一种多智能体混合蛙跳算法

合集下载

基于平均值的混合蛙跳算法

基于平均值的混合蛙跳算法宋磊;王联国;张友华【摘要】针对基本混合蛙跳算法收敛速度慢，容易陷入局部最优的问题，提出了基于平均值的混合蛙跳算法。

该算法将基本蛙跳算法中子群的平均值，通过2种不同的更新策略分别引用到混合蛙跳算法的局部搜索中，对算法的更新策略进行了适当改进，以期提高混合蛙跳算法的局部搜索能力。

结果表明：更新策略1将子群的平均值与局部更新策略相结合，使算法在搜索过程中加快搜索速度，提高了局部搜索能力；更新策略2则通过采用自适应概率随机将子群的平均值取代子群部分最优个体进行策略更新，使算法在局部搜索时提高了寻优能力，有效的避免算法陷入局部最优。

通过对5个测试函数进行优化，并同基本混合蛙跳算法和文献中改进的算法进行比较，结果表明：该算法可以有效的避免局部搜索过早收敛，具有较好的优化性能。

%Aiming at slow convergence speed and falling into local optimum problems of shuffled frog leaping algorithm easily,the novel shuffled frog leaping algorithm based on average value is proposed.The algorithm references average value using two kinds of different update ideas to the basic shuffled frog lea-ping algorithm and improves the update policy of algorithm appropriately and the local search ability re-spectively.The former combines average value of subgroup with partial update strategy,speeding up the convergence rate in the iteration and improving the local search ability,the latter uses adaptive probability randomly to replace some best individual of partial subgroups by using the average value of subgroups,and increases the local search optimization ability of algorithm,and effectively avoids the algorithm falling into localoptimum.The algorithm is based on five test function optimization and compares with basic SFLA and the improved SFLA in related references;simulation experiments show that the algorithm based on average value can effectively avoid premature convergence and have better optimization performance.【期刊名称】《甘肃农业大学学报》【年(卷),期】2014(000)003【总页数】5页(P176-180)【关键词】混合蛙跳算法;平均值;自适应概率;局部最优【作者】宋磊;王联国;张友华【作者单位】甘肃农业大学工学院，甘肃兰州 730070;甘肃农业大学信息科学技术学院，甘肃兰州 730070;甘肃农业大学工学院，甘肃兰州 730070【正文语种】中文【中图分类】TP301.6混合蛙跳算法［1］（shuffled frog leaping algorithm，SFLA）是由Lansey和Eusuff于2003年提出的一种模拟青蛙觅食行为的群体智能算法，它具有概念简单、参数较少、计算快速等特点.然而，与其它群体智能算法相似，SFLA算法在优化部分函数时存在易陷入局部最优，效果不够理想等缺点.