钟伟才[1]2004年在《多智能体进化模型和算法研究》文中研究指明多智能体系统和进化计算都是多学科相融合、具有很高实用价值的研究领域，它们也已在多个领域得到了广泛的应用，但其结合是一个具有挑战性的研究课题。本文从多智能体系统和进化计算相结合的角度出发，结合数值优化、组合优化、约束满足问题、约束布局问题、组播路由问题等多个具有挑战性的实际问题进行了系统深入地研究。针对不同问题为智能体设计了不同的行为，提出了多种新的算法和实现策略，主要工作概括如下： (1) 针对数值优化问题，基于智能体对环境的感知与反作用的能力，提出了一种新的数值优化方法——多智能体遗传算法。该方法将智能体固定在网格上，而每个智能体为了增加自身能量将与其邻域展丌竞争或合作，同样智能体也可利用自身的知识进行自学习来增加能量。从理论上证明了其具有全局收敛性。实验中用10个20～10 000维的标准测试函数对算法性能进行了测试。对上万维的函数，算法都能快速找到高智能量的解，充分显示了算法具有收敛速度快，不易陷入局部极值的优越性能。 (2) 针对连续域优化问题，提出了一种在进化算法中自适应伸缩搜索空间的方法，可有效求解实际问题中无法得知全局最优解所在区间上下界有关信息的问题。并将此方法与多智能体遗传算法相结合，提出了用于线性系统逼近的多智能体遗传算法，用稳定线性系统逼近问题和不稳定线性系统逼近问题对算法性能进行了测试验证。 (3) 针对可分解的函数优化问题，提出了一种宏智能体进化模型。并将其与多智能体遗传算法相结合，提出了层次多智能体遗传算法，证明了其全局收敛性。求解了高达50 000维的Rosenbrock函数，表现出了优越的性能。 (4) 针对组合优化问题，提出了组合优化多智能体进化算法，证明了其全局收敛性。实验中用强联接、弱联接、重迭联接等各种类型的欺骗问题和具有树状等级结构的问题对算法性能进行了全面测试，并用上千维的函数研究了算法求解大规模问题的计算复杂度。 (5) 针对约束满足问题，提出了约束满足智能体进化算法。该方法根据约束满足问题的特点，设计了智能体的竞争行为与自学习行为。为了克服已有编码方式的缺点，为智能体设计了最小冲突编码。对算法的空间复杂度和收敛性进行了理论分析。实验中首先用250个不同难度的标准二元约束满足问题对算法的两个参摘要数进行了系统分析。确定了其取值范围，便于读者应用。然后用104一107个皇后的问题对算法的时间复杂度进行了研究。 (6)针对两个实际问题—约束布局优化问题和组播路由问题，提出了用多智能体进化方式求解的方法。在争束布局优化问题中，分别用5个、7个和40个待布圆问题验证了算法性能。在组播路由问题中，针对进化算法求解时延受限组播路由问题出现的搜索空间过大的问题，提出了离散域中搜索空间动态扩展的方法。借鉴自组织临界现象，为智能体设计了自组织临界行为。实验中分析了算法随目的节点数和网络节点数增长的性能变化。结果表明该算法具有搜索能力强、收敛速度快的优点，同时具有良好的扩展性。关键词:进化算法 近问题多智能体系统数值优化搜索空间动态扩展可分解函数优化问题欺骗问题等级问题 线性系统逼约束满足问题n一皇后问题最小冲突编码约束布局优化问题组播路由问题自组织临界现象西安电子科技大学博士学位论文
林小煌[2]2015年在《改进的人工免疫网络及其在数据处理中的应用》文中进行了进一步梳理随着信息化的发展,人们越来越多地从人工智能的角度去分析和解决问题,人工免疫系统通过模拟自然免疫机制形成了一套独特的理论,具有自组织,学习,记忆,分布式等特点。近年来,随着学者们对人工免疫系统研究的不断深入,人工免疫系统在数据挖掘领域逐渐显现出它的优越性,将人工免疫网络算法引入到数据挖掘领域也成为近年来研究的热点。本文以人工免疫为基础,研究内容分为以下两部分:(1)对现有的人工免疫网络算法(aiNet)中存在的不足进行改进,提出了一种基于小生境技术及模糊先验提取的动态自适应免疫网络(NFDA-aiNet)。该算法基于aiNet,对克隆抗体的选取及网络抑制的阈值进行了动态控制,使其随网络的进化而动态改变。