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。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。
期刊信息：
IEEE / CAA Journal of Automatica Sinica（综述）, DOI: 10.1109/JAS.2025.125246
文章链接：
https://www.ieee-jas.net/article/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。
应用案例：在无线传感器网络的多目标协同定位中，MASOIE 实现了高精度与高一致性的目标识别，充分展示其实用价值。
期刊信息：
IEEE Transactions on Evolutionary Computation, DOI: 10.1109/TEVC.2024.3380436
文章链接：
https://ieeexplore.ieee.org/document/10477458
代码链接：
https://github.com/iamrice/Multi-Agent-Swarm-Optimization-with-Adaptive-Internal-and-External-Learning-in-TEVC-2024
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。
期刊信息：
IEEE Transactions on Systems, Man, and Cybernetics: Systems, DOI: 10.1109/TSMC.2024.3380389
文章链接：
https://ieeexplore.ieee.org/abstract/document/10500484
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。
期刊信息：
IEEE Transactions on Evolutionary Computation，DOI：10.1109/TEVC.2025.3525713
文章链接：
https://ieeexplore.ieee.org/document/10824905
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。
期刊信息：
IEEE/CAA Journal of Automatica Sinica，DOI：10.1109/JAS.2025.125150
文章链接：
https://www.ieee-jas.net/en/article/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。
竞赛信息与测试平台：
https://github.com/iamrice/Proposal-for-Competition-on-Black-box-Consensus-based-Distributed-Optimization
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！
📬 合作与交流请联系：
-
陈伟能 教授（通讯作者）：cschenwn@scut.edu.cn
-
陈泰佑 博士：575583114@qq.com
（文：PaperWeekly）