因此，许多研究者对SFLA进行了研究与改进［2－10］，如Emad等引入一种新的加速搜索参数到基本混合蛙跳算法中，提出了算法的一种改进形式；周建中等提出了一种改进的混合蛙跳算法通过阈值选择策略进行更新改进，对于不满足阈值条件的个体分量不予更新的策略，从而改善了算法性能；罗雪晖等将一种新的思想—调序思想巧妙的引入到基本混合蛙跳算法中，与此同时又将变异操作加入到基本混合蛙跳算法全局搜索中，提出了一种更为有效的改进混合蛙跳算法.本文将基本蛙跳算法中的平均值，通过粒子群算法［11］中出现的2种不同的更新策略分别引用到基本混合蛙跳算法中，对局部搜索更新策略进行适当改进，提出了基于平均值的混合蛙跳算法（novel shuffled frog leaping algorithm based on average value，NSFLA），为便于区分，将这2种更新策略改进的算法分别记为NSFLA1和NSFLA2.随机初始化种群，将青蛙的整个种群F分为m个子群，每个子群中含有n只青蛙，并且满足关系F＝m×n.其中，第1只青蛙分入到第1子群，第2只青蛙分入到第2子群，第m只青蛙分入到第m子群，第m＋1只青蛙分入到第1子群，第m＋2只青蛙分入到第2子群，依次类推，一直到所有青蛙划分完毕.在每个子群中，设Xk＝（xk1，xk2，…，xks）代表第k只青蛙的状态向量，s表示维数，当前青蛙目标函数适应度Y＝f（Xk），Xb＝（xb1，xb2，…，xbs）表示每个子群中适应度最好的青蛙，Xw＝（xw1，xw2，…，xws）表示每个子群中适应度最差的青蛙，Xg＝（xg1，xg2，…，xgs）表示整个青蛙种群中适应度最好的青蛙.然后对每个子群进行局部搜索，即对子群中的最差个体Xw循环进行更新，其更新策略为：式中：newXw表示由更新策略产生的新个体；dj表示分量上移动的位置，rand （）表示0到1之间的随机数；Dmax表示青蛙所允许改变的最大步长.如果更新后的新个体优于原来的Xw，则用newXw取代Xw.如果没有原来的解优，则用全局最优个体Xg取代子群中最好的个体Xb，然后重复执行更新策略（1）、（2）.如果仍然没有改进的话，则随机产生一个新个体取代原来的Xw.重复这种操作，直到达到终止条件为止.直到所有子群的局部搜索完成后，混合所有子群的青蛙个体，并重新进行排序和分组.按照以上方式再进行局部搜索，如此反复直到满足该种群的收敛的条件或者达到算法设定的最大进化迭代次数［12］.2.1 算法思想基于平均值的混合蛙跳算法的思想借鉴粒子群算法［11］中速度和位置更新公式与设计自适应概率的思想，将这2种思想分别引用到基本的SFLA中并对其局部更新策略进行改进，以提高算法的优化性能.1）第1种局部搜索更新策略（NSFLA1）NSFLA1实现算法的关键：把每个子群中的平均值Xa与公式（1）的更新策略相结合，用公式（3）对子群中的Xw循环进行更新操作，其更新策略公式如下所示：式中：Xa＝（xa1，xa2，…，xas）表示每个子群的平均值.2）第2种局部搜索更新策略（NSFLA2）NSFLA2实现算法的关键：将每个子群中的平均值Xa取代子群的部分最好个体进行更新策略，在混合蛙跳算法的子群平均值选取中，通过设计一个自适应概率p＝f／N，控制子群中的Xw循环并采用更新策略公式（4）对子群中的Xw循环进行更新操作，其更新策略公式（4）如下所示：式中：f表示当前子群的迭代次数；N表示子群的最大迭代次数.Xa＝（xa1，xa2，…，xas）表示每个子群中的平均值.从理论上说基于平均值的混合蛙跳算法的这两种更新策略能较好地克服SFLA算法在局部搜索时，容易陷入局部最优的缺点，能在更大的范围内进行局部搜索，提高了混合蛙跳算法的性能，使得群组内个体更好更快地向全局最优值的方向趋近.2.2 算法具体步骤基于平均值的混合蛙跳算法具体步骤如下：步骤1：初始化整个青蛙种群，设置混合蛙跳算法中一些参数，例如种群的总体青蛙个数为F，青蛙个体解的维数s等.步骤2：计算适应值和寻找全局的最优个体Xg.步骤3：将全部的青蛙个体按照一定的原则进行大小降序排列，将每一个青蛙个体按照一定的顺序分别分配到不同的子群体中去，可以看做是分配为为m个子群体，其中每个子群体有含有n只青蛙.步骤4：重复执行多次，找出根据适应度值更新而求得全局最好个体的位置Xg和最好个体的位置Xb，最终确定在当前迭代次数子群体中最差个体的位置Xw；依据文中提出的改进更新策略公式（3）或者（4）对最差个体Xw的进行循环更新. 步骤5：当局部搜索完成以后，就按照适应值的大小再次对每个子群体中的个体进行一定程度的排列，从而能够进行分配的重新，使得群体再次进行分配组合.