多智能体系统（Multi-Agent Systems, MAS）和单智能体系统（Single-Agent Systems, SAS）在信息处理、控制、协同和系统架构上有显著不同，具体表现如下：

1、信息处理

单智能体系统信息由一个智能体集中处理，所有感知和决策都在单一主体内部完成，智能体通过其传感器收集环境信息，然后基于这些信息进行决策和执行行动。多智能体系统信息处理是分布式的，每个智能体都有其局部的感知和决策机制，信息传递和共享是通过智能体间的通信来实现的，每个智能体可能只掌握环境的一部分信息。通过协调和合作，多个智能体的集体行为可以完成复杂的任务。

2、控制机制

单智能体系统控制通常是集中式的，由单一智能体独立决策，行动和任务执行是由其自身控制的，智能体对环境的反馈是基于其独立判断的。多智能体系统的控制是分散式的，多个智能体之间互相独立决策，但也可能需要协作或共享信息来达成共同目标，智能体可以是自治或自主的，每个智能体根据局部信息采取行动，集体行为通过分布式控制机制来协调。

3、协同与合作

单智能体系统通常不涉及协作和合作，因为任务是由单一智能体完成的，如果任务更复杂，可能会通过任务分解的方式进行，但依然由一个智能体处理。多智能体系统中多个智能体协同工作以完成更复杂的任务，智能体之间需要协调、合作甚至竞争来优化整体目标，协作可能包括共享信息、任务分配、资源调度和冲突解决等。通过协作，多个智能体可以实现单个智能体无法完成的任务。

4、系统架构

单智能体系统架构通常较为简单，只有一个智能体进行感知、决策和执行任务、设计重点在于如何优化单个智能体的行为。多智能体系统架构较为复杂，包含多个独立智能体，这些智能体通过通信和协作来共同完成任务。系统设计必须考虑如何确保各个智能体之间的协调、资源共享、信息一致性以及冲突避免。

5、鲁棒性与适应性

单一智能体的性能依赖于自身的能力和策略，若遇到复杂环境或故障，可能导致系统失效。多智能体系统通常具有更高的鲁棒性和适应性。通过分布式处理和协作，系统可以更好地应对动态环境中的变化和不可预测性，如果一个智能体发生故障，其他智能体可以继续工作或采取补救措施，保持系统的稳定性。

6、任务复杂性

单智能体系统适用于较简单的任务或单一任务的环境，处理能力和执行效率可能会受到限制。多智能体系统适用于需要多个主体协同完成的复杂任务，如大规模监控、搜索与救援、物流调度等，多智能体系统可以处理高度复杂的任务，并能通过分工合作提高效率。单智能体系统是以一个独立的主体为核心，专注于个人决策和任务执行，其架构简单，控制集中。多智能体系统则是由多个独立智能体组成，侧重于合作、协调与信息共享，控制分散，适用于复杂和动态的环境，具有更高的灵活性和鲁棒性。

在多智能体系统中，聚身和分身是两种常见的协同方式，它们分别代表了智能体在合作与任务分配过程中的不同组织形式。

1、聚身

聚身是指多个智能体在某些条件下聚集成一个更强大的整体来协同工作，通常表现为智能体之间的合作、协调或者资源共享。在聚身模式下，智能体通过集体合作来实现更复杂的任务，集体的行为往往比单独个体更加高效和智能。比如，在无人机群体中，它们可以通过聚身形成一个协同工作的大型系统，分担任务或完成特定目标。聚身还可以在物理上实现，如多个机器人协作进行物体搬运，或者在信息处理上进行数据聚合来提高系统性能。其特征包括：智能体之间相对紧密协作、集体行为可能优于单独行动、强调资源共享和信息整合、协同增效。

2、分身

分身是指将一个大的任务或复杂的目标分解成多个较小的任务，每个智能体独立承担其中的一部分。在分身模式下，多个智能体分散工作，执行各自的局部任务，最终通过汇总或协调来实现整体目标。智能体各自独立工作，专注于特定部分，在分布式传感器网络中，多个传感器分别在不同位置收集数据，通过分身处理并返回信息进行综合分析。在机器人任务中，多个机器人可能分别负责不同的任务区域，最终协同完成整个任务。其特征涉及：1）智能体之间的独立性较强，每个智能体执行分配给它的部分任务。2）强调任务分解和负载均衡。系统可以在多个方面并行工作，提高处理效率。每个智能体根据其能力和资源执行局部任务，减少任务之间的依赖。

