بهینه‌سازی ازدحام و یادگیری تقویتی چندایجنت (MARL) برای ایجنت‌ها

w, c1, c2 = 0.6, 1.2, 1.2                              # اینرسی، شناختی، اجتماعی
r1, r2 = rng.random(), rng.random()
cognitive = c1 * r1 * (p.p_best[d] - p.x[d])
social = c2 * r2 * (g_best_x[d] - p.x[d])
p.v[d] = w * p.v[d] + cognitive + social
p.x[d] += p.v[d]
p.x[d] = max(bounds[d][0], min(bounds[d][1], p.x[d]))  # محدودسازی در بازه (clamp)
f = fitness(p.x)                                       # صرفاً ارزیاب، بدون گرادیان
if f > p.p_best_fit:                                   # سپس بررسی g_best_fit

router = PheromoneRouter(task_types, agents)         # هر مسیر از 1.0 شروع می‌شود
aco_agent = router.choose(tt, rng)                   # نمونه‌گیری بر اساس وزن فرومون
aq = simulate_task(aco_agent, tt, rng)
router.deposit(tt, aco_agent, aq)
self.pheromones[task_type][a] *= (1.0 - self.decay)  # واپاشی برای تمام ایجنت‌ها
if quality >= self.quality_threshold:                # فیلتر کیفیت
    self.pheromones[task_type][agent] += self.reinforce * quality