该论文提出了用于解决分布式约束优化问题（DisCOPs）的一种新的搜索算法，即基于异步边界计算的异步前向绑定算法（AFB），该算法通过处理候选目标队列来进行分布式回溯搜索，实验结果表明，AFB相对于同步分支和界限搜索算法的效率提高了许多个数量级，并且在问题紧度增加时，产生相变的效果。而AFB-BJ算法则通过引入回跳机制进一步提高了算法效率，是DisCOPs的一种非常有效的算法。

Jan, 2014

本文提出了一种适用于具有不对称约束问题的分布式组合优化问题的一般框架，即ADCOP， 并提供了相应算法。

Feb, 2014

本文旨在探究利用基于逻辑编程技术的基础设施，通过使用一种通用约束求解器（此处为约束逻辑编程系统）来处理代理层次的约束求解,以解决分布式约束优化问题,并通过初步实验表明其在性能和可扩展性方面较目前最先进的 DCOP 系统有所提高，为解决DCOP问题提供更先进的技术手段（例如搜索策略和复杂约束) 。

May, 2014

该篇论文概述了分布式约束优化问题在多智能体系统中的应用，对其各种扩展和解析方法进行了分类并提出了未来研究方向和挑战。

Feb, 2016

本文探讨了Answer Set Programming在解决Distributed Constraint Optimization Problems方面的应用。其贡献包括：将DCOPs表示为逻辑程序；介绍了基于逻辑编程的第一个DCOP算法ASP-DPOP；实验证明ASP-DPOP可以比DPOP快两个数量级，并且可以解决DPOP无法解决的一些问题；以及演示了ASP在当前被建模为DCOPs的各种多代理问题中的适用性。

May, 2017

通过基于在线学习的inadmissible估计和EES算法，在研究现有的bounded-suboptimal MAPF算法的基础上，提出一种新的bounded-suboptimal算法EECBS，相较于ECBS，BCP-7和eMDD-SAT等先进算法，在运行时间上表现更快，希望其可推广到更多bounded-suboptimal MAPF算法的应用中。

Oct, 2020

该论文提出了一种基于图神经网络的DCOPs解决方案，通过预训练的优化标签数据构建出有效的启发式方法，在分布式环境中实现了去中心化的模型推理，并结合局部搜索或回溯搜索算法，在各种测试中都取得了显著的优异表现。

Dec, 2021

本文研究了多智能体路径规划中的Conflict-Based Search算法，证明了权重cost-to-go和冲突启发式算法可以被用于低级规划器，旨在提高算法效率和解决冲突问题。此外，该文章进一步表明算法性能与高低级之间的权衡有关，对现有算法进行了优化。

May, 2022

本研究提出了一种名为ITA-CBS的增量目标指派CBS方法，该方法不需要计算K个最佳任务分配，只在搜索过程中增量计算新的最佳分配，有效避免了多个搜索树中的冲突，保证了最优解和计算效率。

Jul, 2023

多智能体路径规划 (MAPF) 的一个变种是综合目标分配和路径规划 (TAPF) 问题，本文引入了 ITA-ECBS 作为 ITA-CBS 的边界次优变体，并采用聚焦搜索和基于新的下界矩阵确定目标分配，经测试在 54,033 个案例中表现出优于基线方法 ECBS-TA 的结果占据了 87.42%。

Apr, 2024