学习行动和合作以实现分布式黑盒共识优化

分布式黑盒共识优化是多代理系统中的一个基本问题，其中代理必须仅使用本地目标查询和有限的邻居通信来改进全局目标。现有的方法很大程度上依赖于手工制定的更新规则和静态合作模式，这些方法往往难以平衡异构非凸环境中的局部适应、全局协调和通信效率。在本文中，我们向分布式黑盒共识优化的轨迹驱动自我设计迈出了第一步。我们首先使用适合去中心化共识设置的自适应内部机制重新设计了代理级群体动力学，改善了探索、收敛和局部逃逸之间的平衡。在此自适应执行层之上，我们提出了学习行动与合作（LACMAS），这是一个轨迹驱动框架，其中 大语言模型 提供稀疏的高级指导，用于根据历史优化轨迹塑造智能体内部行动行为和智能体外部合作模式。我们进一步引入分阶段认知调度策略，以资源感知的方式激活不同形式的适应。标准分布式黑盒基准测试和现实世界分布式任务的实验表明，LAC-MAS 在强基线上持续提高了解决方案质量、收敛效率和通信效率，这提出了从手工分布式协调到自行设计多智能体优化系统的实用路线。