步骤6：当青蛙全体都完成规定的迭代次数后判断是否满足终止条件，若满足终止条件，就可以结束迭代，同时给出全局的最优的解Xg；否则转到第二步继续执行下面的步骤.3.1 试验设计为了验证基于平均值的混合蛙跳算法的性能，文中应用SFLA、ISFLA［7］、NSFLA1和NSFLA2分别对测试函数f1～f5进行优化测试.具体测试函数如下：试验中的参数设置：种群规模F＝200，子群数m＝20，每个子群含n＝10只青蛙，子群内更新迭代次数N＝10，函数变量维数s＝30，混合迭代次数G＝500.文中NSFLA采用Dmax＝Xmax／10，每个测试函数参数如表1所示.采用如下方法对文中NSFLA算法进行性能评估：通过固定进化的迭代次数，记录达到的目标精度进而评估该算法的优化性能.3.2 试验结果及分析在算法性能测试中，固定进化迭代次数G＝500，将连续运行30次所得的函数全局平均最优值、标准差以及运行时间作为算法性能的衡量指标.测试函数的试验结果如表2所示.由表2可以看出基于平均值的混合蛙跳算法NSFLA1和NSFLA2的试验结果优于基本的混合蛙跳算法SFLA和文献［7］中改进的算法ISFLA，有效地提高了该算法的收敛速度，提高产生解的质量，同时也提高了该算法的局部搜索能力，避免局部过早进入最优，具有较强的优化能力.图1～5是函数f1～f5在相同条件下采用SFLA、ISFLA［7］、NSFLA1和NSFLA2运行30次后得到的平均最优值的进化曲线.从图中可以看出，NSFLA1和NSFLA2收敛速度较快，同时优化精度有显著的提高.SFLA是近几年来刚刚兴起的一种新的随机优化算法，对于全局搜索和局部搜索具有较强的寻优能力.文中提出的基于平均值的混合蛙跳算法NSFLA，在一定程度上提高了每个子群局部搜索的能力，在每次迭代进化中使得子群的搜索信息得到较好的更新，能在更大的范围内进行局部搜索，具有较强的寻优能力.由测试函数f1～f5的仿真试验结果表明：文中提出的NSFLA1和NSFLA2相对于基本的SFLA和文献［7］中ISFLA在性能方面都有了一定程度的提高，可以有效的避免局部搜索过早收敛，并且在收敛速度与稳定性方面有较强的优化能力.【相关文献】［1］ Eusuff M，Lansey K E.Optimization of water distribution network design usiong the shuffled frog leaping algorthm［J］.Water Resources Planning and Management，2003，129（3）：210-225［2］ Elbeltagi Emad，Hegazy Tarek，Grierson Donald.A modified shuffled frog-leaping optimization algorithm：Applications to project management［J］.Structure and Infrastructure Engineering，2007，3（1）：53-60［3］ Zhang X C，Hu X M，Cui G Z，et al.An improved shuffled frog leaping algorithm with cognitive behavior［C］.7th World Congress on Intelligent Control and Automation，Piscataway，USA：IEEE，2008：6197-6202［4］李英海，周建中，杨俊杰，等.一种基于阈值选择策略的改进混合蛙跳算法［J］.计算机工程与应用，2007，43（35）：19-21［5］赵鹏军.一种新的仿生优化算法及其改进［J］.商洛学院学报，2009，23（2）：19-22 ［6］栾垚琛，盛建伦.基于粒子群算法的混洗蛙跳算法［J］.计算机与现代化，2009（11）：39-42［7］赵鹏军，刘三阳.求解复杂函数优化问题的混合蛙跳算法［J］.计算机应用研究，2009，26（7）：2435-2437［8］赵守法.蛙跳算法的研究与应用［D］.上海：华东师范大学，2008［9］代永强，王联国.蛙跳算法投影寻踪模型及其在甘肃省主要城市国民经济综合指标评价中的应用［J］.甘肃农业大学学报，2011，46（2）：156-160［10］罗雪晖，杨烨，李霞.改进混合蛙跳算法求解旅行商问题［J］.通信学报，2009，30（7），130-135［11］唐岑琦，周育人.具有综合学习机制的粒子群算法［J］.计算机工程与应用，2007，43（31）：42-44［12］王辉，钱锋.群体智能优化算法［J］.化工自动化及仪表，2007，34（5）：7-13。

