More Is Not More: What Matters for Diversity in LLM Opinions?
New York University（纽约大学）
研究大语言模型观点多样性，通过析因实验分离输入条件设定和交互架构两维度，在7个模型上评估，发现更多角色细节非单调增多样性，不同架构探索不同观点区，组合架构覆盖更广，低成本措施效果差，揭示多样性受干预结构形式和组合影响。
2026-07-24 cs.AI cs.CL
Not All Layers Need Tuning: Selective Layer Restoration Recovers Diversity
Department of Computer Science, National University of Singapore, Singapore（新加坡国立大学计算机科学系）；Smart Systems Institute, National University of Singapore, Singapore, Singapore（新加坡国立大学智能系统研究所）
选择性层恢复通过恢复特定层到预训练权重，提升LLM输出多样性并保持高质量。
2026-02-06 cs.AI cs.CL
Where You Inject Diversity Matters: A Unified Framework for Diverse Generation
UNC Chapel Hill（北卡罗来纳大学教堂山分校）；University of Washington（华盛顿大学）
提出统一框架，通过多样性源和传输分数衡量测试时多样化生成方法，并基于此提出全自动规范级方法，在五个开放任务中提升输出多样性且保持质量。
2026-06-09 cs.CL
Optimizing Diversity and Quality through Base-Aligned Model Collaboration
University of Chicago（芝加哥大学）；University of Southern California, Information Sciences Institute（南加州大学信息科学研究所）；University of California, Davis（加州大学戴维斯分校）
提出基座对齐模型协作框架（BACo），在推理时通过令牌级路由策略动态结合基座LLM与其对齐版本，以单次前向传递同时提升生成多样性和质量。
2026-06-01 cs.AI cs.CL cs.LG
Automated Creativity Evaluation of Language Models Across Open-Ended Tasks
Raffles Institution（莱佛士书院）；College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）；Lee Kong Chian School of Medicine, Nanyang Technological University（南洋理工大学李光前医学院）；Centre of AI in Medicine (C-AIM), Nanyang Technological University（南洋理工大学人工智能医学中心）
提出一种领域无关的自动化框架，通过语义熵和检索式多智能体评估，量化LLM在开放式任务中的发散与收敛创造力，并在问题解决、研究构思和创意写作三个领域验证其有效性。
2026-06-11 cs.AI cs.CL
Rainbow Teaming: Open-Ended Generation of Diverse Adversarial Prompts
Meta；University College London（伦敦大学学院）；University of Oxford（牛津大学）
针对现有对抗性提示识别方法领域局限、多样性不足等问题，提出名为Rainbow Teaming的黑盒方法，通过开放式搜索生成多样有效的对抗提示，攻击成功率超90%，生成提示可迁移性强，还可用于提升模型安全性及拓展至多领域应用。
2024-12-11 cs.AI cs.CL cs.LG
Writing as a testbed for open ended agents
Google DeepMind（谷歌DeepMind）
本文以写作为测试平台，研究LLMs作为自主协作共同作者的潜力，分析三个模型的动作多样性、人类对齐和迭代改进能力，并建立基准框架，以应对开放式任务的挑战。
2025-03-25 cs.AI cs.CL cs.HC
The impact of behavioral diversity in multi-agent reinforcement learning
University of Cambridge（剑桥大学）
本研究采用多样性测量和控制范式，探讨了行为异质性在多智能体强化学习中的影响，证明控制行为多样性能带来优于同质化训练的非平凡收益，是集体人工智能学习的基本组件。
