分散ブラックボックス合意最適化のための行動と協調の学習

Learning to Act and Cooperate for Distributed Black-Box Consensus Optimization

May 1, 2026

著者: Zi-Bo Qin, Feng-Feng Wei, Tai-You Chen, Wei-Neng Chen

cs.AI

要旨

分散ブラックボックス合意最適化は、エージェントが局所的な目的関数クエリと限られた近隣通信のみを使用して大域的な目的を改善しなければならない、マルチエージェントシステムにおける基本的な問題である。既存手法の多くは、手作りの更新規則と静的な協調パターンに依存しており、異種非凸環境下での局所的適応、大域的協調、通信効率のバランスを取ることに苦戦することが多い。本論文では、分散ブラックボックス合意最適化のための軌跡駆動型自己設計に向けた第一歩を踏み出す。まず、分散合意設定に適合した適応的内部機構を備えたエージェントレベルの群れダイナミクスを再設計し、探索、収束、局所脱出のバランスを改善する。この適応的実行層の上に構築し、大規模言語モデルが過去の最適化軌跡から、エージェント内の行動挙動とエージェント間の協調パターンの両方を形成するための疎な高次元ガイダンスを提供する軌跡駆動型フレームワーク、LACMASを提案する。さらに、リソースを考慮した方法で異なる形式の適応を活性化するための段階的認知スケジューリング戦略を導入する。標準的な分散ブラックボックスベンチマークと実世界の分散タスクにおける実験により、LACMASが強力なベースラインと比較して、解の質、収束効率、通信効率を一貫して改善することが示され、手作りの分散協調から自己設計型マルチエージェント最適化システムへの実用的な道筋が示唆される。

English

Distributed blackbox consensus optimization is a fundamental problem in multi-agent systems, where agents must improve a global objective using only local objective queries and limited neighbor communication. Existing methods largely rely on handcrafted update rules and static cooperation patterns, which often struggle to balance local adaptation, global coordination, and communication efficiency in heterogeneous nonconvex environments. In this paper, we take an initial step toward trajectory-driven self-design for distributed black-box consensus optimization. We first redesign the agent-level swarm dynamics with an adaptive internal mechanism tailored to decentralized consensus settings, improving the balance between exploration, convergence, and local escape. Built on top of this adaptive execution layer, we propose Learning to Act and Cooperate (LACMAS), a trajectorydriven framework in which large language models provide sparse highlevel guidance for shaping both agentinternal action behaviors and agentexternal cooperation patterns from historical optimization trajectories. We further introduce a phased cognitive scheduling strategy to activate different forms of adaptation in a resource-aware manner. Experiments on standard distributed black-box benchmarks and real-world distributed tasks show that LAC-MAS consistently improves solution quality, convergence efficiency, and communication efficiency over strong baselines, suggesting a practical route from handcrafted distributed coordination toward self-designing multi-agent optimization systems.