同时,针对传统的基于距离的亲和度评价函数不能对全局进行评价的问题设计了新的基于小生境技术的评价函数代替简单的距离函数。而针对传统的免疫网络中初始抗体记忆集通过随机产生而存在一定的盲目性,本文先调用模糊C均值对原始数据进行聚类,以聚类结果为基础产生初始抗体集,有效促进了算法对原始数据的学习。实验采用4组UCI数据对算法的分类效果、聚类性能和网络压缩能力作全面地测试,并得到了很好的测试结果。后续研究中对NFDA-aiNet的几个关键参数的选取进行测试,同时用进化算法随机收敛的两个度量对NFDA-aiNet算法进行收敛性分析。(2)在传统的人工免疫网络基础上,将多智能体技术的典型策略融入到免疫网络的进化过程中,算法引入了邻域克隆选择,操作过程从局部到整体,能够更加全面地模拟免疫网络的自然进化模型;同时在免疫网络进化过程中增加了抗体间的竞争和协作操作,提高了网络的动态分析能力。实验分别采用常用的3组UCI数据和一幅漳州海域的航拍遥感图像对算法加以验证,实验结果表明对遥感图像的分类精度达到92.67%,Kappa系数为0.9022,对UCI数据也有较好的分类效果,表明该算法一种有效的数据分类方法。
薛宏涛[3]2002年在《基于协进化机制的多智能体系统体系结构及多智能体协作方法研究》文中认为多智能体系统体系结构及协作机制是多智能体理论中的核心与热点问题，基于协进化机制的多智能体协作方法作为一种新兴的研究思路，具有广阔的研究前景。论文主要围绕基于协进化机制的多智能体系统理论与实现方法展开，重点讨论了基于协进化的多智能体系统模型建模方法、体系结构及协作机制、多智能体之间协作行为的协进化以及系统仿真框架与实验研究等几个方面。 首先，在介绍了协进化算法的核心思想、形式化描述和基本算法流程的基础上，从模式分析角度出发，建立了基于模式复制方程的多群体协进化算法数学模型，对协进化算法中的最优选择法和随机选择法进行了理论分析与比较，提出了一种新的个体适应度评价方法，并通过仿真实验验证了新方法的效率。 建立了基于协进化的多智能体系统的符号演绎理论模型。结合协进化机制，从符号演绎逻辑的角度重新定义了协进化智能体的信念、动作、通信、决策器等各个方面，将协进化智能体模型与实际世界模型形成一个统一的闭环系统，并建立了基于协进化的多智能体系统的符号演绎理论模型。多群体协进化算法数学模型及基于协进化的多智能体系统的符号演绎理论模型，是全文的理论基础。 建立了基于协进化的多智能体系统MASBCE的体系结构，并深入分析了它的内部运作机制。在考察了各种典型的智能体体系结构及PTS领域的智能体体系结构等单个智能体体系结构主要设计思想的基础上，定义了基于协进化的多智能体系统MASBCE，对MASBCE的构成及其相互之间的联系进行了深入分析，通过对协进化智能体体系结构的分层设计方法、智能体与世界模型的交互过程、MASBCE中的分级循环过程、MASBCE中的周期步进运行机制等的分析，明确了MASBCE的体系结构及内部的运作机制。 提出了基于进化规则策略系统的多智能体协进化模型，将协进化机制与进化规则策略系统相结合，深入研究了多智能体协作方法。介绍了典型的进化规则策略系统SAMUEL，然后从行为工程的角度，对基于进化规则策略系统的多智能体协进化模型进行了深入分析，采用协进化机制分析了智能体之间协作过程中行为策略的评估问题。 最后，根据基于协进化机制的多智能体系统体系结构及协作机制的基本思想，建立了基于协进化机制的多智能体系统仿真框架，对仿真框架进行了面向对象的设计，并构建了仿真系统的基础类库，为基于协进化机制的多智能体协作方法研究建立了一个开放式的仿真实验环境。并以典型的多智能体协作行为研究平台“捕食者—猎物”问题为背景进行了实验研究，得出结论：将协进化机制与知识规则系统相结合，可以 国 防科技人 学研 究生 院学位论文为智能体的行为提供有益的决策支持，智能体之归1可以通过协进化的方式提高和增进彼此的协作行为。
