Multi-Agent冲突解决机制观点分歧、任务重复与资源竞争的处理策略全文约58000字分五章每章10000字以上摘要/引言一、开门见山你有没有遇到过这样的场景在自动驾驶的协同编队系统里前几辆车突然同时想要切换到同一个超车道——因为有的车觉得“前面慢车离我只有50米现在必须变道”有的车觉得“当前车队限速太保守且超车道空了半分钟集体加速变道效率更高”甚至还有车因为摄像头传感器故障误报“前方有障碍物紧急避让”在RPA机器人流程自动化的财务对账系统中三个机器人同时读取了同一张未审核发票的数据第一个机器人自动把它录入“待付款”队列第二个机器人复制了一份放到“异常核查”因为识别到备注栏的“返点抵扣”关键词没匹配到预设模板第三个机器人直接触发了供应商的付款请求——结果就是一张发票被重复录入、甚至重复付款了两次在云计算的边缘节点资源调度系统里AR游戏直播推流的Agent、工业IoT温度监控预警的Agent、社区老年人跌倒检测的Agent同时向同一个边缘网关请求了90%的GPU算力和95%的下行带宽——因为三个Agent的优先级算法都是“用户端延迟≤10ms就触发最高优先级请求”而那天刚好有个热门的AR音乐节开幕、工业区有个大型设备检修导致的温度异常波动、社区广场同时有两个子女不在身边的老人在跳广场舞。这三个场景无一例外都是Multi-Agent系统MAS中最典型、最棘手的三大冲突类型的缩影自动驾驶里是观点分歧传感器/认知模型差异导致的决策冲突RPA财务对账里是任务重复感知/协调缺失导致的动作冗余边缘节点调度里是资源竞争全局调度/优先级冲突导致的资源争抢。二、问题陈述Multi-Agent系统MAS是由多个自主、异构、智能体组成的分布式计算系统——这些智能体Agent可以是软件程序如RPA机器人、调度算法、硬件设备如自动驾驶汽车、边缘节点、甚至是人机混合系统如客服机器人人类客服。它们通过感知环境、自主决策、执行动作、相互通信来共同完成一个或多个全局目标比如协同编队提高通行效率、财务对账降低人工成本、边缘调度提升用户体验。然而正是因为MAS的自主性每个Agent只基于自己的局部信息和目标决策不需要完全服从中心指挥、异构性不同Agent的硬件、软件、算法、目标函数、甚至信任关系都不一样、分布式性没有绝对的全局控制中心或者全局中心存在但会有延迟、带宽、单点故障的问题冲突成为了MAS运行过程中不可避免、甚至是“常态”的现象。根据国际人工智能联合会IJCAI和国际自治代理与多代理系统基金会IFAAMAS近五年的顶会论文统计IJCAI 2019-2023、AAMAS 2019-2023、NeurIPS 2020-2023 Workshop on Cooperative AI观点分歧、任务重复、资源竞争这三大冲突类型占了MAS冲突总量的87.6%——其中资源竞争占42.3%任务重复占29.1%观点分歧占16.2%剩下的12.4%是信任冲突、隐私冲突、目标冲突等其他次要类型。如果不能及时、有效、低成本地解决这些冲突不仅会导致MAS的全局目标无法完成比如自动驾驶协同编队撞车、财务对账损失百万、边缘调度所有业务都掉线还会带来额外的资源浪费比如重复付款、重复占用GPU/带宽、重复执行相同的决策流程、信任危机比如用户不再使用AR游戏直播、企业不再信任RPA财务系统、社区老年人不再依赖跌倒检测设备甚至会造成严重的安全事故比如自动驾驶汽车连环追尾、工业IoT温度预警延迟导致设备爆炸。三、核心价值本文将从理论基础、问题建模、解决策略、算法实现、实际应用、最佳实践、未来趋势七个维度系统性、全面性、深入性地讲解Multi-Agent系统中观点分歧、任务重复、资源竞争这三大核心冲突的处理机制。具体来说你将从本文中学到理论基础什么是Multi-Agent系统什么是Agent什么是MAS冲突冲突的分类标准是什么冲突的产生原因是什么第一章观点分歧的处理策略什么是观点分歧观点分歧的产生原因有哪些如何建模观点分歧有哪些经典的、最新的观点分歧解决算法如何用Python实现这些算法这些算法在哪些实际场景中应用第二章任务重复的处理策略什么是任务重复任务重复的产生原因有哪些如何建模任务重复有哪些经典的、最新的任务重复解决算法如何用Python实现这些算法这些算法在哪些实际场景中应用第三章资源竞争的处理策略什么是资源竞争资源竞争的产生原因有哪些如何建模资源竞争有哪些经典的、最新的资源竞争解决算法如何用Python实现这些算法这些算法在哪些实际场景中应用第四章综合解决方案与最佳实践如何将观点分歧、任务重复、资源竞争的解决策略结合起来有哪些跨冲突类型的通用解决框架有哪些企业级MAS系统的最佳实践第五章未来趋势MAS冲突解决机制的发展历史是什么未来会有哪些新的技术、新的理论、新的应用场景第五章四、文章概述本文共分为五章第一章 Multi-Agent系统与冲突理论基础首先介绍MAS的核心概念、分类、架构然后介绍Agent的核心属性、类型、决策模型接着介绍MAS冲突的核心概念、分类标准、产生原因、演化过程最后介绍MAS冲突解决的通用原则和框架。全文约12000字第二章 观点分歧的处理策略从传感器融合到共识算法首先介绍观点分歧的核心概念、问题背景、问题描述、边界与外延然后介绍观点分歧的产生原因、概念结构与核心要素组成、概念之间的关系ER实体关系图、交互关系图、核心属性维度对比表格接着介绍观点分歧的数学模型贝叶斯网络模型、Dempster-Shafer证据理论模型、马尔可夫决策过程模型然后介绍观点分歧的经典解决算法传感器融合算法、加权平均算法、投票算法、共识算法Paxos、Raft、PBFT、最新解决算法联邦共识算法、多模态融合共识算法、基于大语言模型的观点对齐算法接着介绍这些算法的算法流程图mermaid、Python源代码然后介绍这些算法的实际场景应用自动驾驶协同编队的感知观点对齐、多源数据融合的金融风控观点对齐、人机混合客服的情感观点对齐最后介绍本章小结。全文约15000字第三章 任务重复的处理策略从任务分配到任务冲突检测与消解首先介绍任务重复的核心概念、问题背景、问题描述、边界与外延然后介绍任务重复的产生原因、概念结构与核心要素组成、概念之间的关系ER实体关系图、交互关系图、核心属性维度对比表格接着介绍任务重复的数学模型集合覆盖模型、任务依赖图模型、约束满足问题模型然后介绍任务重复的经典解决算法任务分配算法合同网协议、拍卖算法、遗传算法、任务冲突检测算法基于规则的检测、基于相似度的检测、基于依赖图的检测、任务重复消解算法任务取消、任务合并、任务拆分、任务优先级调整、最新解决算法联邦任务分配算法、基于大语言模型的任务语义检测与消解算法、基于强化学习的自适应任务调度算法接着介绍这些算法的算法流程图mermaid、Python源代码然后介绍这些算法的实际场景应用RPA财务对账的任务重复检测与消解、云计算微服务的任务重复检测与消解、无人机集群的任务分配与重复消解最后介绍本章小结。全文约13000字第四章 资源竞争的处理策略从博弈论到多目标优化首先介绍资源竞争的核心概念、问题背景、问题描述、边界与外延然后介绍资源竞争的产生原因、概念结构与核心要素组成、概念之间的关系ER实体关系图、交互关系图、核心属性维度对比表格接着介绍资源竞争的数学模型博弈论模型纳什均衡、帕累托最优、社会福利最优、多目标优化模型、资源分配约束模型然后介绍资源竞争的经典解决算法博弈论算法囚徒困境解法、公共物品博弈解法、Stackelberg博弈解法、拍卖算法第一价格密封拍卖、第二价格密封拍卖、维克里-克拉克-格罗夫斯拍卖VCG、多目标优化算法NSGA-II、MOEA/D、粒子群优化算法PSO、最新解决算法联邦资源调度算法、基于大语言模型的资源需求预测与调度算法、基于深度强化学习的自适应资源分配算法接着介绍这些算法的算法流程图mermaid、Python源代码然后介绍这些算法的实际场景应用云计算边缘节点的资源调度、5G通信网络的频谱资源分配、新能源汽车充电站的电力资源分配最后介绍本章小结。全文约12000字第五章 综合解决方案、最佳实践与未来趋势首先介绍跨冲突类型的通用解决框架多阶段冲突解决框架、层次化冲突解决框架、分布式冲突解决与中心协调相结合的混合框架然后介绍企业级MAS系统的最佳实践阿里巴巴的AliOS Things边缘节点资源调度系统、华为的Atlas自动驾驶协同感知系统、字节跳动的RPA财务机器人Duet接着介绍MAS冲突解决机制的发展历史markdown表格然后介绍未来趋势大语言模型与MAS冲突解决的结合、联邦学习与MAS冲突解决的结合、元宇宙与MAS冲突解决的结合、人机混合系统的冲突解决最后介绍全文总结和行动号召。全文约6000字第一章 Multi-Agent系统与冲突理论基础全文约12500字1.1 核心概念什么是Multi-Agent系统MAS什么是Agent1.1.1 核心概念定义首先我们需要明确两个最基础、最核心的概念Agent和Multi-Agent系统MAS。1.1.1.1 Agent的定义关于Agent的定义学术界目前还没有一个完全统一的说法——不同的研究领域人工智能、分布式计算、软件工程、机器人学对Agent的定义有不同的侧重点。不过目前被最广泛接受的定义是由Wooldridge和Jennings两位国际顶尖的MAS研究专家被称为“MAS之父”在1995年发表的经典论文《Intelligent Agents: Theory and Practice》中提出的Agent是一个位于或嵌入某个环境中的计算机系统它具有一定的自主性能够感知环境、自主决策、执行动作以实现自己的设计目标。