多智能体系统中任务导向通信的探索：一种深度强化学习方法
摘要：多智能体系统（MAS）使各个智能体之间能够共享功能，从而实现高度可扩展性和效率的协同任务。 MAS在各个领域的应用越来越广泛。 与此同时，智能体之间的大规模和时间敏感的数据传输给通信系统带来了挑战。 传统的无线通信忽略了数据的内容及其对接收方任务执行的影响，难以保证信息的及时性和相关性。 这个限制导致传统的无线通信难以有效支持新兴的多智能体协同应用。 面对这一困境，以任务为导向的通信是一个潜在的解决方案，它旨在传输与任务相关的信息，以提高任务执行性能。 然而，多智能体合作本身就是一类复杂的顺序决策问题。 在这个背景下，探索有效的信息流是具有挑战性的。 在本文中，我们使用深度强化学习（DRL）来探索MAS中的任务导向通信。 我们首先讨论了DRL在任务导向通信中的应用。 然后，我们构想了一个用于MAS的任务导向通信架构，并讨论了基于DRL的设计。 最后，我们讨论了未来研究的开放问题，并总结了本文。
作者：Guojun He
论文ID：2208.10165
分类：Multiagent Systems
分类简称：cs.MA
提交时间：2022-09-16