多智能体系统-发展与前沿

最新推荐文章于 2025-06-05 22:56:29 发布
最新推荐文章于 2025-06-05 22:56:29 发布
阅读量566 收藏 17
点赞数 11
分类专栏： UCAS多智能体系统 文章标签： 人工智能 机器人 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45761762/article/details/148240037
版权

目录

文章目录

人工智能发展历程

学科起源（1956年）

​ 美国达特茅斯学院会议首次提出 “人工智能” 概念，标志学科诞生，核心人物包括 John McCarthy、Marvin Minsky 等。

image-20250526210454039

知识工程时代（1977年）

​ Edward Feigenbaum 提出 “知识工程”，核心是通过专家系统将知识存储于知识库，实现自动化推理，推动 AI 从实验室走向企业应用。

专家系统奠定了知识表示与推理的基础，但是专家系统存在如下的问题：

  1. 脆弱性（领域外性能下降）
    1. 专业知识过于狭窄，在解决本专业问题时有高超的水平
    2. 一旦稍微偏离原领域，性能急剧下降
    3. 解决方法：增加知识的宽度，使系统具有常识和一般知识
  2. 知识获取困难
    1. 知识获取作为建造知识系统的瓶颈，是一个长期存在的关键研究难点

新智能观与学派形成（1991 年）

行为主义

​ 继符号主义和联接主义两大智能观，MIT 的 Brooks提出了无需表示和理性的智能

​ 以复杂的现实世界为背景，先使机器具有初级智能，再在实践中逐渐增长智能

​ 靠“感知-行动”的机器虫，没有推理、规划等高级思维能力，但感知、运动等应付环境的能力大大超过了现有的机器人

逻辑学派

​ 提供了严格的知识表示和有效的推理机制

​ 代表人物 Nilson：主张在统一的逻辑框架内进行人工智能研究，认为各种类型的逻辑是人工智能的基础。

​ 代表人物McCarthy：主张以非单调逻辑为中心的常识推理作为人工智能的基础

分布式人工智能学派

Hewitt主张用“分布式”的方法，在开放系统中研究人工智能问题,其认为智能系统是一个开放系统

​ 智能系统的行为不仅体现在单个个体的活动，而应当体现在多个体之间既相互依存、又相互冲突的活动中最终作出的决策是通过在多个个体之间进行协调的分布式方法

​ 分布式人工智能学派对多智能体研究的出现和发展起到了积极的推动作用。

[!NOTE]

Hewitt. Open Information-Systems Semantics for Distributed Artificial Intelligence.Special Issue on Foundations of AI. Artificial Intelligence, 47(1-3):79-106, 1991.

多智能体领域的形成

发展脉络

1980s后期

​ 从分布式人工智能领域开始区分协作型和自私型智能体，研究建立在博弈论和经济学概念之上的自私智能体交互。

1990s初期

​ 智能体的出现促进了软件构件理念的更新：Agent-Oriented Programming（AOP)

​ 智能体通信语言的标准化：KQML/KIF-> FIPA

1990s后期

​ 多智能体协作协商模型、联盟形成和体系结构的研究

​ 进一步拓宽多智能体系统的现实应用领域：机器人世界杯（RoboCup足球和RoboCup救援）

国际会议

  1. International Workshop on Agent Theories, Architectures, and languages（ATAL, 1994-)
  2. International Conference on Multi-Agent Systems（ICMAS, 1995-)
  3. International Conference on Autonomous Agents（AA, 1999-)
  4. 专刊：Communications of the ACM“Intelligent Agents”1994
  5. 国际智能体及多智能体系统协会（IFAAMAS, 2002)

多智能体领域的发展

2000-2010

  1. 电子商务应用：交易智能体在谈判和竞拍等领域的发展、拍卖和博弈均衡策略的求解
  2. 与认知和社会科学领域交叉的多智能体模拟技术，以及类人自主智能体、分布式传感网络、自动驾驶车辆等

2010-2020

  1. 基于多智能体的大规模棋牌类游戏应用
  2. 多智能体学习（特别强化学习)
  3. 算法博弈论（算法机制设计、计算社会选择理论等)
  4. 分布式问题求解/分布式规划