基于自适应变异因子策略的混合蛙跳算法

基于自适应变异因子策略的混合蛙跳算法赵付青;陈自豪【摘要】由于基本混合蛙跳算法在对问题的优化求解中存在着收敛速度慢、优化精度低且容易陷入局部最优等问题,因此提出了一种新的混合蛙跳算法.对基本混合蛙跳算法的组内更新策略进行重新设计,引入自适应变异因子来控制青蛙的移动步长;在算法中将改进的粒子群优化算法有机地嵌入其中,这样算法在搜索过程中就增加了发现新解的概率,维持了种群的多样性,从而使算法不易陷入局部最优.通过对标准函数进行优化测试,结果证明其具有良好的优化性能.【期刊名称】《甘肃科学学报》【年(卷),期】2016(028)001【总页数】6页(P6-11)【关键词】混合蛙跳算法;自适应变异因子;移动步长;粒子群优化算法【作者】赵付青;陈自豪【作者单位】兰州理工大学计算机与通信学院,甘肃兰州 730050;西北工业大学现代设计与集制造技术教育部重点实验室,陕西西安710072;兰州理工大学计算机与通信学院,甘肃兰州 730050【正文语种】中文【中图分类】TP391混合蛙跳算法(SFLA,shuffled frog leaping algorithm)是2003年由Eusuff和Lansey提出的一种基于群体智能的生物进化算法[1]。

它具有参数少、概念简单、计算速度快、全局寻优能力强及易于实现等特点。

目前该算法在改进和应用方面都得到了相应提高,并且利用它解决了许多实际优化问题,如函数优化、水资源网络分配问题、成品油管网优化设计、车间调度问题、旅行商问题等[2-4]。

然而它还是存在着许多缺点,如收敛速度较慢、优化精度相对低、易陷入局部最优等,尤其在解决高维函数问题时,这些缺点表现的更明显,从而算法的效率非常低。

因此改进基本混合蛙跳算法,提高算法性能就变得非常急切。

目前,研究者们用不同的方法对算法的各个过程进行改进。

文献[5-10]中介绍了国内和国外学者们对基本混合算法进行的改进,确实提高了算法的优化性能。

一种蛙跳和差分进化混合算法

最差个体为 w j = (w j 1 w j 2 w j D)T 。族群划分完毕后，即对每个族群进行局部深度搜索，每一次迭代针对 w j 进行，进化策略为：
u j = rand ()(b j - w j) j = 1 2 P - s d £ u j d £ s d j = 1 2 P d = 1 2 D y′j = w j + u j j = 1 2 P
类分析[9-10]，其改进算法应用于函数优化[12-14]等。Rahimi-Vahed 与 Mirzaei[5] 应用多目标 SFLA （MOSFLA）求解双准则排列流水调度问题的 Pareto 最优边界，其性能优于某些经典多目标遗传算法（MOGA）。王亚敏等[6]针对考试时间安排问题，采用基于时间序列的编码方式和新的个体产生方法扩展了 SFLA 的
11] 源分配[3-4，、流水调度[5]、考试时间安排[6]、 TSP[7]、电网规划[8]、聚
法——差分进化算法（DE），该算法具有算法简单、控制参数少、容易理解、易于实现等优点。按交叉方式为二项交叉或指数交叉，其差分变异策略共有 10 种方式，各种方法在解决不同问题各有优缺点。其中，以 DE/rand/1/bin 和 DE/best/2/bin 版本（分别简记为 DEr1 和 DEb2）最为常用。文献[2]对 DE 的理论研究与工程应用进行了较全面的综述。2003 年，美国学者 Eusuff 与 Lansey[3-4]结合粒子群算法（Particle Swarm Optimization， PSO）和模因演化算法（Memetic Algorithm， MA）的优点，提出一种基于群智能的亚启发式进化算法—混洗蛙跳算法（SFLA），并

