王健

（大慶華科股份有限公司 聚丙烯分公司，黑龍江 大慶 163316）

一類基于Multi-Agent的實時進化算法

王健

（大慶華科股份有限公司 聚丙烯分公司，黑龍江 大慶 163316）

實時進化（Real-Time Evolutionary，RTE）策略解決了傳統(tǒng)實時優(yōu)化（Real-Time Optimization， RTO）方案中等待穩(wěn)態(tài)的缺點，受RTE思想的啟發(fā)，論文提出了一種基于Multi-Agent的實時進化算法。首先將粒子群算法與Multi-Agent機制相結(jié)合，每一個Agent相當于粒子群算法中的一個粒子，通過和其鄰居進行競爭、合作以及學習，能夠迅速、準確的找到全局最優(yōu)解；然后，根據(jù)RTE思想，將基于Multi-Agent的粒子群算法應用于RTO的解決方案。通過對 Williams-otto反應器的實例研究，證明了所提算法的有效性。

Multi-Agent；RTE；RTO

0 引言

Multi-Agent是由多個具有感知能力和自學習能力的智能體組成的系統(tǒng)，可以在其定義的局域環(huán)境中與其鄰居進行競爭與合作，并且可以自主的進行自學習，以完成復雜的控制任務或解決復雜的問題，因而被廣泛應用于優(yōu)化算法中。Zhong等[1]提出了多Agent遺傳算法，用于解決全局數(shù)值優(yōu)化問題；Cardon等[2]則將多目標遺傳算法應用到多Agent系統(tǒng)中，尋找分配問題——車間生產(chǎn)調(diào)度方案，以減少延遲時間；Ackchai等[3]結(jié)合多目標進化算法與Agent系統(tǒng)建立了聯(lián)合貨運樞紐定位的優(yōu)化模型，尋找一個好的定位方案；我國學者楊萍等[4]提出了一種基于遺傳算法(GA)協(xié)調(diào)進化算法；丁輝等[5]則提出了一種求解約束多目標優(yōu)化問題的Agent進化算法；宿翀等[6]則通過對Agent傳統(tǒng)的BDI結(jié)構(gòu)進行擴展，提出了一類面向交互式進化計算的情感學習Agent等。然而，上述粒子群算法中均沒有涉及實時優(yōu)化思想，從而導致了模型在收斂速度和穩(wěn)定性上的不足。

本文結(jié)合粒子群算法和Multi-Agent機制，提出了一個基于Multi-Agent的粒子群優(yōu)化算法；結(jié)合RTE思想，構(gòu)造了一個解決進化式實時優(yōu)化中的設定點優(yōu)化問題的方案；通過對Williams-otto反應器進行仿真研究，表明了所提算法具有收斂速度快、計算精度高等優(yōu)點。

1 基于Multi-Agent的實時進化算法

本文通過將基于Multi-Agent的粒子群算法引入RTE思想之中，使該算法在真正意義上實現(xiàn)了對過程的在線優(yōu)化，從而提高了搜尋最優(yōu)解的收斂速度以及精度。

圖1 給出了基于Multi-Agent的實時粒子群優(yōu)化算法中一種 “擬穩(wěn)態(tài)”區(qū)間的流程。

RTE中△t的值較高的時候?qū)璧K系統(tǒng)的性能，但是△t也應足夠大以允許模型進行優(yōu)化計算。作為一個初步的定義，△t值大約占一個穩(wěn)態(tài)優(yōu)化過程時間的1%～7%為宜。

圖1 基于Multi-Agent的實時粒子群優(yōu)化算法Fig.1 The process of Multi-Agent based realtime PSO algorithm

2 實例分析

在該部分，本文利用階躍擾動和連續(xù)正弦擾動兩種方式，結(jié)合工業(yè)優(yōu)化過程中典型的反應器——Williams-otto反應器對傳統(tǒng)粒子群算法和基于Multi-Agent的實時粒子群優(yōu)化算法的效用進行比較。