赵波[4]2005年在《群集智能计算和多智能体技术及其在电力系统优化运行中的应用研究》文中研究表明近年来,我国电力工业高速发展,发电装机容量和年发电量跃居世界领先地位。针对电力工业这样的超大型企业,提高运行效率,力争达到运行优化,将会带来巨大的经济效率。因此,电力系统优化运行问题的研究显得越来越重要和迫切;如何在已有研究成果的基础上继续完善、改进和探索收敛速度快、适应性强的电力系统优化调度模型及其算法,具有巨大的经济和工程意义。 群集智能计算和多智能体技术都是近年来人工智能领域探讨的热门方向,它们已经在许多领域得到了成功的应用,显示了较强的发展潜力。因此,本文对群集智能计算与多智能体技术进行了研究,并且对两种技术的结合在电力系统优化运行中的应用进行了深入的探讨。全文的内容主要包括以下几个章节: 第一章节详细介绍了群集智能计算和多智能体技术的研究现状及其在电力系统中的应用前景,阐述了本课题的研究意义。最后,阐明了本课题的主要任务。 第二章节针对两种群集智能优化算法的不足,提出了改进免疫算法和改进粒子群优化算法。两种算法通过收敛性分析可知,若能恰当地选择算法的控制参数,其计算速度、计算精度和算法收敛性均能得到显着的提高。通过一系列典型标准函数的测试,结果表明两种改进的算法均可以显着地提高计算效率和计算精度,算法收敛性较好。 第叁章节应用改进免疫算法求解电力系统最优潮流问题和改进粒子群优化算法求解电力系统机组组合问题。在求解最优潮流问题时,提出了动态调节罚函数的方法,有效解决了求解过程中约束条件违限的问题;在对机组组合问题的求解过程中,首先将机组组合问题的0、1变量进行松弛,应用罚函数方法将此问题转化为一个非线性连续变量的规划问题,使其适合改进粒子群优化算法进行求解。针对不同电力系统优化运行问题的求解,两种算法均显示了较强的寻优能力,具有实用价值。 第四章节将粒子群优化算法结合在一个多智能体系统中,提出了一个全新的粒了群优化算法的多智能体系统,并应用它来求解电力系统无功优化问题。该系统中的每一个Agent相当于粒子群优化算法中的一个粒子,它们“居住”在一个格子环境中,每个Agent通过与其邻居进行竞争与合作操作、自学习操作,并且结合粒了群优化算法的进化机理,能够对求解的优化问题快速、准确地收敛到全局最优解。同时在求解无功优化问题时,提出了一种简单易行的“切割”方法,在不影响系统寻优的
阎高伟[5]2007年在《基于知识的多智能体思维进化算法及其工程应用》文中进行了进一步梳理作为新一代智能计算方法，进化计算、粗糙集理论和粒计算方法不仅在各自的学科领域取得了引人注目的进展，而且它们之间的相互渗透和有机结合也将会更有力地促进软智能信息处理技术的发展和应用。思维进化算法是一种模仿人类思维机制的进化算法，但其本身并没有形成明确的知识载体、知识处理体系和思维模式，没有体现人类思维活动的本质特性。本文从智能计算的角度出发，将智能体技术和知识发现技术引入进化计算，形成一个“混合智能系统”。把进化过程中产生的数据视为知识库，通过基于粗糙集和粒计算的知识发现，获取关于被求解问题的知识，形成基于知识的多智能体思维进化算法(Knowledge based Multi-Agent Mind Evolutionary Algorithm，KMMEA)。本文的主要工作和创新性成果如下：(1)在深入分析基本思维进化算法的基础上，提出基于知识的多智能体思维进化算法。算法以智能体为思维活动的载体，将粗糙集和粒度计算作为智能体进行知识发现、推理和决策的工具，并结合具体的进化算子来实现智能群体的信念、愿望和意图，形成具有粒度层次结构的多智能体进化系统。(2)通过粗糙集的相关概念，将解空间和目标函数空间采用等价类的形式进行划分，形成子空间粒和目标函数粒。提出了个体变量与目标函数关系、粒度适应度景象和个体特征向量的概念，有助于从宏观上认识和掌握被求解问题的内在规律，将其作为知识来描述被求解问题的特征。通过二进制粒计算，快速获取个体变量与目标函数关系，然后计算出个体特征向量和粒度适应度景象，判断被求解问题的类型。利用所获取的知识求取寻优子空间，以缩小搜索范围，提高寻优效率和精度。