Solving combinatorial and real-parameter optimization problems is an important
challenge in all engineering applications. Researchers have been extensively solving
these problems using evolutionary computations. In this thesis, three new multi-agent
architectures are designed and utilized in order to solve combinatorial and realparameter
optimization problems.
First architecture introduces a novel learning-based multi-agent system (LBMAS) for
solving combinatorial optimization problems in which all agents cooperate by acting
on a common population and a two-stage archive containing promising fitness-based
and positional-based solutions found so far. Metaheuristics as agents perform their
own method individually and afterwards share their outcomes with others. In this
system, solutions are modified by all running metaheuristics and the system learns
gradually how promising metaheuristics are, in order to apply them based on their
effectiveness.
In the second architecture, a novel multi-agent and agent interaction mechanism for
the solution of single objective type real-parameter optimization problems is
proposed. The proposed multi-agent system includes several metaheuristics as
problem solving agents that act on a common population containing the frontiers of
search process and a common archive keeping the promising solutions extracted so
far. Each session of the proposed architecture includes two phases: a tournament
among all agents to determine the currently best performing agent and a search
procedure conducted by the winner. The proposed multi-agent system is
experimentally evaluated using the well-known CEC2005 benchmark problems set.
The third architecture presents a creative multi-agent and dynamic multi-deme
architecture based on a novel collaboration mechanism for the solution of multiobjective
real-parameter optimization problems. The proposed architecture
comprises a number of multi-objective metaheuristic agents that act on subsets of a
population based in a cyclic assignment order. This multi-agent architecture works
iteratively in sessions including two consecutive phases: in the first phase, a
population of solutions is divided into subpopulations based on the dominance ranks
of its elements. In the second phase, each multi-objective metaheuristic is assigned to
work on a subpopulation based on a cyclic or round-robin order. The proposed multiagent
system is experimentally evaluated using the well-known CEC2009 multiobjective
optimization benchmark problems set.
Analysis of the experimental results showed that the proposed architectures achieve
better performance compared to majority of their state-of-the-art competitors in
almost all problem instances.
Keywords: Multi-agent systems, Metaheuristics, Combinatorial Optimization,
Multiprocessor Scheduling, Agent Interactions, Multi-objective Optimization, Pareto
Optimality
ÖZ:
Bileşimsel ve gerçek parametreli en iyileme problemlerini çözmek tüm mühendislik
uygulamalarında önemli bir sorundur. Araştırmacılar uzun süredir evrimsel
algoritmaları kullanarak bu problemlerin çözümü üzerinde uğraşmaktadırlar. Bu
tezde, bileşimsel ve gerçek parametreli en iyileme problemlerini çözmek için üç yeni
çok ajanlı sistem mimarisi önerilip ve tasarlanmıştır.
İlk sistem mimarisi bileşimsel en iyileme problemlerini çözmek amacıyla
öğrenebilen çok ajanlı sistemi (LBMAS) tanıtır. Bu sistemde tüm ajanlar ortak nüfus
ve çift aşamalı arşiv üzerinden işbirliği yaparlar. Sistemdeki çift aşamalı arşiv
içerisinde uygunluk ve konumsal bakımından iyi olan çözümler bulunmaktadır.
Önerilen sistemde metaheuristic’ler ajan olarak kendi yöntemlerini yürütüp, daha
sonrasında bulunan sonuçları başkalarıyla paylaşıyorlar. Bu sistemde, bulunan
çözümler çalışan tüm Metaheuristic’ler tarafından değiştirilir ve sistem
metaheuristic’lerin ne kadar etkili olduklarını sınayarak öğreniyor.
İkinci mimaride, tek amaçlı gerçek parametreli en iyileme problemlerini çözmek için
çok ajanlı yeni bir sistem ve ajan etkileşim mekanizması öneriliyor. Önerilen çok
ajanlı sistemde çeşitli Metaheuristic’ler ortak nufüs ve ortak arşiv üzeride
çalışıyorlar. Ortak arşiv, şu ana kadar bulunan umut verici çözümleri içeriyor.
Önerilen mimarideki her adım iki aşamayı içerir: birinci aşamada tüm ajanlar
arasında en iyi performans gösteren ajanı bulmak için turnuva yapılıyor ve ikinci
aşamada ise arama prosedürü, kazanan ajan tarafından devam ettiriliyor. Önerilen
çok ajanlı sistem tanınmış CEC2005 problem kümesindeki problemleri çözümü
üzerinden değerlendirilmiştir.
Üçüncü çok ajanlı mimaride çok amaçlı gerçek parametreli en iyileme problemlerini
çözmek için yeni bir işbirliği mekanizması sunulmuştur. Önerilen mimaride
metaheuristic ajanlar döngüsel bir atama sırasına göre alt nüfuslar üzerinde çalışırlar.
Bu çok ajanlı mimari ardışık iki faz üzerinden döngülenerek çalışır: ilk aşamada,
çözüm nüfus unsurları baskınlık değerine göre alt nufüslara ayrılırlar, ikinci aşamada
ise her çok amaçlı metaheuristic yuvarlak döngü usülüne göre bir alt nufüs üzerinde
çalışmak için görevlendirilir. Önerilen çok ajanlı sistem tanınmış CEC2009 deneysel
problemler kümesindeki çok amaçlı en iyileme problemleri kullanarak
değerlendirilmiştir. Deney sonuçlarının analizi, önerilen mimarilerin hemen tüm deneysel problemler üzerinde rakiplerinden daha iyi başarıma sahip olduklarını göstermiştir.
Anahtar Kelimeler: Çok ajanlı sistemler, Metaheuristic, Bileşimsel en iyileme, çok
işlemcili planlama, Ajan etkileşimleri, Çok amaçlı en iyileme, Pareto en iyilik
