MCACEA
 | Эта статья нуждается в дополнительных цитатах для проверки . ( апрель 2023 г. ) |
MCACEA ( Эволюционный алгоритм коэволюции нескольких скоординированных агентов ) — это общая структура, которая использует один эволюционный алгоритм (EA) для каждого агента, который делится своими оптимальными решениями для координации эволюции популяций EA с использованием целей сотрудничества. Эту структуру можно использовать для оптимизации некоторых характеристик нескольких взаимодействующих агентов в задачах математической оптимизации . Более конкретно, из-за своей природы, при которой оптимизируются как индивидуальные, так и совместные цели, MCACEA используется в многокритериальной оптимизации задачах .
Описание и реализация
[ редактировать ]MCACEA использует несколько EA (по одному на каждого агента), которые развивают свои собственные популяции, чтобы найти лучшее решение связанной с ними проблемы в соответствии с их индивидуальными ограничениями и ограничениями сотрудничества, а также объективными индексами. Каждый советник представляет собой задачу оптимизации, которая выполняется параллельно и обменивается некоторой информацией с другими на этапе оценки. Эта информация необходима для того, чтобы каждый ЭА мог измерить цели координации решений, закодированных в его собственной популяции, с учетом возможных оптимальных решений остальных популяций других ЭА. С этой целью каждый отдельный ЭА получает информацию о лучших решениях остальных, прежде чем оценивать совместные цели каждого возможного решения своей собственной популяции.
Поскольку значения целей сотрудничества зависят от лучших решений других групп населения, а оптимальность решения зависит как от индивидуальных целей, так и от целей сотрудничества, на самом деле невозможно выбрать и отправить лучшее решение из каждый планировщик для других. Однако MCACEA разделяет этап оценки внутри каждого советника на три части: Эксперты определяют лучшее решение, учитывая только его отдельные целевые значения, и отправляют его остальным экспертам; во второй части рассчитываются целевые значения сотрудничества всех решений с учетом полученной информации; и в третьей части эксперты рассчитывают пригодность решений с учетом всех индивидуальных значений и целей сотрудничества.
Хотя каждая популяция может предложить только уникальное оптимальное решение, каждый советник поддерживает набор оптимальных решений Парето и выбирает уникальное оптимальное решение в конце, когда последняя популяция уже получена. Следовательно, чтобы иметь возможность определить уникальное оптимальное решение в соответствии с индивидуальными целями каждого поколения (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
[ редактировать ]Полный этап оценки отдельных сотрудничающих ИА разделен на шесть этапов. При поиске решения одного советника используются только первые два шага этого нового процесса оценки. MCACEA расширяет этот процесс от этих двух шагов до следующих шести:
1. Оценка индивидуальных целей каждого решения.
2. Расчет пригодности каждого решения с помощью одной функции оценки (содержащей только отдельные цели).
3. Поиск лучшего решения популяции.
4. Отправка (и получение) лучшего решения другим отдельным советникам.
5. Расчет целей сотрудничества с учетом полученной информации от других ИА.
6. Расчет пригодности каждого решения с помощью полной оценочной функции (содержащей как индивидуальные цели, так и цели сотрудничества), полученных на шагах 1 и 5.
Похожие подходы
[ редактировать ]Хотя MCACEA может выглядеть похоже на привычное распараллеливание советников, в этом случае вместо распределения решений всей задачи между разными советниками, которые периодически делятся своими решениями, алгоритм разделяет задачу на более мелкие задачи, которые решаются одновременно каждым советником. с учетом решений части проблем, которые получают другие эксперты.
Другая возможность, [1] заключается в отправке лучших полностью оцененных решений предыдущего поколения другим советникам вместо нашего текущего лучшего решения, оцененного только по индивидуальной цели. Тем не менее, этот подход вносит предвзятость в сторону устаревших полностью оцененных траекторий, в то время как MCACEA делает это в сторону хороших в настоящее время индивидуальных объективно оцененных траекторий.
Приложения
[ редактировать ]MCACEA использовался для поиска и оптимизации траекторий беспилотных летательных аппаратов (БПЛА) при одновременном полете по одному и тому же сценарию. [2]
См. также
[ редактировать ]- Искусственное развитие
- Биология развития
- Эволюционные вычисления
- Эволюционная робототехника
- Фитнес-функция
- Фитнес-ландшафт
- Приближение фитнеса
- Генетические операторы
- Интерактивные эволюционные вычисления
- MOEA Framework , Java-фреймворк с открытым исходным кодом для многокритериальных эволюционных алгоритмов.
- ECJ , набор инструментов для реализации эволюционных алгоритмов
- Paradiseo , метаэвристическая структура
Ссылки
[ редактировать ]- ^ К. Чжэн, Л. Ли, Ф. Сюй, Ф. Сунь и М. Дин, Эволюционный планировщик маршрутов для беспилотных летательных аппаратов, Транзакции IEEE по робототехнике, том. 21, нет. 4, стр. 609–620, август 2005 г.
- ^ 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 средах, в материалах конференции по генетическим и эволюционным вычислениям, 2008 г. , стр. 1447–1155.
Библиография
[ редактировать ]Л. де ла Торре, Ж. М. де ла Крус и Б. Андрес-Торо. Эволюционный планировщик траекторий для нескольких БПЛА в реалистичных сценариях . Транзакции IEEE по робототехнике, том. 26, нет. 4, с. 619–634, август 2010 г.