2020-至今

​ MARL在多领域应用落地；智能体结合大规模预训练模型，大语言模型智能体、具身智能成为新的研究热点

多智能体领域的国际和国际会议

国际期刊

  1. Journal of Autonomous Agents and Multi-Agent Systems (JAAMAS, 1998-)
  2. Journal of Artificial Intelligence Research (Open access, 1993-)
  3. Artificial Intelligence Journal (Elsevier, 1970-)
  4. ACM Computing Surveys (1969-)

国际会议

  1. International Joint Conference on Autonomous Agents and Multi-Agent Systems（AAMAS, 2002-)
  2. The AAAI Conference on Artificial Intelligence（AAAI, 1980-)
  3. International Joint Conference on Artificial Intelligence（IJCAI, 1969-)

国内学会

  1. 2014年，成立中国计算机学会人工智能与模式识别专委会“多智能体系统学组”
  2. 2022年12月，成立中国人工智能学会心智计算专委会

国内会议

  1. 全国Agent理论与应用学术会议（2006-2012，两年一次）
  2. 2013年起，并入“中国计算机学会人工智能会议”（CCF-AI，两年一次)
  3. 2014年起，举办“中国智能体及多智能体系统”研讨会、“多智能体系统前沿论坛”（2014-2024，每年一次

什么是智能体？

特性含义
Situated在动态 / 不确定环境中感知并行动
Flexible反应性（对环境变化做出响应） 主动性（提前行动）
Autonomous对自身行动进行控制
Goal - oriented有目的性
Persistent持续运行的过程
Social与其他智能体 / 人进行交互
Learning具有适应性
Mobile能够自行移动
Personality具有个性、情绪状态

PRS：一个BDI智能体的实现

BDI (Belief-Desire-Intention) 智能体系统结构如下：

image-20250526212349882

多智能体领域研究热点与挑战

  1. 超大规模分布式人工智能系统
    1. 超大规模系统应用面临可能出现的状态和采取的决策随系统规模呈指数级增长
  2. 多智能体系统的鲁棒性和安全性
    1. 以深度学习和深度神经网络为基础的算法鲁棒性问题
  3. 多智能体决策的可解释性
    1. 基于深度模型的多智能体学习算法带来的“黑箱”问题
  4. 传统方法与深度模型的结合
    1. –深度神经网络与传统符号计算、传统控制理论的结合

