多智能体系统散布式共鸣优化的一系列询查来了！

在智能城市、智能电网、无东说念主系统等前沿应用遏抑彭胀的今天，多智能体系统（Multi-Agent Systems, MAS）动作新一代智能协同的时期基础，正迎来前所未有的发展机遇。

在这些系统中，多个具备狡计与通讯智商的智能体需要在莫得中心和洽、通讯受限的条目下达成任务配合、资源分享与一致性有盘算推算。

这照旧由的核心挑战之一，就是散布式共鸣优化问题。

连年来，散布式共鸣优化渐渐成为机器学习、运筹优化、群体智能等多个交叉领域的询查热门，聚焦如安在仅依赖腹地信息和邻居通讯的前提下，达周详局办法的优化与智能体之间的解一致性。

在这一布景下，华南理工大学狡计智能团队围绕"多智能体共鸣与合作中的散布式进化狡计"这一核心问题，抓续开展系统询查，已赢得一系列具有代表性的后果：

在 IEEE/CAA Journal of Automatica Sinica 发表综述论文，暴戾描述性框架归来现存询查后果；

暴戾多智能体粒子群优化算法 MASOIE，转换性地引入了里面学习与外部学习机制；

暴戾办法激发运转的协同演化算法 MACPO，通过激发机制指点配合行为；

联想了一种具有配合与积聚特质的步长自顺应机制，构建了更生动的搜索节拍调控格局；

暴戾 MASTER 算法应付无线传感器网罗中常见的"多数据关联"问题。

另外，华南理工大学狡计智能团队还于 CEC2024 组织并主导了首届散布式黑盒共鸣优化竞赛。

有关询查不仅表面塌实、要领转换，更在多个践诺场景中展现出显赫应用后劲。

散布式进化狡计的系统性探索与算法转换系统综述：构建 EC 与 MAS 和会询查的表面蓝图

为梳理进化狡计与多智能体系统交叉领域的发展端倪，团队在 IEEE/CAA Journal of Automatica Sinica 发表综述论文，系统归来了二者和会的主要询查标的与时期旅途。

论文从两个维度起程：

基于 MAS 的 EC 建模：探索怎么运用多智能体模子增强 EC 的散布式智商与并行狡计性能；

EC 扶持 MAS 优化：运用 EC 弘大的全局搜索智商，进步 MAS 在协同任务中的优化施展。

此外，团队还暴戾了一个描述性框架，归来现存询查后果，并瞻望了改日在联邦学习、角落狡计等新兴时期布景下的和会后劲。

论文标题： 《The confluence of evolutionary computation and multi-agent systems: A survey》

期刊信息：IEEE/CAA Journal of Automatica Sinica（综述），DOI：10.1109/JAS.2025.125246

多智能体粒子群优化算法 MASOIE：表里部学习机制助力协同优化

在散布式环境下，智能体之间的通讯智商和信息分享受限，如安在这一为止下协同优化全局办法函数是伏击挑战。

为此，团队暴戾MASOIE（Multi-Agent Swarm Optimization With Adaptive Internal and External Learning）算法，转换性地引入了里面学习与外部学习机制，在保抓系颐养致性的同期进步举座优化性能。

里面学习：每个智能体字据我方的局部办法函数孤独优化，聚焦局部最优。

外部学习：智能体通过与邻居的换取，达成教营养享与协同进化，从而迟缓接近全局最优。

算法还引入外部学民俗性速率适度政策，在演化经由中自顺应挪动通讯频率，进步了算法在拘谨速率和通讯遵循上的均衡智商。

该职责联结共鸣表面和能源学系统表面，初次从表面上解说了所暴戾的表里部协同学习机制在多智能体系统上的系统统鸣性  

论文标题：《Multi-Agent Swarm Optimization With Adaptive Internal and External Learning for Complex Consensus-Based Distributed Optimization》

期刊信息：IEEE Transactions on Evolutionary Computation，DOI：10.1109/TEVC.2024.3380436

代码开源：GitHub - MASOIE

办法激发运转的协同演化算法 MACPO：让"自利"节点协同起来

当系统中各个节点的局部办法函数存在矛盾时，怎么达成合作优化？

团队暴戾MACPO（A Multiagent Co-Evolutionary Algorithm With Penalty-Based Objective）算法，核心想路是通过激发机制指点配合行为。

MACPO 在联想上将优化经由拆分为两个阶段：

局部优化阶段：引入惩办办法函数，使每个节点即使在只知说念腹地信息的前提下，也能通过"奖励 / 惩办"机制更感性地搜索。

协商阶段：节点之间字据分享变量是否存在突破进行通讯，并基于局部反映动态挪动办法标的，达成更合理的集体进化。

此外，算法联想了突破检测机制与分享变量协商机制（评估 - 竞争 - 分享），提高了解的一致性与可控性。

实验显现，该要领在无梯度经管优化场景中能赢得与纠合式算法相称的效果，且顺应散布式部署需求。

论文标题：《A Multi-Agent Co-evolutionary Algorithm with Penalty-Based Objective for Network-Based Distributed Optimization》

期刊信息：IEEE Transactions on Systems, Man, and Cybernetics: Systems，DOI：10.1109/TSMC.2024.3380389

