群智能优化算法被广泛用于各种科学和工程优化问题。 本文着重研究了一种新兴的低参数的具有社交网络特征的智能体协作优化算法,整个算法过程通过智能体的搜索迭代,实现群智能优化。本文提出信任度、邻域和社区领袖等概念,反映智能体之间、智能体和环境之间的关系亲密度。整个算法分为两个部分：第一部分基于智能体的思想设计了自增强策略、竞争策略和合作策略三个进化运算算子,用来实时引导智能体每一代的进化方向,保证种群的稳定性和多样性；第二部分借鉴社交网络中结点信息动态变化的特点,设计网络领袖识别算子,在每一次迭代后分析智能体种群的动态邻域更新,维护智能体的进化环境信息。社交网络思想结合智能体的协作特征设计进化算法是本文的主要创新点,对社交网络与智能体的跨领域研究做出初步贡献。本文中通过仿真实验分析了具有社交网络特征的智能体协作优化算法的性能,与粒子群算法和人工蜂群算法对比分析后发现,具有社交网络特征的智能体协作优化算法在搜索精确度和收敛速度方面,均表现出更卓越的性能。
【学位单位】：北京邮电大学
【学位级别】：硕士
【学位年份】：2013
【中图分类】：TP18
【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1. 智能体理论的发展史
        1.1.1. 机器学习理论
        1.1.2. 人工智能理论
        1.1.3. 智能体理论
    1.2. 本文研究内容
    1.3. 本文的组织结构
第二章 群智能体技术
    2.1. 智能体简介
        2.1.1. 智能体的概念
        2.1.2. 智能体的特征
    2.2. 智能体的学习能力
        2.2.1. 强化学习技术的适用性分析
        2.2.2. 学习型智能体
    2.3. 多智能体系统
    2.4. 本章小结
第三章 群智能协作进化算法
    3.1. 进化算法简介
    3.2. 经典遗传算法设计思想
    3.3. 多智能体系统在进化算法中的应用
        3.3.1. 智能体模型
        3.3.2. 适应度函数
        3.3.3. 信任度
        3.3.4. 邻域
    3.4. 基于智能体的协作优化算法
        3.4.1. 智能体实例化
        3.4.2. 智能体邻域设计
        3.4.3. 初始化和变量定义
        3.4.4. 自增强策略
        3.4.5. 竞争策略
        3.4.6. 合作策略
        3.4.7. 邻域更新策略
        3.4.8. 基于智能体协作优化算法流程
        3.4.9. 算法复杂度分析
    3.5. 本章小结
第四章 群智能社交网络特性进化算法
    4.1. 社交网络问题研究方向
    4.2. 社交网络动态特征与智能体进化思想的统一
    4.3. 基于社交网络领袖识别特性的优化算法
        4.3.1. 智能体邻域的处理
        4.3.2. 邻域影响度矩阵
        4.3.3. 邻域领袖识别
        4.3.4. 算法复杂度分析
    4.4. 本章小结
第五章 算法仿真结果分析
    5.1. 仿真环境和指标
    5.2. 测试函数库
    5.3. 仿真结果数据分析
    5.4. ACoA、PSO、ABC的进化效果比较
    5.5. 本章小结
第六章 总结与展望
    6.1. 本文取得的主要成果
    6.2. 下一步的工作
参考文献
附录
致谢
攻读学位期间发表的学术论文目录

【参考文献】

相关期刊论文 前1条

1 陈刚,陆汝钤;关系网模型——基于社会合作机制的多Agent协作组织方法[J];计算机研究与发展;2003年01期

相关硕士学位论文 前1条

1 杜娟娟;分布式自治智能体优化算法研究[D];中国石油大学;2009年

本文编号：2868712