(3)针对多目标问题的复杂性，利用信息系统中的优势关系和优势类的概念，研究并讨论了KMMEA在多目标优化问题中的应用。利用信息系统的优劣关系对解空间进行划分，形成了在Pareto优势空间进行“开采”而在其余空间中“探索”的进化策略。利用子空间粒和目标函数粒的特征进行种群多样性的维护，以期找到全面和分布均匀的Pareto最优解。(4)提出了基于优势粒粒度多目标快速排序算法。利用信息系统的优势关系和粒计算的方法获取优势粒，将优势粒粒度作为多目标排序和适应度赋值的依据，并设计了基于优势粒的快速排序算法，可极大地降低排序运算量。(5)对思维进化中的两个重要算子“趋同”和“异化”进行了基于知识的改造，提高了算子操作的智能性，用于宏群体进化。提出了基于知识指导的变异算子，是粒度适应度景象和个体特征向量的具体运用。该算子能有效提高算法的收敛效率和寻优精度。同时研究了按照优秀模式类产生新个体的方法。(6)探索KMMEA在工程领域中的应用。将KMMEA用于多传感器信息融合系统中神经网络的优化，提高测量结果的准确性和稳定性。将KMMEA用于线性调频连续波雷达物位计压控振荡器的非线性校正，能够显着提高系统的调频线性度，降低频谱展宽和相位噪声对距离分辨率的影响，有效提高测量信号的信噪比。这一应用已申报国家发明专利“线性调频雷达物位计非线性进化校正方法”(专利号：200410092447．2)，已经得到授权。本文的主线是研究知识发现技术在进化过程中的应用，通过所发现的知识指导进化过程，形成混合智能计算系统。
曾雪莲[6]2013年在《基于多智能体协同进化的飞行器航路规划方法研究》文中认为飞行器航路规划问题是任务规划系统的主要研究内容,它是实现飞行器安全飞行和成功攻击的关键技术。随着计算机的发展,传统的航路规划算法已经不能满足其智能化的要求。因此,利用智能程度高、适应能力强的智能算法进行飞行器航迹规划,已经成为了必然的发展和应用趋势。木文深入研究了飞行器航路规划问题,分析飞行器航路规划的技术特点,结合多智能体系统的分布式解决问题的特点,引入协同进化机制,提出了基于多智能体协同进化的飞行器航路规划方法,最后通过Matlab仿真验证了该方法在处理飞行器航路规划问题时的有效性和实用性。首先,木论文对飞行器航路规划问题进行数学建模。建立飞行器航路规划的整体框架,并将其分解为飞行环境表达、约束信息处理、规划期望目标和核心规划算法四个部分。基于飞行器自身机动性能、地形信息、威胁约束等基本特征要素,木文采用二维空间建模方法对规划环境进行数学表达;将飞行器航路规划的约束条件整体归类为地形信息约束、雷达和防空火力威胁等约束、飞行器机动性能约束;根据期望的飞行任务、隐蔽性、航程长度、航路转弯角度等要求,设计出飞行器航路评价函数,并进行权重系数归一化处理,保证了规划航路的可行性。其次,分析了多智能体协同进化的基本原理,研究智能体结构和形式化描述,并总结出多智能体系统分布式解决问题的特性,将其局部感知、竞争协作和自学习思想引入到进化算法中,根据最优个体选择法选取代表个体,组合进行协作行为,并对其协作行为进行评价,最后,智能体之间通过信息共享,实现多智能体协同进化。再次,设计了基于多智能体协同进化的飞行器航路规划方法。在建立好的二维航路规划空间中,进一步实行了等分区域法,并将飞行器最小步长等部分约束融合到其中。在此基础上,根据进化算法的基本原理,设计了航路智能体模型,并将最大转弯角、航程、攻击角度等约束信息融入到多智能体协同进化行为算子中,具体设计出了邻域竞争、邻域交叉、变异和自学习算子。并根据适应度评价函数选择出最优航路智能体,得到航程最短、油耗最低、受威胁最小的最优航迹。最后,对基于多智能体协同进化的飞行器航路规划方法进行仿真,对不同条件下的仿真结果进行分析,验证了本文提出的算法可以解决实际航路规划问题,规划出满足多约束的最优航路。