进化策略自主选择的改进混洗蛙跳算法

进化策略自主选择的改进混洗蛙跳算法张强;李盼池【摘要】针对经典混合蛙跳优化算法寻优精度不高和易陷入局部收敛区域的缺点,本文提出一种基于进化策略自主选择的混洗蛙跳算法.算法中最差个体根据不同知识来源采取4种进化策略,每次迭代通过计算每种进化策略的立即价值、未来价值和综合奖励来决定最差个体的进化方式,并通过个体进化策略概率变异算法来提升寻优速度和避免陷入局部最优解.利用10个Benchmark函数对本文算法与8种进化算法进行性能比较.实验表明:所提的算法能较好地平衡全局探索能力和局部挖掘能力,可以用较少的迭代次数获取较优结果,具有很好的收敛速度和精度.【期刊名称】《哈尔滨工程大学学报》【年(卷),期】2019(040)005【总页数】7页(P979-985)【关键词】混洗蛙跳算法;进化策略;上限置信区间;变异;优化;模因演算;群体智能;自适应【作者】张强;李盼池【作者单位】东北石油大学计算机与信息技术学院,黑龙江大庆163318;东北石油大学计算机与信息技术学院,黑龙江大庆163318【正文语种】中文【中图分类】TP301.6混洗蛙跳算法[1](shuffled frog leaping algorithm, SFLA)，以其模型简单，寻优速度快等优点得到学者的广泛关注。

Elbeltagi等[2]通过实验表明SFLA在求解某些连续和离散优化问题时的成功率和寻优速度优于遗传算法、模因算法和蚁群算法；Babak等[3]利用SFLA改进K均值聚类方法，实验结果表明其优于遗传算法、模拟退火算法、蚁群算法等聚类算法。

目前SFLA已应用到经济负荷分配[4]、多目标优化[5]、优化调度[6]、信号重构[7]和故障诊断[8]等问题。

同时，针对SFLA的不足，许多学者在种群多样化[9-10]、进化方式改进[11-14]和算法融合[15-17]等方面提出了一些改进算法。

进化策略的本质是通过均衡全局寻优和局部探索来改进个体进化方式，但通过分析发现在整个进化过程中，个体进化策略的不变性也是造成算法寻优效果不高的重要原因，如在整个进化过程中个体均要受到当前最优个体的影响。

混洗蛙跳算法的研究

智能优化算法通过模拟或揭示某种自然现象或者过程发展而来，有鲁棒性、用性强，局的、行高效的优化性能这些鲜具通全并明的特点【ｌｊ。群体智能优化算法是如今在优化计算领域中的一个研究热点。人们研究不同的群体智能算法如蚁群算法８第一次系统地使用计算机语言提出模因算法（ｅｔｌｏｉｍ，９９年ＭｍｅｃｇｒｈＭＡ） “ ｅｔ ” 来自于单词 “ ｅｅ［ｉＡｔ。ｍｍｅｃｉｍｍ ”１３，ｍｅｅ就是寄存在人或动物的大脑中，指导他们行为并且能够传播的信息。ｅｍ能ｍｍｅ中携带信息的是模因，像染色体上携带遗传信就息的是基因一样。ｍｅ仅不过是一个可以复制思想的信息单元，ｍｅ一个创意或一个信息，到它被重复或传播才能成为一个ｍｍｅ直ｅ。
化问题。混洗蛙跳算法就是近年来人们探索新算法的成果之一。００年，ｕｕ以及Ｌｎａ初不过是设想模拟青蛙的觅食过程，在２０Ｅｓｆａｓｙ最但
后来的研究中发现，一过程可以作为一种不错的优化工具。将其最初应用于水资源网络分配问题。此后，这并经过不断的探索，０３２０
ＩＮ０９０４ＳＳ１０－３４

