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

本文介紹了一種名為 Branch-and-Bound ADOPT 的內存有限的異步 DCOP 搜索算法，它用於協調解決代理問題，該算法對於相應的問題可以比 ADOPT 和 NCBB 更快地找到代價最小的解決方案，同時實現了相對誤差邊界。

Jan, 2014

提出了一种新的分布式交互图构建算法，用于解决在开放和动态环境下 DCOP 算法中交互图的生成和维护问题，并通过实验测试表明，该算法有效地构建和维护稳定的多智能体交互图。

Dec, 2022

本文提出了一种名为 PT-ISABB 的混合完整算法，该算法使用定制的推理算法提供紧密下界，并使用基于树的完整搜索算法来搜索空间，以有效解决 ADCOPs 问题，该算法证明了其正确性，并且实验结果表明其优于其他现有的完整算法。

Feb, 2019

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

本文提出了一个名为 ASPIRE 的算法来解决分布式分布鲁棒优化问题（DDRO），该算法涉及分布式环境、不确定性集和优化收敛性。

Oct, 2022

本研究提出了一种基于 SC-ProbLog 的新方法来解决 SCOPs（Stochastic Constraint Optimization Problems）。相比先前使用 PLP 技术创造 OBDD 的方法，我们的方法更具高效性和领域一致性，并基于约束编程方法开发了一个新的传递器。

Jul, 2018