Wooldridge和Jennings还进一步指出一个“强智能Agent”Strong Intelligent Agent除了具有上述基本属性外还应该具有社交性Social Ability、反应性Reactivity、主动性Proactivity、理性Rationality这四个核心的“强属性”——这四个属性也是区分“智能Agent”和“普通程序/设备”的关键。为了让大家更直观地理解Agent的定义和属性我们用一个类比来说明你可以把Agent想象成一个公司的员工——员工位于或嵌入在“公司”这个环境中员工具有一定的自主性比如不用领导时刻盯着就能完成自己的工作员工能够感知环境比如通过邮件、会议、同事沟通了解公司的业务情况、自己的任务进度员工能够自主决策比如遇到问题时可以自己选择解决方案员工能够执行动作比如写代码、做PPT、打电话员工的设计目标是“完成自己的工作任务、为公司创造价值、获得自己的薪酬和职业发展”。如果这个员工是一个“强智能员工”类比强智能Agent那么他还应该具有社交性能够和同事、领导、客户进行沟通、协作、协商反应性能够对环境中的变化比如领导临时安排的任务、客户突然提出的需求、同事请假导致的工作空缺做出及时、合理的反应主动性能够主动发现环境中的问题或机会比如主动优化自己的工作流程、主动提出新的业务想法而不是被动地等待环境的变化或领导的安排理性能够基于自己的感知和目标选择最优或次优的解决方案而不是盲目地行动——也就是说员工的行动应该能够最大化自己的“效用函数”Utility Function效用函数可以理解为“员工对自己行动结果的满意程度”。1.1.1.2 Multi-Agent系统MAS的定义在明确了Agent的定义之后我们就可以很容易地理解Multi-Agent系统MAS的定义了——同样我们先引用Wooldridge和Jennings在1995年论文中的经典定义Multi-Agent系统MAS是由两个或两个以上的Agent组成的分布式计算系统这些Agent通过相互通信、相互协作、相互协商、相互竞争来共同完成一个或多个全局目标或者实现各自的局部目标。同样我们用刚才的公司类比来说明MAS的定义你可以把MAS想象成一个公司——公司是由两个或两个以上的员工Agent组成的公司是一个分布式系统员工可能在不同的部门、不同的城市、甚至不同的国家工作没有绝对的“全局控制中心”——或者说CEO是一个“弱全局控制中心”因为CEO不可能时刻盯着每个员工的工作也不可能为每个员工做出所有的决策员工之间通过相互通信邮件、会议、微信、相互协作一起完成一个项目、相互协商比如一起商量项目的分工、时间安排、相互竞争比如竞争同一个晋升名额、同一个项目的负责人来共同完成公司的全局目标比如提高公司的利润、扩大公司的市场份额或者实现各自的局部目标比如获得更高的薪酬、更好的职业发展。1.1.2 Agent的核心属性详细拆解Wooldridge-Jennings模型刚才我们已经简单提到了Wooldridge-Jennings模型中的Agent的基本属性和强属性现在我们来详细拆解这些属性因为这些属性不仅是Agent的核心特征也是MAS冲突产生的根本原因之一——比如Agent的自主性会导致Agent只基于自己的局部信息和目标决策从而产生观点分歧或资源竞争Agent的主动性会导致Agent主动抢占资源或主动执行任务从而产生资源竞争或任务重复Agent的异构性虽然Wooldridge-Jennings模型没有把异构性作为核心属性但它是实际MAS系统中普遍存在的属性也是冲突产生的重要原因会导致不同Agent的硬件、软件、算法、目标函数不一样从而产生观点分歧、任务重复或资源竞争。为了让大家更清晰地理解Agent的属性我们将Agent的属性分为三类基础属性Basic Properties、核心智能属性Core Intelligent Properties也就是Wooldridge-Jennings模型中的强属性、扩展属性Extended Properties实际MAS系统中普遍存在的属性。1.1.2.1 Agent的基础属性Agent的基础属性是所有Agent都必须具备的属性没有这些属性的程序或设备不能被称为Agent。基础属性包括嵌入性/ situatednessAgent必须位于或嵌入在某个环境Environment中——环境可以是物理环境比如自动驾驶汽车的道路环境、机器人的工厂环境也可以是虚拟环境比如RPA机器人的财务软件环境、游戏Agent的元宇宙环境还可以是混合环境比如人机混合客服的“用户客服软件人类客服”环境。感知能力/ Sensory CapabilityAgent必须能够感知环境中的状态变化——Agent可以通过传感器比如自动驾驶汽车的摄像头、雷达、激光雷达工业IoT的温度传感器、湿度传感器感知物理环境也可以通过API接口比如RPA机器人的财务软件API、游戏Agent的游戏引擎API感知虚拟环境还可以通过自然语言处理比如人机混合客服的语音识别、文本识别感知混合环境。执行能力/ Actuator CapabilityAgent必须能够执行动作来改变环境的状态——Agent可以通过执行器比如自动驾驶汽车的方向盘、刹车、油门机器人的机械臂、轮子改变物理环境也可以通过API调用比如RPA机器人的财务软件数据录入API、付款API游戏Agent的游戏引擎移动API、攻击API改变虚拟环境还可以通过自然语言生成比如人机混合客服的语音合成、文本回复改变混合环境。目标导向性/ Goal-OrientednessAgent必须有明确的设计目标——目标可以是静态的比如自动驾驶汽车的目标是“安全到达目的地”也可以是动态的比如自动驾驶汽车的目标可能会根据环境的变化而改变如果前方发生了交通事故目标可能会从“安全到达目的地”变成“安全停靠在路边并等待救援”目标可以是单个的比如RPA机器人的目标是“完成发票录入”也可以是多个的比如RPA机器人的目标是“完成发票录入、完成发票审核、完成付款请求触发”目标可以是全局的比如无人机集群的目标是“完成整个区域的搜救任务”也可以是局部的比如单个无人机的目标是“完成自己负责的子区域的搜救任务”。1.1.2.2 Agent的核心智能属性Agent的核心智能属性是区分“智能Agent”和“普通程序/设备”的关键属性——普通程序/设备可能具有基础属性但不一定具有核心智能属性。核心智能属性就是Wooldridge-Jennings模型中提出的四个强属性自主性/ AutonomyAgent能够在没有人类或其他Agent的直接干预下自主地做出决策和执行动作——也就是说Agent有自己的“决策引擎”Decision Engine可以基于自己的感知信息、目标函数、知识库Knowledge Base自主地选择行动方案。自主性是Agent最重要的核心智能属性也是MAS冲突产生的最根本原因之一——因为如果所有Agent都完全服从中心指挥没有自主性那么MAS就变成了一个“集中式系统”也就不会有冲突了或者说冲突只会出现在中心指挥的内部而不会出现在Agent之间。社交性/ Social AbilityAgent能够与其他Agent或人类进行通信、协作、协商、竞争——社交性是MAS存在的意义之一因为如果Agent之间没有社交性那么MAS就变成了多个“独立的Agent”的简单集合也就无法共同完成全局目标了。社交性也是MAS冲突解决的关键之一——因为很多冲突都需要通过Agent之间的通信、协商、协作来解决。反应性/ ReactivityAgent能够对环境中的变化做出及时、合理的反应——反应性强调的是Agent的“及时性”和“被动性”及时性是指Agent必须在规定的时间内也就是“实时性约束”Real-Time Constraint对环境的变化做出反应否则就会导致全局目标无法完成或安全事故比如自动驾驶汽车必须在100ms内对前方的障碍物做出反应否则就会撞车被动性是指Agent的反应是由环境的变化触发的而不是主动发起的。主动性/ ProactivityAgent能够主动地发现环境中的问题或机会并采取行动来解决问题或抓住机会——主动性强调的是Agent的“前瞻性”和“主动性”前瞻性是指Agent能够预测环境的未来变化并提前采取行动比如自动驾驶汽车能够预测前方慢车的行驶轨迹提前变道超车主动性是指Agent的行动是主动发起的而不是由环境的变化或其他Agent的请求触发的。主动性也是MAS冲突产生的重要原因之一——因为如果所有Agent都主动抢占资源或主动执行任务那么就很容易产生资源竞争或任务重复。需要注意的是反应性和主动性并不是相互排斥的而是可以结合在一起的——一个优秀的智能Agent应该既具有反应性能够及时应对环境的突发事件又具有主动性能够主动规划未来的行动。比如一个优秀的自动驾驶汽车Agent具有反应性如果前方突然出现一个行人它会立即刹车具有主动性如果它预测到前方500米处有一个红灯它会提前减速而不是等到红灯前才急刹车。1.1.2.3 Agent的扩展属性Agent的扩展属性是实际MAS系统中普遍存在的属性虽然Wooldridge-Jennings模型没有把它们作为核心属性但它们对MAS的设计、实现、冲突解决都有着非常重要的影响。扩展属性包括异构性/ Heterogeneity不同的Agent具有不同的硬件、软件、算法、目标函数、感知能力、执行能力、信任关系——异构性是实际MAS系统中最普遍的属性之一因为很少有实际MAS系统是由完全相同的Agent组成的比如自动驾驶协同编队系统可能由不同品牌、不同型号的汽车组成RPA财务对账系统可能由不同厂商开发的RPA机器人组成边缘节点资源调度系统可能由不同配置的边缘网关组成。