Multi-Agent Systems Task Scheduling Graph Attention Network Reinforcement Learning
摘要

针对通信受限环境下分布式多智能体系统的协同任务调度难题,本文提出了一种神经调度框架。该框架包含多解码器图注意力模型(MDGAM)策略和无评论家组相对多智能体策略梯度(GRMAPG)训练算法。MDGAM利用扩展的图注意力机制联合更新节点和边特征,并通过多个解码器生成任务选择决策及通信消息。GRMAPG通过构建组相对优势替代传统 critic 网络,降低了训练难度并提升了收敛性能。实验表明,该方法在不同规模和通信范围下均优于现有启发式及基于学习的方法。

AI 推荐理由

论文核心解决分布式多智能体系统中的任务调度与分配问题,属于典型的多步任务规划范畴。

研究机构
Department of Electronic Engineering, Beijing National Research Center for Information Science and Technology, Tsinghua University, Beijing 100084, China
论文信息
作者 Licheng Wang, Mingtao Huang, Yuan Shen
发布日期 2026-08-01
arXiv ID 2608.00648
相关性评分 9/10 (高度相关)