基于多智能体混沌鸟群算法的机构优化

吴冬梅; 郝凤鸣; 蒋国平

doi:10.13976/j.cnki.xk.2021.0381

基于多智能体混沌鸟群算法的机构优化

吴冬梅^{1, 2, ,},
郝凤鸣¹,
蒋国平^{1, 2}

1.
南京邮电大学自动化学院人工智能学院, 江苏南京 210023
2.
江苏省物联网智能机器人工程实验室, 江苏南京 210023

基金项目:

国家自然科学基金面上项目 61873326

江苏省自然科学基金青年基金资助项目 BK20130873

南京邮电大学科研项目 NY220216

详细信息

作者简介:
吴冬梅(1983-), 女, 博士, 讲师, 硕士生导师.研究领域为智能优化算法及应用, 系统建模与仿真

郝凤鸣(1996-), 女, 硕士生.研究领域为智能优化算法, 深度学习

蒋国平(1966-), 男, 博士, 教授, 博士生导师.研究领域为复杂网络建模与控制, 混沌控制, 混沌信息处理

通讯作者:
吴冬梅, wudm@njupt.edu.cn

中图分类号: TP18
计量
- 文章访问数: 195
- HTML全文浏览量: 4
- PDF下载量: 71
出版历程
- 收稿日期: 2020-08-17
- 修回日期: 2021-03-28
- 录用日期: 2021-01-14
- 网络出版日期: 2022-12-01
- 发布日期: 2021-08-19
- 刊出日期: 2021-08-19

Mechanism Optimization Based on Multi-agent Chaos Bird Swarm Algorithm

WU Dongmei^{1, 2, ,},
HAO Fengming¹,
JIANG Guoping^{1, 2}

1.
College of Automation & College of Artifical Intelligence, Nanjing University of Posts and Telecommunications, Nanjing 210023, China
2.
Jiangsu Engineering Laboratory for Internet of Things and Intelligent Robotics, Nanjing 210023, China

摘要

摘要:
平面四连杆机构是一种常见的传动机构，对机构参数进行优化设计是获得最佳动力性能的重要途径.为了解决这一机构参数优化问题，提出了一种多智能体混沌鸟群算法(multi-agent chaos bird swarm algorithm，MACBSA).该算法将多智能体系统中智能体的行动策略和混沌搜索机制引入鸟群算法的进化过程.多智能体的竞争与合作机制可以提高个体学习与信息交互的能力，增强群体内部的多样性和信息反馈；而混沌搜索则能够帮助算法跳出局部最优.最后，该算法在4个标准函数中进行了测试，并应用到四连杆机构参数优化问题，实验结果表明与其他7种算法相比，该算法在精度、收敛速度和鲁棒性等方面具有明显的优越性，更适合解决此类机构优化问题.
- 多智能体混沌鸟群算法 /
- 多智能体系统 /
- 混沌搜索 /
- Logistic映射 /
- 机构优化
Abstract:
Planar four-bar linkage is a common transmission mechanism. The optimal design of mechanical parameters is an important way to achieve the best dynamic performance. In this study, a multi-agent chaos bird swarm algorithm (MACBSA) is proposed to deal with the mechanical parameters' optimization problem. The proposed algorithm combines the action policy of agents in a multi-agent system and a chaos search strategy with an evolutionary process in a bird swarm algorithm (BSA). The competition and cooperation scheme between agents improves the information interaction and learning ability of individuals. It also enhances the diversity and information feedback within the swarm. In addition, the chaos search helps the algorithm break away from the local optimum. Lastly, the proposed algorithm is tested on four benchmark functions and then applied to optimizing the design of the planar linkage mechanism. Simulation results reveal that the algorithm has more advantages over seven other algorithms in precision, convergence speed, and robustness. It is more suitable for solving such mechanism optimization problems.
- multi-agent chaos bird swarm algorithm /
- multi-agent system /
- chaos search /
- Logistic map /
- mechanism optimization