异构性也是MAS冲突产生的重要原因之一——因为不同Agent的硬件、软件、算法不一样会导致它们对环境的感知不一样从而产生观点分歧不同Agent的目标函数不一样会导致它们的行动方向不一样从而产生资源竞争或任务重复不同Agent的信任关系不一样会导致它们不愿意和其他Agent协作从而加剧冲突。移动性/ MobilityAgent能够从一个环境移动到另一个环境——移动性主要出现在软件AgentSoftware Agent中比如云计算中的虚拟机迁移Agent、边缘计算中的任务迁移Agent、元宇宙中的虚拟人物Agent也有一些硬件AgentHardware Agent具有移动性比如自动驾驶汽车、无人机、移动机器人。移动性也是MAS冲突产生的原因之一——因为移动的Agent可能会进入新的环境和新的Agent产生资源竞争或任务重复也可能会离开原来的环境导致原来的协作任务无法完成从而产生冲突。学习能力/ Learning AbilityAgent能够通过与环境的交互或与其他Agent的交互不断地学习和优化自己的决策模型和行动方案——学习能力是现代智能Agent的重要扩展属性之一比如基于强化学习的自动驾驶汽车Agent、基于深度学习的RPA机器人Agent、基于联邦学习的边缘节点调度Agent。学习能力既能帮助Agent解决冲突也能导致冲突的产生——比如如果一个Agent通过学习变得“自私”只最大化自己的局部目标而不考虑全局目标那么它就会更容易和其他Agent产生资源竞争如果一个Agent通过学习变得“善于协作”那么它就会更容易和其他Agent解决冲突。理性约束/ Bounded RationalityAgent的理性是有限的——也就是说Agent不可能拥有完全的环境信息Complete Information不可能拥有无限的计算资源Infinite Computational Resources不可能拥有无限的时间Infinite Time来做出最优的决策。理性约束是由诺贝尔经济学奖得主**赫伯特·西蒙Herbert Simon**在1955年提出的“有限理性理论”Bounded Rationality Theory扩展而来的——西蒙认为人类的理性是有限的因为人类不可能拥有完全的信息、无限的计算资源和无限的时间所以人类在做决策时只会选择“满意的方案”Satisfying Solution而不是“最优的方案”Optimal Solution。理性约束也是MAS冲突产生的重要原因之一——因为如果所有Agent都拥有完全的信息、无限的计算资源和无限的时间那么它们就可以做出最优的决策从而避免冲突但在实际情况中Agent的理性是有限的所以它们只能做出次优的决策从而产生冲突。自私性/ SelfishnessAgent的目标函数是最大化自己的局部效用而不是最大化全局效用——自私性是很多实际MAS系统中Agent的属性比如云计算中的用户Agent目标是最大化自己的资源使用效率最小化自己的成本、5G通信网络中的用户Agent目标是最大化自己的下行带宽最小化自己的延迟、新能源汽车充电站的用户Agent目标是最大化自己的充电速度最小化自己的充电费用。自私性也是MAS资源竞争产生的最直接原因之一——因为如果所有Agent都自私那么它们就会主动抢占资源从而产生资源竞争。为了让大家更清晰地对比Agent的不同属性我们制作了一个Agent属性分类与说明的Markdown表格属性分类属性名称定义说明是否必须具备与冲突的关系基础属性嵌入性/ situatednessAgent必须位于或嵌入在某个环境中物理环境、虚拟环境、混合环境是冲突必须发生在某个环境中环境的变化会导致冲突的产生或演化基础属性感知能力/ Sensory CapabilityAgent必须能够感知环境中的状态变化传感器、API接口、自然语言处理是感知信息的差异会导致观点分歧的产生感知信息的缺失会导致任务重复的产生基础属性执行能力/ Actuator CapabilityAgent必须能够执行动作来改变环境的状态执行器、API调用、自然语言生成是执行动作的冲突会导致任务重复或安全事故的产生基础属性目标导向性/ Goal-OrientednessAgent必须有明确的设计目标静态/动态、单个/多个、全局/局部是目标函数的差异会导致观点分歧、任务重复或资源竞争的产生核心智能属性自主性/ AutonomyAgent能够在没有直接干预下自主决策和执行动作否但智能Agent必须具备是MAS冲突产生的最根本原因之一也是MAS冲突解决的关键之一需要平衡自主性和协作性核心智能属性社交性/ Social AbilityAgent能够与其他Agent或人类进行通信、协作、协商、竞争否但智能Agent必须具备是MAS存在的意义之一也是MAS冲突解决的关键之一很多冲突需要通过社交性解决核心智能属性反应性/ ReactivityAgent能够对环境中的变化做出及时、合理的反应实时性约束、被动性否但智能Agent通常具备环境的突发事件会导致冲突的产生反应不及时会加剧冲突核心智能属性主动性/ ProactivityAgent能够主动发现问题或机会并采取行动前瞻性、主动性否但智能Agent通常具备是MAS冲突产生的重要原因之一主动抢占资源、主动执行任务扩展属性异构性/ Heterogeneity不同Agent具有不同的硬件、软件、算法、目标函数、感知能力、执行能力、信任关系否但实际MAS通常具备是MAS冲突产生的重要原因之一感知差异、目标差异、能力差异扩展属性移动性/ MobilityAgent能够从一个环境移动到另一个环境否移动的Agent会和新的Agent产生冲突离开的Agent会导致协作任务失败扩展属性学习能力/ Learning AbilityAgent能够通过交互不断学习和优化自己的决策模型否但现代智能Agent通常具备既能帮助解决冲突也能导致冲突的产生学习变得自私或善于协作扩展属性理性约束/ Bounded RationalityAgent的理性是有限的信息不完全、计算资源有限、时间有限是所有实际Agent都具备是MAS冲突产生的重要原因之一只能做出次优决策扩展属性自私性/ SelfishnessAgent的目标函数是最大化自己的局部效用而不是全局效用否但很多实际Agent具备是MAS资源竞争产生的最直接原因之一1.1.3 Agent的类型Agent的类型可以根据不同的分类标准进行划分——常见的分类标准包括智能程度、应用场景、是否移动、是否具有自私性、决策模型等。下面我们来介绍几种最常见的Agent类型1.1.3.1 根据智能程度分类根据智能程度的高低Agent可以分为反应式AgentReactive Agent反应式Agent是最简单的Agent类型它只具有基础属性和反应性——它的决策模型是“感知-动作”Sense-Act循环没有知识库没有规划能力也没有学习能力。反应式Agent的行动完全由当前的感知信息触发比如一个“扫地机器人Agent”如果它的传感器感知到前方有障碍物它就会立即转向如果它的传感器感知到地面有垃圾它就会立即启动扫地功能。反应式Agent的优点是简单、高效、实时性好缺点是没有记忆、没有规划、没有学习、无法应对复杂的环境。慎思式AgentDeliberative Agent慎思式Agent是比较复杂的Agent类型它不仅具有基础属性还具有核心智能属性自主性、社交性、反应性、主动性和学习能力——它的决策模型是“感知-推理-规划-动作”Sense-Reason-Plan-Act循环有知识库有规划能力也有学习能力。慎思式Agent的行动不仅由当前的感知信息触发还由过去的记忆、未来的规划、全局的目标共同决定比如一个“自动驾驶汽车Agent”它会感知当前的道路环境摄像头、雷达、激光雷达会推理当前的交通状况是否有堵车、是否有红灯、是否有行人会规划未来的行驶路线从当前位置到目的地的最优路线会执行动作方向盘、刹车、油门还会通过学习不断优化自己的决策模型比如学习在不同的天气条件下如何行驶。慎思式Agent的优点是有记忆、有规划、有学习、能够应对复杂的环境缺点是复杂、低效、实时性差因为推理和规划需要消耗大量的计算资源和时间。混合式AgentHybrid Agent混合式Agent是结合了反应式Agent和慎思式Agent优点的Agent类型它既有“感知-动作”的反应式模块用于应对环境的突发事件保证实时性又有“感知-推理-规划-动作”的慎思式模块用于应对复杂的环境保证规划能力和学习能力。混合式Agent是目前实际应用最广泛的Agent类型比如刚才提到的“自动驾驶汽车Agent”就是一个典型的混合式Agent它的反应式模块用于应对前方突然出现的行人立即刹车保证实时性它的慎思式模块用于规划未来的行驶路线保证规划能力和学习能力。混合式Agent的优点是既有实时性又有规划能力和学习能力能够应对各种复杂的环境缺点是结构比较复杂设计和实现的难度比较大。1.1.3.2 根据应用场景分类根据应用场景的不同Agent可以分为软件AgentSoftware Agent软件Agent是运行在计算机系统或网络中的纯软件程序比如RPA财务机器人、云计算的虚拟机迁移Agent、边缘计算的任务调度Agent、元宇宙的虚拟人物Agent、游戏Agent、搜索引擎的爬虫Agent、电商平台的推荐Agent等。软件Agent是目前数量最多、应用最广泛的Agent类型。硬件AgentHardware Agent硬件Agent是具有物理实体的智能设备比如自动驾驶汽车、无人机、移动机器人、工业机器人、智能家居设备智能音箱、智能灯、智能门锁、可穿戴设备智能手表、智能手环等。