基于LLM的智能体研究与应用

大语言模型智能体（LLM Agent）结构如下：

image-20250526212542759

总结图片

image-20250526210409556

参考资料

UCAS研究生课程《多智能体系统》

LLM单智能体系统vs.多智能体系统：优劣势对比分析
AI天才研究院
08-23 1448
1. 背景介绍 随着人工智能技术的飞速发展，大型语言模型（LLM）在自然语言处理领域取得了显著进展。LLM能够理解和生成人类语言，在机器翻译、文本摘要、对话系统等方面展现出强大的能力。然而，LLM的应用不仅仅局限于单智能体系统，多智能体系统也逐渐成为LLM研究的热点方向。 1.1 单智能体系统
多智能体博弈中的平衡之道：合作与竞争的博弈机制
海棠AI实验室
02-09 1726
本文旨在深入分析多智能体博弈中的合作与竞争机制，研究如何通过博弈论模型设计有效的激励、惩罚及稳定机制，以实现系统的长远稳定性和公平性。本文通过对经典博弈模型（如纳什均衡、Shapley值、Cournot模型和Bertrand模型）的Python实现和分析，揭示了多智能体系统优化策略的设计原则，并对未来研究方向（如更强的智能体行为模型、高效的大规模博弈求解算法、强化学习与博弈论的结合、社会博弈与现实应用的结合、多智能体博弈与区块链技术的结合）进行了展望。
多智能体融合（Multi-Agent Fusion）
dundunmm的博客
03-26 1370
（Multi-Agent Fusion）是指在多智能体系统（MAS, Multi-Agent System）中，多个智能体（Agent）通过协作、竞争或共享信息，实现全局最优的智能决策和任务执行。：各智能体独立决策，适用于去中心化、自主决策的场景，如无人机集群、智能交通。：不同智能体可使用视觉、语音、文本等多模态数据，提高感知与决策能力。远程医疗中，智能体融合病理、基因、影像等多源数据，辅助疾病诊断。：智能体与人类协作，提高人机交互体验，如智能助手、辅助驾驶等。：增强多智能体的环境适应性，实现跨领域协作。
多智能体系统的发展、系统评价及部分文章方法
qq_45830323的博客
09-25 1952
近年来，针对无人系统的研究越来越多。从无人机到无人车，再到无人艇，无人系统的研究已经扩展到海陆空。同时无人系统的集群系统协同控制也得到了广泛的研究和应用，积累了大量的理论、方法与技术研究成果。集群系统较单个智能体有很大优势，可以达到1+1>2的效果。异构无人系统集群指的是无人机（UAV）、水面无人艇（USV）、无人水下机器人（UUV）以及无人车（UGV）等不同类型的多智能体系统在海、陆、空等不同作战领域的协同控制。目前，美英法等国已经重点验证了无人系统间跨域协同通信和指挥控制能力，并均已取得了一定的进展。
万字综述：大语言模型多智能体(LLM Multi-Agents)进展与挑战
热门推荐
南七小僧的学海无涯
05-24 1万+
我们整理分享来自新加坡国立大学的最新论文：基于大型语言模型的多智能体综述- 进展与挑战, Large Language Model based Multi-Agents: A Survey of Progress and Challenges，文末有论文连接。 大型语言模型（LLMs）在广泛的任务中取得了显著的成功。由于LLMs令人印象深刻的规划和推理能力，它们被用作自治智能体自动完成许多任务。最近，基于使用一个LLM作为单个规划或决策智能体的发展，基于LLM的多智能体系统在复杂问题解决和世界模拟方面取得了
多智能体协同：从单一任务到全局优化的技术突破
欢迎来到运通链达的官方博客！我们深度探讨人工智能技术与应用，贯彻科技向善理念，推动科技进步与社会福祉和谐共生。
04-19 1393
具身智能（Embodied Intelligence）强调智能体通过物理实体与环境实时交互，实现感知、认知、决策和行动一体化。2025年，具身智能被纳入中国政府工作报告，成为国家战略重点，标志着AI发展进入以物理交互为核心的新阶段。多智能体协同正引领AI从单一任务执行向全局优化、从虚拟智能向具身智能的历史性跨越。MCP协议等标准化技术为多模型协作提供坚实基础，具身智能的产业化落地为AI赋能实体经济打开新空间。
精彩回顾！安全智能体的前沿技术研究与实践
m0_73736695的博客
06-13 1750
云起无垠创始人兼CEO沈凯文博士，以《安全智能体的前沿技术研究与实践》为题，深入剖析了安全检测技术的演进历程，以及安全智能体的核心理念和实际应用。
智能体前沿论文分享┆PEER：使用多智能体框架和调优方法完成特定领域任务
audyxiao001的博客
11-05 1784
本推文主要介绍了一种新的智能体框架，用于完成特定领域任务，名为PEER。论文《PEER: Expertizing Domain-Specific Tasks with a Multi-Agent Framework and Tuning Methods》通过计划、执行、表达和审查多智能体协作完成特定领域任务的方法，在任务处理效率和回答质量上显著优于现有的多智能体方案，如BabyAGI，尤其在金融和复杂信息处理场景中表现突出。
第9课：多智能体系统行业落地案例
陈奕昆的博客
04-11 1181
