导读:本文包含了多智能体差分进化算法论文开题报告文献综述及选题提纲参考文献，主要关键词:任务分配,智能体系统,正交矩阵,正交交叉
多智能体差分进化算法论文文献综述
熊远武,赵岭忠,翟仲毅[1]（2019）在《基于差分进化算法多智能体任务分配》一文中研究指出为提升多智能体系统的工作效率,克服差分进化算法DE (differential evolution)在多智能体系统任务分配过程中的不足,提出一种基于QOC (quantization orthogonal crosser)策略改进的正交交叉差分进化算法AOCDE (an orthogonal crosser differential evolution)。QOC在DE算法基础上,引入正交思想和数据量化技术,通过改变交叉策略,增强算法全局寻优能力,提升算法收敛性。使用该算法解决多智能体系统任务分配问题,将仿真结果与其它算法进行比较,验证了该算法的有效性。(本文来源于《计算机工程与设计》期刊2019年10期）
范柄尧[2]（2018）在《差分进化算法在多智能体路径规划中的应用研究》一文中研究指出随着工业技术发展的不断进步,智能体路径规划问题需要在更加复杂和多样的工作环境中完成,而由于单个智能体的应用范围有限,需要发展多智能体系统来提高工作性能。多智能体的路径规划是一个复杂的问题,需要考虑环境建模、避障和协调等技术理论。本论文通过对差分进化算法(Differential Evolution,DE)进行改进,分别针对单/多智能体在全局信息已知条件下的路径规划问题进行研究。本文的主要工作包括:(1)分别介绍了智能体路径规划研究情况和相关的国内外研究现状,介绍了路径规划的常用方法,并分析了这些的方法的优点和缺点;介绍了DE的国内外研究现状和常用的改进策略以及算法的基本原理和流程。(2)针对现有的环境建模方法进行优缺点分析,建立本文的环境模型,在此环境模型下,设计路径编码方式和最短无碰撞路径模型。(3)针对单智能体无碰撞最短路径规划问题,提出人工势场-差分进化混合算法。建立单智能体全局环境信息已知的无碰撞路径模型,采用差分进化算法规划智能体最优路径。针对DE的变异因子,采用适应性的调节策略;针对差分进化算法在交叉操作过程中的不可行解,提出人工势场法不可行路径修正策略,提高算法寻求最短路径的有效性。实验结果表明,所提混合算法的收敛速度和求解质量均优于基本差分进化算法,实现了单智能体的最短无碰撞路径问题的有效求解。(4)针对多智能体有碰撞路径规划问题,提出了混合思维进化算法的差分进化算法(Memetic Differential Evolution Assisted by Mind Evolution Algorithm,MDEMEA),将DE的初始种群分成多个规模相同的子种群,根据相应的数学模型,采用MDEMEA算法规划多智能体路径,针对算法过程中产生的智能体间的碰撞路径点,设计多智能体协调策略,仿真研究表明了所提MDEMEA算法的实用性。(本文来源于《太原科技大学》期刊2018-04-01）
高红岩,孙威,高广宇[3]（2012）在《基于冷轧机的多智能体差分进化算法的研究》一文中研究指出基于多智能体与差分进化算法的各自优势,提出了多智能体差分进化算法。实验结果表明,该算法具有很强的全局寻优能力及快速搜索能力。基于冷轧机的控制,采用多智能体差分进化算法优化冷轧机的PID参数,比一般优化算法优化的冷轧机控制系统的响应速度要快很多。(本文来源于《甘肃科技》期刊2012年06期）
何大阔,高广宇,王福利,刘阳[4]（2011）在《多智能体差分进化算法》一文中研究指出基于多智能体与差分进化算法的各自优势,充分地将对多智能体环境的感知和反作用于环境的能力与差分进化速度和全局寻优能力有机结合,提出一种多智能体差分进化算法.引入差分进化算子以提高智能体更新速度并保持群体多样性,同时应用正交交叉算子以改善智能体协作特性确保有效竞争,并通过局部寻优算子提高算法的寻优精度.对几种典型测试函数进行了测试,实验结果表明所提出的算法具有较强的全局寻优能力.(本文来源于《控制与决策》期刊2011年07期）