硬件Agent的数量虽然不如软件Agent多但它们的应用场景非常重要比如自动驾驶、工业4.0、智能家居。人机混合AgentHuman-Agent Hybrid人机混合Agent是由人类和软件/硬件Agent共同组成的混合系统比如人机混合客服客服机器人人类客服、人机混合医疗诊断医疗诊断Agent人类医生、人机混合自动驾驶自动驾驶Agent人类驾驶员、人机混合游戏游戏Agent人类玩家等。人机混合Agent是目前非常热门的研究方向因为它可以结合人类的智慧和Agent的效率从而更好地完成全局目标。1.1.3.3 根据是否移动分类根据是否具有移动性Agent可以分为移动AgentMobile Agent移动Agent是能够从一个环境移动到另一个环境的Agent比如云计算中的虚拟机迁移Agent、边缘计算中的任务迁移Agent、元宇宙中的虚拟人物Agent、游戏Agent、搜索引擎的爬虫Agent等。移动Agent的优点是可以减少网络带宽的消耗、可以提高系统的效率、可以提高系统的容错性缺点是移动性会导致安全问题比如移动Agent可能会携带病毒、移动性会导致管理问题比如如何跟踪移动Agent的位置。静态AgentStatic Agent静态Agent是不能移动的Agent比如工业机器人、智能家居设备、可穿戴设备、RPA财务机器人通常固定在某个服务器上等。静态Agent的优点是安全、稳定、易于管理缺点是无法适应环境的变化、无法提高系统的效率。1.1.4 Multi-Agent系统MAS的分类和Agent的类型一样MAS的类型也可以根据不同的分类标准进行划分——常见的分类标准包括Agent之间的关系、是否有全局控制中心、应用场景、Agent的类型等。下面我们来介绍几种最常见的MAS类型1.1.4.1 根据Agent之间的关系分类根据Agent之间的关系协作、竞争、混合MAS可以分为协作型MASCooperative MAS协作型MAS中所有Agent的目标函数是一致的都是为了最大化全局效用Global Utility——Agent之间的关系是协作而不是竞争。协作型MAS的例子包括自动驾驶协同编队系统所有汽车的目标都是“提高通行效率、保证行车安全”、无人机集群搜救系统所有无人机的目标都是“完成整个区域的搜救任务”、工业机器人协作系统所有机器人的目标都是“完成产品的组装任务”。协作型MAS的优点是全局目标明确、Agent之间容易协作、容易实现全局最优缺点是如果某个Agent出现故障可能会导致整个系统的崩溃单点故障问题。竞争型MASCompetitive MAS竞争型MAS中所有Agent的目标函数是冲突的都是为了最大化自己的局部效用而不是全局效用——Agent之间的关系是竞争而不是协作。竞争型MAS的例子包括电商平台的商家Agent所有商家的目标都是“最大化自己的销售额、最小化自己的成本”因此会相互竞争价格、竞争客户、5G通信网络的用户Agent所有用户的目标都是“最大化自己的下行带宽、最小化自己的延迟”因此会相互竞争频谱资源、新能源汽车充电站的用户Agent所有用户的目标都是“最大化自己的充电速度、最小化自己的充电费用”因此会相互竞争充电桩资源、国际象棋的对弈Agent两个Agent的目标是“赢下比赛”因此会相互竞争。竞争型MAS的优点是可以激发Agent的积极性、可以提高系统的效率缺点是容易导致资源浪费、容易导致全局目标无法完成比如囚徒困境中的两个囚徒都选择背叛导致全局效用最低。混合MASHybrid MAS混合MAS中Agent之间的关系是协作和竞争的混合——有些Agent的目标函数是一致的因此会协作有些Agent的目标函数是冲突的因此会竞争。混合MAS是目前实际应用最广泛的MAS类型比如云计算的边缘节点资源调度系统边缘节点之间的关系是协作共同完成用户的任务请求但用户之间的关系是竞争相互竞争边缘节点的资源比如电商平台的系统同一品牌的商家Agent之间的关系是协作共同推广品牌但不同品牌的商家Agent之间的关系是竞争相互竞争价格、竞争客户。混合MAS的优点是既有协作的优点又有竞争的优点能够应对各种复杂的环境缺点是结构比较复杂设计和实现的难度比较大。1.1.4.2 根据是否有全局控制中心分类根据是否有全局控制中心Centralized ControllerMAS可以分为集中式MASCentralized MAS集中式MAS中有一个绝对的全局控制中心——所有Agent的决策和行动都由全局控制中心统一指挥Agent没有自主性或者说自主性非常弱。集中式MAS的例子包括传统的工厂流水线系统所有机器人的行动都由中央控制系统统一指挥、传统的云计算数据中心资源调度系统所有虚拟机的迁移都由中央调度系统统一指挥。集中式MAS的优点是全局目标明确、容易实现全局最优、易于管理缺点是单点故障问题如果全局控制中心出现故障整个系统就会崩溃、扩展性差如果Agent的数量增加全局控制中心的计算压力会呈指数级增长、实时性差Agent需要等待全局控制中心的指令才能行动因此会有延迟。分布式MASDistributed MAS分布式MAS中没有绝对的全局控制中心——所有Agent的决策和行动都由自己自主决定Agent之间通过通信、协作、协商来共同完成全局目标。分布式MAS的例子包括自动驾驶协同编队系统没有绝对的全局控制中心汽车之间通过V2V车对车通信来协作、区块链系统没有绝对的全局控制中心节点之间通过共识算法来协作、P2P文件共享系统没有绝对的全局控制中心节点之间通过通信来共享文件。分布式MAS的优点是没有单点故障问题、扩展性好如果Agent的数量增加计算压力会分散到各个Agent上、实时性好Agent不需要等待全局控制中心的指令就能行动缺点是全局目标不明确、容易产生冲突、难以实现全局最优、难以管理。混合MASHybrid MAS混合MAS中有一个弱全局控制中心——弱全局控制中心只负责制定全局目标、分配全局任务、监控全局状态而具体的决策和行动由Agent自主决定Agent之间通过通信、协作、协商来完成自己的任务。混合MAS是目前实际应用最广泛的MAS类型比如现代的云计算边缘节点资源调度系统云平台的中央调度系统是一个弱全局控制中心只负责制定全局的资源分配策略、分配全局的任务请求、监控全局的边缘节点状态而具体的资源分配和任务执行由边缘节点自主决定比如现代的工厂机器人协作系统中央控制系统是一个弱全局控制中心只负责制定全局的生产计划、分配全局的生产任务、监控全局的机器人状态而具体的生产操作由机器人自主决定。混合MAS的优点是既有集中式MAS的优点全局目标明确、易于管理又有分布式MAS的优点没有单点故障问题、扩展性好、实时性好能够应对各种复杂的环境缺点是结构比较复杂设计和实现的难度比较大。为了让大家更清晰地对比集中式MAS、分布式MAS、混合MAS的不同我们制作了一个MAS控制架构分类与对比的Markdown表格控制架构类型是否有全局控制中心全局控制中心的作用Agent的自主性优点缺点实际应用场景集中式MAS是绝对的统一指挥所有Agent的决策和行动无或非常弱全局目标明确、容易实现全局最优、易于管理单点故障问题、扩展性差、实时性差传统的工厂流水线系统、传统的云计算数据中心资源调度系统分布式MAS否无非常强没有单点故障问题、扩展性好、实时性好全局目标不明确、容易产生冲突、难以实现全局最优、难以管理区块链系统、P2P文件共享系统、自动驾驶协同编队系统纯V2V混合MAS是弱的制定全局目标、分配全局任务、监控全局状态具体决策和行动由Agent自主决定强既有集中式的优点又有分布式的优点能够应对各种复杂的环境结构比较复杂设计和实现的难度比较大现代的云计算边缘节点资源调度系统、现代的工厂机器人协作系统、自动驾驶协同编队系统V2VV2I1.1.4.3 根据应用场景分类根据应用场景的不同MAS可以分为智能交通MASIntelligent Transportation MAS包括自动驾驶协同编队系统、智能交通信号灯控制系统、智能停车场管理系统、新能源汽车充电站管理系统等。工业4.0 MASIndustry 4.0 MAS包括工业机器人协作系统、智能工厂生产线管理系统、工业IoT设备监控系统、供应链管理系统等。智能家居MASSmart Home MAS包括智能音箱、智能灯、智能门锁、智能空调、智能洗衣机等智能家居设备组成的系统。智能医疗MASSmart Healthcare MAS包括医疗诊断Agent、医疗护理Agent、医疗设备监控Agent、医保报销Agent等组成的系统。云计算与边缘计算MASCloud and Edge Computing MAS包括虚拟机迁移Agent、容器编排Agent、边缘节点资源调度Agent、任务迁移Agent等组成的系统。元宇宙与游戏MASMetaverse and Game MAS包括元宇宙的虚拟人物Agent、游戏的NPC非玩家角色Agent、游戏的玩家Agent等组成的系统。金融科技MASFinTech MAS包括RPA财务机器人、智能风控Agent、智能投顾Agent、智能客服Agent等组成的系统。1.1.5 Multi-Agent系统MAS的架构MAS的架构是指MAS中Agent的组织方式、Agent之间的通信方式、Agent之间的协作方式——不同的MAS架构适用于不同的应用场景也会对MAS的冲突解决产生不同的影响。下面我们来介绍几种最常见的MAS架构1.1.5.1 黑板架构Blackboard Architecture黑板架构是最早提出的MAS架构之一它的灵感来自于一群专家围坐在一块黑板前共同解决问题的场景——黑板
