XiaoMi-AI文件搜索系统
World File Search System多代
迈向jacamo-rest：一种面向资源的抽象，用于管理多代理系统∗†
摘要。多代理的编程（MAOP）范式为模型和实施代理人及其组织和环境提供了抽象。近年来，研究人员已开始探索MAOP和面向资源的Web体系结构（REST）的整合。本文通过在Jacamo-Rest上展示了一项持续的工作，这是一项持续的研究，这是一种基于资源的基于资源的网络编程平台JACAMO的抽象。jacamo- reth将多代理系统（MAS）互操作性达到新级别，不仅可以与万维网的服务或应用程序进行交互，还可以通过其他应用程序在其规范中进行管理和更新。要将开发人员界面添加到适合Web的Jacamo中，我们提供了一个关于MAOP规范实体管理的新颖概念观点。我们将其作为编程接口应用程序的中间件进行了测试，该应用程序提供了现代软件工程设施，例如连续部署和MAS的迭代软件开发。
多代理系统中面向代理的计划
通过多种具有多种专业知识和工具的LLM授权代理的合作，多代理系统在解决现实世界中的问题方面取得了令人印象深刻的进步。给定用户查询，需要将查询分解为可以分配给能够求解它们的合适代理的多个子任务中的元代理，以多代理系统的大脑为大脑。在这项研究中，我们确定了面向代理计划的三个关键规定原则，包括解决性，完整性和非差额，以确保可以有效地解决每个子任务，并对对用户查询的满意响应进行质疑。这些原则进一步激发了我们提出的AOP，这是一个新型的多代理系统中面向代理计划的框架，利用快速的任务分解和分配过程，然后通过奖励模型进行有效，有效的评估。根据评估结果，元代理还负责迅速对子任务和调度进行必要的调整。此外，我们将反馈循环集成到AOP中，以进一步提高此类解决问题过程的有效性和鲁棒性。广泛的实验证明了与单一机构系统和多代理系统的存在计划策略相比，AOP在解决现实世界中的问题方面的进步。源代码可在https://github.com/lalaliat/agent-entiented-planning上找到。
“多代理”筛选提高了定向酶进化的效率
酶的进化使生物技术方面的进步得以巨大进步。但是，定向的进化程序仍然需要许多迭代的筛选以识别最佳的突变序列。这是由于健身景观的稀疏性，这又是由于“隐藏”突变仅与其他突变相结合的“隐藏”突变所致。这些“隐藏”突变仅通过评估突变组合，需要大型组合文库或迭代筛选。在这里，我们报告了一种多代理的定向进化方法，该方法在筛选过程中融合了各种底物类似物。具有多种底物，像多个辅助健身景观一样，我们能够识别“隐藏”突变残基，这些突变型残基无需测试众多组合。我们最初在工程中验证了这种方法，以改善各种非天然底物的活性。我们发现“隐藏”突变通常与活动站点相距甚远，因此很难使用基于结构的方法进行预测。有趣的是，预计在这种情况下确定的许多“隐藏”突变会破坏三级结构元素之间的相互作用，从而可能影响蛋白质的柔韧性。这种方法可能广泛适用于加速酶工程。最后，多机构系统启发的方法可能在解决生物学中其他复杂的组合搜索问题方面更为广泛。
自动驾驶汽车的多代理增强学习
摘要在不久的将来，自动驾驶汽车（AV）可能会与混合型官员中的人类驾驶员同居。这种同居在造成的流行和个人流动性方面以及从道路安全的角度提出了严重的挑战。混合术可能无法满足预期的安全要求，然后自动驾驶汽车可能会垄断该官员。使用多机构增强学习（MARL）算法，研究人员试图针对两种情况设计自动驾驶汽车，本文研究了他们最近的进步。我们专注于解决决策问题的文章，并确定四个范式。有些作者解决了或者没有社会可行的AV的混合问题问题，而另一些作者则解决了完全自治的案例。虽然后一种情况本质上是一个交流问题，但大多数解决混合处理的作者承认了一些局限性。文献中发现的当前人类驾驶员模型过于简单，因为它们不涵盖驾驶员行为的异质性。因此，他们无法概括各种可能的行为。对于所研究的每篇论文，我们分析了作者如何从观察，行动和奖励方面提出MARL问题以匹配它们所应用的范例。
动态MMWave网络中自适应用户协会的多代理增强学习
摘要 - 网络密集型和毫米波技术是可以满足移动网络第五代（5G）的能力和数据速率要求的关键推动力。在这种情况下，通过本地观察设计低复杂性政策，但能够适应有关全球网络状态和网络动态的用户关联是一个挑战。实际上，文献中提出的框架需要连续访问全球网络信息，并在无线电环境变化时推荐关联。与这种方法相关的复杂性，这些解决方案不太适合致密的5G网络。在本文中，我们通过设计一种基于多代理增强学习的用户关联的可扩展且灵活的算法来解决此问题。在这种方法中，用户充当独立代理，仅基于其本地观察结果，就会学会自主协调其行动，以优化网络总数。由于代理之间没有直接的信息交换，因此我们还限制了信号开销。仿真结果表明，所提出的算法能够适应无线电环境的（快速）变化，因此与最先进的解决方案相比提供了大量的总和利率增益。
混合动力团队Tetris：混合多代理的新平台，...
