Distributed Event-driven Scheduling Benchmark (DESBench)

DESBench是由浙江大学研究团队创建的分布式事件驱动调度基准数据集，旨在为多智能体系统在复杂工业调度场景中的协调机制提供结构化评估平台。该数据集构建于共享离散事件仿真环境之上，模拟了具有层次结构、部分可观测性和动态耦合约束的工厂调度场景，涵盖了作业、机器、缓冲区、运输路径等多种实体及资源约束。数据集的创建过程基于离散事件驱动模型，通过定义任务实例、协调范式和评估指标，系统化地生成了用于评估集中式、分层式、异构式和整体式四种典型协调范式的仿真环境。该数据集主要应用于多智能体协调研究领域，旨在深入探究不同协调范式在动态演化环境中的性能表现与内在权衡，为解决工业调度中因资源耦合和延迟反馈所引发的复杂协调问题提供实证基础。

DESBench is a distributed event-driven scheduling benchmark dataset developed by the research team from Zhejiang University, aiming to provide a structured evaluation platform for coordination mechanisms of multi-agent systems in complex industrial scheduling scenarios. Built on a shared discrete-event simulation environment, this dataset simulates factory scheduling scenarios with hierarchical structures, partial observability, and dynamic coupling constraints, covering various entities and resource constraints such as jobs, machines, buffers, and transportation routes. Constructed based on a discrete-event-driven model, the dataset systematically generates simulation environments for evaluating four typical coordination paradigms—centralized, hierarchical, heterogeneous, and holistic—by defining task instances, coordination paradigms, and evaluation metrics. This dataset is primarily applied in the field of multi-agent coordination research, aiming to deeply explore the performance and inherent trade-offs of different coordination paradigms in dynamically evolving environments, and provide empirical foundations for solving complex coordination problems caused by resource coupling and delayed feedback in industrial scheduling.

搜集汇总

数据集介绍

构建方式

DESBench是一个面向分层事件驱动调度场景的多智能体协调评估基准。其构建以共享的离散事件仿真环境为核心，模拟工厂中Plant、Area、Cell三级决策层的协同运作。在该环境中，任务实例包含固定的层级结构、一组并发作业及其加工路径，并受到机器状态、缓冲区占用、能耗与碳排预算等动态耦合约束的制约。智能体并非持续决策，而是在事件引擎触发的异步决策时刻被激活，依据局部观测与协议上下文选择合法动作。通过将协调协议Γ作为唯一实验变量，DESBench在统一的动力学基底上实例化了集中式、层级式、异层级式和全息式四种典型协调范式，每种范式对应不同的信息流、决策权威与冲突解决机制。

特点

DESBench的核心特点在于其能够揭示不同协调范式在共享动态环境中固有的结构性权衡。基准包含四个评估维度：有效性（如完工时间与拖期）、约束对齐（如违规次数与能量超限幅度）、协调效率（如决策步数与通信消息数）以及鲁棒性（如截断率与未完工债务）。实验表明，集中式协调鲁棒但扩展性差；层级式协调通过分解提升效率但存在跨级偏差；异层级式协调灵活但通信开销巨大；全息式协调满足约束却牺牲全局进展。这些发现证明，仅凭最终结果指标无法捕捉协调行为的内在差异，而多维评估框架为系统分析协调机制的影响提供了有力工具。

使用方法

DESBench为研究者提供了清晰的接入与使用流程。首先，选择一个已定义的基准实例（如A3C9-1或A5C12系列），这些实例固定了拓扑、路由、扰动与预算。其次，通过MAS运行器连接基准：在每个决策时刻，DESBench提供包含激活智能体列表、局部观测、协议上下文与动作掩码的决策载荷，运行器需为每个激活智能体返回一个合法动作索引。第三，若提出新的协调范式，可通过注册权威模式（如路由权威、拒绝权、局部重路由等开关）在统一接口下实现。最后，借助标准化的评估管线执行实验，输出涵盖15项核心度量的摘要、世界事件轨迹、激活记录与决策审计域，便于全面分析协调行为。