2025-01-29 cs.AI cs.LG cs.MA
REAL Sampling: Boosting Factuality and Diversity of Open-Ended Generation via Asymptotic Entropy
Amazon AGI Foundations（亚马逊AGI基础研究部）
本文提出 REAL 采样，利用不同规模 LLM 外推渐近熵并通过 THF 模型预测幻觉风险，以自适应调整 top-p 阈值，从而同时提升开放式生成的事实性与多样性。
2024-06-11 cs.CL cs.LG
GuessingGame: Measuring the Informativeness of Open-Ended Questions in Large Language Models
University of Cincinnati（辛辛那提大学）
提出GuessingGame协议，通过两个信息增益指标衡量LLM开放式提问质量，实验表明高IG显著提升效率，且能指导提示策略改进弱模型性能。
2025-09-23 cs.AI cs.CL
Static Sandboxes Are Inadequate: Modeling Societal Complexity Requires Open-Ended Co-Evolution in LLM-Based Multi-Agent Simulations
Meta
针对当前基于LLM的多智能体社会模拟受静态沙盒限制、无法捕捉真实社会复杂性的问题，本文批判了静态任务基准的不足，回顾相关新兴架构，指出关键障碍并提出新分类体系，给出以开放式共同演化为核心的研究路线图，呼吁推动下一代自适应社会感知多智能体模拟发展。
2025-10-21 cs.AI cs.MA
Exploring and Controlling Diversity in LLM-Agent Conversation
The University of Tokyo（东京大学）
针对LLM智能体长期模拟中对话多样性下降的问题，提出基于注意力得分的自适应提示词剪枝方法APP，可通过单参数λ灵活调控对话多样性，兼容现有方法，并揭示了提示词各组件对多样性的影响规律。
2025-10-01 cs.AI cs.CL
Evolving AI Collectives to Enhance Human Diversity and Enable Self-Regulation
University of Chicago（芝加哥大学）；UC Berkeley（加州大学伯克利分校）；Santa Fe Institute（圣塔菲研究所）
本文提出研究交互AI构成的涌现式去中心化集体，通过小型模型社区实验验证其可拓展人类多样性边界、降低网络反社会行为风险，同时探讨AI交叉审核机遇及相关伦理与设计挑战。
2024-06-18 cs.CL cs.CY
Are LLMs becoming similarly creative? Evidence from three years of models
Duke University（杜克大学）
本文通过分析三年间的LLM在Infinity-Chat100和替代用途任务上的表现，发现LLM创造性输出多样性随时间显著下降，存在同质化趋势，需关注其对人机协同创作中人类能动性的影响。
2026-08-21 cs.AI cs.CL cs.CY
DPWriter: Reinforcement Learning with Diverse Planning Branching for Creative Writing
Renmin University of China（中国人民大学）；Kuaishou Technology（快手科技）
DPWriter通过多样化规划分支方法提升创造性写作的输出多样性，同时保持生成质量。
2026-01-14 cs.AI cs.CL
MoPS: Modular Story Premise Synthesis for Open-Ended Automatic Story Generation
Shanghai AI Laboratory（上海人工智能实验室）；Fudan University（复旦大学）；Shanghai Jiao Tong University（上海交通大学）
MoPS 通过模块化分解故事前提并分阶段自动合成，解决了现有前提来源多样性差、质量不均和扩展成本高的问题，生成的前提及扩展故事在多样性、吸引力、完整性和原创性上均优于现有方法。
2024-06-09 cs.CL
Beyond Alignment: Value Diversity as a Collective Property in Multicultural Agent Systems
Singapore University of Technology and Design（新加坡科技设计大学）；Washington University in St. Louis（华盛顿大学圣路易斯分校）
