[Submitted on 30 Jul 2026]

View PDF HTML (experimental)

Abstract:在去中心化環境中，分散式離散選擇最佳化通常難以探索與導航：隨著系統規模擴大，拆解其他代理人的選擇、這些選擇如何相互依存，以及它們如何共同達成全域目標，很快就會變得難以處理。主要限制在於搜尋過程的可觀測性。現有方法大多為集中式且支援有限，僅視覺化最終解，或在固定資料集上提供演算法後端，因此解的達成過程仍屬黑箱。我們提出 Argonaut，一個輕量、可容器化的最佳化儀表板，能針對去中心化環境中的多代理人離散選擇最佳化，進行整個搜尋過程的互動式視覺探索。使用者可上傳資料集、建立代理人與選項、即時修改決策空間及其參數，並執行多種演算法後端，以檢視每個配置如何形塑局部代理人決策與最終的全域目標。透過將系統建構、最佳化與分析整合於單一互動迴圈，Argonaut 成為首創之作，使分散式離散選擇最佳化成為人類參與的過程，而非一次性的黑箱計算。我們在真實世界的家用電力、共享行動力與感測器資料交換資料集上評估 Argonaut，規模達 5600 個代理人與多達 100 萬個暴力搜尋解。Argonaut 建基於 this http URL 介面，搭配可擴充的 Java 與 Python 最佳化後端，在 200 個代理人與 100 個決策屬性下，典型執行時間維持在 30 秒以內。

Submission history

From: Srijoni Majumdar Dr [view email]
[v1] Thu, 30 Jul 2026 09:52:33 UTC (609 KB)