圍繞多智能體黑箱非凸優(yōu)化共識難題，華南理工大學(xué)團(tuán)隊發(fā)表系列研究

西風(fēng) 2025-04-17 13:40:20 來源：量子位

華南理工大學(xué)計算智能團(tuán)隊 投稿

量子位 | 公眾號 QbitAI

多智能體系統(tǒng)分布式共識優(yōu)化的一系列研究來了！

在智能城市、智能電網(wǎng)、無人系統(tǒng)等前沿應(yīng)用不斷擴(kuò)展的今天，多智能體系統(tǒng)（Multi-Agent Systems, MAS）作為新一代智能協(xié)同的技術(shù)基礎(chǔ)，正迎來前所未有的發(fā)展機(jī)遇。

在這些系統(tǒng)中，多個具備計算與通信能力的智能體需要在沒有中心協(xié)調(diào)、通信受限的條件下實(shí)現(xiàn)任務(wù)協(xié)作、資源共享與一致性決策。

這一過程的核心挑戰(zhàn)之一，便是分布式共識優(yōu)化問題。

近年來，分布式共識優(yōu)化逐漸成為機(jī)器學(xué)習(xí)、運(yùn)籌優(yōu)化、群體智能等多個交叉領(lǐng)域的研究熱點(diǎn)，聚焦如何在僅依賴本地信息和鄰居通信的前提下，實(shí)現(xiàn)全局目標(biāo)的優(yōu)化與智能體之間的解一致性。

在這一背景下，華南理工大學(xué)計算智能團(tuán)隊圍繞“多智能體共識與合作中的分布式進(jìn)化計算”這一核心問題，持續(xù)開展系統(tǒng)研究，已取得一系列具有代表性的成果：

• 在IEEE/CAA Journal of Automatica Sinica發(fā)表綜述論文，提出描述性框架總結(jié)現(xiàn)有研究成果；
• 提出多智能體粒子群優(yōu)化算法MASOIE，創(chuàng)新性地引入了內(nèi)部學(xué)習(xí)與外部學(xué)習(xí)機(jī)制；
• 提出目標(biāo)激勵驅(qū)動的協(xié)同演化算法MACPO，通過激勵機(jī)制引導(dǎo)協(xié)作行為；
• 設(shè)計了一種具有協(xié)作與累積特性的步長自適應(yīng)機(jī)制，構(gòu)建了更靈活的搜索節(jié)奏調(diào)控方式；
• 提出MASTER算法應(yīng)對無線傳感器網(wǎng)絡(luò)中常見的“無數(shù)據(jù)關(guān)聯(lián)”問題。

另外，華南理工大學(xué)計算智能團(tuán)隊還于CEC2024組織并主導(dǎo)了首屆分布式黑盒共識優(yōu)化競賽。

相關(guān)研究不僅理論扎實(shí)、方法創(chuàng)新，更在多個現(xiàn)實(shí)場景中展現(xiàn)出顯著應(yīng)用潛力。

分布式進(jìn)化計算的系統(tǒng)性探索與算法創(chuàng)新

系統(tǒng)綜述：構(gòu)建EC與MAS融合研究的理論藍(lán)圖

為梳理進(jìn)化計算與多智能體系統(tǒng)交叉領(lǐng)域的發(fā)展脈絡(luò)，團(tuán)隊在IEEE/CAA Journal of Automatica Sinica發(fā)表綜述論文，系統(tǒng)總結(jié)了二者融合的主要研究方向與技術(shù)路徑。

論文從兩個維度出發(fā)：

• 基于MAS的EC建模：探索如何利用多智能體模型增強(qiáng)EC的分布式能力與并行計算性能；
• EC輔助MAS優(yōu)化：利用EC強(qiáng)大的全局搜索能力，提升MAS在協(xié)同任務(wù)中的優(yōu)化表現(xiàn)。

此外，團(tuán)隊還提出了一個描述性框架，總結(jié)現(xiàn)有研究成果，并展望了未來在聯(lián)邦學(xué)習(xí)、邊緣計算等新興技術(shù)背景下的融合潛力。

論文標(biāo)題： 《The confluence of evolutionary computation and multi-agent systems: A survey》

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

多智能體粒子群優(yōu)化算法MASOIE：內(nèi)外部學(xué)習(xí)機(jī)制助力協(xié)同優(yōu)化

在分布式環(huán)境下，智能體之間的通信能力和信息共享受限，如何在這一限制下協(xié)同優(yōu)化全局目標(biāo)函數(shù)是重要挑戰(zhàn)。

為此，團(tuán)隊提出MASOIE（Multi-Agent Swarm Optimization With Adaptive Internal and External Learning）算法，創(chuàng)新性地引入了內(nèi)部學(xué)習(xí)與外部學(xué)習(xí)機(jī)制，在保持系統(tǒng)一致性的同時提升整體優(yōu)化性能。

• 內(nèi)部學(xué)習(xí)：每個智能體根據(jù)自己的局部目標(biāo)函數(shù)獨(dú)立優(yōu)化，聚焦局部最優(yōu)。
• 外部學(xué)習(xí)：智能體通過與鄰居的交流，實(shí)現(xiàn)經(jīng)驗共享與協(xié)同進(jìn)化，從而逐步接近全局最優(yōu)。

算法還引入外部學(xué)習(xí)慣性速度控制策略，在演化過程中自適應(yīng)調(diào)整通信頻率，提升了算法在收斂速度和通信效率上的平衡能力。

該工作結(jié)合共識理論和動力學(xué)系統(tǒng)理論，首次從理論上證明了所提出的內(nèi)外部協(xié)同學(xué)習(xí)機(jī)制在多智能體系統(tǒng)上的系統(tǒng)共識性

