交互式多智能体进化算法及其应用_黄永青

上、下、左、右、左上、左下、右上、右下 8 个相邻的智能
体，并且只能与这 8 个智能体发生作用。智能体有竞争和自
学习两种行为，以实现生存和提高自身的能量。
在竞争行为中，对任意一个智能体 Li,j，它能够感知其 周围的 8 个智能体，称为该智能体的竞争邻域。若该智能体
的能量不小于其竞争邻域中的任一智能体，则它可以生存下
量。所有的智能体都生存在一个环形的网格上，称为智能体
网格，记为 L，智能体网格的规模设为（Lsize× L’size）；每 个智能体在格点上不能移动，第 i 行、第 j 列的的智能体记
为 Li,j。每个智能体能够感知其局部环境，并与所感知的局 部邻域内的智能体发生相互作用。为了方便操作，并结合
IEC 的特点，本文中假设任意一个智能体能够感知其邻域中
1.2 交互式多智能体进化算法
在 IEC 用户评价适应值时，由于输出设备一次所能输出 的个体数目是有限止的，并且用户一次评价太多的个体会产 生极大的疲劳，所以进化的种群数目一般不宜过大，本文的 交互式多智能体进化算法（IMAEA）取 12，可以排成 3×4 的网格。由于智能体网格是一个环形的网格，并且一个智能 体所能感知的范围为其周围的 8 个智能体，所以用户在评价 时只需要在当前 12 个智能体中，标记最优和次优的个体， 并使它们位于不同的列即可。所设计的交互式多智能体进化 算法步骤如下：
(4) 变异：对种群 x′(t) 以变异概率 Pm 进行变异，即 Tm(xi′(t)) = xi′(t +1) ， Tm 为 变 异 算 子 ， 得 到 新 的 种 群 x′(t +1) = (x1′(t +1),", x′m (t +1)) ；
(5) 死亡与替换：对种群 x′(t +1)，用户选择一个最优的 智能体 Amax (t + 1) (用户可以指定当前最优智能体已经满意 的部分)，其它非优智能体 x′(t +1)将死亡。死亡后的智能体 将以下面的规则进行替换：
进化计算, 决策分析等; 陆青(1982-), 男, 上海人, 博士生, 研究方向为
进化计算, 决策分析等; 梁昌勇(1965-), 男, 安徽肥西人, 博士, 教授,
博导, 研究方向为计算机控制与仿真, 决策支持系统, 人工智能等。
的智能体涌现出相当大的智能，可以对复杂问题进行有效求 解[6-8]。文献[6]创建了 AER 模型，对多达 7000 个皇后问题 和一些大规模染色问题进行了有效求解。受其启发，文献[7-8] 则分别提出了基于 AER 模型的 Multi-Agent 遗传算法和组合 优化多智能体进化算法，分别用于对复杂的函数优化问题和 组合优化问题进行求解，均表现出了良好的性能。
xi
(t
+
1)
=
clone ( xi′(t
+
1))
=
⎧ ⎩⎨1
ak − ak
λ ≥1/ n λ <1/ n
其中 ak 为 x′(t +1)的第 k 位编码， λ 为在[0,1]中产生的随机 数。这样得到种群 x(t +1) = (x1(t +1),",xm(t +1))，令 t =t +1,
转(2)。
1.1 多智能体及有关操作
本文将以二进制编码进行讨论，并结合文献[7,8]中的有 关概念和 IEC 的有关术语说明如下：
• 2030 •
第 18 卷第 7 期 2006 年 7 月
黄永青，等：交互式多智能体进化算法及其应用
Vol. 18 No. 7 July, 2006
将 二 进 制 染 色 体 编 码 串 作 为 一 个 智 能 体 (Agent) ， 记
修回日期：2006-03-30
基 金 项 目 ：国 家自 然 科学 基金 项目 (70471046); 教育部 博 士 点基 金
(20050359006; 20040359004); 安徽省基金项目( AHSK03-04D44)
作者简介：黄永青(1974-), 男, 安徽东至人, 博士生, 讲师, 研究方向为
智能体即可。对
A0 max
进行局部搜索的算法如下：
自学习算法
(1) 设定有关参数，对智能体剩余变量(属性)组编码，
随机产生一个种群
x(0)
=
(
x1
(0),",
xm
(0))
∈
H
m L'
,
m
=
9
,并将
之固定在 3×3 的智能体网格上，并显示编码对应的个体表
现型，令 t = 0 ； (2) 结束条件判断：设 Amax (t) 是用户在种群 x(t) 中选择
引 言1
进化算法(evolutionary Algorithm, EA)是求解数值(组合) 优化问题的重要方法，在许多领域得到了广泛的应用。EA 的一个重要特征是适应值函数是可自动计算的，然而有时研 究的问题涉及了人的情感、偏好等主观因素，使得指导 EA 搜索的适应值函数很难获得，EA 的应用受到了限止。为解 决这个问题，可以用人的主观评估来代替适应值的自动计 算 ， 这 就 构 成 了 称 之 为 交 互 式 进 化 计 算 [1](Interactive evolutionary computation, IEC)的优化方法，从而大大扩展了 进化算法的应用范围。IEC 已经应用于多准则决策[2]、人脸 识别[3]、个性化情感检索[4]和服装设计[5]等领域。
Abstract: By introducing multi-agent technique into the domain of interactive evolutionary computation, a new interactive multi-agent evolutionary algorithm (IMAGA) was developed. Every agent fixed on a lattice-point competes with its neighbors and the optimal one also can do some self-learning in order to increase energy, which improves the algorithm globally and locally searching ability. The proposed algorithm obtains quick speed of