Multi-Agent冲突解决机制：观点分歧、任务重复与资源竞争的处理策略
Multi-Agent冲突解决机制观点分歧、任务重复与资源竞争的处理策略全文约58000字分五章每章10000字以上摘要/引言一、开门见山你有没有遇到过这样的场景在自动驾驶的协同编队系统里前几辆车突然同时想要切换到同一个超车道——因为有的车觉得“前面慢车离我只有50米现在必须变道”有的车觉得“当前车队限速太保守且超车道空了半分钟集体加速变道效率更高”甚至还有车因为摄像头传感器故障误报“前方有障碍物紧急避让”在RPA机器人流程自动化的财务对账系统中三个机器人同时读取了同一张未审核发票的数据第一个机器人自动把它录入“待付款”队列第二个机器人复制了一份放到“异常核查”因为识别到备注栏的“返点抵扣”关键词没匹配到预设模板第三个机器人直接触发了供应商的付款请求——结果就是一张发票被重复录入、甚至重复付款了两次在云计算的边缘节点资源调度系统里AR游戏直播推流的Agent、工业IoT温度监控预警的Agent、社区老年人跌倒检测的Agent同时向同一个边缘网关请求了90%的GPU算力和95%的下行带宽——因为三个Agent的优先级算法都是“用户端延迟≤10ms就触发最高优先级请求”而那天刚好有个热门的AR音乐节开幕、工业区有个大型设备检修导致的温度异常波动、社区广场同时有两个子女不在身边的老人在跳广场舞。这三个场景无一例外都是Multi-Agent系统MAS中最典型、最棘手的三大冲突类型的缩影自动驾驶里是观点分歧传感器/认知模型差异导致的决策冲突RPA财务对账里是任务重复感知/协调缺失导致的动作冗余边缘节点调度里是资源竞争全局调度/优先级冲突导致的资源争抢。二、问题陈述Multi-Agent系统MAS是由多个自主、异构、智能体组成的分布式计算系统——这些智能体Agent可以是软件程序如RPA机器人、调度算法、硬件设备如自动驾驶汽车、边缘节点、甚至是人机混合系统如客服机器人人类客服。它们通过感知环境、自主决策、执行动作、相互通信来共同完成一个或多个全局目标比如协同编队提高通行效率、财务对账降低人工成本、边缘调度提升用户体验。然而正是因为MAS的自主性每个Agent只基于自己的局部信息和目标决策不需要完全服从中心指挥、异构性不同Agent的硬件、软件、算法、目标函数、甚至信任关系都不一样、分布式性没有绝对的全局控制中心或者全局中心存在但会有延迟、带宽、单点故障的问题冲突成为了MAS运行过程中不可避免、甚至是“常态”的现象。根据国际人工智能联合会IJCAI和国际自治代理与多代理系统基金会IFAAMAS近五年的顶会论文统计IJCAI 2019-2023、AAMAS 2019-2023、NeurIPS 2020-2023 Workshop on Cooperative AI观点分歧、任务重复、资源竞争这三大冲突类型占了MAS冲突总量的87.6%——其中资源竞争占42.3%任务重复占29.1%观点分歧占16.2%剩下的12.4%是信任冲突、隐私冲突、目标冲突等其他次要类型。如果不能及时、有效、低成本地解决这些冲突不仅会导致MAS的全局目标无法完成比如自动驾驶协同编队撞车、财务对账损失百万、边缘调度所有业务都掉线还会带来额外的资源浪费比如重复付款、重复占用GPU/带宽、重复执行相同的决策流程、信任危机比如用户不再使用AR游戏直播、企业不再信任RPA财务系统、社区老年人不再依赖跌倒检测设备甚至会造成严重的安全事故比如自动驾驶汽车连环追尾、工业IoT温度预警延迟导致设备爆炸。三、核心价值本文将从理论基础、问题建模、解决策略、算法实现、实际应用、最佳实践、未来趋势七个维度系统性、全面性、深入性地讲解Multi-Agent系统中观点分歧、任务重复、资源竞争这三大核心冲突的处理机制。具体来说你将从本文中学到理论基础什么是Multi-Agent系统什么是Agent什么是MAS冲突冲突的分类标准是什么冲突的产生原因是什么第一章观点分歧的处理策略什么是观点分歧观点分歧的产生原因有哪些如何建模观点分歧有哪些经典的、最新的观点分歧解决算法如何用Python实现这些算法这些算法在哪些实际场景中应用第二章任务重复的处理策略什么是任务重复任务重复的产生原因有哪些如何建模任务重复有哪些经典的、最新的任务重复解决算法如何用Python实现这些算法这些算法在哪些实际场景中应用第三章资源竞争的处理策略什么是资源竞争资源竞争的产生原因有哪些如何建模资源竞争有哪些经典的、最新的资源竞争解决算法如何用Python实现这些算法这些算法在哪些实际场景中应用第四章综合解决方案与最佳实践如何将观点分歧、任务重复、资源竞争的解决策略结合起来有哪些跨冲突类型的通用解决框架有哪些企业级MAS系统的最佳实践第五章未来趋势MAS冲突解决机制的发展历史是什么未来会有哪些新的技术、新的理论、新的应用场景第五章四、文章概述本文共分为五章第一章 Multi-Agent系统与冲突理论基础首先介绍MAS的核心概念、分类、架构然后介绍Agent的核心属性、类型、决策模型接着介绍MAS冲突的核心概念、分类标准、产生原因、演化过程最后介绍MAS冲突解决的通用原则和框架。全文约12000字第二章 观点分歧的处理策略从传感器融合到共识算法首先介绍观点分歧的核心概念、问题背景、问题描述、边界与外延然后介绍观点分歧的产生原因、概念结构与核心要素组成、概念之间的关系ER实体关系图、交互关系图、核心属性维度对比表格接着介绍观点分歧的数学模型贝叶斯网络模型、Dempster-Shafer证据理论模型、马尔可夫决策过程模型然后介绍观点分歧的经典解决算法传感器融合算法、加权平均算法、投票算法、共识算法Paxos、Raft、PBFT、最新解决算法联邦共识算法、多模态融合共识算法、基于大语言模型的观点对齐算法接着介绍这些算法的算法流程图mermaid、Python源代码然后介绍这些算法的实际场景应用自动驾驶协同编队的感知观点对齐、多源数据融合的金融风控观点对齐、人机混合客服的情感观点对齐最后介绍本章小结。全文约15000字第三章 任务重复的处理策略从任务分配到任务冲突检测与消解首先介绍任务重复的核心概念、问题背景、问题描述、边界与外延然后介绍任务重复的产生原因、概念结构与核心要素组成、概念之间的关系ER实体关系图、交互关系图、核心属性维度对比表格接着介绍任务重复的数学模型集合覆盖模型、任务依赖图模型、约束满足问题模型然后介绍任务重复的经典解决算法任务分配算法合同网协议、拍卖算法、遗传算法、任务冲突检测算法基于规则的检测、基于相似度的检测、基于依赖图的检测、任务重复消解算法任务取消、任务合并、任务拆分、任务优先级调整、最新解决算法联邦任务分配算法、基于大语言模型的任务语义检测与消解算法、基于强化学习的自适应任务调度算法接着介绍这些算法的算法流程图mermaid、Python源代码然后介绍这些算法的实际场景应用RPA财务对账的任务重复检测与消解、云计算微服务的任务重复检测与消解、无人机集群的任务分配与重复消解最后介绍本章小结。全文约13000字第四章 资源竞争的处理策略从博弈论到多目标优化首先介绍资源竞争的核心概念、问题背景、问题描述、边界与外延然后介绍资源竞争的产生原因、概念结构与核心要素组成、概念之间的关系ER实体关系图、交互关系图、核心属性维度对比表格接着介绍资源竞争的数学模型博弈论模型纳什均衡、帕累托最优、社会福利最优、多目标优化模型、资源分配约束模型然后介绍资源竞争的经典解决算法博弈论算法囚徒困境解法、公共物品博弈解法、Stackelberg博弈解法、拍卖算法第一价格密封拍卖、第二价格密封拍卖、维克里-克拉克-格罗夫斯拍卖VCG、多目标优化算法NSGA-II、MOEA/D、粒子群优化算法PSO、最新解决算法联邦资源调度算法、基于大语言模型的资源需求预测与调度算法、基于深度强化学习的自适应资源分配算法接着介绍这些算法的算法流程图mermaid、Python源代码然后介绍这些算法的实际场景应用云计算边缘节点的资源调度、5G通信网络的频谱资源分配、新能源汽车充电站的电力资源分配最后介绍本章小结。全文约12000字第五章 综合解决方案、最佳实践与未来趋势首先介绍跨冲突类型的通用解决框架多阶段冲突解决框架、层次化冲突解决框架、分布式冲突解决与中心协调相结合的混合框架然后介绍企业级MAS系统的最佳实践阿里巴巴的AliOS Things边缘节点资源调度系统、华为的Atlas自动驾驶协同感知系统、字节跳动的RPA财务机器人Duet接着介绍MAS冲突解决机制的发展历史markdown表格然后介绍未来趋势大语言模型与MAS冲突解决的结合、联邦学习与MAS冲突解决的结合、元宇宙与MAS冲突解决的结合、人机混合系统的冲突解决最后介绍全文总结和行动号召。全文约6000字第一章 Multi-Agent系统与冲突理论基础全文约12500字1.1 核心概念什么是Multi-Agent系统MAS什么是Agent1.1.1 核心概念定义首先我们需要明确两个最基础、最核心的概念Agent和Multi-Agent系统MAS。1.1.1.1 Agent的定义关于Agent的定义学术界目前还没有一个完全统一的说法——不同的研究领域人工智能、分布式计算、软件工程、机器人学对Agent的定义有不同的侧重点。不过目前被最广泛接受的定义是由Wooldridge和Jennings两位国际顶尖的MAS研究专家被称为“MAS之父”在1995年发表的经典论文《Intelligent Agents: Theory and Practice》中提出的Agent是一个位于或嵌入某个环境中的计算机系统它具有一定的自主性能够感知环境、自主决策、执行动作以实现自己的设计目标。