针对多元文化多智能体系统，提出以价值多样性作为系统级评估轴，通过文化条件化智能体在共享价值调查中的响应差异度量，发现多样性几乎与对齐无关，且当前系统远低于人类社会，混合骨干系统缩小但未消除差距，社会互动进一步侵蚀多样性。
2026-09-01 cs.CL cs.CY
Distributional Open-Ended Evaluation of LLM Cultural Value Alignment Based on Value Codebook
KAIST（韩国科学技术院）
提出DOVE框架，通过率失真变分优化构建价值码本，利用不平衡最优传输度量分布对齐，解决LLM文化价值评估中的构造-组成-上下文挑战。
2026-06-08 cs.AI cs.CL cs.CY
On the Dynamics of Multi-Agent LLM Communities Driven by Value Diversity
Stanford University（斯坦福大学）；Microsoft Research Asia（微软亚洲研究院）
本研究通过多智能体模拟探讨价值多样性如何影响AI社区的集体行为，发现其提升稳定性与创造力，但极端异质性会导致不稳定性。
2025-12-11 cs.AI
AutoEvoEval: An Automated Framework for Evolving Close-Ended LLM Evaluation Data
Sun Yat-sen University（中山大学）
针对现有 LLM 评估基准静态且缺乏系统控制的问题，提出基于进化的框架 AutoEvoEval，引入 22 种原子操作和多轮组合，实验证明其能有效揭示模型在对抗扰动下的鲁棒性不足。
2025-06-30 cs.AI cs.CL
The Homogenization Problem in LLMs: Towards Meaningful Diversity in AI Safety
Independent Researcher（独立研究者）
本文探讨了大语言模型中同质化问题，提出通过编码价值观系统来促进多样性，通过实验揭示性别偏见并引入xeno-reproduction概念以缓解同质化。
2026-07-08 cs.AI cs.CL cs.CY
Evaluating the Diversity and Quality of LLM Generated Content
University of Pennsylvania（宾夕法尼亚大学）；New York University（纽约大学）；UC Berkeley（伯克利大学）
本文提出有效语义多样性测量框架，发现偏好微调模型在质量阈值下具有更高多样性，且小模型在固定预算内更高效生成独特内容。
2026-02-26 cs.AI cs.CL
Group-Aware Reinforcement Learning for Output Diversity in Large Language Models
Amazon（亚马逊）
针对大语言模型模式崩溃导致输出多样性不足的问题，提出群体感知策略优化（GAPO）方法，通过群体级奖励学习提升多样性，在多基准任务上保持准确性且增强响应多样性。
2025-11-16 cs.AI cs.CL cs.LG
CollectiveSFT: Scaling Large Language Models for Chinese Medical Benchmark with Collective Instructions in Healthcare
School of Software Engineering（软件工程学院）；University of Science and Technology of China（中国科学技术大学）；Shenzhen Institute of Advanced Technology（深圳先进技术研究院）；Chinese Academy of Sciences（中国科学院）；Xiangshui County Party School（响水县党校）；School of Biomedical Engineering（生物医学工程学院）；UNSW（新南威尔士大学）
本研究提出CollectiveSFT方法，通过构建多样且分布良好的中文医学指令数据集进行监督微调，使较小模型在CMB基准上达到与较大模型相当的性能，证明数据集质量与多样性比模型规模更关键。
2024-09-28 cs.AI cs.CL
Quality Diversity in the Amorphous Fortress (QD-AF): Evolving for Complexity in 0-Player Games
New York University（纽约大学）
本文提出QD-AF方法，利用质量多样性进化在非晶堡垒框架中生成多样化0玩家游戏环境，以涌现竞争与合作的多智能体生存动态，为学习算法提供训练与测试场所。
2023-12-04 cs.AI cs.MA
Towards Open-Ended Discovery for Low-Resource NLP