convergence, and the user only needs selecting about two mostly interesting individuals in every evolutionary procedure, which leads to the work of evaluating easy and tractable and contributes to overcome human fatigue. The simulation of fashion design shows the developed algorithm is feasible and effective. Key words: multi-agent; interactive evolutionary computation; human fatigue; fashion design
H L = {A = (a1," , aL ) | ai ∈ {0,1}, i = 1," , L} 为所有智能体 构成的个体空间， L 为编码长度。记
H
m L
= {( A1 ," , Am ) |
Ai
∈
H L,i
= 1," , m} 为种群空间。由
用户评价的个体适应值作为智能体的能量
（Energy(A)=fitness），每个智能体的目的就是最大化其能
的当前代最优(能量最大)的智能体。若用户决定停止进化，
或者
t
=T
，则终止进化，并以
Amax
(t)
替换
A0 max
；否则由用
户指定当前最优智能体已经满意的部分，并转(3)；
(3) 交叉：对任意 xi (t) ∈{x1(t),", xm (t)} − {Amax (t)}， 以概率 Pc 与 Amax (t ) 交叉，即Tc (xi (t), Amax (t)) = xi′(t) ，Tc 为交叉算子，得到新的种群 x′(t) = (x1′(t),", xm′ (t))；
极易造成用户疲劳，所以需要重新设计自学习行为。由于自
学习行为的目的就是进一步提高当前邻域内最优智能体
A0 max
的能量，所以只要设计一个邻域“爬山”算法，能够提
高该智能体的能量即可，同时仅对当前最优的智能体进行自
学习操作(有多个时，只随机选择其中一个)。我们借鉴文献
[5]分层的思想和文献[7]多智能体遗传算法有较好的爬山能
虽然 IEC 技术得到了广泛的应用，但是用户的疲劳问题 仍然是制约 IEC 发展的瓶颈，所以发展快速收敛、降低用户 疲劳的 IEC 方法有着重要的现实意义。近来，分布式人工智 能中基于智能体(Agent)的计算已经应用于计算机学科的各 个领域，这些能够感知环境并反作用于环境的物理的或虚拟
收稿日期：2005-06-06
第 18 卷第 7 期 2006 年 7 月
系 统 仿 真 学 报© Journal of System Simulation
Vol. 18 No. 7 July, 2006
交互式多智能体进化算法及其应用
黄永青 1,2，陆 青 1，梁昌勇 1，杨善林 1，郝国生 2
(1.合肥工业大学 计算机网络系统研究所, 合肥 230009; 2.徐州师范大学信息工程研究所, 徐州 221011)
去；否则它将死亡，而它的位置则由其竞争领域中能量最大
的智能体的子代所代替。我们仍以文献[8]设计的两种方式来
产生子代，并以参数 D h 来控制方式的选择。
在自学习行为中，若直接利用文献[8]中设计的自学习行
为时，需要对当前的每个智能体按照其构造的学习表进行自
学习，所以要求用户不断参与评价适应值，有很大的工作量，
基于文献[7-8]中的思想，本文将多智能体技术应用于交 互式进化计算领域，提出一种交互式多智能体进化算法 (Interactive Multi-Agent Evolutionary Algorithm, IMAEA)。文 中给出了算法的实现，并应用到服装设计中，通过实验来验 证 IMAEA 算法的性能和效率。
摘 要：将多智能体技术应用于交互式进化计算领域，提出一种新的交互式多智能体进化算法。
该方法让固定在网格上的相邻智能体之间展开竞争和最优智能体本身的自学习，来提高智能体的
能量，从而使得算法获得较强的全局收敛能力和局部搜索能力。算法以பைடு நூலகம்快的进化速度收敛，并
且用户每次只需要选择 2 个左右最感兴趣的个体，使得评价具有易操作性和轻松性，从而有效缓
力，并针对 IEC 的特点设计了自学习行为，其实现过程是：
充分利用人的智能，用户评估过程中可以任意指定当前最优
智能体中已经满意的部分，从而使变量(属性)减少；再在剩
余的变量(属性)中作进一步的搜索，即使用一个 3×3 的智能
体网格，并设每个智能体的感知范围为其周围的 8 个智能
体，所以用户只需要在当前这 9 个智能体中选择一个最优的
解用户的疲劳。服装设计的仿真实验证了算法的可行性和有效性。
关键词：多智能体；交互式进化计算；用户疲劳；服装设计
中图分类号：TP18
文献标识码：A
文章编号: 1004-731X(2006)07-2030-03
Interactive Multi-Agent evolutionary Algorithm and Its Application
HUANG Yong-qing1,2, LU Qing1, LIANG Chang-yong1, YANG Shan-lin1, HAO Guo-sheng2
(1. Institute of Computer Network Systems, Hefei University of Technology, Hefei 230009, China; 2. Institute of Information Engineering, Xuzhou Normal University, Xuzhou 221011, China)
1 交互式多智能体进化算法
文献[7-8]讨论的算法是针对适应值可以自动计算情况 的，所以为了将其运用于 IEC 领域，必须针对 IEC 的特点， 对有关的操作进行适当的变化。需要克服的问题有，用户评 估适应值的时机；用户是否需要评估所有个体；在人参与评 估的情况下，进化到当前代的最优个体如何进行自学习；如 何减轻用户的评价疲劳等。