Consensus of Multi-Agent Systems Using Back-Tracking and History Following Algorithms
本文提出了两种算法,即“回溯”和“历史跟踪”,以达成共识的情况下,通信丢失的分布式代理网络与切换拓扑结构。为了在分布式控制中达成共识,所考虑的通信拓扑形成强连通图。当一个Agent失去通信时,图不再是强连通的;当一个Agent失去通信时,拓扑不再是强连通的。所提出的回溯算法确保了Agent回溯其位置,除非重新建立通信,并改变路径以达成共识。在历史跟踪中,智能体使用它们的记忆并向先前的共识点移动,直到重新获得通信。在恢复通信后,根据代理的当前位置计算新的共识点,并相应地改变其轨迹。对一个由6个智能体组成的网络的仿真结果表明,当智能体遵循先前的历史时,平均共识时间小于回溯时间。然而,在历史上可能会出现这样的情况,即达成共识的错误概念使其中一个代理人停在接近实际共识点的点上。一个避障算法集成所提出的算法,以避免碰撞。三机器人系统的硬件实现表明了算法的有效性。
2020-11-17 cs.MA cs.SY eess.SY
Trust-based Consensus in Multi-Agent Reinforcement Learning Systems
University College London(伦敦大学学院);University of Bologna(博洛尼亚大学)
本文研究多智能体强化学习中不可靠智能体对达成共识的影响,提出了一种去中心化信任机制RLTC,使智能体能独立选择通信邻居,有效应对不可靠智能体并提高共识成功率。
2024-05-30 cs.AI cs.LG cs.MA
Resilient Consensus in Agentic AI
KTH(瑞典皇家理工学院);University of Pennsylvania(宾夕法尼亚大学)
研究LLM智能体在多智能体系统中的共识问题,发现经典弹性共识理论在LLM智能体中失效,但结合经典滤波器可改善一致性。
2026-06-16 cs.AI cs.MA cs.SY
COME TOGETHER: Multi-Agent Geometric Consensus (Gathering, Rendezvous, Clustering, Aggregation)
这份报告调查结果的分布式系统,包括移动代理是相同的和匿名的,不经意的,只通过调整他们的运动,根据他们的邻居的相对位置进行交互。代理被假定能够感测在给定的感测范围内的其他代理的存在,并且能够基于关于其相邻代理的几何星座的全部或部分信息来实现运动规则。八个不同的问题,包括假设有限与无限的感应范围,方向和距离与方向只感测和离散与连续运动,分析的背景下,几何共识,聚类或收集任务。
2019-02-04 cs.MA
Finite-time Consensus for Nonlinear Multi-agent Systems with Fixed Topologies
本文研究了连续非线性多智能体系统的有限时间状态一致性问题。基于有限时间李雅普诺夫稳定性理论,我们提出了保证系统在有限时间内达成一致的充分条件,前提是底层有向网络包含一棵生成树。新的有限时间共识协议作为应用的标准的例子。模拟也来说明我们的理论结果。
2009-09-17 cs.IT cs.MA math.IT
Agent-Based Product Configuration: towards Generalized Consensus Seeking
本文将提出一个基于模糊代理的产品配置平台的发展。作为第一步,我们使用共识的概念在配置过程结束时建立健壮的结果。我们实现了广义共识的概念,这意味着从一开始就考虑共识,以这种方式,强大的数据处理在整个过程中,最终的结果使设计师能够区分强大的组件和灵活的配置。
2015-06-09 cs.MA cs.SE
Dynamic Quantized Consensus of General Linear Multi-agent Systems under Denial-of-Service Attacks
在本文中,我们研究了拒绝服务(DoS)攻击下的数据速率约束的多智能体共识问题。我们首先考虑无领导者的共识问题,然后我们简要地介绍了领导者和追随者的共识分析。代理的动力学一般形式建模为齐次线性时不变系统。在我们的分析中,我们推导出的数据速率的多智能体系统,以实现无领导者和领导者-追随者的共识,在存在的DoS攻击,下的量化器溢出的问题是防止的下限。该文件的主要贡献是表征的可容忍的DoS攻击水平之间的权衡领导者和领导者-追随者的共识和所需的数据速率的量化器之间的通信尝试代理。为了减轻拒绝服务攻击的影响,我们采用动态量化放大和缩小的能力,以避免量化器饱和。
