[按需印刷]群体智能与多Agent系统交叉结合理论方法与应用/唐贤伦等著

书名：群体智能与多Agent系统交叉结合——理论方法与应用
定价：88.0
ISBN：9787030419583
作者：唐贤伦等著
版次：1
出版时间：2014-10

内容提要：
在总结目前国内外群体智能和多犃犵犲狀狋系统研究发展现状的基础上， 本书着重介绍作者在交叉结合群体智能、多犃犵犲狀狋系统、多机器人协作等方 面取得的研究成果，主要包括：基于多犃犵犲狀狋结构的粒子群优化算法、多 犃犵犲狀狋粒子群优化算法在电力系统优化中的应用、多犃犵犲狀狋粒子群优化算 法在控制系统中的应用、基于群体智能的多犃犵犲狀狋系统协作模型、基于改进 蚁群算法的移动犃犵犲狀狋路径规划与避障、基于群体智能的仿真机器人足球 比赛策略及应用。



目录：
目 录 《智能科学技术著作丛书》序 前言 第1章 绪论1 1.1 群体智能1 1.1.1 群体智能的概念与特点 1 1.1.2 群体智能中的知识涌现 3 1.1.3 群体智能研究方法 4 1.1.4 群体智能典型算法 5 1.2 多Agent系统12 1.2.1 Agent的定义与结构 12 1.2.2 多Agent系统基本理论 14 1.2.3 多Agent系统的应用领域 18 参考文献21 第2章 基于多Agent结构的粒子群优化算法24 2.1 粒子群优化算法的研究现状24 2.1.1 粒子群优化算法的研究方向 24 2.1.2 粒子群优化算法的应用现状 25 2.1.3 粒子群优化算法面临的难题 27 2.2 粒子群优化算法的框架与设计步骤28 2.2.1 粒子群优化算法的总体框架 28 2.2.2 粒子群优化算法的设计步骤 28 2.3 粒子群优化算法与其他进化算法比较29 2.4 粒子群优化算法的改进策略30 2.5 粒子群优化算法收敛性分析36 2.5.1 粒子轨迹收敛分析 36 2.5.2 粒子速度收敛分析 37 2.6 多Agent粒子群优化算法38 2.6.1 Agent所在的环境 39 2.6.2 Agent的适应值与行动策略 40 2.6.3 自学习机制 41 2.6.4 多Agent粒子群优化算法流程 41 2.7 随机选取邻居的多Agent粒子群优化算法42 2.8 加入混沌优化的多Agent粒子群优化算法43 2.8.1 混沌优化 43 2.8.2 多Agent混沌粒子群优化算法及其流程 44 2.8.3 算法函数测试 45 参考文献47 第3章 多Agent粒子群优化算法在电力系统优化中的应用51 3.1 电力系统优化运行的目的与意义51 3.2 随机选取邻居的多Agent粒子群优化算法用于电力系统经济负荷 分配52 3.2.1 电力系统经济负荷分配的数学模型 52 3.2.2 仿真实验与结果分析 54 3.3 加入混沌优化的多Agent粒子群算法用于电力系统无功优化60 3.3.1 电力系统无功优化的数学模型 61 3.3.2 仿真实验与结果分析 62 3.4 采用多Agent混沌粒子群优化算法的配电网重构67 3.4.1 配电网络重构的数学模型 68 3.4.2 破圈法搜索可行解 69 3.4.3 基于破圈的多Agent系统混沌粒子群算法 70 3.4.4 仿真实验与结果分析 71 参考文献74 第4章 多Agent粒子群优化算法在控制系统中的应用77 4.1 基于多Agent粒子群优化的支持向量回归模型预测控制77 4.1.1 引言 77 4.1.2 模型预测控制基本原理 78 4.1.3 多Agent粒子群优化算法优化的支持向量回归模型 81 4.1.4 基于犕APSO-S犞犚的模型预测控制 83 4.1.5 仿真实验与结果分析 88 4.2 基于多Agent混沌粒子群优化的磁悬浮系统P犐D控制器93 4.2.1 引言 93 4.2.2 磁悬浮系统描述 94 4.2.3 基于犕AS-CPSO的P犐D控制器 95 4.2.4 仿真实验与结果分析 97 参考文献100 群体智能与多Agent系统交叉结合———理论？