يك راهكار ابتكاري تكاملي براي برنامه ريزي عامل هاي متحرك با رويكرد توازن به جاي بهينه سازي چند هدفه

A Heuristic Evolutionary Algorithm for Planning Moving Agents According to the Equilibrium Instead of Multi-Objective Optimization

ساختارهای مبتنی بر عامل محیط مناسبی برای آزمودن فرضیه های پیچیده، مدلسازی و شبیه سازی طرح های پویای اطلاعاتی می باشند. در حیطه علوم مكانی نیز گرایش به استفاده از عامل های خودمختار و معقول، به دلیل واقع گرایی بیشتر در مسائل، افزایش یافته است. در این تحقیق به برنامه ریزی و توزیع وظیفه میان موجودیت های متحرك در فضای جغرافیایی با رویكرد عامل-محور پرداخته می شود. در ابتدا نشان داده می شود كه عامل ها به طور منطقی مایل به رسیدن به بیشترین رضایت/سودمندی می باشند. برای دستیابی به رضایت گروهی در یك فعالیت جمعی، رسیدن به مفهوم توازن، برآمده از نظریه بازی ها، منطقی تر و واقع گرایانه تر از بهینه سازی چندهدفه به نظر می رسد. استدلال پیرامون این موضوع با بحث در مورد وابستگی و تزاحم سودمندی عامل های متحرك بیان می گردد. سپس با توجه به پیچیدگی محاسباتی بسیار بالا و نمایی تعیین توازن، یك الگوریتم ابتكاری غیرقطعی و كارآمد پیشنهاد می گردد. راهكار ارائه شده كه همسو با روش های تكاملی می باشد، با چندین مجموعه داده ارزیابی گردید كه نتایج حاكی از همگرایی مناسب، سرعت بالای الگوریتم، دقت مناسب تعیین توزان در مقایسه با روش قطعی (80% در بدترین حالت) و دقت بالا در تعیین توازن با بیشترین بهینگی (92% در بدترین حالت) می باشد.

Agent-based methodologies facilitate complicated hypotheses verification, modeling and dynamic simulation. Hence, there are many interests in the geospatial information science to model rational autonomous agents due to their closer-to-realism decision-making and influence on environment. In this study, we consider the planning and task distribution among vehicle entities in the geospatial domains based on an agent-based approach. We show at the beginning of the paper, the rational agents have tendency to change their strategies to reach the highest possible satisfaction/utility. To obtain such a utility in the group of collaborative agents, equilibrium, a key concept taken from the Game theory, appears more efficient than the common multi-objective optimization. We challenge this issue according to the dependency or contention of moving agentsʹ payoffs. Because of high complexity of determining equilibrium, i.e. exponential, an efficient non-deterministic heuristic algorithm is proposed. We get our inspiration from evolutionary computations to introduce this novel algorithm. We have evaluated our approach with several datasets and received perfectly acceptable convergence, accuracy and speed. In comparison to a pure deterministic method, retrieving the equilibrium and the optimality of the best equilibrium solution were experimented at least as 80% and 92% respectively.