論文標(biāo)題：《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
代碼開源：GitHub – MASOIE

目標(biāo)激勵驅(qū)動的協(xié)同演化算法MACPO：讓“自私”節(jié)點(diǎn)協(xié)同起來

當(dāng)系統(tǒng)中各個節(jié)點(diǎn)的局部目標(biāo)函數(shù)存在矛盾時，如何實(shí)現(xiàn)合作優(yōu)化？

團(tuán)隊提出MACPO（A Multiagent Co-Evolutionary Algorithm With Penalty-Based Objective）算法，核心思路是通過激勵機(jī)制引導(dǎo)協(xié)作行為。

MACPO在設(shè)計上將優(yōu)化過程拆分為兩個階段：

• 局部優(yōu)化階段：引入懲罰目標(biāo)函數(shù)，使每個節(jié)點(diǎn)即使在只知道本地信息的前提下，也能通過“獎勵/懲罰”機(jī)制更理性地搜索。
• 協(xié)商階段：節(jié)點(diǎn)之間根據(jù)共享變量是否存在沖突進(jìn)行通信，并基于局部反饋動態(tài)調(diào)整目標(biāo)方向，實(shí)現(xiàn)更合理的集體進(jìn)化。

此外，算法設(shè)計了沖突檢測機(jī)制與共享變量協(xié)商機(jī)制（評估-競爭-共享），提高了解的一致性與可控性。

實(shí)驗顯示，該方法在無梯度約束優(yōu)化場景中能取得與集中式算法相當(dāng)?shù)男Ч疫m應(yīng)分布式部署需求。

論文標(biāo)題：《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

步長自適應(yīng)機(jī)制 CCSA：動態(tài)調(diào)整節(jié)奏，提升黑盒優(yōu)化性能

在黑盒共識優(yōu)化中，如何選擇合適的步長策略至關(guān)重要。傳統(tǒng)方法大多使用固定或單調(diào)遞減的步長，難以適應(yīng)復(fù)雜任務(wù)。

為此，團(tuán)隊設(shè)計了一種具有協(xié)作與累積特性的步長自適應(yīng)機(jī)制（CCSA），構(gòu)建了更靈活的搜索節(jié)奏調(diào)控方式。

• 當(dāng)多個智能體的搜索方向一致時，放大步長，快速朝向最優(yōu)區(qū)域收斂。
• 當(dāng)搜索方向存在顯著沖突時，縮小步長，以避免誤差擴(kuò)散和信息偏離。

實(shí)驗結(jié)果表明，該算法在多個復(fù)雜函數(shù)測試中取得更優(yōu)的收斂效果與系統(tǒng)一致性，展現(xiàn)出極強(qiáng)的黑盒優(yōu)化能力。

論文標(biāo)題：《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：提升傳感器網(wǎng)絡(luò)下多目標(biāo)協(xié)同定位精度

面對無線傳感器網(wǎng)絡(luò)中常見的“無數(shù)據(jù)關(guān)聯(lián)”問題，團(tuán)隊提出MASTER算法（Multi-Agent Swarm with contribution-based collaboration）。

該方法將傳感器間信息共享建模為雙層優(yōu)化問題，核心貢獻(xiàn)包括：

• 利用Kuhn-Munkres算法與CSO方法實(shí)現(xiàn)本地優(yōu)化；
• 設(shè)計“貢獻(xiàn)學(xué)習(xí)機(jī)制”，根據(jù)傳感器在全局目標(biāo)中的貢獻(xiàn)程度，進(jìn)行加權(quán)式經(jīng)驗傳播；
• 在多個定位維度與目標(biāo)數(shù)量場景下，實(shí)現(xiàn)了更小的誤差、更強(qiáng)的一致性。

論文標(biāo)題：《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

分布式黑盒共識優(yōu)化競賽：構(gòu)建統(tǒng)一研究基準(zhǔn)平臺

華南理工大學(xué)計算智能團(tuán)隊于CEC2024組織并主導(dǎo)了首屆分布式黑盒共識優(yōu)化競賽，為分布式共識優(yōu)化領(lǐng)域構(gòu)建了具有挑戰(zhàn)性與實(shí)際導(dǎo)向的測試平臺。

競賽模擬多智能體在不同通信拓?fù)?、目?biāo)函數(shù)異質(zhì)性、沖突環(huán)境下的協(xié)同場景，吸引了眾多研究團(tuán)隊參與，推動了算法性能與工程適配的共同進(jìn)步。

未來展望：從智能協(xié)同到智慧生態(tài)系統(tǒng)

分布式共識優(yōu)化不僅是算法問題，更是智能系統(tǒng)協(xié)作能力的“中樞神經(jīng)”。

隨著IoT、自動駕駛、智能制造的深入發(fā)展，去中心、可擴(kuò)展、高魯棒的優(yōu)化機(jī)制將成為智能基礎(chǔ)設(shè)施的剛需。 未來，該領(lǐng)域有望向以下方向持續(xù)拓展：

• 與聯(lián)邦學(xué)習(xí)、圖神經(jīng)網(wǎng)絡(luò)等架構(gòu)深度融合；
• 面向隱私保護(hù)和不可見目標(biāo)函數(shù)的優(yōu)化；
• 在工業(yè)控制、能源系統(tǒng)、復(fù)雜機(jī)器人編隊等場景中廣泛部署。

華南理工大學(xué)計算智能團(tuán)隊將持續(xù)圍繞“分布式智能優(yōu)化”的核心命題，推進(jìn)基礎(chǔ)研究與應(yīng)用落地的雙輪驅(qū)動，歡迎來自不同領(lǐng)域的同行共同探討與合作。

[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競賽信息與測試平臺：https://github.com/iamrice/Proposal-for-Competition-on-Black-box Consensus-based-Distributed-Optimization