方法与应用 第5章 基于群体智能的多Agent系统协作模型103 5.1 基于蚁群算法的多Agent系统自适应任务分配103 5.1.1 任务分解 103 5.1.2 合同网模型 111 5.1.3 基于蚁群算法的合同网的扩展 113 5.1.4 基于扩展合同网协议的自适应任务分配模型 114 5.1.5 仿真实验与结果分析 116 5.2 自适应蚁群聚类算法在协作追捕中的应用121 5.2.1 聚类分析 121 5.2.2 动态自适应蚁群算法 126 5.2.3 基于信息素的自适应蚁群聚类算法 127 5.2.4 追捕问题的多Agent协作方法 128 5.2.5 仿真实验与结果分析 132 5.3 未知环境中基于蚁群算法的多Agent自主协作规划策略136 5.3.1 引言 136 5.3.2 多Agent协作搬运问题参数及任务描述 136 5.3.3 基于蚁群算法的多Agent协作策略 137 5.3.4 引入距离因子和控制因子改进蚁群算法的多Agent协作策略 138 5.3.5 仿真实验与结果分析 139 参考文献142 第6章 基于改进蚁群算法的移动Agent路径规划与避障145 6.1 移动Agent路径规划145 6.1.1 环境建模方法 145 6.1.2 路径规划方法 147 6.2 基于改进蚁群算法的静态路径规划方法149 6.2.1 引言 149 6.2.2 环境信息预处理 150 6.2.3 栅格法环境建模 150 6.2.4 静态环境中的路径规划 151 6.2.5 *大选择概率法在栅格地图中的应用 152 6.2.6 仿真实验与结果分析 153 6.3 基于改进蚁群算法的移动Agent路径规划与避障方法156 6.3.1 动态路径规划方法 156 6.3.2 基于*大选择概率法的动态路径规划方法 159 6.3.3 动态避障方法———倒退法 161 6.3.4 基于*大选择概率法的动态路径规划仿真原理 163 6.3.5 基于*大选择概率法的动态路径规划仿真实验及结果分析 164 6.3.6 *大选择概率法在动态路径规划中的应用 173 参考文献177 第7章 基于群体智能的仿真机器人足球比赛策略及应用179 7.1 引言179 7.2 仿真机器人足球系统180 7.2.1 仿真系统的研究背景与作用 180 7.2.2 仿真系统的结构 181 7.2.3 仿真系统的环境特点 183 7.3 基于多目标混沌粒子群算法的机器人足球防守策略185 7.3.1 基于多目标混沌粒子群算法的机器人足球防守策略 186 7.3.2 仿真实验与结果分析 188 7.4 基于蚁群算法的机器人足球攻防转换策略192 7.4.1 基于蚁群算法的队形决策过程 193 7.4.2 仿真实验与结果分析 198 参考文献201

在线试读：
第1章　绪　　论 １．１　群体智能 1．1．1　群体智能的概念与特点 群体智能的概念源于对蜜蜂、蚂蚁、大雁等群居生物群体行为的观察和研究， 是一种在自然界生物群体所表现出的智能现象启发下提出的人工智能实现模式， 是对简单生物群体的智能涌现现象的具体模式研究。群体智能指的是，简单智能 的主体通过合作表现出复杂智能行为的特性。该种智能模式需要以相当数目的 智能体来实现对某类问题的求解功能。作为智能个体本身，在没有得到智能群体 的总体信息反馈时，它在解空间中的行进方式是没有规律的。只有受到整个智能 群体在解空间中行进效果的影响之后，智能个体在解空间中才能表现出具有合理 寻优特征的行进模式。自然界中动物、昆虫常以集体的力量进行觅食生存，在这 些群落中单个个体所表现的行为是简单而缺乏智能的，且各个体之间的行为是遵 循相同规则的，但由个体组成的群体则表现出了一种有效的复杂的智能行为。群 体智能可以在适当的进化机制引导下通过个体交互以某种突现形式发挥作用，这 是个体的智能难以做到的。 通常，群体智能是指一种人工智能模式，体现的是一种总体的智能特性。人 工智能主要有两种研究范式，即符号主义和联接主义。符号主义采用知识表达和 逻辑符号系统来模拟人类的智能。联接主义则从大脑和神经系统的生理背景出 发来模拟它们的工作机理和学习方式。符号主义试图对智能进行宏观研究，而联 接主义则是一种微观意义上的探索。