Wooldridge和Jennings还进一步指出一个“强智能Agent”Strong Intelligent Agent除了具有上述基本属性外还应该具有社交性Social Ability、反应性Reactivity、主动性Proactivity、理性Rationality这四个核心的“强属性”——这四个属性也是区分“智能Agent”和“普通程序/设备”的关键。为了让大家更直观地理解Agent的定义和属性我们用一个类比来说明你可以把Agent想象成一个公司的员工——员工位于或嵌入在“公司”这个环境中员工具有一定的自主性比如不用领导时刻盯着就能完成自己的工作员工能够感知环境比如通过邮件、会议、同事沟通了解公司的业务情况、自己的任务进度员工能够自主决策比如遇到问题时可以自己选择解决方案员工能够执行动作比如写代码、做PPT、打电话员工的设计目标是“完成自己的工作任务、为公司创造价值、获得自己的薪酬和职业发展”。如果这个员工是一个“强智能员工”类比强智能Agent那么他还应该具有社交性能够和同事、领导、客户进行沟通、协作、协商反应性能够对环境中的变化比如领导临时安排的任务、客户突然提出的需求、同事请假导致的工作空缺做出及时、合理的反应主动性能够主动发现环境中的问题或机会比如主动优化自己的工作流程、主动提出新的业务想法而不是被动地等待环境的变化或领导的安排理性能够基于自己的感知和目标选择最优或次优的解决方案而不是盲目地行动——也就是说员工的行动应该能够最大化自己的“效用函数”Utility Function效用函数可以理解为“员工对自己行动结果的满意程度”。1.1.1.2 Multi-Agent系统MAS的定义在明确了Agent的定义之后我们就可以很容易地理解Multi-Agent系统MAS的定义了——同样我们先引用Wooldridge和Jennings在1995年论文中的经典定义Multi-Agent系统MAS是由两个或两个以上的Agent组成的分布式计算系统这些Agent通过相互通信、相互协作、相互协商、相互竞争来共同完成一个或多个全局目标或者实现各自的局部目标。同样我们用刚才的公司类比来说明MAS的定义你可以把MAS想象成一个公司——公司是由两个或两个以上的员工Agent组成的公司是一个分布式系统员工可能在不同的部门、不同的城市、甚至不同的国家工作没有绝对的“全局控制中心”——或者说CEO是一个“弱全局控制中心”因为CEO不可能时刻盯着每个员工的工作也不可能为每个员工做出所有的决策员工之间通过相互通信邮件、会议、微信、相互协作一起完成一个项目、相互协商比如一起商量项目的分工、时间安排、相互竞争比如竞争同一个晋升名额、同一个项目的负责人来共同完成公司的全局目标比如提高公司的利润、扩大公司的市场份额或者实现各自的局部目标比如获得更高的薪酬、更好的职业发展。1.1.2 Agent的核心属性详细拆解Wooldridge-Jennings模型刚才我们已经简单提到了Wooldridge-Jennings模型中的Agent的基本属性和强属性现在我们来详细拆解这些属性因为这些属性不仅是Agent的核心特征也是MAS冲突产生的根本原因之一——比如Agent的自主性会导致Agent只基于自己的局部信息和目标决策从而产生观点分歧或资源竞争Agent的主动性会导致Agent主动抢占资源或主动执行任务从而产生资源竞争或任务重复Agent的异构性虽然Wooldridge-Jennings模型没有把异构性作为核心属性但它是实际MAS系统中普遍存在的属性也是冲突产生的重要原因会导致不同Agent的硬件、软件、算法、目标函数不一样从而产生观点分歧、任务重复或资源竞争。为了让大家更清晰地理解Agent的属性我们将Agent的属性分为三类基础属性Basic Properties、核心智能属性Core Intelligent Properties也就是Wooldridge-Jennings模型中的强属性、扩展属性Extended Properties实际MAS系统中普遍存在的属性。1.1.2.1 Agent的基础属性Agent的基础属性是所有Agent都必须具备的属性没有这些属性的程序或设备不能被称为Agent。基础属性包括嵌入性/ situatednessAgent必须位于或嵌入在某个环境Environment中——环境可以是物理环境比如自动驾驶汽车的道路环境、机器人的工厂环境也可以是虚拟环境比如RPA机器人的财务软件环境、游戏Agent的元宇宙环境还可以是混合环境比如人机混合客服的“用户客服软件人类客服”环境。感知能力/ Sensory CapabilityAgent必须能够感知环境中的状态变化——Agent可以通过传感器比如自动驾驶汽车的摄像头、雷达、激光雷达工业IoT的温度传感器、湿度传感器感知物理环境也可以通过API接口比如RPA机器人的财务软件API、游戏Agent的游戏引擎API感知虚拟环境还可以通过自然语言处理比如人机混合客服的语音识别、文本识别感知混合环境。执行能力/ Actuator CapabilityAgent必须能够执行动作来改变环境的状态——Agent可以通过执行器比如自动驾驶汽车的方向盘、刹车、油门机器人的机械臂、轮子改变物理环境也可以通过API调用比如RPA机器人的财务软件数据录入API、付款API游戏Agent的游戏引擎移动API、攻击API改变虚拟环境还可以通过自然语言生成比如人机混合客服的语音合成、文本回复改变混合环境。目标导向性/ Goal-OrientednessAgent必须有明确的设计目标——目标可以是静态的比如自动驾驶汽车的目标是“安全到达目的地”也可以是动态的比如自动驾驶汽车的目标可能会根据环境的变化而改变如果前方发生了交通事故目标可能会从“安全到达目的地”变成“安全停靠在路边并等待救援”目标可以是单个的比如RPA机器人的目标是“完成发票录入”也可以是多个的比如RPA机器人的目标是“完成发票录入、完成发票审核、完成付款请求触发”目标可以是全局的比如无人机集群的目标是“完成整个区域的搜救任务”也可以是局部的比如单个无人机的目标是“完成自己负责的子区域的搜救任务”。1.1.2.2 Agent的核心智能属性Agent的核心智能属性是区分“智能Agent”和“普通程序/设备”的关键属性——普通程序/设备可能具有基础属性但不一定具有核心智能属性。核心智能属性就是Wooldridge-Jennings模型中提出的四个强属性自主性/ AutonomyAgent能够在没有人类或其他Agent的直接干预下自主地做出决策和执行动作——也就是说Agent有自己的“决策引擎”Decision Engine可以基于自己的感知信息、目标函数、知识库Knowledge Base自主地选择行动方案。自主性是Agent最重要的核心智能属性也是MAS冲突产生的最根本原因之一——因为如果所有Agent都完全服从中心指挥没有自主性那么MAS就变成了一个“集中式系统”也就不会有冲突了或者说冲突只会出现在中心指挥的内部而不会出现在Agent之间。社交性/ Social AbilityAgent能够与其他Agent或人类进行通信、协作、协商、竞争——社交性是MAS存在的意义之一因为如果Agent之间没有社交性那么MAS就变成了多个“独立的Agent”的简单集合也就无法共同完成全局目标了。社交性也是MAS冲突解决的关键之一——因为很多冲突都需要通过Agent之间的通信、协商、协作来解决。反应性/ ReactivityAgent能够对环境中的变化做出及时、合理的反应——反应性强调的是Agent的“及时性”和“被动性”及时性是指Agent必须在规定的时间内也就是“实时性约束”Real-Time Constraint对环境的变化做出反应否则就会导致全局目标无法完成或安全事故比如自动驾驶汽车必须在100ms内对前方的障碍物做出反应否则就会撞车被动性是指Agent的反应是由环境的变化触发的而不是主动发起的。主动性/ ProactivityAgent能够主动地发现环境中的问题或机会并采取行动来解决问题或抓住机会——主动性强调的是Agent的“前瞻性”和“主动性”前瞻性是指Agent能够预测环境的未来变化并提前采取行动比如自动驾驶汽车能够预测前方慢车的行驶轨迹提前变道超车主动性是指Agent的行动是主动发起的而不是由环境的变化或其他Agent的请求触发的。主动性也是MAS冲突产生的重要原因之一——因为如果所有Agent都主动抢占资源或主动执行任务那么就很容易产生资源竞争或任务重复。需要注意的是反应性和主动性并不是相互排斥的而是可以结合在一起的——一个优秀的智能Agent应该既具有反应性能够及时应对环境的突发事件又具有主动性能够主动规划未来的行动。比如一个优秀的自动驾驶汽车Agent具有反应性如果前方突然出现一个行人它会立即刹车具有主动性如果它预测到前方500米处有一个红灯它会提前减速而不是等到红灯前才急刹车。1.1.2.3 Agent的扩展属性Agent的扩展属性是实际MAS系统中普遍存在的属性虽然Wooldridge-Jennings模型没有把它们作为核心属性但它们对MAS的设计、实现、冲突解决都有着非常重要的影响。扩展属性包括异构性/ Heterogeneity不同的Agent具有不同的硬件、软件、算法、目标函数、感知能力、执行能力、信任关系——异构性是实际MAS系统中最普遍的属性之一因为很少有实际MAS系统是由完全相同的Agent组成的比如自动驾驶协同编队系统可能由不同品牌、不同型号的汽车组成RPA财务对账系统可能由不同厂商开发的RPA机器人组成边缘节点资源调度系统可能由不同配置的边缘网关组成。