一种多Agent系统非对称分布式约束优化方法

摘要

本发明提出了一种多Agent系统非对称分布式约束优化方法，包括如下步骤：控制器接收Agent信息并获得非对称关系，构建Agent连接图；根据Agent连接图中的节点间的连接关系，建立基于排序的链式结构；将Agent连接图按照深度优先的方式构造深度优先树；通过分枝定界策略，计算不同深度优先树的根节点的权重值，最终获取更优的树形结构；依赖得到更优的树形结构，调整多Agent系统中的Agent行为参数。本发明针对多Agent系统的非对称特征，引入预测机制，弥补不完全信息决策的不足，使Agent能预估自己行为的影响，获取更有效的策略，在一定程度上改变收益非单调特性，达到个体利益和全局利益的平衡。

主权项

一种多Agent系统非对称分布式约束优化方法，其特征在于，包括如下步骤：S1，控制器接收Agent信息，根据所述Agent信息获得非对称关系，判断各个Agent之间是否存在约束关系，如果存在，则在有约束关系的两个Agent间搭建一条边，从而构建Agent连接图，其中，各个Agent之间的约束关系决定了Agent节点之间的连接关系，并判定所述连接图为稀疏图还是稠密图；S2，根据Agent连接图中的节点间的连接关系，采用单枝的构造策略，建立基于排序的链式结构，每个Agent节点作为链式结构中的一环，由于Agent间约束关系的稀疏紧密程度不同，Agent在链中的不同位置及其邻居关系会导致整个链式结构的不同分布；S3，将步骤S1中所述Agent连接图按照深度优先的方式构造深度优先树，首先对根进行选择时，采用了约束关系最多的节点作为根，然后根据约束边的数量和有无回边确定子节点，构造深度优先树；S4，通过分枝定界策略，计算不同深度优先树的根节点的权重值，在计算根节点权重时，采用分枝定界遍历的方式，通过设置阈值，并计算每个Agent节点的上下界来进行剪枝，以最终获取更优的树形结构；S5，依赖步骤S4中得到的所述更优的树形结构，调整多Agent系统中的Agent行为参数。