２０世纪９０年代后，计算智能的研究逐渐成 为联接主义人工智能的一个代表性流派。计算智能系统是在神经网络、模糊系 统、进化计算三个分支发展相对成熟的基础上，通过相互之间的有机融合而形成 的新的科学方法，也是智能理论和技术发展的崭新阶段。神经网络反映大脑思维 的高层次结构；模糊系统模仿低层次的大脑结构；进化系统则是从生物种群的群 体角度研究智能产生和进化过程。对群居性生物群体行为涌现的群体智能的研 究是进化系统的一个新兴研究领域。 群体智能中，*小智能但自治的个体利用个体与个体和个体与环境的交互作 用实现完全分布式控制，其具有以下特点。 （１）自组织。自组织是一种动态机制，由底层单元（部件）的交互而呈现出系 统的全局性的结构。交互的规则仅依赖于局部信息，而不依赖于全局的模式［１］。 自组织并不是外部的影响施加给系统而体现的一种性质，而是系统自身涌现出的 一种性质。系统中没有一个中心控制模块，也不存在一个部分控制另一部分。正 反馈（positi狏e犳ee犱bac犽）群体中的每个具有简单能力的个体表现出某种行为，会遵 循已有的结构或者信息指引自己的行动，并且释放自身的信息素，这种不断的反 馈能够使某种行为加强。尽管一开始都是一些随机的行为，大量个体遵循正反馈 的结果是呈现出一种结构。自然界通过系统的自组织来解决问题。理解了大自 然中如何使生物系统自组织，就可以模仿这种策略使系统自组织。 （２）自恢复。群体是由很多的个体组成的，不存在中央控制，几乎每一个个体 都在群体中享有同样重要的地位。群体中单个个体的状态，不会直接影响到整个 群体。这个特点在自然界生物原型中体现得非常明显：在蚂蚁群体中，单个蚂蚁 意外死亡不会影响整个群体的觅食；在鸟群的飞行过程中，一只鸟出现意外，整个 鸟群在经过短暂的惊慌之后，仍然会恢复整齐有序的飞行；人体皮肤受创后，表皮 细胞能“记忆”受创前的皮肤特征，并生成新的表皮细胞，重构出原来的形状和颜 色。由此可见，群体在此过程中具有自我恢复的能力。当然，群体的恢复也是有 限度的，当其数量减少到一定的程度，就会失去恢复能力。群体的这种特性，在网 络、军事、医学等领域都有广阔的应用前景。 （３）间接通信。群体系统中个体之间如何进行交互是个关键问题。个体之间 有直接的交流，如触角的碰触、食物的交换、视觉接触等，但个体之间的间接接触 更为微妙，群体中个体传递信息，通常都是通过改变局部环境来实现的，其他个体 通过感知环境变化，也就获得了相应的信息。已有研究者用Stigmergy来描述这 种间接通信机制，即个体感知环境，对此作出反应，同时又作用于环境。犌rasse首 先引入Stigmergy来解释白蚁筑巢中的任务协调。Stigmergy在宏观上提供了一 种将个体行为和群体行为联系起来的机制。个体行为影响着环境，从而又影响着 其他个体的行为。个体之间通过作用于环境并对环境的变化作出反应来进行合 作。这在蚂蚁觅食的过程中表现得非常明显：先行的蚂蚁在路上留下一种信息 素，后面的蚂蚁选择信息素浓度更高的路径，由此形成一种信息正反馈机制，通过 不断重复，*终绝大多数蚂蚁走的都是*短的路线。对于习惯了直接通信的人类 来说，生物种群的这种行为特点，不能不说是一种启发。从蚂蚁寻食到蚂蚁聚集 尸体到蚂蚁搬运、筑巢，个体之间的通信机制总是离不开Stigmergy机制的，对于 作为个体之间交流、交互的媒介———环境的作用，通常由各种各样的信息素来 体现。 （４）学习。学习的目的在于适应和优化。适应是为了生存，优化是为了更好 地发展。对于自然生命或者自然智能而言，学习都是其*重要的特征。自组织、 自适应是群体生物的重要特点，群体智能中的学习又有其独特之处。群体生物的 独特学习方法就是进化。它们总是先以其数量占据优势，然后随着环境的变化， 淘汰不能适应环境的个体。在这个过程中，对每一个个体而言，并没有发生任何 学习行为。但是，从整体来看，环境变化后的群体具有更强的适应能力。进化也 是为了适应和优化，这与学习完全一致。当然，进化的实现有其前提条件，*重要 的两个是多样性和正反馈。