摘? 要：考慮單個Agent資源有限，多個Agent時常需形成聯(lián)盟來完成任務或提高聯(lián)盟整體能力，如何形成一組針對某個任務的最佳聯(lián)盟是MAS中一個緊迫而又關鍵性的問題。基于此，文中提出一種改進的IPSO算法來解決該問題，同時為克服粒子過早收斂和局部優(yōu)化，在改進的慣性權重上引入一種柯西變異的擾動算子，最后與PSO算法及ACO算法做對比，結果表明該IPSO算法的全局搜索能力較強，成功避免了粒子過早收斂，資源浪費等問題。

關鍵詞：多Agent聯(lián)盟;PSO算法;ACO算法;IPSO算法

中圖分類號：TP18? ? ? ?文獻標識碼：A 文章編號：2096-4706（2019）09-0005-03

0? 引? 言

Agents聯(lián)盟形成是分布式人工智能中一種重要的協(xié)作方法。一個聯(lián)盟可以定義為一組Agents為完成一個共同任務或達到一個共同目標而進行的合作，Agent加入一個聯(lián)盟可加強聯(lián)盟完成任務的能力和最大化個人收益，甚至在有些情況下，聯(lián)盟形成是完成任務唯一或最有效的方法[1-3]。目前，在MAS中，聯(lián)盟形成的基本理論是N人合作對策理論，主要考慮如何在聯(lián)盟內Agent間劃分聯(lián)盟的額外效用，使Agent在決策時愿意形成全局最優(yōu)聯(lián)盟。

3.3? 粒子適應值的計算

如果該粒子當前適應值等于個體歷史最優(yōu)值或粒子當前適應值等于全局粒子最優(yōu)值，則隨機選擇粒子位置;如果該粒子當前適應值優(yōu)于個體歷史最優(yōu)值或粒子當前適應值優(yōu)于全局粒子最優(yōu)，則將歷史最優(yōu)值或全局最優(yōu)值替換當前粒子的位置。

3.4? 算法步驟

Step1 初始化種群，設粒子數(shù)為n、學習因子c1，c2及慣性權重ω初始值、最大迭代次數(shù)的值，并隨機產(chǎn)生n個初始位置及初始速度;

Step2 根據(jù)適應度函數(shù)對每個粒子位置進行更新;

Step3 根據(jù)式（6）對ω的值進行更新，同時由式（3）和式（4）計算下一刻粒子位置和速度，并運用式（8）和式（9）對粒子位置進行擾動，同時記下每個粒子的當前值;

Step4 若粒子當前值優(yōu)于個體歷史最優(yōu)值，則將當前個體最優(yōu)值替換個體歷史最優(yōu)值，否則不替換;

Step5 粒子當前值優(yōu)于群體歷史最優(yōu)值，則將當前個體最優(yōu)值替換群體歷史最優(yōu)值，否則不替換;

Step6 若達到最高迭代次數(shù)或找到最優(yōu)解，則輸出搜索結果，否則轉入Step2。

4? 實驗環(huán)境設置及結果分析

為驗證算法性能，文中以ACO[3]、PSO[4]及本文的IPSO三種算法進行實驗設計。隨機選取任務量分別為4、12和30，具體算法參數(shù)假設如下：粒子數(shù)n=30，c1=c2=2，ω初始值為0.9。每個Agent能力向量為，Ai完成任務需要的聯(lián)盟代價值為 ;任務需求能力向量為，完成任務需要的聯(lián)盟值為。

4.1? 實驗環(huán)境設置

（1）當時，因Agent能力不足，聯(lián)盟失敗，故任務均不能被完成;

（2）當時，符合聯(lián)盟生成條件，圖1、圖2、圖3給出了在Agents數(shù)量不斷增加的情況下，前500次迭代在1000次實驗中聯(lián)盟值的變化情況。

4.2? 實驗分析

從圖1、圖2、圖3可看出，不同算法下，在隨機選取的三種任務下IPS0算法比PSO算法曲線坡度更陡且位于PSO算法及ACO算法曲線的上方，這意味著IPSO算法在解決Agents聯(lián)盟生成問題時，最終收斂的聯(lián)盟值更有效，從坡度上可看出收斂速度也更快。

同時表1也給出了當?shù)螖?shù)為500時三種算法在完成不同任務時找到最優(yōu)聯(lián)盟值時程序運行時間之比，具體如表1所示，從表中可得出IPSO算法運行時間相比于其它兩種算法時間都是最少的。

綜上可知，本文提出的IPSO算法無論在聯(lián)盟值大小、收斂性還是運行時間上均優(yōu)于PSO算法和ACO算法。

5? 結? 論

多Agent聯(lián)盟是MAS中的一個緊迫性問題，基于此，文中提出一種改進的IPSO算法來解決該問題，同時為克服粒子過早收斂和局部優(yōu)化，在改進的慣性權重基礎上引入一種柯西變異的擾動算子，經(jīng)驗證該IPSO算法的全局搜索能力較高，有效地避免了粒子過早收斂，資源浪費等問題。

參考文獻：

[1] 黃麗麗.基于多Agent的智能生存空間異構協(xié)作研究 [D].北京：北京交通大學，2014.

[2] 李天文.面向多Agent系統(tǒng)的博弈聯(lián)盟形成與分配問題研究 [D].昆明：云南大學，2013.

[3] 吳慶洪，張穎，馬宗民.蟻群算法綜述 [J].微計算機信息，2011，27（3）：1-2+5.

[4] 蔣建國，夏娜，齊美彬，等.一種基于蟻群算法的多任務聯(lián)盟串行生成算法 [J].電子學報，2005（12）：2178-2182.

[5] Kennedy J ，Eberhart R C . A discrete binary version of the particle swarm algorithm [C]// 1997 IEEE International Conference on Systems，Man，and Cybernetics. Computational Cybernetics and Simulation. IEEE，1997.

[6] 傅小利，顧紅兵，陳國呈，等.基于柯西變異粒子群算法的永磁同步電機參數(shù)辨識 [J].電工技術學報，2014，29（5）：127-131.

作者簡介：陳寧霞（1986-），女，漢族，河南周口人，專任教師，助教，Web前端在線課程開發(fā)者之一，碩士，研究方向：分布式人工智能、軟件開發(fā)等。