群体智能与多Agent系统交叉结合 理论、方法与应用PDF电子书下载

第1章 绪论 1

1.1 群体智能 1

1.1.1 群体智能的概念与特点 1

1.1.2 群体智能中的知识涌现 3

1.1.3 群体智能研究方法 4

1.1.4 群体智能典型算法 5

1.2 多Agent系统 12

1.2.1 Agent的定义与结构 12

1.2.2 多Agent系统基本理论 14

1.2.3 多Agent系统的应用领域 18

参考文献 21

第2章 基于多Agent结构的粒子群优化算法 24

2.1 粒子群优化算法的研究现状 24

2.1.1 粒子群优化算法的研究方向 24

2.1.2 粒子群优化算法的应用现状 25

2.1.3 粒子群优化算法面临的难题 27

2.2 粒子群优化算法的框架与设计步骤 28

2.2.1 粒子群优化算法的总体框架 28

2.2.2 粒子群优化算法的设计步骤 28

2.3 粒子群优化算法与其他进化算法比较 29

2.4 粒子群优化算法的改进策略 30

2.5 粒子群优化算法收敛性分析 36

2.5.1 粒子轨迹收敛分析 36

2.5.2 粒子速度收敛分析 37

2.6 多Agent粒子群优化算法 38

2.6.1 Agent所在的环境 39

2.6.2 Agent的适应值与行动策略 40

2.6.3 自学习机制 41

2.6.4 多Agent粒子群优化算法流程 41

2.7 随机选取邻居的多Agent粒子群优化算法 42

2.8 加入混沌优化的多Agent粒子群优化算法 43

2.8.1 混沌优化 43

2.8.2 多Agent混沌粒子群优化算法及其流程 44

2.8.3 算法函数测试 45

参考文献 47

第3章 多Agent粒子群优化算法在电力系统优化中的应用 51

3.1 电力系统优化运行的目的与意义 51

3.2 随机选取邻居的多Agent粒子群优化算法用于电力系统经济负荷分配 52

3.2.1 电力系统经济负荷分配的数学模型 52

3.2.2 仿真实验与结果分析 54

3.3 加入混沌优化的多Agent粒子群算法用于电力系统无功优化 60

3.3.1 电力系统无功优化的数学模型 61

3.3.2 仿真实验与结果分析 62

3.4 采用多Agent混沌粒子群优化算法的配电网重构 67

3.4.1 配电网络重构的数学模型 68

3.4.2 破圈法搜索可行解 69

3.4.3 基于破圈的多Agent系统混沌粒子群算法 70

3.4.4 仿真实验与结果分析 71

参考文献 74

第4章 多Agent粒子群优化算法在控制系统中的应用 77

4.1 基于多Agent粒子群优化的支持向量回归模型预测控制 77

4.1.1 引言 77

4.1.2 模型预测控制基本原理 78

4.1.3 多Agent粒子群优化算法优化的支持向量回归模型 81

4.1.4 基于MAPSO-SVR的模型预测控制 83

4.1.5 仿真实验与结果分析 88

4.2 基于多Agent混沌粒子群优化的磁悬浮系统PID控制器 93

4.2.1 引言 93

4.2.2 磁悬浮系统描述 94

4.2.3 基于MAS-CPSO的PID控制器 95

4.2.4 仿真实验与结果分析 97

参考文献 100

第5章 基于群体智能的多Agent系统协作模型 103

5.1 基于蚁群算法的多Agent系统自适应任务分配 103

5.1.1 任务分解 103

5.1.2 合同网模型 111

5.1.3 基于蚁群算法的合同网的扩展 113

5.1.4 基于扩展合同网协议的自适应任务分配模型 114

5.1.5 仿真实验与结果分析 116

5.2 自适应蚁群聚类算法在协作追捕中的应用 121

5.2.1 聚类分析 121

5.2.2 动态自适应蚁群算法 126

5.2.3 基于信息素的自适应蚁群聚类算法 127

5.2.4 追捕问题的多Agent协作方法 128

5.2.5 仿真实验与结果分析 132

5.3 未知环境中基于蚁群算法的多Agent自主协作规划策略 136

5.3.1 引言 136

5.3.2 多Agent协作搬运问题参数及任务描述 136

5.3.3 基于蚁群算法的多Agent协作策略 137

5.3.4 引入距离因子和控制因子改进蚁群算法的多Agent协作策略 138

5.3.5 仿真实验与结果分析 139

参考文献 142

第6章 基于改进蚁群算法的移动Agent路径规划与避障 145

6.1 移动Agent路径规划 145

6.1.1 环境建模方法 145

6.1.2 路径规划方法 147

6.2 基于改进蚁群算法的静态路径规划方法 149

6.2.1 引言 149

6.2.2 环境信息预处理 150

6.2.3 栅格法环境建模 150

6.2.4 静态环境中的路径规划 151

6.2.5 最大选择概率法在栅格地图中的应用 152

6.2.6 仿真实验与结果分析 153

6.3 基于改进蚁群算法的移动Agent路径规划与避障方法 156

6.3.1 动态路径规划方法 156

6.3.2 基于最大选择概率法的动态路径规划方法 159

6.3.3 动态避障方法——倒退法 161

6.3.4 基于最大选择概率法的动态路径规划仿真原理 163

6.3.5 基于最大选择概率法的动态路径规划仿真实验及结果分析 164

6.3.6 最大选择概率法在动态路径规划中的应用 173

参考文献 177

第7章 基于群体智能的仿真机器人足球比赛策略及应用 179

7.1 引言 179

7.2 仿真机器人足球系统 180

7.2.1 仿真系统的研究背景与作用 180

7.2.2 仿真系统的结构 181

7.2.3 仿真系统的环境特点 183

7.3 基于多目标混沌粒子群算法的机器人足球防守策略 185

7.3.1 基于多目标混沌粒子群算法的机器人足球防守策略 186

7.3.2 仿真实验与结果分析 188

7.4 基于蚁群算法的机器人足球攻防转换策略 192

7.4.1 基于蚁群算法的队形决策过程 193

7.4.2 仿真实验与结果分析 198

参考文献 201