HTML全文

图 1 平面四连杆机构

Figure 1. Plane four-bar linkage

下载: 全尺寸图片幻灯片

图 2 机构摇杆的输出角

Figure 2. Output angle of rocker mechanism

下载: 全尺寸图片幻灯片

图 3 传动角极限位置

Figure 3. Limit position of transmission angle

下载: 全尺寸图片幻灯片

图 4 多智能体的格子结构

Figure 4. Lattice structure of multi-agent system

下载: 全尺寸图片幻灯片

图 5 当μ∈[3, 4]时的混沌序列演化曲线

Figure 5. Chaos sequence evolution curve when μ∈[3, 4]

下载: 全尺寸图片幻灯片

图 6 多智能体混沌鸟群算法流程图

Figure 6. Flowchart of MACBSA

下载: 全尺寸图片幻灯片

图 7 基于不同算法的收敛曲线比较

Figure 7. Comparison of convergence curves by different algorithms

下载: 全尺寸图片幻灯片

图 8 收敛曲线

Figure 8. Convergence curves

下载: 全尺寸图片幻灯片

表 1 测试函数

Table 1 Test functions

函数名	表达式	维数	边界条件	理论最优值
Sphere		20	[-100, 100]	0
Rosenbrock		2	[-2.048，2.048]	0
Griewank		20	[-600, 600]	0
Rastrigin		20	[-5.12，5.12]	0

下载: 导出CSV

表 2 参数设置

Table 2 Parameters setting

参数	本文算法	文[11]算法	文[7]算法	混沌鸟群算法	自适应鸟群算法	BSA算法	PSO算法	ACO算法
学习因子c₁，c₂	1.5	参见式(26)	1.5	1.5	参见式(27)	1.5	1.496 18
a₁，a₂	1.0	1.0	1.0	1.0	1.0	1.0
觅食概率P	[0.8，1] 随机数	[0.8，1] 随机数	[0.8，1] 随机数	[0.8，1] 随机数	[0.8，1] 随机数	[0.8，1] 随机数
跟随系数FL	[0.5，0.9] 随机数	[0.5，0.9] 随机数	[0.5，0.9] 随机数	[0.5，0.9] 随机数	[0.5，0.9] 随机数	[0.5，0.9] 随机数
飞行频率FQ	10	10	10	10	10	10
种群规模M或多智能体结构L_size×L_size	6×6	36	36	36	36	36	36	36
混沌控制系数μ	4		4	4
混沌序列m	20		20	20
惯性权重w							0.729 8
信息素挥发系数								0.8
转移概率常数								0.2

下载: 导出CSV

表 3 最佳参数

Table 3 Optimal parameters

算法	f	a	b
本文算法	0.007 6	4.130 3	2.320 7
文[11]算法	0.008 6	4.289 6	2.299 5
文[7]算法	0.009 3	4.399 9	2.279 2
混沌鸟群算法	0.009 4	4.384 8	2.320 5
自适应鸟群算法	0.010 4	4.586 4	2.305 6
BSA算法	0.010 3	4.562 6	2.279 6
PSO算法	0.011 1	4.629 0	2.266 2
ACO算法	0.013 4	4.610 8	2.279 1

下载: 导出CSV

表 4 统计结果

Table 4 Statistical results

算法	平均值	最小值	最大值	标准差
本文算法	0.007 9	0.007 6	0.010 7	7.212 4×10^-4
文[11]算法	0.009 4	0.007 6	0.012 1	0.001 5
文[7]算法	0.008 7	0.007 6	0.012 5	0.001 5
混沌鸟群算法	0.012 3	0.007 8	0.035 1	0.005 4
自适应鸟群算法	0.008 7	0.007 6	0.011 8	0.001 3
BSA算法	0.009 3	0.007 6	0.012 7	0.001 3
PSO算法	0.008 6	0.007 7	0.014 1	0.001 4
ACO算法	0.011 2	0.009 6	0.014 5	0.001 4

下载: 导出CSV

参考文献(24)