McGill University（麦吉尔大学）；Mila Quebec AI Institute（魁北克人工智能研究所）；École de technologie supérieure (ÉTS)（高等技术学院）
本文呼吁转向互动性语言发现，通过人机协作动态学习低资源语言，推动参与式共适应学习。
2026-02-08 cs.AI cs.CL
Emergence of Collective Open-Ended Exploration from Decentralized Meta-Reinforcement Learning
Inria（法国国家信息与自动化研究所）；Flowers Team（Flowers团队）
本文提出程序化生成的开放式任务树环境，让多个智能体去中心化元学习独立循环策略，证明其可自发形成可泛化并扩展到更深任务的集体探索能力。
2024-05-07 cs.AI cs.MA
OpenSIR: Open-Ended Self-Improving Reasoner
University of Edinburgh（爱丁堡大学）；Imperial College London（伦敦帝国理工学院）
提出OpenSIR框架，通过多样性奖励和难度校准实现开放式自我对弈，无需外部验证器或标注数据，在七个数学基准上平均提升指令模型3.6分、推理模型3.1分，且唯一能泛化到通用推理。
2026-07-07 cs.CL
Evolving Many Worlds: Towards Open-Ended Discovery in Petri Dish NCA via Population-Based Training
FLAIR, University of Oxford（奥克斯大学FLAIR实验室）；ELLIS Institute Tübingen（图宾根ELLIS研究所）；University of Freiburg（弗赖堡大学）；Prior Labs（Prior实验室）；EPFL（瑞士联邦理工学院洛桑分校）
提出 PBT-NCA 元进化算法，通过复合目标（历史行为新颖性与当代视觉多样性）演化 Petri 培养皿神经细胞自动机种群，自发产生持续涌现的生命现象，实现开放式演化。
2026-06-23 cs.AI cs.MA cs.NE
Enhancing Collective Intelligence in Large Language Models Through Emotional Integration
University of Iowa（爱荷华大学）；Tulane University（杜兰大学）；ByWater Institute（拜沃特研究所）
本研究通过 GoEmotions 数据集和 LoRA 微调 DarkIdol-Llama-3.1-8B 模型以整合情感多样性，验证了情感整合能在保持预测精度的同时塑造响应模式，从而有效增强大型语言模型的集体智能。
2025-03-05 cs.AI cs.CL cs.CY
ExpertGenQA: Open-ended QA generation in Specialized Domains
University of California Riverside（加州大学河滨分校）
本文提出ExpertGenQA协议，结合少样本学习与结构化主题及风格分类生成专业领域QA对，在保持高主题覆盖率的同时提升效率，并显著改善下游检索模型的top-1准确率。
2025-03-04 cs.CL cs.IR
AutoDiscovery: Open-ended Scientific Discovery via Bayesian Surprise
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Allen Institute for AI（人工智能研究院）；Capital One
AutoDiscovery通过贝叶斯惊喜驱动科学探索，实现开放性科学发现，显著提升发现数量和质量。
2026-02-12 cs.AI cs.CL cs.LG
Cooperative Open-ended Learning Framework for Zero-shot Coordination
The University of Manchester（曼彻斯特大学）；Shanghai Jiao Tong University（上海交通大学）；King’s College London（伦敦国王学院）
针对合作AI零样本协作中的协作不相容问题，提出融合图论与博弈论的COLE开放式学习框架，并在Overcooked中验证其优于现有方法。
2024-02-28 cs.AI cs.LG
Modelling Behavioural Diversity for Learning in Open-Ended Games
Huawei U.K.（华为英国）；Imperial College London（帝国理工学院）；University College London（伦敦大学学院）
