في عالم الذكاء الاصطناعي، تعد الأنظمة متعددة الوكلاء (Multi-Agent Systems - MAS) وسيلة قوية لمواجهة التحديات المعقدة من خلال تعاون الوكلاء. ومع ذلك، تظل جودة التعليمات المستخدمة كعنصر محوري في هذا التعاون. لذا، كيف يمكن تحسين تلك التعليمات بشكل فعال؟ هنا تأتي المبتكرة MASPO، التي تمثل تقدماً نوعياً في تحسين التعليمات عبر الأنظمة متعددة الوكلاء.

بعيدًا عن التركيز على الأهداف المحلية لكل وكيل، يعمل MASPO على تحسين التعليمات بشكل جماعي، مما يضمن توافقًا أفضل بين الأهداف الفردية للوكيل والأهداف العامة للنظام. من خلال آلية التقييم المشتركة، يقوم الفريمورك الجديد بتقييم التعليمات وفقًا لقدرتها على تعزيز نجاح الوكلاء اللاحقين، مما يسد الفجوة بين التفاعلات المحلية والنتائج العالمية.

تعتمد MASPO أيضًا على بحث شعاعي تطوري مدفوع بالبيانات، مما يسمح بالتنقل بكفاءة عبر فضاء التعليمات ذو الأبعاد العالية. أظهرت الدراسات التجريبية التي أجريت على ست مهام متنوعة أن MASPO تفوقت باستمرار على طرق تحسين التعليمات المعروفة، مما أدي إلى تحسين دقة تتجاوز الـ 2.9%.

للمهتمين بالتطوير، تم إتاحة الشيفرة المصدرية لإطار MASPO عبر الرابط: [https://github.com/wangzx1219/MASPO].