孟红云[7]2005年在《多目标进化算法及其应用研究》文中进行了进一步梳理进化算法的出现为复杂优化问题的求解提供了新的思路,由于它具有智能性、通用性、稳健性、本质并行性和全局搜索能力,已在各个领域得到了广泛的成功应用。本文从生物个体与环境、个体与个体之间的竞争与协作关系出发,首先针对无约束多目标优化问题提出了相应的进化模型与算法,然后分析了已有多目标进化算法的收敛性,给出了衡量不同算法性能的定量性能指标;考虑到实际问题往往是带有多约束的优化问题,针对约束优化问题提出了基于双群体的差分进化算法,并将一种多目标进化算法用于灰度图像和彩色图像的色调处理之中;最后,给出了一种用来搜寻多峰函数所有峰值点的有效算法及评价多峰函数优化问题算法性能的度量方法。本文的主要工作概括如下: 1.基于生物个体与环境、个体与个体之间的竞争与协作关系出发,提出了两种求解多目标优化问题的进化算法:基于AER模型求解多目标优化问题的智能微粒群算法和多目标协同微粒群优化算法。在第一种算法中,基于智能体对环境的感知和反作用的能力,设计了相应的智能体进化算子以实现智能体间的信息共享及维持群体的多样性。在第二种算法中,着眼于个体与个体之间的竞争与协作关系,根据多目标优化问题和微粒群算法自身的特点设计了协同进化算子以加快算法的收敛速度,同时利用不同群体之间的差异在一定程度上维持整个进化群体的多样性,避免陷入局部最优。定性与定量比较结果均表明上述两种算法都能够找到一组范围较广、分布均匀且数量充足的Pareto最优解。 2.对已有的多目标进化算法的收敛性及算法性能进行了分析与讨论。由于对同一多目标优化问题,不同的多目标进化算法求出的结果可能会不相同,为了评价不同算法对同一问题的优劣程度,给出了衡量不同算法性能的定量性能指标,克服了已有的算法性能度量方法存在的缺陷。 3.约束优化问题是目前优化算法研究的难点和热点。基于双群体搜索机制分别对约束多目标优化问题和约束单目标优化问题进行了研究。首先给出一种改进的差分进化算法,进而提出用于约束优化问题的双群体差分进化算法,所给算法允许部分性能较优的不可行解被保存下来并参与新个体的生成,从而共享不可行解的一些有用信息。最后,采用经典测试函数对算法的性能进行了测试,与目前公认的有效算法的比较结果表明所给算法是有效可行的。 4.灰度图像和彩色图像的色调处理可等价为一多目标优化问题。由于K-mean算法具有收敛快的优点但易陷入局部最优,而差分进化算法可避免K-mean算法陷入局部最优。为此我们将二者相结合,构造了一种基于多目标进化技术的灰
潘晓英, 刘芳, 焦李成[8]2010年在《密度敏感的多智能体进化聚类算法》文中提出采用密度敏感距离作为数据相似性度量,并基于多智能体进化的思想提出了一种密度敏感的多智能体进化聚类(density sensitive based multi-agent evolutionary clustering,简称DSMAEC)算法.算法设计了一种基于连接的编码方式,通过解码过程可直接得到最终的聚类结果,无需事先确定聚类类别数,有效地克服了对领域知识的依赖.针对聚类问题,设计了3个有效的进化算子来模拟智能体间的竞争、合作和自学习行为,共同完成智能体的进化,最终达到对数据聚类的目的.分别对人工数据集、UCI数据集以及合成纹理图像进行仿真,实验结果表明,该算法不但可以自动确定聚类类别数,而且能够应付不同结构的数据,适应不同的聚类要求,具有较强的实用价值.
潘晓英, 刘芳, 焦李成[9]2009年在《基于智能体的多目标社会进化算法》文中研究说明提出了一种基于智能体的多目标社会进化算法用以求解多目标优化问题(multiobjective optimization problems,简称MOPs),通过多智能体进化的思想来完成Pareto解集的寻优过程.该方法定义可信任度来表示智能体间的历史活动信息,并据此确定智能体的邻域、控制智能体间的行为.针对多目标问题的特点,设计了3个进化算子分别体现适者生存、弱肉强食、多样性原则以及自学习的特性.同时采用擂台赛法则构造Pareto解的存储种群.仿真实验结果表明,该算法能够较好地收敛到Pareto最优解集上,并且具有良好的多样性.另外,通过对智能体局部邻域环境建立方式的分析结果表明引入"关系网模型"可有效提高算法的收敛速度,并能在一定程度上提高解的质量.
