多智能体协同如何实现共识达成？

1. Win-Stay, Lose-Shift（WSLS）策略

• WSLS 是博弈论与强化学习中经典的适应性策略：本轮决策有效则保持当前策略（Win-Stay），无效则切换策略（Lose-Shift）
• 智能体通过多轮试错逐步收敛到更优策略，属于"个体学习/适应"机制，而非严格意义上的共识算法
• 适用于需要持续优化的场景，如推荐系统、资源调度；共识的正式达成通常还需结合多数投票、贝叶斯融合或 Dempster-Shafer 证据理论等方法（见本节后述）

2. 多数投票

• 当多个智能体就同一问题给出不同答案时，采用简单多数或加权多数原则
• 可设置投票阈值，如超过 70% 智能体同意则视为达成共识
• 适用于快速决策、容错要求较高的场景

3. 证据聚合

• 将各智能体提供的证据进行聚合分析
• 采用贝叶斯融合、 Dempster-Shafer 证据理论等数学方法计算综合可信度
• 适用于需要量化不确定性的场景

4. 分层共识

• 先在小组内达成局部共识，再由代表智能体进行跨组协商
• 适用于大规模智能体系统，降低全局通信开销
• 类似议会制的决策流程