В этом исследовании рассматривается проблема эффективности планирования задач и ограниченной отказоустойчивости в специализированных грид-вычислительных средах, где традиционные системы полагаются на централизованное управление и стабильную инфраструктуру. Чтобы преодолеть это, было разработано поведение децентрализованных агентов с использованием платформы Java Agent DEvelopment Framework, позволяющей автономно перераспределять задачи между гетерогенными рабочими агентами. Предлагаемая архитектура Планировщик – Рабочий обеспечивает динамическую координацию и восстановление после сбоев без централизованной оркестровки. Эксперименты на пяти устройствах показывают, что увеличение числа агентов с одного до трех сокращает общее время выполнения в 1,98–3,25 раза, в то время как наилучшая производительность достигается при использовании четырех агентов, что обеспечивает ускорение в 2,99 раза при выполнении 100 задач. Однако использование шести агентов на меньшем количестве устройств снижает эффективность до 2,34 раза из-за нехватки ресурсов и увеличенной коммуникационной нагрузки. Исследование ограничено одной топологией сети и небольшим испытательным стендом. Тем не менее результаты демонстрируют практический потенциал децентрализованного планирования на основе агентов для создания устойчивых распределенных систем машинного обучения.