背景与挑战

背景概述

在智能体与多智能体系统快速演进的浪潮中，协调机制的设计日益成为影响系统行为的关键因素。然而，现有基准大多聚焦于弱耦合环境下的任务完成评估，难以捕捉共享动态系统中协调结构带来的深远影响。为填补这一空白，浙江大学研究团队于2026年提出了分布式事件驱动调度基准（DESBench），旨在系统揭示不同协调范式在工业调度这一典型复杂场景中的行为差异。该基准构建于共享离散事件模拟环境之上，涵盖了多时间尺度决策、部分可观测性以及动态耦合约束等核心挑战，并定义了效果、约束对齐、协调效率与鲁棒性四个维度的评价指标。通过针对集中式、分层式、异质式和全息式四种典型协调范式的对照实验，DESBench展现出了协调结构对系统行为的根本性调控作用，为多智能体系统研究提供了结构化的分析工具与坚实的评估基础。

当前挑战

DESBench所应对的核心挑战在于如何理解与量化不同协调范式在复杂动态环境中的行为权衡。首先，现有调度与优化基准通常在隐含的集中式或固定控制假设下评估解的质量，缺乏对替代协调结构如何影响系统行为的洞察。其次，现有智能体基准大多缺乏完全共享且动态演变的环境，无法充分捕捉通过资源耦合与延迟反馈作用于未来动态的协调场景。此外，当前环境很少在同一设定下整合层级组织与动态耦合约束，使得系统分析多层面决策过程中的协调范式变得困难。在基准构建过程中，团队面临了模拟高度异步、多层级事件驱动控制流程的挑战，需要设计统一的离散事件调度基底，同时允许不同协议改变智能体的激活逻辑、信息边界与合法决策集合，从而将协调范式作为唯一的实验变量进行隔离研究。

常用场景

经典使用场景

在智能体与多智能体系统的研究疆域中，DESBench（分布式事件驱动调度基准）作为一座精心构筑的试验场，专门用于剖析不同协调范式在复杂动态环境中的行为差异。其最经典的用途在于，面向工业调度这一共享离散事件驱动的场景，系统性地评估四种代表性协调范式——集中式、层级式、异层级式与全息式——在信息流、决策权与冲突解决机制上的表现。研究者可借助该基准，在统一的任务实例中比较各范式在有效性、约束对齐、协调效率与鲁棒性等多维指标上的权衡关系，从而揭示协调设计如何从根本上塑造多智能体系统的整体行为。

衍生相关工作

DESBench的诞生催生了一系列富有启发性的后续研究脉络。基于该基准所揭示的协调权衡格局，学术界涌现出对混合协调机制的探索，试图融合不同范式的优势以突破单一模式的瓶颈。例如，将层级式架构与自适应异层级交互相结合，在保持结构效率的同时增强系统灵活性。此外，强化学习与在线策略调整方法被引入多智能体系统，使得协调方式能根据系统状态与工作负载特征动态演变，从而缓解固定协议下的僵化困境。通信效率方面的优化工作亦受到启发，通过选择性激活与信息压缩技术，着力降低异层级范式中突出的交互成本，推动多智能体系统向更加经济、健壮和可扩展的方向演进。

数据集最近研究

最新研究方向

在多智能体协同控制领域，DESBench的提出标志着从静态、弱耦合环境下的任务完成评估，向共享、动态演化系统中多范式协同机制的深度对比研究迈出了关键一步。该基准聚焦于工业调度中的事件驱动场景，系统剖析了集中式、层级式、异层级式及全息式四种经典协同范式在有效性、约束对齐、协作效率与鲁棒性等多维指标下的结构性权衡。研究揭示，协同范式不仅是实现手段，更是塑造系统行为的首要设计变量，任何单一范式均无法在所有维度上占据绝对优势。这一发现深刻挑战了当前多数评估框架仅依赖最终产出指标的局限性，催生了面向混合式协同、在线自适应策略及通信稀疏化等前沿方向的探索热潮，为构建更灵活、高效且可扩展的下一代多智能体系统提供了理论依据与实验平台。

相关研究论文

• When Does Hierarchy Help? Benchmarking Agent Coordination in Event-Driven Industrial Scheduling

  浙江大学 · 2026年