[1]	Meng X B, Gao X Z, Lu L, et al. A new bio-inspired optimisation algorithm: Bird swarm algorithm[J]. Journal of Experimental & Theoretical Artificial Intelligence, 2016, 28(4): 1-15. doi: 10.1080/0952813X.2015.1042530
[2]	崔东文, 金波. 改进鸟群算法及其在梯级水库优化调度中的应用[J]. 三峡大学学报: 自然科学版, 2016, 38(6): 7-14. https://www.cnki.com.cn/Article/CJFDTOTAL-WHYC201606004.htm Cui D W, Jin B. Improved bird swarm algorithm and its application to reservoir optimal operation[J]. Journal of China Three Gorges University (Natural Sciences), 2016, 38(6): 7-14. https://www.cnki.com.cn/Article/CJFDTOTAL-WHYC201606004.htm
[3]	刘晓龙, 宁芊, 赵成萍, 等. 基于莱维飞行的鸟群优化算法[J]. 计算机测量与控制, 2016, 24(12): 194-197. https://www.cnki.com.cn/Article/CJFDTOTAL-JZCK201612055.htm Liu X L, Ning Q, Zhao C P, et al. Bird swarm algorithm based on levy flight[J]. Computer Measurement & Control, 2016, 24(12): 194-197. https://www.cnki.com.cn/Article/CJFDTOTAL-JZCK201612055.htm
[4]	杨文荣, 马晓燕, 边鑫磊. 基于Levy飞行策略的自适应改进鸟群算法[J]. 河北工业大学学报, 2017, 46(5): 10-16. https://www.cnki.com.cn/Article/CJFDTOTAL-HBGB201705002.htm Yang W R, Ma X Y, Bian X L. Adaptive improved bird swarm algorithm based on Levy flight strategy[J]. Journal of Hebei University of Technology, 2017, 46(5): 10-16. https://www.cnki.com.cn/Article/CJFDTOTAL-HBGB201705002.htm
[5]	李延延, 万仁霞. 一种改进算的鸟群算法[J]. 微电子学与计算机, 2018, 35(9): 79-84. https://www.cnki.com.cn/Article/CJFDTOTAL-WXYJ201809017.htm Li Y Y, Wan R X. An improved algorithm for bird swarm optimization[J]. Microelectronics & Computer, 2018, 35(9): 79-84. https://www.cnki.com.cn/Article/CJFDTOTAL-WXYJ201809017.htm
[6]	史旭栋, 高岳林. 一种改进的鸟群优化算法[J]. 重庆理工大学学报(自然科学版), 2018, 32(4): 177-185. https://www.cnki.com.cn/Article/CJFDTOTAL-CGGL201804027.htm Shi X D, Gao Y L. Improved bird swarm optimization algorithm[J]. Journal of Chongqing Institute of Technology (Natural Science Edition), 2018, 32(4): 177-185. https://www.cnki.com.cn/Article/CJFDTOTAL-CGGL201804027.htm
[7]	吴军, 王龙龙. 基于双鸟群混沌优化的Otsu图像分割算法[J]. 微电子学与计算机, 2018, 35(12): 119-124. https://www.cnki.com.cn/Article/CJFDTOTAL-WXYJ201812024.htm Wu J, Wang L L. An Otsu image segmentation algorithm based on chaos optimization of two BSA[J]. Microelectronics & Computer, 2018, 35(12): 119-124. https://www.cnki.com.cn/Article/CJFDTOTAL-WXYJ201812024.htm
[8]	王进成, 高岳林. 基于改进的鸟群算法求解农产品冷链物流配送路径优化问题[J]. 安徽农业科学, 2018, 46(25): 1-4. https://www.cnki.com.cn/Article/CJFDTOTAL-AHNY201825001.htm Wang J L, Gao Y L. Optimization problem of cold chain logistics distribution path of agricultural products based on improved algorithm of bird swarm optimization[J]. Journal of Anhui Agricultural Sciences, 2018, 46(25): 1-4. https://www.cnki.com.cn/Article/CJFDTOTAL-AHNY201825001.htm