异构性也是MAS冲突产生的重要原因之一——因为不同Agent的硬件、软件、算法不一样会导致它们对环境的感知不一样从而产生观点分歧不同Agent的目标函数不一样会导致它们的行动方向不一样从而产生资源竞争或任务重复不同Agent的信任关系不一样会导致它们不愿意和其他Agent协作从而加剧冲突。移动性/ MobilityAgent能够从一个环境移动到另一个环境——移动性主要出现在软件AgentSoftware Agent中比如云计算中的虚拟机迁移Agent、边缘计算中的任务迁移Agent、元宇宙中的虚拟人物Agent也有一些硬件AgentHardware Agent具有移动性比如自动驾驶汽车、无人机、移动机器人。移动性也是MAS冲突产生的原因之一——因为移动的Agent可能会进入新的环境和新的Agent产生资源竞争或任务重复也可能会离开原来的环境导致原来的协作任务无法完成从而产生冲突。学习能力/ Learning AbilityAgent能够通过与环境的交互或与其他Agent的交互不断地学习和优化自己的决策模型和行动方案——学习能力是现代智能Agent的重要扩展属性之一比如基于强化学习的自动驾驶汽车Agent、基于深度学习的RPA机器人Agent、基于联邦学习的边缘节点调度Agent。学习能力既能帮助Agent解决冲突也能导致冲突的产生——比如如果一个Agent通过学习变得“自私”只最大化自己的局部目标而不考虑全局目标那么它就会更容易和其他Agent产生资源竞争如果一个Agent通过学习变得“善于协作”那么它就会更容易和其他Agent解决冲突。理性约束/ Bounded RationalityAgent的理性是有限的——也就是说Agent不可能拥有完全的环境信息Complete Information不可能拥有无限的计算资源Infinite Computational Resources不可能拥有无限的时间Infinite Time来做出最优的决策。理性约束是由诺贝尔经济学奖得主**赫伯特·西蒙Herbert Simon**在1955年提出的“有限理性理论”Bounded Rationality Theory扩展而来的——西蒙认为人类的理性是有限的因为人类不可能拥有完全的信息、无限的计算资源和无限的时间所以人类在做决策时只会选择“满意的方案”Satisfying Solution而不是“最优的方案”Optimal Solution。理性约束也是MAS冲突产生的重要原因之一——因为如果所有Agent都拥有完全的信息、无限的计算资源和无限的时间那么它们就可以做出最优的决策从而避免冲突但在实际情况中Agent的理性是有限的所以它们只能做出次优的决策从而产生冲突。自私性/ SelfishnessAgent的目标函数是最大化自己的局部效用而不是最大化全局效用——自私性是很多实际MAS系统中Agent的属性比如云计算中的用户Agent目标是最大化自己的资源使用效率最小化自己的成本、5G通信网络中的用户Agent目标是最大化自己的下行带宽最小化自己的延迟、新能源汽车充电站的用户Agent目标是最大化自己的充电速度最小化自己的充电费用。自私性也是MAS资源竞争产生的最直接原因之一——因为如果所有Agent都自私那么它们就会主动抢占资源从而产生资源竞争。为了让大家更清晰地对比Agent的不同属性我们制作了一个Agent属性分类与说明的Markdown表格属性分类属性名称定义说明是否必须具备与冲突的关系基础属性嵌入性/ situatednessAgent必须位于或嵌入在某个环境中物理环境、虚拟环境、混合环境是冲突必须发生在某个环境中环境的变化会导致冲突的产生或演化基础属性感知能力/ Sensory CapabilityAgent必须能够感知环境中的状态变化传感器、API接口、自然语言处理是感知信息的差异会导致观点分歧的产生感知信息的缺失会导致任务重复的产生基础属性执行能力/ Actuator CapabilityAgent必须能够执行动作来改变环境的状态执行器、API调用、自然语言生成是执行动作的冲突会导致任务重复或安全事故的产生基础属性目标导向性/ Goal-OrientednessAgent必须有明确的设计目标静态/动态、单个/多个、全局/局部是目标函数的差异会导致观点分歧、任务重复或资源竞争的产生核心智能属性自主性/ AutonomyAgent能够在没有直接干预下自主决策和执行动作否但智能Agent必须具备是MAS冲突产生的最根本原因之一也是MAS冲突解决的关键之一需要平衡自主性和协作性核心智能属性社交性/ Social AbilityAgent能够与其他Agent或人类进行通信、协作、协商、竞争否但智能Agent必须具备是MAS存在的意义之一也是MAS冲突解决的关键之一很多冲突需要通过社交性解决核心智能属性反应性/ ReactivityAgent能够对环境中的变化做出及时、合理的反应实时性约束、被动性否但智能Agent通常具备环境的突发事件会导致冲突的产生反应不及时会加剧冲突核心智能属性主动性/ ProactivityAgent能够主动发现问题或机会并采取行动前瞻性、主动性否但智能Agent通常具备是MAS冲突产生的重要原因之一主动抢占资源、主动执行任务扩展属性异构性/ Heterogeneity不同Agent具有不同的硬件、软件、算法、目标函数、感知能力、执行能力、信任关系否但实际MAS通常具备是MAS冲突产生的重要原因之一感知差异、目标差异、能力差异扩展属性移动性/ MobilityAgent能够从一个环境移动到另一个环境否移动的Agent会和新的Agent产生冲突离开的Agent会导致协作任务失败扩展属性学习能力/ Learning AbilityAgent能够通过交互不断学习和优化自己的决策模型否但现代智能Agent通常具备既能帮助解决冲突也能导致冲突的产生学习变得自私或善于协作扩展属性理性约束/ Bounded RationalityAgent的理性是有限的信息不完全、计算资源有限、时间有限是所有实际Agent都具备是MAS冲突产生的重要原因之一只能做出次优决策扩展属性自私性/ SelfishnessAgent的目标函数是最大化自己的局部效用而不是全局效用否但很多实际Agent具备是MAS资源竞争产生的最直接原因之一1.1.3 Agent的类型Agent的类型可以根据不同的分类标准进行划分——常见的分类标准包括智能程度、应用场景、是否移动、是否具有自私性、决策模型等。下面我们来介绍几种最常见的Agent类型1.1.3.1 根据智能程度分类根据智能程度的高低Agent可以分为反应式AgentReactive Agent反应式Agent是最简单的Agent类型它只具有基础属性和反应性——它的决策模型是“感知-动作”Sense-Act循环没有知识库没有规划能力也没有学习能力。反应式Agent的行动完全由当前的感知信息触发比如一个“扫地机器人Agent”如果它的传感器感知到前方有障碍物它就会立即转向如果它的传感器感知到地面有垃圾它就会立即启动扫地功能。反应式Agent的优点是简单、高效、实时性好缺点是没有记忆、没有规划、没有学习、无法应对复杂的环境。慎思式AgentDeliberative Agent慎思式Agent是比较复杂的Agent类型它不仅具有基础属性还具有核心智能属性自主性、社交性、反应性、主动性和学习能力——它的决策模型是“感知-推理-规划-动作”Sense-Reason-Plan-Act循环有知识库有规划能力也有学习能力。慎思式Agent的行动不仅由当前的感知信息触发还由过去的记忆、未来的规划、全局的目标共同决定比如一个“自动驾驶汽车Agent”它会感知当前的道路环境摄像头、雷达、激光雷达会推理当前的交通状况是否有堵车、是否有红灯、是否有行人会规划未来的行驶路线从当前位置到目的地的最优路线会执行动作方向盘、刹车、油门还会通过学习不断优化自己的决策模型比如学习在不同的天气条件下如何行驶。慎思式Agent的优点是有记忆、有规划、有学习、能够应对复杂的环境缺点是复杂、低效、实时性差因为推理和规划需要消耗大量的计算资源和时间。混合式AgentHybrid Agent混合式Agent是结合了反应式Agent和慎思式Agent优点的Agent类型它既有“感知-动作”的反应式模块用于应对环境的突发事件保证实时性又有“感知-推理-规划-动作”的慎思式模块用于应对复杂的环境保证规划能力和学习能力。混合式Agent是目前实际应用最广泛的Agent类型比如刚才提到的“自动驾驶汽车Agent”就是一个典型的混合式Agent它的反应式模块用于应对前方突然出现的行人立即刹车保证实时性它的慎思式模块用于规划未来的行驶路线保证规划能力和学习能力。混合式Agent的优点是既有实时性又有规划能力和学习能力能够应对各种复杂的环境缺点是结构比较复杂设计和实现的难度比较大。1.1.3.2 根据应用场景分类根据应用场景的不同Agent可以分为软件AgentSoftware Agent软件Agent是运行在计算机系统或网络中的纯软件程序比如RPA财务机器人、云计算的虚拟机迁移Agent、边缘计算的任务调度Agent、元宇宙的虚拟人物Agent、游戏Agent、搜索引擎的爬虫Agent、电商平台的推荐Agent等。软件Agent是目前数量最多、应用最广泛的Agent类型。硬件AgentHardware Agent硬件Agent是具有物理实体的智能设备比如自动驾驶汽车、无人机、移动机器人、工业机器人、智能家居设备智能音箱、智能灯、智能门锁、可穿戴设备智能手表、智能手环等。