3、大规模协调的三种方法比较

大规模协调的三种方法比较

在当今科技发展中，大规模智能体或机器人的协调技术正逐渐走向成熟，能够在现实环境中构建并测试原型系统。这些更贴近现实的系统要求在一个集成解决方案中同时解决算法和实际问题。下面将详细介绍三种大规模协调的方法，并对它们进行比较。

1. 引言

协调大量智能机器人在复杂环境中执行复杂任务，需要在一个集成解决方案中应对一系列挑战。这些挑战涵盖了从广为人知的算法问题（如管理任务和资源分配的计算复杂性）到更实际的问题（如大量机器人的初始化和部署）。过去几年里，已经开发出了一些能够在现实领域中展示大量机器人之间真正协调的系统。

这些应用和方法涉及至少 100 个完全无私且合作的成员。尽管团队成员在设计上相对同质，但由于位置等因素，总是存在一定的异质性。团队执行的复杂任务相对可分解，但分解后的子任务之间存在资源或空间等方面的约束。

三种方法存在两个显著的共性。一是都采用了某种形式的动态、部分集中化来降低整体复杂性。例如，将一小部分智能体的决策责任动态分配给特别有能力做出这些决策的智能体。集中化的形式各不相同，包括动态子团队、调度器和调解等。二是协调既不简单依赖于涌现属性，也不是高度结构化的自上而下的指导。每种方法都在施加结构以使人能理解协调和给予团队灵活性以找到完成任务的最佳方式之间进行了平衡。

然而，三种方法遇到的问题和主要的开放性问题各不相同。在调试方面，每种方法都面临着巨大的困难，由于缺乏有效的调试支持，重大错误往往在很长一段时间内都未被发现。

2. 应用和假设

三种应用都涉及至少 100 个合作实体，并在硬件或硬件的真实模拟中进行了测试。通信被认为是比计算更大的限制因素，且都不追求最