2.1 問題描述

圖2 Williams-otto反應器Fig.2 Williams-otto reactor

如圖 2所示，Williams-otto反應器為帶夾套的連續(xù)攪拌反應器。反應器溫度為Tr；A、B為進料。經(jīng)過下式的反應，出口物料R中含有六種組分A、B、C、E、P、G。并且，反應器中有三個二級的不可逆反應：

其中，k1,k2和k3分別為三個反應的反應系數(shù)。之后，給出該反應器的經(jīng)濟目標方程：

式中：Xi—相應組分的質(zhì)量分數(shù)；Fr—出口物料流率；過程的主要擾動來自于A的進料流率Fa；過程的設定值是反應器的反應溫度Tr和組分B的流量Fb。該反應器的目的即為令IFO值最大化。

基于已有的相關文獻，可知當 Fa為 1.83kg/s時，最佳操作點為Fb=4.89kg/s和Tr=89.7℃。

2.2 階躍擾動

由于目標函數(shù)IOF為瞬態(tài)目標函數(shù)值，為了使該試驗更有實踐意義，引入平均目標函數(shù)（MOF）對結(jié)果進行評估。MOF可定義為：

式中，t0和t分別代表初始時刻和當前時刻。之后，利用階躍擾動對該算法進行試驗分析。在優(yōu)化操作條件下，在300s時對系統(tǒng)加入一個階躍干擾 （Fa=1.83kg/s減小到Fa=1.7 Kg/s）。

階躍擾動中兩種算法下的反應器系統(tǒng)中各參數(shù)的變動情況中分別如圖3和圖4所示。

圖3 階躍擾動中傳統(tǒng)粒子群算法下各參數(shù)變動情況Fig.3 The fluctuation of parameters within the traditional PSO algorithm in step disturbance

圖4 階躍擾動中基于Multi-Agent的實時粒子群優(yōu)化算法下的各參數(shù)變動情況Fig.4 The fluctuation of parameters within the Multi-Agent based real-time PSO algorithm in step disturbance

從圖3和圖4可以看出，針對于Fb參數(shù)，傳統(tǒng)粒子群算法尋優(yōu)并不穩(wěn)定，直至800s仍舊沒有收斂到穩(wěn)定狀態(tài)；而本文提出的新型算法則在約400s處就已經(jīng)達到最優(yōu)值，并且在之后無波動發(fā)生。并且，Tr參數(shù)部分也出現(xiàn)了類似的情況。

而比較IOF參數(shù)的數(shù)據(jù)時發(fā)現(xiàn)：基于Multi-Agent的實時粒子群優(yōu)化算法所用時間要稍長于傳統(tǒng)粒子群算法（約為0.0003s），這可能是由于算法中間隔時間△t的選取或程序隨機性等因素造成的。另外，兩種算法中 IOF參數(shù)的數(shù)據(jù)也顯示了基于Multi-Agent的實時粒子群優(yōu)化算法的收斂速度要優(yōu)于傳統(tǒng)粒子群算法。

綜上所述，基于Multi-Agent的實時粒子群優(yōu)化算法的效用要優(yōu)于傳統(tǒng)粒子群算法。

2.3 連續(xù)sin擾動

本文對該部分進行如下規(guī)定：干擾為連續(xù)sin干擾，F(xiàn)a=1.83-0.13sin（t/1000），仿真時間0～2500，整個過程始終都存在干擾。連續(xù)sin擾動中兩種算法下的反應器系統(tǒng)中各參數(shù)的變動情況中分別如圖5和圖6所示。

圖5 連續(xù)sin擾動中傳統(tǒng)粒子群算法下的各參數(shù)變動情況Fig.5 The fluctuation of parameters within the traditional PSO algorithm in continuous sin disturbance

從整體上看，基于Multi-Agent的實時粒子群優(yōu)化算法在穩(wěn)定性和收斂速度都要明顯優(yōu)于傳統(tǒng)粒子群算法，尤其以Fb和IOF參數(shù)最為明顯。

