Model Matematika dalam Pemilihan mekanisme koordinasi pada sistem Multiagen menggunakan proses markov
Abstract
Artikel ini menyajikan dan mengevaluasi kerangka pengambilan keputusan yang memungkinkan agen otonom untuk secara dinamis memilih mekanisme yang mereka gunakan untuk mengoordinasikan kegiatan yang saling terkait dalam konteks sekolah yang berkelanjutan. Dengan mengadopsi kerangka kerja Proses Markov, mekanisme koordinasi bergeser dari yang telah ditentukan sebelumnya pada waktu desain menjadi dipilih secara adaptif oleh agen pada waktu berjalan sesuai dengan kondisi dan kebutuhan koordinasi yang berlaku. Melalui pendekatan ini, agen dapat membuat keputusan yang tepat mengenai kapan dan bagaimana berkoordinasi, serta kapan harus menanggapi permintaan koordinasi. Kerangka kerja dievaluasi secara empiris menggunakan skenario dunia grid, dan hasilnya menyoroti jenis lingkungan di mana ia paling efektif. Penelitian di masa depan direkomendasikan untuk menerapkan kerangka kerja ini ke pengaturan yang lebih kompleks dan realistis, menggabungkan metode berbasis pembelajaran untuk meningkatkan kemampuan beradaptasi di bawah ketidakpastian, dan mengevaluasi kinerja menggunakan indikator keberlanjutan yang lebih luas untuk meningkatkan relevansi praktis dan generalisasinya.
Downloads
References
Bourne, R. A., Excelente-toledo, C. B., & Jennings, N. R. (2022). Run-Time Selection of Coordination Mechanisms in Multi-Agent Systems.
Carvalho, G., Bernardino, J., Cabral, B., & Pereira, V. (2025). A Survey of Holistic Approaches for Distributed Database Systems : From Conceptual Model to Deployment. 13(July). https://doi.org/10.1109/ACCESS.2025.3587670
Cohen, P. (2006). Empirical Methods for Artificial Intelligence.
Durfee, E. H., Lesser, V. R., & Arbor, A. (2018). Partial Global Planning : A Coordination Framework for Distributed Hypothesis Formation 1 Introduction. 0–39.
Excelente-toledo, C. B., & Jennings, N. R. (2019). Learning When and How to Coordinate. 80, 1–20.
Gnanamani, C., & Kumaravel, A. R. (2025). Coordination and Collaboration in Multi- Agent Autonomous Systems : A Swarm Intelligence Approach. 7(3), 238–257.
Hanks, S., Pollack, M. E., & Cohen, P. R. (1994). Benchmarks , Testbeds , Controlled Experimentation , and the Design of Agent Architectures. 14(4), 17–42.
He, T., Hwang, H., Kean, W., Agustiono, T., Chen, K., Phan, Q., & Yuong, S. (2024). Enhancing multi-agent system coordination : Fixed-time and event-triggered control mechanism for robust distributed consensus. 15(September).
Hogg, L. M. J., & Jennings, N. R. (2001). Agents. 31(5), 381–393.
Mallampati, S., Shelim, R., & Saad, W. (2025). Dynamic Strategy Adaptation in Multi-Agent. 1–20.
Malone, T. W. (1987). Modeling Coordination in Organizations and Markets. September 2015.
Publishers, A., & Lesser, V. R. (1998). Reflections on the Nature of Multi-Agent Coordination and Its Implications for an Agent Architecture * by. July, 1–22.
Radeva, I., Popchev, I., & Doukovska, L. (2025). Multi-Agent Coordination Strategies vs . Retrieval-Augmented Generation in LLMs : A Comparative Evaluation. 1–35.
Rother, D., Pajarinen, J., Peters, J., & Weisswange, T. H. (2025). Open-ended coordination for multi-agent systems using modular open policies.
Shen, Y. (2018). Multi-Agent Coordination across Diverse Applications: A Survey. 1–23.
Shoham, Y., & Tennenholtz, M. (1992). The general framewsr.
Tarasova, E., Erofeeva, V., Granichin, O., & Chernikov, K. (2025). Decentralized adaptive task allocation for dynamic multi-agent systems. 1–18.
Yang, B., Gao, L., Zhou, F., Yao, H., Fu, Y., Sun, Z., Tian, F., & Ren, H. (2025). A Coordination Optimization Framework for Multi-Agent Reinforcement Learning Based on Reward Redistribution and Experience Reutilization. 1–24.
.png)
