多智能体系统中的优化与元智能体应用
1 广告消息修剪与订阅机制优化
在多智能体系统中,广告消息的数量可根据报告更新的相关性进行修剪。若智能体 A 的状态变化满足以下条件,则认为该变化是相关的:
- 负载变化满足:$\xi \geq \frac{Load_A^2 - Load_A^1}{Load_A^1} \times 100$
- 至少存在一个 $\langle T, Cost(T) \rangle \in Cap(B)$ 满足:$\xi \geq \frac{Cost_A^2 - Cost_A^1}{Cost_A^1} \times 100$
即当至少一条广告信息的变化超过 $\xi$ 百分比时,任何广告更新都被视为相关。
智能体系统中,请求频率与智能体状态更新频率的关系十分重要。若请求频率远低于智能体状态更新频率,会产生大量无人需要的广告消息。此时,可考虑用定期修订取代订阅机制。智能体在特定的定期时刻进行广告宣传,而不是在社区内单个智能体出现轻微、不重要的变化时就进行状态更新反向传播。
定期修订的周期需要根据应用领域的特性来选择。较少的定期修订可节省大量通信,但会降低智能体社交模型的平均精度,可能在请求时导致不必要的过度通信需求;增加定期修订的频率可提高精度,但会同时增加通信需求,最终可能接近经典的订阅 - 广告机制。
所有上述自适应机制要对系统行为产生积极影响,阈值必须与问题解决环境相匹配,强化学习似乎最适合支持这些阈值的选择。
2 问题解决邻域优化
2.1 计划部分修订与邻域限制
智能体任务库(TB)的计划部分(PLS)中存储的计划数量以及该结构