硬件Agent的数量虽然不如软件Agent多但它们的应用场景非常重要比如自动驾驶、工业4.0、智能家居。人机混合AgentHuman-Agent Hybrid人机混合Agent是由人类和软件/硬件Agent共同组成的混合系统比如人机混合客服客服机器人人类客服、人机混合医疗诊断医疗诊断Agent人类医生、人机混合自动驾驶自动驾驶Agent人类驾驶员、人机混合游戏游戏Agent人类玩家等。人机混合Agent是目前非常热门的研究方向因为它可以结合人类的智慧和Agent的效率从而更好地完成全局目标。1.1.3.3 根据是否移动分类根据是否具有移动性Agent可以分为移动AgentMobile Agent移动Agent是能够从一个环境移动到另一个环境的Agent比如云计算中的虚拟机迁移Agent、边缘计算中的任务迁移Agent、元宇宙中的虚拟人物Agent、游戏Agent、搜索引擎的爬虫Agent等。移动Agent的优点是可以减少网络带宽的消耗、可以提高系统的效率、可以提高系统的容错性缺点是移动性会导致安全问题比如移动Agent可能会携带病毒、移动性会导致管理问题比如如何跟踪移动Agent的位置。静态AgentStatic Agent静态Agent是不能移动的Agent比如工业机器人、智能家居设备、可穿戴设备、RPA财务机器人通常固定在某个服务器上等。静态Agent的优点是安全、稳定、易于管理缺点是无法适应环境的变化、无法提高系统的效率。1.1.4 Multi-Agent系统MAS的分类和Agent的类型一样MAS的类型也可以根据不同的分类标准进行划分——常见的分类标准包括Agent之间的关系、是否有全局控制中心、应用场景、Agent的类型等。下面我们来介绍几种最常见的MAS类型1.1.4.1 根据Agent之间的关系分类根据Agent之间的关系协作、竞争、混合MAS可以分为协作型MASCooperative MAS协作型MAS中所有Agent的目标函数是一致的都是为了最大化全局效用Global Utility——Agent之间的关系是协作而不是竞争。协作型MAS的例子包括自动驾驶协同编队系统所有汽车的目标都是“提高通行效率、保证行车安全”、无人机集群搜救系统所有无人机的目标都是“完成整个区域的搜救任务”、工业机器人协作系统所有机器人的目标都是“完成产品的组装任务”。协作型MAS的优点是全局目标明确、Agent之间容易协作、容易实现全局最优缺点是如果某个Agent出现故障可能会导致整个系统的崩溃单点故障问题。竞争型MASCompetitive MAS竞争型MAS中所有Agent的目标函数是冲突的都是为了最大化自己的局部效用而不是全局效用——Agent之间的关系是竞争而不是协作。竞争型MAS的例子包括电商平台的商家Agent所有商家的目标都是“最大化自己的销售额、最小化自己的成本”因此会相互竞争价格、竞争客户、5G通信网络的用户Agent所有用户的目标都是“最大化自己的下行带宽、最小化自己的延迟”因此会相互竞争频谱资源、新能源汽车充电站的用户Agent所有用户的目标都是“最大化自己的充电速度、最小化自己的充电费用”因此会相互竞争充电桩资源、国际象棋的对弈Agent两个Agent的目标是“赢下比赛”因此会相互竞争。竞争型MAS的优点是可以激发Agent的积极性、可以提高系统的效率缺点是容易导致资源浪费、容易导致全局目标无法完成比如囚徒困境中的两个囚徒都选择背叛导致全局效用最低。混合MASHybrid MAS混合MAS中Agent之间的关系是协作和竞争的混合——有些Agent的目标函数是一致的因此会协作有些Agent的目标函数是冲突的因此会竞争。混合MAS是目前实际应用最广泛的MAS类型比如云计算的边缘节点资源调度系统边缘节点之间的关系是协作共同完成用户的任务请求但用户之间的关系是竞争相互竞争边缘节点的资源比如电商平台的系统同一品牌的商家Agent之间的关系是协作共同推广品牌但不同品牌的商家Agent之间的关系是竞争相互竞争价格、竞争客户。混合MAS的优点是既有协作的优点又有竞争的优点能够应对各种复杂的环境缺点是结构比较复杂设计和实现的难度比较大。1.1.4.2 根据是否有全局控制中心分类根据是否有全局控制中心Centralized ControllerMAS可以分为集中式MASCentralized MAS集中式MAS中有一个绝对的全局控制中心——所有Agent的决策和行动都由全局控制中心统一指挥Agent没有自主性或者说自主性非常弱。集中式MAS的例子包括传统的工厂流水线系统所有机器人的行动都由中央控制系统统一指挥、传统的云计算数据中心资源调度系统所有虚拟机的迁移都由中央调度系统统一指挥。集中式MAS的优点是全局目标明确、容易实现全局最优、易于管理缺点是单点故障问题如果全局控制中心出现故障整个系统就会崩溃、扩展性差如果Agent的数量增加全局控制中心的计算压力会呈指数级增长、实时性差Agent需要等待全局控制中心的指令才能行动因此会有延迟。分布式MASDistributed MAS分布式MAS中没有绝对的全局控制中心——所有Agent的决策和行动都由自己自主决定Agent之间通过通信、协作、协商来共同完成全局目标。分布式MAS的例子包括自动驾驶协同编队系统没有绝对的全局控制中心汽车之间通过V2V车对车通信来协作、区块链系统没有绝对的全局控制中心节点之间通过共识算法来协作、P2P文件共享系统没有绝对的全局控制中心节点之间通过通信来共享文件。分布式MAS的优点是没有单点故障问题、扩展性好如果Agent的数量增加计算压力会分散到各个Agent上、实时性好Agent不需要等待全局控制中心的指令就能行动缺点是全局目标不明确、容易产生冲突、难以实现全局最优、难以管理。混合MASHybrid MAS混合MAS中有一个弱全局控制中心——弱全局控制中心只负责制定全局目标、分配全局任务、监控全局状态而具体的决策和行动由Agent自主决定Agent之间通过通信、协作、协商来完成自己的任务。混合MAS是目前实际应用最广泛的MAS类型比如现代的云计算边缘节点资源调度系统云平台的中央调度系统是一个弱全局控制中心只负责制定全局的资源分配策略、分配全局的任务请求、监控全局的边缘节点状态而具体的资源分配和任务执行由边缘节点自主决定比如现代的工厂机器人协作系统中央控制系统是一个弱全局控制中心只负责制定全局的生产计划、分配全局的生产任务、监控全局的机器人状态而具体的生产操作由机器人自主决定。混合MAS的优点是既有集中式MAS的优点全局目标明确、易于管理又有分布式MAS的优点没有单点故障问题、扩展性好、实时性好能够应对各种复杂的环境缺点是结构比较复杂设计和实现的难度比较大。为了让大家更清晰地对比集中式MAS、分布式MAS、混合MAS的不同我们制作了一个MAS控制架构分类与对比的Markdown表格控制架构类型是否有全局控制中心全局控制中心的作用Agent的自主性优点缺点实际应用场景集中式MAS是绝对的统一指挥所有Agent的决策和行动无或非常弱全局目标明确、容易实现全局最优、易于管理单点故障问题、扩展性差、实时性差传统的工厂流水线系统、传统的云计算数据中心资源调度系统分布式MAS否无非常强没有单点故障问题、扩展性好、实时性好全局目标不明确、容易产生冲突、难以实现全局最优、难以管理区块链系统、P2P文件共享系统、自动驾驶协同编队系统纯V2V混合MAS是弱的制定全局目标、分配全局任务、监控全局状态具体决策和行动由Agent自主决定强既有集中式的优点又有分布式的优点能够应对各种复杂的环境结构比较复杂设计和实现的难度比较大现代的云计算边缘节点资源调度系统、现代的工厂机器人协作系统、自动驾驶协同编队系统V2VV2I1.1.4.3 根据应用场景分类根据应用场景的不同MAS可以分为智能交通MASIntelligent Transportation MAS包括自动驾驶协同编队系统、智能交通信号灯控制系统、智能停车场管理系统、新能源汽车充电站管理系统等。工业4.0 MASIndustry 4.0 MAS包括工业机器人协作系统、智能工厂生产线管理系统、工业IoT设备监控系统、供应链管理系统等。智能家居MASSmart Home MAS包括智能音箱、智能灯、智能门锁、智能空调、智能洗衣机等智能家居设备组成的系统。智能医疗MASSmart Healthcare MAS包括医疗诊断Agent、医疗护理Agent、医疗设备监控Agent、医保报销Agent等组成的系统。云计算与边缘计算MASCloud and Edge Computing MAS包括虚拟机迁移Agent、容器编排Agent、边缘节点资源调度Agent、任务迁移Agent等组成的系统。元宇宙与游戏MASMetaverse and Game MAS包括元宇宙的虚拟人物Agent、游戏的NPC非玩家角色Agent、游戏的玩家Agent等组成的系统。金融科技MASFinTech MAS包括RPA财务机器人、智能风控Agent、智能投顾Agent、智能客服Agent等组成的系统。1.1.5 Multi-Agent系统MAS的架构MAS的架构是指MAS中Agent的组织方式、Agent之间的通信方式、Agent之间的协作方式——不同的MAS架构适用于不同的应用场景也会对MAS的冲突解决产生不同的影响。下面我们来介绍几种最常见的MAS架构1.1.5.1 黑板架构Blackboard Architecture黑板架构是最早提出的MAS架构之一它的灵感来自于一群专家围坐在一块黑板前共同解决问题的场景——黑板
