43、多智能体计划协调：方法与策略

多智能体计划协调：方法与策略

1 智能体任务分配与协作基础

在多智能体系统中，任务分配是一个关键环节。为了增加潜在投标者的数量，可以放宽资格要求，或者以不同方式分解任务来吸引不同的投标者群体。即便收到投标，也可能没有一个是可接受的，这就如同没有收到投标一样。若有一个或多个投标可接受，那么可以将感知子任务授予一个或多个投标智能体。需要注意的是，由于拥有任务的智能体可以选择公布的内容和接受的投标，而符合条件的智能体可以选择是否投标以及投标内容，因此没有智能体被迫参与合同。智能体之间会进行初步的协商，并通过相互选择形成团队。

2 协调前的局部规划

在某些问题领域，预测和预先安排所有可能的交互解决方案既困难又成本高昂。例如，在一个环境中，智能体可能在很大程度上独立地追求各种目标，但环境的某些方面是共享的，一个智能体对环境的影响可能会影响另一个智能体实现其目标的方式甚至能否实现。因此，协调应基于智能体当前的实际计划和由此产生的交互。

这种观点符合“分而治之”的问题解决方法。具体做法是将问题分解，使智能体最初将自己的局部问题视为独立的，这样每个智能体都可以与其他智能体同时制定自己的计划。制定完各自的计划后，智能体需要协调这些计划以解决意外的交互问题，这就是多智能体计划协调问题（MPCP）。

MPCP与典型的分布式约束满足问题在几个重要方面有所不同：
|对比项|MPCP|典型分布式约束满足问题|
| ---- | ---- | ---- |
|变量域|智能体计划“变量”的可能“值”的域通常很大（甚至无限），且构建成本高|变量通常有有限的值域|
|约束|智能体变量之间的“约束”复杂，难以评估两个智能体的计划是否兼