只有不断保持种群自身的多样性，生物有了多种选 择，才有实现进化的可能；同样，只有实现了对有利条件的正反馈，形成一个吸引 子，进化才能够总是向着有利于群体生存的方向，进化的成果才能得以巩固和 发展。 1．1．2　群体智能中的知识涌现 群体智能中的智能就是大量个体在无中心控制的情况下体现出来的宏观有 序的行为。这种大量个体表现出来的宏观有序行为称为涌现现象。没有涌现 （emergence）现象，就无法体现出智能。因此，涌现是群体智能系统的本质特征。 只知道孤立的个体行为并不能了解整个系统（如蚁群）的情况，仅研究孤立的部分 无法有效地研究整体性质，因此，对涌现现象的研究必须既研究各个部分，又研究 各个部分之间的相互作用［２］。 涌现*早是作为系统科学的重要概念提出来的［３］。系统科学的创始人犅ert- lan犳y从一开始就把一般系统论界定为关于整体性的科学，把整体性界定为一种涌 现的性质。全部系统研究的任务集中到一点，就是阐明整体为何大于部分之和， 然后制定描述大于部分之和的整体性质（即涌现性）的方法。遗传算法之父 犎ollan犱对涌现现象进行了较为深入的探索。他认为涌现现象的本质是“由小生 大，由简入繁”，并且把细胞组成生命体、简单的走棋规则衍生出复杂的棋局等 现象都视为涌现现象。他认为神经网络、元胞自动机等可以看做涌现现象的 模型。 对于涌现现象的研究，一直都是和复杂系统联系在一起的。涌现不仅是复杂 系统中的现象，同时也是群体智能的重要特征。群体智能的涌现现象与系统论和 复杂系统中阐述的涌现本质上是相同的，它是基于主体的涌现。群体中的个体结 构和功能都非常简单，通过相互通信和协调组成群体系统，同时涌现出一些整体 的性质和新的功能。这种智能本身也正是群体系统中涌现的结果。研究群体智 能系统，要弄清涌现现象的普遍原理，建立由简单规则控制的模型来描述涌现现 象的规律。 在群体智能中，涌现现象具有如下性质： （１）涌现现象的出现是很多个体相互关联的结果，这些个体规则简单，相互 影响； （２）这种现象是从底部向上的，从低层次向高层次的，是总体的或者说是宏观 层次的； （３）某一层次涌现的集成可以产生更上一层次的涌现，例如，原子构成分子、 分子构成细胞，后者都是在前者涌现性质的基础上产生新的整体性质； （４）涌现作为一种整体现象，不因为部分个体的改变而改变； （５）涌现是显示性的； （６）涌现是一种组织效应、结构效应，它在一定程度上可以预测； （７）涌现会表现出层次水平的高低，水平越高的涌现越复杂。 1．1．3　群体智能研究方法 群体智能是目前智能领域非常活跃的新兴研究领域，作为智能计算和群体智 能领域的关键技术，同时作为仿生智能计算领域的重要分支，群体智能计算在获 得更大的发展的同时，也必将推动群体智能与计算智能以及相关学科和研究领域 的壮大与发展。 从方法上看，国内外对群体智能的研究，主要体现在群体行为模拟、群体智能 计算和分布式问题解决装置研究等方面。群体智能研究框图如图１．１所示。 图１．１　群体智能研究框图 （１）群体行为模拟研究。群体行为模拟研究包括蚁群觅食行为研究、群体分 工和任务分配行为研究、巢穴组织和自组织行为研究、筑巢行为和群体合作搬运 行为研究、鸟类聚集飞行行为研究等。群体行为研究和计算机仿真为群体智能算 法研究提供了思路。 （２）算法设计及改进研究。在算法研究方面，作为群体智能算法的两种典型 实现，蚁群优化（antcolonyoptimization，ACO）算法（简称蚁群算法）和粒子群优 化（panticleswarmoptimization，PSO）算法得到了广泛关注。在基本蚁群算法提 出之后，在前面所提到的群体行为模拟研究的基础上，基本蚁群算法被多个领域 的研究工作者进行了改进，提出了很多新的算法并成功应用于实际工程中。 （３）算法应用研究。群体智能自提出以来，由于其在解决复杂的组合优化类 问题方面所具有的优越性能，在诸如机器人设计与控制、工程设计与优化、电力系 统领域、交通规划、工业生产优化以及计算机网络等领域取得了较为成功的应用。 此外，群体智能算法还用于交通导航与路径规划的动态规划问题、任务分配问题、 数据挖掘和数据高层综合问题以及系统辨识与状态估计等。 （４）分布式装置实现。根据群体智能的特点，很多研究者在分布式问题解决 装置研制方面也进行了尝试。美国五角大楼资助了群体智能系统的研究———虫 群战略。群体智能为设计智能系统提供了另一种选择途径，这种方法用自治、涌 现和分布式运行代替了控制、预先编制程序和集总式运行。 其中，群体智能计算是*为活跃的一个研究分支。群体智能计算包括群体智 能算法设计与改进、群体智能算法在优化问题求解和工程领域中的应用。群体智 能计算是群体智能领域中随着计算智能研究的逐步深入而产生的一种新兴的计 算智能模式，它是群体智能研究中的一个重要分支，在对某些群体行为模拟研究 的基础上，运用一定的数学工具和计算机工具，提出相应的群体智能算法，并用来 解决那些因为难以建立有效的形式化模型而用传统优化方法又难以有效解决甚 至无法解决的问题。 1．1．4　群体智能典型算法 当前对群体智能的研究主要集中在蚁群算法和粒子群优化算法上，作为群体 智能计算的两种典型实现模式，受到了普遍的关注，两种算法模式都是基于种群 寻优的启发式随机搜索算法。在这两种模式的群体智能中，蚁群算法更擅长于离 散空间中的优化问题求解，而PSO算法则更多地用于连续空间内的优化问题 求解。 １．蚁群算法 蚁群算法是模拟自然界中蚁群从蚁巢到目的地之间寻找*短路径时的交互 过程的一种随机搜索算法［４，５］，它是继模拟退火算法、遗传算法、禁忌搜索（tabu search）算法、人工神经网络算法等元启发式搜索算法以后的又一种应用于组合优 化问题的启发式搜索算法。Dorigo等提出该算法时，充分利用了蚁群搜索食物的 过程与著名的旅行商问题（TSP）之间的相似性，通过人工模拟蚂蚁搜索食物的过 程（通过个体之间的信息交流与相互协作*终找到从蚁穴到食物源的*短路径） 来求解TSP，为了能区别于真实蚂蚁群体系统，将这种算法称为人工蚁群算法。 类似蚂蚁这类群居昆虫，虽然单个蚂蚁的行为极其简单，但由这样的单个简单的 个体所组成的蚁群群体却表现出极其复杂的行为，能够完成复杂的任务。人们经 过大量研究发现，蚂蚁个体之间通过一种称为外激素（pheromone）的物质进行信 息传递，从而能相互协作，完成复杂的任务。 蚁群算法具有以下相同的特征：蚁群中相互合作的个体是分布的（犱istribu- te犱），这样更能够适应当前网络环境下的工作状态；没有中心的控制，这样的系统 更具有鲁棒性（robustness），不会由于某一个或者某几个个体的故障而影响整个 问题的求解；可以通过非直接通信进行合作，这样的系统具有更好的可扩充性 （scalability），由于系统中个体的增加而增加的系统的通信开销在这里十分小；系 统中每个个体的能力十分简单，这样每个个体的执行时间比较短，并且实现也比 较简单，具有简单性（simplicity）。 用于寻找*短路径的蚁群算法来源于蚂蚁寻食的行为，蚁群在觅食过程中， 总能找到一条从蚁巢到食物源的*优路径。如图１．２所示，从A到犈（或者从犈 到A）有两条路径（即A犅CD犈和A犅犎D犈），其中，犅到犎、D到犎的距离为１，犅 到C和D到C的距离为０．５。在时刻t＝０，设有３０只蚂蚁从A运动到犅。此时 路径犅犎、犅C上没有外激素，从统计的角度可以认为它们以相同的概率选择向 犅C、犅犎运动，于是各有１５只蚂蚁分别选择路径犅犎和犅C。在真实蚁群中，外激 素的数量会随时间的流逝而蒸发掉一部分，为说明方便，此处作如下假设：①所有 蚂蚁运动的速度相等；②外激素蒸发量与时间成正比，即路径上外激素的剩余量 与路径的长度成反比；③蚂蚁选路的概率与所选路上外激素的数量成正比。因为 路径犅犎D的长度是路径犅CD的２倍，当犅点的蚂蚁到达D点后，路径犅CD上 的外激素是犅犎D上的２倍。在时刻t＝１有３０只蚂蚁从犈到达D。因为路径 DC上的外激素量是D犎上的２倍，根据蚂蚁选路特点，将会有２０只蚂蚁选择 DC，而只有１０只蚂蚁选择D犎。随着时间的推移，蚂蚁将会以越来越大的概率选 择路径犅CD。经过较长时间运动后，蚁群*终会沿着*优路径A犅CD犈运动。 （a） 　　　 （b） 　　　 （c） 图１．２　蚁群寻找*优路径的过程