一、研究背景：多智能体系统中的优化挑战
随着物联网、边缘计算和分布式系统的快速发展，多智能体系统（Multi-Agent System, MAS）在工业控制、智能交通、无线传感器网络等领域的应用日益广泛。然而，这类系统普遍面临黑箱非凸优化难题：目标函数不可解析、搜索空间高度非线性且存在多个局部最优解，同时智能体之间需通过有限通信达成共识。传统集中式优化方法难以适应分布式场景，而现有分布式算法又存在收敛速度慢、易陷入局部最优、协作效率低等问题。
华南理工大学计算智能团队针对这一挑战，在理论框架、算法设计、机制创新和竞赛实践四个层面展开系统性研究，相关成果发表于国际权威期刊《IEEE/CAA Journal of Automatica Sinica》，并主导了首届分布式黑盒共识优化竞赛（CEC2024），为领域提供了新范式。
二、理论框架：从分散到系统的描述性模型
团队首先提出多智能体黑箱非凸优化的描述性框架，系统梳理了现有研究的局限性与突破点。该框架将问题分解为三个核心维度：
- 黑箱特性：目标函数无法通过显式表达式描述，仅能通过输入-输出查询获取信息；
- 非凸性：搜索空间存在多个局部最优解，传统梯度下降法易陷入停滞；
- 共识约束：智能体需通过局部通信协调决策，最终达成全局一致。
通过构建这一框架，团队明确了研究的关键方向：如何在信息不完全、通信受限的条件下，设计高效协作机制以跳出局部最优并加速收敛。这一工作为后续算法设计提供了理论基础。
三、算法创新：从粒子群到协同演化的多维度突破
1. MASOIE算法：内部学习与外部学习的双轮驱动
针对传统粒子群优化（PSO）算法在分布式场景中的局限性，团队提出多智能体粒子群优化算法（MASOIE），其核心创新在于引入内部学习与外部学习双机制：
- 内部学习：每个智能体维护独立的粒子群，通过局部搜索探索自身邻域；
- 外部学习：智能体间定期交换最优粒子信息，利用全局知识引导搜索方向。
该设计通过平衡“探索”与“利用”，显著提升了算法在复杂非凸空间中的全局搜索能力。实验表明，MASOIE在标准测试函数上的收敛速度较传统PSO提升约40%。
2. MACPO算法：目标激励驱动的协同演化
为解决智能体协作动力不足的问题，团队提出目标激励驱动的协同演化算法（MACPO），其核心是通过激励机制引导协作行为：
- 动态目标分配：根据智能体历史贡献动态调整其优化目标，避免“搭便车”现象；
- 协作收益共享：智能体间共享优化成果，形成正向反馈循环。
通过仿真实验，MACPO在协作任务中的完成效率较无激励算法提升25%以上，尤其在资源分配不均的场景下表现突出。
3. 步长自适应机制：协作与累积的灵活调控
针对传统固定步长算法在复杂地形中的适应性差问题，团队设计了一种具有协作与累积特性的步长自适应机制。该机制通过以下方式实现灵活调控：
- 协作步长调整：智能体根据邻居状态动态调整自身步长，避免过度震荡；
- 累积经验学习：记录历史搜索轨迹，优先探索未充分探索区域。
这一机制使算法在保持收敛稳定性的同时，能够快速适应搜索空间的变化，尤其在动态环境中表现优异。
四、应用突破：MASTER算法应对无线传感器网络难题
在无线传感器网络（WSN）中，数据关联缺失（即传感器节点无法直接获取全局坐标信息）是常见难题。为此，团队提出MASTER算法，其核心思想是通过局部坐标系对齐与共识优化实现间接关联：
- 局部坐标系构建：每个节点基于邻居信息构建局部坐标系；
- 共识迭代：通过多轮通信逐步对齐局部坐标系，最终达成全局一致。
仿真结果显示，MASTER算法在“无数据关联”场景下的定位误差较传统方法降低60%以上，为WSN的分布式部署提供了关键技术支撑。
五、竞赛实践：首届分布式黑盒共识优化竞赛
为推动领域发展，团队于CEC2024组织并主导了首届分布式黑盒共识优化竞赛。竞赛聚焦三大挑战：
- 黑箱约束：参赛算法需仅通过输入-输出查询优化目标函数；
- 分布式通信：智能体间仅允许有限带宽的局部通信；
- 共识收敛：最终解需满足全局一致性要求。
竞赛吸引了全球20余支团队参与，提交算法涵盖粒子群、遗传算法、强化学习等多个方向。最终，基于MASOIE改进的算法包揽前三名，验证了团队研究的前瞻性与实用性。
六、未来展望：从理论到应用的持续探索
华南理工大学团队的研究为多智能体黑箱非凸优化领域提供了系统性解决方案，其成果已应用于智能电网、无人车集群等实际场景。未来，团队将进一步探索以下方向：
- 动态环境适应：研究智能体在时变目标函数下的实时优化策略；
- 大规模系统扩展：解决千级智能体场景下的通信与计算瓶颈；
- 跨模态优化：融合视觉、语音等多模态信息提升优化效率。
通过持续创新，团队旨在构建更高效、更鲁棒的分布式优化体系，为人工智能与工业4.0的深度融合提供技术基石。