多Agent系统是一种由多个自治的智能Agent组成的系统，每个Agent都可以作为单独的计算实体进行交互和协作。在多Agent系统中，负载均衡是至关重要的，它指的是系统中的任务分配应该尽可能平均地分布在各Agent节点上，以避免某些节点过载而其他节点空闲的情况。本文的研究重点在于提出一种新的动态负载均衡机制，该机制特别考虑了任务局部性的特点，即在一定时间范围内任务到达呈现的规律性和连续性。
任务局部性的概念是针对任务流在实际系统中的一种特性。它指的是一段时间内的任务到达序列具有平滑特性，即任务稳定、递增或递减地到达。与之相对的全局任务序列则不考虑时间局部性，只关注全局的任务到达规律。局部任务序列在预测未来任务强度时，比全局任务序列有更准确的预测效果，因为它能够更好地反应任务在短期内的变化趋势。
在传统静态负载均衡机制中，任务分配是事先计划好的，不随系统的实时状态变化而变化，这种方法在任务特性或系统负载波动较大的情况下，不能有效地应对。而传统的动态负载均衡虽然可以在一定程度上根据系统的实时状态调整任务分配，但它们往往没有考虑到任务局部性的特点，因此在任务到达序列有明显局部特性时，可能无法做出最优的负载分配。
为了改善这一问题，本文提出了一种基于任务局部性的动态负载均衡机制。该机制采用一个窗口机制记录任务到达的局部信息，这个窗口能够根据实际需要设置大小，以便捕捉到任务到达序列的平滑特性。然后，通过改进的指数平滑公式计算未来任务的到达强度值。指数平滑是一种时间序列预测方法，通过给予过去观测值不同权重，更重视近期观测值的信息，进而预测未来值。改进的指数平滑公式能够更好地适应任务局部性特点，从而提供更准确的任务到达强度预测。
在任务分配时，考虑了基于任务局部性计算出的未来任务到达强度因子，可以有效地实现动态负载均衡。通过这种方式，系统可以在运行时动态地调整任务分配，使各个Agent的负载保持相对平衡，从而有效地降低任务完成时间。
关键词中所提到的"人工智能"指的是一种让机器模拟、延伸和扩展人的智能的技术科学，多Agent系统是人工智能领域的一个重要分支。"任务分配"和"负载均衡"则是多Agent系统中的两个关键问题。负载均衡对于维持系统的高性能和稳定性至关重要，而任务分配是实现负载均衡的必要步骤。
总结而言，本文通过提出一种基于任务局部性的动态负载均衡机制，提升了多Agent系统在任务分配时的效率和准确性。这项研究不仅对理论界有贡献，为多Agent系统的优化提供了新的思路，同时也有助于在实际应用中提升系统的性能和可靠性。实验结果表明，所提出的负载均衡因子能够有效地降低任务完成时间，这证明了该机制在多Agent系统中的实用性和有效性。