王慧[10]2010年在《基于多智能体进化算法的COA方法研究》文中指出现代战争中复杂态势的出现要求指挥者能够协调多种资源参与多个行动以达到理想的效果,处理这种复杂态势的第一步就是寻找和挑选能达到理想效果的行动规划(COA—Course of Action)。COA的主要目的就是将多个行动排序并将可用的资源正确地分配给序列中的每个任务,即将正确的资源放在正确的位置和时间执行适当的行动。COA问题属于NP-难问题,本文主要提出了一种基于多智能体进化算法解决COA的方法。文章的主要内容如下:1、COA问题本质上为一个带约束的多目标优化问题,本文利用多智能体进化算法(MAEA—Multi-Agent Evolutionary Algorithm)解决COA问题。首先,初始化COA种群,我们将种群中的每个个体看作是一个智能体,所有的智能体生存在网格中,每个智能体只能与其邻域智能体进行竞争操作。在约束条件的处理上,本文将约束条件的判断加入到智能体邻域的竞争操作中,制定了特殊的竞争策略:该策略依据约束处理的多目标方法,在判断个体间的优劣时首先判断其约束条件的满足情况,然后再比较它们之间的支配关系,该方法可以避免因使用惩罚函数所带来的惩罚因子大小不易设置的麻烦。最后将该算法与多准则滤波遗传算法(MFGA—Multi-criteria Filtering Genetic Algorithm)进行对比仿真实验,实验证明该方法在非支配解集的支配关系,以及解集的宽广性方面具有一定的优越性。2、由多智能体进化算法得到的是多个供选择的优秀的COA个体,因此我们还面临着如何为决策者选择一个最合适的解。主要利用标准0-1线性变换对各目标值进行归一化数据预处理,然后采用加权求和方式求取最合适解。加权求和中权重的确定会很大地影响评价结果,因此必须合理确定权向量。首先本文通过制定模糊规则库将权向量分为叁个等级,然后采用环比评分法分别确定每一等级的权重,该方法可以从实际出发,灵活确定比例,没有限制。实验证明该方法是合理有效的。3、针对多智能体进化算法中智能体的竞争策略可能存在的缺陷:后代解有时不一定比前代占优,即所谓的过淘汰现象,这在一定程度上损失了群体的多样性。本文提出了一种基于精英多智能体进化算法解决COA问题的方法。该方法将多智能体种群分为A、B两个子种群,每个种群分别制定不同的竞争策略。另外引入了精英种群用以存储每代子种群中的优秀个体,A、B两个子种群只能与精英种群之间进行迁移。为了避免精英种群过于庞大,我们还引入了淘汰环节来保持精英种群的规模。最后我们将该算法与本文提出的多智能体进化算法和MFGA算法进行对比仿真实验,实验证明该方法在非支配解集的支配关系,以及解集的宽广性方面相对其它两种方法都具有一定的优越性。该方法在一定程度上弥补了MAEA算法中的竞争策略存在的上述缺陷。
参考文献：
[1]. 多智能体进化模型和算法研究[D]. 钟伟才. 西安电子科技大学. 2004
[2]. 改进的人工免疫网络及其在数据处理中的应用[D]. 林小煌. 华侨大学. 2015
[3]. 基于协进化机制的多智能体系统体系结构及多智能体协作方法研究[D]. 薛宏涛. 中国人民解放军国防科学技术大学. 2002
[4]. 群集智能计算和多智能体技术及其在电力系统优化运行中的应用研究[D]. 赵波. 浙江大学. 2005
[5]. 基于知识的多智能体思维进化算法及其工程应用[D]. 阎高伟. 太原理工大学. 2007
[6]. 基于多智能体协同进化的飞行器航路规划方法研究[D]. 曾雪莲. 哈尔滨工程大学. 2013
[7]. 多目标进化算法及其应用研究[D]. 孟红云. 西安电子科技大学. 2005
[8]. 密度敏感的多智能体进化聚类算法[J]. 潘晓英, 刘芳, 焦李成. 软件学报. 2010
[9]. 基于智能体的多目标社会进化算法[J]. 潘晓英, 刘芳, 焦李成. 软件学报. 2009
[10]. 基于多智能体进化算法的COA方法研究[D]. 王慧. 西安电子科技大学. 2010
标签：自动化技术论文; 进化算法论文; 免疫算法论文; 智能算法论文; 仿真软件论文; 多目标优化论文; 关系模型论文; 网络模型论文; 企业协作论文; 网络行为论文; 网络协作论文; 算法论文;