在多智能体系统中,智能体团队通常需要以分布式的方式协调其决策,以实现个体和共享的目标。示例包括面向服务的计算、传感器网络问题以及智能设备在家庭中的协调问题。这样的问题可以用不同的方式来形式化和解决,但总的来说,多智能体协调过程是非平凡的,并且是NP难解的。 在这个关于多智能体优化的教程中,我们将讨论多智能体系统(MAS)文献中提出的两种基本方法来解决协调问题,一种基于分布式约束优化问题(DCOPs)和一种基于联盟形成(CF)。 在第一部分中,我们将提供关于DCOPs的核心概念和模型的可访问和结构化概述。我们还将阐述解决DCOPs的可用最优和次优方法。 在第二部分中,我们将讨论用于模型化MAS的核心概念,即特征函数游戏(CFGs),以及在无约束和有约束CFGs中形成联盟的可用最优和近似方法。我们将通过建立第一部分和第二部分之间的有趣链接来结束这部分,展示如何也可以使用约束优化问题(COPs)来解决CF问题。 最后,我们将邀请参与者对来自实际应用的一些示例问题进行建模,并讨论相关的解决方法。教程将以最常见的挑战和开放性问题作为结论。 https://www.gauthier-picard.info/dcop-tutorial/#outline-short-description