Efficient dynamic task allocation in multi-agent systems via coordinated graph representations

Yang Gao

doi:10.1007/s40747-026-02389-y

Efficient dynamic task allocation in multi-agent systems via coordinated graph representations

2026-07-31

0

OA

AI

DOI：10.1007/s40747-026-02389-y

原文链接

原文求助

摘要

En 中文

多智能体强化学习（MARL）在复杂任务环境中通常依赖参数共享机制或全连接层进行动态任务规划。现有的参数共享方法存在智能体行为同质化和策略灵活性受限的问题，而全连接方法无法建模子任务与智能体组之间的逻辑关系，从而缺乏捕捉子任务层次依赖的能力。为解决这些问题，我们提出了一种三层解耦的基于协调图（CG）的动态任务分配（CG-DTA）框架，其核心创新在于显式解耦子任务表示与任务分配。具体而言，我们引入图注意力协同协调网络（GASCN）构建具有协调意识的动态子任务表示，从而缓解参数共享方案导致的行为同质化问题并提高策略多样性。为提升复杂环境中的算法灵活性，我们提出了智能体-子任务动态匹配策略，通过考虑组重构和子任务动态变化来增强同组智能体间的协调。此外，我们提出了一种端到端优化策略，在保持全局Q函数最优性的同时，从局部观测中实现有效的策略精炼。在SMAC和捕食者-猎物场景中的实验表明，与SOTA算法相比，我们的算法在渐进复杂地图上的胜率差距从24%提升至36%，凸显其在处理复杂场景中的优越性。同时，SMAC中的消融研究验证了组感知协同子任务表示模块、组动态任务分配模块和组策略训练模块的有效性，进一步证实了所提出的解耦架构以及GASCN对复杂多智能体环境中鲁棒动态任务分配的贡献。

Keyword:

Multi-agent reinforcement learning

Dynamic task allocation

Multi-agent coordination

Subtask decomposition

Efficient dynamic task allocation in multi-agent systems via coordinated graph representations

摘要

期刊

机构

引用论文