促进行为多样性对于解决存在战略周期的非传递动态博弈至关重要，并且没有一致的赢家（例如，石头剪刀布）。然而，缺乏严格的处理定义多样性和构建多样性意识的学习动态。在这项工作中，我们提供了一个几何解释的游戏中的行为多样性，并介绍了一种新的多样性度量的基础上决定点过程（DPP）。通过将多样性度量纳入最佳反应动力学，我们开发了不同的虚拟游戏和不同的政策空间的反应甲骨文解决正常形式的游戏和开放式游戏。我们证明了不同的最佳对策的唯一性和收敛性，我们的算法对两个玩家的游戏。重要的是，我们表明，最大限度地提高基于DPP的多样性度量保证扩大gamescape-凸多面体跨越代理的混合策略。为了验证我们的多样性感知求解器，我们对数十个表现出强非传递性的游戏进行了测试。结果表明，我们的方法至少实现了相同的，在大多数游戏中，较低的可利用性比PSRO求解器找到有效的和多样化的策略。
2021-06-10 cs.AI cs.GT cs.MA
Gacha Decoding: Eliciting Diverse Generations Through Instruction Following
University of Washington（华盛顿大学）；Meta Superintelligence Labs（Meta超级智能实验室）
Gacha Decoding通过将多样性视为指令遵循问题，结合外部随机数生成器，在推理时激发多样化生成，显著提升多样性并发现新模式，逆转了多样性与模型能力的矛盾。
2026-10-02 cs.AI cs.CL
The Price of Format: Diversity Collapse in LLMs
University of California, San Diego（加州大学圣迭戈分校）
本研究揭示指令微调LLM中结构化模板导致“多样性崩溃”，即输出语义趋同；实验表明格式一致性对结构敏感任务重要，但结构令牌抑制多样性，需设计多样性感知提示。
2025-05-25 cs.AI cs.CL cs.LG
Verbalized Sampling: How to Mitigate Mode Collapse and Unlock LLM Diversity
Northeastern University（东北大学）；West Virginia University（西弗吉尼亚大学）
研究发现偏好数据中的典型性偏差致大语言模型模式坍塌，引入言语化采样策略。该策略能促使模型说出响应概率分布，经实验验证可显著提升创意写作等多方面性能，为模式坍塌提供新视角及实用补救方法。
2026-07-17 cs.AI cs.CL
CURIO: Curiosity-Driven Test-Time Learning for Open-Ended Discovery
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Maryland, College Park（马里兰大学帕克分校）；Stanford University（斯坦福大学）
CURIO提出好奇心驱动的测试时学习框架，用内在好奇心世界模型补充任务反馈，在数学发现和单细胞去噪任务上提升性能，支持好奇心作为探索信号。
2026-10-06 cs.CL cs.LG
From Verifiable Dot to Reward Chain: Harnessing Verifiable Reference-based Rewards for Reinforcement Learning of Open-ended Generation
Huawei Technologies Co.,Ltd（华为技术有限公司）；City University of Hong Kong（香港城市大学）
本文提出基于可验证参考的强化学习方法，通过提取奖励链提升开放生成任务的效率和可靠性。
2026-01-26 cs.CL
No Single Best Model for Diversity: Learning a Router for Sample Diversity
New York University（纽约大学）；Stanford University（斯坦福大学）；Carnegie Mellon University（卡内基梅隆大学）
本文研究了如何通过路由器选择最佳模型以生成多样化的响应，发现无单一模型在广泛提示下表现最佳，且在不同数据集上具有泛化能力。
2026-08-12 cs.CL
ONEBench to Test Them All: Sample-Level Benchmarking Over Open-Ended Capabilities
Tübingen AI Centre（图宾根人工智能中心）；University of Tübingen（图宾根大学）；University of Cambridge（剑桥大学）
针对传统固定测试集难以评估基础模型开放式能力的问题，提出ONEBench样本级开放式基准测试范式，通过可识别且快速收敛的聚合算法处理异质性与不完备性挑战，实现低成本高鲁棒的模型排序，还推出适配语言和视觉语言模型的版本以支撑持续扩展的评估需求。
