在MAOS系统中，主体们(Agent)在一个环境(Environment)中进行协作搜索，用来求解能够定义为Landscape (包括一个表达空间和对其中空间状态的质量评估) 的优化问题.

每个主体拥有私有记忆 (memory)，并从环境中获取社会共享信息，其搜索行为基于简单的 SBIL (socially biased individual learning) 法则.

其中个体记忆包括有限的知识元 (chunk), 每个知识元受限于一个特定的空间, 并和Landscape的特性相关。一个简单的例子就是表达空间中的状态. 每个知识元只能且必须被它所属的实体更新.

主体和环境的信息交流通过指定交互协议 (interaction protocol) 来实现。首先，个体记忆中的至少一个知识元能被环境使用，而环境利用这些信息为每个主体提供社会共享信息。

而SBIL为个体学习 (individual learning) 和社会影响 (social influence) 的互补组合, 它被很多实际物种所采用, 是一种基于有限理性 (bounded rationality) 的快速节俭启发式方法 (fast-and-frugal heuristic). 从优化算法的角度而言, 社会影响有助于涌现行为 (Emergence), 而基于记忆的个体学习能力则使得主体们并行探索 (exploring in parallel)，有助于新颖信息的产生并维护群体差异度（diversity).

MAOS可用来实现各种算法, 尤其是基于SBIL法则的群集智能和一些计算智能算法的多主体系统实现。

对数值优化问题的求解算法已经包含在SWAF中, 支持粒子群优化算法 (Particle Swarm Optimization, PSO), 差分进化算法 (Differential Evolution, DE), 社会认知优化算法 (Social Cognitive Optimization, SCO), 类电磁机制算法 (Electromagnetism-like Mechanism Heuristic, EM) 等. 另外它的简化版本, 包括 Mini-Swarm系统，已经用于旅行商问题 (Traveling Saleman Problem, TSP), 二次背包问题 (Quadratic Knapsack Problem, QKP), 图着色问题 (Graph Coloring Problem, GCP) 等组合优化问题.

另外, 它也允许在元行为的基础上实现各种宏行为。一个典型的应用背景为实现各种混合算法, 比如DEPSO混合算法即为DE和PSO的混合.

Related Papers