[9]	王建伟, 彭亦功. 引入迁移和变异策略的改进鸟群算法及其在参数估计中的应用[J]. 华东理工大学学报(自然科学版), 2018, 44(4): 617-624. https://www.cnki.com.cn/Article/CJFDTOTAL-HLDX201804021.htm Wang J W, Peng Y G. Improved bird swarm algorithm based on migration and mutation strategy and its application in parameter estimation[J]. Journal of East China University of Science and Technology (Natural Science Edition), 2018, 44(4): 617-624. https://www.cnki.com.cn/Article/CJFDTOTAL-HLDX201804021.htm
[10]	罗钧, 刘泽伟, 张平, 等. 基于非线性因子的改进鸟群算法在动态能耗管理中的应用[J]. 电子与信息学报, 2020, 42(3): 729-736. https://www.cnki.com.cn/Article/CJFDTOTAL-DZYX202003024.htm Luo J, Liu Z W, Zhang P, et al. Application of improved bird swarm algorithm based on nonlinear factor in dynamic energy management[J]. Journal of Electronics & Information Technology, 2020, 42(3): 729-736. https://www.cnki.com.cn/Article/CJFDTOTAL-DZYX202003024.htm
[11]	王慧娟, 杨文荣, 杨庆新. 改进鸟群算法在家电负荷分解中的应用[J]. 电力系统及其自动化学报, 2019(10): 140-144. https://www.cnki.com.cn/Article/CJFDTOTAL-DLZD201910023.htm Wang H J, Yang W R, Yang Q X. Application of improved bird swarm algorithm in home appliance load decomposition[J]. Proceedings of the CSU-EPSA, 2019(10): 140-144. https://www.cnki.com.cn/Article/CJFDTOTAL-DLZD201910023.htm
[12]	翁旭辉, 雷武虎, 任晓东. 基于双鸟群优化的高光谱图像非线性解混[J]. 应用光学, 2019, 40(6): 1059-1066. https://www.cnki.com.cn/Article/CJFDTOTAL-YYGX201906022.htm Weng X H, Lei W H, Ren X D. Nonlinear unmixing of hyperspectral images based on double-bird flock optimization[J]. Journal of Applied Optics, 2019, 40(6): 1059-1066. https://www.cnki.com.cn/Article/CJFDTOTAL-YYGX201906022.htm
[13]	余胜威. MATLAB车辆工程应用实践[M]. 北京: 清华大学出版社, 2014: 434-452. Yu S W. Application of MATLAB in vehicle engineering[M]. Beijing: Tsinghua University Press, 2014: 434-452.
[14]	李兵, 李为宁, 宋扬扬, 等. 基于蚁群算法的双锅曲毫机的优化设计[J]. 茶叶科学, 2019, 39(1): 77-83. https://www.cnki.com.cn/Article/CJFDTOTAL-CYKK201901009.htm Li B, Li W N, Song Y Y, et al. Optimal design of double-pan roasting machine based on ant colony algorithm[J]. Journal of Tea Science, 2019, 39(1): 77-83. https://www.cnki.com.cn/Article/CJFDTOTAL-CYKK201901009.htm
[15]	李莹莹, 游敏, 徐建军. 基于MATLAB的曲柄摇杆机构优化设计[J]. 制造业自动化, 2016, 38(1): 102-105. https://www.cnki.com.cn/Article/CJFDTOTAL-JXGY201601028.htm Li Y Y, You M, Xu J J. Optimization design of crank rocker structure under the given output angle constraint[J]. Manufacturing Automation, 2016, 38(1): 102-105. https://www.cnki.com.cn/Article/CJFDTOTAL-JXGY201601028.htm
[16]	唐贤伦, 张衡, 李进, 等. 基于多Agent粒子群优化算法的电力系统经济负荷分配[J]. 电力系统保护与控制, 2012, 40(10): 42-47. https://www.cnki.com.cn/Article/CJFDTOTAL-JDQW201210010.htm Tang X L, Zhang H, Li J, et al. An economic load dispatch method of power system based on multi-agent particle swarm optimization algorithm[J]. Power System Protection and Control, 2012, 40(10): 42-47. https://www.cnki.com.cn/Article/CJFDTOTAL-JDQW201210010.htm