步长自顺应机制 CCSA：动态挪动节拍，进步黑盒优化性能

在黑盒共鸣优化中，怎么领受顺应的步长政策至关伏击。传统要领大多使用固定或单调递减的步长，难以顺应复杂任务。

为此，团队联想了一种具有配合与积聚特质的步长自顺应机制（CCSA），构建了更生动的搜索节拍调控格局。

当多个智能体的搜索标的一致时，放大步长，快速朝向最优区域拘谨。

当搜索标的存在显赫突破时，安静步长，以幸免谬误扩散和信息偏离。

实验终结标明，该算法在多个复杂函数测试中赢得更优的拘谨效果与系颐养致性，展现出极强的黑盒优化智商。

论文标题：《Multi-Agent Evolution Strategy With Cooperative and Cumulative Step Adaptation for Black-Box Distributed Optimization》

期刊信息：IEEE Transactions on Evolutionary Computation，DOI：10.1109/TEVC.2025.3525713

MASTER 算法：进步传感器网罗下多办法协同定位精度

濒临无线传感器网罗中常见的"多数据关联"问题，团队暴戾MASTER 算法（Multi-Agent Swarm with contribution-based collaboration）。

该要领将传感器间信息分享建模为双层优化问题，核心孝顺包括：

运用 Kuhn-Munkres 算法与 CSO 要领达成腹地优化；

联想"孝顺学习机制"，字据传感器在全局办法中的孝顺进度，进行加权式教养传播；

在多个定位维度与办法数目场景下，达成了更小的谬误、更强的一致性。

论文标题：《Multi-agent swarm optimization with contribution-based cooperation for distributed multi-target localization and data association》

期刊信息：IEEE/CAA Journal of Automatica Sinica，DOI：10.1109/JAS.2025.125150

散布式黑盒共鸣优化竞赛：构建颐养询查基准平台

华南理工大学狡计智能团队于 CEC2024 组织并主导了首届散布式黑盒共鸣优化竞赛，为散布式共鸣优化领域构建了具有挑战性与骨子导向的测试平台。

竞赛模拟多智能体在不同通讯拓扑、办法函数异质性、突破环境下的协同场景，诱导了稠密询查团队参与，推动了算法性能与工程适配的共同最初。

改日瞻望：从智能协同到明智生态系统

散布式共鸣优化不仅是算法问题，更是智能系统配合智商的"核心神经"。

跟着 IoT、自动驾驶、智能制造的真切发展，去中心、可彭胀、高鲁棒的优化机制将成为智能基础法子的刚需。 改日，该领域有望向以下标的抓续拓展：

与联邦学习、图神经网罗等架构深度和会；

面向诡秘保护和不办法办法函数的优化；

在工业适度、能源系统、复杂机器东说念主编队等场景中平凡部署。

华南理工大学狡计智能团队将抓续围绕"散布式智能优化"的核心命题，鼓吹基础询查与应用落地的双轮运转，接待来自不同领域的同业共同讨论与合作。

[ 1 ] Tai-You Chen, Wei-Neng Chen, F.-F. Wei, X.-Q. Guo, W.-X. Song, R. Zhu, Q. Lin, and J. Zhang, " The confluence of evolutionary computation and multi-agent systems: A survey, " IEEE/CAA J. Autom. Sinica, 2025. https://www.ieee-jas.net/article/doi/10.1109/JAS.2025.125246

[ 2 ] Tai-You Chen, Wei-Neng Chen, Feng-Feng Wei, Xiao-Min Hu and Jun Zhang, "Multi-Agent Swarm Optimization With Adaptive Internal and External Learning for Complex Consensus-Based Distributed Optimization", IEEE Transactions on Evolutionary Computation, 2024, early access. https://ieeexplore.ieee.org/document/10477458

[ 3 ] Tai-You Chen, Wei-Neng Chen, Xiao-Qi Guo, Yue-Jiao Gong, Jun Zhang, "A Multi-Agent Co-evolutionary Algorithm with Penalty-Based Objective for Network-Based Distributed Optimization", IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2024, early access. https://ieeexplore.ieee.org/abstract/document/10500484

[ 4 ] Tai-You Chen, Wei-Neng Chen, J. -K. Hao, Y. Wang and J. Zhang, "Multi-Agent Evolution Strategy With Cooperative and Cumulative Step Adaptation for Black-Box Distributed Optimization," in IEEE Transactions on Evolutionary Computation, doi: 10.1109/TEVC.2025.3525713. https://ieeexplore.ieee.org/document/10824905

[ 5 ] Tai-You Chen, X.-M. Hu, Q. Lin, and Wei-Neng Chen, " Multi-agent swarm optimization with contribution-based cooperation for distributed multi-target localization and data association, " IEEE/CAA J. Autom. Sinica, 2025. doi: 10.1109/JAS.2025.125150 https://www.ieee-jas.net/en/article/doi/10.1109/JAS.2025.125150

[ 6 ] Tai-You Chen, Wei-Neng Chen, F. -F. Wei, Yang Wang, " Decentralized Evolutionary Optimization for Multi-Target Tracking and Data Association with Bearing-only Measurements, " in IEEE INFOCOM 2025.

[ 7 ] CEC2025 竞赛信息与测试平台：https://github.com/iamrice/Proposal-for-Competition-on-Black-box Consensus-based-Distributed-Optimization

一键三连「点赞」「转发」「防卫心」

接待在驳倒区留住你的想法！

—  完  —

学术投稿请于职责日发邮件到：

ai@qbitai.com

标题注明【投稿】，告诉咱们：

你是谁，从哪来，投稿内容‍

附上论文 / 面容主页衔接，以及干系格局哦

咱们会（尽量）实时修起你

� � 点亮星标 � �

科技前沿进展逐日见开云体育