2025-06-17 cs.CL cs.CV cs.LG
Accountable Human-AI Deliberation with LLMs: Scaling Collective Intelligence through Symbiotic Scaffolding
Northwestern University in Qatar（卡塔尔西北大学）
提出一个三层共生人机框架，通过多样性放大、条款级溯源和人类主导批准，在扩展集体智能的同时保持主体性和合法性。
2026-05-26 cs.CL
Exploring Precision and Recall to assess the quality and diversity of LLMs
Miles（迈尔斯机构）；Université Paris-Dauphine（巴黎多芬大学）；Université PSL（巴黎文理研究大学）；CNRS（法国国家科学研究中心）；LAMSADE（巴黎多芬大学计算机科学与决策实验室）；Sorbonne Université（索邦大学）；ISIR（智能与机器人系统研究所）
本文提出将Precision和Recall指标引入LLMs文本生成评估，无需对齐语料库即可细致评估生成文本的质量与多样性，揭示了模型微调时两者的权衡，扩展了基于分布的NLP评估工具包。
2024-06-04 cs.CL cs.LG
Unlocking LLM Creativity in Science through Analogical Reasoning
Stanford University（斯坦福大学）
本文通过类比推理方法提升大语言模型在开放性问题解决中的多样性与创新性，实验表明该方法显著提高了生成解决方案的质量和多样性。
2026-05-11 cs.AI cs.CL q-bio.QM
MagicLens: Self-Supervised Image Retrieval with Open-Ended Instructions
The Ohio State University（俄亥俄州立大学）；Google DeepMind（谷歌DeepMind）
提出自监督图像检索模型MagicLens，利用网页自然图像对的隐式关系并通过基础模型合成开放式指令进行训练，在多项基准上超越先前方法且模型更小。
2024-06-24 cs.AI cs.CL cs.CV
An Electoral Approach to Diversify LLM-based Multi-Agent Collective Decision-Making
University of Edinburgh（爱丁堡大学）；Huawei IT Innovation and Research Center（华为IT创新研究中心）
本文针对基于LLM的多智能体集体决策多样性不足问题，提出融合多种序数偏好投票机制的选举式CDM模块GEDI，在三个基准上验证其能提升LLM推理能力与鲁棒性，并展现对单点故障的鲁棒性。
2024-10-19 cs.CL
SPARTA ALIGNMENT: Collectively Aligning Multiple Language Models through Combat
Zhejiang University（浙江大学）；New York University（纽约大学）；University of Washington（华盛顿大学）
本文提出SPARTA ALIGNMENT算法，通过多个LLM组成“sparta tribe”进行指令对抗与同行评估，利用适应版elo排名系统聚合评分并生成偏好对，实现LLM的自我演化，在12个任务中的10个上优于基线，平均提升7.0%。
2025-11-01 cs.CL
How Individual Traits and Language Styles Shape Preferences In Open-ended User-LLM Interaction: A Preliminary Study
MBZUAI Abu Dhabi UAE（阿布扎赫 MBZUAI）
本研究通过用户实验发现LLM的语言风格影响用户偏好，且该影响因用户个体特质和群体而异，为理解交互偏好提供了初步证据。
2025-04-23 cs.CL
How to Make Swarms Open-Ended? Evolving Collective Intelligence Through a Constricted Exploration of Adjacent Possibles
我们提出了一种开放式的进化方法，通过模拟群体动力学。在自然界中，群集具有显着的特性，这使得许多生物，从群集细菌到蚂蚁和群集鸟类，能够形成更高层次的结构，增强它们作为一个群体的行为。群模拟强调了创造新颖性和多样性的三个重要因素：（a）通信产生组合合作动态，（b）并发允许时间尺度的分离，（c）复杂性和规模的增加推动系统向创新过渡。我们说明了这三个组成部分在一个模型中计算的不断演变的一群代理。结果分为三个不同的应用，展示了新兴结构如何能够通过记忆瓶颈过滤信息，在模拟环境中产生有意义的新颖性和多样性。
