速度与预算约束下探索任务的协作求解

我们提出了一种多智能体系统，其中智能体可协作求解依赖任务系统，智能体具备在有限预算下探索解空间、进行推断以及查询信息的能力。当较旧的解失效时，智能体会对解空间重新探索，从而能够适应环境的动态变化。我们研究了任务依赖性的影响，使用高依赖图 $G_{40}$（一个包含 $40$ 个高度互联节点、各代表一项任务的著名程序图）和低依赖图 $G_{18}$（一个包含 $18$ 个任务且连接较少的程序图），并增加智能体速度、问题空间复杂度以及智能体可用的查询预算。具体而言，我们评估了智能体速度与查询预算之间的权衡。实验中我们观察到，提高单个智能体的速度仅能在一定程度上改善系统性能，且由于任务依赖性，增加更快智能体的数量未必能提升系统性能。在预算分配中偏好更快的智能体会提升系统性能，这与“马太效应”一致。我们还观察到，对于低依赖系统，将更多预算分配给更快的智能体可获得更好性能；而对于高依赖系统，增加更快智能体的数量则带来更好性能。