一种基于改进混合蛙跳的KFCM算法

一种基于改进混合蛙跳的KFCM算法赵小强;刘悦婷【期刊名称】《计算机工程与应用》【年(卷),期】2013(049)004【摘要】针对核模糊C-均值(KFCM)聚类算法存在易陷入局部极小值,对初始值敏感的缺点.将混合蛙跳算法(shuffled frog leaping algorithm,SFLA)用于KFCM中,但在聚类数较大和维数较高时,聚类效果不理想,为此提出将自适应惯性权重引入混合蛙跳算法的更新策略中,再用改进后的混合蛙跳算法求得最优解作为KFCM算法的初始聚类中心,利用KFCM算法优化初始聚类中心,求得全局最优解,从而有效克服了KFCM算法的缺点.人造数据和经典数据集的实验结果表明,新算法与KFCM 和FCM聚类算法相比,寻优能力更强,迭代次数更少,聚类效果更好.%Because of the problems of Kernel Fuzzy C-means Clustering algorithm (KFCM) easy falling into local optimality and the sensitivity to initial value, a kernel fuzzy C-means clustering based on Shuffled Frog Leaping Algorithm (SFLA) is presented. But its effect is not satisfactory for the data with larger clusters number and higher dimensions. So adaptive inertia weight is used to update the strategy of SFLA. Then the obtained optimal solution by improved shuffled frog leaping algorithm (ISFLA) is taken as initial clustering centers of KFCM algorithm to optimize initial clustering centers, so as to get the global optimum and overcome the shortcoming of the KFCM algorithm. The results of experiments on the artificial and real data show that compared with the KFCM and FCM clustering algorithm, thenew algorithm optimization ability would be stronger, the number of iterations less, and the clustering effect better.【总页数】5页(P141-145)【作者】赵小强;刘悦婷【作者单位】兰州理工大学电气工程与信息工程学院,兰州730050;甘肃省工业过程先进控制重点实验室,兰州730050;兰州理工大学电气工程与信息工程学院,兰州730050【正文语种】中文【中图分类】TP301.6【相关文献】1.一种基于改进混合蛙跳的聚类算法 [J], 韩晓慧;王联国2.一种基于阈值选择策略的改进混合蛙跳算法 [J], 李英海;周建中;杨俊杰;刘力3.基于改进混合蛙跳算法的图像阈值分割算法 [J], 刘立群;火久元;王联国4.一种基于混合蛙跳和粒子群融合的改进优化新算法 [J], 周林; 陶冠宏; 王佩5.一种基于二分法查找的改进混合蛙跳算法 [J], 王晓彬;邹海荣因版权原因，仅展示原文概要，查看原文内容请购买。

一种基于自适应同步因子的混合蛙跳算法

LI Minnan LIU Sheng （School of Management，Shanghai University of Engineering Science，Shanghai 201620）
Abstract Basic shuffled frog leaping algorithm（SFLA）has a slow convergence speed and a low precision. To overcome these shortcomings，this paper proposes an improved algorithm-adaptive synchronized factor shuffled frog leaping algorithm（AS_SFLA）. In this algorithm，the adaptive synchronized factor is introduced to change frog update rule in local iterations to improve the ability in local search. Each species update according to the corresponding position updating formula. The factor disturbs the individual when the position updates，which increases the diversity of population location and adjusts the search scope. Each individual adjusts the factor dynamically in the local iterations. The rule of updating positions is more reasonable. Compared simulation results of exper⁃ iments on nine benchmark functions with two different groups of factors among SFLA，AS_SFLA and ISFLA1，the results show that the adaptive synchronized factor strategy balances the searching ability of AS_SFLA in the local and global iteration processes， which makes the algorithm avoid to fall into local optimum. Finally，AS_SFLA is proved to act better in solution quality，searching ability and can be more suitable for high-dimensional optimization of complex functions.

