Adaptive Task Allocation Based on Social Utility and Individual Preference in Distributed Environments

پیشرفت های اخیر در فن آوری های کامپیوتری و شبکه، امکان ارائه خدمات بسیاری را با ترکیب چندین نوع اطلاعات و قابلیت های محاسباتی مختلف فراهم می کند. وظایف این سرویس ها با اختصاص دادن آنها به عامل های همکاری مناسب، که سازه های محاسباتی با قابلیت های خاص هستند، اجرا می شوند. با این حال، تعداد این وظایف بزرگ است و این وظایف به طور همزمان ظاهر می شود و تخصیص مناسب به شدت به قابلیت عامل و الگوهای منابع مورد نیاز برای تکمیل وظایف بستگی دارد. بنابراین ابتدا یک روش تخصیص وظیفه پیشنهاد می کنیم که در آن، اگر چه ابزار اجتماعی برای عملکرد مشترک و مورد نیاز تلاش می شود تا حداکثر سازی شود، عوامل نیز به ترجیحات فردی بر اساس مشخصات و قابلیت های خود اهمیت می دهند. ما همچنین یک روش یادگیری را پیشنهاد می کنیم که در آن عوامل همکاری به تنهایی تصمیم گیری می کنند که اولویت در محیط پویا سازگار باشد. ما تجربی نشان می دهیم که استراتژی مناسب برای تصمیم گیری در مورد اولویت بستگی به نوع وظیفه و ویژگی های پاداش کار دارد. سپس ما نشان می دهیم که عوامل با استفاده از روش یادگیری پیشنهاد شده سازگارانه ترجیح داده شده اند و می توانند عملکرد عالی در یک محیط در حال تغییر را حفظ کنند.