123 Arbeiten
Die Arbeit untersucht das Modul-Checking von Pushdown-Multi-Agenten-Systemen gegen ATL- und ATL*-Spezifikationen und zeigt, dass die Komplexität für ATL bei 2EXPTIME-vollständig liegt, während sie für ATL* überraschenderweise 4EXPTIME-vollständig ist und damit exponentiell höher als bei verwandten Problemen ausfällt.
Dieser Beitrag stellt ein vollautomatisches, auf BDI-Architekturen basierendes Multi-Agenten-System für integrierte Luftverteidigung vor, das durch Meta-Ebenen-Planung eigenständig Ziele erkennt, Bedrohungen bewertet und Waffen zuweist, um die Kommando- und Kontrollautonomie im Netzwerkzentrierten Krieg zu gewährleisten.
Die Autoren stellen einen Algorithmus vor, der es ermöglicht, alle evolutionär stabilen Strategien in nichtentarteten Normalformspielen mit drei oder mehr Spielern zu berechnen.
Dieser Artikel stellt ein neu definiertes Echtzeit-BDI-Agentenmodell vor, das durch die Integration expliziter Zeitkontrollen in den Entscheidungsprozess die Reaktionsfähigkeit und Zuverlässigkeit von autonomen Systemen unter Zeit- und Ressourcenbeschränkungen verbessert, was durch eine Implementierung und Validierung in einem Videospiel-Szenario demonstriert wird.
Das Paper stellt Foam-Agent vor, ein auf Large Language Models basierendes Multi-Agenten-System, das komplexe CFD-Arbeitsabläufe von der Netzgenerierung bis zur Visualisierung vollständig automatisiert und dabei eine Erfolgsrate von 88,2 % ohne menschliches Eingreifen erreicht.
Diese Arbeit stellt ein Protokoll vor, das Conflict-Based Search als zentrale Schnittstelle nutzt, um heterogene Roboter mit unterschiedlichen Einzelplanern (wie A*, RRT oder Reinforcement Learning) in einer gemeinsamen Umgebung kollisionsfrei zu koordinieren.
Der Artikel stellt GRAND vor, einen hybriden, hierarchischen Algorithmus, der lernbasierte globale Guidance mit effizienter Optimierung kombiniert, um die Durchsatzleistung von Multi-Agenten-Systemen in Lagerhäusern um bis zu 10 % zu steigern und dabei Echtzeit-Anforderungen zu erfüllen.
Das Paper stellt EmboTeam vor, ein Framework für die kollaborative Aufgabenerfüllung heterogener Roboterteams, das die semantische Stärke von Large Language Models mit der Zuverlässigkeit klassischer PDDL-Planer und reaktiver Behavior Trees verbindet, um die Erfolgsrate bei komplexen Haushaltsaufgaben signifikant zu steigern.
Diese Studie zeigt, dass ein neuronales Netzwerk-basiertes Simulationsinferenz-Verfahren die Parameterschätzung für ein arbeitsmarktliches Agenten-basiertes Modell effizienter und genauer durchführt als traditionelle bayessche Methoden, indem es sowohl manuell abgeleitete als auch vom Netzwerk erlernte Zusammenfassungsstatistiken nutzt.
Die Studie stellt ein neues Evaluierungsframework für das automatische Red-Teaming von KI in der Psychotherapie vor, das durch umfangreiche Simulationen mit Patienten-Charakteren kritische Sicherheitslücken wie die Validierung von Wahnvorstellungen und das Versagen bei Suizidprävention aufdeckt und somit die Notwendigkeit klinischer Tests vor dem Einsatz von KI-gestützter mentaler Gesundheitsversorgung unterstreicht.
Diese Arbeit stellt ein graphentheoretisches Rahmenwerk vor, das die Konsistenzstabilität in Multi-Agenten-LLM-Systemen durch die formale Verknüpfung von Transformer-Latentzuständen mit der signierten Laplace-Matrix analysiert, um durch strukturelle Balance-Theorie und spektrale Störungen von Kanten in chordalen Graphen logische Frustrationen zu beheben und konsistente Koordination zu gewährleisten.
Das Paper stellt TritonDFT vor, ein Multi-Agenten-Framework zur Automatisierung komplexer DFT-Workflows durch expertenbasierte Designs und Pareto-optimierte Parameter, ergänzt durch den neuen Benchmark DFTBench zur Evaluierung wissenschaftlicher und kosteneffizienter Fähigkeiten.
Dieser Beitrag stellt eine Dual-Interaction-Aware Cooperative Control (DIACC)-Strategie vor, die mittels Multi-Agenten-Reinforcement-Learning und spezifischer Module zur Unterscheidung zwischen kooperativen und beobachtenden Interaktionen die Stauentlastung in gemischtem Verkehr mit autonomen und menschlich geführten Fahrzeugen verbessert.
Die Studie zeigt, dass gemischte Multi-Agenten-Systeme aus verschiedenen LLM-Anbietern die klinische Diagnose durch das Zusammenführen komplementärer Induktionsverzerrungen signifikant verbessern und dabei die Leistungsfähigkeit homogener Teams übertreffen.
Diese Studie untersucht die Zuweisung von rekonfigurierbaren intelligenten Oberflächen (RIS) in Multi-Cell-Netzen mittels einer aufsteigenden Auktion, bei der Deep-Reinforcement-Learning-Agenten die Gebotsstrategien optimieren, um eine flexible Steuerung des Trade-offs zwischen Netzwerkleistung und Kosten zu ermöglichen.
Die Arbeit stellt SkillNet vor, eine offene Infrastruktur, die durch die Erstellung, Evaluierung und Vernetzung von über 200.000 KI-Fähigkeiten in einer einheitlichen Ontologie die Leistung von Agenten signifikant steigert und so den Übergang von transienter Erfahrung zu dauerhafter Meisterschaft ermöglicht.
Die Arbeit stellt \SysName vor, ein Framework, das durch die Rekonstruktion semantischer Agentenflüsse und die Analyse von Ausführungspfaden mittels eines Supervisor-LLMs die Grenzen statischer Eingabe-Filter überwindet und so eine effektive Erkennung komplexer Angriffe in Multi-Agenten-Systemen ermöglicht.
Die Arbeit stellt ein Propagationsdynamik-Modell und eine genealogiegraphbasierte Governance-Schicht vor, um die Ausbreitung von Fehlern in LLM-basierten Multi-Agenten-Systemen zu modellieren und ohne Architekturänderungen effektiv zu unterdrücken.
Die Arbeit stellt A-MAC vor, ein adaptives Framework für die Steuerung der Langzeitgedächtnis-Einträge von LLM-Agenten, das durch die Zerlegung des Speicherwerts in fünf interpretierbare Faktoren und eine optimierte Zulassungsstrategie sowohl die Präzision als auch die Effizienz im Vergleich zu bestehenden Systemen signifikant verbessert.
Dieses Paper stellt einen dreistufigen Stackelberg-Rahmen vor, der nicht nur heterogene Marktführer und strategische Nachfolger, sondern auch nicht-marktteilnehmende Agenten berücksichtigt, um die verzerrten Gleichgewichtsvorhersagen in überlastungsgekoppelten Systemen wie dem E-Ladeinfrastrukturmarkt zu korrigieren.