一种基于优先级的多智能体环境任务调度方法

本发明涉及多智能体任务调度领域，提出一种基于优先级的多智能体环境任务调度方法。在多智能体环境的任务调度过程中，利用Nash Q‑learning算法计算各智能体在不同状态下的最优动作策略，通过求解智能体间策略博弈的Nash均衡以优化任务优先级与资源分配；接着实时更新智能体的状态与策略，通过奖励机制不断优化学习策略；在任务执行阶段，根据计算出的智能体动作策略进行任务分配，并动态调整任务队列与执行顺序，保障任务执行效率与资源利用率；最后通过仿真验证与性能分析，评估算法在不同情境下的适应性与优越性。本发明能够有效提升多智能体环境下任务执行效率与资源利用效率，尤其适用于任务优先级动态变化的实时调度场景。