2021-11-21 cs.MA cs.SY eess.SY
Consensus Learning for Cooperative Multi-Agent Reinforcement Learning
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院)
几乎所有无通信的多智能体强化学习算法都遵循集中训练、分散执行的原则。在集中式训练期间,代理可以由相同的信号(例如全局状态)指导。然而,在分散执行期间,代理人缺乏共享信号。受视点不变性和对比学习的启发,本文提出了协作多智能体强化学习的一致性学习方法。虽然基于局部观察,但不同的智能体可以在离散空间中推断出相同的共识。在去中心化执行过程中,我们将推断出的共识作为对代理网络的明确输入,从而培养他们的合作精神。我们提出的方法可以扩展到各种多智能体强化学习算法与小的模型变化。此外,我们在一些完全合作的任务上进行了测试,并得到了令人信服的结果。
2022-12-07 cs.AI cs.MA
Revisiting Randomized Gossip Algorithms: General Framework, Convergence Rates and Novel Block and Accelerated Protocols
University of Edinburgh(爱丁堡大学);KAUST(卡塔尔科技大学);MIPT(莫斯科国立信息安全研究学院)
本文提出了一种新的随机广播算法分析和设计框架,用于解决平均共识问题。通过将经典随机迭代方法应用于特殊系统来解释网络结构,展示了其去中心化特性。该框架恢复了多种已知的广播算法作为特殊情况,并允许开发具有证明更快变体的方法。我们还提出了新的块和第一个可证明加速的随机广播协议,以及双随机广播算法。
2019-06-03 cs.DC cs.LG cs.MA
The Influence of Memory in Multi-Agent Consensus
King’s College London(伦敦国王学院);University of Oxford(牛津大学)
多智能体共识问题通常可以被看作是一系列自主和独立的局部选择之间的一组有限的决策选项,每个局部选择同时进行,并与一个共同的目标,实现全球共识状态。能够估计不同结果的概率,并预测形成共识需要多长时间,如果有的话,是这些协议的核心问题。很少有人关注代理可以记住过去或过时状态的协议。在本文中,我们提出了一个框架来研究我们所谓的\emph{memory consensus protocol}。我们表明,内存的就业允许这样的过程总是收敛,以及在某些情况下,如周期,收敛速度更快。我们提供了一个理论分析的概率,每个选项最终赢得这种过程的基础上所表达的代理人的初始意见。此外,我们进行实验,调查网络拓扑结构中,代理受益于内存的预期时间所需的共识。
2021-05-10 cs.AI cs.MA
Learning to Collaborate by Grouping: a Consensus-oriented Strategy for Multi-agent Reinforcement Learning
针对多智能体强化学习中群体级策略不足导致合作薄弱的问题,提出共识导向策略CoS,通过向量量化模块提取群体共识并结合超网络整合策略,在群体和个体层面促进协调,有效提升了多智能体系统的协作效果。
2023-07-28 cs.MA
Enhancing Robustness of LLM-Driven Multi-Agent Systems through Randomized Smoothing
Department of Computer Science(计算机科学系);Department of Electrical and Electronic Engineering(电子与电气工程系)
本文提出将随机平滑应用于LLM驱动的多智能体系统共识场景,通过黑盒环境下的两阶段自适应采样机制,在保持共识性能的同时有效阻止对抗行为和幻觉传播,为高风险环境中的安全部署提供可扩展方案。
2025-07-05 cs.AI cs.MA
A Model of Multi-Agent Consensus for Vague and Uncertain Beliefs
University of Bristol(布里斯托大学)
