華南理工大學計算智能團隊 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)等前沿應用不斷擴展的今天，多智能體系統(tǒng)（Multi-Agent Systems, MAS）作為新一代智能協(xié)同的技術基礎，正迎來前所未有的發(fā)展機遇。

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現(xiàn)任務協(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)化逐漸成為機器學習、運籌優(yōu)化、群體智能等多個交叉領域的研究熱點，聚焦如何在僅依賴本地信息和鄰居通信的前提下，實現(xiàn)全局目標的優(yōu)化與智能體之間的解一致性。

在這一背景下，華南理工大學計算智能團隊圍繞“多智能體共識與合作中的分布式進化計算”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)部學習與外部學習機制；
  • 提出目標激勵驅(qū)動的協(xié)同演化算法MACPO，通過激勵機制引導協(xié)作行為；
  • 設計了一種具有協(xié)作與累積特性的步長自適應機制，構建了更靈活的搜索節(jié)奏調(diào)控方式；
  • 提出MASTER算法應對無線傳感器網(wǎng)絡中常見的“無數(shù)據(jù)關聯(lián)”問題。

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

打開網(wǎng)易新聞 查看精彩圖片

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

分布式進化計算的系統(tǒng)性探索與算法創(chuàng)新

分布式進化計算的系統(tǒng)性探索與算法創(chuàng)新

系統(tǒng)綜述：構建EC與MAS融合研究的理論藍圖

系統(tǒng)綜述：構建EC與MAS融合研究的理論藍圖

為梳理進化計算與多智能體系統(tǒng)交叉領域的發(fā)展脈絡，團隊在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強大的全局搜索能力，提升MAS在協(xié)同任務中的優(yōu)化表現(xiàn)。

此外，團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)邦學習、邊緣計算等新興技術背景下的融合潛力。

論文標題： 《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

打開網(wǎng)易新聞 查看精彩圖片

多智能體粒子群優(yōu)化算法MASOIE：內(nèi)外部學習機制助力協(xié)同優(yōu)化

多智能體粒子群優(yōu)化算法MASOIE：內(nèi)外部學習機制助力協(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)化全局目標函數(shù)是重要挑戰(zhàn)。

為此，團隊提出MASOIE（Multi-Agent Swarm Optimization With Adaptive Internal and External Learning）算法，創(chuàng)新性地引入了內(nèi)部學習與外部學習機制，在保持系統(tǒng)一致性的同時提升整體優(yōu)化性能。

  • 內(nèi)部學習：每個智能體根據(jù)自己的局部目標函數(shù)獨立優(yōu)化，聚焦局部最優(yōu)。
  • 外部學習：智能體通過與鄰居的交流，實現(xiàn)經(jīng)驗共享與協(xié)同進化，從而逐步接近全局最優(yōu)。

算法還引入外部學習慣性速度控制策略，在演化過程中自適應調(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)同學習機制在多智能體系統(tǒng)上的系統(tǒng)共識性

論文標題：《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

打開網(wǎng)易新聞 查看精彩圖片

目標激勵驅(qū)動的協(xié)同演化算法MACPO：讓“自私”節(jié)點協(xié)同起來

目標激勵驅(qū)動的協(xié)同演化算法MACPO：讓“自私”節(jié)點協(xié)同起來

當系統(tǒng)中各個節(jié)點的局部目標函數(shù)存在矛盾時，如何實現(xiàn)合作優(yōu)化？

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

MACPO在設計上將優(yōu)化過程拆分為兩個階段：

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

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

實驗顯示，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?shù)男Ч?，且適應分布式部署需求。

論文標題：《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

打開網(wǎng)易新聞 查看精彩圖片

步長自適應機制 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，難以適應復雜任務。

為此，團隊設計了一種具有協(xié)作與累積特性的步長自適應機制（CCSA），構建了更靈活的搜索節(jié)奏調(diào)控方式。

  • 當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。
  • 當搜索方向存在顯著沖突時，縮小步長，以避免誤差擴散和信息偏離。

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

論文標題：《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

打開網(wǎng)易新聞 查看精彩圖片

MASTER算法：提升傳感器網(wǎng)絡下多目標協(xié)同定位精度

MASTER算法：提升傳感器網(wǎng)絡下多目標協(xié)同定位精度

面對無線傳感器網(wǎng)絡中常見的“無數(shù)據(jù)關聯(lián)”問題，團隊提出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，核心貢獻包括：

  • 利用Kuhn-Munkres算法與CSO方法實現(xiàn)本地優(yōu)化；
  • 設計“貢獻學習機制”，根據(jù)傳感器在全局目標中的貢獻程度，進行加權式經(jīng)驗傳播；
  • 在多個定位維度與目標數(shù)量場景下，實現(xiàn)了更小的誤差、更強的一致性。

論文標題：《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

打開網(wǎng)易新聞 查看精彩圖片

分布式黑盒共識優(yōu)化競賽：構建統(tǒng)一研究基準平臺

分布式黑盒共識優(yōu)化競賽：構建統(tǒng)一研究基準平臺

華南理工大學計算智能團隊于CEC2024組織并主導了首屆分布式黑盒共識優(yōu)化競賽，為分布式共識優(yōu)化領域構建了具有挑戰(zhàn)性與實際導向的測試平臺

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

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、可擴展、高魯棒的優(yōu)化機制將成為智能基礎設施的剛需。 未來，該領域有望向以下方向持續(xù)拓展：

  • 與聯(lián)邦學習、圖神經(jīng)網(wǎng)絡等架構深度融合；
  • 面向隱私保護和不可見目標函數(shù)的優(yōu)化；
  • 在工業(yè)控制、能源系統(tǒng)、復雜機器人編隊等場景中廣泛部署。

華南理工大學計算智能團隊將持續(xù)圍繞“分布式智能優(yōu)化”的核心命題，推進基礎研究與應用落地的雙輪驅(qū)動，歡迎來自不同領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