用于计算近最优效用函数的易处理机制

大规模多智能体系统必须依赖分布式决策，因为集中式协调要么不切实际要么不可能。近期工作从博弈论视角处理该问题，即为每个智能体分配效用函数，期望它们的局部优化能逼近集中式最优解。然而，对于广泛的问题类别，若不在准确性上妥协，便无法获得关于所得性能的正式保证。在本工作中，我们针对研究充分的具有非减凹福利函数的资源分配问题处理此担忧。我们证明，最优设计的局部效用实现了 $1-c/e$ 的近似比（无政府代价），其中 $c$ 为函数的曲率，$e$ 为欧拉常数。我们贡献的要点在于设计了分布式且高效的近似算法，其性能与现有最佳的多项式时间（且集中式）方案相匹配。