3 結(jié)論

本文將粒子群算法、Multi-Agent技術和實時優(yōu)化機制進行結(jié)合，構(gòu)造了一個新的優(yōu)化算法——基于Multi-Agent的實時粒子群優(yōu)化算法，從而對進化式實時優(yōu)化中的設定點優(yōu)化問題進行解決。 之后， 通過對Williams-otto反應器中的優(yōu)化問題進行仿真，比較傳統(tǒng)粒子群算法和該算法的效用，實驗結(jié)果表明，基于Multi-Agent的實時粒子群優(yōu)化算法不僅在穩(wěn)定性和收斂速度上都要優(yōu)于傳統(tǒng)粒子群算法，而且該算法還提高了過程的實時性，使系統(tǒng)無需等待過程穩(wěn)態(tài)，從而令整體優(yōu)化性能有了大幅度增強。然而，由于本文中所使用的檢驗環(huán)境過于簡單，無法驗證該算法在復雜工業(yè)系統(tǒng)中的效用，因此，引用更為復雜的系統(tǒng)對該算法進行檢驗將是我們下一步的研究主題。

圖6 連續(xù)sin擾動中基于Multi-Agent的實時粒子群優(yōu)化算法下的各參數(shù)變動情況Fig.6 The fluctuation of parameters within the Multi-Agent based real-time PSO algorithm in continuous sin disturbance

[1]Alain C，Thieny G B，Vacher J P.Genetic algorithms using multiobjectives in a Multi-Agent System[J].Robotics and Autonomous System，2000，33.

[2]Sirikijpaniehku1 A，Van D K H，F(xiàn)erreira L，Lukszo Z.Optimizing the Location of Intermodal Freight Hubs:An overview of the Agent Based Modeling Approach[J].Journal of Transportation Systems Engineering and Information Technology，2007，4.

[3]楊萍，劉衛(wèi)東，畢義明.基于分布式協(xié)商進化算法的多Agent目標沖突消解[J].系統(tǒng)工程與電子技術，2009，8.

[4]丁輝，李宏光.一種求解約束多目標優(yōu)化問題的Agent進化算法[J].吉林大學學報，2011，41(S1).

[5]宿翀，李宏光.基于情感學習Agent的交互式進化計算方法[J/OL].計算機集成制造系統(tǒng)，2012，18.

[6]趙波，曹一家.電力系統(tǒng)無功優(yōu)化的多智能體粒子群優(yōu)化算法[J].中國電機工程學報，2005，5.

A Real-time Evolutionary Algorithm Based on the Multi-Agent Theory

WANG Jian
（Daqing Huake Company Limited，Daqing Heilongjiang 163316，China）

The Real-Time Evolutionary（RTE）can be utilized to address the demerit of the traditional Real-Time Optimization(RTO)which is the requirement for waiting the steady.Based on this conception,this paper proposed a real-time evolutionary algorithm regarding the Multi-Agent theory.Firstly,a combination between the Particle Swarm Optimization（PSO）algorithm and the Multi-Agent theory is demonstrated,in which each Agent can be treated as a particle within the PSO,which can quickly and accurately find the global optimal solution through competition,cooperation,and learning with their neighbors.Then,derived from the conception of RTE,the Multi-Agent based PSO algorithm is applied on the RTO problem.In the end,the effectiveness and availability of this algorithm are confirmed by the empirical test of Williams-otto reactor.

Multi-agent；RTE；RTO

TP317

：Adoi:10.3969/j.issn.1002-6673.2014.01.005

1002－6673（2014）01－015－03

2013－12－16

王?。?975-），女，1998年7月畢業(yè)于大慶石化總廠職工大學生產(chǎn)過程自動化專業(yè)。曾長期在生產(chǎn)一線從事儀表過程控制工作，積累了大量而寶貴的實際生產(chǎn)經(jīng)驗。