答辩公告

学位论文简介

多智能体系统（MAS）作为分布式人工智能的重要分支之一，已经被广泛应用在多种科技领域。而为完成大规模复杂系统的任务或模拟，基于协作的MAS设计与优化显得尤为重要。因此，本文围绕多智能体协作的设计与优化这一研究主题，建立了有助于实现具有高水平合作的MAS的模型和优化方法。取得了以下主要创新性研究成果：

1. 在动态复杂网络的环境下，为保证智能体在不断变化环境中的合作水平，提出了一种根据动态关键节点集合而建立联盟的动态联盟机制。在博弈的背景下，根据关键节点集合的不断更新，结合其网络结构优势和中心度影响优势，动态地改变联盟的结构以保证智能体的收益，从而提高了MAS的合作水平，加快了收敛到社会最优的时间。

2. 为保障MAS中的任务分配效率和成功率，基于智能体的满意程度，提出了一种基于稳定性的量子粒子群优化算法（SQPSO），把每个任务分配给合适的智能体，既能保证智能体合作完成任务的稳定性从而保证任务分配的成功率，又能保证智能体的收益和满意度。同时该算法的量子属性使得寻优速度更快、寻优结果更优。

3. 为给复杂优先级关系的任务集提供智能体分配，提出了分层的MAS模型。在第一层使用深度Q学习的方法对任务进行拆分，以减少优先级对任务分配的影响；在第二层提出了一种能多目标优化任务分配问题的算法（MSDE-SPEA2-based），使得任务的分配能在五个目标中平衡，与此同时完成任务的调度。

4. 在具有不稳定连接的拓扑结构中，智能体之间的信息传播受到阻碍。为保障智能体之间的信息扩散，基于影响力最大化问题设计了两种在不稳定连接下的传播模型。同时提出了一种基于图嵌入的算法（US2vec），来寻找不稳定结构相似的智能体，并据此找寻最具有稳定性传播和最具广泛性传播的智能体，完成智能体的信息传播最大化。

主要学术成果

1. Mincan Li, Kenli Li, Jie Liu, Xaingke Liao, Xu Zhou. New concept to improve cooperation in dynamic complex network[J]. Neurocomputing, 2019, 332: 80-90. (SCI, 第一作者)

2. Mincan Li, Chubo Liu, Kenli Li, Xiangke Liao, Keqin Li. Multi-task allocation with an optimized quantum particle swarm method[J]. Applied Soft Computing, 2020, 96: 106603. (SCI，第一作者)

3. Mincan Li, Zidong Wang, Kenli Li, Xiangke Liao, Kate Hone, Xiaohui Liu. Task Allocation on Layered Multi-Agent Systems: When Evolutionary Many-Objective Optimization Meets Deep Q-Learning[J]. IEEE Transactions on Evolutionary Computation, 2021, DOI: 10.1109/TEVC.2021.3049131. (SCI，第一作者)

4. 刘楚波，李敏灿，阳王东，李肯立，全哲，肖正，李克勤，张尧学。复杂网络环境下实现MAS系统中智能体合作的方法和系统，专利号：ZL 201910421598.4