《多智能体系统的神经协调：多领域任务环境中基于深度学习的智能体最优选择框架》

多智能体系统（MAS）是模拟复杂现实世界自主交互实体的基础架构。然而，传统MAS架构常受限于僵化的协调机制与动态任务适应能力不足。本文提出MetaOrch——一种面向多领域任务环境的神经协调框架，用于实现智能体最优选择。本系统采用监督学习方法，通过建模任务上下文、智能体历史行为与预期响应质量，为每个任务选择最适配智能体。创新的模糊评估模块从完整性、相关性和置信度三个维度对智能体响应进行评分，生成软监督标签用于协调器训练。相较于传统硬编码的智能体-任务映射机制，MetaOrch能动态预测最优智能体并同步评估选择置信度。在异构智能体模拟环境中的实验表明，该方法达到86.3%的选择准确率，显著优于随机选择与轮询调度等基线策略。模块化架构强调可扩展性，支持智能体的独立注册、更新与查询。研究结果证明，神经协调为提升多智能体系统在多样化任务领域中的自主性、可解释性与适应性提供了有效解决方案。