摘要。Metcalfe等人（1）认为，人类伙伴关系的最大潜力在于它们在高度复杂的问题空间中的应用。在此，我们讨论了三种不同形式的混合团队智能，并认为在所有三种形式中，在正确的条件下，人类和机器智能的杂交可以有效。我们预见到有效的混合智能创造的两个重要的研发（R＆D）挑战。首先，随着时间的推移，机器智能和/或人类行为或能力的基本变化的快速进步可以超过研发。第二，混合智能在未来的条件是未知的，但不太可能与当今的条件相同。克服这两个挑战都需要对多个以人为中心和机器为中心的学科有深入的了解，这为进入该领域带来了巨大的障碍。在此，我们概述了一个开放的，可共享的研究平台，该平台创建了一种混合团队智能形式，该智能在代表性的未来条件下起作用。该平台的目的是促进新形式的混合情报研究，允许以人为中心或以机器为中心的个人快速进入该领域并启动研究。我们的希望是，通过在平台上进行开放的社区研究，可以在目前不同的研发社区中迅速传达人类和机器智能的最先进进步，并允许混合团队情报研究保持科学进步的最前沿。
可扩展的多代理离线增强学习和信息的作用
离线增强学习（RL）专注于仅从一批先前收集的数据中学习政策。有可能有效利用此类数据集的潜力，而无需进行昂贵或冒险的主动探索。虽然最近的离线多代理RL（MARL）的最新进展表现出了承诺，但大多数现有方法依赖于所有代理商共同收集的大型数据集，或者是独立收集的特定于特定于代理的数据集。前者的方法确保了强大的性能，但提出了可扩展性的问题，而后者则强调可伸缩性以牺牲性能保证为代价。在这项工作中，我们为数据集收集和离线学习提出了一个新颖的可扩展程序。代理首先通过预先指定的信息共享网络一致地收集了不同的数据集，随后学习了连贯的局限性策略，而无需完全可观察到或倒退以完全分散。从理论上讲，这种结构化方法允许精确拟合的Q-材料（FQI）算法[7]的多代理扩展，以高可能性地汇聚到全球范围内，以降至ϵ-Optimal策略。收敛性受到依赖共享信息信息性的错误术语。此外，我们还展示了这种方法如何将FQI监督学习阶段的固有错误与共享信息和未共享信息之间的共同信息绑定。我们的算法，可扩展的多代理FQI（SCAM-FQI），然后在分布式决策问题上评估。经验结果与我们的理论发现一致，这支持了Scam-FQI在达到可伸缩性和政策绩效之间取得平衡的有效性。
集体自我消费的多代理模拟
JérémyAlbouys-Perrois，Nicolas Sabouret，Yvon Haradji，Mathieu Schumann，Benoit Charrier等。集体自我消费的多代理模拟：存储系统的影响和大型能源交换的影响。能源与建筑物，2022，254，pp.111543。10.1016/j.enbuild.2021.111543。hal- 03505248
注意差距：自动驾驶汽车的逻辑英语，序言和多代理系统
在本文中，我们提出了一个模块化系统，用于代表和推理，并具有自动驾驶汽车交通规则的法律方面。我们专注于英国高速公路法规（HC）的子集。随着人类驾驶员和自动化车辆（AV）将在道路上进行交互，尤其是在城市环境中，我们声称应该存在一个可访问，统一的高级计算模型，并适用于两个用户。自动驾驶汽车引入了责任转变，不应带来缺点或增加人类驾驶员的负担。我们开发了模型的“硅中”系统。提出的系统由三个主要组成部分构建：使用逻辑英语编码规则的自然语言接口；序言中规则的内部表示；以及基于Netlogo的基于多机构的仿真环境。三个组件相互作用：逻辑英语被转化为序言（以及一些支持代码）； Prolog和Netlogo接口通过谓词。这样的模块化方法使不同的组件能够在整个系统中承担不同的“负担”。它还允许交换模块。给定的NetLogo，我们可以可视化建模规则的效果，并使用简单的动态运行方案验证系统。指定的代理商监视车辆的行为，以确保合规性和记录可能发生的潜在违规行为。然后，验证者利用有关潜在违规行为的信息，以确定违规行为是否应处以惩罚，在异常和案件之间进行区分。