.png){kind=icon}
返回
Graph-Based Task Allocation for Multi-Agent Fleet Management: A Genetic Algorithm Approach with LLM Integration
.png){kind=icon}
OA
AI
DOI：10.3390/app16083851.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高效的任务分配与协调对于在动态场环境中运行的同质多智能体系统至关重要。本文提出了一种闭环框架，将大型语言模型（LLMs）与基于图的方法相结合，以实现端到端的任务分解、分配和自适应执行。高层任务脚本首先由LLM解析为结构化执行流程，再转换为捕获动作级依赖的有向无环图（DAGs）。随后，遗传算法（GA）通过最小化完工时间在能力和电池约束下优化智能体-任务分配。为确保鲁棒性，该框架集成了LLM驱动的恢复模块，能够在执行失败时进行局部重规划而不中断未受影响的智能体。在高清农业模拟系统中的实验表明，与手动基线相比，该系统使收获生产力提升了37%（p<0.001），并将人类空闲时间减少了19%。在中途执行失败的情况下，系统维持了显著更高的性能，重规划延迟平均为24秒。该框架可扩展至大规模编队（最多1000个智能体），并通过结构化、依赖感知的协调有效增强人机协作。
Keyword:
task allocation
multi-agent systems
genetic algorithm
directed acyclic graph
large language models
human-robot collaboration
期刊
A
IF:
2.5
论文数:
7.6K
被引数:
4
机构
引用论文
分享收藏The class labels and spatial information based fault diagnosis of air handling unit via combining kernel Fischer discriminant analysis with an improved graph convolutional neural network基于结合核Fischer判别分析与改进图卷积神经网络的空调箱类标签和空间信息故障诊断.png)
Measurement
MeasurementIF5.6
PREAI
分享收藏SMART-LLM: Smart Multi-Agent Robot Task Planning using Large Language ModelsSMART-LLM：基于大型语言模型的智能多智能体机器人任务规划
PREAI
分享收藏
查看更多内容