围绕多智能体黑箱非凸优化共识难题，华南理工大学团队发表系列研究

西风
2025-04-17
13:40:20

来源：量子位

华南理工大学计算智能团队 投稿

量子位 | 公众号 QbitAI

多智能体系统分布式共识优化的一系列研究来了！

在智能城市、智能电网、无人系统等前沿应用不断扩展的今天，多智能体系统（Multi-Agent Systems, MAS）作为新一代智能协同的技术基础，正迎来前所未有的发展机遇。

在这些系统中，多个具备计算与通信能力的智能体需要在没有中心协调、通信受限的条件下实现任务协作、资源共享与一致性决策。

这一过程的核心挑战之一，便是分布式共识优化问题。

近年来，分布式共识优化逐渐成为机器学习、运筹优化、群体智能等多个交叉领域的研究热点，聚焦如何在仅依赖本地信息和邻居通信的前提下，实现全局目标的优化与智能体之间的解一致性。

在这一背景下，华南理工大学计算智能团队围绕“多智能体共识与合作中的分布式进化计算”这一核心问题，持续开展系统研究，已取得一系列具有代表性的成果：

• 在IEEE/CAA Journal of Automatica Sinica发表综述论文，提出描述性框架总结现有研究成果；
• 提出多智能体粒子群优化算法MASOIE，创新性地引入了内部学习与外部学习机制；
• 提出目标激励驱动的协同演化算法MACPO，通过激励机制引导协作行为；
• 设计了一种具有协作与累积特性的步长自适应机制，构建了更灵活的搜索节奏调控方式；
• 提出MASTER算法应对无线传感器网络中常见的“无数据关联”问题。

另外，华南理工大学计算智能团队还于CEC2024组织并主导了首届分布式黑盒共识优化竞赛。

相关研究不仅理论扎实、方法创新，更在多个现实场景中展现出显著应用潜力。

分布式进化计算的系统性探索与算法创新

系统综述：构建EC与MAS融合研究的理论蓝图

为梳理进化计算与多智能体系统交叉领域的发展脉络，团队在IEEE/CAA Journal of Automatica Sinica发表综述论文，系统总结了二者融合的主要研究方向与技术路径。

论文从两个维度出发：

• 基于MAS的EC建模：探索如何利用多智能体模型增强EC的分布式能力与并行计算性能；
• EC辅助MAS优化：利用EC强大的全局搜索能力，提升MAS在协同任务中的优化表现。

此外，团队还提出了一个描述性框架，总结现有研究成果，并展望了未来在联邦学习、边缘计算等新兴技术背景下的融合潜力。

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：内外部学习机制助力协同优化

在分布式环境下，智能体之间的通信能力和信息共享受限，如何在这一限制下协同优化全局目标函数是重要挑战。

为此，团队提出MASOIE（Multi-Agent Swarm Optimization With Adaptive Internal and External Learning）算法，创新性地引入了内部学习与外部学习机制，在保持系统一致性的同时提升整体优化性能。

• 内部学习：每个智能体根据自己的局部目标函数独立优化，聚焦局部最优。
• 外部学习：智能体通过与邻居的交流，实现经验共享与协同进化，从而逐步接近全局最优。

算法还引入外部学习惯性速度控制策略，在演化过程中自适应调整通信频率，提升了算法在收敛速度和通信效率上的平衡能力。

该工作结合共识理论和动力学系统理论，首次从理论上证明了所提出的内外部协同学习机制在多智能体系统上的系统共识性

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

目标激励驱动的协同演化算法MACPO：让“自私”节点协同起来

当系统中各个节点的局部目标函数存在矛盾时，如何实现合作优化？

团队提出MACPO（A Multiagent Co-Evolutionary Algorithm With Penalty-Based Objective）算法，核心思路是通过激励机制引导协作行为。

MACPO在设计上将优化过程拆分为两个阶段：

• 局部优化阶段：引入惩罚目标函数，使每个节点即使在只知道本地信息的前提下，也能通过“奖励/惩罚”机制更理性地搜索。
• 协商阶段：节点之间根据共享变量是否存在冲突进行通信，并基于局部反馈动态调整目标方向，实现更合理的集体进化。

此外，算法设计了冲突检测机制与共享变量协商机制（评估-竞争-共享），提高了解的一致性与可控性。

实验显示，该方法在无梯度约束优化场景中能取得与集中式算法相当的效果，且适应分布式部署需求。

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

步长自适应机制 CCSA：动态调整节奏，提升黑盒优化性能

在黑盒共识优化中，如何选择合适的步长策略至关重要。传统方法大多使用固定或单调递减的步长，难以适应复杂任务。

为此，团队设计了一种具有协作与累积特性的步长自适应机制（CCSA），构建了更灵活的搜索节奏调控方式。

• 当多个智能体的搜索方向一致时，放大步长，快速朝向最优区域收敛。
• 当搜索方向存在显著冲突时，缩小步长，以避免误差扩散和信息偏离。

实验结果表明，该算法在多个复杂函数测试中取得更优的收敛效果与系统一致性，展现出极强的黑盒优化能力。

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：提升传感器网络下多目标协同定位精度

面对无线传感器网络中常见的“无数据关联”问题，团队提出MASTER算法（Multi-Agent Swarm with contribution-based collaboration）。

该方法将传感器间信息共享建模为双层优化问题，核心贡献包括：

• 利用Kuhn-Munkres算法与CSO方法实现本地优化；
• 设计“贡献学习机制”，根据传感器在全局目标中的贡献程度，进行加权式经验传播；
• 在多个定位维度与目标数量场景下，实现了更小的误差、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

分布式黑盒共识优化竞赛：构建统一研究基准平台

华南理工大学计算智能团队于CEC2024组织并主导了首届分布式黑盒共识优化竞赛，为分布式共识优化领域构建了具有挑战性与实际导向的测试平台。

竞赛模拟多智能体在不同通信拓扑、目标函数异质性、冲突环境下的协同场景，吸引了众多研究团队参与，推动了算法性能与工程适配的共同进步。

未来展望：从智能协同到智慧生态系统

分布式共识优化不仅是算法问题，更是智能系统协作能力的“中枢神经”。

随着IoT、自动驾驶、智能制造的深入发展，去中心、可扩展、高鲁棒的优化机制将成为智能基础设施的刚需。 未来，该领域有望向以下方向持续拓展：

• 与联邦学习、图神经网络等架构深度融合；
• 面向隐私保护和不可见目标函数的优化；
• 在工业控制、能源系统、复杂机器人编队等场景中广泛部署。

华南理工大学计算智能团队将持续围绕“分布式智能优化”的核心命题，推进基础研究与应用落地的双轮驱动，欢迎来自不同领域的同行共同探讨与合作。

[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

Read More