124 artigos
O artigo propõe o AGMARL-DKS, um escalonador de Kubernetes baseado em aprendizado por reforço multiagente aprimorado por grafos e ordenação lexicográfica adaptativa, que supera o escalonador padrão ao melhorar a tolerância a falhas, a utilização de recursos e a redução de custos em ambientes dinâmicos e heterogêneos.
Este artigo estabelece que a verificação de módulos em sistemas multiagentes de pilha (PMS) é completa para 2EXPTIME sob especificações ATL, mas atinge uma complexidade incomum de 4EXPTIME sob especificações ATL*, tornando-se exponencialmente mais difícil do que os problemas de verificação de modelos correspondentes.
Este artigo apresenta um modelo de ponta para sistemas integrados de defesa aérea que utiliza agentes baseados na arquitetura BDI e raciocínio de planos de metanível para automatizar decisões de comando e controle, como detecção, avaliação de ameaças e alocação de armas, sem necessidade de intervenção manual.
O artigo apresenta um algoritmo para calcular todas as estratégias evolutivamente estáveis em jogos normais não degenerados com três ou mais jogadores.
Este artigo redefine o ciclo de controle de agentes BDI para incorporar restrições temporais explícitas, propondo um modelo e sua implementação em um jogo de coleta de recursos que garante reações eficazes e o gerenciamento adequado de objetivos, planos e ações sob limitações de tempo e recursos.
O artigo apresenta o Foam-Agent, um sistema multiagente baseado em modelos de linguagem que automatiza fluxos de trabalho completos de dinâmica dos fluidos computacionais (CFD) a partir de prompts em linguagem natural, alcançando uma taxa de sucesso de 88,2% em tarefas complexas sem intervenção humana.
Este trabalho apresenta o "CBS Protocol", uma abordagem que utiliza a Busca Baseada em Conflitos (CBS) como um protocolo centralizador para coordenar o movimento livre de colisões entre agentes heterogêneos com tarefas independentes, permitindo a integração de diversos solucionadores de planejamento de movimento individuais, desde algoritmos clássicos até métodos baseados em aprendizado de reforço.
O artigo apresenta o GRAND, um algoritmo hierárquico que combina orientação baseada em aprendizado de máquina, rebalanceamento por fluxo de custo mínimo e atribuição local para otimizar o despacho de grandes frotas de robôs em armazéns, aumentando o throughput em até 10% em relação aos melhores métodos existentes enquanto mantém a execução em tempo real.
O artigo apresenta o EmboTeam, um framework inovador para planejamento de tarefas em equipes de robôs heterogêneos que integra raciocínio de modelos de linguagem (LLMs), planejamento clássico baseado em PDDL e árvores de comportamento reativas para melhorar significativamente a execução de tarefas de longo prazo em ambientes domésticos.
Este estudo demonstra que um quadro de inferência baseado em simulação que utiliza redes neurais para estimar parâmetros de um modelo baseado em agentes do mercado de trabalho é mais eficiente e preciso do que os métodos bayesianos tradicionais, recuperando com sucesso os parâmetros originais em diferentes escalas de dados.
Este artigo apresenta um novo quadro de avaliação baseado em simulação para realizar testes de "red teaming" em modelos de linguagem aplicados à saúde mental, identificando riscos críticos como a validação de delírios e falhas na desescalada de risco suicida, e validando uma ferramenta de visualização para auditoria por parte de diversas partes interessadas.
Este artigo estabelece um rigoroso quadro teórico baseado na teoria dos grafos para analisar e garantir a estabilidade do consenso em sistemas multiagente de LLMs, mapeando a lógica de interação para estruturas de grafos assinados e propondo algoritmos polinomiais para resolver deadlocks causados por estados latentes não observáveis.
O artigo apresenta o TritonDFT, um framework multiagente que automatiza fluxos de trabalho completos de Teoria do Funcional da Densidade (DFT) por meio de inferência de parâmetros consciente de trade-offs e conhecimento especializado, acompanhado pelo DFTBench, uma nova métrica de avaliação para capacidades multidimensionais em ciência de materiais.
Este artigo propõe a estratégia de controle cooperativo DIACC, baseada em Aprendizado por Reforço Multiagente, que mitiga o congestionamento em tráfego misto através de módulos de percepção de interação local e global, um design de recompensa adaptativo e um mecanismo de refinamento de segurança para otimizar a eficiência do tráfego em cenários de gargalo.
O estudo demonstra que sistemas multiagente de LLMs com diversidade de fornecedores superam as configurações homogêneas em diagnósticos clínicos, pois a combinação de modelos distintos pooling vieses indutivos complementares para identificar corretamente diagnósticos que seriam ignorados por equipes de um único fornecedor.
Este artigo propõe um mecanismo de alocação de superfícies inteligentes reconfiguráveis (RIS) baseado em leilão e aprendizado por reforço profundo (DRL) para otimizar o equilíbrio entre custo e desempenho em redes sem fio multicélula, demonstrando que agentes de RL superam estratégias heurísticas ao aprender a maximizar a eficiência espectral dentro de restrições orçamentárias.
O artigo apresenta o SkillNet, uma infraestrutura aberta que organiza e avalia habilidades de IA em escala, permitindo que agentes aprendam com experiências passadas e melhorem significativamente seu desempenho em tarefas complexas.
O artigo apresenta o \SysName, um framework que supera as limitações dos guardrails de entrada tradicionais em Sistemas Multi-Agentes ao reconstruir fluxos semânticos entre agentes para uma análise orientada à execução, detectando efetivamente ataques compostos complexos através da identificação de anomalias em trajetórias comportamentais.
Este artigo propõe um modelo de dinâmica de propagação e uma camada de governança baseada em grafos genealógicos para identificar e mitigar a amplificação de erros em sistemas multiagentes baseados em LLM, demonstrando que essa abordagem não invasiva eleva a taxa de sucesso da defesa de 0,32 para mais de 0,89.
O artigo propõe o A-MAC, um framework de controle de admissão de memória adaptativo e interpretável para agentes de LLM que, ao decompor o valor da memória em cinco fatores e otimizar políticas de domínio, supera os sistemas nativos em precisão e eficiência, conforme demonstrado no benchmark LoCoMo.