DISPATCH——面向合作异构智能体的去中心化信息空间规划与任务分配
多智能体系统
2026-01-23 v4
摘要
空间任务分配问题，如多机器人配送或叫车服务，需要在效率与公平服务之间进行平衡。采用匹配每个智能体至其最高偏好或最低成本任务的贪心分配策略可最大化效率，但常常导致不公平：某些任务接收到不成比例有利的服务（例如更短的延迟或更佳的匹配），而另一些任务则面临长时间等待或差劲的分配。我们研究了在异构多智能体系统中的公平性问题，其中任务在偏好对齐和紧急程度方面存在差异。大多数现有方法要么假设中心化协调，要么在部分可观测性下忽略公平性。与此不同，我们在去中心化、部分可观测的多智能体学习中建立了 Eisenberg-Gale（EG）均衡凸优化计划与任务分配之间的联系。基于这一联系，我们发展了两种以均衡为导向的算法：（i）一个多智能体强化学习（MARL）框架，EG-MARL，其训练由中心化的 EG 均衡分配算法指导；以及（ii）一种随机在线优化机制，在任务被发现时执行引导式探索和基于子集的公平分配。我们在 Multi-Agent Particle Environment（MPE）仿真环境中对其进行评估，测试各种团队规模，并展示了一个基于 Webots 的仓库原型，验证了异构机器人系统。两种方法在部分可观测性下保持 EG 解决方案的公平性与效率平衡，EG-MARL 实现了接近中心化的协调并显著降低了行驶距离，而在线机制则实现了实时分配并保持竞争性的公平性。
引用
@article{arxiv.2511.17915,
title = {DISPATCH -- Decentralized Informed Spatial Planning and Assignment of Tasks for Cooperative Heterogeneous Agents},
author = {Yao Liu and Sampad Mohanty and Elizabeth Ondula and Bhaskar Krishnamachari},
journal= {arXiv preprint arXiv:2511.17915},
year = {2026}
}