Local search algorithms are widely applied in solving large-scale Distributed constraint optimization problems (DCOPs) where each agent holds a value assignment to its variable and iteratively makes a decision on whether to replace its assignment according to its neighbor states. However, the value assignments of their neighbors confine their search to a small space so that agents in local search algorithms easily fall into local optima. Fortunately, Genetic Algorithms (GAs) can direct a search process to a more promising space and help the search process to break up the confine of local states. Accordingly, we propose a GA-based framework (LSGA) to enhance local search algorithms, where a series of genetic operators are redesigned for agents in distributed scenario to accommodate DCOPs. First, a fitness function is designed to evaluate the assignments for each agent, considering the balance of local benefits and global benefits. Then, a new method is provided to decide crossover positions in terms of agent-communication and topological structure of DCOPs. Besides, a self-adaptive crossover probability and a self-adaptive mutation probability are proposed to control the uses of crossover operator and mutation operator, respectively. And more importantly, the LSGA framework can be easily applied in any local search algorithm. The experimental results demonstrate the superiority of the use of LSGA in the typical search algorithms over state-of-the-art incomplete algorithms.

中文翻译：

---

基于遗传算法的分布式约束优化问题局部搜索算法框架

本地搜索算法被广泛应用于解决大规模分布式约束优化问题（DCOP），在该问题中，每个代理都为其变量持有一个值分配，并根据其邻居状态迭代决定是否替换其分配。但是，邻居的值分配将他们的搜索限制在一个很小的空间内，因此本地搜索算法中的代理很容易陷入本地最优状态。幸运的是，遗传算法（GA）可以将搜索过程引导到一个更有希望的空间，并帮助该搜索过程打破局部状态的局限。因此，我们提出了一个基于GA的框架（LSGA）来增强本地搜索算法，在该框架中，针对分布式场景中的代理重新设计了一系列遗传算子，以适应DCOP。第一，考虑到本地利益和全球利益之间的平衡，设计了适应度函数来评估每个代理的分配。然后，提供了一种新的方法来根据代理通信和DCOP的拓扑结构来确定交叉位置。此外，提出了一种自适应交叉概率和自适应变异概率，分别控制交叉算子和变异算子的使用。更重要的是，LSGA框架可以轻松地应用于任何本地搜索算法。实验结果证明，在典型的搜索算法中使用LSGA优于最新的不完整算法。提供了一种新的方法来根据代理通信和DCOP的拓扑结构来决定交叉位置。提出了自适应交叉概率和自适应变异概率分别控制交叉算子和变异算子的使用。更重要的是，LSGA框架可以轻松地应用于任何本地搜索算法。实验结果证明，在典型的搜索算法中使用LSGA优于最新的不完整算法。提供了一种新的方法来根据代理通信和DCOP的拓扑结构来决定交叉位置。此外，提出了一种自适应交叉概率和自适应变异概率，分别控制交叉算子和变异算子的使用。更重要的是，LSGA框架可以轻松地应用于任何本地搜索算法。实验结果证明了在典型的搜索算法中使用LSGA优于最新的不完整算法。LSGA框架可以轻松地应用于任何本地搜索算法。实验结果证明，在典型的搜索算法中使用LSGA优于最新的不完整算法。LSGA框架可以轻松地应用于任何本地搜索算法。实验结果证明，在典型的搜索算法中使用LSGA优于最新的不完整算法。