随着智能制造、柔性生产模式的快速普及，工业生产调度场景的复杂度持续提升——订单动态调整、设备随机故障、多环节资源耦合等问题，对传统静态调度算法提出了严峻挑战，以多智能体协同为核心的分布式调度技术，正成为解决复杂工业场景动态调度问题的核心技术路径。但长期以来，该领域研究缺乏标准化的基准测试环境，不同团队的算法验证大多基于自定义仿真场景，难以实现跨方案的横向性能对比，成为制约技术落地的重要瓶颈。
2026年5月13日，浙江大学研究团队在arXiv首发的分布式事件驱动调度基准数据集Distributed Event-driven Scheduling Benchmark（简称DESBench），正是瞄准这一行业痛点，为多智能体系统在复杂工业调度场景中的协调机制评估提供了结构化、标准化的公共测试平台。据介绍，DESBench构建于共享离散事件仿真环境之上，高度还原了具有层次结构、部分可观测性和动态耦合约束的真实工厂调度场景，全面覆盖作业、机器、缓冲区、运输路径等多种生产实体及对应的资源约束规则。该数据集的创建过程完全基于离散事件驱动模型，通过系统化定义任务实例、协调范式和统一评估指标，生成了可支持集中式、分层式、异构式和整体式四种典型多智能体协调范式评估的仿真环境，可完整复现不同协调策略在动态演化生产场景中的运行过程。
从应用方向来看，该数据集可广泛用于多智能体协调领域的算法验证研究，帮助科研人员深入探究不同协调范式在动态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、延迟反馈引发的复杂协调问题提供实证基础。典型应用场景包括离散制造业的动态生产排程、港口物流的多设备协同调度、智慧电网的分布式负荷调节、智慧园区的资源动态分配等多个工业与城市治理场景，各类调度算法可先在DESBench的仿真环境中完成极限测试、参数优化后再落地部署，大幅降低技术落地的试错成本。
作为支撑人工智能技术落地的核心科研基础设施类数据资源，DESBench的发布也为我国数据要素市场中科研公共数据的开放共享提供了典型样本。统一基准数据集的开放，可有效降低领域研究的准入门槛，避免不同团队重复构建仿真环境的资源浪费，同时也为工业调度优化技术的标准化评估提供了公共标尺，有望加快多智能体协调技术从实验室向产业端的落地进程，助力实体经济的数字化、智能化转型。
查看Distributed Event-driven Scheduling Benchmark (DESBench)
详情页内容：
_1769672084863.jpg)