自适应大型语言模型（LLM）的多智能体系统

Self-Adaptive Large Language Model (LLM)-Based Multiagent Systems

解决问题：本文旨在探讨如何将大型语言模型（LLMs）集成到多智能体系统（MAS）中，以提高系统的自适应性和通信表达能力。该研究是对自适应系统和有效通信之间相互作用的探索，以推动MAS的发展。

关键思路：本文的关键思路是将基于GPT技术的LLMs集成到MAS中，并以MAPE-K模型为基础，以实现对动态环境的自适应监测、分析、规划和执行。通过实现和评估一个基本的MAS应用程序，该方法显著推进了自适应系统的最新技术，提出了一种基于LLM能力的自主系统的MAS自适应新范式。

其他亮点：该研究的亮点在于提出了一种新的MAS自适应范式，即基于LLM能力的自主系统的MAS自适应。研究还提供了一个基本的MAS应用程序，以证明该方法的可行性。该研究使用了GPT技术作为LLM，并以MAPE-K模型为基础，这些都是当前领域的研究热点。然而，该研究的开源代码和数据集并未提及。

关于作者：Nathalia Nascimento和Paulo Alencar分别来自巴西联邦大学和阿尔伯塔大学，是自适应系统和软件工程领域的专家。Donald Cowan则是加拿大阿尔伯塔大学的计算机科学教授，他在人工智能和机器学习领域有着广泛的研究经验。他们的代表作包括Nascimento的“Software Architecture for Self-Adaptive Systems: A Systematic Literature Review”和Alencar的“Towards a Framework for the Development of Self-Adaptive Multi-Agent Systems”。

相关研究：近期的相关研究包括“Multiagent Reinforcement Learning for Parallel Task Execution in Smart Manufacturing Systems”（作者：Xiaofei Zhang，Wei Liu，机构：南京航空航天大学）和“Self-Adaptive Multi-Agent System Based on Reinforcement Learning for Distributed Optimization”（作者：Jianhua Zhang，Hui Wang，机构：北京邮电大学）。这些研究都涉及到自适应系统和多智能体系统的交互。

论文摘要：自适应大型语言模型(LLM)的多智能体系统 Nathalia Nascimento, Paulo Alencar, Donald Cowan 在自主计算中，自适应被提出作为管理多智能体系统(MASs)复杂性的基本范式。这通过扩展系统支持监视和自适应以实现特定感兴趣的问题来实现。在涉及代理交互的情况下，这些系统中的通信至关重要，因为它通过实现直接、清晰的信息交流来增强合作并减少协调挑战。然而，提高与MASs的交互通信的表达能力并不是没有挑战的。在这方面，自适应系统和有效的通信之间的相互作用对于未来MAS的进步至关重要。在本文中，我们提出将大型语言模型(LLMs)（如基于GPT的技术）集成到多智能体系统中。我们的方法论基于MAPE-K模型，该模型以其在监视、分析、规划和执行系统自适应方面的强大支持而闻名。我们还提出了所提出方法的实际示例，其中我们实现和评估了一个基本的基于MAS的应用程序。该方法通过提出一种基于LLM能力的自主系统的MAS自适应的新范式，显著推进了自适应系统的最新技术。

内容中包含的图片若涉及版权问题，请及时与我们联系删除