求解CVRP的改进混合蛙跳算法研究

万
摘
博，卢
昱，陈立云，何瑞波
（军械工程学院ａ计算机工程系；ｂ训练部，．．石家庄０００）５０３要：为了求解带有容量约束的车辆路径问题（ＶＰ，ＣＲ）在建立ＣＲ数学模型的基础上，出了改进的混合ＶＰ提
蛙跳算法（ＦＡ，ＳＬ）并设计了新的初始群体构造方法。改进后的ＳＬＦＡ采用实数编码方式，融入自适应差分扰动机制及混沌局部搜索策略到局部搜索过程中，在保持ＳＬＦＡ全局收敛性的同时，增强了算法跳出局部最优解的能力，加快了算法收敛速度。通过与其他三种算法进行对比实验，结果表明了改进的ＳＬＦＡ在求解ＣＲＶＰ上的有
第２８卷第ｌ期２
２１０１年１２月
计算机应用研究
ＡｐｌａｉｎＲｅｅｒｈｏｍｐｔ￣ｐｉｔｓａｃｆＣｏｕｅｃｏ
Ｖｏ．８Ｎｏ１１２．２
Ｄｅ．２１ｃ０１
求解ＣＲＶＰ的改进混合蛙跳算法研究
ｉ则０否
ｒ顾客点ｉ１的需求由车辆完成
当前全局最优适应度值对应的青蛙位置代替式（）８中的
Ｘ重新计算Ｘ（＋１；）若更新后仍没改进适应度值，则产生
一
【否则０则ＣＲＶＰ的数学模型可表示为
Ａｂｔａｔｓｒｃ：ＴｏｖＶＲＰ，ｉｐｐｒｐｏｏｅｄｆｄＳＬ，ｉｈｂｓｄｏｅｍａｈｍａｉａｄｌｆＲＰ，ａｄｄ．ｏｓｌｅＣｔｓａｅｒｐｓｄａｍｏｉｅＦＡｗｈｃａｅｎｔｔｅｔｌｍｏｅｈｉｈｃｏＣＶｎｅｓｇｅｅ￣ｏｏｏｓｒｃｎｎｔｌｐｐｌｔｎＴｅｍｏｉｅｈｆｅｒｇｌａｉｇａｇｒｔｍｄｐｅｅｌｃｄｄｐｔｉｎｄａｎｗｍｅｄｆｒｃｎｔｔｇｉｉａｏｕａｉ．ｈｄｆｄｓｕｄｆｏｅｐｎｌｏｉｕｉｉｏｉｌｈａｏｔｄｒａ — ｏｅａ— ｔｒｓＴｅｏｉｅｉｄｐｉｅｄｆｒｎｉｌｄｓｒａｃｎｈｏｉｏａｓａｃｔａｅｙｉｃｌｅｒｈｎ．Ｉｅｈｎｅｅ．ｈｎｉｃｍｂｎｄｗｔａａｔｉｅｅｔｉｔｂｎｅａｄｃａｔｃｌｃｅｒｈｓｔｇｎｌａａｃｉｇｔｎａｃｄｕｔｈｖｆａｕｌｒｏｓｔｅａｉｔｏｅｃｐｒｍｏａｐｉｎｐｄｕｈｏｖｒｅｃｆＳＬｈｂｌｙｔｓａｅｆｏｌｃｌｏｔｉｍａａｄｓｅｐｔｅｃｎｅｇｎｅｏＦＡ，ｍｅｎｈｌａｗｉｅ，ｍａｎａｎｄｇｏａｏｖｒｅｃｆｉｔｉｅｌｂｌｃｎｅｇｎｅｏＳＬＦＡ．Ｅｐｒｎａｅｕｔｎｉａｅｔｅｅｅｔｅｅｓａｄｒｂｓｎｓｆｔｅｍｏｉｅｈｆｅｏｅｐｎｌｏｔｍｎｓｌｉｇｘｅｍｅｔｌｓｌｉｄｃｔｈｆｃｉｎｓｎｏｕｔｅｓｏｄｆｄｓｕｄｆｇｌａｉｇａｇｒｈｉｏｖｎｉｒｓｖｈｉｌｒｉ