技术价值：通过分工协作突破单智能体能力边界，实现“1+1>2”的涌现效应商业价值：医疗减少误诊率、金融提升交易效率、工业降低运维成本，直接转化为企业竞争力社会价值：推动医疗资源下沉、金融普惠、工业绿色制造，助力社会高质量发展随着5G、边缘计算、数字孪生等技术的普及，多智能体系统的行业应用将更加深入。下一篇我们将探讨多智能体系统的前沿趋势与未来展望，解锁“自主智能体”“跨模态协作”等下一代技术。欢迎关注系列课程，一起见证智能协作的无限可能！版权声明：本文为原创技术文章，转载请注明出处并保留完整内容。
多智能体强化学习_加入图卷积的多智能体强化学习
weixin_39603327的博客
12-10 1942
摘要多智能体(multi-agent)强化学习不仅有环境交互问题，还有智能体之间的相互影响，甚至智能体对环境施加的作用可能反过来影响智能体自身下一步行为的选择，状态空间和动作空间均随着智能体数量增多而迅速扩大，对存储和运算等多方面都提出了新的要求和挑战。发表于ICLR2020的图卷积强化学习[1]融合了近期大热的多个研究方向，将“多智能体环境”嵌入图结构，并以卷积核与注意力分配的方式来模...
【AI智能体领域】前沿技术研究报告：架构、挑战与范式演进的深度解析
04-01
内容概要：本文详细探讨了AI智能体领域的前沿技术、架构、挑战与发展趋势。首先，从技术原理层面，介绍了从符号主义到具身智能的范式迁移，包括自主决策与执行、跨领域任务处理、架构创新等核心能力的突破。其次，...
多智能体对话推荐系统的优化研究 - 利用大型语言模型与反馈调整机制提升用户体验
12-03
其他说明：本论文详细探讨了对话推荐领域的当前问题和发展趋势，并提供了一个创新性的解决方案——多智能体协作与深度利用用户反馈的技术路线图。对于希望深入了解该领域前沿进展的专业人士而言是一份宝贵资料。
文献复现：基于MATLAB的202多智能体系统神经网络自适应动态滑模控制（含改动注释与切比雪夫神经网络应用)
05-31
文中首先阐述了多智能体系统的背景和发展现状，接着具体描述了如何利用基于局部队形跟踪误差的动态滑模方法来抑制外部干扰，确保控制输入的平滑性和无抖振特性。为应对复杂的系统动力学，采用了切比雪夫神经网络进行...
多智能体系统中基于事件触发机制的一阶仿真研究及其一致性维护
05-11
文中首先介绍了多智能体系统的基本概念和发展背景，强调了一致性对于系统高效稳定运行的重要性。接着阐述了事件触发机制的作用，即通过减少不必要的通信和计算，提升系统的效率和响应速度。随后重点讨论了一阶事件...
【大模型:知识图谱】--3.py2neo连接图数据库neo4j
我是个好人呀，????
06-03 1443
本文介绍了Neo4j图数据库的安装与基本操作。主要内容包括：1) 使用py2neo连接Neo4j数据库；2) 通过Python实现节点创建、删除、属性修改等操作；3) 建立节点间关系的方法；4) 使用NodeMatcher和RelationshipMatcher进行节点和关系查询；5) 通过实例演示如何创建人物节点及其关系网络。文章还对比了Neo4j社区版和企业版的差异。全文提供了完整的代码示例，涵盖从连接到CRUD操作的完整流程。
通过基于流视频预测的可泛化双手操作基础策略
yorkhunter的博客
06-04 2174
25年5月来自中国电信、西北工业大学和香港科大的论文“Towards a Generalizable Bimanual Foundation Policy via Flow-based Video Prediction”。 由于动作空间巨大且需要协调手臂运动，学习可泛化的双手操作策略对于具身智体而言极具挑战性。现有方法依赖于视觉-语言-动作 (VLA) 模型来获取双手操作策略。然而，从单臂数据集或预训练 VLA 模型迁移知识通常无法有效泛化，这主要是由于双手数据的匮乏以及单臂和双手操作之间的根本差异。本文
3步在小米13手机跑DeepSeek R1
羊仔的博客
06-03 1583
大家好！我是羊仔，专注AI工具、智能体、编程。
智能终端与边缘计算
最新发布
wozaiwurenchu的博客
06-05 685
Cloudlet的定义和主要特征Cloudlet（微云）概念于2009年首次出现。它是一种成熟的边缘计算系统，旨在将移动计算的“端-云”两层架构转变为**“端-边-云”的三层架构** [对话历史]。Cloudlet通常部署在网络边缘，靠近接入点、基站或汇聚点，甚至可以直接运行在智能网联汽车或无人机上 [对话历史]。主要特征：可信且资源丰富的主机或机群。基于虚拟机技术，为移动终端提供服务。Cloudlet通过将与具体应用相关的数据部分从通用部分中抽离出来，形成VM Overlay与Base VM。
法律AI的“幻觉”治理：大模型如何重塑司法公正与效率
七刀的专栏
06-04 1047
在传统律师事务所中，一位律师审查一份50页的商业合同平均需要3小时；而在引入法律大模型后，这一时间被缩短至20分钟。效率提升的背后，是一场正在席卷全球法律体系的智能化革命——。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

后厂村路小狗蛋

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值