高广宇[5]（2009）在《多智能体差分进化算法及其在发酵过程优化中的应用》一文中研究指出智能体能够模拟人类的行为,具有社会性、智能性、适应性,以其较强的问题求解能力,在多机器人系统、智能交通控制等多个领域得到广泛应用。差分进化算法是一种随机的启发式搜索算法,算法简单易用,以其稳健性和强大的全局寻优能力已被成功应用于多个方面。研究将两者相结合的混合优化算法及其应用问题,具有重要的理论与实际意义。本文针对多智能体和差分进化算法进行了深入研究,提出多智能体差分进化算法,并将其应用于发酵过程优化问题中,主要的研究工作如下：首先,对智能体与多智能体的基本概念、基本思想进行了详细的介绍与总结,并在介绍差分进化算法基本理论的基础上,基于多智能体与差分进化算法的各自优势,充分地将多智能体的感知环境和反作用于环境的能力与差分进化的速度和全局寻优能力进行了有机结合,引入正交交叉算子和局部寻优算子,提出一种多智能体差分进化算法。通过对9个30-1000维的高维无约束测试函数以及9个有约束测试函数的仿真研究,验证该算法的有效性。然后,将多智能体差分进化算法应用于生长关联型的酒精补料发酵过程优化问题中,仿真结果显示该方法有效的解决了该优化问题,验证了该优化算法在发酵过程优化问题中的可行性。在此基础上,对于非生长关联型的青霉素发酵过程温度与补料优化问题进行了研究,并针对过程级与回路控制级的协调问题,提出基于全模拟的过程级与回路级协调的青霉素发酵过程温度与补料优化方法,仿真结果验证了方法的有效性。(本文来源于《东北大学》期刊2009-06-01）
多智能体差分进化算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着工业技术发展的不断进步,智能体路径规划问题需要在更加复杂和多样的工作环境中完成,而由于单个智能体的应用范围有限,需要发展多智能体系统来提高工作性能。多智能体的路径规划是一个复杂的问题,需要考虑环境建模、避障和协调等技术理论。本论文通过对差分进化算法(Differential Evolution,DE)进行改进,分别针对单/多智能体在全局信息已知条件下的路径规划问题进行研究。本文的主要工作包括:(1)分别介绍了智能体路径规划研究情况和相关的国内外研究现状,介绍了路径规划的常用方法,并分析了这些的方法的优点和缺点;介绍了DE的国内外研究现状和常用的改进策略以及算法的基本原理和流程。(2)针对现有的环境建模方法进行优缺点分析,建立本文的环境模型,在此环境模型下,设计路径编码方式和最短无碰撞路径模型。(3)针对单智能体无碰撞最短路径规划问题,提出人工势场-差分进化混合算法。建立单智能体全局环境信息已知的无碰撞路径模型,采用差分进化算法规划智能体最优路径。针对DE的变异因子,采用适应性的调节策略;针对差分进化算法在交叉操作过程中的不可行解,提出人工势场法不可行路径修正策略,提高算法寻求最短路径的有效性。实验结果表明,所提混合算法的收敛速度和求解质量均优于基本差分进化算法,实现了单智能体的最短无碰撞路径问题的有效求解。(4)针对多智能体有碰撞路径规划问题,提出了混合思维进化算法的差分进化算法(Memetic Differential Evolution Assisted by Mind Evolution Algorithm,MDEMEA),将DE的初始种群分成多个规模相同的子种群,根据相应的数学模型,采用MDEMEA算法规划多智能体路径,针对算法过程中产生的智能体间的碰撞路径点,设计多智能体协调策略,仿真研究表明了所提MDEMEA算法的实用性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
多智能体差分进化算法论文参考文献
[1].熊远武,赵岭忠,翟仲毅.基于差分进化算法多智能体任务分配[J].计算机工程与设计.2019
[2].范柄尧.差分进化算法在多智能体路径规划中的应用研究[D].太原科技大学.2018
[3].高红岩,孙威,高广宇.基于冷轧机的多智能体差分进化算法的研究[J].甘肃科技.2012
[4].何大阔,高广宇,王福利,刘阳.多智能体差分进化算法[J].控制与决策.2011
[5].高广宇.多智能体差分进化算法及其在发酵过程优化中的应用[D].东北大学.2009