生存与繁荣：在损耗风险下的去中心化多智能体协调

《IEEE Transactions on Mobile Computing》：Survive and Thrive: Decentralized Multi-Agent Coordination Under Attrition Risks

去中心化MCTS在多智能体信息收集任务中面临智能体流失导致性能下降问题，本文提出A-MCTS算法，通过全局效用函数和悔意匹配机制实现高效动态协调，理论证明和实验表明其全局效用、扩展性和鲁棒性优于现有方法。

　　

摘要：

去中心化的在线规划方法，例如去中心化的蒙特卡洛树搜索（MCTS），是信息收集任务中协作多智能体系统的有力工具。然而，现有的MCTS算法隐含地假设智能体在整个任务过程中始终可用并积极参与。在现实、动态且多变的环境中，智能体的流失是常见的现象，这会严重降低系统性能。在本文中，我们证明了智能体流失会导致现有的去中心化MCTS方法的表现远低于最优解，尤其是在奖励函数具有次模性的应用场景中。为了解决这个问题，我们提出了可流失蒙特卡洛树搜索（A-MCTS）算法，该算法能够快速有效地适应活跃智能体数量的减少。我们的核心思想是让每个智能体利用全局效用函数来构建搜索树，并通过后悔匹配算法与队友进行协调。理论分析和大量模拟表明，即使在高流失率的环境中，A-MCTS也能保持智能体之间的有效协作。我们通过建模真实的参考场景，在不同的信息收集问题中评估了该方法的表现。结果表明，A-MCTS在全局效用、可扩展性和鲁棒性方面显著优于主要的竞争算法。