MCACEA - Википедия - MCACEA

MCACEA (Эволюционный алгоритм коэволюции множественных координированных агентов) - это общая структура, в которой используется один эволюционный алгоритм (EA) на агента, который делится своими оптимальными решениями для координации эволюции популяций экспертов, используя цели сотрудничества. Эта структура может использоваться для оптимизации некоторых характеристик нескольких взаимодействующих агентов в математическая оптимизация проблемы. В частности, из-за своего характера, в котором оптимизируются как индивидуальные цели, так и цели сотрудничества, MCACEA используется в многокритериальная оптимизация проблемы.

Описание и реализация

MCACEA использует несколько экспертов-консультантов (по одному на каждого агента), которые развивают свои собственные группы, чтобы найти лучшее решение связанной с ними проблемы в соответствии с их индивидуальными ограничениями и ограничениями сотрудничества и объективными показателями. Каждый советник - это задача оптимизации, которая выполняется параллельно и обменивается некоторой информацией с другими на этапе оценки. Эта информация необходима, чтобы позволить каждому EA измерить цели координации решений, закодированных в его собственной совокупности, принимая во внимание возможные оптимальные решения оставшейся совокупности других EA. С этой целью каждый отдельный EA получает информацию, относящуюся к лучшим решениям из оставшихся, прежде чем оценивать совместные цели каждого возможного решения своей собственной совокупности.

Поскольку цели сотрудничества зависят от лучших решений других групп, а оптимальность решения зависит как от индивидуальных целей, так и от целей сотрудничества, на самом деле невозможно выбрать и отправить лучшее решение каждого планировщика другим. Однако MCACEA делит этап оценки внутри каждого советника на три части: в первой части советники определяют лучшее решение, учитывая только его индивидуальные объективные значения, и отправляют его другим советникам; во второй части рассчитываются целевые значения кооперации всех решений с учетом полученной информации; а в третьей части эксперты рассчитывают соответствие решений с учетом всех индивидуальных и совместных целей.

Хотя каждая популяция может предложить только уникальное оптимальное решение, каждый советник поддерживает набор Парето оптимальных решений и выбирает единственное оптимальное решение в конце, когда последняя популяция уже получена. Следовательно, чтобы иметь возможность определить уникальное оптимальное решение в соответствии с индивидуальными задачами в каждом поколении (и, следовательно, используя его со структурой MCACEA), этап, отвечающий за выбор окончательного оптимального решения, также должен быть включен в этап оценки каждый советник.

Этап оценки в MCACEA

Полная фаза оценки отдельных сотрудничающих советников делится на шесть этапов. При поиске решения для одного эксперта используются только первые два шага этого нового процесса оценки. MCACEA расширяет этот процесс с этих двух шагов до следующих шести:

1. Оценка индивидуальных целей каждого решения.

2. Вычисление пригодности каждого решения с помощью единственной функции оценки (содержащей только отдельные цели).

3. Нахождение наилучшего решения населения.

4. Отправка (и получение) лучшего решения другим отдельным экспертам.

5. Расчет целей сотрудничества с учетом полученной информации от других экспертов.

6. Вычисление пригодности каждого решения с использованием полной функции оценки (содержащей как индивидуальные цели, так и цели сотрудничества), которые были получены на этапах 1 и 5.

Подобные подходы

Хотя MCACEA может выглядеть похоже на обычное распараллеливание советников, в этом случае вместо распределения решений всей проблемы между разными советниками, которые периодически делятся своими решениями, алгоритм делит проблему на более мелкие задачи, которые решаются одновременно каждым советником. с учетом решений той части проблем, которые получают другие советники.

Другая возможность,[1] состоит в том, чтобы отправлять другим советникам лучшие полностью оцененные решения предыдущего поколения вместо нашего текущего лучшего решения с единственной оценкой индивидуальной цели. Тем не менее, этот подход вносит предвзятость в сторону устаревших полностью оцененных траекторий, в то время как MCACEA делает это в пользу хороших в настоящее время индивидуальных оцененных траекторий.

Приложения

MCACEA использовался для поиска и оптимизации беспилотные летательные аппараты (БПЛА) траектории при одновременном полете по одному и тому же сценарию.[2]

Смотрите также

Рекомендации

  1. ^ Ч. Чжэн, Л. Ли, Ф. Сюй, Ф. Сунь и М. Дин, Эволюционный планировщик маршрутов для беспилотных летательных аппаратов, IEEE Transactions on Robotics, vol. 21, нет. 4. С. 609–620, август 2005 г.
  2. ^ Х. М. де ла Крус, Э. Бесада-Портас, Л. де ла Торре, Б. Андрес-Торо и Х. А. Лопес-Ороско, Планировщик эволюционного пути для БПЛА в реалистичных условиях, in Proceedings of the Genetic and Evolutionary Compututing Conference, 2008, pp. 1447–1155.

Библиография

Л. де ла Торре, Х. М. де ла Крус и Б. Андрес-Торо. Эволюционный планировщик траектории для нескольких БПЛА в реалистичных сценариях. IEEE Transactions on Robotics, vol. 26, вып. 4. С. 619–634, август 2010 г.