群体智能新方法在优化和模拟中的研究

论文摘要

群体智能是基于自治、非中央控制系统的聚合行为的人工智能。随着对复杂系统的深入研究,传统的“从上而下”的研究方法遇到了很多的困难。一种新的研究方法---群体智能被广泛应用在复杂系统的优化、模拟、仿真等领域。群体智能方法两个重要的研究领域是优化模型和基于agent的模拟上。在优化模型中比较著名的是蚂蚁算法和粒子群算法。人工社会系统是基于agent的模拟的重要组成部分。本文主要研究内容如下:1)介绍了群体智能方法的起源及基本方法学。2)介绍了基于群体智能的优化算法,其中包括蚂蚁算法,粒子群算法和基于Agent的优化模型。3)介绍了群体智能方法在人工社会系统中的应用。基于agent的建模方法在人工社会系统中得到了广泛的应用。同时,群体智能方法提供了一种研究社会系统的新方法—模拟。4)引入一种特殊的算子以使粒子群算法可以用于求解旅行商问题。5)使用多Agent模型求解多目标优化问题。在模型中,每个agent都有自己的信念和状态,通过信息的交流和学习自适应的搜索解空间。每个agent都有不同的偏好来优化不同的目标。6)研究了基于agent的拍卖市场。提出了一个包括生产过程的经济模型,研究了在这个模型中一些经济现象。7)使用元胞自动机模型建立的微观交通模型研究交通信号控制策略的性能,研究了不确定交通信息下各种控制算法的效果,同时研究了双环路中同步控制策略的特性。本文的研究结果丰富了群体智能方法在优化和模拟方面的内容,加深了对群体智能方法的认识,有一定的理论意义和应用价值,为进一步的研究提供帮助。

论文目录

• 内容提要
• 第1章 绪论
• 1.1 群体智能模型的雏形
• 1.1.1 元胞自动机
• 1.1.2 生命游戏
• 1.1.3 糖果盘模型
• 1.2 本文工作
• 第2章 群体智能优化算法
• 2.1 蚁群算法
• 2.1.1 蚂蚁觅食过程中的最短路径搜索策略
• 2.1.2 基本蚂蚁算法模型
• 2.1.3 蚂蚁算法的特点
• 2.2 粒子群算法
• 2.2.1 标准粒子群算法过程
• 2.2.2 粒子群算法的改进
• 2.2.3 离散PSO
• 2.2.4 在动态环境中的PSO 算法
• 2.2.5 粒子群算法的特点
• 2.3 基于多Agent 系统的优化算法
• 2.3.1 多Agent 模型求解n-queen 问题
• 2.3.2 AER 模型求解CSP 问题的一般模型
• 2.4 小结
• 第3章 基于群体智能的人工社会系统
• 3.1 囚徒困境问题的研究
• 3.2 基于Agent 的计算经济学
• 3.3 连续双边拍卖市场
• 3.3.1 CDA 市场的定义
• 3.3.2 拍卖市场的分类
• 3.3.3 供求曲线与均衡价格
• 3.4 基于元胞自动机的交通模拟系统
• 3.4.1 一维交通流元胞自动机
• 3.4.2 二维交通流元胞自动机
• 3.4.3 交通模拟器GLD
• 3.5 小结
• 第4章 粒子群优化算法求解旅行商问题
• 4.1 旅行商问题
• 4.1.1 TSP 的研究现状
• 4.1.2 TSP 问题的测试用例
• 4.1.3 解的编码方式
• 4.1.4 构建TSP 解的方法
• 4.1.5 局部搜索策略
• 4.2 算法模型
• 4.2.1 交换子和交换序
• 4.2.2 算法步骤
• 4.2.3 局部搜索策略
• 4.3 实验结果
• 4.4 小结
• 第5章 基于多Agent 系统的多目标优化模型
• 5.1 多目标优化问题
• 5.1.1 非劣最优解
• 5.1.2 传统的多目标优化方法
• 5.1.3 多目标进化算法
• 5.2 多Agent 优化模型
• 5.2.1 模型介绍
• 5.2.2 算法描述
• 5.3 实验结果
• 5.3.1 测试函数1
• 5.3.2 测试函数2
• 5.3.3 测试函数3
• 5.4 小结
• 第6章 基于多Agent 系统的CDA 市场研究
• 6.1 CDA 市场报价策略
• 6.1.1 ZI 模型
• 6.1.2 GD 模型
• 6.1.3 GDX 模型
• 6.2 模型描述
• 6.2.1 环境
• 6.2.2 市场中的Agent
• 6.2.3 效用函数
• 6.2.4 生产能力
• 6.2.5 生产决定
• 6.2.6 交易
• 6.2.7 交易策略
• 6.2.8 价格的决定机制
• 6.2.9 交易和生产间的劳动的分配
• 6.3 算法流程
• 6.4 实验现象
• 6.4.1 价格的平衡
• 6.4.2 价格调整
• 6.4.3 交易能力
• 6.4.4 分工的出现
• 6.4.5 商人的出现
• 6.5 小结
• 第7章 基于元胞自动机的交通信号灯控制策略的模拟与研究
• 7.1 背景介绍
• 7.2 元胞自动机的交通模拟
• 7.3 信号灯控制算法
• 7.3.1 固定周期的控制策略
• 7.3.2 最长等待队列及相对最长等待队列算法
• 7.3.3 收益桶算法
• 7.3.4 强化学习算法
• 7.3.5 遗传算法与神经网络算法
• 7.4 不确定信息下TLC 策略的模拟与分析
• 7.4.1 控制策略的信息不确定化
• 7.4.2 实验对象选取
• 7.4.3 车辆目的地的分布
• 7.4.4 交通流密度
• 7.4.5 实验结果
• 7.4.6 确定信息下的比较与分析
• 7.4.7 不确定信息下的比较与分析
• 7.5 双环路中信号灯同步方法的研究
• 7.5.1 模型
• 7.5.2 模拟实验结果与分析
• 7.6 小结
• 第8章 总结和展望
• 8.1 本文的主要贡献
• 8.2 进一步的工作
• 参考文献
• 博士期间发表的论文及其他成果
• 致谢
• 论文摘要
• Abstract