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

跳算法的进化机制，不断感知局部环境，并逐渐影响整个智能体网格，以提高自身对环境的适应能力。为更好地适应环境，智能体也可以利用自身的知识进行自学习。仿真实验结果表明，该算法能有效地维持种群的多样性，提高优化精度，同时抑制早熟现象，在高维函数优化方面具有较高的优化性能。关键词：多智能体；混合蛙跳算法；竞争；自学习；能量；多样性；优化性能
文献标识码：Ａ
中圈分类号；ＴＰ３０１・６
一
种多智能体混合蛙跳算法
王联国，代永强
（甘肃农业大学信息科学技术学院，兰州７３００７０）
摘
要：提出一种多智能体混合蛙跳算法。将智能体固定在智能体网格上，每个智能体通过与其邻居的竞争与合作，结合混合蛙
ＡＭｕｌｔｉ－ａｇｅｎｔＳｈｕｌｅｆｄＦｒｏｇＬｅａｐｉｎｇＡｌｇｏｒｉｔｈｍ
ＷＡＮＧＬｉａｎ— ｇｕｏ，ＤＡＩＹｏｎｇ・ｑｉａｎｇ
（ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＧａｎｓｕＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，Ｌａｎｚｈｏｕ７３００７０，Ｃｈｉｎａ）
第３９卷第７期
Ｖｂｌ－３９ＮＯ．７
计
算
机Hale Waihona Puke 工程２０１３年７月
Ｊｕｌｙ２０１３
ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇ
・
人工智能及识别技术・
文章编号：ｌ００ｏ — ３４２８（２０ｌ３）０７ —Ｉｌ２６５ — 一ｌ５
［Ａｂｓｔｒａｃｔ］ＴｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａＭｕｌｔｉ — ａｇｅｎｔＳｈｕｌｅｆｄＦｒｏｇＬｅａｐｉｎｇＡｌｇｏｒｉｔｈｍ（ＭＳＦＬＡ）ｂｙｉｎｔｒｏｄｕｃｉｎｇｔｈｅｍｕｌｔｉ — ａｇｅｎｔｓｙｓｔｅｍｔｏｔｈｅＳｈｕｆｌｆｅｄＦｒｏｇＬｅａｐｉｎｇＡｌｇｏｒｉｔｈｍ（ＳＦＬＡ）．Ｔｈｉｓａｌｇｏｒｉｔｈｍｉｆｘｅｓｔｈｅａｇｅｎｔｏｎｇｒｉｄ，ｗｉｔｈｔｈｅｃｏｍｐｅｔｉｔｉｏｎａｎｄｃｏｏｐｅｒａｔｉｏｎｗｉｔｈｉｔｓｎｅｉｇｈｂｏｒｓ，
ａｎｄｃｏｍｂｉｎｉｎｇｔｈｅｅｖｏｌｕｔｉｏｎｍｅｃｈａｎｉｓｍｏｆｔｈｅＳＦＬＡ．Ｅａｃｈａｇｅｎｔｕｎｃｅａｓｉｎｇｌｙｓｅｎｓｅｓｌｏｃａｌｅｎｖｉｒｏｎｍｅｎｔ，ａｎｄｇｒａｄｕａｌｌｙａｆｅｃｔｓｔｈｅｗｈｏｌｅａｇｅｎｔｇｒｉｄ，ＳＯｔｈａｔｉｔｅｎｈａｎｃｅｓｉｔｓａｄａｐｔｉｖｅｎｅｓｓｔｏｔｈｅｅｎｖｉｒｏｎｍｅｎｔ．Ｔｈｅａｇｅｎｔａｌｓｏｍａｋｅｓｓｅｌｆ－ｓｔｕｄｙｂｙｕｓｉｎｇｉｔｓｋｎｏｗｌｅｄｇｅｔｏｅｎｈａｎｃｅｉｔｓａｄａｐｔｉｖｅｎｅｓｓｔｏｔｈｅｅｎｖｉｒｏｎｍｅｎｔ．Ｂｙｔｈｅｔｅｓｔｏｆｈｉｇｈｄｉｍｅｎｓｉｏｎｂｅｎｃｈｍａｒｋｆｕｎｃｔｉｏｎｓ，ｔｈｅｒｅｓｕｌｔｓｉｌｌｕｓｔｒａｔｅｔｈｉｓａｌｇｏｒｉｔｈｍｔｈｉｓａｌｇｏｒｉｔｈｍｃａｎｅｆｅｃｔｉｖｅｌｙｍａｉｎｔａｉｎｔｈｅｄｉｖｅｒｓｉｔｙｏｆｔｈｅｐｏｐｕｌａｔｉｏｎ，ｉｎｃｒｅａｓｅｔｈｅｐｒｅｃｉｓｉｏｎｏｆｏｐｔｉｍｉｚａｔｉｏｎ，ｓｉｍｕｌｔａｎｅｏｕｓｌｙ，ｅｉｃｆｉｅｎｔｌｙｒｅｓｔｒａｉｎｔｈｅｐｒｅｍａｔｕｒｉｔｙ，ａｎｄｈａｓｈｉｇｈｅｒｏｐｔｉｍｉｚａｔｉｏｎｐｅｒｆｏｒｍａｎｃｅｉｎｔｈｅｆｉｅｌｄｏｆｈｉｇｈｄｉｍｅｎｓｉｏｎｆｕｎｃｔｉｏｎｓｏｐｔｉｍｉｚａｔｉｏｎ．