在多智能体系统中，聚身和分身可以并存，并根据具体情况选择合适的协同策略。两者的协同机制可以通过以下几种方式体现：1）从分身到聚身：当每个智能体完成其局部任务时，可能需要进行信息共享或合作，从而形成更强大的集体合作模式。比如，多个机器人分散执行任务后，最终会聚集在一起，协作完成一个更大的任务。2）从聚身到分身：当任务非常庞大时，智能体首先聚集在一起，进行初步的规划和资源调度，然后再将任务拆分成小部分，由各个智能体独立执行。最终，所有的智能体汇总成果，达成整体目标。无人机可以根据需要实现分身，分布在不同区域收集数据或执行任务。然后，通过聚身，它们可以共享信息，协同完成大规模的监控或搜救任务。智能交通系统中分身可以表现为每个交通信号灯独立控制自己的路段的流量，而聚身则是所有信号灯通过协调，优化整个城市的交通流畅性。聚身强调智能体之间的紧密协作和资源共享，通常用于提升系统的集体性能。分身强调任务的分解和独立执行，通常用于处理大规模任务或提高效率。 两者可以灵活结合，以应对不同的应用场景和系统需求。

多智能体协同中的聚身和分身分别代表了不同的协作方式，在实际应用中，这两种方式常常根据任务需求相互配合。

1、聚身：无人机群体协作

假设有一组无人机在执行灾难救援任务，任务是覆盖一个大范围的区域，寻找被困人员，并传回现场的图像和数据。1）任务分解：每个无人机独立进行飞行任务，搜寻并拍摄现场图像。2）聚身协作：一旦无人机在某个区域发现被困人员，它们会通过无线通信聚集，进行数据交换。所有无人机集结后，共享信息，协同分析并将搜寻区域划分，避免重复工作。此时，无人机群体通过聚身模式，集结力量来提高搜救效率，完成一个单一的、大规模的任务。通过信息共享和集体决策，它们能够更加高效地完成任务。

2、分身：分布式传感器网络

在一个智能农业系统中，多个传感器分布在广阔的农田中，监控土壤湿度、温度、光照等信息。1）任务分解：每个传感器负责监测并采集特定区域的数据，每个传感器独立运行并处理局部的数据。2）分身执行：传感器独立收集信息后，发送到中央系统进行集中处理。每个传感器工作独立，并不需要和其他传感器进行实时协作。在这个例子中，传感器网络通过分身方式工作，每个传感器处理自己所在区域的任务，最终将所有数据汇总给中心系统，进行综合分析。

3、聚身与分身结合：自动驾驶车队

在自动驾驶车队中，多个智能汽车在执行一项长途运输任务时，可以结合聚身与分身的方式：1）分身执行：每辆车根据路线独立行驶，处理自己的行驶任务，确保避免碰撞、保持车速、导航等。2）聚身协作：当车队进入复杂的交通环境或遇到需要团队决策的情况时，车辆之间通过无线通信聚集并共享数据，如交通状况、路径调整、紧急情况处理等。这些信息帮助车队协调行驶策略，优化行车效率。在这种情况下，车队的车辆分别独立执行自己的任务，保证系统高效运行。而在特定情境下，车辆通过聚身协作来共同应对复杂环境，确保车队整体安全和效率。总而言之，聚身适用于需要紧密合作与集体决策的场景，比如无人机群体救援、自动驾驶车队中的集体调整等。分身适用于可以独立执行任务的场景，如分布式传感器网络、多个机器人分别完成任务等。在实际的多智能体系统中，聚身与分身常常是互补的，智能体根据具体任务的需求选择适合的协作方式。

转载本文请联系原作者获取授权，同时请注明本文来自刘伟科学网博客。

链接地址：https://wap.sciencenet.cn/blog-40841-1469451.html?mobile=1

收藏

分享