研究了多智能体系统中智能体信念模糊和不确定的一致性形成问题。模糊由第三真值状态表示,其含义为\emph{borderline}。这与不确定性的概率模型相结合。然后,提出了一种信念组合算子,它利用边界真值,使代理与冲突的信念,以达成妥协。进行了一些模拟实验中,代理应用该操作员在成对的相互作用,有界的置信度限制下,两个代理的信念必须是足够一致的,才能达成协议。以及孤立地研究的共识运营商,我们也调查的情况下,代理人直接或间接地影响世界的状态。对于前者,我们进行模拟相结合的共识形成与信念更新的证据。对于后者,我们调查的影响,假设代理人的信念越接近真相,他们在共识建设过程中越明显。在所有情况下,应用共识算子会导致种群收敛到一个既清晰又确定的共享信念。此外,将共识形成与证据更新相结合的模拟更快地收敛到一个更接近世界实际状态的共同观点,而不是那些只因为直接接收新证据而改变信念的模拟。最后,如果智能体的相互作用是由信仰质量的相似性来衡量的真实世界的状态,然后单独应用的共识运营商的结果在人口收敛到一个高质量的共享信念。
2018-01-12 cs.AI cs.MA
Dialogue Diplomats: An End-to-End Multi-Agent Reinforcement Learning System for Automated Conflict Resolution and Consensus Building
School of Computing and Engineering(计算与工程学院);College of Engineering(工程学院);University of Wollongong(沃灵顿大学)
Dialogue Diplomats通过端到端多智能体强化学习框架,结合分层共识网络、渐进谈判协议和上下文感知奖励机制,实现复杂环境中的自动化冲突解决与共识构建。
2025-11-20 cs.AI cs.MA
HCP-MAD:Heterogeneous Consensus-Progressive Reasoning for Efficient Multi-Agent Debate
University of Science and Technology of China(中国科学技术大学)
提出HCP-MAD框架,通过异构共识验证和自适应停止机制,在保持准确率的同时大幅降低多智能体辩论的token成本。
2026-06-16 cs.AI cs.MA
Decentralized Adaptive Formation via Consensus-Oriented Multi-Agent Communication
Zhejiang University(浙江大学);Zhejiang Lab(之江实验室)
针对通信受限下多智能体自适应编队控制难题,提出Cons-DecAF框架与ConsMAC通信方法,结合策略蒸馏和位移式编队,在仿真中实现速度与稳定性的优异表现。
2023-07-23 cs.AI cs.MA
New results on multi-agent system consensus: A graph signal processing perspective
School of Information Science;Engineering Wuhan University of Science
本文从图信号处理角度重新审视多智能体共识问题,建立共识协议与图信号滤波的关系,提出设计有效共识协议的新方法,适用于不确定网络,通过实例验证方法有效性。
2017-03-08 cs.MA cs.SY eess.SY
Consensus Planning with Primal, Dual, and Proximal Agents
Amazon Supply Chain Optimization Technologies(亚马逊供应链优化技术)
本文提出了一种允许不同类型的智能体协调的共识规划算法,结合了ADMM-like、对偶上升和线性化ADMM更新,实现了次线性及线性收敛性,并提供了实证结果。
2025-11-21 cs.MA math.OC
Hierarchical Adaptive Consensus Network: A Dynamic Framework for Scalable Consensus in Collaborative Multi-Agent AI Systems
Department of CSE, International Institute of Information Technology(计算机科学与工程系,国际信息技术研究所);Department of CS, Maharaja Sriramm Chandra Bhanja Deo University(计算机系,马哈拉吉·斯里拉姆·查兰贾德奥大学)
本文提出分层自适应共识网络,通过三层架构实现协作多智能体系统中高效的共识达成,显著降低通信开销并确保收敛性。
2025-11-16 cs.AI cs.MA
Designing Distributed Fixed-Time Consensus Protocols for Linear Multi-Agent Systems Over Directed Graphs