2019-03-19 cs.DC cs.MA cs.NE
MetaShare: Failure-Aware Collective Self-Improvement for Open-Ended Agents
PricewaterhouseCoopers (PwC)（普华永道）
MetaShare是面向开放式智能体的故障感知集体自我改进框架，通过记录成功与失败的智能体修改及性能差值，结合多样化策略检索、任务无关审计与去排名机制，在多任务上以更少迭代实现更优性能。
2026-10-16 cs.MA
Diversity of preferences can increase collective welfare in sequential exploration problems
Cornell University（康奈尔大学）；University College London（伦敦大学学院）；Boston University（波士顿大学）；Max Planck Institute for Human Development（马克斯·普朗克人类发展研究所）
在搜索引擎、在线市场和其他人机界面中，个体的大集体顺序地与不同质量的许多替代品交互。在这些情况下，试错（探索）对于发现新的高质量项目或解决方案至关重要，但对个人用户来说成本很高。自利的决策者，通常最好模仿那些已经承担了探索成本的个人的选择。虽然模仿在个体层面上是有意义的，但它剥夺了群体的额外信息，而这些信息本可以由个体探索者收集到。在本文中，我们表明，在这样的问题，偏好多样性可以作为一个福利增强机制。它导致消费替代品质量的持续提高，超过了用户搜索成本的增加。
2017-04-03 cs.AI cs.MA
Learning Collective Action under Risk Diversity
ISIR, CNRS, Sorbonne University（法国国家科学研究中心索邦大学智能系统与机器人研究所）；Instituto Superior Tecnico（葡萄牙高等理工学院）
集体风险困境（CRD）是一类代表社会挑战的n人游戏，其中群体需要协调以避免灾难性结果的风险。多智能体系统面临这样的困境，实现合作的困难，往往收敛到次优，风险主导的解决方案，每个人的缺陷。在本文中，我们研究的后果，风险多样性的代理学习发挥CRD组。我们发现，风险多样性的地方，在同质群体中没有观察到的合作新的挑战。我们发现，增加风险的多样性显着降低整体合作，并阻碍集体目标的实现。它导致代理人政策的不对称变化-即高风险个人缴款的增加无法弥补低风险个人缴款的减少-总体上减少了总体缴款总额。当将RL行为与理性的个人主义和社会行为进行比较时，我们发现RL种群收敛于代理之间的更公平的贡献。我们的研究结果强调，需要调整代理人之间的风险认知或开发新的学习技术，明确考虑到风险的多样性。
2022-01-30 cs.GT cs.LG cs.MA
Diversity and Social Network Structure in Collective Decision Making: Evolutionary Perspectives with Agent-Based Simulations
集体决策，尤其是基于群体的决策，在组织中至关重要。采用进化理论的方法进行集体决策，基于代理的模拟研究如何影响人类集体决策的代理人的多样性，在问题的理解和/或行为的讨论，以及他们的社会网络结构。模拟结果表明，具有一致问题理解的群体倾向于产生更高的效用值的想法，并显示出更好的决策收敛，但前提是集体问题理解没有群体水平的偏见。模拟结果还表明了面向选择（即，剥削的）和面向变化的（即，探索性的）行为，以实现质量的最终决定。扩大群体规模和引入非平凡的社会网络结构通常提高了决策收敛的成本的想法的质量。不同的社会网络拓扑结构的模拟显示，集体决策的小世界网络与高本地集群往往比随机或无标度网络更容易实现最高的决策质量。这种进化理论和模拟方法的集体，群体和多层次的决策未来的管理研究的影响进行了讨论。
2019-02-19 cs.MA cs.NE cs.SI
Collective Iterative Learning Control: Exploiting Diversity in Multi-Agent Systems for Reference Tracking Tasks
多智能体系统（MAS）可以通过每个智能体的个体智能以及通过协作和利用集体智能来自主学习解决先前未知的任务。本文考虑了一组自主代理学习跟踪相同的参考轨迹，在可能的少量试验。我们提出了一种新的集体学习控制方法，结合迭代学习控制（ILC）的集体更新策略。我们推导出这样的系统所需的收敛性的条件。我们表明，所提出的方法允许集体结合代理的个人学习策略的优势，从而克服了单代理ILC的权衡和局限性。这个好处是通过设计一个异构的集合来实现的，即，不同的学习规则被分配给每个代理。所有的理论结果都证实了两轮倒立摆机器人（TWIPRs），共同学习执行所需的机动仿真和实验。
2021-11-25 cs.LG cs.MA cs.RO
