面向去中心化普适智能的结构自适配

通信结构在去中心化系统的学习能力中起着关键作用。结构自适配通过自组织改变智能体集体决策的秩序以及输入信息。本文研究了智能体在同一通信结构（即树）上重新定位的作用，作为在复杂组合优化问题（例如，负载均衡电力需求以防止停电或高效利用共享单车站点）中扩展学习能力的手段。通过构建一个由 4000 个智能体组成的新颖大规模基准来严格研究结构自适配的最优性，该基准使用合成和真实世界数据执行 400 万次结构自适配，期间交换了近 3200 亿条学习消息。基于该基准数据集，系统地评估了 124 个确定性结构准则（作为学习元特征应用）以及两种旨在扩展学习容量的在线结构自适配策略。实验评估确定了捕获具有影响力信息的智能体及其最优定位的度量。观察到两种策略的学习性能显著提升，尤其是在低性能初始化下。引人注目的是，以更具探索性方式触发结构自适配的策略最具成本效益。