Aprendizado para Agir e Cooperar na Otimização de Consenso de Caixa-Preta Distribuída

Resumo

A otimização distribuída de consenso por caixa-preta é um problema fundamental em sistemas multiagente, nos quais os agentes devem melhorar um objetivo global utilizando apenas consultas locais ao objetivo e comunicação limitada com vizinhos. Os métodos existentes dependem amplamente de regras de atualização manuais e padrões de cooperação estáticos, que frequentemente lutam para equilibrar adaptação local, coordenação global e eficiência de comunicação em ambientes não convexos e heterogêneos. Neste artigo, damos um passo inicial em direção ao autoprojeto orientado por trajetória para a otimização distribuída de consenso por caixa-preta. Primeiro, redesenhamos a dinâmica de enxame a nível de agente com um mecanismo interno adaptativo ajustado para configurações de consenso descentralizadas, melhorando o equilíbrio entre exploração, convergência e escape local. Construído sobre esta camada de execução adaptativa, propomos o Learning to Act and Cooperate (LACMAS), uma estrutura orientada por trajetória na qual modelos de linguagem grande fornecem orientação esparsa de alto nível para moldar tanto os comportamentos de ação internos do agente quanto os padrões de cooperação externos do agente a partir de trajetórias históricas de otimização. Introduzimos ainda uma estratégia de escalonamento cognitivo em fases para ativar diferentes formas de adaptação de maneira consciente aos recursos. Experimentos em benchmarks padrão de otimização distribuída por caixa-preta e tarefas distribuídas do mundo real mostram que o LACMAS melhora consistentemente a qualidade da solução, a eficiência de convergência e a eficiência de comunicação em relação a bases de comparação robustas, sugerindo uma rota prática da coordenação distribuída manual em direção a sistemas de otimização multiagente autoprojetantes.

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.