MCACEA

MCACEA использует несколько эволюционных алгоритмов (по одному на каждого агента), которые развивают собственные популяции решений в соответствии с индивидуальными и совместными ограничениями и целевыми функциями. Каждый ЭА представляет собой задачу оптимизации, выполняется параллельно и обменивается информацией с остальными во время этапа оценки. Эта информация необходима, чтобы каждый ЭА мог оценивать кооперативные цели решений в своей популяции, учитывая возможные оптимальные решения остальных ЭА. Для этого каждый ЭА получает сведения о лучших решениях прочих ЭА перед оценкой кооперативных целей каждого решения собственной популяции.

Поскольку значения кооперативных целей зависят от лучших решений в других популяциях, а оптимальность решения определяется и индивидуальными, и кооперативными целями, невозможно просто выбрать и передать лучшее решение каждого ЭА остальным. В MCACEA процесс оценки в каждом ЭА разделён на три этапа: сначала ЭА определяет наилучшее решение, руководствуясь только индивидуальными целями, и отправляет его другим; затем рассчитывает значения кооперативных целей с учётом полученной информации; наконец, рассчитывает приспособленность решений на основе всех индивидуальных и кооперативных целей.

Хотя каждая популяция может предложить только одно оптимальное решение, каждый ЭА поддерживает парето-множество оптимальных решений и выбирает одно из них после получения последней популяции. Таким образом, чтобы выделить единственное оптимальное решение с точки зрения индивидуальных целей на каждом поколении (и использовать его в MCACEA), в процесс оценки каждого ЭА должен быть включён отдельный этап выбора финального решения.

Полный этап оценки для индивидуальных кооперативных ЭА состоит из шести шагов. Для поиска решения одного ЭА используются только первые два шага этого процесса, а MCACEA расширяет процесс до следующих шести шагов:

1. Оценка индивидуальных целей каждого решения. 2. Вычисление приспособленности каждого решения с помощью индивидуальной функции оценки (учитываются только индивидуальные цели). 3. Поиск лучшего решения в популяции. 4. Отправка (и получение) лучшего решения другим ЭА. 5. Вычисление кооперативных целей с учётом полученной информации от других ЭА. 6. Вычисление приспособленности каждого решения с использованием полной функции оценки (с учётом индивидуальных и кооперативных целей), полученных на шагах 1 и 5.

Несмотря на внешнее сходство MCACEA с распространённой параллелизацией ЭА, здесь вместо распределения решений всей задачи между несколькими ЭА (с последующим периодическим обменом решениями) задача разделяется на подзадачи, которые решаются одновременно каждым ЭА с учётом решений, получаемых остальными агентами для своих подзадач.

Альтернативный подход^[1] заключается в передаче наилучших полностью оценённых решений предыдущего поколения другим ЭА вместо лучших решений, оценённых только по индивидуальным целям. Однако это приводит к смещению в сторону устаревших полностью оценённых траекторий, тогда как MCACEA ориентируется на актуальные решения, оценённые по индивидуальным целям.

Концептуальная основа совместной эволюции кооперирующихся агентов остаётся актуальной в 2024—2026 годах и активно развивается в виде масштабируемых параллельных коэволюционных алгоритмов^[2].

Механизмы обмена данными также получили развитие. В отличие от прямого обмена решениями, применяемого в MCACEA, современные алгоритмы используют иерархическую коммуникацию и косвенное обучение через взаимодействие^[3].^[4]

При сравнении с методами глубокого обучения с подкреплением (DRL) подход на основе декомпозиции задач, используемый в MCACEA, обладает такими теоретическими преимуществами, как масштабируемость, интерпретируемость и возможность распараллеливания вычислений^[5]. В то же время в высокодинамичных средах он имеет ряд ограничений по сравнению с DRL, среди которых выделяются более низкая скорость адаптации и проблема распределения заслуг^[6].^[7]

Фреймворк MCACEA применялся для поиска и оптимизации траекторий беспилотных летательных аппаратов (БПЛА), одновременно выполняющих полёт в одном и том же сценарии^[8]. Класс кооперативных коэволюционных алгоритмов (CCEA), к которому относится MCACEA, продолжает применяться для 3D-планирования маршрутов БПЛА в сложных средах для снижения вычислительной сложности. В 2026 году был представлен концептуально схожий кооперативный многоагентный эволюционный алгоритм CoMAEA, предназначенный для предотвращения пространственно-временных столкновений БПЛА.