Algoritmos competitivos multiagente

La solución del recocido simulado ya no es como una búsqueda local, donde el resultado final depende del punto inicial. Introduce una probabilidad de aceptación p. Si la función objetivo f (pn) del nuevo punto (sea pn) es mejor, entonces p = 1, lo que indica que se selecciona el nuevo punto.

La operación de competencia imperial refleja la interacción de información entre imperios. Sin embargo, la competencia imperial solo asigna la colonia más débil al imperio más fuerte en cada iteración. Este proceso tiene un impacto importante en el poder de cada imperio. Es pequeño y requiere múltiples iteraciones para reflejarse, y falta una interacción de información más efectiva entre imperios, es decir, la diversidad del grupo no se refleja claramente.

Problema:

Las capacidades de "minería" y "exploración" del algoritmo de optimización de inteligencia de enjambre son mutuamente restrictivas. Cuando la capacidad de "minería" es fuerte, la diversidad del grupo se verá afectada; cuando la capacidad de "exploración" es fuerte, la velocidad de convergencia global del algoritmo se ralentizará. El algoritmo ICA original no puede equilibrar bien estos dos puntos. Tiene una gran capacidad de búsqueda local y una rápida velocidad de convergencia, por lo que es fácil caer en la optimización local al optimizar problemas multimodo de alta dimensión.

La fusión de imperios y la destrucción de imperios han reducido el número de imperios en ICA, lo que resulta en una reducción en la diversidad de la población, lo que afecta la capacidad de exploración global del algoritmo y es propenso a "prematuros". "fenómenos".