School of Automation, Northwestern Polytechnical University(西北工业大学自动化学院);Department of Electronic Engineering, City University of Hong Kong(香港城市大学电子工程系)
本文提出了一种基于运动规划方法的分布式固定时间一致性算法,解决了线性多智能体系统在有向图上的固定时间一致性问题,并首次实现了该问题的通用解。
2016-05-26 cs.MA cs.SY eess.SY
Bregman Consensus
本文提出一种基于Bregman散度和加权重心的迭代共识算法,使智能体在参数估计上达成唯一共识,并形成对个体能力的集体评估。
2026-09-30 cs.IT cs.LG cs.MA
Resilient Dynamic Average Consensus based on Trusted agents
在本文中,我们解决了存在对抗性攻击的多智能体系统的离散时间动态平均共识(DAC)。对抗性攻击被认为是拜占庭式的,它损害了代理的计算能力,并向其邻居发送任意虚假数据。我们假设一些代理不能被对手妥协,我们称之为可信代理。我们首先正式定义弹性DAC在拜占庭对手的存在。然后,我们提出了我们的新的弹性动态平均共识(ResDAC)算法,确保可信和普通代理实现弹性DAC在对抗代理的存在。唯一的要求是可信代理形成连通支配集和参考信号的一阶差分有界。我们不对网络中可以存在的敌对代理的可容忍数量施加任何限制。我们也不限制参考信号是有界的。最后,我们提供了数值模拟来说明所提出的ResDAC算法的有效性。
2023-03-14 cs.MA cs.SY eess.SY
Comments on "Consensus and Cooperation in Networked Multi-Agent Systems"
本文纠正了R. Olfati-Saber,J.A.传真和RM。Murray,发表于IEEE会议录第95卷(2007,No.1,P.215 -233)。它还提到适用于所审议的这类问题的几个更有力的结果,并述及优先权问题,而上述文件对优先权问题的解释并不准确。
2010-09-30 cs.MA cs.NI math.OC
Dynamic Event-Triggered Consensus of Multi-agent Systems on Matrix-weighted Networks
本文研究了矩阵加权网络上的多智能体系统的事件触发一致性,其中相邻智能体的高维状态之间的相互依赖性由网络中的矩阵加权边表征。针对这类广义网络,提出了一种新的分布式动态事件触发协调策略,该策略通过辅助系统动态调整触发阈值,保证触发时序不出现Zeno行为.针对矩阵加权网络上的多智能体系统,提出了分布式事件触发控制协议来保证无领导者和领导者-跟随者的一致性。值得注意的是,矩阵值权重的频谱在矩阵加权网络的事件触发机制设计中至关重要,推广了仅适用于标量加权网络的结果。所提出的方法允许每个代理只在其触发时刻广播和接收信息。最后,仿真例子来证明理论结果。
2022-09-05 cs.MA cs.SY eess.SY
On graph theoretic results underlying the analysis of consensus in multi-agent systems
本文纠正了R. Olfati-Saber,J.A.传真和RM。Murray,发表于IEEE会议录第95卷(2007,No.1,P.215 -233)。它还提到适用于所审议的这类问题的几个更有力的结果,并述及优先权问题,而上述文件对优先权问题的解释并不准确。
2009-02-24 cs.DM cs.MA math.CO
Models of latent consensus
Trapeznikov Institute of Control Sciences, Russian Academy of Sciences(俄罗斯科学院控制科学特拉佩兹尼科夫研究所)
本文研究多智能体系统在依赖有向图Γ无生成入树时达成共识的问题,提出通过添加哑节点实现渐近共识,并引入隐含共识概念,推导了对称连接下共识的闭式表达式,以及哑节点受其他节点影响时的共识表达式。
2016-12-15 cs.MA cs.SY eess.SY
Achieving Unanimous Consensus Through Multi-Agent Deliberation
University of North Texas(北卡罗来纳州立大学)
本文提出了一种基于多智能体辩论的区块链共识机制,利用大型语言模型进行结构化讨论以实现一致共识,同时保持区块链属性并处理对手行为和共识信心。
2026-02-08 cs.AI cs.CL cs.ET