性能感知的自配置多智能体网络：面向同步协调与网络设计的分布式亚调和方法

我们提出了首个严谨的方法，使多智能体网络能够自行配置其通信拓扑，以在规模性和最优性之间进行权衡。在协同自主性的未来场景中，大量分布式智能体将通过智能体间通信来执行交通监控、事件检测和环境探索等复杂任务。然而，当前大规模网络中信息的爆炸式增长，使得在计算和通信要求下产生的决策延迟问题限制了其实际部署。为克服这一挑战，我们提出了一种可扩展且具近似最优性保证的算法——AlterNAting COordination and Network-Design Algorithm (Anaconda)。在代理带宽约束下，Anaconda使代理能够优化其本地通信邻域，以最大化网络的动作协调近似性能。与现有技术相比，Anaconda是一种随时可配置的算法，能够量化其亚最优性保证，适用于从完全不相连到完全集中化的各种网络类型，对于稀疏网络而言，其决策速度可提高一个数量级。为develop该算法，我们量化了由于分散化导致的次优成本，即由于通信最小化的分布式协调。我们还借鉴了多臂老虎机和受卡片约束的亚调和最大化领域的工具。我们在区域监控的仿真场景中展示了Anaconda，并与一种新兴算法进行了比较。