arXiv cs.MA· Nikolaos Al. Papadopoulos, Ismael Tito Freire, Marti Sanchez-Fibla, Konstantinos E. Psannis·· 11 小时前AI 评分26
多智能体系统中的时间公平分配：从精确交替指标到可扩展协调代理指标
Temporal Fair Division in Multi-Agent Systems: From Precise Alternation Metrics to Scalable Coordination Proxies
AI 导读
研究提出 Rotational Periodicity 指标族，通过衡量成功访问间等待时间的规律性与各智能体访问频率的均衡度，来区分有序轮流与不规则访问模式。在 2 至 10 个强化学习智能体竞争的 Honey-Jar Game 中，独立训练的 Q-learning 智能体协调表现常显著差于随机策略智能体，而传统公平指标却一致报告良好结果。
正文 · AI 翻译
摘要：许多多智能体博弈与模拟环境涉及多个独立的、往往具备学习能力的智能体，它们反复争夺同一共享资源。传统公平性度量评估资源在总体上是否被均等分享，但无法区分有序轮流与不规则访问模式——后者尽管累计结果相近，却会产生漫长且不可预测的等待时间。我们提出旋转周期性（Rotational Periodicity），这是一族计算高效的度量指标，结合了两项互补测量：成功访问之间等待时间的规律性，以及各智能体访问频率的均衡性。我们在重复阈值拥塞博弈“蜜罐博弈”（Honey-Jar Game）中，将它们与更精细的一族交替度量指标进行对比评估；在该博弈中，2 至 10 个强化学习智能体竞争对同一高价值资源的独占访问权。实验表明，独立训练的 Q-learning 智能体在协调上往往明显劣于随机策略智能体，尽管传统公平性指标一致报告有利结果。该族中的每个成员都紧密复现了计算代价更高的交替度量指标的排名，同时随着智能体数量增长，计算速度快 6 至 20 倍。一项直接的计时研究将驱动该成本的两个量分开，测得优势随智能体数量增长而增长，直至两千个智能体。这些发现表明，评估多智能体学习系统需要具备时间感知的协调度量，而不仅是聚合结果；高效的代理指标使这一做法在更大规模的多智能
| Comments: | 18 页，6 幅图，11 张表。本工作已提交至 IEEE 以供可能发表。版权可能在不另行通知的情况下转移，此后本版本可能不再可访问 |
| Subjects: | 多智能体系统（cs.MA）；计算机科学与博弈论（cs.GT）；机器学习（cs.LG） |
| MSC 分类号： | 91A20, 91B32, 68T42 |
| ACM 分类号： | I.2.11; F.2.2; J.4 |
| 引用为： | arXiv:2605.14879 [cs.MA] |
| （或本版本使用 arXiv:2605.14879v3 [cs.MA]） | |
| https://doi.org/10.48550/arXiv.2605.14879 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Nikolaos Papadopoulos [查看邮箱]
[v1]
2026 年 5 月 14 日星期四 14:23:32 UTC（643 KB）
[v2]
2026 年 7 月 21 日星期二 22:12:22 UTC（1,263 KB）
[v3]
2026 年 10 月 23 日星期五 14:34:54 UTC（916 KB）
来源：arXiv cs.MA · arxiv.org