[17]	唐贤伦, 李洋, 李鹏, 等. 多智能体粒子群优化的SVR模型预测控制[J]. 控制与决策, 2014, 29(4): 593-598 https://www.cnki.com.cn/Article/CJFDTOTAL-KZYC201404003.htm Tang X L, Li Y, Li P, et al. Model predictive control based on SVR optimized by multi-agent particle swarm optimization algorithm[J]. Control and Decision, 2014, 29(4): 593-598. https://www.cnki.com.cn/Article/CJFDTOTAL-KZYC201404003.htm
[18]	Kumar R, Sharma D, Sadu A. A hybrid multi-agent based particle swarm optimization algorithm for economic power dispatch[J]. International Journal of Electrical Power & Energy Systems, 2011, 33(1): 115-123. http://www.sciencedirect.com/science/article/pii/S0142061510001250
[19]	胡鑫楠. 基于改进型混沌粒子群优化算法的FIR高通数字滤波器设计[J]. 计算机科学, 2019, 46(z1): 601-604. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJA2019S1130.htm Hu X N. FIR high pass digital filter design based on improved chaos particle swarm optimization algorithm[J]. Computer Science, 2019, 46(z1): 601-604. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJA2019S1130.htm
[20]	黄伟建, 辛风俊, 黄远. 基于混沌猫群算法的云计算多目标任务调度[J]. 微电子学与计算机, 2019, 36(6): 55-59. https://www.cnki.com.cn/Article/CJFDTOTAL-WXYJ201906012.htm Huang W J, Xin F J, Huang Y. Multi-objective task scheduling based on chaos cat swarm optimization in cloud computing[J]. Microelectronics & Computer, 2019, 36(6): 55-59. https://www.cnki.com.cn/Article/CJFDTOTAL-WXYJ201906012.htm
[21]	段秀娟. 基于混沌粒子群优化BP神经网络的网络安全风险评估系统设计[J]. 科学技术与工程, 2019, 19(16): 251-255. https://www.cnki.com.cn/Article/CJFDTOTAL-KXJS201916039.htm Duan X J. Design of network security risk assessment system based on chaotic particle swarm optimization BP neural network[J]. Science Technology and Engineering, 2019, 19(16): 251-255. https://www.cnki.com.cn/Article/CJFDTOTAL-KXJS201916039.htm
[22]	Cai J J, Ma X Q, Li L X, et al. Chaotic particle swarm optimization for economic dispatch considering the generator constraints[J]. Energy Conversion & Management, 2007, 48(2): 645-653. http://www.sciencedirect.com/science/article/pii/S0196890406001816
[23]	张涛, 余利, 姚剑锋, 等. 基于改进多目标差分灰狼算法的配电网无功优化[J]. 信息与控制, 2020, 49(1): 78-86. doi: 10.13976/j.cnki.xk.2020.9187 Zhang T, Yu L, Yao J F, et al. Reactive power optimization of distribution network based on improved multi-objective differential gray wolf optimization[J]. Information and Control, 2020, 49(1): 78-86. doi: 10.13976/j.cnki.xk.2020.9187
[24]	Wets J B. Minimization by random search techniques[J]. Mathematics of Operations Research, 1981, 6(1): 19-30. http://www.onacademic.com/detail/journal_1000038502625810_52b4.html

施引文献(8)

期刊类型引用(4)

1.	张德利，庞春凤. 基于鸟群优化算法的机组多供热方式优化分配研究. 汽轮机技术. 2024(04): 253-257 . 百度学术
2.	李大海，詹美欣，王振东. 混合策略改进的麻雀搜索算法及其应用. 计算机应用研究. 2023(02): 404-412 . 百度学术
3.	李大海，詹美欣，王振东. 基于多个改进策略的增强麻雀搜索算法. 计算机应用. 2023(09): 2845-2854 . 百度学术
4.	曹可，赖强，赖聪. 含多吸引子的忆阻混沌系统的分析与实现. 深圳大学学报(理工版). 2022(04): 480-488 . 百度学术